CN108106844B - 一种自适应参数调节的自动编码机的轴承故障诊断方法 - Google Patents
一种自适应参数调节的自动编码机的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN108106844B CN108106844B CN201711169602.XA CN201711169602A CN108106844B CN 108106844 B CN108106844 B CN 108106844B CN 201711169602 A CN201711169602 A CN 201711169602A CN 108106844 B CN108106844 B CN 108106844B
- Authority
- CN
- China
- Prior art keywords
- learning
- parameter
- loss function
- formula
- noise reduction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 title claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000005096 rolling process Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 22
- 210000002569 neuron Anatomy 0.000 abstract description 6
- 238000011946 reduction process Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002407 reforming Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种自适应参数调节的自动编码机的轴承故障诊断方法，基本步骤如下：1)对轴承振动信号的采样；2)对轴承信号的预处理；3)对深度网络代价函数，结点数与结构确定；4)参数自适应调节；5)故障划分。该方法首先对当前数据做出降噪处理，在降噪的同时也进行降维处理，并通过归一化后的‘干净’数据进入深度网络进行训练，通过稀疏自动编码器的特性，对边缘降噪走动编码器隐含层神经元进行稀疏性限制，结合Ada‑grad学习策略不断调节当前学习率的参数使其达到最优，从而达到一种快收敛，高精度的分类效果。最后通过与传统的自动编码机在轴承故障分类上进行对比，从而验证本发明的有效性和鲁棒性强的特点。
Description
技术领域
本发明涉及一种自适应参数的稀疏边缘降噪自动编码器的故障特征分类方法，属于滚动轴承故障诊断领域。
背景技术
在机械设备中，滚动轴承的不正常状态会导致设备产生异常噪声或者震动甚至导致会造成设备损坏。有资料表明滚动轴承故障约占旋转机械故障的30％。同时，如果当故障发生时再停机检测维修，会大大影响生产的进行，对于一些大型生产来说停机就意味着大量的经济损失。因此准确识别出滚动轴承发生故障前的早期状态具有深远的现实意义。
虽然故障诊断技术在近年来得到了长足的发展，也受到越来越多的关注与研究，但是依然存在着一定的问题。首先，目前故障诊断技术的主要侧重点在研究各种设备对象、故障机理、故障检测及其与信息技术结合等，故障预防方面的工作并没有得到相应的重视。再者，对于旋转机械这类被控对象的故障研究相对是较少的，而在实际的生产过程中，生产任务的无法进行更多的是由这种旋转机械设备发生故障所导致的。目前，对轴承故障诊断有许多方法，利用小波分析与神经网络的结合可以做到对故障种类的划分，但这种方法需要健全的模型，其分类精度完全取决于模型以及参数的预先设置，鲁棒性不高。而使用传统的深度学习模型可以提高分类精度，但训练数据时间长，如果模型的参数设置不合理，则有可能陷入局部最优值。为避免上述问题，边缘降噪自动编码机作为一种深度模型，具有良好的降噪，分类能力。但是由于隐含层的结点数随机选取以及学习速率的预先设定，使得该模型在实际操作过程中得不到优良的效果。因此，对于这方面的问题，许多学者一直在做出研究。
发明内容
本发明的目的是提供一种智能高效的自适应参数调节的自动编码机的轴承故障诊断方法。
本发明是通过下述技术方案实现的：一种自适应参数调节的自动编码机的轴承故障诊断方法，其特征在于，包括如下步骤：
(1)信号采样：采集滚动轴承的振动信号，做转化处理；
(2)信号处理：采用傅里叶变换对振动信号进行处理，将其由时域信号变为频域信号；
(3)深度网络参数与结构设置：确定网络的输入，隐含，输出层的结点，构建稀疏编码器的损失函数
式中,是稀疏编码器的一般损失函数项，
是带有惩罚项的稀疏编码器的损失函数。其中，β是惩罚权重，是KL divergence惩罚方法，ρ是稀疏性参数。是带有噪声的隐含层特征表达式，σxd 2,表示输入数据的噪声干扰项方差。表示对每个隐藏层的特征的计算，L为二阶Hessian矩阵。
(4)参数自适应调节：根据步骤(3)得到的损失函数表达式(I)，利用学习函数式，自适应调节学习率；
(5)故障划分：针对不同种类的轴承故障特征数据，即内圈、外圈、轴承故障特征数据，使用自适应参数调节的稀疏边缘自动编码机进行深度网络训练，并通过自适应调节学习速率式得到具体学习策略，实现快速精准的对不同种类的故障进行分类。
所述的步骤(3)具体应用的学习函数式为：
即，在得到损失函数后，通过引入Ada-grad全参数学习策略，来实现对学习率的自动调整；
式(Ⅱ)中，η(0)为学习率的初始化值一般为0.01，η(t)是t+1次迭代时的学习率，▽Lm是第s次迭代时损失函数的梯度，K为常数一般取值为1。
所述步骤(5)中的学习策略如下：
其中是网络模型第n次迭代的总体平均误差，ypg和spg分别为输入第p个训练样本时第g个输出节点的输出值以及模型的期望值；k和l分别是训练样本个数以及输出层的个数。
本发明的有益效果：本发明基于稀疏自动编码机的思想，加入稀疏限制条件，对深度网络中结点进行自适应学习率的调整，从而达到收敛快速而稳定。最后使用RVM分类模型的核函数选择自由性，解的稀疏性，泛化能力强的特点，作为分类器，使得分类结果较现有的分类器的结果要精准。
附图说明：
图1：是本发明隐含层加入规则的示意图。
图2：是本发明改进深度学习结构图。
图3a：是正常状态驱动端振动信号图。
图3b：是内圈故障驱动端振动信号图。
图3c：是滚珠故障驱动端振动信号图。
图3d：是外圈故障驱动端振动信号图。
图4a：是傅里叶变换后外圈故障频域图。
图4b：是傅里叶变换后内圈故障频域图。
图4c：是傅里叶变换后滚珠故障频域图。
图4d：是傅里叶变换后正常状态频域图。
图5：隐含层结点数与误差关系图。
图6：隐含层数变化与误差的关系图。
图7a：是隐含层数为1时学习率变化趋势图。
图7b：是隐含层数为2时学习率变化趋势图。
图7c：是隐含层数为3时学习率变化趋势图。
图8：是本发明列举与普通稀疏降噪编码器的误差对比图。
图中浅色曲线是改进后的误差与迭代次数的关系曲线；深色是改进前的误差与迭代次数的关系曲线。
图9：通过采用PCA(主元特征分析)法对深度网络学习的5个特征进行可视化呈现图，图中给出5类PCA映射对应编号。
其中，0类代表负载为0，正常状态的滚动轴承特征数据。
1类代表负载为0，外圈故障的滚动轴承特征数据。
2类代表负载为3，外圈故障的滚动轴承特征数据。
3类代表负载为0，内圈故障的滚动轴承特征数据。
4类代表负载为3，内圈故障的滚动轴承特征数据。
具体实施方式：
一、本发明的理论依据。
1)稀疏自动编码机的提出：
稀疏自动编码器是在原型自动编码器的基础上对隐含层加了约束条件并相应的增加了隐含层的数量，稀疏编码器在隐含层神经元数量很大的情况下也能较好的发现输入数据深层次的特征。多隐层稀疏自动编码器能够提取高维数据的稀疏解释性因子来保留原始输入的非零特性，鲁棒性相对较好，使得分类边界更加清晰，能够在一定程度内控制变量的规模以及改变输入数据的结构，增强信息的表述能力、全面性以及准确率。但是相对的，若原始数据分布稠密程度不均匀，信息解锁后得到的稀疏变量就会难以控制。同时，稀疏目标期望值需要预先设定，并且在每一个隐含层上的稀疏程度基本相同，导致对具有远零激活值的神经元的惩罚效果较弱，会出现欠拟合的现象。
降噪自动编码器内部映射鲁棒性较好，降低了原型自动编码器对噪声的敏感性，使得重构误差减小。但是由于噪声的统计特征不尽相同，使得边缘分布对原始参数的估计有着很大影响。同时，降噪自动编码器的计算效率较低，对硬件以及软件的要求较高。
为了解决降噪自动编码器计算量较大，训练起来消耗时间长的问题，边缘降噪自动编码器应运而生，这种算法的核心是将降噪自动编码器的噪声干扰做边缘化处理来克服降噪自动编码器计算量大处理时间长的问题。其中边缘化处理的要点在于将降噪自动编码器的损失函数利用泰勒展开式的方式进行展开，以此来近似表示模型的期望损失函数，同时充分考虑了隐含层神经元表达对输入向量的敏感性以及重构误差函数对隐含层神经元表达的敏感性。
2)Ada-grad自适应参数学习策略：
其中η(0)为学习率的初始化值一般为0.01，η(t)是t+1次迭代时的学习率，▽Lm是第s次迭代时损失函数的梯度，K为常数一般取值为1。分母部分可以保证学习率的变化趋势表现为整体为下降趋势。则具体的学习策略如下：
其中是网络模型第n次迭代的总体平均误差，ypg和spg分别为输入第p个训练样本时第g个输出节点的输出值以及模型的期望值。k和l分别是训练样本个数以及输出层的个数。由式(Ⅲ)可知，当实际输出与期望输出差别较大时则说明这一次迭代的误差就会增大，说明这次的迭代时无效的，于是学习速率应该相应的增大，即乘以一个大于1的常数，然后进行继续迭代，若两次迭代的误差相差较小时，则会出现一定的震荡现象，为了防止震荡现象的产生因此设置两个限制参数Rmax，Rmin。
3)RVM的提出
相关向量机(Relevance vector machine)，是在支持向量机的基础上被提出的，是贝叶斯统计学习理论框架下的一种基于稀疏概率模型的机器学习方法，与支持向量机在体系结构和功能运作上是十分相近的，从而较好的吸取了支持向量机泛化能力良好和检测精度高等优点。但是相比于支持向量机，RVM具有更稀疏、核函数选择更自由、鲁棒性更好、泛化能力更强的优点，在小样本的统计学习问题中表现的更为突出。近几年在模式识别、故障诊断、智能预测等领域都得到了广泛的应用，并有较为良好的表现。
二、本发明的实现步骤。
1)信号采集：使用加速度传感器采集振动信号，通过使用磁性底座将传感器安放在电机壳体上。数据分为0HP和3HP负载下，轴承处于正常状态，外环故障、内环故障和滚动故障状态，其中故障状态的故障直径为0.007″，轴承转速分别为1797r/min和1730r/min，采样点为驱动端，采样频率为12kHz，列出四种故障的振动信号如附图3所示。
2)信号处理：由于神经网络正常情况下不能处理时间序列，而且滚动轴承的振动信号在多数下是一种有规律的周期信号，所以本发明采用傅里叶变换对滚动轴承的振动信号做预处理，其中变换后的信号并未加入降噪处理，频域范围为0～6kHz，转换后的信号如附图4所示。
3)归一化处理：为了使深度学习网络模型方便处理样本数据，这里将样本数据进行归一化处理，即将特征转化为[0,1]中，处理的方式如下：
其中xi为需要处理的第i个特征，xmin为这个特征中最小的值，相对的xmax为最大的那个值，那么最后得到的xio就是归一化处理后的第i个特征参数，同时为了提高网络模型的抗噪能力，本文在数据中加入了均值为0的随机噪声，在每一类样本中，选取70％作为训练样本，15％为验证样本，15％为测试样本。
4)深度网络代价函数，输入，隐含，输出层结点数确定
特征向量在经过归一化处理后，特征数共有600个，这里知道深度网络模型的输入神经元个数依赖于特征数，那么本文中的深度网络模型的输入神经元的个数为600个。
深度网络模型隐含层节点数的确定对于最终的结果尤为重要，本文实验分别设置隐含层节点数为100、200、300、400、500、600，1000。通过实验结果可以知道隐含层的节点数在400或者500时效果相差不多，但是取值为400时实验结果相对较优，于是本文实验设置隐含层节点数为400，如图5中所示。
由于本文选取了8种状态的滚动轴承数据，在深度网络训练时，为了能够直接由输出结果知道滚动轴承的状态，本文设置深度网络结构的输出层节点数为8个。
5)故障划分
利用RVM对不同特征的故障轴承信息进行划分。首先，将归一化的数据送至深度网络模型，得到损失函数(I)，通过自适应参数寻优，找到隐藏层合适的学习率，如图7所示，反复通过RVM训练。在满足收敛精度后，通过PCA抽取深层特征表示。为了说明本发明的分类精准性，特别地，与层叠降噪自动编码机做比较。如图8所示。
三、可行性分析
由公式(Ⅱ)，当设置初始学习率为0.01时，经过多次试验，可以确定，Rmax为1.08，Rmin为0.92。因为这时模型的震荡现象相对比较微弱，也就是说这种限制参数下的模型比较稳定。因为本文采用的是三层隐含层的深度模型，其中第一层隐含层的学习率变化趋势如图7(a)所示,从图7(a)中可以看出初始学习率值0.01在模型刚开始训练的时候是偏小的，本发明设计的学习率策略可以自动识别这种情况，自动的将学习率增大。随着模型的继续训练，模型不再需要那么大的学习率，本文设计的自适应性学习率也可以做到较好的自动识别，在总体趋势上逐渐的减小学习率，并在小范围内根据模型的具体情况实现自动增大或减小学习率。
第二层与第三层学习率变化趋势如图7(b)、(c)所示。
通过在轴承部分数据集上测试结果证明，本发明所提的自适应性学习率深度模型能够在基本保证误差的情况下加快模型的收敛速度，从图8可以看出，测试集误差在65次迭代后是有所略微增大的，但是增大幅度较小，在可控范围内，但是收敛速度相对提高较多，验证了其有效性。
比较本发明所提的自适应性学习率的稀疏边缘降噪自动编码与传统的层叠降噪自动编码机,稀疏边缘降噪自动编码机在训练时间上的差别，为了表示方便，将层叠自动编码机方法记为SDAE,将稀疏边缘降噪自动编码机方法记为MDAE，将本文所提自动编码器记为Q-MDAE，结果如表1所示：
表1训练时间对比
通过三次实验取平均值可以看出，本文所提的自适应性学习率的稀疏边缘降噪自动编码器在训练时间上比之于层叠降噪自动编码器是降低的，相比于稀疏边缘降噪自动编码器仍显略高，不过仍保留了稀疏边缘自动编码机训练快速的特点。说明本文所改进的深度学习模型的有效性。
这里以正常状态下0负载的样本数据以及滚珠故障状态下3负载的样本数据这两类数据进行可行性说明，为了表述方便，这里记正常状态下0负载的样本数据为A，记滚珠故障状态下3负载的样本数据为B。通过与层叠降噪自动编码机，稀疏边缘自动编码机对比，如表2所示，可以看到，在相同环境下，本发明提出的自适应参数寻优的稀疏边缘自动编码机在分类准确率上效果最好。
表2准确率对比
将每种状态的滚动轴承数据中选取三组数据进行实验，得到自适应参数的的相关向量机-深度模型的识别结果，如表3所示。
表3总体识别结果
选取其中5类特征通过立体图呈现的分类结果如图9所示，由图可知，本发明提出的方法在轴承故障诊断中具有一定现实应用效益。
Claims (1)
1.一种自适应参数调节的自动编码机的轴承故障诊断方法，其特征在于，包括如下步骤：
(1)信号采样：采集滚动轴承的振动信号，做转化处理；
(2)信号处理：采用傅里叶变换对振动信号进行处理，将其由时域信号变为频域信号；
(3)深度网络参数与结构设置：确定网络的输入，隐含，输出层的结点，构建稀疏编码器的损失函数
式中,是稀疏编码器的一般损失函数项，是带有惩罚项的稀疏编码器的损失函数；其中，β是惩罚权重，是KL divergence惩罚方法，ρ是稀疏性参数；是带有噪声的隐含层特征表达式，σxd 2,表示输入数据的噪声干扰项方差；表示对每个隐藏层的特征的计算，L为二阶Hessian矩阵；
(4)参数自适应调节：根据步骤(3)得到的损失函数表达式(I)，利用学习函数式，自适应调节学习率；
步骤(4)中具体应用的学习函数式为：
即，在得到损失函数后，通过引入Ada-grad全参数学习策略，来实现对学习率的自动调整；
式(Ⅱ)中，η(0)为学习率的初始化值一般为0.01，η(t)是t+1次迭代时的学习率，是第s次迭代时损失函数的梯度，K为常数一般取值为1；
(5)故障划分：针对不同种类的轴承故障特征数据，即内圈、外圈、轴承故障特征数据，使用自适应参数调节的稀疏边缘自动编码机进行深度网络训练，并通过自适应调节学习速率式得到具体学习策略，实现快速精准的对不同种类的故障进行分类；
所述的学习策略如下：
其中是网络模型第n次迭代的总体平均误差，ypg和spg分别为输入第p个训练样本时第g个输出节点的输出值以及模型的期望值；k和l分别是训练样本个数以及输出层的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711169602.XA CN108106844B (zh) | 2017-11-22 | 2017-11-22 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711169602.XA CN108106844B (zh) | 2017-11-22 | 2017-11-22 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108106844A CN108106844A (zh) | 2018-06-01 |
| CN108106844B true CN108106844B (zh) | 2019-09-13 |
Family
ID=62207690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711169602.XA Active CN108106844B (zh) | 2017-11-22 | 2017-11-22 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108106844B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109211546B (zh) * | 2018-08-28 | 2020-05-26 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
| CN110017857A (zh) * | 2019-04-04 | 2019-07-16 | 广东工业大学 | 基于自适应学习与神经网络的非线性传感器故障诊断方法 |
| CN110348468B (zh) * | 2019-05-10 | 2023-01-20 | 辽宁大学 | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 |
| CN110081966A (zh) * | 2019-05-27 | 2019-08-02 | 苏州工业职业技术学院 | 风机振动传感器的故障诊断系统及方法 |
| CN110261080B (zh) * | 2019-06-06 | 2020-12-15 | 湃方科技(北京)有限责任公司 | 基于多模态数据的异构旋转型机械异常检测方法及系统 |
| CN111795819B (zh) * | 2020-06-12 | 2021-06-22 | 燕山大学 | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 |
| CN112259069B (zh) * | 2020-10-21 | 2023-03-14 | 上海协格空调工程有限公司 | 一种动态主动降噪方法及空调设备 |
| CN113176093B (zh) * | 2021-04-27 | 2023-07-18 | 合肥工业大学 | 基于isca-sdae的滚动轴承故障诊断方法及系统 |
| CN113985733B (zh) * | 2021-10-26 | 2023-11-17 | 云南电网有限责任公司电力科学研究院 | 一种基于自适应概率学习的配电网故障辨识方法 |
| CN114418117B (zh) * | 2022-01-20 | 2024-05-28 | 北京航空航天大学 | 用于少样本故障诊断的具有自适应学习率的元学习方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3923373B2 (ja) * | 2002-05-31 | 2007-05-30 | 富士通株式会社 | 自動分散補償装置および補償方法 |
| CN104748962B (zh) * | 2015-04-03 | 2017-02-22 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
| CN104914851B (zh) * | 2015-05-21 | 2017-05-24 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
| CN106124212B (zh) * | 2016-06-16 | 2018-09-04 | 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 |
-
2017
- 2017-11-22 CN CN201711169602.XA patent/CN108106844B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108106844A (zh) | 2018-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108106844B (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
| CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
| CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
| Yang et al. | Bearing fault automatic classification based on deep learning | |
| CN112577747A (zh) | 一种基于空间池化网络的滚动轴承故障诊断方法 | |
| CN108303253A (zh) | 基于长短时记忆循环神经网络的轴承早期故障识别方法 | |
| Liang et al. | Rolling bearing fault diagnosis based on one-dimensional dilated convolution network with residual connection | |
| CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
| CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| 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 | |
| CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
| CN110132554A (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN112308147A (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
| CN110348468B (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
| CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN116628592A (zh) | 一种基于改进型生成式对抗网络的动设备故障诊断方法 | |
| CN114936575A (zh) | 基于样本生成和深度迁移学习的电机轴承故障诊断方法 | |
| 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 | |
| CN116910485A (zh) | 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 |
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: 20240105 Address after: 905, Building G, Huangjin Times Square, No. 9999 Jingshi Road, Lixia District, Jinan City, Shandong Province, 250000 Patentee after: Zhongchangxing (Shandong) Information Technology Co.,Ltd. Address before: 110136 58 Shenbei New Area Road South, Shenyang, Liaoning. Patentee before: LIAONING University |