公开(公告)号：CN111797567B

公开(公告)日：2024-02-13

申请号：CN202010516421.5

申请日：2020-06-09

Applicant: 合肥工业大学

Inventor： 陈剑 ,  黄凯旋

IPC: G06F18/2415 ,  G06F18/2431 ,  G06F18/2131 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/084 ,  G01M13/045

Abstract: 本发明提供一种基于深度学习网络的轴承故障分类方法及系统，分类方法包括：设定采样频率，采集轴承在不同工况下的振动信号数据；将取得的振动信号数据进行分段构建多个样本；分解处理每个样本的振动信号数据得出多个模态分量，实现有效成分分离；构建具有残差单元的深度网络，用随机搜索法确定合适的网络深度；将训练集输入深度残差网络进行迭代训练并获取分类模型；将测试集输入分类模型，取得故障分类结果。本发明的分类方法将变分模态分解和深度残差网络相结合，解决了输入数据存在噪声干扰和有效成分存在交叉混叠、网络深化导致识别梯度消失、性能退化导致分类效果变差的问题，实现了不受转速变化影响的故障特征提取，

公开(公告)号：CN110455537A

公开(公告)日：2019-11-15

申请号：CN201910882210.0

申请日：2019-09-18

Applicant: 合肥工业大学

Inventor： 陈剑 ,  刘圆圆 ,  吕伍佯 ,  杨斌 ,  刘幸福 ,  蔡坤奇 ,  黄凯旋

IPC: G01M13/04 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种轴承故障诊断方法及系统，其诊断方法包括：采集工况下故障轴承的实验数据并依次构建训练集，利用训练集建立分类模型；利用验证集和测试集优化分类模型的平滑因子，得到优化模型；最终，利用优化模型对轴承运行数据进行故障诊断。本发明分类模型具有较高的分类准确率，且训练更新速度较快。

公开(公告)号：CN111797567A

公开(公告)日：2020-10-20

申请号：CN202010516421.5

申请日：2020-06-09

Applicant: 合肥工业大学

Inventor： 陈剑 ,  黄凯旋

IPC: G06F30/27 ,  G01M13/045 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习网络的轴承故障分类方法及系统，分类方法包括：设定采样频率，采集轴承在不同工况下的振动信号数据；将取得的振动信号数据进行分段构建多个样本；分解处理每个样本的振动信号数据得出多个模态分量，实现有效成分分离；构建具有残差单元的深度网络，用随机搜索法确定合适的网络深度；将训练集输入深度残差网络进行迭代训练并获取分类模型；将测试集输入分类模型，取得故障分类结果。本发明的分类方法将变分模态分解和深度残差网络相结合，解决了输入数据存在噪声干扰和有效成分存在交叉混叠、网络深化导致识别梯度消失、性能退化导致分类效果变差的问题，实现了不受转速变化影响的故障特征提取，提高了故障分类准确性。