专利交易市场

本发明公开了一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法。利用加速度传感器对滚动轴承的振动信号进行采集，在不同噪声强度下得到了各运行状态小波包能量特征向量，并引入新的基于类中心的隶属度计算法方法，在此基础上构建了基于多分类模糊相关向量机实现了滚动轴承的智能故障诊断，并利用多分类模糊相关向量机对故障特征向量样本集进行训练与测试，将测试结果与实际故障类型比较，验证了诊断方法的有效性，实现了滚动轴承的智能故障诊断。本诊断方法克服了传统智能故障诊断方法在强噪声环境下诊断准确率不高的不足，且故障诊断效率高以及抗噪性能好，适用于复杂噪声环境下的滚动轴承故障诊断，具有较好的工程价值和应用前景。

本发明公开了一种域对抗自适应一维卷积神经网络智能故障诊断方法，包括构建阶段和学习阶段，所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数；所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测；本发明域对抗自适应一维卷积神经网络智能故障诊断方法，实现了无监督自适应学习源域样本的判别性特征和基于源域样本与目标域样本的域不变特征，提高故障诊断系统的诊断性能和鲁棒性。

本发明公开了一种基于蒸馏学习与特征融合的变工况智能故障诊断方法，包括：第一步，对振动信号进行幅相增强得到增强信号。第二步，将增强信号输入蒸馏学习模块中得到增强特征。第三步，对经过快速傅里叶变换的振动信号提取频域特征。第四步，原始的振动信号输入时域特征提取模块，根据增强特征，通过知识蒸馏方法提取域不变特征。第五步，将增强特征、时域特征以及频域特征进行拼接后通过表征自挑战学习增强特征跨域泛化能力，并将特征送入到分类器中进行分类。第六步，将故障信号输入训练好的网络进行诊断。本发明提取并融合更为丰富的特征，强化模型对于域不变表示的学习，相较于现有模型泛化性能显著增强。