CN108647786A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108647786A CN108647786A CN201810749223.6A CN201810749223A CN108647786A CN 108647786 A CN108647786 A CN 108647786A CN 201810749223 A CN201810749223 A CN 201810749223A CN 108647786 A CN108647786 A CN 108647786A
- Authority
- CN
- China
- Prior art keywords
- network
- rotating machinery
- depth convolution
- data
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000004069 differentiation Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种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,属于机械设备故障监测领域。本发明将振动信号传感器安装在旋转机械上采集信号,生成离线训练集,模型训练阶段,用健康数据训练生成网络和判别网络,使两个网络达到纳什平衡,以平衡点作为判断阈值;在线检测阶段,将实时数据输入训练好的判别网络中,计算判别网络的输出指标,作为诊断依据,实现了旋转机械典型零部件轴承的在线故障监测;本发明能够在故障数据稀少、标签类别不足的情况下有效训练模型,同时采用卷积判别网络和反卷积生成网络组成的对抗生成网络能够在非平稳工况下自适应的过滤噪音的干扰,不依赖统人工经验和统计学假设,具备较高的泛化能力和鲁棒性。
Description
技术领域
本发明属于机械设备故障监测领域,特别涉及一种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。
背景技术
工程机械设备的发展水平直接关系到国家的综合实力、国际地位与核心竞争力,机械设备日趋向智能化和复杂化,轴承和齿轮等旋转机械的运行状态是否正常直接影响到整个大型机械设备的加工精度、运行可靠性及寿命等性能参数。开展旋转机械状态监测和故障诊断的研究是保证机械设备运行安全稳定的基础。随着工业生产的大型化、系统化和信息化,对关键部件旋转机械的安全运行要求越来越严格,将目前先进的测试技术用于旋转机械的故障诊断研究中将具有重要的意义。
当前旋转机械在线故障检测领域存在以下两个难点:1.基于故障特征提取和信号处理技术的故障诊断是故障特征提取的重要手段,通常认为振动信号包含了旋转机械设备大量的运行信息,因此可利用振动信号的时频域指标来评估检测设备的健康状态;而处于复杂工况下的机械设备的振动信号通常是非平稳状态,需要大量人工经验进行特征提取,同时,由于易收到噪声干扰,旋转机械设备的振动信号具有较低的信噪比;2.旋转机械在线检测中广泛存在信号样本不平衡和故障标签缺失的现象,由于设备出现重大故障时均会导致设备停止运行,难以收集设备故障信号、提取故障特征,同时标注样本标签需要耗费大量人力成本,导致故障样本少、正常样本多,有标签样本少、无标签样本多,使用传统数据驱动的方法难以有效的训练诊断模型。3.常见的无监督学习如自编码及其变体网络,以其重构误差的大小作为异常检测判据,但模型本身并不存在产生阈值的理论基础,阈值的选取依赖人工经验和大量统计学假设,且受实际研究对象响较大。
发明内容
为实现在低信噪比、非平稳工况下有效实施旋转机械在线故障检测,本发明提出了一种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,将振动信号传感器安装在旋转机械上采集运行振动信号,将收集到的数据输入离线数据库,模型训练阶段,用健康数据训练对抗网络的生成网络和判别网络,使两个网络达到纳什平衡,以平衡点作为判断阈值;在线检测阶段,将光纤载荷数据输入训练好的判别网络中,计算判别网络的输出指标,以此作为诊断依据;在复杂工况条件下实现旋转机械典型零部件轴承的在线故障监测,具备较高的泛化能力和鲁棒性。
一种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,包括以下步骤:
步骤1,通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据;
步骤2,建立深度卷积对抗神经网络,所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器;
步骤3,输入所述历史运行数据对所述深度卷积对抗神经网络进行训练,直到所述深度卷积对抗神经网络达到纳什平衡;
步骤4,保存训练好的所述深度卷积对抗神经网络中的判别网络参数;
步骤5,所述振动信号传感器在线采集所述旋转机械的在线运行数据,将所述在线运行数据输入至训练好的判别网络中;
步骤6,基于所述判别网络的输出,对所述旋转机械的运行状态做出判断,得到所述旋转机械的运行状态结果。
进一步地,所述生成网络由反卷积层构成;所述判别网络由卷积层和全连接层构成;所述随机噪声生成器产生与输入数据同纬度的高斯分布信号。
进一步地,所述步骤3包括以下流程:
为了学习所述生成网络关于历史运行数据x上的分布pg,历史运行数据的 x分布为pdata,pz(z)为输入高斯噪声的先验变量,D(x)为x来源于历史运行数据分布的概率,G(z)为噪声z到历史运行数据空间的映射;
训练所述判别网络时,网络优化目标为
训练所述生成网络时,网络优化目标为
当所述深度卷积对抗神经网络训练达到纳什平衡时,所述生成网络生成与历史运行数据同分布的数据,pg=pdata,此时
对于历史运行数据同分布的数据x′,D(x′)的输出在波动,以此作为平衡点。
进一步地,所述判别网络采用SDG优化算法。
进一步地,所述生成网络采用ADAM算法。
进一步地,步骤6包括以下流程:
步骤61,判断所述判别网络的输出是否偏离平衡点;
步骤62,若所述判别网络的输出偏离了平衡点,表示所述旋转机械处于故障状态;
步骤63,若所述判别网络的输出未偏离平衡点,表示所述旋转机械处于健康状态。
本发明的有益效果:本发明提供了一种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,本发明采用无监督学习算法,能够在故障数据稀少、标签类别不足的情况下有效训练模型,同时本发明采用卷积判别网络和反卷积生成网络组成的对抗生成网络能够在非平稳工况下自适应的过滤噪音的干扰,学习到更为鲁棒性的特征;最后,本发明选用的深度卷积对抗网络训练达到平衡时,判别网络对和训练集同分布的数据的输出均在纳什平衡点附近波动,相比自编码器系列网络,存在理论阈值的判定条件,不依赖统人工经验和统计学假设。
附图说明
图1为本发明实施例的流程图。
图2为深度卷积对抗神经网络结构示意图。
图3为判别网络和生成网络参数结构示意图。
图4为图1中步骤6的流程图。
图5为变转速情况下正常轴承振动信号。
图6为变转速情况下故障轴承振动信号。
图7为转速变化图。
图8为判别网络和生成网络训练过程中损失函数变化图。
图9为判别网络输出示意图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1,本发明提出的一种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,通过以下步骤实现:
步骤1,通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据。
本实施例中,振动信号传感器安装在旋转机械上采集运行振动信号,该步骤中采集的为健康的旋转机械正常运行的历史健康数据,将收集到的数据作为离线数据训练集。对原始数据进行滑动平移窗切片处理,切片点数为4096,滑动步距为2048。
步骤2,建立深度卷积对抗神经网络,所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器。
请参阅图2,建立深度卷积对抗神经网络如图所示,生成网络由反卷积层构成,判别网络由卷积层和全连接层构成,随机噪声生成器产生与输入数据同纬度的高斯分布信号。
请参阅图3,判别网络和生成网络的各项详细参数具体如图所示。
步骤3,输入所述历史运行数据对所述深度卷积对抗神经网络进行训练,直到所述深度卷积对抗神经网络达到纳什平衡。
本实施例中,观测步骤2中模型生成网络和判别网络损失函数的分布情况,直到网络达到纳什平衡,固化对抗网络中的判别网络参数,将其作为故障监测依据,具体为:
为了学习所述生成网络关于历史运行数据x上的分布pg,历史运行数据的 x分布为pdata,pz(z)为输入高斯噪声的先验变量,D(x)为x来源于历史运行数据分布的概率,G(z)为噪声z到历史运行数据空间的映射;
训练所述判别网络时,网络优化目标为
训练所述生成网络时,网络优化目标为
当所述深度卷积对抗神经网络训练达到纳什平衡时,所述生成网络生成与历史运行数据同分布的数据,即pg=pdata,此时
对于历史运行数据同分布的数据x′,D(x′)的输出在附近波动,以此平衡点作为在线故障监测的依据。
本实施例中,为保证网络训练过程中没有信息丢失,卷积层和反卷积层之间不添加池化层;由于在非平稳工况下采集到的信号信噪比低,为使网络训练更稳定,对判别网络采用SGD优化算法,生成网络采用ADAM算法。
步骤4,保存训练好的所述深度卷积对抗神经网络中的判别网络参数。
本实施例中,提取并保存训练好的判别网络参数。
步骤5,所述振动信号传感器在线采集所述旋转机械的在线运行数据,将所述在线运行数据输入至训练好的判别网络中。
本实施例中,将振动信号传感器在线采集到的在线运行数据输入到训练好的判别网络中,进行旋转机械状态的在线检测。
步骤6,基于所述判别网络的输出,对所述旋转机械的运行状态做出判断,得到所述旋转机械的运行状态结果。
请参阅图4,步骤6通过以下流程实现:
步骤61,判断所述判别网络的输出是否偏离平衡点。
本实施例中,平衡点作为在线故障监测的依据。
步骤62,若所述判别网络的输出偏离了平衡点,表示所述旋转机械处于故障状态。
步骤63,若所述判别网络的输出在平衡点附近,表示所述旋转机械处于健康状态。
具体的,为验证本发明算法可行性,进行如下实验:
在变转速工况下,本实验中健康状态轴承振动信号为hdata,如图5所示;故障状态轴承振动信号为fdata,如图6所示;实验中转子转速的变化如图7所示;使用中前10%作为训练集对网络进行训练,判别网络和生成网络的损失函数变换如图8所示;以中未训练数据和作为测试集,输入至训练好的判别网络中,输出如图9所示,可以观察到故障数据对应的判别网路输出明显偏离平衡点,实现了对旋转机械典型零部件轴承的故障监测。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种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,其特征在于,包括以下步骤:
步骤1,通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据;
步骤2,建立深度卷积对抗神经网络,所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器;
步骤3,输入所述历史运行数据对所述深度卷积对抗神经网络进行训练,直到所述深度卷积对抗神经网络达到纳什平衡;
步骤4,保存训练好的所述深度卷积对抗神经网络中的判别网络参数;
步骤5,所述振动信号传感器在线采集所述旋转机械的在线运行数据,将所述在线运行数据输入至训练好的判别网络中;
步骤6,基于所述判别网络的输出,对所述旋转机械的运行状态做出判断,得到所述旋转机械的运行状态结果。
2.如权利要求1所述的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,其特征在于,所述生成网络由反卷积层构成;所述判别网络由卷积层和全连接层构成;所述随机噪声生成器产生与输入数据同纬度的高斯分布信号。
3.如权利要求1所述的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,其特征在于,所述步骤3包括以下流程:
为了学习所述生成网络关于历史运行数据x上的分布pg,历史运行数据的x分布为pdata,pz(z)为输入高斯噪声的先验变量,D(x)为x来源于历史运行数据分布的概率,G(z)为噪声z到历史运行数据空间的映射;
训练所述判别网络时,网络优化目标为
训练所述生成网络时,网络优化目标为
当所述深度卷积对抗神经网络训练达到纳什平衡时,所述生成网络生成与历史运行数据同分布的数据,pg=pdata,此时
对于历史运行数据同分布的数据x′,D(x′)的输出在波动,以此作为平衡点。
4.如权利要求3所述的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,其特征在于,所述判别网络采用SDG优化算法。
5.如权利要求3所述的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,其特征在于,所述生成网络采用ADAM算法。
6.如权利要求3所述的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,其特征在于,步骤6包括以下流程:
步骤61,判断所述判别网络的输出是否偏离平衡点;
步骤62,若所述判别网络的输出偏离了平衡点,表示所述旋转机械处于故障状态;
步骤63,若所述判别网络的输出未偏离平衡点,表示所述旋转机械处于健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810749223.6A CN108647786B (zh) | 2018-07-10 | 2018-07-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810749223.6A CN108647786B (zh) | 2018-07-10 | 2018-07-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647786A true CN108647786A (zh) | 2018-10-12 |
CN108647786B CN108647786B (zh) | 2021-11-30 |
Family
ID=63751440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810749223.6A Expired - Fee Related CN108647786B (zh) | 2018-07-10 | 2018-07-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647786B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508740A (zh) * | 2018-11-09 | 2019-03-22 | 郑州轻工业学院 | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 |
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 |
CN109670459A (zh) * | 2018-12-20 | 2019-04-23 | 南京航空航天大学 | 直升机主减速器故障样本生成方法 |
CN110060368A (zh) * | 2019-04-22 | 2019-07-26 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
CN114684217A (zh) * | 2022-03-16 | 2022-07-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
CN114970598A (zh) * | 2022-02-24 | 2022-08-30 | 清华大学 | 机械健康状态监测方法及装置 |
CN117574114A (zh) * | 2024-01-15 | 2024-02-20 | 安徽农业大学 | 一种旋转机械运行数据远程重建与跳变扰动检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576014A (zh) * | 2008-05-06 | 2009-11-11 | 华夏龙晖(北京)汽车电子科技有限公司 | 一种发动机故障的处理方法 |
CN102374936A (zh) * | 2010-08-23 | 2012-03-14 | 太原理工大学 | 一种基于复杂免疫网络算法的机械故障诊断方法 |
US20120166886A1 (en) * | 2010-12-27 | 2012-06-28 | Netapp | Non-disruptive failover of rdma connection |
CN105046092A (zh) * | 2015-08-20 | 2015-11-11 | 中国人民解放军空军勤务学院 | 基于主元核相似度免疫机制的航空发动机故障诊断方法 |
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 |
US20170110999A1 (en) * | 2014-04-17 | 2017-04-20 | Aisin Aw Co., Ltd. | Rotary electric machine control device |
CN106599564A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于免疫学习的多智能体燃气管道的故障监测及自愈方法 |
CN107293289A (zh) * | 2017-06-13 | 2017-10-24 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
AU2017101168A4 (en) * | 2017-08-25 | 2017-11-02 | Guan, Zijin MR | A method of testing the robustness of cryptographickey |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
CN108009058A (zh) * | 2017-11-17 | 2018-05-08 | 阿里巴巴集团控股有限公司 | 异常设备识别方法及装置和电子设备 |
CN108021881A (zh) * | 2017-12-01 | 2018-05-11 | 腾讯数码(天津)有限公司 | 一种肤色分割方法、装置和存储介质 |
CN108170649A (zh) * | 2018-01-26 | 2018-06-15 | 广东工业大学 | 一种基于dcgan深度网络的汉字字库生成方法及装置 |
US20180168488A1 (en) * | 2016-12-15 | 2018-06-21 | Progenity Inc. | Ingestible device and associated methods |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231672A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 基于改进型bp神经网络的模拟电路软故障诊断方法 |
US10357210B2 (en) * | 2015-02-04 | 2019-07-23 | Proprius Technologies S.A.R.L. | Determining health change of a user with neuro and neuro-mechanical fingerprints |
CN106326929B (zh) * | 2016-08-24 | 2019-08-02 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
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 |
-
2018
- 2018-07-10 CN CN201810749223.6A patent/CN108647786B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101576014A (zh) * | 2008-05-06 | 2009-11-11 | 华夏龙晖(北京)汽车电子科技有限公司 | 一种发动机故障的处理方法 |
CN102374936A (zh) * | 2010-08-23 | 2012-03-14 | 太原理工大学 | 一种基于复杂免疫网络算法的机械故障诊断方法 |
US20120166886A1 (en) * | 2010-12-27 | 2012-06-28 | Netapp | Non-disruptive failover of rdma connection |
US20170110999A1 (en) * | 2014-04-17 | 2017-04-20 | Aisin Aw Co., Ltd. | Rotary electric machine control device |
CN105046092A (zh) * | 2015-08-20 | 2015-11-11 | 中国人民解放军空军勤务学院 | 基于主元核相似度免疫机制的航空发动机故障诊断方法 |
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 |
CN106599564A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于免疫学习的多智能体燃气管道的故障监测及自愈方法 |
US20180168488A1 (en) * | 2016-12-15 | 2018-06-21 | Progenity Inc. | Ingestible device and associated methods |
CN107293289A (zh) * | 2017-06-13 | 2017-10-24 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
AU2017101168A4 (en) * | 2017-08-25 | 2017-11-02 | Guan, Zijin MR | A method of testing the robustness of cryptographickey |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN108009058A (zh) * | 2017-11-17 | 2018-05-08 | 阿里巴巴集团控股有限公司 | 异常设备识别方法及装置和电子设备 |
CN108021881A (zh) * | 2017-12-01 | 2018-05-11 | 腾讯数码(天津)有限公司 | 一种肤色分割方法、装置和存储介质 |
CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
CN108170649A (zh) * | 2018-01-26 | 2018-06-15 | 广东工业大学 | 一种基于dcgan深度网络的汉字字库生成方法及装置 |
Non-Patent Citations (5)
Title |
---|
ALEC RADFORD 等: ""UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS"", 《ICLR》 * |
GEORGE SEIF: ""Deep Learning for Image Recognition: why it’s challenging, where we’ve been, and what’s next "", 《TOWARDS DATA SCIENCE》 * |
ZHANG W 等: ""Fault State Recognition of Rolling Bearing Based Fully Convolutional Network"", 《IEEE》 * |
樊雷: ""一种基于TensorFlow的DCGAN模型实现"", 《电脑知识与技术》 * |
洪洋等: ""深度卷积对抗生成网络综述"", 《第18届中国系统仿真技术及其应用学术年会》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508740A (zh) * | 2018-11-09 | 2019-03-22 | 郑州轻工业学院 | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 |
CN109508740B (zh) * | 2018-11-09 | 2019-08-13 | 郑州轻工业学院 | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 |
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 |
CN109670459A (zh) * | 2018-12-20 | 2019-04-23 | 南京航空航天大学 | 直升机主减速器故障样本生成方法 |
CN110060368A (zh) * | 2019-04-22 | 2019-07-26 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
CN110060368B (zh) * | 2019-04-22 | 2020-03-10 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
CN114970598A (zh) * | 2022-02-24 | 2022-08-30 | 清华大学 | 机械健康状态监测方法及装置 |
CN114970598B (zh) * | 2022-02-24 | 2024-04-30 | 清华大学 | 机械健康状态监测方法及装置 |
CN114684217A (zh) * | 2022-03-16 | 2022-07-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
CN114684217B (zh) * | 2022-03-16 | 2024-03-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
CN117574114A (zh) * | 2024-01-15 | 2024-02-20 | 安徽农业大学 | 一种旋转机械运行数据远程重建与跳变扰动检测方法 |
CN117574114B (zh) * | 2024-01-15 | 2024-04-19 | 安徽农业大学 | 一种旋转机械运行数据远程重建与跳变扰动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647786B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647786A (zh) | 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 | |
Cho et al. | Fault detection and diagnosis of a blade pitch system in a floating wind turbine based on Kalman filters and artificial neural networks | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
Biswal et al. | Design and development of a wind turbine test rig for condition monitoring studies | |
CN107728059B (zh) | 一种变桨系统状态评估方法 | |
Gowid et al. | A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
Ghane et al. | Statistical fault diagnosis of wind turbine drivetrain applied to a 5MW floating wind turbine | |
CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
Du et al. | A SCADA data based anomaly detection method for wind turbines | |
Zhu et al. | Operational state assessment of wind turbine gearbox based on long short-term memory networks and fuzzy synthesis | |
CN109595130A (zh) | 一种风机叶片结冰故障预测方法及系统 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN113468728B (zh) | 一种基于神经网络的变桨系统故障预测方法 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
CN110705581A (zh) | 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法 | |
CN113848347A (zh) | 一种风力发电机测风仪健康状态检测方法 | |
Mana et al. | Wind turbine fault diagnosis through temperature analysis: an Artificial Neural Network approach | |
Shaheen et al. | Fault detection of a wind turbine's gearbox, based on power curve modeling and an on-line statistical change detection algorithm | |
Tingting et al. | Early warning method for power station auxiliary failure considering large-scale operating conditions | |
Zhang et al. | An unsupervised anomaly detection approach based on industrial big data | |
Li et al. | Fault diagnosis for machinery based on feature selection and probabilistic neural network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |