权利要求书： 1.一种基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法，其特征包括以下步骤：A、在采集轴承振动信号后，利用SFA提取其中的固有特征信息；B、将一维的特征信号转变为二维的图像信息；C、划分训练集和测试集，定义故障类型；D、构建卷积神经网络框架，初始化网络参数；E、训练网络并使用测试集检验。2.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法，其特征在于：步骤A中，利用SFA提取轴承信号的固有特征信息的步骤包括，A1、数据标准化m×n对整个数据集X(t)∈R ，其标准化如下：其中， 表示均值信号，σ表示标准差；A2、数据白化对标准化后的数据的协方差矩阵 (<·>表示对时间的均值)进行SD分解：此时白化矩阵可以表示为Q＝Ω-1/2UT，则白化后的数据是A3、求取慢变特征求取信号的一阶导数近似 对 进行SD分解得到：则，得到特征向量W＝QTP，继而得到慢特征：S(t)＝Z(t)P。3.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法，其特征在于：步骤B中，一维特征信号转变为二维图像信号的方法如下：选取最慢的特征信号S1(t)，设置窗口长度为N，则将每一个窗口长度的信号作为一行，构成二维数据集。4.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法，其特征在于：步骤C中，将二维数据特征集和与之对应的故障标签作为一个样本对，将全部样本按照设定的比例随机选择一部分作为训练集，剩下的作为测试集；风机轴承的故障类型主要包括内圈故障、外圈故障和滚动体故障。5.根据权利要求1所述的基于慢特征分解(SFA)和卷积神经网络(CNN)的风机轴承故障诊断方法，其特征在于：步骤D中，构建卷积神经网络框架和初始化参数包括以下主要步骤，卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成；D1、输入层的输入数据即为步骤C中的二维图像训练集；D2、卷积层是对图像数据进行卷积运算，从而从图像中提取特征；设置卷积核大小为3×3，即每个3×3方阵与卷积核作乘积然后求和；移动步长设置为1，填补方式设置为无填充；激活函数设置为Sigmoid函数：那么整个卷积层的表达式如下：al＝
声明：
“基于SFA和CNN的风机轴承故障诊断方法” 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)
772
编辑：管理员
来源：中国长江三峡集团有限公司福建分公司
分享 0
举报 0
收藏 0
反对 0
点赞 0
2025年05月16日 ~ 18日 
