CN108010016A - 一种基于卷积神经网络的数据驱动故障诊断方法 - Google Patents
一种基于卷积神经网络的数据驱动故障诊断方法 Download PDFInfo
- Publication number
- CN108010016A CN108010016A CN201711160396.6A CN201711160396A CN108010016A CN 108010016 A CN108010016 A CN 108010016A CN 201711160396 A CN201711160396 A CN 201711160396A CN 108010016 A CN108010016 A CN 108010016A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- neural networks
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 239000000945 filler Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000012407 engineering method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明属于故障诊断方法领域,并公开了一种基于卷积神经网络的数据驱动故障诊断方法,包括以下步骤:1)对要检测故障进行时域信号采样;2)将采集到的时域信号转化为待处理的图像;3)根据待处理图像的特点构建卷积神经网络模型;4)对图像进行训练;5)使用卷积神经网络模型进行预测,得出故障诊断结果。本发明将原始时域信号转换为2维灰度图像,采用改进卷积神经网络自动提取灰度图像的数据特征;由于将时域信号转化为二维灰度图像,信号噪声将被转换为图像的亮度、灰度等与图像分类结果无关的因素,能尽可能消除信号噪声对最终结果的影响。该方法易于执行且具有较高的精度,并极大地降低了特征提取过程和信号噪声对最终结果造成的影响。
Description
技术领域
本发明属于故障诊断方法领域,更具体地,涉及一种基于卷积神经网络的数据驱动故障诊断方法。
背景技术
对于复杂的系统,对可能出现的故障进行早期检测,可以节省宝贵的时间和成本来采取补救措施,以避免危险状况的情况。近年来,故障诊断得到了广泛的研究。一般来说,故障诊断方法可以分为基于模型,基于信号,基于知识的方法。其中基于知识的方法也被称为数据驱动方法。该方法需要大量历史数据来建立系统的故障模式,无需先验的已知模型或信号模式,因此非常适合运用在难以建立显式模型或信号特征的复杂系统的故障诊断上。
机器学习是处理数据驱动故障诊断数据最主要的方法之一。然而,机器学习方法依赖于原始数据的数据特征,需要先对原始数据进行特征提取之后,才能采用机器学习方法进行故障诊断,但特征提取过程是非常耗时耗力的工作,并且对最终的结果有很大的影响。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于卷积神经网络的数据驱动故障诊断方法。该方法简单高效,且极大降低了特征提取过程和信号噪声对最终结果造成的影响。
为实现上述目的,按照本发明,提供了一种基于卷积神经网络的数据驱动故障诊断方法,其特征在于,包括以下步骤:
1)对要检测故障进行时域上的信号采样;
2)将采集到的信号转化为待处理的图像;
3)根据待处理图像特点构建对应的卷积神经网络模型;
4)将图像通过卷积神经网络模型进行训练;
5)使用训练好的卷积神经网络模型进行预测,得出故障诊断结果。
本发明中,步骤2)中将采集到的信号转化为待处理的图像的具体过程如下:
2.1)在时域信号中随机获得一段长为M2的信号L(i),i=1,2...M2,图像中的一个像素点的值为P(j,k),j=1,2...M,k=1,2...M,j,k分别代表图像像素所在的长与宽方向的位置,时域信号与图像像素值之间的关系由下式给出:
其中round是取整函数,整个图像的像素值被正则化为0到255,正好为灰度图像的像素值域范围;
2.2)时域信号根据按列优先的原则依次排满图像像素,则获得大小为 M×M的图像,完成将时域信号转化为图像的过程。
本发明中,卷积神经网络根据所处理的图像大小进行卷积神经网络模型的调整,图像的大小根据信号量的数量而变化。
本发明中,所述卷积神经网络模型包含全连接层、卷积层和池化层,卷积层和池化层均为四个并且它们交替设置,全连接层为一个或两个并且设置在最后一个池化层上。
本发明中,采用零填充方法对卷积神经网络模型进行填充,以防止尺寸损失,具体如下:令M为输入尺寸,N为输出尺寸,F作为滤波器宽度, S作为步长,其中PT=(N-1)×S+F-M,则可获得左边的填充数和右边的填充数PR=PT-PL。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明将原始时域信号将被转换为2维灰度图像,采用改进卷积神经网络对数据特征直接进行自动提取,由于将时域信号转化为二维灰度图像,信号噪声将被转换为图像的亮度、灰度等与于图像分类结果无关的因素,进而尽可能消除信号噪声对原始信号最终结果的影响。该方法易于执行且具有较高的精度简单高效,并极大地降低了特征提取过程和信号噪声对最终结果造成的影响
附图说明
图1是本发明提出的卷积神经网络结构;
图2是本发明将信号转化为图像的转化方法示意图;
图3是本发明填充方法示意图;
图4是本发明将信号转化为图像的示意图;
图5是本发明在九类故障条件下转化为图像的结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1~图5,一种基于卷积神经网络的数据驱动故障诊断方法,其采用改进型卷积神经网络来提取维图像的特征,并且进行故障诊断。本发明在预处理数据上,为了避免繁琐的特征提取过程和降低提取特征对结果造成的影响,于是将原始时域信号转化为2维灰度图像。在转化的过程中,原始数据的时域信号按列优先依次排满图像像素,为了获得大小为M ×M的图像,需要现在原始信号中随机获得一段长为M2的信号,假使原始信号为L(i),i=1,2...M2图像某一点像素值为P(j,k),j=1,2...M,k=1,2...M,j,k分别代表图像像素所在的长与宽方向的位置,原始信号与图像像素值之间的关系可由方程(1)给出:
其中round(·)是取整函数,整个像素值被正则化为0到255,正好为灰度图像的像素值域范围,为了方便处理数据,推荐M取值为2n。
这种数据处理方法的优点是提供了一种探索原始信号的二维特征的方法。此外,该数据预处理方法可以在没有任何预定义参数的情况下进行计算,并可以尽可能地减少专家的经验。
本发明提出了改进的卷积神经网络结构:一旦原始信号被转换成图像,就可以训练一个CNN(convolutional neural network,卷积神经网络)来对这些图像进行分类。作为一种经典CNN的LeNet-5是一种非常有效的图像处理方法。在本研究中,基于LeNet-5提出一种新的卷积神经网络模型,旨在解决故障诊断的图像分类任务。LeNet-5中的图像大小为32×32。但是为了提高分类结果,图像的大小根据本研究中信号数据的体量而变化。当信号数据具有较大的体量,可以选用较大的图像尺寸以促进分类结果。可以考虑将图像变化为64×64或更大。当信号数据量相对较小,可以考虑将图像大小改小。本发明针对较大的信号数据体量类型,提出的改进卷积神经网络模型中,包含四个交替的卷积层和池化层和一个或两个的全连接层。本发明针对较小信号数据量,所提出的卷积神经网络模型包含两个交替卷积层和池化层和一个全连接层。本发明所提出的卷积神经网络的填充方法也不同于原来的LeNet-5,使用零填充方法进行填充。
本发明采用零填充方法,填充方法是控制特征尺寸大小的重要技术。将零填充方法应用于卷积神经网络模型,以防止尺寸损失。M为输入尺寸,N 为输出尺寸,F作为滤波器宽度,S作为步长。可以通过等式(2-5)计算左边的填充数PL和右边的填充数PR。
PT=(N-1)×S+F-M (3)
PR=PT-PL (5)
为了防止缺少填充而导致一些边缘元素的丢失。零填充是必不可少的,在零填充方法中,将自动添加零,之后就可以进行卷积过程。
图1为针对64×64大小图像提出的改进卷积神经网络结构,图2为信号转化为图像的转化方法示意,图3为填充方法的示意图。先将待处理信号按照图2的方法进行转化为灰度图格式,然后将这些图像通过图1所示的神经网络进行训练,在训练过程中采用图3的零填充方法,防止导致边缘元素的缺失。经过一系列的训练可以将神经网络进行训练出来,得到准确的模型。
本发明实施实例为电机轴承故障数据集,该数据集是由Case Western ReserveUniversity(CWRU)提供的著名的电机轴承数据。在这个数据集中,有三种故障类型,每种故障类型有三种不同的损伤尺寸,共有十种状况:
九个故障条件和一个正常情况(NO)。三种故障类型有滚筒故障(RF),外圈故障(OF)和内圈故障(IF)。损伤尺寸为0.18mm,0.36mm和0.54mm。驱动端振动信号在四个负载条件(0,1,2,3hp)下收集,以验证所提方法的性能。训练数据集中每个负载条件有2000个样本,测试数据集中每个负载条件有400个样本,所有的样本都是从数据集中随机选取。使用不放回采样方法,所以训练数据集和测试数据集中的样本是完全不同的。
在这个实例中,我们将信号转换图像,图像的大小设置为64×64。正常情况下的信号转换结果如图4所示。转换灰度图像包含4096个像素。其他九个故障条件的转换结果如图5所示。从转换后的图像中可以看出,不同故障状态的图像看起来完全不同。
本实例中的CNN结构的每层的参数如表1所示,CNN结构包含四个卷积层和四个池化层并且它们交替设置,另外还具有一个或两个全连接层(FC)。 FC1是第一个FC层,FC2是第二个FC层。Conv(5×5×32)的表示卷积层,卷积核尺寸为5×5,32通道。Maxpool(2×2)表示它是2×2的池化层。表2为具有一个FC层的提出的卷积神经网络模型的结果,而表3为具有两个FC层的所提出的卷积神经网络模型。CNN-i-j表示FC1中有i个神经元和FC2中的j个神经元,如CNN-2560意味着FC1中有2560个神经元,FC2 层不存在。所有卷积神经网络模型均运行10次,最大值,最小值,平均值和预测精度的标准偏差是结果测量项。
表1 CNN结构的每层的参数
表2具有一个FC层的提出的卷积神经网络模型的结果
表3具有两个FC层的所提出的卷积神经网络模型
表4各方法对比结果
由表2可以得出,在只有一个FC层,FC层中六种不同数量的神经元,。从结果来看,CNN-2560取得了最好的效果。其平均精度为99.77%,最小精度为99.67%,标准偏差为0.0544。CNN-2048最大最高精度为99.87%,略高于CNN-2560,最大为99.85%。这些CNN的预测结果如“倒U”型,显示CNN-2560是提出的卷积神经网络模型的最高峰。
在表3中,具有两个FC层的CNN型号基于CNN-2560神经网络结构。有六种CNN型号。从结果可以看出,所有这些卷积神经网络模型彼此非常接近。CNN-2560-64,CNN-2560-128和CNN-2560-1024略逊于CNN-2560。CNN-2560-256,CNN2560-523和CNN-2560-768略有提高预测精度。这些CNN 型号中最好的是CNN-2560-768,其平均精度为99.79%,最大精度为99.91%,最小精度为99.70%。
为了得到提出的卷积神经网络的性能,采用跟其他传统机器学习方法和深度学习方法进行对的结果如表4所示,从结果可以看出,提出的CNN 方法与这些方法相比获得了很好的结果。平均预测精度高达99.79%,优于其他方法。稀疏自编码器,深度置信网络,基于分层诊断网络的深度置信网络,支持向量机的预测结果分别为99.66%,87.45%,99.03%和87.45%,略差于提出的卷积神经网络模型。传统人工神经网络的结果为67.7%,明显低于提出的卷积神经网络模型,显示出提出的CNN方法的优点。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于卷积神经网络的数据驱动故障诊断方法,其特征在于,包括以下步骤:
1)对要检测故障进行时域上的信号采样;
2)将采集到的信号转化为待处理的图像;
3)根据待处理图像特点构建对应的卷积神经网络模型;
4)将图像通过卷积神经网络模型进行训练;
5)使用训练好的卷积神经网络模型进行预测,得出故障诊断结果。
2.根据权利要求1所述的一种基于卷积神经网络的数据驱动故障诊断方法,其特征在于,步骤2)中将采集到的信号转化为待处理的图像的具体过程如下:
2.1)在时域信号中随机获得一段长为M2的信号L(i),i=1,2...M2,图像中的一个像素点的值为P(j,k),j=1,2...M,k=1,2...M,j,k分别代表图像像素所在的长与宽方向的位置,时域信号与图像像素值之间的关系由下式给出:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>{</mo>
<mrow>
<mfrac>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>M</mi>
<mo>+</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>255</mn>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
其中round是取整函数,整个图像的像素值被正则化为0到255,正好为灰度图像的像素值域范围;
2.2)时域信号根据按列优先的原则依次排满图像像素,则获得大小为M×M的图像,完成将时域信号转化为图像的过程。
3.根据权利要求1所述的一种基于卷积神经网络的数据驱动故障诊断方法,其特征在于,卷积神经网络根据所处理的图像大小进行卷积神经网络模型的调整,图像的大小根据信号量的数量而变化。
4.根据权利要求3所述的一种基于卷积神经网络的数据驱动故障诊断方法,其特征在于,所述卷积神经网络模型包含全连接层、卷积层和池化层,卷积层和池化层均为四个并且它们交替设置,全连接层为一个或两个并且设置在最后一个池化层上。
5.根据权利要求1所述的一种基于卷积神经网络的数据驱动故障诊断方法,其特征在于,采用零填充方法对卷积神经网络模型进行填充,以防止尺寸损失,具体如下:令M为输入尺寸,N为输出尺寸,F作为滤波器宽度,S作为步长,其中PT=(N-1)×S+F-M,则可获得左边的填充数和右边的填充数PR=PT-PL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160396.6A CN108010016A (zh) | 2017-11-20 | 2017-11-20 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711160396.6A CN108010016A (zh) | 2017-11-20 | 2017-11-20 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108010016A true CN108010016A (zh) | 2018-05-08 |
Family
ID=62053154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711160396.6A Pending CN108010016A (zh) | 2017-11-20 | 2017-11-20 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010016A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
CN108921347A (zh) * | 2018-07-02 | 2018-11-30 | 国电南瑞科技股份有限公司 | 一种风电变流器故障预测方法 |
CN109141847A (zh) * | 2018-07-20 | 2019-01-04 | 上海工程技术大学 | 一种基于mscnn深度学习的飞机系统故障诊断方法 |
CN109543905A (zh) * | 2018-11-23 | 2019-03-29 | 西安电子科技大学 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
CN110163409A (zh) * | 2019-04-08 | 2019-08-23 | 华中科技大学 | 一种应用于置换流水车间的卷积神经网络调度方法 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN110595780A (zh) * | 2019-09-20 | 2019-12-20 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
CN110728300A (zh) * | 2019-09-09 | 2020-01-24 | 交控科技股份有限公司 | 基于道岔动作电流曲线识别故障类型的方法及系统 |
CN110916623A (zh) * | 2019-11-11 | 2020-03-27 | 浙江大学 | 一种主动施压的小型柔性脉诊仪及其检测方法 |
CN111141519A (zh) * | 2019-12-27 | 2020-05-12 | 西安交通大学 | 一种滚动轴承故障定量评估方法 |
CN111178425A (zh) * | 2019-12-26 | 2020-05-19 | 哈尔滨工业大学 | 一种基于卷积神经网络的大型高速回转装备面型分类方法 |
CN111340107A (zh) * | 2020-02-25 | 2020-06-26 | 山东大学 | 基于卷积神经网络代价敏感学习的故障诊断方法及系统 |
CN111524478A (zh) * | 2019-02-05 | 2020-08-11 | 三星显示有限公司 | 检测故障的设备和方法 |
CN111553297A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 |
CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112329650A (zh) * | 2020-11-09 | 2021-02-05 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于卷积神经网络的加速度计故障诊断方法 |
CN112527547A (zh) * | 2020-12-17 | 2021-03-19 | 中国地质大学(武汉) | 一种基于自动卷积神经网络的机械智能故障预测方法 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112580718A (zh) * | 2020-12-17 | 2021-03-30 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于自然环境的军机故障率预测方法 |
CN116246145A (zh) * | 2023-01-15 | 2023-06-09 | 北京控制工程研究所 | 一种航天器故障的辨识方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226074A (zh) * | 2016-09-22 | 2016-12-14 | 华中科技大学 | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
-
2017
- 2017-11-20 CN CN201711160396.6A patent/CN108010016A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226074A (zh) * | 2016-09-22 | 2016-12-14 | 华中科技大学 | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
Non-Patent Citations (6)
Title |
---|
LONG WEN等: ""A New Convolutional Neural Network-Based Data-Driven Fault Diagnosis Method"", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
VAN TUAN DO等: ""Signal Model-Based Fault Detection and Diagnosis for Induction Motors Using Features of Vibration Signal in Two-Dimension Domain"", 《JOURNAL OF MECHANICAL ENGINEERING》 * |
杨念聪等: ""基于卷积神经网络的图像特征识别研究"", 《信息与电脑》 * |
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》 * |
邱建华等: "《生物特征识别 身份认证的革命》", 31 January 2016, 清华大学出版社 * |
陈明等: "《MATLAB神经网络原理与实例精解》", 31 March 2013, 清华大学出版社 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
CN110544530A (zh) * | 2018-05-29 | 2019-12-06 | 浙江清华柔性电子技术研究院 | 体温数据预测装置及其体温数据预测模型构建方法 |
CN108921347A (zh) * | 2018-07-02 | 2018-11-30 | 国电南瑞科技股份有限公司 | 一种风电变流器故障预测方法 |
CN108921347B (zh) * | 2018-07-02 | 2021-11-30 | 国电南瑞科技股份有限公司 | 一种风电变流器故障预测方法 |
CN109141847B (zh) * | 2018-07-20 | 2020-06-05 | 上海工程技术大学 | 一种基于mscnn深度学习的飞机系统故障诊断方法 |
CN109141847A (zh) * | 2018-07-20 | 2019-01-04 | 上海工程技术大学 | 一种基于mscnn深度学习的飞机系统故障诊断方法 |
CN109543905A (zh) * | 2018-11-23 | 2019-03-29 | 西安电子科技大学 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
CN111524478A (zh) * | 2019-02-05 | 2020-08-11 | 三星显示有限公司 | 检测故障的设备和方法 |
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN110163409A (zh) * | 2019-04-08 | 2019-08-23 | 华中科技大学 | 一种应用于置换流水车间的卷积神经网络调度方法 |
CN110163409B (zh) * | 2019-04-08 | 2021-05-18 | 华中科技大学 | 一种应用于置换流水车间的卷积神经网络调度方法 |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
CN110728300A (zh) * | 2019-09-09 | 2020-01-24 | 交控科技股份有限公司 | 基于道岔动作电流曲线识别故障类型的方法及系统 |
CN110595780A (zh) * | 2019-09-20 | 2019-12-20 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
CN110595780B (zh) * | 2019-09-20 | 2021-12-14 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
CN110916623A (zh) * | 2019-11-11 | 2020-03-27 | 浙江大学 | 一种主动施压的小型柔性脉诊仪及其检测方法 |
CN111178425A (zh) * | 2019-12-26 | 2020-05-19 | 哈尔滨工业大学 | 一种基于卷积神经网络的大型高速回转装备面型分类方法 |
CN111141519A (zh) * | 2019-12-27 | 2020-05-12 | 西安交通大学 | 一种滚动轴承故障定量评估方法 |
CN111340107A (zh) * | 2020-02-25 | 2020-06-26 | 山东大学 | 基于卷积神经网络代价敏感学习的故障诊断方法及系统 |
CN111553297B (zh) * | 2020-05-06 | 2022-03-15 | 东华大学 | 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 |
CN111553297A (zh) * | 2020-05-06 | 2020-08-18 | 东华大学 | 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 |
CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112557833A (zh) * | 2020-10-10 | 2021-03-26 | 国网河南省电力公司焦作供电公司 | 一种基于深度样本增强的电缆局部放电模式识别方法 |
CN112329650A (zh) * | 2020-11-09 | 2021-02-05 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于卷积神经网络的加速度计故障诊断方法 |
CN112580718A (zh) * | 2020-12-17 | 2021-03-30 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于自然环境的军机故障率预测方法 |
CN112527547A (zh) * | 2020-12-17 | 2021-03-19 | 中国地质大学(武汉) | 一种基于自动卷积神经网络的机械智能故障预测方法 |
CN112527547B (zh) * | 2020-12-17 | 2022-05-17 | 中国地质大学(武汉) | 一种基于自动卷积神经网络的机械智能故障预测方法 |
CN112580718B (zh) * | 2020-12-17 | 2023-10-24 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于自然环境的军机故障率预测方法 |
CN116246145A (zh) * | 2023-01-15 | 2023-06-09 | 北京控制工程研究所 | 一种航天器故障的辨识方法和装置 |
CN116246145B (zh) * | 2023-01-15 | 2023-10-20 | 北京控制工程研究所 | 一种航天器故障的辨识方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN107358575A (zh) | 一种基于深度残差网络的单幅图像超分辨率重建方法 | |
CN112633245B (zh) | 基于深度强化学习模型的行星齿轮箱故障诊断方法 | |
CN104751472B (zh) | 基于b样条小波和深度神经网络的织物疵点检测方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN107784308A (zh) | 基于链式多尺度全卷积网络的显著性目标检测方法 | |
CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
CN112561876B (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
CN110060251A (zh) | 一种基于U-Net的建筑物表面裂纹检测方法 | |
CN113468996A (zh) | 一种基于边缘细化的伪装物体检测方法 | |
CN113657383A (zh) | 一种基于轻量化分割模型的缺陷区域检测方法及装置 | |
CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111222453B (zh) | 基于密集连接和几何结构约束的遥感影像变化检测方法 | |
CN116740119A (zh) | 一种基于深度学习的烟叶图像活动轮廓分割方法 | |
CN104361571B (zh) | 基于边缘信息和支持度变换的红外与微光图像融合方法 | |
CN109859141B (zh) | 一种深立井井壁图像去噪方法 | |
CN107451624A (zh) | 基于正交化局部连接网络的机械装备健康状态识别方法 | |
CN109934835B (zh) | 基于深度强化网络邻接连接的轮廓检测方法 | |
CN111986079A (zh) | 基于生成对抗网络路面裂缝图像超分辨率重建方法及装置 | |
CN107545238A (zh) | 基于深度学习的煤矿井下行人检测方法 | |
CN116222753A (zh) | 一种转子系统故障敏感特征提取方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180508 |