摘要
本申请提供了基于振动声学的低噪声滚动轴承故障诊断方法及系统,涉及诊断滚动轴承故障的技术领域,所述方法包括,获取历史振动信号和超声信号,分别提取二者特征并据此生成第一历史时频图、第二历史时频图,将其融合得到融合历史时频图并添加类别标签;构建第一卷积神经网络模型,用添加类别标签后的融合历史时频图训练该模型;获取待处理振动信号和超声信号,同样提取特征生成第一、第二待处理时频图并融合,将融合待处理时频图输入训练后的第一卷积神经网络模型,输出第一诊断结果,本申请能够提高滚动轴承故障诊断结果的准确性和可靠性。
技术关键词
低噪声滚动轴承
神经网络模型
故障诊断方法
超声信号
融合历史
声发射
诊断滚动轴承故障
滚动轴承故障诊断
像素
标签
短时傅里叶变换
连续小波变换
故障诊断系统
参数
频率
存储器
处理器
算法
强度
系统为您推荐了相关专利信息
训练机器学习模型
训练集
样本
误差参数
神经网络模型
三维CAD模型
分类方法
融合注意力机制
节点特征
矩阵
智能传感器
监测单元
呼吸监测装置
呼吸监测系统
呼吸机
故障定位系统
神经网络模型
故障检测
数字孪生模型
深度强化学习算法
高压真空断路器
故障检测系统
故障诊断方法
时空分布特征
时序特征