CN107199506B - 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 - Google Patents
一种基于栈式自编码器和支持向量机的磨削颤振检测方法 Download PDFInfo
- Publication number
- CN107199506B CN107199506B CN201710415020.9A CN201710415020A CN107199506B CN 107199506 B CN107199506 B CN 107199506B CN 201710415020 A CN201710415020 A CN 201710415020A CN 107199506 B CN107199506 B CN 107199506B
- Authority
- CN
- China
- Prior art keywords
- encoding encoder
- training
- stack self
- label
- 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.)
- Active
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 23
- 206010044565 Tremor Diseases 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B41/00—Component parts such as frames, beds, carriages, headstocks
- B24B41/007—Weight compensation; Temperature compensation; Vibration damping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于栈式自编码器和支持向量机的磨削颤振检测方法,首先利用有标签数据和测试数据共同训练栈式自编码器;然后,使用训练后的栈式自编码器对有标签数据进行处理得到的有标签特征训练支持向量机;最后,将通过训练后的栈式自编码器对测试数据提取的测试数据特征作为训练后的支持向量机的输入,进行故障诊断,得出诊断结果。本发明方法具有通用性,颤振的判断不受加工设备,加工参数的影响,适合磨削颤振的检测,可在机床企业推广使用,符合智能机床发展需求,具有广泛的应用前景。
Description
技术领域
本发明涉及机床颤振检测技术领域,特别涉及一种基于栈式自编码器和支持向量机的磨削颤振检测方法。
背景技术
磨削加工作为常见的终加工工艺,对产品加工效率、几何精度和表面质量具有决定性影响,磨削颤振的发生会加剧砂轮磨损,产生异常噪声,削减机床部件寿命,降低产品加工精度和表面质量,磨削颤振行为的演变具有阶段性,通常包括早期、上升期和稳定发展三个阶段,在磨削加工过程中,只有在颤振早期实现检测并采取抑制措施,方能避免颤振对产品加工精度和表面质量产生破坏,目前,已有的磨削颤振在线检测方法通用性差,主要体现在颤振阈值对加工设备和加工参数敏感,因此,需要有种检测方法能够提取出颤振无关加工参数的特征。
发明内容
本发明解决的技术问题是提供一种能实现磨削颤振的早期检测,避免磨削颤振对产品加工质量的影响的一种基于栈式自编码器和支持向量机的磨削颤振检测方法。
本发明解决其技术问题所采用的技术方案是:一种基于栈式自编码器和支持向量机的磨削颤振检测方法,包括以下步骤:
步骤一,通过有标签数据和测试数据训练栈式自编码器,获得栈式自编码器各层神经元连接权值,具体步骤如下:
(1)在发生颤振的磨齿机砂轮架上安装三轴加速度传感器(356A15,PCB,USA);
(2)利用数据采集设备和加速度传感器,采集加速度传感器测得的振动信号x2(t),其中,t代表时间;
(3)对振动信号x2(t)进行归一化,具体方法为x2′(t)=x2(t)/max(x2(t));
(4)对归一化后的振动信号x2′(t)进行分段,每段信号包含M个数据点,多余的数据点舍弃,得到处理后的振动信号[·]T表示矩阵的转置,t1,t2,…,tm′代表分段处理后信号所在的时间序列,m′代表x2′(t)分段的段数;
(5)为处理后的振动信号添加“正常”标签和“故障”标签,获得有标签数据可以基于信号的时频图对其进行添加标签;
(6)同(1)~(4)步,采集待测磨齿机砂轮架上的振动数据并处理,获得测试数据
(7)建立栈式自编码器模型,将测试数据和有标签数据输入栈式自编码器模型进行训练,得到栈式自编码器各层神经元连接权值;
其中栈式自编码器是多个自动编码器叠加得到:第一级自动编码器的编码输出作为第二级自动编码器的输入,第二级自动编码器的编码输出作为第三级自动编码器的输入,以此类推;栈式自编码器的训练是通过对数据的逐层学习完成的;
训练栈式自编码器的实现步骤如下所示:
①确定栈式自编码器的网络结构为[N1,N2,N3,......,Nn],确定各层神经网络的激活函数n-1为深度学习网络的层数,N1=M,N1,N2,N3,......,Nn是单调递减的。
②初始化各层神经网络权值,
编码网络权值:
解码网络权值
其中i=1,2,3,...,n-1。
③确定迭代次数Numepochs
④令i=1,
⑤计算编码输出Yi=[Yi,1,Yi,2,...,Yi,m+m′]T(i=1,2,...,n-1)和解码输出X′i=[X′i,1,X′i,2,...,X′i,m+m′]T(i=1,2,...,n-1),其中,
Yi,j和X′i,j(j=1,2,...,m+m′)都是Ni维列向量,计算公式为Yi=f(Yi-1Wi),X′i=f(YiW′i);
⑥计算误差ei=X′i-Yi-1,并使用梯度下降法调整权值W′i和Wi;
⑦重复⑤和⑥直到迭代次数达到Numepochs次,
⑧.i=i+1;
⑨重复⑤~⑧,直到i=n-1;n-1为深度学习网络的层数
⑩保存网络结构及其权值;
步骤二,将有标签数据输入训练后的栈式自编码器,获得有标签特征,对有标签特征进行筛选、排序处理后,使用有标签特征训练支持向量机模型,获得训练后的支持向量机;具体步骤如下:
①有标签数据作为训练后的栈式自编码器的输入,计算获得相应的有标签特征,具体方法为:令
按照公式:Yn-1=f(...f(f(Y0W1)W2)...Wn-1),
计算得到有标签特征
②对特征进行筛选,得到筛选后的特征Y2′n-1,具体方法为:若特征中故障信号特征占比大于正常信号特征,则剔除故障信号特征中时间序列靠后的几组,使得故障信号特征组数与正常信号特征组数相同,反之则剔除正常信号特征中时间序列靠后的几组,以达到相同的效果;
③筛选后的特征Y2′n-1进行排序,使得前一半数据为故障信号特征;得到筛选、排序处理后的特征Y2″n-1;
④建立支持向量机模型,使用特征Y2″n-1作为支持向量机模型的输入,对支持向量机进行训练,得到训练后的支持向量机;
步骤三,将测试数据输入训练后的栈式自编码器,获得测试数据特征,然后将测试数据特征输入训练后的支持向量机,获得诊断结果,具体步骤如下:
①使用测试数据作为训练后的栈式自编码器的输入,计算获得相应的测试数据特征,即,令按照公式Yn-1=f(...f(f(Y0W1)W2)...Wn-1)计算得到测试数据特征Y1n-1=[Y1n-1,1,Y1n-1,2,...,Y1n-1,m]T;
②Y1n-1作为训练过的支持向量机的输入,进行测试,完成对磨齿机的故障诊断。
进一步的是:测试数据参与栈式去噪自编码器的训练;有标签特征在训练支持向量机前进行筛选和排序用于提高训练效果。
本发明的有益效果是:本发明根据磨床砂轮架加速度信号在颤振发生时,间隔频率的幅值增高(颤振特征信号),考虑到振动信息可能会随着加工参数变化而改变,提出一种无视加工参数变化的磨削颤振检测方法,即基于自编码器深度学习神经网络与支持向量机的颤振检测方法,并通过齿轮磨削加工对该方法的有效性进行了验证。本发明方法可有效检测机床是否发生颤振,相比于现有方法,该磨削颤振检测方法具有通用性,特征的提取不受加工参数的影响,适合磨削颤振在线检测,可在机床企业推广使用,符合智能机床发展需求,具有广泛的应用前景。
附图说明
图1为本方法的流程图。
图2为实际测得的已知存在颤振故障磨齿机振动加速度信号x2(t)的部分时频图。
图3为本发明方法中自动编码器的原理图
图4为本发明方法中栈式自编码器模型的训练过程图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
某机床厂生产的齿轮磨床在齿轮加工过程中,出现异常的加工噪音,生产的齿轮在下线检测时发现加工质量不符合要求。经机床厂研究,齿轮下线检测不合格的主要原因是齿轮磨床在加工时出现了颤振行为;如果早期颤振行为可以被检测,那么调整加工参数就可以避免颤振行为对工件加工质量的影响,下面通过本发明解决早期颤振检测难题。
参照图1,一种磨削颤振的检测方法,包括以下步骤:
步骤一,通过有标签数据和测试数据训练栈式自编码器,获得栈式自编码器各层神经元连接权值,具体步骤如下:
(1)在发生颤振的磨齿机砂轮架上安装三轴加速度传感器(356A15,PCB,USA);
(2)利用数据采集设备和加速度传感器,采集加速度传感器测得的振动信号x2(t),其中,t代表时间;
(3)对振动信号x2(t)进行归一化,具体方法为x2′(t)=x2(t)/max(x2(t));
(4)对归一化后的振动信号x2′(t)进行分段,每段信号包含M个数据点,多余的数据点舍弃,得到处理后的振动信号[·]T表示矩阵的转置,t1,t2,…,tm,代表分段处理后信号所在的时间序列,m′代表x2′(t)分段的段数;
(5)为处理后的振动信号添加“正常”标签和“故障”标签,获得有标签数据可以基于信号的时频图对其进行添加标签;
(6)同(1)~(4)步,采集待测磨齿机砂轮架上的振动数据并处理,获得测试数据
(7)建立栈式自编码器模型,将测试数据和有标签数据输入栈式自编码器模型进行训练,得到栈式自编码器各层神经元连接权值;
其中栈式自编码器(Stacked Auto Encoder,SAE)是多个自动编码器(AutoEncoder,AE)叠加得到:第一级自动编码器的编码输出作为第二级自动编码器的输入,第二级自动编码器的编码输出作为第三级自动编码器的输入,以此类推;栈式自编码器的训练是通过对数据的逐层学习完成的。
参考图4,训练栈式自编码器的实现步骤如下所示:
①确定栈式自编码器的网络结构为[N1,N2,N3,......,Nn],确定各层神经网络的激活函数n-1为深度学习网络的层数,N1=M,N1,N2,N3,......,Nn是单调递减的,
②初始化各层神经网络权值,
编码网络权值:
解码网络权值
其中i=1,2,3,...,n-1。
③确定迭代次数Numepochs
④令i=1,
⑤计算编码输出Yi=[Yi,1,Yi,2,...,Yi,m+m′]T(i=1,2,...,n-1)和解码输出X′i=[X′i,1,X′i,2,...,X′i,m+m′]T(i=1,2,...,n-1),其中,
Yi,j和X′i,j(j=1,2,...,m+m′)都是Ni维列向量,计算公式为Yi=f(Yi-1Wi),X′i=f(YiW′i);
⑥计算误差ei=X′i-Yi-1,并使用梯度下降法调整权值W′i和Wi;
⑦重复⑤和⑥直到迭代次数达到Numepochs次,
⑧.i=i+1;
⑨重复⑤~⑧,直到i=n-1;n-1为深度学习网络的层数
⑩保存网络结构及其权值;
步骤二,将有标签数据输入训练后的栈式自编码器,获得有标签特征,对有标签特征进行筛选、排序处理后,使用有标签特征训练支持向量机模型,获得训练后的支持向量机;具体步骤如下:
③有标签数据作为训练后的栈式自编码器的输入,计算获得相应的有标签特征,具体方法为:令
按照公式:Yn-1=f(...f(f(Y0W1)W2)...Wn-1),
计算得到有标签特征
②对特征进行筛选,得到筛选后的特征Y2′n-1,具体方法为:若特征中故障信号特征占比大于正常信号特征,则剔除故障信号特征中时间序列靠后的几组,使得故障信号特征组数与正常信号特征组数相同,反之则剔除正常信号特征中时间序列靠后的几组,以达到相同的效果;
④筛选后的特征Y2′n-1进行排序,使得前一半数据为故障信号特征;得到筛选、排序处理后的特征Y2″n-1;
④建立支持向量机模型,使用特征Y2″n-1作为支持向量机模型的输入,对支持向量机进行训练,得到训练后的支持向量机;
步骤三,将测试数据输入训练后的栈式自编码器,获得测试数据特征,然后将测试数据特征输入训练后的支持向量机,获得诊断结果,具体步骤如下:
①使用测试数据作为训练后的栈式自编码器的输入,计算获得相应的测试数据特征,即,令按照公式Yn-1=f(...f(f(Y0W1)W2)...Wn-1)计算得到测试数据特征Y1n-1=[Y1n-1,1,Y1n-1,2,...,Y1n-1,m]T;
②将Y1n-1作为训练过的支持向量机的输入,进行测试,完成对磨齿机的故障诊断。
本发明根据磨床砂轮架加速度信号在颤振发生时,间隔频率的幅值增高(颤振特征信号),考虑到振动信息可能会随着加工参数变化而改变,提出一种无视加工参数变化的磨削颤振检测方法,即基于自编码器深度学习神经网络与支持向量机的颤振检测方法,并通过齿轮磨削加工对该方法的有效性进行了验证。本发明方法可有效检测机床是否发生颤振,相比于现有方法,该磨削颤振检测方法具有通用性,特征的提取不受加工参数的影响,适合磨削颤振在线检测,可在机床企业推广使用,符合智能机床发展需求,具有广泛的应用前景。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于栈式自编码器和支持向量机的磨削颤振检测方法,其特征在于,包括以下步骤:
步骤一,通过有标签数据和测试数据训练栈式自编码器,获得栈式自编码器各层神经元连接权值,具体步骤如下:
(1)在发生颤振的磨齿机砂轮架上安装三轴加速度传感器;
(2)利用数据采集设备和加速度传感器,采集加速度传感器测得的振动信号x2(t),其中,t代表时间;
(3)对振动信号x2(t)进行归一化,具体方法为x2′(t)=x2(t)/max(x2(t));
(4)对归一化后的振动信号x2′(t)进行分段,每段信号包含M个数据点,多余的数据点舍弃,得到处理后的振动信号[·]T表示矩阵的转置,t1,t2,…,tm′代表分段处理后信号所在的时间序列,m′代表x2′(t)分段的段数;
(5)为处理后的振动信号添加“正常”标签和“故障”标签,获得有标签数据可以基于信号的时频图对其进行添加标签;
(6)同(1)~(4)步,采集待测磨齿机砂轮架上的振动数据并处理,获得测试数据
(7)建立栈式自编码器模型,将测试数据和有标签数据输入栈式自编码器模型进行训练,得到栈式自编码器各层神经元连接权值;
其中栈式自编码器是多个自动编码器叠加得到:第一级自动编码器的编码输出作为第二级自动编码器的输入,第二级自动编码器的编码输出作为第三级自动编码器的输入,以此类推;栈式自编码器的训练是通过对数据的逐层学习完成的;
训练栈式自编码器的实现步骤如下所示:
①确定栈式自编码器的网络结构为[N1,N2,N3,......,Nn],确定各层神经网络的激活函数n-1为深度学习网络的层数,N1=M,N1,N2,N3,......,Nn是单调递减的,
②初始化各层神经网络权值,
编码网络权值:
解码网络权值
其中i=1,2,3,...,n-1
③确定迭代次数Numepochs
④令i=1,
⑤计算编码输出Yi=[Yi,1,Yi,2,...,Yi,m+m′]T(i=1,2,...,n-1)和解码输出X′i=[X′i,1,X′i,2,...,X′i,m+m′]T(i=1,2,...,n-1),其中,Yi,j和X′i,j(j=1,2,...,m+m′)都是Ni维列向量,计算公式为Yi=f(Yi-1Wi),X′i=f(YiW′i);
⑥计算误差ei=X′i-Yi-1,并使用梯度下降法调整权值W′i和Wi;
⑦重复⑤和⑥直到迭代次数达到Numepochs次,
⑧.i=i+1;
⑨重复⑤~⑧,直到i=n-1;n-1为深度学习网络的层数
⑩保存网络结构及其权值;
步骤二,将有标签数据输入训练后的栈式自编码器,获得有标签特征,对有标签特征进行筛选、排序处理后,使用有标签特征训练支持向量机模型,获得训练后的支持向量机;具体步骤如下:
①有标签数据作为训练后的栈式自编码器的输入,计算获得相应的有标签特征,具体方法为:令
按照公式:Yn-1=f(...f(f(Y0W1)W2)...Wn-1),
计算得到有标签特征
②对特征进行筛选,得到筛选后的特征Y2′n-1,具体方法为:若特征中故障信号特征占比大于正常信号特征,则剔除故障信号特征中时间序列靠后的几组,使得故障信号特征组数与正常信号特征组数相同,反之则剔除正常信号特征中时间序列靠后的几组,以达到相同的效果;
③筛选后的特征Y2′n-1进行排序,使得前一半数据为故障信号特征;得到筛选、排序处理后的特征Y2″n-1;
④建立支持向量机模型,使用特征Y2″n-1作为支持向量机模型的输入,对支持向量机进行训练,得到训练后的支持向量机;
步骤三,将测试数据输入训练后的栈式自编码器,获得测试数据特征,然后将测试数据特征输入训练后的支持向量机,获得诊断结果,具体步骤如下:
①使用测试数据作为训练后的栈式自编码器的输入,计算获得相应的测试数据特征,即,令按照公式Yn-1=f(...f(f(Y0W1)W2)...Wn-1)计算得到测试数据特征Y1n-1=[Y1n-1,1,Y1n-1,2,...,Y1n-1,m]T;
②将Y1n-1作为训练过的支持向量机的输入,进行测试,完成对磨齿机的故障诊断。
2.根据权利要求1所述的一种基于栈式自编码器和支持向量机的磨削颤振检测方法,其特征在于:测试数据参与栈式去噪自编码器的训练;有标签特征在训练支持向量机前进行筛选和排序用于提高训练效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710415020.9A CN107199506B (zh) | 2017-06-05 | 2017-06-05 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710415020.9A CN107199506B (zh) | 2017-06-05 | 2017-06-05 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107199506A CN107199506A (zh) | 2017-09-26 |
CN107199506B true CN107199506B (zh) | 2019-05-21 |
Family
ID=59908157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710415020.9A Active CN107199506B (zh) | 2017-06-05 | 2017-06-05 | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107199506B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694994B (zh) * | 2018-05-11 | 2021-06-22 | 浙江大学 | 基于栈式自编码器和支持向量机的无创心脏梗死分类模型构建方法 |
CN110561191B (zh) * | 2019-07-30 | 2021-04-16 | 西安电子科技大学 | 基于pca与自编码器的数控机床刀具磨损数据处理方法 |
CN111323220B (zh) * | 2020-03-02 | 2021-08-10 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
CN112394642B (zh) * | 2020-11-27 | 2022-09-20 | 华中科技大学 | 一种基于超参数优化的机器人铣削加工颤振辨识方法 |
CN114378653B (zh) * | 2022-01-27 | 2022-12-13 | 上海机床厂有限公司 | 基于bp神经网络外圆磨削颤振在线识别和监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
US8176803B1 (en) * | 2008-07-29 | 2012-05-15 | Orbital Research Inc. | High-temperature sensor interface and network |
CN102825504A (zh) * | 2012-09-18 | 2012-12-19 | 重庆科技学院 | 数控机床主轴状态检测方法 |
CN103268517A (zh) * | 2013-04-23 | 2013-08-28 | 重庆科技学院 | 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法 |
CN104318249A (zh) * | 2014-10-23 | 2015-01-28 | 刘奇元 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8066619B2 (en) * | 2008-04-19 | 2011-11-29 | Pt Tech, Inc | Clutch control system |
-
2017
- 2017-06-05 CN CN201710415020.9A patent/CN107199506B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8176803B1 (en) * | 2008-07-29 | 2012-05-15 | Orbital Research Inc. | High-temperature sensor interface and network |
CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
CN102825504A (zh) * | 2012-09-18 | 2012-12-19 | 重庆科技学院 | 数控机床主轴状态检测方法 |
CN103268517A (zh) * | 2013-04-23 | 2013-08-28 | 重庆科技学院 | 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法 |
CN104318249A (zh) * | 2014-10-23 | 2015-01-28 | 刘奇元 | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107199506A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107199506B (zh) | 一种基于栈式自编码器和支持向量机的磨削颤振检测方法 | |
CN107228766A (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN110068462A (zh) | 一种电机轴承故障诊断方法及装置 | |
CN105787743A (zh) | 基于样本聚类的欺诈交易检测方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Liang et al. | Data-driven anomaly diagnosis for machining processes | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN105196114A (zh) | 基于小波分析和神经网络的刀具磨损实时在线监测方法 | |
CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN112257767B (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN111062093B (zh) | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 | |
CN114997218B (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN109406147A (zh) | 一种变速工况下的列车轴承轨边声学诊断方法 | |
CN114346761B (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN106500913A (zh) | 一种轮胎动平衡机不平衡量测量装置 | |
CN111707472B (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
CN115935243B (zh) | 一种基于数据处理的故障分析方法 | |
CN109976308A (zh) | 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法 | |
CN103258218B (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
Peng et al. | A multi-indicator fusion-based approach for fault feature selection and classification of rolling bearings | |
CN112730628B (zh) | 一种基于不平等距离优化聚类算法的伤损裂纹声发射信号检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231129 Address after: 201400 floor 1, building 2, No. 1876, CHENQiao Road, Fengxian District, Shanghai Patentee after: Shanghai Zhengtongan Technology Service Co.,Ltd. Address before: 215000 558 FENHU Road, Wujiang District, Suzhou, Jiangsu Patentee before: SUZHOU VEIZU EQUIPMENT DIAGNOSIS TECHNOLOGY CO.,LTD. |