专利交易市场

本发明涉及一种基于IWOA‑ELM的滚动轴承故障诊断方法，属于滚动轴承诊断技术领域，首先采用变分模态分解方法对轴承信号处理并提取特征，将不同类型的特征标记标签并划分训练集和测试集，然后在鲸鱼算法的基础上，引入改进TENT混沌映射、反向学习和劣势种群随机交换的初始化种群策略、基于强化学习选择收敛因子、自适应权重和随机跳跃更新策略、t分布‑levy飞行变异策略，最后使用改进鲸鱼算法对极限学习机的输入权重和偏差进行优化，建立IWOA‑ELM模型，对轴承不同工况类型进行分类识别。本发明可以平衡鲸鱼算法全局搜索和局部寻优能力，解决算法容易陷入局部最优的问题，有效提高轴承识别的准确性。

本发明提供一种基于Soft‑IntroVAE和1D‑2DA‑FCNN的不平衡样本滚动轴承故障诊断方法及系统，涉及故障检测技术领域，该方法包括利用传感器采样各类故障的振动信号；对传感器采集到的振动信号进行重叠采样，并通过FFT变换将一维时序数据转化为一维时频数据；将不均衡的训练数据样本输入到Soft‑IntroVAE样本生成模型中进行样本增广，并将增广后的数据与原始训练数据进行融合，构建新的平衡训练集；将平衡训练数据样本输入到1D‑2DA‑FCNN轴承故障诊断模型中进行训练；将测试数据样本输入训练好的1D‑2DA‑FCNN轴承故障诊断模型进行特征提取，并进行分类，输出分类结果。本发明在数据不均衡情况下，能够显著提高轴承故障诊断的准确率。

本发明公开了一种基于SOT‑SVM的变工况滚动轴承故障诊断方法，所述方法首先采用小波变换提取滚动轴承振动数据中的故障特征，构建故障样本集，再对源领域及目标领域轴承故障样本集进行聚类，生成源领域与目标领域故障样本数据的子结构，并自适应的对源领域数据子结构赋予不同权重，目标领域数据子结构赋予相同权重，完成对源领域数据子结构的映射，最后，利用映射的源领域数据子结构及其所对应的标签，通过对处理小样本问题更有优势的支持向量机模型，实现了对目标工况滚动轴承的故障诊断。这种方法在各工况条件下均能取得良好的诊断性能，具有较好的工程价值和应用前景。

本发明公开了一种利用二阶参数匹配的随机共振对电机滚动轴承故障进行诊断的方法。将电机滚动轴承振动信号的故障特征提取转化为随机共振问题，以电机滚动轴承的振动信号作为输入，采用二阶参数匹配的随机共振方法放大振动信号中微弱的故障特征信号，得到对应的输出信号，再对输出信号进行时域和频域分析，完成提取特征，以此判断电机滚动轴承是否存在故障以及故障类型。