权利要求书： 1.一种基于深度学习的风机轴承的故障检测方法，其特征在于，包括：采集风机轴承的实时监测信号，所述实时监测信号为时序数据；构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取，并进行所述深度学习模型训练；将待检测信号输入至所述深度学习模型，利用分类器对所述风机轴承进行故障识别，并输出故障检测结果。2.根据权利要求1所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述风机轴承的实时监测信号包括风机轴承振动、轴承温度和旋转速度信息；所述故障识别的结果包括严重故障、一般故障和预警故障，所述故障检测结果包括根据故障等级输出故障诊断建议。3.根据权利要求2所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述采集风机轴承的实时监测信号包括：获取原始样本数据，其中，所述原始样本数据包含实时监测信号；对所述原始样本数据进行标签化分类，生成第一数据集、第二数据集和第三数据集，其中，所述第一数据集的监测数据采集成功率不小于90％，所述第二数据集的监测数据采集成功率大于50％小于90％，所述第三数据集的监测数据采集成功率不大于50％；对标签化分类后的数据集进行筛查复选，得到优化样本数据以提高小样本数据特征提取能力。4.根据权利要求3所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述对标签化分类后的数据集进行筛查复选，得到优化样本数据包括：采用局部线性回归法对所述第一数据集、第二数据集和第三数据集进行拟合分析，利用高斯函数放大局部信息；提取拟合优度优度符合条件的样本数据区间，得到所述优化样本数据。5.根据权利要求4所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述构建深度学习模型，对所述实时监测信号进行第一特征提取与第二特征提取包括：利用所述优化样本数据，采用滑动时间窗口法构建用于进行深度学习的训练集、验证集和测试集，并利用所述训练集随机选取数据对的方式生成支撑集；构建一维卷积神经网络和长短期记忆人工神经网络，并利用所述一维卷积神经网络和长短期记忆人工神经网络提取所述第一特征和第二特征，进行所述深度学习模型训练。6.根据权利要求5所述的基于深度学习的风机轴承的故障检测方法和系统，其特征在于，所述一维卷积神经网络包括输入层、卷积层和池化层，所述构建一维卷
声明：
“基于深度学习的风机轴承的故障检测方法和系统” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
1087
编辑：管理员
来源：上海电机学院
分享 0
举报 0
收藏 0
反对 0
点赞 0
2025年05月23日 ~ 25日 
