一种基于多模态数据融合的面向转子故障诊断任务的方法

    公开(公告)号:CN119416155A

    公开(公告)日:2025-02-11

    申请号:CN202411541105.8

    申请日:2024-10-31

    Abstract: 一种基于多模态数据融合的面向转子故障诊断任务的方法,包括以下步骤:S1、去除原始振动数据噪音,将去噪振动数据转化为递归图;S2、划分去噪振动数据和对应递归图为训练集、测试集;S3、利用训练集预训练时域特征提取模块和递归特征提取模块;S4、提取训练集的时域特征和递归特征,训练多模态特征融合和故障诊断模块;S5、将测试集的振动信号和对应递归图分别输入到时域特征提取模块和递归特征提取模块,提取时域特征和递归特征;S6、将S5中提取特征输入多模态特征融合和故障诊断模块,输出故障诊断结果;本发明利用故障振动信号时域和递归特征的多模态数据进行转子故障诊断,具有可行度高、精度高等优点。

    一种基于深度学习与多重信号分解的信号预测方法及系统

    公开(公告)号:CN119166993A

    公开(公告)日:2024-12-20

    申请号:CN202411168417.9

    申请日:2024-08-23

    Abstract: 本发明提供一种基于深度学习与多重信号分解的信号预测方法及系统,涉及水电机组故障诊断技术领域。包括获取多个不同信号通道的时序数据并进行预处理,采用EEMD对预处理后的时序信号数据进行分解,这些分量能够更好地表示信号的不同频率成分,一阶IMF分量进行变分模态分解(VMD),将其进一步分解为多个模态分量,提取更细致的模态信息,提高了预测精度,再将分解的模态分量输入搭建的LSTM预测模型,以识别时间序列中的模式和趋势,从而获取预测结果,结合了EEMD和VMD进行多层次的信号分解,从而提取出更加精细的特征,再通过LSTM模型进行时间序列预测,具有较高的预测精度和鲁棒性,大大提升了预测功能的准确性。

Patent Agency Ranking