CN107421741A - 一种基于卷积神经网络的滚动轴承故障诊断方法 - Google Patents
一种基于卷积神经网络的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107421741A CN107421741A CN201710747694.9A CN201710747694A CN107421741A CN 107421741 A CN107421741 A CN 107421741A CN 201710747694 A CN201710747694 A CN 201710747694A CN 107421741 A CN107421741 A CN 107421741A
- Authority
- CN
- China
- Prior art keywords
- network
- sample
- fault diagnosis
- convolutional neural
- neural networks
- 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
-
- 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
- G06N3/0463—Neocognitrons
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于卷积神经网络的滚动轴承故障诊断方法。针对滚动轴承特征分量易被淹没、难以提取等问题,结合滚动轴承信号本身和监测数据量大等特点,将CNN引入到滚动轴承故障诊断中。首先通过短时傅立叶变换将电机振动信号转化成时频谱图,以适应CNN网络训练样本格式,构建大量表示不同故障的带标签样本数据,以确保样本的多样性、防止网络过拟合;构建合适层数的CNN网络并初始化参数,将预处理后的样本输入CNN进行前向传播,结合给定标签计算误差,利用误差反向传播算法调整网络权值,经过多次迭代,建立信号和设备之间相互联系的网络,从而实现滚动轴承故障的精确诊断。
Description
技术领域
本发明属于机械设备故障诊断领域,具体涉及一种基于卷积神经网络的滚动轴承故障诊断方法。
背景技术
机械设备正在朝着高速、高精、高效方向发展,为了确保设备的健康运行,采集海量数据用以反映机械的健康状况,促使机械健康监测领域进入“大数据”时代。机械大数据具有大容量、多样性与高速率的特点,研究和利用先进的理论与方法,如何从机械设备大数据中挖掘信息,实现高效、精确地识别健康状况,成为机械设备健康监测领域面临的新问题。
滚动轴承因其自身的优点被广泛应用于各种旋转机械中,是机械设备关键部件之一,也是易损部件之一。轴承的缺陷和损伤将直接影响设备稳定性,从而造成整个设备的损坏,甚至产生巨大的经济损失,因此轴承故障诊断方法的研究具有重大的意义。
传统的滚动轴承故障诊断方法,存在以下几个问题:(1)提取单一检测信号的特征实现故障诊断,而对复杂的旋转机械采集到的振动信号中,往往包含了多个部件的信息成分;(2)目前的手动特征提取,需要丰富的先验知识、信号处理理论和实际经验作为支撑,人工处理数据费时费力;(3)传统的故障诊断方法用于故障识别网络训练的样本量少,使得样本的多样性无法得到保证,对复杂旋转机械进行故障诊断时,样本过少会使得网络专注解释训练数据,降低对未知数据的解释能力,从而形成过拟合。
申请号201010191771.5,名称为一种轴承故障的诊断方法,包括以下步骤:(1).利用加速度传感器采集轴承振动加速度信号;(2).采用形态学闭运算形式获得振动加速度信号的形态谱;(3).通过步骤(2)所述的形态谱的确定形态学结构单元的参数,提取出故障冲击序列;(4).观察步骤(2)所述的形态谱上是否在故障特征频率处存在明显的峰值,或者观察步骤(3)所述的提取出来的冲击序列是否具有明显的周期性,并对应着相应的故障特征频率,进而判断旋转机械是否发生故障。虽然该方法不需要对信号进行滤波,无需实现确定参数,节省了人工处理数据,但并不适用于结构复杂的机械结构诊断。
发明内容
针对滚动轴承故障诊断时特征分量易被淹没、难以提取等问题,本发明的目的在于提供一种基于卷积神经网络的滚动轴承故障诊断方法,该方法以单一振动信号为监测信号,使用短时傅里叶变换(STFT)处理后的样本用于卷积神经网络的训练,并结合标签有监督的微调整个网络,从而实现准确的滚动轴承故障诊断。
一种基于卷积神经网络的滚动轴承故障诊断方法,包括以下步骤:
步骤1,滚动轴承振动信号采集;
步骤2,将振动信号通过短时傅立叶变换转化为时频图;
步骤3,对时频图进行预处理,再将预处理后的图片压缩成的正方形;
步骤4,建立网络并初始化网络参数,根据样本和要求,构建的网络模型,确定网络参数;
步骤5,网络训练、前向传播,将样本输入到网络中,通过前向传播求得网络输出与预期目标的误差;
步骤6,判断网络是否收敛,若收敛,则执行步骤8,若不收敛,则执行步骤7;
步骤7,反向传播、权值修改,利用反向传播BP算法,将步骤5的误差反向逐层传播到每个节点,并更新权值,重复执行步骤5至步骤7,直至网络收敛;
步骤8,根据测试样本的精确度判断网络是否满足实际要求,如满足执行步骤9,如不满足,跳转到步骤4,修改网络参数;
步骤9,输出网络用于滚动轴承故障诊断。
作为改进的是,步骤2中所述预处理删除时频图的空白处和坐标。
作为改进的是,所述步骤3中正方形像素大小为50×50。
有益效果
本发明以单一的振动信号为监测信号,将卷积神经网络引入到滚动轴承故障诊断中,通过短时傅立叶变换将电机振动信号转化成时频谱图,以适应卷积神经网络(CNN)训练样本格式,构建大量表示不同故障的带标签样本数据,以确保样本的多样性和防止网络过拟合;构建合适层数的CNN网络并初始化参数,将预处理后的样本输入CNN进行前向传播,结合给定标签计算误差,利用误差反向传播算法调整网络权值,经过多次迭代,建立信号和故障之间相互联系的网络,从而实现机械设备故障的精确诊断。
与现有技术相比,本发明的优势在于:
1)较传统方法,该方法降低了对先验知识、信号处理理论和实际经验的需求;同时降低了人工处理信号数据的时间,使得滚动轴承故障诊断与预测更加智能化和高效化。
2)本算法建立在大量样本数据的基础之上,样本量大使得样本多样性得到保证,从而提高网络对未知数据的解释能力,防止网络过拟合。
附图说明
图1为滚动轴承出现单一故障单个时频图样本;
图2为预处理流程图,(a)为时频图,(b)为除去空白和坐标的时频图,(c)为压缩后的时频图;
图3为卷积神经网络模型,其中,1-样本输入,2-卷积层C1,3-下采样层S2,4-卷积层C3,5-下采样层S4,6-卷积层C5,7-下采样层S6,8-全链接,9-输出;
图4为卷积神经网络故障诊断流程图;
图5为滚动轴承在5种故障下全连接层输出之间的相关系数;
图6为5种不同故障的全连接层特征图。
具体实施方式
下面结合附图对本发明在实际滚动轴承故障诊断中的运用进一步详细描述。
(1)数据的采集和预处理
本发明诊断方法所用的动力传动系统试验台,该系统由电机、两级行星齿轮箱、定轴齿轮箱和磁粉制动器组成,传感器安装在定轴齿轮箱右端盖上,通过更换轴承模拟了5种不同的故障类型,具体故障类型如表1所示,其中,每种故障在相同的工作情况下采集了5000组时域信号,采样频率为5.12kHz,每组信号时长5s。
表1轴承的5种故障类型表
为了提高样本的多样性,在数据采集时,调整负载大小,使得同一故障的数据样本覆盖多种负载情况,从而提高样本的多样性。为了使得样本数据能够适应不同噪声环境,对采集到的样本数据随机添加高斯噪声,在增加样本量的同时提高了样本的多样性。
(2)预处理和卷积神经网络的构建
预处理:利用STFT算法将采集的数据转换成25000个时频谱图样本,其中图1为某一种故障下单个时频谱样本,随机选取不同健康状态的40%作为测试样本(采用高比例的测试样本来证明网络的泛化能力),其余作为训练样本。为了提高网络训练的准确率、降低网络训练计算量、提高网络训练效率,本实验需对STFT转换得到的时频谱图进行预处理。以图1单一故障单个时频谱图样本为例,对其进行预处理(包括图片的裁剪和压缩两个部分),具体预处理过程如图2所示,剪掉时频谱图2(a)周边的坐标及空白部分,得到如图2(b)所示的矩形;然后将图2(b)压缩成像素大小为50×50的正方形,如图2(c)所示;最后将图2(c)作为图1的输入,进行卷积神经网络训练。
卷积神经网络的构建:其中卷积神经网络模型如图3所示,其中C1、C3、C5为卷积层(卷积层中使用的卷积核大小都为3×3);S2、S4、S6为下采样层(下采样层使用最大下采样方法,其采样单元为2×2);F为全连接层;输出层使用的Softmax。Softmax的输出个数等于分类个数。
样本经过预处理后对训练结果的影响:
a.样本裁剪对网络训练的影响
如图2(b)所示,将样本中坐标和空白处裁剪掉,保留样本的主要特征,会使得网络的训练效率提升,其试验结果如表2所示(在有限、相同的迭代次数下的结果)。
表2为样本剪裁对网络训练结果的影响
由表2可以看出未处理样本的训练正确率为85.68%,测试正确率为96.36%;处理后的样本训练正确率为88.45%,测试正确率为99.82%;处理后样本的训练正确率和测试正确率都比未处理的高,说明样本的裁剪处理会使得网路训练的效率提高。
b.样本大小对网络训练的影响
不同大小的样本对网络训练存在不同的影响,本试验将样本压缩成几种不同大小,分别用于网络的训练,其结果如表3所示(网络训练时参数相同)。
表3不同样本大小对网络训练的影响
由于电脑配置有限,在保证样本数量的同时,样本不宜过大;而由于网络深度的影响,又使得样本不宜过小。由表3可以看出,当样本越来越小,其迭代一次所需的时间也随之减少;当样本越大,因其包含的信息越多,训练正确率和测试正确率都在提高。在有限的迭代次数下,当样本像素大小为50×50时,其训练正确率和测试正确率最低,但是其单次迭代的时间也最低。综合考虑,本文选择像素大小为50×50的样本最为合适。
(4)与手工提取特征+模式识别方法比较。为了说明卷积神经网络较手工提取特征结合模式识别方法具有优势,本文对两者进行了比较分析,其结果如表4所示。
表4不同方法下的滚动轴承故障诊断的正确率
其中,本发明提出的卷积神经网络,按图4的过程对预处理后的样本进行训练,选择合适的参数,进行多次迭代。
从表4可以看出,EMD+SVM的滚动轴承故障诊断精度为59.65%;由EMD改进得到的EEMD+SVM的滚动轴承故障诊断精度为61.47%;PCA+SVM的滚动轴承故障诊断精度为19.28%。上述三种方法使用信号处理、数据挖掘等方法对振动信号进行手工提取特征,结合模式识别实现滚动轴承的故障诊断,从其诊断结果可以看出,这些方法无法达到满意的效果。而以时频谱图为样本,使用CNN进行滚动轴承故障诊断,经过有监督的训练和多次迭代,其正确率达到100%,说明卷积神经网络比手工提取特征+模式识别方法存在优势。
(5)全连接层相关性
为了进一步验证卷积神经网络的优势,试验中利用训练好的网络,计算各种故障类型的输入样本的全连接层输出之间的相关性,每种故障选取1个样本进行前向运算,获得全连接层输出的特征(如图6),然后计算各故障全连接层特征之间的相关性,其结果如图5和表5所示。我们计算的是不同故障样本全连接输出之间的pearson相关性,计算公式如下:
X,Y分别表示互相比较的两个全连接层输出向量,r为相关系数。
表5滚动轴承在5种故障下全连接层输出之间的相关系数
从图5和表5中,可以明显看出,不同故障的全连接层输出之间相关性很小(即输出特征的差异性很大),特征的差异性越大越有助于分类器的分类。卷积神经网络能够有效的提取不同故障时频谱图的特征,且能够根据各自特点提取出差异性很大的特征值,说明了STFT+CNN能够有效的实现滚动轴承故障诊断。
Claims (3)
1.一种基于卷积神经网络的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
步骤1,滚动轴承振动信号采集;
步骤2,将振动信号通过短时傅立叶变换转化为时频图;
步骤3,对时频图进行预处理,再将预处理后的图片压缩成的正方形;
步骤4,建立网络并初始化网络参数,根据样本和要求,构建的网络模型,确定网络参数;
步骤5,网络训练、前向传播,将样本输入到网络中,通过前向传播求得网络输出与预期目标的误差;
步骤6,判断网络是否收敛,若收敛,则执行步骤8,若不收敛,则执行步骤7;
步骤7,反向传播、权值修改,利用反向传播算法,将步骤5的误差反向逐层传播到每个节点,并更新权值,重复执行步骤5至步骤7,直至网络收敛;
步骤8,根据测试样本的精确度判断网络是否满足实际要求,如满足执行步骤9,如不满足,跳转到步骤4,修改网络参数;
步骤9,输出网络用于滚动轴承故障诊断。
2.根据权利要求1所述的一种基于卷积神经网络的滚动轴承故障诊断方法,其特征在于,步骤2中所述预处理删除时频图的空白处和坐标。
3.根据权利要求1所述的一种基于卷积神经网络的滚动轴承故障诊断方法,其特征在于,步骤3中正方形像素大小为50×50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710747694.9A CN107421741A (zh) | 2017-08-25 | 2017-08-25 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710747694.9A CN107421741A (zh) | 2017-08-25 | 2017-08-25 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107421741A true CN107421741A (zh) | 2017-12-01 |
Family
ID=60435231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710747694.9A Pending CN107421741A (zh) | 2017-08-25 | 2017-08-25 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107421741A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
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 |
CN109612728A (zh) * | 2018-12-20 | 2019-04-12 | 上海理工大学 | 基于振谱图和深度卷积神经网络的轴承故障诊断方法 |
CN109782167A (zh) * | 2018-12-29 | 2019-05-21 | 华南理工大学 | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN109959889A (zh) * | 2017-12-25 | 2019-07-02 | 通用电气公司 | 磁共振成像系统冷头工作状态的监测方法和系统 |
CN109975702A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
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 |
CN110308397A (zh) * | 2019-07-30 | 2019-10-08 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN111122161A (zh) * | 2019-12-24 | 2020-05-08 | 北京交通大学 | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN111539152A (zh) * | 2020-01-20 | 2020-08-14 | 内蒙古工业大学 | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN112084974A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
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 |
CN112881017A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112881018A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于改进模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN113236595A (zh) * | 2021-07-13 | 2021-08-10 | 湖南师范大学 | 风机故障分析方法、装置、设备及可读存储介质 |
CN113537044A (zh) * | 2021-07-14 | 2021-10-22 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
CN108647786B (zh) * | 2018-07-10 | 2021-11-30 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN114088405A (zh) * | 2021-11-10 | 2022-02-25 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法 |
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
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 |
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 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
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
- 2017-08-25 CN CN201710747694.9A patent/CN107421741A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
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 |
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 |
CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
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 (2)
Title |
---|
曾雪琼等: "基于卷积神经网络的时频图像识别研究", 《机械与电子》 * |
袁建虎等: "基于小波时频图和CNN的滚动轴承智能故障诊断方法", 《机械设计与研究》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109959889A (zh) * | 2017-12-25 | 2019-07-02 | 通用电气公司 | 磁共振成像系统冷头工作状态的监测方法和系统 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
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 |
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 |
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 |
CN108647786B (zh) * | 2018-07-10 | 2021-11-30 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN109612728A (zh) * | 2018-12-20 | 2019-04-12 | 上海理工大学 | 基于振谱图和深度卷积神经网络的轴承故障诊断方法 |
CN109782167A (zh) * | 2018-12-29 | 2019-05-21 | 华南理工大学 | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 |
CN109782167B (zh) * | 2018-12-29 | 2024-05-10 | 华南理工大学 | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 |
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 |
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN109902399B (zh) * | 2019-03-01 | 2022-07-19 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN109975702A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
CN109975702B (zh) * | 2019-03-22 | 2021-08-10 | 华南理工大学 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110220709B (zh) * | 2019-06-06 | 2020-04-21 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110308397B (zh) * | 2019-07-30 | 2021-04-02 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
CN110308397A (zh) * | 2019-07-30 | 2019-10-08 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN111122161A (zh) * | 2019-12-24 | 2020-05-08 | 北京交通大学 | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 |
CN111122161B (zh) * | 2019-12-24 | 2021-06-08 | 北京交通大学 | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN111539152B (zh) * | 2020-01-20 | 2022-08-26 | 内蒙古工业大学 | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 |
CN111539152A (zh) * | 2020-01-20 | 2020-08-14 | 内蒙古工业大学 | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN111721535B (zh) * | 2020-06-23 | 2021-11-30 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN112084974B (zh) * | 2020-09-14 | 2023-04-25 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
CN112084974A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
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 |
CN112881018A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于改进模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112881017A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN113236595B (zh) * | 2021-07-13 | 2021-09-28 | 湖南师范大学 | 风机故障分析方法、装置、设备及可读存储介质 |
CN113236595A (zh) * | 2021-07-13 | 2021-08-10 | 湖南师范大学 | 风机故障分析方法、装置、设备及可读存储介质 |
CN113537044A (zh) * | 2021-07-14 | 2021-10-22 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
CN114088405A (zh) * | 2021-11-10 | 2022-02-25 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法 |
CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107421741A (zh) | 一种基于卷积神经网络的滚动轴承故障诊断方法 | |
CN110672343B (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
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 | |
CN111651937A (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN112396109A (zh) | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 | |
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN107122802A (zh) | 一种基于改进小波神经网络的滚动轴承的故障检测方法 | |
CN107525671A (zh) | 一种风电传动链复合故障特征分离与辨识方法 | |
CN111721527B (zh) | 基于cms系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN112395968B (zh) | 基于神经网络的机械旋转部件故障诊断方法及装置 | |
Toma et al. | Comparative analysis of continuous wavelet transforms on vibration signal in bearing fault diagnosis of induction motor | |
CN117628005A (zh) | 一种融合信号液压马达故障诊断方法及系统 | |
CN107766882A (zh) | 基于数据驱动量化特征多粒度的行星齿轮箱故障诊断方法 | |
CN116735206A (zh) | 基于吸引子和卷积神经网络的轴承摩擦状态识别方法 | |
Sun et al. | Fault diagnosis of planetary gearbox based on signal denoising and convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |