基于小波變換和深度學習的滾動軸承微弱故障診斷方法
基本信息
申請?zhí)?/td> | CN201810158359.X | 申請日 | - |
公開(公告)號 | CN108426713B | 公開(公告)日 | 2020-05-01 |
申請公布號 | CN108426713B | 申請公布日 | 2020-05-01 |
分類號 | G01M13/045 | 分類 | 測量;測試; |
發(fā)明人 | 章雒霏;張銘 | 申請(專利權(quán))人 | 南京聲科科技有限公司 |
代理機構(gòu) | 南京蘇創(chuàng)專利代理事務所(普通合伙) | 代理人 | 成都昊銘科技有限公司 |
地址 | 611731 四川省成都市高新區(qū)(西區(qū))天辰路88號9號樓1單元102C-17室 | ||
法律狀態(tài) | - |
摘要
摘要 | 本發(fā)明公開了一種基于小波變換和深度學習的滾動軸承早期微弱故障的診斷方法。該方法包括:首先獲取滾動軸承振動信號,對采集的振動信號進行連續(xù)小波變換得到時頻圖;然后,對時頻圖上每個頻率對應小波系數(shù)進行自相關(guān)運算濾除噪聲干擾并提取出周期性的故障成分;再利用Hilbert變換進行包絡解調(diào)獲取故障特征頻率;最后,將處理后的時頻圖作為特征圖輸入,通過訓練深度學習分類模型對早期故障的類別進行判斷。理論和實驗結(jié)果證明,結(jié)合改進的小波時頻圖作為輸入訓練的分類模型在滾動軸承產(chǎn)生微弱故障的早期就能夠?qū)收系念悇e進行非常準確的判斷,在不同的軸承上使用時也能給出正確的判斷結(jié)果,訓練的速度也很快,具有非常好的實際應用價值。 |
