CN116610993B 轴承故障诊断方法、系统、设备及存储介质 （山东师范大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN116610993B(45)授权公告日2025.07.04

(21)申请号202310493855.1

(22)申请日2023.04.26

(65)同一申请的已公布的文献号申请公布号CN116610993A

(43)申请公布日2023.08.18

(73)专利权人山东师范大学

地址250014山东省济南市历下区文化东

路88号

(72)发明人王吉华田真真

(74)专利代理机构济南圣达知识产权代理有限公司37221

专利代理师黄海丽

(51)Int.CI.

GO6F18/241(2023.01)

GO6F18/214(2023.01)

GO6F18/213(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

GO6N3/0455(2023.01)

(56)对比文件

ZhenzhenTian等.ABearingFault

DiagnosisMethodBasedon2DImagesandTransformer.《202313thInternational

ConferenceonInformationTechnologyinMedicineandEducation》.2024,1-6.

审查员黄沛

权利要求书3页说明书11页附图17页

(54)发明名称

轴承故障诊断方法、系统、设备及存储介质

(57)摘要

B116610993CN本发明公开了轴承故障诊断方法、系统、设备及存储介质，所述方法，包括：获取数据集，所述数据集为已知轴承故障类型标签的二维图像，二维图像是对轴承振动信号进行转换得到的；所述数据集分为训练集和测试集；基于训练集分别对第一深度学习模型和第二深度学习模型进行训练，得到训练后的第一深度学习模型和训练后的第二深度学习模型；基于测试集，对训练后的第一深度学习模型和训练后的第二深度学习模型进行测试，筛选出分类精度高的深度学习模型，作为最终深度学习模型输出；获取待诊断轴

B

116610993

CN

获取数据集，所述数据集为已知轴承故障类型标签的二维

图像，二维图像是对轴承振动信号进行转换得到的；所述

数据集分为训练集和测试集

基于训练集分别对第一深度学习模型和第二深度学习模型

进行训练，得到训练后的第一深度学习模型和训练后的第

二深度学习模型；基于测试集，对训练后的第一深度学习

模型和训练后的第二深度学习模型进行测试，筛选出分类

精度高的深度学习模型，作为最终深度学习模型输出

获取待诊断轴承的振动信号，将待诊断轴承的振动信号转

换为二维图像，将待诊断轴承的二维图像输入到最终深度

学习模型中，输出轴承故障诊断结果

深度学习模型中，输出轴承故障诊断结果。

CN116610993B权利要求书1/3页

2

1.轴承故障诊断方法，其特征是，包括：

获取数据集，所述数据集为已知轴承故障类型标签的二维图像，二维图像是对轴承振动信号进行转换得到的；所述数据集分为训练集和测试集，所述二维图像是对轴承振动信号进行转换得到的，包括：

对轴承振动信号，通过格拉姆角场算法进行转换，得到轴承振动信号的二维图像；对轴承振动信号，通过小波变换算法进行转换，得到轴承振动信号的二维图像；

基于训练集分别对第一深度学习模型和第二深度学习模型进行训练，得到训练后的第一深度学习模型和训练后的第二深度学习模型，其中，第一深度学习模型，包括：依次连接的Resnet34网络的Conv1层、Resnet34网络的Conv2_x、Resnet34网络的Conv3_x层、Resnet34网络的Conv4_x层、Resnet34网络的Conv5_x层、可解释层、平均池化层和全连接层，所述解释层，是指梯度加权类激活映射Grad-CAM;

类判别定位图Grad-CAMLC计算如下：

LC=f(∑kaAK)(6)

其中，Ak是指CNN层的第k个特征