公开(公告)号：CN119128551B

公开(公告)日：2025-03-25

申请号：CN202411621782.0

申请日：2024-11-14

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  田霖翰 ,  陶云杰 ,  卞迅

IPC: G06F18/22 ,  G06F18/214 ,  G06F18/24 ,  G06F18/10 ,  G06N3/0442 ,  G06N3/08 ,  G01M13/045

Abstract: 本发明公开了一种基于时序特征线性调制智能超采样的故障诊断方法，通过对信号采样率的提升，补充高频段细节，增强故障诊断性能。步骤包括：获得原始振动信号。对原始振动信号进行预处理，通过降采样得到低采样率信号。配对低采样率信号和原始振动信号，用于智能超采样网络训练。构建超采样率模型，实现超采样率信号的预测输出。构建故障诊断模型，学习信号故障分类的特征。将训练集输入超采样率故障诊断模型对模型进行训练。将振动信号输入训练好的模型，得到超采样率信号，对超采样率信号进行分类，得到其健康状态类型。本发明的故障诊断模型更好地解决了在面对低采样率信号时诊断性能较差的难题同时较为真实地恢复了信号的高频信息。

公开(公告)号：CN119128551A

公开(公告)日：2024-12-13

申请号：CN202411621782.0

申请日：2024-11-14

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  田霖翰 ,  陶云杰 ,  卞迅

IPC: G06F18/22 ,  G06F18/214 ,  G06F18/24 ,  G06F18/10 ,  G06N3/0442 ,  G06N3/08 ,  G01M13/045

Abstract: 本发明公开了一种基于时序特征线性调制智能超采样的故障诊断方法，通过对信号采样率的提升，补充高频段细节，增强故障诊断性能。步骤包括：获得原始振动信号。对原始振动信号进行预处理，通过降采样得到低采样率信号。配对低采样率信号和原始振动信号，用于智能超采样网络训练。构建超采样率模型，实现超采样率信号的预测输出。构建故障诊断模型，学习信号故障分类的特征。将训练集输入超采样率故障诊断模型对模型进行训练。将振动信号输入训练好的模型，得到超采样率信号，对超采样率信号进行分类，得到其健康状态类型。本发明的故障诊断模型更好地解决了在面对低采样率信号时诊断性能较差的难题同时较为真实地恢复了信号的高频信息。