[发明专利]一种基于宽残差网络学习模型的机械轴承故障诊断技术有效
| 申请号： | 201810135943.3 | 申请日： | 2018-02-09 |
| 公开（公告）号： | CN108334948B | 公开（公告）日： | 2020-08-11 |
| 发明（设计）人： | 潘昊;谷年龙;汪洪涛;徐劲力;黄丰云;张晓帆 | 申请（专利权）人： | 武汉理工大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04;G06K9/00;G01M13/04 |
| 代理公司： | 北京金智普华知识产权代理有限公司 11401 | 代理人： | 杨采良 |
| 地址： | 430070 湖*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于宽残差网络学习模型的机械轴承故障诊断技术，包括以下步骤：步骤一，采集振动数据；步骤二，运用卷积神经网络对样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用数据可视化技术，完成振动数据和卷积神经网络模型结合的初步应用场景构建；步骤三，引入宽残差网络模型，通过拓宽卷积核达到对振动数据高频噪声信号和低频特征信号的过滤折中。该技术通过运用宽残差网络，核心是解决了增加深度带来的副作用(退化问题)，同时在保持对振动数据故障诊断准确率基本不变的情况下做到了深度学习过程中对振动数据高频噪声信号和低频特征信号的过滤折中。 | ||
| 搜索关键词： | 一种 基于 宽残差 网络 学习 模型 机械 轴承 故障诊断 技术 | ||
【主权项】：
1.一种基于宽残差网络学习模型的机械轴承故障诊断技术，其特征在于：包括以下步骤：步骤一，采集振动数据；步骤二，运用卷积神经网络对样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用数据可视化技术，完成振动数据和卷积神经网络模型结合的初步应用场景构建；步骤三，引入宽残差网络模型，通过拓宽卷积核达到对振动数据高频噪声信号和低频特征信号的过滤折中。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于武汉理工大学，未经武汉理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810135943.3/，转载请声明来源钻瓜专利网。
