權利要求書： 1.一種基于深度學習的風機軸承的故障檢測方法，其特征在于，包括：采集風機軸承的實時監測信號，所述實時監測信號為時序數據；構建深度學習模型，對所述實時監測信號進行第一特征提取與第二特征提取，并進行所述深度學習模型訓練；將待檢測信號輸入至所述深度學習模型，利用分類器對所述風機軸承進行故障識別，并輸出故障檢測結果。2.根據權利要求1所述的基于深度學習的風機軸承的故障檢測方法和系統，其特征在于，所述風機軸承的實時監測信號包括風機軸承振動、軸承溫度和旋轉速度信息；所述故障識別的結果包括嚴重故障、一般故障和預警故障，所述故障檢測結果包括根據故障等級輸出故障診斷建議。3.根據權利要求2所述的基于深度學習的風機軸承的故障檢測方法和系統，其特征在于，所述采集風機軸承的實時監測信號包括：獲取原始樣本數據，其中，所述原始樣本數據包含實時監測信號；對所述原始樣本數據進行標簽化分類，生成第一數據集、第二數據集和第三數據集，其中，所述第一數據集的監測數據采集成功率不小于90％，所述第二數據集的監測數據采集成功率大于50％小于90％，所述第三數據集的監測數據采集成功率不大于50％；對標簽化分類后的數據集進行篩查復選，得到優化樣本數據以提高小樣本數據特征提取能力。4.根據權利要求3所述的基于深度學習的風機軸承的故障檢測方法和系統，其特征在于，所述對標簽化分類后的數據集進行篩查復選，得到優化樣本數據包括：采用局部線性回歸法對所述第一數據集、第二數據集和第三數據集進行擬合分析，利用高斯函數放大局部信息；提取擬合優度優度符合條件的樣本數據區間，得到所述優化樣本數據。5.根據權利要求4所述的基于深度學習的風機軸承的故障檢測方法和系統，其特征在于，所述構建深度學習模型，對所述實時監測信號進行第一特征提取與第二特征提取包括：利用所述優化樣本數據，采用滑動時間窗口法構建用于進行深度學習的訓練集、驗證集和測試集，并利用所述訓練集隨機選取數據對的方式生成支撐集；構建一維卷積神經網絡和長短期記憶人工神經網絡，并利用所述一維卷積神經網絡和長短期記憶人工神經網絡提取所述第一特征和第二特征，進行所述深度學習模型訓練。6.根據權利要求5所述的基于深度學習的風機軸承的故障檢測方法和系統，其特征在于，所述一維卷積神經網絡包括輸入層、卷積層和池化層，所述構建一維卷
聲明：
“基于深度學習的風機軸承的故障檢測方法和系統” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究，如用于商業用途，請聯系該技術所有人。
我是此專利(論文)的發明人(作者)
1115
編輯：管理員
來源：上海電機學院
分享 0
舉報 0
收藏 0
反對 0
點贊 0
2025年07月23日 ~ 26日 
