【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断方法领域，尤其涉及一种基于深度卷积神经网络的滚动轴承故障诊断方法。
技术介绍
1、滚动轴承是机械设备的核心组件之一，由于运行环境恶劣，滚动轴承在运行过程中故障高发，进而导致高昂的维护成本和严重的安全问题，因此对滚动轴承进行实时在线监测，快速准确的进行故障特征提取、状态识别，可以确保机械设备的运行稳定。滚动轴承故障诊断常用方法是利用振动信号进行分析，广泛使用的信号处理方法是通过经验模态分解、小波变换、稀疏分解、傅里叶变换等方法提取信号的时域、频域、时频域特征，判断滚动轴承的故障状态及故障类型。然而，传统的信号处理技术往往依赖于专家经验，对强噪声及复杂工况的故障特征提取困难。
2、随着机器学习的提出和发展，常见的机器学习方法如knn、svm、随机森林，bp神经网络等广泛应用于轴承的故障诊断中。但是这些方法依赖于手动提取特征，其准确率依赖于特征提取的结果，同时处理的数据量有限，随着监测数据的快速增长，及机械设备的复杂性、耦合性不断提高。如何从大量数据中挖掘精确的故障信息，识别设别的健康状态，成为故障诊...
【技术保护点】
1.一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于：步骤一中，通过公开数据集获取振动信号数据。
3.根据权利要求1所述的一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于：步骤一中对振动信号数据进行分类时，包括内圈故障、外圈故障、滚动体故障和正常状态四种类别。
4.根据权利要求1所述的一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于：步骤一中，以相同类别的500个数据点作为一个样本数据。
5....
【技术特征摘要】
1.一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于：步骤一中，通过公开数据集获取振动信号数据。
3.根据权利要求1所述的一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于：步骤一中对振动信号数据进行分类时，包括内圈故障、外圈故障、滚动体故障和正常状态四种类别。
4.根据权利要求1所述的一种基于深度卷积神经网络的滚动轴承故障诊断方法，其特征在于：步骤一中，以相同类别的500个数据点作为一...
【专利技术属性】
技术研发人员：彭兵仿，王安，范永胜，王宝华，刘志坦，张晋阳，张海峰，吴国兴，戴维葆，徐卫，胡军，徐坷薇，延寒，吴炫辰，贾磊，何新荣，邓艾东，朱静，孙雪丽，殷戈，郭嘉，邵峰，
申请(专利权)人：国能常州第二发电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。