CN108444708A - 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 - Google Patents
基于卷积神经网络的滚动轴承智能诊断模型的建立方法 Download PDFInfo
- Publication number
- CN108444708A CN108444708A CN201810339956.2A CN201810339956A CN108444708A CN 108444708 A CN108444708 A CN 108444708A CN 201810339956 A CN201810339956 A CN 201810339956A CN 108444708 A CN108444708 A CN 108444708A
- Authority
- CN
- China
- Prior art keywords
- data
- convolutional neural
- neural networks
- model
- building
- 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.)
- Granted
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
Abstract
本发明涉及一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法的设计方法,首先,将一维的振动信号映射成二维图像信息,将二维图像数据用于训练网络模型;其次,对应用过程中卷积神经网络的结构参数进行分析,选择较优的网络参数,得到对机械故障分类能力较强的卷积神经网络结构;实现了对不同负载不同转速复杂工况下的机械故障的准确识别与分类;卷积神经网络模型通过建立多层网络大大提高了神经网络的特征提取能力,克服了以往需要人工对大量信号处理技术的掌握以及对诊断经验的依赖,能够直接在原始的时域信号中通过学习的方式获取故障特征,从而做出诊断,实现在每小时TB级数据量的情况下故障特征的自适应提取与健康状况的智能诊断。
Description
技术领域
本发明属于大型旋转机械设备的智能诊断领域,具体涉及一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法。
背景技术
在机械领域,例如汽车齿轮箱、大型风电装备、航空发动机等诸多大型装备都在往高效、高精度、高速的方向发展。为了保证这些装备能够稳定安全地运行,往往都配有相应的故障检测系统。由于设备检测点较多、检测的时间长、检测点的采样频率高,检测系统获得了大量的设备数据,机械故障的诊断领域也逐渐走向大数据时代。例如山西某钢铁厂的一条热连轧钢板生产线每分钟产生的监测数据量就有10GB左右,在一条生产线上安装了各式各样的传感器达到500个左右。例如,某大型装备生产厂家的一套健康监测设备能够实时地监测上百台大型挖掘机和其他大型机械设备的运行状态和关键设备的运行数据,监测点有上万个,目前监测的数据量已经达到了900亿条左右。还有上汽汽车厂的所有汽车加工设备都配备有相应的健康检测装置,能够实时反映机械运行状态和健康状况,每小时产生的数量都达到了TB级别,总而言之当前机械领域的监测数据有如下特点:①快速性,档期机械设备越来越复杂,精密程度越来越高,牵一发而动全身,各个部分的联系愈加紧密,某一部分的微小故障可能就会引起整个设备的性能下降,因此快速地通过分析检测数据发现故障就显得尤为重要。②多样性,现如今机械的健康检测设备实时检测设备健康状态,数据十分复杂,包含了各种各样复杂的数据,因此人工分析十分困难。③容量大,数据量达到了TB级以上,人工分析则费时费力且力不从心。以信号处理技术为手段的现代设备诊断技术,对多故障同时发生和各种故障之间可能存在的相互联系及影响难以分析清楚。
发明内容
为了解决了现有技术中存在的问题,本发明公开了一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法,克服了以往需要人工对大量信号处理技术的掌握以及对诊断经验的依赖,能够直接在原始的时域信号中通过学习的方式获取故障特征,从而做出诊断,实现在每小时TB级数据量的情况下故障特征的自适应提取与健康状况的智能诊断。
为了实现上述目的,本发明采用的技术方案是,基于卷积神经网络的滚动轴承智能诊断模
型的建立方法,包括以下步骤:
步骤1,先采集研究对象的振动数据,再对数据进行预处理;
步骤2,根据步骤1所采集的数据设计卷积神经网络结构,生成训练集和测试集,并且将训练集数据用来训练网络模型;
步骤3,使用测试集验证步骤2建立模型的准确度,并获得诊断模型的准确率;
步骤4,根据步骤3测试集验证所得的准确率与目标要求的准确率进行比较,然后调整网络模型的结构参数,从而获得满足要求的网络模型。
步骤1中,先对所有采集到的振动数据进行归一化处理,使其数值在0到1之间;具体的归一化计算方法如下:
再将归一化后的一维数据数据处理成二维图像信息。
步骤1中,将每一列的振动数据按顺序排列,形成二维灰度图片,并对每张图片进行编号。
步骤2中,对需要诊断和预警的故障进行分类,建立与故障类型数目对应的子文件夹,每一种故障类型放到所对应的子文件夹中。
步骤2中,将每一个子文件夹中故障数据分为训练集和测试集,训练集的数据量大于测试集的数据量;对每个文件夹中的数据进行分类,具体通过以下步骤完成:
a)求数据集的平均值;
b)给每一张图片贴上标签;
c)设置训练集train和测试集test。
步骤b)中,按照故障分类对图片贴标签,属于同一类故障的贴同一个标签。
步骤2中首先把所有的数据生成imdb结构体,再将结构体输入到采用工具箱Misconvnect搭建的卷积神经网络中。
步骤3进行验证测试时,数据分为验证集和测试集,其中验证集进行模型的训练;测试集用来测试训练好的模型的分辩能力,在训练过程中测试模型的准确度。
步骤4中需要调整网络模型参数的情况包括三种:网络模型完全不收敛、网络模型部分收敛以及网络模型完全收敛;对于网络模型完全不收敛的情况,先检测数据是否存在问题,再检测是否为网络模型的错误;对于网络模型部分收敛和完全收敛的情况,直接调整网络模型的参数。
步骤4中对网络模型调整的内容有网络深度、过滤器的尺寸、过滤器的数量、训练回合次数、网络模型的学习速率或非线性程度。
与现有技术相比,本发明至少具有以下有益效果:通过将一维的振动数据映射生成二维图像,卷积神经网络作为深度学习算法的一种,在图像识别与分类方面有很好的性能,使用卷积神经网络进行轴承故障的识别与分类从而判断轴承故障的严重程度、故障位置和故障类型;卷积神经网络模型通过建立多层网络大大提高了神经网络的特征提取能力,克服了以往需要人工对大量信号处理技术的掌握以及对诊断经验的依赖,能够直接在原始的时域信号中通过学习的方式获取故障特征,从而做出诊断,实现在每小时TB级数据量的情况下故障特征的自适应提取与健康状况的智能诊断。
进一步的,Misconvect工具箱有许多的代码块并且能实现数据的可视化。
附图说明
图1为本发明的逻辑结构示意图。
图2为一维数据向二维数据映射方法示意图。
图3为实施例中随机抽取的故障图像。
图4为实施例中正常工况的图像。
图5实施例中产生不同故障的工况图像。
图6为实施例的网络模型训练结果图。
图7为实施例中的train和test文件夹下9个文件夹示意图。
具体实施方式
针对以信号处理技术为手段的现代设备诊断技术对多故障同时发生和各种故障之间可能存在的相互联系及影响难以分析的不足以及人工分析大数据的费时费力这些问题,本发明提出了一种基于卷积神经网络的故障诊断方法,通过将一维的振动数据映射生成二维图像,再使用卷积神经网络进行轴承故障的识别与分类从而判断轴承故障的严重程度、故障位置和故障类型;不但能避免将采集到的各种各样复杂大数据进行人工分析,省时省力,而且能够解决以信号处理技术为手段的现代设备诊断技术对多故障同时发生和各种故障之间可能存在的相互联系及影响难以分析清楚的不足。卷积神经网络作为深度学习算法的一种,具有强大的特征提取能力,而且在语音、图像识别与分类方面有很好的性能。
本发明的目的是提出一种基于深度学习理论的机械智能诊断系统,主要是用于旋转机械尤其是轴承的故障诊断与健康监测。
为达到上述目的,本发明提供的技术方案是:一种基于卷积神经网络的滚动轴承智能诊断模型的建立方法的设计方法,具体包括以下步骤:
步骤1,先采集研究对象的振动数据,并对数据预处理。
步骤2,根据所采集的数据设计卷积神经网络结构,并且将训练集数据用来训练网络模型。
步骤3,使用测试集来验证所建立模型的准确度并获得准确率。
步骤4,根据测试集验证所得的准确率与目标要求的准确率进行比较,然后去调整网络模
型的结构参数,从而获得一个较好的网络模型。
步骤1所述的对所采集的振动数据进行预处理是指将一维振动数据处理成二维图像信息,卷积神经网络主要是针对二维图形进行处理,所以在运用卷积神经网络进行故障诊断时将数据进行预处理。
步骤2要生成训练集和测试集,一般将机械设备的每一种故障的70%挑选出来作为训练集,将剩下的30%作为测试集。在本发明中采用matlab中的工具箱Misconvnect来搭建卷积神经网络,采用Misconvect搭建神经网络的原因是其有许多的代码块,并且能实现数据的可视化,而采用Misconvect搭建神经网络时,Misconvect对数据的处理要通过imdb结构体来完成,把所有的数据生成imdb结构体,这个步骤在程序文件getImdb.mat中,要完成的主要工作有:
a)求数据集的平均值。
b)给每一张图片贴上标签。
c)设置训练集train和测试集test。
由此设计出网络结构,并用大量数据对所设计的网络结构进行训练。
步骤3进行验证测试时,将数据分为验证集和测试集,步骤2中训练集通过梯度下降法学得深度学习每一层网络的权重和偏置参数,验证集通过匹配每一层网络的权重和偏置参数来建立一个分类器,学习样本数据,建立一种分类的方式,用来训练模型,测试集用来测试训练好的模型的分辩能力,在训练过程中测试模型的准确度。
步骤4进行调整网络模型参数,当网络模型没办法进行训练时或者网络模型可以训练,但是网络模型的分类能力没有达到要求,这时就需要进行网络模型参数的调整;调整参数的问题包括:完全不收敛、部分收敛和完全收敛(误差大)三种;
对于完全不收敛的情况,检测输入数据是否存在问题或者是因为错误的网络,导致网络模型无法学习;数据问题部分收敛的原因一种是网络模型的分类太简单导致没办法分类,就没办法学到正确的知识;另一种原因是网络模型的分类太复杂,以至于它学习数据中的每一个信息,甚至是错误的信息也进行学习;如果全部收敛,只调整网络模型参数,如学习率、训练回合或批尺寸(batch size)。
步骤4中,对于完全不收敛的情况,先检测数据是否存在问题,再检测是否为网络模型的错误;如果是数据集的错误,则重新检查数据集并获得正确的数据,数据集的数值异常,则通过使用zscore函数筛选数值,具体的,去掉因为实验故障采集到的异常数据;如果是网络模型的错误,则调整网络模型,具体有调整的内容有:网络深度、过滤器的尺寸、过滤器的数量、网络模型的学习速率或非线性程度。
对于网络模型部分收敛的情况,如果是部分收敛的欠拟合问题,采取增加网络的复杂度(深度)、降低学习速率、优化数据集、增加网络的非线性度或采用批量归一化的方法来解决;如果是部分收敛的过拟合问题,采用丰富数据、增加网络的稀疏度、降低网络的复杂度(深度)、添加Dropout、适当降低学习速率或适当减少训练回合次数来解决。
对于网络模型完全收敛时,使用单一变量控制法调整参数,保持其他参数不变,调整的参数有:学习速率、训练回合数、过滤器大小或过滤器数量。
下面结合附图以某轴承实验中心的轴承数据进行故障诊断为例来进一步阐述本发明。
本实施例中全部使用采样频率为48k的电机壳体驱动端振动数据,轴承外圈故障采用6点钟方向的数据。
步骤1、采集研究对象的振动数据,并对数据进行预处理。
步骤1中首先对所有采集到的振动数据进行归一化处理,使其数值在0到1之间;具体的归一化计算方法如下:
然后将归一化后的一维数据映射成二维数据,本发明采用的映射方法如图2所示,相比于其它方法,本方法能够较好的体现原始数据的特征。
将每一列的振动数据,按图示顺序排列,形成32*32灰度图片,每种故障类型用大约168万个振动数据生成1650张图片并对每张图片进行编号。
本发明中所提及的故障类型有正常、内圈轻微故障、内圈中度故障、内圈严重故障、外圈轻微故障、外圈中度故障、外圈严重故障、滚动体轻微故障、滚动体中度故障、滚动体严重故障,一共九种类型的故障。而每一种故障类型都对应4种不同的工况。
依据本发明中具体实施案例所采用的实验数据,工况1对应的电机转速为1792rmp,轴承所承受的负载为0;工况2对应的电机转速为1772rmp,轴承所承受的负载为746W;工况3对应的电机转速为1750rmp,轴承所承受的负载为1492w;工况4对应的电机转速为1730rmp,轴承所承受的负载为2238w;本实例中轴承所有可能的故障类型如表1所示。
表1本实例中轴承所有可能的故障类型统计表
如图3所示,在本具体实施例中随机抽取的100张故障图像,分别取正常情况的4种工况(如图4所示)和外圈故障的4种工况图像(如图5所示)进行比对,很显然,不同的故障生成的图片是不一样的,并且同一种故障在不同的工况下生成的图片也是不一样的,这就为故障诊断提取特征提供了条件。
步骤2、生成训练集和测试集,并设计网络结构。具体的,在train和test文件夹下分别建立9个子文件夹,文件夹名称为数字1~9,如图7所示,分别对应9种故障;9个文件夹里分别装着不同种类故障的文件,编号1文件夹对应内圈Ⅰ型故障,编号2文件对应滚动体Ⅰ型故障,编号3对应外圈Ⅰ型故障,编号4对应内圈Ⅱ型故障,编号5对应滚动体Ⅱ型故障,编号6对应外圈Ⅱ型故障,编号7对应内圈Ⅲ型故障,编号8对应滚动体Ⅲ型故障,编号9对应外圈Ⅲ型故障。
不同的是训练集的每个文件夹有1155张图片,测试集里的每个文件夹有495张图片,共14850张图片,即14850个样本,然后将所有的数据生成imdb结构体,完成的具体工作有:
步骤a)求数据集的平均值;
步骤b)给每一张图片贴上标签,例如正常状态的图片标签为1,内圈轻微故障为2,以此类推;贴标签时,在matlab中通过诸如one-hot的编码方式贴标签,建立类别标签向量,类别标签对应向量位置处的值为1,其它均为0,例如,标签1的one-hot编码是[1,0,0,0,0,0,0,0,0,0],标签6的one-hot编码是[0,0,0,0,0,1,0,0,0,0];
步骤c)设置训练集(train)和测试集(test)。
使用matlab打印所设计的网络结构表如下:
表2网络结构表
参数量为66万,一般来说参数量要与训练量相匹配,比训练量大,本实施案例中的参数量为训练量的60倍,为提高网络结构的冗余量,可以再增加轴承故障的种类,理论上还能再增加60种故障类型。
对步骤203所设计的网络进行训练,本发明的实施例中训练网络结构为8层,一共训练15次,学习速率为0.001。训练结果如图6所示,“val”是验证集,数据集的70%设为训练集,30%设置为测试集,其中训练集的一部分数据被用来作为验证集;图中“train”是训练误差的下降曲线,“val”是验证集误差的下降曲线,验证集是训练集的一部分,其中验证集通过匹配深度学习每一层网络的权重、偏置参数来建立一个分类器,并学习样本数据;建立一种分类的方式用来训练模型。
其中,“top1err”是“softmax”层输出的第一个结果判断错误的概率;“top5err”是“softmax”层输出的5个可能的分类结果全部错误的概率;一个“训练回合”相当于使用训练集中的全部样本训练一次,本实施例中共训练了15次,训练结果显示训练3次以后,top1err,top5err都降到了0,说明训练的效果非常好;本次测试一共产生15个分类结果或者说15个分类器,并且第15个分类器的分类效果最好。
步骤3、使用测试集来验证所建立模型的准确度并获得准确率。实施例中具体的测试方法为:在test文件夹里有9种故障类型,每种故障有495张图片,共4455个测试样本。调用步骤2所得net-epoch-15分类器,对所有的测试样本进行测试得出分类结果,分类结果信息包括故障严重程度、故障类型、故障位置,其中最终要求得到的分类准确率为100%。
步骤4、根据测试集验证所得的准确率与目标要求的准确率进行比较,然后微调网络结构参数,从而获得一个较好的网络模型。本实施例中具体的调参数内容如下:
现有的一些可调参数是业界普遍认可的,选用Relu作为激活函数,滤波器的个数为奇数,dropout取值0.05,而momentum选择0.9-0.95之间,weight decay取值0.005,以上数据取值是近几年本领域人员普遍采用的参数,也是大家认为能够训练出较优训练结果的参数选择。
若出现完全不收敛的情况,需要检测自己的数据是否存在问题,例如标签贴错,是否造成了网络模型无法学习到信息,还要防止数值过大或者过小破坏数据集的泛化性;
如果是数据集的错误,则必须重新检查数据集并获得正确的数据,数据集的数值异常,则可以通过使用zscore函数筛选数值,具体的,去掉因设备故障而采集到的异常数据,诸如传感器松动或急促噪声引发的数据异常现象;
如果是网络模型的错误,则调整网络模型,具体有调整的参数有:网络深度、滤波器的大小、数量、学习速率以及非线性程度。
若出现部分收敛,如果是部分收敛的欠拟合问题,采取增加网络的复杂度(深度)、降低l学习速率、优化数据集、增加网络的非线性度或采用批量归一化的方法来解决;如果是部分收敛的过拟合问题,采用丰富数据、增加网络的稀疏度、降低网络的复杂度(深度)、添加Dropout、适当降低学习速率或适当减少训练回合次数来解决。
若出现全部收敛,使用单一变量控制法,保持其他参数不变,只调整一个参数,这里需要调整的参数会有学习速率、训练回合、过滤器大小或过滤器数量。
本发明实施例中的训练量达到15000个样本,用来训练5000个样本的5层网络模型不适用,本发明将网络模型的深度增加到8层,达到了部分收敛的效果,但是分类的准确率只有16%;再通过调整学习速率,由0.01改为0.001,准确率就大幅度提高,达到了100%。
最后说明的是,以上的实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的技术方案的原理与范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,包括以下步骤:
步骤1,先采集研究对象的振动数据,再对数据进行预处理;
步骤2,根据步骤1所采集的数据设计卷积神经网络结构,生成训练集和测试集,并且将训练集数据用来训练网络模型;
步骤3,使用测试集验证步骤2建立模型的准确度,并获得诊断模型的准确率;
步骤4,根据步骤3测试集验证所得的准确率与目标要求的准确率进行比较,然后调整网络模型的结构和参数,从而获得满足要求的网络模型。
2.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤1中,先对所有采集到的振动数据进行归一化处理,使其数值在0到1之间;具体的归一化计算方法如下:
再将归一化后的一维数据数据处理成二维图像信息。
3.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤1中,将每一列的振动数据按顺序排列,形成二维灰度图片,并对每张图片进行编号。
4.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤2中,对需要诊断和预警的故障进行分类,建立与故障类型数目对应的子文件夹,每一种故障类型放到所对应的子文件夹中。
5.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤2中,将每一个子文件夹中故障数据分为训练集和测试集,训练集的数据量大于测试集的数据量;对每个文件夹中的数据进行分类,具体通过以下步骤完成:
a)求数据集的平均值;
b)给每一张图片贴上标签;
c)设置训练集train和测试集test。
6.根据权利要求5所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤b)中,按照故障分类对图片贴标签,属于同一类故障的贴同一个标签。
7.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤2中首先把所有的数据生成imdb结构体,再将结构体输入到采用工具箱Misconvnect搭建的卷积神经网络中。
8.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤3进行验证测试时,数据分为验证集和测试集,其中验证集进行模型的训练;测试集用来测试训练好的模型的分辩能力,在训练过程中测试模型的准确度。
9.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤4中对于网络模型完全不收敛的情况,先检测数据是否存在问题,再检测是否为网络模型的错误;对于网络模型部分收敛和完全收敛的情况,直接调整网络模型的参数。
10.根据权利要求1所述的基于卷积神经网络的滚动轴承智能诊断模型的建立方法,其特征在于,步骤4中对网络模型调整的参数有网络深度、过滤器的尺寸、过滤器的数量、训练回合次数、网络模型的学习速率或非线性程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810339956.2A CN108444708B (zh) | 2018-04-16 | 2018-04-16 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810339956.2A CN108444708B (zh) | 2018-04-16 | 2018-04-16 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108444708A true CN108444708A (zh) | 2018-08-24 |
CN108444708B CN108444708B (zh) | 2021-02-12 |
Family
ID=63200554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810339956.2A Active CN108444708B (zh) | 2018-04-16 | 2018-04-16 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108444708B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
CN109492091A (zh) * | 2018-09-28 | 2019-03-19 | 科大国创软件股份有限公司 | 一种基于卷积神经网络的投诉工单智能分类方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109725626A (zh) * | 2018-11-20 | 2019-05-07 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
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 |
CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN110210516A (zh) * | 2019-04-25 | 2019-09-06 | 合刃科技(武汉)有限公司 | 基于深度学习的机床异常识别方法、系统及终端设备 |
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 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
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 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
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 |
CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
CN111160652A (zh) * | 2019-12-31 | 2020-05-15 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
CN111444780A (zh) * | 2020-03-06 | 2020-07-24 | 同济大学 | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 |
CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
CN112668200A (zh) * | 2021-01-06 | 2021-04-16 | 西安理工大学 | 一种特种设备安全性分析的方法及系统 |
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN113158537A (zh) * | 2021-01-18 | 2021-07-23 | 中国航发湖南动力机械研究所 | 基于lstm结合注意力机制的航空发动机气路故障诊断方法 |
CN113432874A (zh) * | 2021-05-31 | 2021-09-24 | 西安理工大学 | 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法 |
CN113533945A (zh) * | 2021-06-30 | 2021-10-22 | 桂林电子科技大学 | 一种基于二维卷积神经网络的模拟电路故障诊断方法 |
CN115346034A (zh) * | 2022-10-17 | 2022-11-15 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
CN116433107A (zh) * | 2023-05-29 | 2023-07-14 | 四川多联实业有限公司 | 一种管材产品质量诊断系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN107526853A (zh) * | 2016-06-22 | 2017-12-29 | 北京航空航天大学 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
-
2018
- 2018-04-16 CN CN201810339956.2A patent/CN108444708B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107526853A (zh) * | 2016-06-22 | 2017-12-29 | 北京航空航天大学 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
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 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
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》 * |
韩涛等: "基于MWT和CNN的滚动轴承智能复合故障诊断方法", 《机械传动》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492091A (zh) * | 2018-09-28 | 2019-03-19 | 科大国创软件股份有限公司 | 一种基于卷积神经网络的投诉工单智能分类方法 |
CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
CN109725626A (zh) * | 2018-11-20 | 2019-05-07 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
CN109725626B (zh) * | 2018-11-20 | 2020-10-09 | 厦门大学 | 一种多旋翼无人机动力系统故障在线诊断系统及方法 |
CN109635677B (zh) * | 2018-11-23 | 2022-12-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
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 |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
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 |
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 |
CN111695582A (zh) * | 2019-04-10 | 2020-09-22 | 燕山大学 | 一种颤振纹理的检测方法及其装置 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110210516A (zh) * | 2019-04-25 | 2019-09-06 | 合刃科技(武汉)有限公司 | 基于深度学习的机床异常识别方法、系统及终端设备 |
CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
CN110210381A (zh) * | 2019-05-30 | 2019-09-06 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN110210381B (zh) * | 2019-05-30 | 2023-08-25 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN110361176B (zh) * | 2019-06-05 | 2021-11-19 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
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 |
CN110398348A (zh) * | 2019-06-18 | 2019-11-01 | 清华大学 | 存储器、高压断路器机械故障诊断方法和装置 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
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 |
CN110852154B (zh) * | 2019-09-29 | 2022-10-14 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
CN111160652A (zh) * | 2019-12-31 | 2020-05-15 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
CN111444780A (zh) * | 2020-03-06 | 2020-07-24 | 同济大学 | 一种基于深度稀疏降噪自编码网络的轴承故障诊断方法 |
CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
CN111709292B (zh) * | 2020-05-18 | 2023-05-26 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN112668200A (zh) * | 2021-01-06 | 2021-04-16 | 西安理工大学 | 一种特种设备安全性分析的方法及系统 |
CN112668200B (zh) * | 2021-01-06 | 2023-08-29 | 西安理工大学 | 一种特种设备安全性分析的方法及系统 |
CN113158537A (zh) * | 2021-01-18 | 2021-07-23 | 中国航发湖南动力机械研究所 | 基于lstm结合注意力机制的航空发动机气路故障诊断方法 |
CN113432874A (zh) * | 2021-05-31 | 2021-09-24 | 西安理工大学 | 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法 |
CN113533945A (zh) * | 2021-06-30 | 2021-10-22 | 桂林电子科技大学 | 一种基于二维卷积神经网络的模拟电路故障诊断方法 |
CN115346034A (zh) * | 2022-10-17 | 2022-11-15 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
CN115346034B (zh) * | 2022-10-17 | 2023-03-24 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
CN116433107A (zh) * | 2023-05-29 | 2023-07-14 | 四川多联实业有限公司 | 一种管材产品质量诊断系统 |
CN116433107B (zh) * | 2023-05-29 | 2023-08-15 | 四川多联实业有限公司 | 一种管材产品质量诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108444708B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444708A (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN110110768B (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 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN113400652B (zh) | 基于振动信号的3d打印机监测与诊断知识库装置、系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN103838229B (zh) | 电动汽车诊断方法和诊断装置 | |
CN106895975A (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN103291600B (zh) | 一种基于emd-ar和mts的液压泵故障诊断方法 | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN106271881B (zh) | 一种基于SAEs和K-means的刀具破损监测方法 | |
CN106482938A (zh) | 基于ga‑bp网络的液压制动系统多源融合故障预示方法 | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN110487547A (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN116740523A (zh) | 一种基于图像多层次融合卷积的回转支承故障诊断方法 | |
CN115456088A (zh) | 基于自编码器特征升维和多传感融合的电机故障分类方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 |
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 |