公开(公告)号：CN111275004A

公开(公告)日：2020-06-12

申请号：CN202010105681.3

申请日：2020-02-21

Applicant: 电子科技大学

Inventor： 左琳 ,  张磊 ,  张昌华 ,  刘宇 ,  张哲涵

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G01M13/04 ,  G01M13/045

Abstract: 本发明公开一种基于LMD和脉冲神经网络的轴承故障诊断方法，应用于机械故障诊断和计算机人工智能技术领域，针对现有技术利用SNN在机械故障诊断领域的性能研究的匮乏；本发明首先利用LMD将轴承振动信号分解为若干个PF分量，计算出这些PF分量和原始振动信号的统计学特征；接着将计算出的统计学特征进行min-max归一化，利用高斯群编码的方法将归一化后的特征向量编码为脉冲序列；然后搭建脉冲神经网络模型，利用改进的Tempotron算法对脉冲神经网络模型的输入层与输出层之间的突触权重进行学习，直至满足训练终止条件，再利用训练好的模型进行故障诊断；实验表明本发明方法的诊断精度远高于传统方法。

公开(公告)号：CN111275004B

公开(公告)日：2022-10-11

申请号：CN202010105681.3

申请日：2020-02-21

Applicant: 电子科技大学

Inventor： 左琳 ,  张磊 ,  张昌华 ,  刘宇 ,  张哲涵

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G01M13/04 ,  G01M13/045

Abstract: 本发明公开一种基于LMD和脉冲神经网络的轴承故障诊断方法，应用于机械故障诊断和计算机人工智能技术领域，针对现有技术利用SNN在机械故障诊断领域的性能研究的匮乏；本发明首先利用LMD将轴承振动信号分解为若干个PF分量，计算出这些PF分量和原始振动信号的统计学特征；接着将计算出的统计学特征进行min‑max归一化，利用高斯群编码的方法将归一化后的特征向量编码为脉冲序列；然后搭建脉冲神经网络模型，利用改进的Tempotron算法对脉冲神经网络模型的输入层与输出层之间的突触权重进行学习，直至满足训练终止条件，再利用训练好的模型进行故障诊断；实验表明本发明方法的诊断精度远高于传统方法。