[发明专利]基于深度学习的智能制造设备故障的诊断方法及装置在审
| 申请号： | 201811385191.2 | 申请日： | 2018-11-20 |
| 公开（公告）号： | CN109580145A | 公开（公告）日： | 2019-04-05 |
| 发明（设计）人： | 张彩霞;王向东;王新东 | 申请（专利权）人： | 佛山科学技术学院 |
| 主分类号： | G01M7/02 | 分类号： | G01M7/02;G06F17/14;G06K9/62;G06N3/04 |
| 代理公司： | 广州嘉权专利商标事务所有限公司 44205 | 代理人： | 谢泳祥 |
| 地址： | 528000 广东省佛山市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及智能制造设备故障诊断技术领域，具体涉及基于深度学习的智能制造设备故障的诊断方法及装置，通过采集智能制造设备的原始振动数据，根据所述原始振动数据获取归一化处理后的振动频谱信号，并对归一化处理后的振动频谱信号进行深度学习，获取频谱信号特征，通过提取所述原始振动数据的时域统计特征，将所述时域统计特征与所述谱信号特征结合，作为粒子群支持向量机的输入进行分类，从而完成故障诊断，本发明摆脱对大量信号处理知识和诊断工程经验的依赖,节省时间,并满足一定的监测诊断精度。 | ||
| 搜索关键词： | 智能制造 原始振动 诊断方法及装置 归一化处理 设备故障 统计特征 振动频谱 时域 设备故障诊断技术 支持向量机 诊断 工程经验 故障诊断 频谱信号 数据获取 信号处理 信号特征 粒子群 学习 采集 分类 监测 | ||
【主权项】：
1.基于深度学习的智能制造设备故障的诊断方法，其特征在于，包括以下步骤：步骤S1、采集智能制造设备的原始振动数据；步骤S2、根据所述原始振动数据获取归一化处理后的振动频谱信号；步骤S3、对归一化处理后的振动频谱信号进行深度学习，获取频谱信号特征；步骤S4、提取所述原始振动数据的时域统计特征，将所述时域统计特征与所述谱信号特征结合，作为粒子群支持向量机的输入进行分类，从而完成故障诊断。
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佛山科学技术学院，未经佛山科学技术学院许可，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/201811385191.2/，转载请声明来源钻瓜专利网。
