一种基于卷积神经网络的风电齿轮箱故障诊断方法

发明专利无效专利

申请号：
CN201810351068.2
IPC分类号：G01M13/02;G06K9/62;G06N3/04
申请日期：
2018-04-18
申请人：
北京信息科技大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于卷积神经网络的风电齿轮箱故障诊断方法
申请号	CN201810351068.2	申请日期	2018-04-18
法律状态	驳回	申报国家	中国
公开/公告日	2018-11-27	公开/公告号	CN108896296A
优先权	暂无	优先权号	暂无
主分类号	G01M13/02 ? IPC结构图谱： G 物理 G0 仪器 G01 测量；测试 G01M 机器或结构部件的静或动平衡的测试；其他类目中不包括的结构部件或设备的测试 G01M13/00 机械部件的测试 G01M13/02 齿轮或传动机构的测试	IPC分类号	G;0;1;M;1;3;/;0;2;;;G;0;6;K;9;/;6;2;;;G;0;6;N;3;/;0;4查看分类表>
申请人	北京信息科技大学	申请人地址	北京市海淀区清河小营东路12号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	北京信息科技大学	当前权利人	北京信息科技大学
发明人	刘秀丽;徐小力;吴国新;左云波;蒋章雷
代理机构	北京远创理想知识产权代理事务所（普通合伙）	代理人	张素妍

摘要

本发明涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，进行迭代训练并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并调整像素，输入训练好的卷积神经网络进行识别分类，输出故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断样本的故障类型。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供