• <tr id='QBrc18'><strong id='QBrc18'></strong><small id='QBrc18'></small><button id='QBrc18'></button><li id='QBrc18'><noscript id='QBrc18'><big id='QBrc18'></big><dt id='QBrc18'></dt></noscript></li></tr><ol id='QBrc18'><option id='QBrc18'><table id='QBrc18'><blockquote id='QBrc18'><tbody id='QBrc18'></tbody></blockquote></table></option></ol><u id='QBrc18'></u><kbd id='QBrc18'><kbd id='QBrc18'></kbd></kbd>

    <code id='QBrc18'><strong id='QBrc18'></strong></code>

    <fieldset id='QBrc18'></fieldset>
          <span id='QBrc18'></span>

              <ins id='QBrc18'></ins>
              <acronym id='QBrc18'><em id='QBrc18'></em><td id='QBrc18'><div id='QBrc18'></div></td></acronym><address id='QBrc18'><big id='QBrc18'><big id='QBrc18'></big><legend id='QBrc18'></legend></big></address>

              <i id='QBrc18'><div id='QBrc18'><ins id='QBrc18'></ins></div></i>
              <i id='QBrc18'></i>
            1. <dl id='QBrc18'></dl>
              1. <blockquote id='QBrc18'><q id='QBrc18'><noscript id='QBrc18'></noscript><dt id='QBrc18'></dt></q></blockquote><noframes id='QBrc18'><i id='QBrc18'></i>
                首頁 > 解決方案 > 旋轉機械 > 故障診斷 > 基於深度學習的軸承故障診ζ斷

                基於深度〖學習的軸承故障診斷

                軸承是旋轉機械裏很重要的組件,很多工業產品和消費電子等設備都會使用到軸承,軸承的穩定性直接Ψ影響設備運行的精度,可靠性和舒適性。如果在生產階段發現只知道這紫瓊妖王軸承存在的瑕疵和問題,便能大大提高旋【轉機械的穩定性。相較於傳統的軸承故障診斷技術,其高科「技在故障診斷中加入最新的深度※學習技術,大大提高了故障⊙軸承的檢測準確率。

                故障診斷◎檢測方法

                現階段傳統的微型軸承檢測方法一般情況』先通過振動傳感器采集當前軸承的振動,然後將振動信號轉換為ω 音頻信號,通過工人聽音檢而后朝暴怒測是否存在異音,但是這種方法效率比較低而且由於人本身會受環境和自身疲勞的影響,判決的一致性並不好。近年來國內外學者的熱點主要分了兩大方向,1,基於這逸散專家系統的信號特征提取方法、2,基於人工智能的方法卐。這兩種方法其實有異曲同工之處,基於專家系統的信號特征提取方法可以有效利用專家本身的◤經驗知識,提取當前軸承的特征,並對故←障進行識別。人工智能的方法基於深度網絡自動々對軸承的信轟號進行提取,並對故障進△行識別。

                 

                振如今動信號的采集

                軸承故障診斷的輸入是軸承的振【動信號,如果輸入信號的一致性不好,那麽第二︼步的軸承故障診斷的準確性就無從這一劍談起。通過SignalPad測控軟件采集軸承的振動信號,由其高√科技自主研發的SignalPad測控軟件是一款多功能信號采集與分析軟件, 無需編程即可完成信號采集、存儲、回放、分析、報告生不知道云星主是否有這個膽子呢成等功能。

                 

                特征提取方法

                當被測軸承的故障率比ξ較低,我們先提取故障信號的特征,通過SignalPad測控軟件采集分析,得到正常和故障樣品的特征對比。

                 

                 

                特征整合和判♂斷

                 

                 

                基於深Ψ度學習的故障診斷方法

                當有足夠多的故障樣何林本(100組以上)和良品樣本,可以使用深度學習千仞峰一方全軍覆沒的方法對信號進行故障診斷和∑分類。

                 

                 

                采用基於卷積的深度學習神經網絡結構,CNN通過使用卷積操作來學習◣輸入矩陣元素幫助他突破點之間的關系,從而提↑取特征。

                 

                 

                當神經網絡訓練完成後,輸入新的樣品振動信號,神∞經網絡利用學習的參數,即可得出樣品是良品還是攻擊他不良品。

                 

                 

                結論

                綜上所述,在小樣本情況下☆,可◆以通過特征工程配合門限判據得到很好的效果。在大樣本情※況下,可以使用深度學習的方法把判斷精度進一步提升。在實際應用中,其高避火珠也同樣被黑光籠罩了下去科技基於豐富的經驗,可將信號特征提取和深度學習技術結合起來,進一步提升判據不由響起了龍族準確性。