CN107179194A - 基于卷积神经网络的旋转机械故障定性诊断方法 - Google Patents
基于卷积神经网络的旋转机械故障定性诊断方法 Download PDFInfo
- Publication number
- CN107179194A CN107179194A CN201710520276.6A CN201710520276A CN107179194A CN 107179194 A CN107179194 A CN 107179194A CN 201710520276 A CN201710520276 A CN 201710520276A CN 107179194 A CN107179194 A CN 107179194A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- rotating machinery
- data
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于卷积神经网络的旋转机械故障定性诊断方法,属于机械故障诊断技术领域。该诊断方法包括如下步骤:从旋转机械振动数据中提取足够多样本点,搭建卷积神经网络模型,训练卷积神经网络模型,测试时随机截取多个样本点,用训练好的卷积神经网络对测试样本点进行分类,完成对旋转机械故障的定性诊断。传统的故障定性诊断方法需人工提取特征,准确率低,泛化性能差,方法复杂难懂,难于工程推广。本发明基于卷积神经网络的旋转机械故障定性诊断方法能够自动提取特征,准确率高,泛化性能强,方法简单易懂,易于工程推广。
Description
技术领域:
本发明属于机械故障诊断技术领域,具体涉及一种基于卷积神经网络的旋转机械故障定性诊断方法。
技术背景:
旋转机械是工业中应用最广泛的机械零件之一,同时也是易损部件,它的运行状态直接影响到整台设备的性能。旋转机械主要包括轴承和齿轮。据不完全统计,机械故障中30%的故障是由旋转机械引起的。当旋转机械发生故障时,检测出故障类型有着重大的现实意义。
传统的旋转机械故障定性诊断方法,依靠人工提取特征,算法复杂,效果不佳,因此本发明提出一种基于卷积神经网络的旋转机械故障定性诊断方法。
发明内容:
本发明目的在于提供一种基于卷积神经网络的旋转机械故障定性诊断方法,以解决传统旋转机械故障检测方法诊断效果差,难以实际运用的技术问题。
本发明所提供的一种基于卷积神经网络的旋转机械故障定性诊断方法具体步骤如下:
(1)数据准备阶段:采集旋转机械振动数据,从旋转机械振动数据中创建足够多样本点,这些样本点构成训练数据库。训练数据库由训练样本点和验证样本点组成。样本点包括振动数据和故障类型标签。
(2)创建阶段:创建卷积神经网络。
(3)训练阶段:利用训练数据库来训练卷积神经网络,获得网络参数。激活函数优先选择max(-1,x)。
(4)测试阶段:采集旋转机械振动数据,从旋转机械振动数据中创建足够多样本点,用训练好的卷积神经网络对样本点进行分类,完成对旋转机械故障的定性诊断。
进一步,步骤(1)中所述的数据准备阶段包含如下子步骤:
步骤S11,样本点创建阶段:对于每种工况下采样数据,优先采用随机方式创建,即在随机位置处截取振动数据中的大于一个数据周期长度的连续数据点作为一个样本点,优先选择k*2n个数据点作为一个样本点,其中k=1或3;所述旋转机械中转子旋转一圈,采样的数据点个数定义为数据周期。随机创建方式的优点是卷积神经网络泛化能力强,分类精度高。
当然还可以采用任何其他创建方式,只要能截取振动数据中的大于一个周期长度的连续数据点作为一个样本点,优先选择k*2n个数据点作为一个样本点,其中k=1或3。
步骤S12,重复步骤S11,创建足够多的样本点作为训练数据库;
进一步,步骤(2)中的所述卷积神经网络可以在参考LeNet、AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet等经典卷积神经网络的基础上设计,或自行设计卷积神经网络。
进一步,步骤S4中的分类方法为:首先用训练好的卷积神经网络对每个样本点进行分类,得到每个样本点的故障类型,采用出现次数最多的故障类型作为该旋转机械的故障类型。
现有的旋转机械故障定性诊断方法存在很多不足:
(1)人工提取特征,耗时耗力,且特征提取方法复杂难懂,一般工程人员难以掌握。
(2)诊断方法效果不好,准确率不高。
(3)诊断方法泛化能力不足,很难在实际情况推广运用。
对比于传统旋转机械故障定性诊断方法,本发明提出的定性诊断方法克服了上述三个缺点,具有如下优点:
(1)本发明诊断方法通过卷积神经网络自动提取特征,不需人工参与,方法简单易懂,便于工程推广。
(2)诊断方法效果好,准确率高。
(3)诊断方法泛化能力强,能在实际故障定性诊断中取得良好效果。
附图说明:
图1是本发明具体实施方式所创建的卷积神经网络结构示意图;
图2是本发明中样本点的创建方式示意图;
图3是本发明中卷积层的计算方式示意图;
图4是本发明中最大池化层计算方式示意图。
具体实施方式:
本实施例以美国凯斯西储大学(Case Western Reserve University)电子工程实验室采集的轴承数据集为例,说明本发明的具体诊断过程和效果。
美国凯斯西储大学电子工程实验室采集实验平台包括一个2马力的电机(左侧,1马力=746w),一个转矩传感器(中间),一个功率计(右侧)和电子控制设备。试验台包括驱动轴端和输出端轴承,加速度传感器分别安装在电机壳体的驱动端和输出端12点钟的位置。振动信号是通过16通道的DAT记录器采集的,数字信号的采样频率为12k,驱动端轴承故障数据同时也以48k的采样速率采集。
本实施例具体使用了驱动端数据,采样频率为12k,轴承转速范围1730到1797rpm的数据。在电机负载为(0、1、2、3)HP(马力)下,分别选取轴承健康状况(正常、内圈故障、滚动体故障、外圈故障)的数据,内圈故障、滚动体故障分别选取0.007、0.014、0.021、0.028英寸四种故障程度,外圈故障分别选取0.007、0.014、0.021英寸三种故障程度。现在结合附图对本发明做进一步详细的说明。这些附图均为简化的结构示意图,仅以示意的方式说明本发明所涉及的基本结构,因此仅显示与本发明相关的结构。
本实施例采用一种基于卷积神经网络的轴承故障定性诊断方法流程,包括如下具体步骤:
步骤S1,数据准备阶段:创建轴承健康状况的数据库;
步骤S2,创建阶段:创建用于训练轴承健康状况的卷积神经网络;
步骤S3,训练阶段:利用数据库来训练卷积神经网络,获得网络参数,激活函数优先选择max(-1,x)。
步骤S4,测试阶段:随机创建多个样本点,用训练好的卷积神经网络对样本点进行分类,完成对故障类型的定性诊断。
具体的,步骤S1中创建所述数据库的方法如下子步骤:
步骤S11,将美国凯斯西储大学电子工程实验室采集的轴承数据集分为四类(正常、内圈故障、滚动体故障、外圈故障),其中每类都包含不同载荷、不同转速、不同故障大小及外圈不同采样位置下采集的所有数据。
步骤S12,驱动端数据的采样频率为12k,轴承转速范围1730到1797rpm,故轴承旋转一圈,采样的数据点数最大为416,定义该数值为数据周期。对于每类中每种工况下的采样数据,随机截取512个连续数据点作为一个的样本点,512是超过数据周期416且是k*2n的最小整数,其中k=1,n=9。这样选取的数据点少,有利于降低卷积神经网络结构的复杂度和训练难度,同时能加快训练速度和减少测试时间。如图2所示,A点为采样数据上的任意点,B点为距A点512个数据点的点。
步骤S13,每种工况创建600个样本点,创建反映轴承健康状况的数据库,作为所述数据库,如表1所示为数据分类情况。
表1:
步骤S2所创建的卷积神经网络结构如下:参照VGGNet的网络构型,网络层数设为18层,包含输入层,卷积层、最大池化层、平均池化层,其中卷积层有11层,最大池化层有5层以及1层平均池化层,其中,前10层卷积层的卷积模板尺寸均为3*1,最后1层卷积层卷积模板尺寸为1*1,卷积层步长均为1*1;最大池化层的池化窗口尺寸均为2*2,步长均为2;输入层大小为512*1*1,最后以SoftMax(软最大化)层输出,如图4所示。为了保证每次卷积运算后,feture maps(特征图)尺寸不变,进行3*1卷积运算之前,需对feture maps进行Padding(填充),即在样本点首尾各补一个零。网络各层的feture maps大小依次为:1、12、12、12、24、24、24、48、48、48、96、96、96、128、128、128、4、4。每层卷积层后都接一个激活层,激活函数采用Shift ReLU(偏移修正线性单元),具体表达式为max(-1,x)。如图3所示,为卷积层的计算方式,图4为最大池化层计算方式。
卷积神经网络主要用于图像识别,图像尺寸是二维的,但卷积神经网络也可以用于一维信号。本质上只要信号具有平移不变性,就能通过卷积神经网络进行学习,不管信号是一维还是二维。图像具有平移不变性,轴承故障数据也具有平移不变性,这是本发明能采用随机截取连续数据点作为样本点的理论基础。最后实验结果验证了这一点。具体编程实现时,只需把一维信号的宽度认为是1,这样一维信号变成了二维信号的特例,即尺寸为H*1,H是样本点的长度,在本实施例中为512。
关于卷积神经网络的详细说明,可参看相关论文,教材和博客等资源,为了说明书简洁清晰,本发明不详述。
步骤S3中训练卷积神经网络时所采用的超参数为:Nesterov动量随机梯度下降法,提前终止法,学习速率为0.003,正则化系数为0.0005,mini-batch(批量数)为32,动量系数为0.9;权重初始化为高斯分布的随机数,均值为零,方差为其中n为神经元输入数据维数,偏置初始化为零。
为了验证本发明的突出优点,本实施例选取了多种工况下的数据形成训练数据集,并采用了两种测试方式验证本发明的效果,这两种测试方式都是采用本发明提出基于卷积神经网络的旋转机械故障定性诊断方法,网络结构不变,仅改变训练、测试数据库。具体测试方式如下:
测试一:
如表2所示,选取步骤S1所述的数据库中60%的样本点作为训练数据库,20%的样本点作为验证数据库,余下的20%样本点为测试数据库。训练数据库为无故障轴承取60%1440个,内圈故障取60%5760个,滚动体故障取60%5760个,外圈故障取60%10080个的条件下,当验证数据库准确率达100.00%时,测试数据库准确率达99.79%。
这里特别强调下,测试数据库准确率99.79%虽然没有达到100%。但99.79%是任一样本点的准确率,实际测试时,可以创建多个如100个,这时出现误判的概率接近零。传统的人工提取特征方法,所采用的测试样本点可能包含整个测试数据。
这种测试方式,测试数据所在的工况包含在训练数据所在的工况,传统的人工提取特征方法所采用的测试方式基本都是这种方式,准确率比本发明方法低很多,且很少对混合工况进行研究。测试数据所在的工况包含在训练数据所在的工况,即测试用的工况在训练卷积神经网络时,被卷积神经网络见过,在实际测试中,这种情况不可能存在的。因为实际测试时,测试轴承不同工况下的数据是不可能在训练时得到的。
表2:
测试二:
为了避免测试数据所在的工况包含在训练数据所在的工况,使测试样本点被卷积神经网络见过的情况,设计了测试二。
如表3所示,将步骤S1中所产生的数据库按如下方式分成训练和测试数据:
选取无故障轴承载荷为(1、2、3)HP(马力)共1800个样本点为训练样本点,分出其中的80%1440个作为训练样本点,20%360个作为验证样本点。选取无故障轴承载荷为0HP(马力)共600个样本点为测试样本点。
选取内圈故障下载荷为(0、2、3)HP,故障大小为0.007、0.014、0.021、0.028英寸,共7200个样本点为训练样本点,分出其中的80%5760个作为训练样本点,20%1440作为个验证样本点。选取内圈故障,故障大小为0.007、0.014、0.021、0.028英寸、载荷为1HP共2400个样本点为测试样本点。
选取滚动体故障下载荷为(0、1、3)HP,故障大小为0.007、0.014、0.021、0.028英寸,共7200个样本点为训练样本点,分出其中的80%5760个作为训练样本点,20%1440个作为验证样本点。选取滚动体故障载荷为2HP,故障大小为0.007、0.014、0.021、0.028英寸,共2400个样本点为测试样本点。
选取外圈故障下载荷为(0、1、2)HP,故障大小为0.007、0.014、0.021英寸,共12600个样本点为训练样本点,分出其中的80%10080个作为训练样本点,20%2520个作为验证样本点。选取外圈故障载荷为3HP,故障大小为0.007、0.014、0.021英寸,共4200个样本点为测试样本点。
上述所有的训练样本点构成训练数据库,所有测试样本点构成测试数据库。
训练结束后,验证集准确率为98.56%时,测试数据库准确率为98.3%,其中,无故障识别率为100%,内圈故障识别率为98.54%,滚动体故障识别率为98.76%,外圈故障识别率为96.81%。
美国凯斯西储大学电子工程实验室采集的轴承数据集中有几组特别的数据,目前国内很多研究传统故障检测方法的研究者们认为这几组数据特征不明显,如:B007_1、B021_2;OR014@6_0、OR014@6_2,B007_1表示意思为滚动体故障类型,故障大小为0.007inch,载荷为1HP的工况,B021_2类似;OR014@6_0表示意思为外圈故障类型,故障大小为0.014inch,载荷为0HP的工况,加速度传感器安装在轴承座6点钟方向,OR014@6_2类似。针对这几组数据我们做了同样的测试,即把这四组数据作为测试数据库,其他所有数据作为训练数据库。测试结果相当不错,准确率分别为:99.5%、97.17%、72.7%、94.33%。
测试二的测试工况,没有出现在训练工况中,即卷积神经网络没有学习过这类信号,但本发明的基于深度学习的旋转机械故障定性诊断方法还能取得如此好的效果,进一步说明了本发明具有非常好的泛化能力。测试工况的故障大小在训练工况中出现过,载荷大小未出现过,这在实际测试中是合理的,因为实际工作中,载荷是变化的,故障大小是逐渐增大的,故障大小不同的工况可以提前采集进行训练。
表3:
综上所述,基于卷积神经网络的轴承故障定性诊断方法,能通过卷积神经网络自动提取特征,准确率高,且泛化性能强,本发明对轴承故障智能诊断有重要意义。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变型和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于卷积神经网络的旋转机械故障定性诊断方法,其特征在于所述诊断方法具体步骤如下:
(1)数据准备阶段:采集旋转机械振动数据,从旋转机械振动数据中创建足够多样本点,这些样本点构成训练数据库;
(2)创建阶段:创建卷积神经网络;
(3)训练阶段:利用训练数据库来训练卷积神经网络,获得网络参数;
(4)测试阶段:采集旋转机械振动数据,从旋转机械振动数据中创建足够多样本点,用训练好的卷积神经网络对样本点进行分类,完成对旋转机械故障的定性诊断。
2.根据权利要求1所述的基于卷积神经网络的旋转机械故障定性诊断方法,其特征在于步骤(1)和步骤(4)中所述样本点的创建方式为:采用随机方式创建,即对于每种工况下采样数据,在随机位置处截取振动数据中的大于一个数据周期长度的连续数据点作为一个样本点,优先选择k*2n个数据点作为一个样本点,其中n为正整数,k=1或3,所述旋转机械中转子旋转一圈,采样的数据点个数定义为数据周期。
3.根据权利要求1所述的基于卷积神经网络的旋转机械故障定性诊断方法,其特征在于所述卷积神经网络包含输入层、卷积层、最大池化层及平均池化层,其中卷积层的卷积模板尺寸为3*1或1*1,卷积层步长均为1*1,最大池化层池化窗口均为2*2,步长均为2;输入层大小为H*1*1,其中H为样本点长度;最后以软最大化层输出;每层卷积层后都接一个激活层,激活函数采用偏移修正线性单元,具体表达式为max(-1,x)。
4.根据权利要求3所述的基于卷积神经网络的旋转机械故障定性诊断方法,其特征在于:对于样本点长度为512的数据,所述卷积神经网络具体结构为:网络层数设为18层,包含输入层,卷积层、最大池化层、平均池化层,其中卷积层有11层,最大池化层有5层以及1层平均池化层,其中,前10层卷积层的卷积模板尺寸均为3*1,最后1层卷积层卷积模板尺寸为1*1,卷积层步长均为1*1,最大池化层的池化窗口尺寸均为2*2,步长均为2;输入层大小为512*1*1,最后以软最大化层输出;为了保证每次卷积运算后,特征图尺寸不变,进行3*1卷积运算之前,需对特征图进行填充,即在样本点首尾各补一个零;网络各层的特征图大小依次为:1、12、12、12、24、24、24、48、48、48、96、96、96、128、128、128、4、4;每层卷积层后都接一个激活层,激活函数采用偏移修正线性单元,具体表达式为max(-1,x);训练卷积神经网络时所采用的超参数为:Nesterov动量随机梯度下降法,提前终止法,学习速率为0.003,正则化系数为0.0005,批量数为32,动量系数为0.9;权重初始化为高斯分布的随机数,均值为零,方差为其中n为神经元输入数据维数,偏置初始化为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710520276.6A CN107179194A (zh) | 2017-06-30 | 2017-06-30 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710520276.6A CN107179194A (zh) | 2017-06-30 | 2017-06-30 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107179194A true CN107179194A (zh) | 2017-09-19 |
Family
ID=59845550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710520276.6A Pending CN107179194A (zh) | 2017-06-30 | 2017-06-30 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107179194A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
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 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN111323228A (zh) * | 2020-03-20 | 2020-06-23 | 广东技术师范大学 | 一种基于时间序列映射与卷积神经网络的故障诊断方法 |
CN111595582A (zh) * | 2020-05-26 | 2020-08-28 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承故障诊断方法 |
CN111707458A (zh) * | 2020-05-18 | 2020-09-25 | 西安交通大学 | 一种基于深度学习信号重构的转子监测方法 |
CN111814870A (zh) * | 2020-07-06 | 2020-10-23 | 北京航空航天大学 | 一种基于卷积神经网络的cps模糊测试方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN114152433A (zh) * | 2021-12-28 | 2022-03-08 | 浙江清华柔性电子技术研究院 | 转子故障检测系统以及旋转机械 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
-
2017
- 2017-06-30 CN CN201710520276.6A patent/CN107179194A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
曾雪琼: "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 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
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 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN111323228A (zh) * | 2020-03-20 | 2020-06-23 | 广东技术师范大学 | 一种基于时间序列映射与卷积神经网络的故障诊断方法 |
CN111707458A (zh) * | 2020-05-18 | 2020-09-25 | 西安交通大学 | 一种基于深度学习信号重构的转子监测方法 |
CN111595582A (zh) * | 2020-05-26 | 2020-08-28 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承故障诊断方法 |
CN111814870A (zh) * | 2020-07-06 | 2020-10-23 | 北京航空航天大学 | 一种基于卷积神经网络的cps模糊测试方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN113834656A (zh) * | 2021-08-27 | 2021-12-24 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN113834656B (zh) * | 2021-08-27 | 2024-04-30 | 西安电子科技大学 | 一种轴承故障诊断方法、系统、设备及终端 |
CN114152433A (zh) * | 2021-12-28 | 2022-03-08 | 浙江清华柔性电子技术研究院 | 转子故障检测系统以及旋转机械 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107179194A (zh) | 基于卷积神经网络的旋转机械故障定性诊断方法 | |
CN107451340A (zh) | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 | |
Ma et al. | Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions | |
Wu et al. | Few-shot transfer learning for intelligent fault diagnosis of machine | |
CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN108010016A (zh) | 一种基于卷积神经网络的数据驱动故障诊断方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN109446187A (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN105606363B (zh) | 一种基于域自适应的轴承故障诊断方法 | |
CN109522600A (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
CN107421741A (zh) | 一种基于卷积神经网络的滚动轴承故障诊断方法 | |
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 | |
CN107144430A (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN111351665B (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN110132554A (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN109029974A (zh) | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 | |
CN109726772A (zh) | 基于多流融合模型的行星齿轮箱智能诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN113720605B (zh) | 一种基于机器学习的水泥生产旋转设备故障诊断方法 | |
CN111444871A (zh) | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 | |
Grezmak et al. | Multi-stream convolutional neural network-based fault diagnosis for variable frequency drives in sustainable manufacturing systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |
|
RJ01 | Rejection of invention patent application after publication |