公开(公告)号：CN116304836A

公开(公告)日：2023-06-23

申请号：CN202310341999.5

申请日：2023-04-03

Applicant: 中南大学

Inventor： 谢素超 ,  李雅鑫 ,  王嘉诚 ,  谭鸿创 ,  刘润达 ,  杨凌志

IPC: G06F18/24 ,  G01M13/045 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0895

Abstract: 本发明提供一种基于领域知识引导的少样本半监督轴承故障诊断方法，可实现少样本半监督轴承故障定位。基于轴承故障特征机理，融合小波包分解以及信息熵算法，提出基于领域知识引导的特征工程。将先验特征向量与基于卷积神经网络提取的一般特征向量拼接，与基于Meat‑ACON改进的注意力机制相连实现特征融合。两种特征相互补充，一方面降低卷积网络计算时间，另一方面提高识别精度。采用半监督‑自训练训练策略对基于XGBoost的分类器进行训练，为样本缺失、样本量少的工程应用提供了基础。在实例中，对所提出的方法进行了验证，在多种工况以及多种故障规格的轴承故障定位实验中，其在准确率以及识别效率上表现出优势。

公开(公告)号：CN115901265A

公开(公告)日：2023-04-04

申请号：CN202310014275.X

申请日：2023-01-05

Applicant: 中南大学

Inventor： 谢素超 ,  刘润达 ,  王嘉诚 ,  谭鸿创 ,  李雅鑫 ,  冯哲骏

IPC: G01M13/045 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明提供一种基于MFCC‑FcaNet的滚动轴承故障诊断方法，包括：测量获得振动加速度信号；故障特征提取梅尔倒谱系数图；将计算得到的梅尔倒谱系数图输入基于MFCC‑FcaNet的神经网络中进行前向传播，学习到表征样本信号的数据分布；定义网络损失函数，根据损失函数反向传播，对MFCC‑FcaNet的神经网络进行迭代优化训练；向训练完成的网络模型输入滚动轴承测试集梅尔倒谱系数图，通过分类网络得到测试数据的故障类型。本发明将基于频域注意力机制卷积神经网络与梅尔频谱倒谱分析相融合，充分利用了原始传感信息的时域特征和频域特征，同时融合了卷积神经网络的自学习特征提取能力；引入频域注意力机制，实现对图像关键特征定位的同时提取到更多故障敏感特征。