CN108225750A - 一种基于故障特征多相关性的旋转机械故障诊断方法 - Google Patents
一种基于故障特征多相关性的旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN108225750A CN108225750A CN201711315866.1A CN201711315866A CN108225750A CN 108225750 A CN108225750 A CN 108225750A CN 201711315866 A CN201711315866 A CN 201711315866A CN 108225750 A CN108225750 A CN 108225750A
- Authority
- CN
- China
- Prior art keywords
- training sample
- correlations
- feature
- fault
- matrix
- 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
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (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故障特征多相关性的旋转机械故障诊断方法,包括步骤:1.训练样本数据预处理:采用已收集的旋转机械故障信号作为训练样本,将其预处理成算法需要的矩阵形式。2.训练权值矩阵:在稀疏滤波算法中加入基于故障特征多相关性的正则化项组成改进的稀疏滤波算法,并用训练样本进行训练。3.训练Softmax特征分类器:采用Softmax特征分类器对稀疏滤波提取的特征进行分类,由此可对旋转机械故障信号实现故障诊断。本发明对于旋转机械故障诊断领域的适应性强,能有效提高诊断准确率。
Description
技术领域
本发明属于振动信号智能故障诊断技术领域,涉及一种基于故障特征多相关性的旋转机械故障诊断方法。
背景技术
随着大数据时代的到来,基于设备振动信号的故障诊断方法,已经由传统的信号处理方法转变为深度学习方法。应用深度学习进行智能故障诊断的步骤一般是通过非监督学习算法训练出能够提取样本特征的权值矩阵,然后通过监督学习算法进行对权值矩阵提取的样本特征进行分类。然而,许多非监督特征学习算法非常难以实现,因为其需要对各种参数进行调节。一旦这些参数没有设置好,则学习到的特征很有可能导致一个很差的诊断准确率。这些算法包括稀疏玻尔兹曼机、稀疏自动编码器、稀疏编码、独立成分分析等等。这些算法的可调参数例如稀疏玻尔兹曼机就有多达六种参数需要调节。
目前,有一种非监督特征学习框架理论方法称作稀疏滤波,它只专注于优化学习特征的稀疏性而忽视学习数据的分布情况,同时它对输入维数的尺度表现很完美且只有一个特征参数需要调节,因此稀疏滤波很容易调节又很容易通过几行MATLAB代码实现。用这种理论采用稀疏滤波进行图像识别和语音分类,都可产生较好的效果。在这种方法中,为保证特征的稀疏性,往往需要对权值矩阵进行正则化处理。现有的正则化方法,其原理是泛化地针对权值矩阵本身的稀疏性进行优化,而不是针对故障诊断方面的特点设计的。因此在故障诊断领域应用效果往往不理想,尤其体现在故障诊断结果准确率低。
发明内容
本发明目的是针对现有技术存在的缺陷,提供一种基于故障特征多相关性的旋转机械故障诊断方法,其适应性强,能有效提高转机械故障的诊断准确率。
解决上述现有技术问题的本发明技术方案如下。
本发明的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征是,该方法包括以下步骤:
步骤1.训练样本数据预处理:采用已收集的旋转机械故障信号作为训练样本,将其预处理成算法需要的矩阵形式;
步骤2.训练权值矩阵:在稀疏滤波算法中加入基于故障特征多相关性的正则化项组成改进的稀疏滤波算法,并用训练样本进行训练;
步骤3.训练Softmax特征分类器:采用Softmax特征分类器对稀疏滤波提取的特征进行分类,由此可对未知的旋转机械故障信号实现故障诊断。
进一步地,步骤1中训练样本数据预处理的实现过程为:
将M个带有标签的训练样本随机分为Ns段,每段含有Nin个训练样本点;即训练样本xi被划分成形式,堆叠表示成矩阵形式是即Nin行Ns列矩阵;将所有训练样本分段堆叠表示成矩阵即Nin行、Ns×M列矩阵;其中表示训练样本,yi表示标签。
进一步地,步骤2中训练权值矩阵的实现过程为:
用S来训练加入基于故障特征多相关性的正则化项组成改进的稀疏滤波器,其正则化项的目的是为了消除提取的特征之间的多相关性;改进后的稀疏滤波器代价函数为其中特征fi中的元素是通过权值矩阵的行向量与训练样本做内积进行提取的,即sj为S中的一列,Nout为输出维数,即特征维数;通过优化代价函数,即可训练出权值矩阵W。
进一步地,步骤3中训练Softmax特征分类器的实现过程为:
将训练样本xi进行无重复的交叉分段,形成矩阵用权值矩阵W提取特征,并用g(.)作为特征激活函数;训练样本xi的特征为Xi提取特征之后取行向量平均数,即表示WXi的第k列;将所有训练样本提取特征后,添加上标签变为对Softmax进行训练;使用训练好后的模型进行旋转机械故障诊断。
进一步地,在步骤2中改进后的稀疏滤波器代价函数中,所述的表示权值矩阵不同行向量之间做内积取绝对值后相加,其中λ为损耗因子,取值1。
进一步地,步骤3中所述的激活函数g(.)=|.|,即绝对值函数。
本发明的有益效果是,本发明的一种基于故障特征多相关性的旋转机械故障诊断方法,其提供的正则化方法是基于消除稀疏滤波提取的特征之间的多相关性。本发明对于故障诊断领域的适应性强,能有效提高诊断准确率。
附图说明
图1是本发明一种实施例的方法流程图。
图2是在本发明实施例的模型训练与测试实例1中,为了本发明所提出的基于故障特征多相关性的权值矩阵正则化方法的有效性,本发明一种实施例的加入正则化项的稀疏滤波器,与未加入正则化项的稀疏滤波器对测试样本的诊断结果进行对比图。
图3是在本发明实施例的模型训练与测试实例1中,为了说明本发明所提出的基于故障特征多相关性的权值矩阵正则化方法的鲁棒性,本发明一种实施例的加入正则化项的稀疏滤波器,与未加入正则化项的稀疏滤波器对测试样本的诊断结果进行对比图。
图4是在本发明实施例的模型训练与测试实例2中,为了说明本发明所提出的基于故障特征多相关性的权值矩阵正则化方法的有效性,将加入正则化项与没加入正则化项的稀疏滤波器对于训练样本的诊断结果进行对比图。
图5是在本发明实施例的模型训练与测试实例2中,为了说明本发明所提出的基于故障特征多相关性的权值矩阵正则化方法的鲁棒性,本发明一种实施例的加入正则化项的稀疏滤波器,与未加入正则化项的稀疏滤波器对测试样本的诊断结果进行对比图。
具体实施方式
本发明通过无监督学习方法对故障信号进行智能诊断,通过引入基于故障特征多相关性的正则化项提高原有算法的准确性,使得方法更加准确、合理。
本发明的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征是,该方法包括以下步骤:
步骤1.训练样本数据预处理:采用已收集的旋转机械故障信号作为训练样本,将其预处理成算法需要的矩阵形式。其实现过程为:
将M个带有标签的训练样本随机分为Ns段,每段含有Nin个训练样本点;即训练样本xi被划分成形式,堆叠表示成矩阵形式是即Nin行Ns列矩阵;将所有训练样本分段堆叠表示成矩阵即Nin行、Ns×M列矩阵;其中表示训练样本,yi表示标签。
步骤2.训练权值矩阵:在稀疏滤波算法中加入基于故障特征多相关性的正则化项组成改进的稀疏滤波算法,并用训练样本进行训练。其实现过程为:
用S来训练加入基于故障特征多相关性的正则化项组成改进的稀疏滤波器,其正则化项的目的是为了消除提取的特征之间的多相关性;改进后的稀疏滤波器代价函数为其中特征fi中的元素是通过权值矩阵的行向量与训练样本做内积进行提取的,即sj为S中的一列,Nout为输出维数,即特征维数;通过优化代价函数,即可训练出权值矩阵W。
步骤3.训练Softmax特征分类器:采用Softmax特征分类器对稀疏滤波提取的特征进行分类,由此可对未知的旋转机械故障信号实现故障诊断。其实现过程为:
将训练样本xi进行无重复的交叉分段,形成矩阵用权值矩阵W提取特征,并用g(.)作为特征激活函数;训练样本xi的特征为Xi提取特征之后取行向量平均数,即表示WXi的第k列;将所有训练样本提取特征后,添加上标签变为对Softmax进行训练;使用训练好后的模型进行旋转机械故障诊断。
进一步地,在步骤2中改进后的稀疏滤波器代价函数中,所述的表示权值矩阵不同行向量之间做内积取绝对值后相加,其中λ为损耗因子,取值1。
进一步地,步骤3中所述的激活函数g(.)=|.|,即绝对值函数。
下面结合附图对发明的技术方案进行进一步详细说明。
图1是本发明一种实施例的方法流程图。如图1所示,该方法包括以下三个步骤。
步骤1.训练样本数据预处理
将M个带有标签的训练样本(其中表示训练样本,yi表示标签)随机分为Ns段,每段含有Nin个训练样本点,Nin就是后续第二步中改进的稀疏滤波算法的输入维数。即训练样本xi被划分成形式,堆叠表示成矩阵形式是将所有训练样本分段堆叠表示成
步骤2.训练权值矩阵
用S来训练加入正则化项的稀疏滤波器。正则化项是基于消除提取的特征之间的多相关性进行设计的。改进后的稀疏滤波器代价函数为其中特征fi中的元素是通过权值矩阵的行向量与训练样本做内积进行提取的,即sj为S中的一列,Nout为输出维数,即特征维数。表示权值矩阵不同行向量之间做内积取绝对值后相加,其中λ为损耗因子,一般取1。通过优化代价函数,即可训练出权值矩阵W。
步骤3.训练特征分类器
将训练样本xi进行无重复的交叉分段,形成矩阵用权值矩阵W提取特征,并用g(.)=|.|作为特征激活函数。训练样本xi的特征为Xi提取特征之后取行平均数,即 表示WXi的第k列。将所有训练样本提取特征后,添加上标签为对Softmax进行训练。训练好后的模型就可以进行故障诊断。
本发明实施例的模型训练与测试实例如下。
实例1:
数据采用凯斯西储大学公开的轴承故障数据,进行模型训练与测试。其数据可在http://csegroups.case.edu/bearingdatacenter/pages/download-data-file下载。选用12kHz采样频率的数据,故障类型为{正常,内圈故障,外圈故障,滚动体故障},故障深度为{0.18mm,0.36mm,0.53mm},每种故障类型有四种载荷,即四种转速。每个故障类型振动信号首先划分为N=1200个样本点的样本集。取每个样本集10%的样本作为训练样本,剩下的为测试样本。首先将每个训练样本以重叠的方式随机分为Ns=50段Nin=100维的分段。所有训练样本堆叠之后作为训练样本矩阵对加入正则化项后的稀疏滤波器进行训练,输出维数Nout=100,训练出权值矩阵W。再将训练样本交叉分成Nin=100维的分段,与W右乘后,每个训练样本的特征取平均值,然后与标签合并进行Softmax的训练,训练完成后用测试样本进行测试。最终测试的准确率达到99%以上。
为了说明所提出的基于故障特征多相关性的权值矩阵正则化方法的有效性,将加入正则化项与没加入正则化项的稀疏滤波器对测试样本的诊断结果进行对比,所得结果如附图2所示,可以看出加入正则化项之后在不同输入维数下的诊断准确率都有明显提高。
为了说明所提出的基于故障特征多相关性的权值矩阵正则化方法的鲁棒性,将加入正则化项与没加入正则化项的稀疏滤波器对测试样本的诊断结果进行对比,所得结果如附图3所示,可以看出加入正则化项之后在不同百分比作为训练样本训练时,对于测试样本的诊断准确率都有明显提高。
实例2:
数据采用齿轮箱故障数据,进行模型训练与测试。数据用加速度传感器采集,采样频率为16384Hz。故障类型为{正常,轻微磨损,中度磨损,断齿},每种故障类型有四种载荷,即四种转速。每个故障类型振动信号首先划分为N=1200个样本点的样本集。取每个样本集10%的样本作为训练样本,剩下的90%作为测试样本。首先将每个训练样本以重叠的方式随机分为Ns=50段Nin=50维的分段。所有训练样本堆叠之后作为训练样本矩阵对加入正则化项后的稀疏滤波器进行训练,输出维数Nout=50,训练出权值矩阵W。再将训练样本交叉分成Nin=50维的分段,与W右乘后,每个训练样本的特征取平均值,然后与标签合并进行Softmax的训练,训练完成后用测试样本进行测试。最终测试的准确率达到99%以上。
为了说明所提出的基于故障特征多相关性的权值矩阵正则化方法的有效性,将加入正则化项与没加入正则化项的稀疏滤波器对于训练样本的诊断结果进行对比,所得结果如附图4所示,可以看出加入正则化项之后在不同输入维数下的对于测试样本的诊断准确率都有明显提高。
为了说明所提出的基于故障特征多相关性的权值矩阵正则化方法的鲁棒性,将加入正则化项与没加入正则化项的稀疏滤波器对于训练样本的诊断结果进行对比,所得结果如附图5所示,可以看出加入正则化项之后在不同百分比作为训练样本训练时,测试样本的诊断准确率都有明显提高。
Claims (6)
1.一种基于故障特征多相关性的旋转机械故障诊断方法,其特征是,该方法包括以下步骤:
步骤1.训练样本数据预处理:采用已收集的旋转机械故障信号作为训练样本,将其预处理成算法需要的矩阵形式;
步骤2.训练权值矩阵:在稀疏滤波算法中加入基于故障特征多相关性的正则化项组成改进的稀疏滤波算法,并用训练样本进行训练;
步骤3.训练Softmax特征分类器:采用Softmax特征分类器对稀疏滤波提取的特征进行分类,由此可对未知的旋转机械故障信号实现故障诊断。
2.根据权利要求1所述的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征在于,步骤1中训练样本数据预处理的实现过程为:
将M个带有标签的训练样本随机分为Ns段,每段含有Nin个训练样本点;即训练样本xi被划分成形式,堆叠表示成矩阵形式是即Nin行Ns列矩阵;将所有训练样本分段堆叠表示成矩阵即Nin行、Ns×M列矩阵;其中表示训练样本,yi表示标签。
3.根据权利要求1所述的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征在于,步骤2中训练权值矩阵的实现过程为:
用S来训练加入基于故障特征多相关性的正则化项组成改进的稀疏滤波器,其正则化项的目的是为了消除提取的特征之间的多相关性;改进后的稀疏滤波器代价函数为其中特征fi中的元素是通过权值矩阵的行向量与训练样本做内积进行提取的,即sj为S中的一列,Nout为输出维数,即特征维数;通过优化代价函数,即可训练出权值矩阵W。
4.根据权利要求1所述的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征在于,步骤3中训练Softmax特征分类器的实现过程为:
将训练样本xi进行无重复的交叉分段,形成矩阵用权值矩阵W提取特征,并用g(.)作为特征激活函数;训练样本xi的特征为Xi提取特征之后取行向量平均数,即表示WXi的第k列;将所有训练样本提取特征后,添加上标签变为对Softmax进行训练;使用训练好后的模型进行旋转机械故障诊断。
5.根据权利要求3所述的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征在于,在步骤2中改进后的稀疏滤波器代价函数中,所述的表示权值矩阵不同行向量之间做内积取绝对值后相加,其中λ为损耗因子,取值1。
6.根据权利要求4所述的一种基于故障特征多相关性的旋转机械故障诊断方法,其特征在于,步骤3中所述的激活函数g(.)=|.|,即绝对值函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711315866.1A CN108225750A (zh) | 2017-12-12 | 2017-12-12 | 一种基于故障特征多相关性的旋转机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711315866.1A CN108225750A (zh) | 2017-12-12 | 2017-12-12 | 一种基于故障特征多相关性的旋转机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108225750A true CN108225750A (zh) | 2018-06-29 |
Family
ID=62649415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711315866.1A Pending CN108225750A (zh) | 2017-12-12 | 2017-12-12 | 一种基于故障特征多相关性的旋转机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108225750A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861275A (zh) * | 2021-01-11 | 2021-05-28 | 南京航空航天大学 | 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法 |
CN113076844A (zh) * | 2021-03-26 | 2021-07-06 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 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 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
US20170146433A1 (en) * | 2015-11-19 | 2017-05-25 | Northeastern University | Fault isolation method of industrial process based on regularization framework |
CN107451624A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
-
2017
- 2017-12-12 CN CN201711315866.1A patent/CN108225750A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170146433A1 (en) * | 2015-11-19 | 2017-05-25 | Northeastern University | Fault isolation method of industrial process based on regularization framework |
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 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 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN107451624A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
Non-Patent Citations (1)
Title |
---|
PD-PONY: "正则化与过拟合", 《CSDN博客》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861275A (zh) * | 2021-01-11 | 2021-05-28 | 南京航空航天大学 | 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法 |
CN113076844A (zh) * | 2021-03-26 | 2021-07-06 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
CN113076844B (zh) * | 2021-03-26 | 2022-05-20 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A hybrid deep-learning model for fault diagnosis of rolling bearings | |
Chen et al. | ACDIN: Bridging the gap between artificial and real bearing damages for bearing fault diagnosis | |
CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
CN106874957A (zh) | 一种滚动轴承故障诊断方法 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
Kumar et al. | Tacho-less sparse CNN to detect defects in rotor-bearing systems at varying speed | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
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 | |
CN105606363B (zh) | 一种基于域自适应的轴承故障诊断方法 | |
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 | |
CN107421741A (zh) | 一种基于卷积神经网络的滚动轴承故障诊断方法 | |
CN107526853A (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 | |
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 | |
CN102254177B (zh) | 一种不均衡数据svm轴承故障检测方法 | |
Liu et al. | Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning | |
CN103398843A (zh) | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 | |
CN106650071A (zh) | 用于滚动轴承智能故障诊断的方法 | |
CN107179194A (zh) | 基于卷积神经网络的旋转机械故障定性诊断方法 | |
Upadhyay et al. | Diagnosis of bearing defects using tunable Q-wavelet transform | |
CN109299727A (zh) | 信息重构的改进极限学习机故障诊断方法 | |
Zhang et al. | Rolling bearing fault convolutional neural network diagnosis method based on casing signal | |
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 | |
CN108062514A (zh) | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180629 |
|
WD01 | Invention patent application deemed withdrawn after publication |