CN106168539A - 基于卷积神经网络的滚动轴承故障诊断方法及系统 - Google Patents
基于卷积神经网络的滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN106168539A CN106168539A CN201610839357.8A CN201610839357A CN106168539A CN 106168539 A CN106168539 A CN 106168539A CN 201610839357 A CN201610839357 A CN 201610839357A CN 106168539 A CN106168539 A CN 106168539A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- data base
- convolutional neural
- neural networks
- oscillogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于卷积神经网络的滚动轴承故障诊断方法及系统，本滚动轴承故障诊断方法包括如下步骤：步骤S1，构建用于反映滚动轴承工作状况的数据库；以及步骤S2，通过数据库识别当前滚动轴承的工作状态；本发明的滚动轴承故障诊断方法及系统通过加速度传感器获取滚动轴承的振动信号，这种滚动轴承的故障诊断方法利用卷积神经网络模型强大的图像识别能力，通过大数据的深度学习识别滚动轴承故障，实现滚动轴承故障的监测与预报，显著提高滚动轴承故障诊断的准确率和实时性。
Description
技术领域
本发明涉及一种基于卷积神经网络的滚动轴承故障诊断方法及系统。
背景技术
在工业应用中，滚动轴承是易损部件，也是关键的监测部件，由此，就需要对其进行故障诊断。以风力发电机组的滚动轴承为例，由于直驱风力发电机主轴转速较低，使得滚动轴承的故障特征频率处于较低的频段，早期的故障特征较微弱。另外，由于风速变化较大，风力发电机一般都是在变转速工况下工作，这增大了滚动轴承故障诊断的难度。
因此，为了解决滚动轴承故障诊断困难、误判高的技术问题，需要设计一种新的滚动轴承故障诊断方法及系统。
发明内容
本发明的目的是提供一种滚动轴承故障诊断方法及系统，以解决传统滚动轴承故障检测效率低，误判高的技术问题。
为了解决上述技术问题，本发明提供了一种滚动轴承的故障诊断方法，包括如下步骤：步骤S1，构建用于反映滚动轴承工作状况的数据库；以及步骤S2，通过数据库识别当前滚动轴承的工作状态。
进一步，步骤S1中构建所述数据库的方法如下子步骤：
步骤S11，采集滚动轴承在工作过程中的振动信号；
步骤S12，对振动信号进行归一化处理；以及
步骤S13，根据归一化处理后的振动信号创建波形图数据库，以作为所述数据库。
进一步，所述步骤S11中采集所述振动信号，即
设定与振动信号对应的加速度信号的时间序列为；
所述步骤S12中对振动信号进行归一化处理，即
设振动信号；
式中，，其中，。
进一步，所述步骤S13中创建波形图数据库的方法包括：
将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，保存黑白的波形图为JPG格式图片，即
构建波形图数据库；以及
所述波形图数据库包括：滚动轴承在正常状态和相应故障状态下的波形图。
进一步，所述步骤S2中通过数据库识别当前滚动轴承的工作状态，即
通过卷积神经网络模型学习和决策识别当前滚动轴承的工作状态。
进一步，所述通过卷积神经网络模型学习和决策识别当前滚动轴承的工作状态的方法包括如下子步骤：
步骤S21，创建卷积神经网络模型；
步骤S22，训练卷积神经网络模型；以及
步骤S23，对当前输入的滚动轴承对应的波形图进行状态识别。
进一步，所述步骤S21中创建卷积神经网络模型的方法包括：
设定包含三个隐含层的卷积神经网络；其中
输入与一滚动轴承的振动信号相对应的波形图，输出为该滚动轴承的工作状态，所述工作状态包括：正常、磨损和破损状态；以及
通过二进制数表示，即
100表示正常状态，010表示磨损状态，001表示破损状态。
进一步，所述步骤S22中训练卷积神经网络模型的训练的方法包括如下子步骤：
步骤S221，使用自下上升的非监督学习方式；即
先用无标定数据训练第一隐含层，训练时先学习第一隐含层的参数；且
将学习得到的前一隐含层的输出作为下一隐含层的输入，依次完成三层训练，以分别得到各隐含层的相应参数；以及
步骤S222，自顶向下的监督学习方式；即
基于步骤S221中得到的各隐含层的相应参数，且优化调整整个卷积神经网络模型的参数，以实现监督训练，其过程包括：
随机初始化初值，以获得更接近全局最优的卷积神经网络模型模型的参数。
进一步，所述步骤S23中对当前输入的滚动轴承对应的波形图进行状态识别的方法包括：
通过卷积神经网络模型识别滚动轴承的工作状态，即
首先将输入的波形图与数据库中分类完成的三种滚动轴承工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的滚动轴承工作状态即为要识别的轴承工作状态，以完成滚动轴承的故障诊断。
又一方面，本发明还提供了一种滚动轴承的故障诊断系统。
所述滚动轴承的故障诊断系统包括：
数据库，用于存储滚动轴承相应工作状况对应数据；以及
识别模块，通过数据库识别当前滚动轴承的工作状态。
本发明的有益效果是，本发明的滚动轴承故障诊断方法及系统通过加速度传感器获取滚动轴承的振动信号，这种滚动轴承的故障诊断方法利用卷积神经网络模型强大的图像识别能力，通过大数据的深度学习识别滚动轴承故障，实现滚动轴承故障的监测与预报，显著提高滚动轴承故障诊断的准确率和实时性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的滚动轴承的故障诊断方法的方法流程图；
图2是本发明的步骤S1中构建所述数据库的方法流程图；
图3是本发明的步骤S2中构建所述数据库的方法流程图；
图4是本发明的卷积神经网络模型的结构示图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例1
如图1所示，本实施例1提供了一种滚动轴承的故障诊断方法，包括如下步骤：
步骤S1，构建用于反映滚动轴承工作状况的数据库；以及
步骤S2，通过数据库识别当前滚动轴承的工作状态。
如图2所示，具体的，步骤S1中构建所述数据库的方法如下子步骤：
步骤S11，采集滚动轴承在工作过程中的振动信号；
步骤S12，对振动信号进行归一化处理；以及
步骤S13，根据归一化处理后的振动信号创建波形图数据库，以作为所述数据库。
进一步，所述步骤S11中采集所述振动信号，即
设定与振动信号对应的加速度信号的时间序列为；
所述步骤S12中对振动信号进行归一化处理，即
设振动信号；
式中，，其中，。
具体的，所述步骤S13中创建波形图数据库的方法包括：
将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，保存黑白的波形图为JPG格式图片，即构建波形图数据库；以及所述波形图数据库包括：滚动轴承在正常状态和相应故障状态下的波形图。
作为步骤S2的一种优选的实施方式，所述步骤S2中通过数据库识别当前滚动轴承的工作状态，即通过卷积神经网络模型学习和决策识别当前滚动轴承的工作状态。
如图3所示，具体的，所述通过卷积神经网络模型学习和决策识别当前滚动轴承的工作状态的方法包括如下子步骤：
步骤S21，创建卷积神经网络模型；
步骤S22，训练卷积神经网络模型；以及
步骤S23，对当前输入的滚动轴承对应的波形图进行状态识别。
其中，所述步骤S21中创建卷积神经网络模型的方法包括：
设定包含三个隐含层的卷积神经网络；其中
输入与一滚动轴承的振动信号相对应的波形图，输出为该滚动轴承的工作状态，所述工作状态包括：正常、磨损和破损状态；以及
通过二进制数表示，即100表示正常状态，010表示磨损状态，001表示破损状态。
所述步骤S22中训练卷积神经网络模型的训练的方法包括如下子步骤：
步骤S221，使用自下上升的非监督学习方式；即
先用无标定数据训练第一隐含层，训练时先学习第一隐含层的参数（这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层（图4中分别用隐含层1、隐含层2和隐含层3））；进一步，由于卷积神经网络模型的限制以及稀疏性约束，使得得到的卷积神经网络模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；对于本实施例采用三层隐含层的卷积神经网络，即将学习得到的前一隐含层的输出作为下一隐含层的输入，依次完成三层训练，以分别得到各隐含层的相应参数。
步骤S222，自顶向下的监督学习方式；即
基于步骤S221中得到的各隐含层的相应参数，且优化调整整个卷积神经网络模型的参数，以实现监督训练，其过程包括：
随机初始化初值，以获得更接近全局最优的卷积神经网络模型模型的参数。由于步骤S221中的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。
所述步骤S23中对当前输入的滚动轴承对应的波形图进行状态识别的方法包括：通过卷积神经网络模型识别滚动轴承的工作状态，即首先将输入的波形图与数据库中分类完成的三种滚动轴承工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的滚动轴承工作状态即为要识别的轴承工作状态，以完成滚动轴承的故障诊断。
实施例2
在实施例1基础上，本实施例2还提供了一种滚动轴承的故障诊断系统，包括：数据库，用于存储滚动轴承相应工作状况对应数据；以及识别模块，通过数据库识别当前滚动轴承的工作状态。
关于数据库的构建以及识别模块中通过数据库识别当前滚动轴承的工作状态的具体实施步骤参见实施例1的相关论述。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种滚动轴承的故障诊断方法，其特征在于，包括如下步骤：
步骤S1，构建用于反映滚动轴承工作状况的数据库；以及
步骤S2，通过数据库识别当前滚动轴承的工作状态。
2.根据权利要求1所述的故障诊断方法，其特征在于，
步骤S1中构建所述数据库的方法如下子步骤：
步骤S11，采集滚动轴承在工作过程中的振动信号；
步骤S12，对振动信号进行归一化处理；以及
步骤S13，根据归一化处理后的振动信号创建波形图数据库，以作为所述数据库。
3.根据权利要求2所述的故障诊断方法，其特征在于，
所述步骤S11中采集所述振动信号，即
设定与振动信号对应的加速度信号的时间序列为；
所述步骤S12中对振动信号进行归一化处理，即
设振动信号；
式中，，其中，。
4.根据权利要求3所述的故障诊断方法，其特征在于，
所述步骤S13中创建波形图数据库的方法包括：
将归一化处理后的离散数据各相邻点连接起来，得到振动信号的波形图，保存黑白的波形图为JPG格式图片，即
构建波形图数据库；以及
所述波形图数据库包括：滚动轴承在正常状态和相应故障状态下的波形图。
5.根据权利要求4所述的故障诊断方法，其特征在于，
所述步骤S2中通过数据库识别当前滚动轴承的工作状态，即
通过卷积神经网络模型学习和决策识别当前滚动轴承的工作状态。
6.根据权利要求5所述的故障诊断方法，其特征在于，
所述通过卷积神经网络模型学习和决策识别当前滚动轴承的工作状态的方法包括如下子步骤：
步骤S21，创建卷积神经网络模型；
步骤S22，训练卷积神经网络模型；以及
步骤S23，对当前输入的滚动轴承对应的波形图进行状态识别。
7.根据权利要求6所述的故障诊断方法，其特征在于，
所述步骤S21中创建卷积神经网络模型的方法包括：
设定包含三个隐含层的卷积神经网络；其中
输入与一滚动轴承的振动信号相对应的波形图，输出为该滚动轴承的工作状态，所述工作状态包括：正常、磨损和破损状态；以及
通过二进制数表示，即
100表示正常状态，010表示磨损状态，001表示破损状态。
8.根据权利要求7所述的故障诊断方法，其特征在于，
所述步骤S22中训练卷积神经网络模型的训练的方法包括如下子步骤：
步骤S221，使用自下上升的非监督学习方式；即
先用无标定数据训练第一隐含层，训练时先学习第一隐含层的参数；且
将学习得到的前一隐含层的输出作为下一隐含层的输入，依次完成三层训练，以分别得到各隐含层的相应参数；以及
步骤S222，自顶向下的监督学习方式；即
基于步骤S221中得到的各隐含层的相应参数，且优化调整整个卷积神经网络模型的参数，以实现监督训练，其过程包括：
随机初始化初值，以获得更接近全局最优的卷积神经网络模型模型的参数。
9.根据权利要求8所述的故障诊断方法，其特征在于，
所述步骤S23中对当前输入的滚动轴承对应的波形图进行状态识别的方法包括：
通过卷积神经网络模型识别滚动轴承的工作状态，即
首先将输入的波形图与数据库中分类完成的三种滚动轴承工作状态的波形图进行对比，找出和输入波形图最相似的图片，该最相似的图片所属的滚动轴承工作状态即为要识别的轴承工作状态，以完成滚动轴承的故障诊断。
10.一种滚动轴承的故障诊断系统，其特征在于，包括：
数据库，用于存储滚动轴承相应工作状况对应数据；以及
识别模块，通过数据库识别当前滚动轴承的工作状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610839357.8A CN106168539A (zh) | 2016-10-21 | 2016-10-21 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610839357.8A CN106168539A (zh) | 2016-10-21 | 2016-10-21 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106168539A true CN106168539A (zh) | 2016-11-30 |
Family
ID=57376292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610839357.8A Pending CN106168539A (zh) | 2016-10-21 | 2016-10-21 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106168539A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106586841A (zh) * | 2016-12-20 | 2017-04-26 | 中国特种设备检测研究院 | 起重装备减速机运行状态监测方法及系统 |
| CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
| CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
| CN107179194A (zh) * | 2017-06-30 | 2017-09-19 | 安徽工业大学 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
| CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
| CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
| CN108335019A (zh) * | 2018-01-12 | 2018-07-27 | 天津瑞源电气有限公司 | 风机偏航系统的故障诊断识别方法 |
| CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
| CN108830261A (zh) * | 2018-07-20 | 2018-11-16 | 北京汉能华科技股份有限公司 | 基于图像识别的设备故障诊断方法和装置 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109001557A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
| CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
| CN109640335A (zh) * | 2019-02-28 | 2019-04-16 | 福建师范大学 | 基于卷积神经网络的无线传感器故障诊断算法 |
| US20190130669A1 (en) * | 2017-10-27 | 2019-05-02 | The Boeing Company | Vehicle fault detection system and method utilizing graphically converted temporal data |
| CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
| CN110261108A (zh) * | 2019-01-18 | 2019-09-20 | 北京化工大学 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
| CN110297179A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于集成深度学习的柴油发电机故障预测与监测系统装置 |
| CN110322894A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种基于声音的波形图生成及大熊猫检测方法 |
| CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN112082639A (zh) * | 2019-06-14 | 2020-12-15 | 现代自动车株式会社 | 发动机状态的诊断方法及其诊断建模方法 |
| CN112307965A (zh) * | 2020-10-30 | 2021-02-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种滚动轴承施封锁丢失和折断故障检测方法 |
| US12038354B2 (en) | 2020-09-25 | 2024-07-16 | Ge Infrastructure Technology Llc | Systems and methods for operating a power generating asset |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
| CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
| CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
| CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
-
2016
- 2016-10-21 CN CN201610839357.8A patent/CN106168539A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
| CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
| CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
| CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曾雪琼: "基于卷积神经网络的变速器故障分类识别研究基于卷积神经网络的变速器故障分类识别研究", 《中国优秀硕士学位论文全文数据库》 * |
| 杨铁军: "《产业专利分析报告 第33册 智能识别》", 31 December 2015 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106586841A (zh) * | 2016-12-20 | 2017-04-26 | 中国特种设备检测研究院 | 起重装备减速机运行状态监测方法及系统 |
| CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
| CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
| CN107179194A (zh) * | 2017-06-30 | 2017-09-19 | 安徽工业大学 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
| CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
| US20190130669A1 (en) * | 2017-10-27 | 2019-05-02 | The Boeing Company | Vehicle fault detection system and method utilizing graphically converted temporal data |
| US11263835B2 (en) * | 2017-10-27 | 2022-03-01 | The Boeing Company | Vehicle fault detection system and method utilizing graphically converted temporal data |
| US11594082B2 (en) | 2017-10-27 | 2023-02-28 | The Boeing Company | Vehicle fault detection system and method utilizing graphically converted temporal data |
| CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
| CN108335019A (zh) * | 2018-01-12 | 2018-07-27 | 天津瑞源电气有限公司 | 风机偏航系统的故障诊断识别方法 |
| CN108444708B (zh) * | 2018-04-16 | 2021-02-12 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
| CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
| CN110297179A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于集成深度学习的柴油发电机故障预测与监测系统装置 |
| CN109001557A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN108830261A (zh) * | 2018-07-20 | 2018-11-16 | 北京汉能华科技股份有限公司 | 基于图像识别的设备故障诊断方法和装置 |
| CN108830261B (zh) * | 2018-07-20 | 2021-11-30 | 北京汉能华科技股份有限公司 | 基于图像识别的设备故障诊断方法和装置 |
| CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
| CN110261108A (zh) * | 2019-01-18 | 2019-09-20 | 北京化工大学 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
| CN109640335A (zh) * | 2019-02-28 | 2019-04-16 | 福建师范大学 | 基于卷积神经网络的无线传感器故障诊断算法 |
| CN109640335B (zh) * | 2019-02-28 | 2022-02-08 | 福建师范大学 | 基于卷积神经网络的无线传感器故障诊断方法 |
| CN112082639A (zh) * | 2019-06-14 | 2020-12-15 | 现代自动车株式会社 | 发动机状态的诊断方法及其诊断建模方法 |
| CN110322894A (zh) * | 2019-06-27 | 2019-10-11 | 电子科技大学 | 一种基于声音的波形图生成及大熊猫检测方法 |
| CN110322894B (zh) * | 2019-06-27 | 2022-02-11 | 电子科技大学 | 一种基于声音的波形图生成及大熊猫检测方法 |
| CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
| CN110595775B (zh) * | 2019-09-19 | 2021-03-30 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110852154B (zh) * | 2019-09-29 | 2022-10-14 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| US12038354B2 (en) | 2020-09-25 | 2024-07-16 | Ge Infrastructure Technology Llc | Systems and methods for operating a power generating asset |
| CN112307965A (zh) * | 2020-10-30 | 2021-02-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种滚动轴承施封锁丢失和折断故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106168539A (zh) | 基于卷积神经网络的滚动轴承故障诊断方法及系统 | |
| Zhou et al. | A novel method based on nonlinear auto-regression neural network and convolutional neural network for imbalanced fault diagnosis of rotating machinery | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| Pashazadeh et al. | Data driven sensor and actuator fault detection and isolation in wind turbine using classifier fusion | |
| Cao et al. | Fault diagnosis of wind turbine gearbox based on deep bi-directional long short-term memory under time-varying non-stationary operating conditions | |
| CN108960077A (zh) | 一种基于循环神经网络的智能故障诊断方法 | |
| Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
| CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
| CN111351665B (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
| Tamilselvan et al. | A two-stage diagnosis framework for wind turbine gearbox condition monitoring | |
| Xu et al. | Deep coupled visual perceptual networks for motor fault diagnosis under nonstationary conditions | |
| CN101271625A (zh) | 集成支持向量机检测高速公路交通事件的方法 | |
| Jiang et al. | Intelligent fault diagnosis of gearbox based on vibration and current signals: A multimodal deep learning approach | |
| Oh et al. | Fault detection for lubricant bearing with CNN | |
| Afrasiabi et al. | Wind turbine fault diagnosis with generative-temporal convolutional neural network | |
| Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
| CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
| CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
| CN111581888A (zh) | 风力发电机轴承剩余使用寿命预测模型的构建方法 | |
| CN116578907A (zh) | 一种齿轮箱的小样本故障分类方法及系统 | |
| Zhang et al. | Deep adaptive sparse residual networks: A lifelong learning framework for rotating machinery fault diagnosis with domain increments | |
| Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
| CN117876339A (zh) | 一种基于注意力机制与多尺度特征融合的多晶光伏电池缺陷识别方法 | |
| CN117828531A (zh) | 一种基于多传感器多尺度特征融合的轴承故障诊断方法 | |
| CN116591911A (zh) | 一种面向海上风机发电机组的智能检测运维系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161130 |