權利要求書： 1.一種基于慢特征分解(SFA)和卷積神經網絡(CNN)的風機軸承故障診斷方法，其特征包括以下步驟：A、在采集軸承振動信號后，利用SFA提取其中的固有特征信息；B、將一維的特征信號轉變為二維的圖像信息；C、劃分訓練集和測試集，定義故障類型；D、構建卷積神經網絡框架，初始化網絡參數；E、訓練網絡并使用測試集檢驗。2.根據權利要求1所述的基于慢特征分解(SFA)和卷積神經網絡(CNN)的風機軸承故障診斷方法，其特征在于：步驟A中，利用SFA提取軸承信號的固有特征信息的步驟包括，A1、數據標準化m×n對整個數據集X(t)∈R ，其標準化如下：其中， 表示均值信號，σ表示標準差；A2、數據白化對標準化后的數據的協方差矩陣 (<·>表示對時間的均值)進行SD分解：此時白化矩陣可以表示為Q＝Ω-1/2UT，則白化后的數據是A3、求取慢變特征求取信號的一階導數近似 對 進行SD分解得到：則，得到特征向量W＝QTP，繼而得到慢特征：S(t)＝Z(t)P。3.根據權利要求1所述的基于慢特征分解(SFA)和卷積神經網絡(CNN)的風機軸承故障診斷方法，其特征在于：步驟B中，一維特征信號轉變為二維圖像信號的方法如下：選取最慢的特征信號S1(t)，設置窗口長度為N，則將每一個窗口長度的信號作為一行，構成二維數據集。4.根據權利要求1所述的基于慢特征分解(SFA)和卷積神經網絡(CNN)的風機軸承故障診斷方法，其特征在于：步驟C中，將二維數據特征集和與之對應的故障標簽作為一個樣本對，將全部樣本按照設定的比例隨機選擇一部分作為訓練集，剩下的作為測試集；風機軸承的故障類型主要包括內圈故障、外圈故障和滾動體故障。5.根據權利要求1所述的基于慢特征分解(SFA)和卷積神經網絡(CNN)的風機軸承故障診斷方法，其特征在于：步驟D中，構建卷積神經網絡框架和初始化參數包括以下主要步驟，卷積神經網絡一般由輸入層、卷積層、池化層、全連接層、輸出層組成；D1、輸入層的輸入數據即為步驟C中的二維圖像訓練集；D2、卷積層是對圖像數據進行卷積運算，從而從圖像中提取特征；設置卷積核大小為3×3，即每個3×3方陣與卷積核作乘積然后求和；移動步長設置為1，填補方式設置為無填充；激活函數設置為Sigmoid函數：那么整個卷積層的表達式如下：al＝
聲明：
“基于SFA和CNN的風機軸承故障診斷方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究，如用于商業用途，請聯系該技術所有人。
我是此專利(論文)的發明人(作者)
814
編輯：管理員
來源：中國長江三峽集團有限公司福建分公司
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年07月24日 ~ 26日 
