CN108710891A - 基于感知哈希的循环平稳信号降维、识别方法及系统 - Google Patents
基于感知哈希的循环平稳信号降维、识别方法及系统 Download PDFInfo
- Publication number
- CN108710891A CN108710891A CN201810289006.3A CN201810289006A CN108710891A CN 108710891 A CN108710891 A CN 108710891A CN 201810289006 A CN201810289006 A CN 201810289006A CN 108710891 A CN108710891 A CN 108710891A
- Authority
- CN
- China
- Prior art keywords
- cyclo
- stationary signal
- basic function
- equipment state
- detected
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于感知哈希的循环平稳信号降维、识别方法及系统,基于字典学习算法从每个设备状态的已知循环平稳信号提取基函数构成设备状态字典,将所有设备状态的所有基函数进行合并,得到设备状态冗余字典;基于稀疏编码方法利用设备状态冗余字典对待检测循环平稳信号进行稀疏分解,得到待检测循环平稳信号的稀疏表示;基于待检测循环平稳信号的稀疏表示计算设备状态冗余字典中基函数的激活特征向量;将基函数的激活特征向量被转换为二进制序列;将得到的二进制序列转化为整型数值,作为待检测循环平稳信号的设备状态哈希码。提取信号中的设备状态信息,降低所传送数据的维度,减少对网络带宽资源的占用,提高设备状态监测的经济性和安全性。
Description
技术领域
本发明涉及设备状态监测与故障诊断领域,特别是涉及基于感知哈希的循环平稳信号降维、识别方法及系统。
背景技术
循环平稳信号是设备状态监测中最常见的信号,特别是对于基于振动的旋转机械或往复机械设备状态监测中,振动信号中循环平稳特性的出现往往昭示着某种异常设备状态的存在,对于机械设备故障诊断具有重要参考意义。这种循环平稳特性通常表现为平稳振动信号中周期出现冲击脉冲的形式。究其原因,这是因为零部件内部损伤对零部件之间的相对运动形成障碍,从而导致周期性振动脉冲的出现。但循环平稳信号往往具有采样频率高,数据量大的特点,这就使得设备状态监测过程中,数据的传输所消耗的网络带宽较大,数据的存储将占用较大存储资源,而相关数据的处理对计算资源的需求也会随着监测数据的累积而急剧攀升。
设备状态监测过程中的实际情况是,在异常设备状态出现前,监测信号较为平稳;而在异常设备状态出现后,监测信号呈现循环平稳特性。总之,在一定设备状态下,在一定时间段内所监测信号的数据冗余度较大,但所传递的设备状态信息却较为稳定。因此,如果能够有效提取设备状态信息,同时降低数据维度,将极大提高设备状态监测系统的运行效率。
发明内容
本发明主要解决的技术问题是提供一种基于感知哈希的循环平稳信号降维、识别方法及系统,能够降低设备状态监测过程中所传输数据的维度,同时提取设备状态信息,便于设备状态识别建模。
为解决上述技术问题,本发明采用的第一个方面是:
基于感知哈希的循环平稳信号降维方法,包括以下步骤:
步骤(1):基于字典学习算法从每个设备状态下的已知循环平稳信号中提取基函数构成设备状态字典,将所有设备状态下的所有基函数进行合并,得到设备状态冗余字典;
步骤(2):基于稀疏编码方法利用设备状态冗余字典对待检测循环平稳信号进行稀疏分解,以所有基函数的系数作为待检测循环平稳信号的稀疏表示;
步骤(3):基于待检测循环平稳信号的稀疏表示计算设备状态冗余字典中基函数的激活特征向量;
步骤(4):设定基函数的激活特征向量元素的阈值,如果基函数的激活特征向量元素大于或等于阈值,则元素值设为1,否则,元素值设为0,则基函数的激活特征向量被转换为二进制序列;
步骤(5):将步骤(4)得到的二进制序列转化为整型数值,作为待检测循环平稳信号的设备状态哈希码。
所述步骤(3)是指,以基函数的系数为元素计算每个基函数的统计特征参数,从而构造出包含所有基函数统计特性参数的激活特征向量。
所述统计特征参数,包括:基函数系数的非零个数或基函数系数的平方和。
为解决上述技术问题,本发明采用的第二个方面是:
基于感知哈希的循环平稳信号降维系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时完成上述任一方法所述的步骤。
为解决上述技术问题,本发明采用的第三个方面是:
基于感知哈希的循环平稳信号识别方法,包括以下步骤:
步骤(1):基于字典学习算法从每个设备状态下的已知循环平稳信号中提取基函数构成设备状态字典,将所有设备状态下的所有基函数进行合并,得到设备状态冗余字典;
步骤(2):基于稀疏编码方法利用设备状态冗余字典对待检测循环平稳信号进行稀疏分解,以所有基函数的系数作为待检测循环平稳信号的稀疏表示;
步骤(3):基于待检测循环平稳信号的稀疏表示计算设备状态冗余字典中基函数的激活特征向量;
步骤(4):设定基函数的激活特征向量元素的阈值,如果基函数的激活特征向量元素大于或等于阈值,则元素值设为1,否则,元素值设为0,则基函数的激活特征向量被转换为二进制序列;
步骤(5):将步骤(4)得到的二进制序列转化为整型数值,作为待检测循环平稳信号的设备状态哈希码;
步骤(6):计算待检测循环平稳信号的设备状态哈希码与每个已知循环平稳信号的设备状态哈希码之间的汉明距离,距离最近的已知循环平稳信号的设备状态哈希码所对应的设备状态即为待检测循环平稳信号的设备状态哈希码对应的设备状态。
所述步骤(6)替换为:设计分类器,利用已知循环平稳信号的设备状态哈希码对分类器进行训练,得到训练好的分类器,将待检测循环平稳信号的设备状态哈希码输入到训练好的分类器中,输出待检测循环平稳信号对应的设备状态。
所述步骤(3)是指,以基函数的系数为元素计算每个基函数的统计特征参数,从而构造出包含所有基函数统计特性参数的激活特征向量。
所述统计特征参数,包括:基函数系数的非零个数或基函数系数的平方和。
为解决上述技术问题,本发明采用的第四个方面是:
基于感知哈希的循环平稳信号识别系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时完成上述任一方法所述的步骤。
本发明的有益效果是:本发明通过基于稀疏编码的循环平稳信号感知哈希方法的应用,有效提取信号中的设备状态信息,同时降低所传送数据的维度,从而减少对网络带宽、存储资源、计算资源的占用,提高设备状态监测的经济性和安全性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明一种基于稀疏编码的循环平稳信号感知哈希方法的流程图;
图2是轴承振动测试试验台示意图;
图3是在载荷为0hp四种轴承状态下测得振动信号样本;
图4(a)-图4(d)是在载荷为0hp四种轴承状态下振动信号基函数学习所得结果;
图5是外圈故障条件下振动信号的稀疏表示;
图6是基于平方和计算所得基函数的激活特征向量结果;
图7是载荷为0hp时四种轴承状态下振动信号的感知哈希码;
图8是载荷为1hp时四种轴承状态下振动信号的感知哈希码;
图9是载荷为2hp时四种轴承状态下振动信号的感知哈希码;
图10是载荷为3hp时四种轴承状态下振动信号的感知哈希码;
图11是基于计算所得设备状态哈希码的轴承状态识别结果。
附图中各部件的标记如下:1电动机,2轴承,3振动传感器,4扭矩变送器,5测力计。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明如图1所示,实施例1
基于感知哈希的循环平稳信号降维方法,包括以下步骤:
步骤(1):基于字典学习算法从每个设备状态下的已知循环平稳信号中提取基函数dk构成设备状态字典D=[d1,d2,…,dN],将所有设备状态下的所有基函数进行合并,得到设备状态冗余字典
其中,dk表示第k个基函数;dN表示第N个基函数;dMN表示第M*N个基函数;
D1表示第1个设备状态字典;D2表示第2个设备状态字典;DM表示第M个设备状态字典;
步骤(2):基于稀疏编码方法利用设备状态冗余字典对待检测循环平稳信号x进行稀疏分解以所有基函数的系数作为待检测循环平稳信号的稀疏表示sk表示第k个基函数的系数;sMN表示第M*N个基函数的系数;
步骤(3):基于待检测循环平稳信号的稀疏表示计算设备状态冗余字典中基函数的激活特征向量aMN表示第M*N个基函数的激活特征向量;
步骤(4):设定基函数的激活特征向量元素的阈值,如果基函数的激活特征向量元素大于或等于阈值,则元素值设为1,否则,元素值设为0,则基函数的激活特征向量被转换为二进制序列;
步骤(5):将步骤(4)得到的二进制序列转化为整型数值,作为待检测循环平稳信号的设备状态哈希码。
所述步骤(3)是指,以基函数的系数sk为元素计算每个基函数的统计特征参数ak,从而构造出包含所有基函数统计特性参数的激活特征向量。
所述统计特征参数,包括:基函数系数的非零个数ak=∑[(ski≠0)→1]或平方和
实施例2
本实施例为了说明本发明的具体实施步骤与有益效果,以美国凯斯西储大学的权威轴承振动数据作为具体实施例。轴承振动数据采集于一个专门设计的轴承振动试验台,如图2所示。试验台左侧是一个2hp电动机1,中间是一个扭矩变送器4,用于扭矩测量,右侧连接一个测力计5作为负载。本实施例所诊断轴承为发动机驱动端电机回转支撑轴承2,型号为6205-2RSJEMSKF,在轴承上方设置振动传感器3。本实验设计了0hp、1hp、2hp、3hp四种载荷条件以模拟轴承不同的工况,并通过电火花加工的方式分别在轴承内圈、外圈、滚动体上加工了尺寸为0.007in的损伤以模拟不同的轴承故障。图3是在设定载荷为0hp时在正常状态以及三种故障状态下采集到的振动信号样本。从时域波形可以看到,轴承在内圈与外圈故障状态下具有明显的循环平稳特性。
基于以上实例,以振动信号作为循环平稳信号进行本发明方法的说明。
第一步,以以载荷为0hp条件下从四种轴承状态下采集的部分振动信号作为已知循环平稳信号进行基函数学习,分别得到:从正常轴承状态下振动信号进行基函数学习所得基函数字典D0、从内圈故障轴承状态下振动信号进行基函数学习所得基函数字典D1、从滚动体故障轴承状态下振动信号进行基函数学习所得基函数字典D2、从外圈故障轴承状态下振动信号进行基函数学习所得基函数字典D3,如图4(a)-图4(d)所示。然后,对所有学习得到的基函数进行合并处理以构造设备状态冗余字典D=[D0,D1,D2,D3]。
第二步:基于设备状态冗余字典对所监测循环平稳信号进行稀疏分解,获取所监测循环平稳信号的稀疏表示。图5是基于设备状态冗余字典D对载荷为0hp的外圈故障状态下振动信号进行稀疏分解所得到的稀疏表示,从图中可以看出,在所有基函数中,隶属于基函数字典D4的基函数主要被激活用于重构原振动信号。
第三步:计算设备状态冗余字典中基函数的激活特征向量。图6是载荷为0hp的四种轴承状态下未用于基函数学习的振动信号进行稀疏分解,并分解计算各个基函数的平方和所构造的基函数激活特征向量瀑布图。从图中可以看出,对于每一种轴承状态下的振动信号,其稀疏分解过程中,对应的学习所得基函数主要用于激活用于重构原信号。
第四步:设定基函数的激活特征值阈值0.02,如果图6中基函数的激活特征向量中基函数的激活特征值大于或等于该阈值则设为1,反之设为0,得到图6对应的设备状态哈希码如图7所示。图中灰色点代表数值1,白色点代表数值0,每一列为一个振动信号样本经本发明方法计算所得设备状态哈希码。同样,基于设备状态冗余字典D重复第二步至第四步计算可得载荷为1hp、2hp与3hp条件下的振动信号的设备状态哈希码分别如图8、图9、图10所示。
第五步:将第四步计算结果进行二进制编码,获取所监测循环平稳信号的设状态哈希码。如图7至图10所示,图中每一列为40个元素构成的设备状态哈希码,按照二进制编码所生成的设备状态哈希码只需要5个字节的数据空间。而如果传送或存储原始振动信号,按照4个字节的浮点数编码,图3中所示每一个1024点组成的振动信号则需占用4096个字节。可以看出,设备状态哈希码的数据维度大大降低。
设备状态哈希码能够通过包括但不限于汉明距离在内的距离函数对设备状态相似性测度进行量化。在本实施例中,以汉明距离对设备状态哈希码所代表的设备状态相似性进行度量,以用于基函数学习的载荷0hp条件下的四种轴承状态下振动信号所得的设备状态哈希码为训练集,分别以图7至图10所得设备状态哈希码为测试集进行轴承状态识别。在此采用最近邻分类法进行分类识别,结果如图11所示。从识别结果可以看出,基于设备状态哈希码能够有效识别设备状态,同时可以克服载荷变化对设备状态识别结果的影响。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.基于感知哈希的循环平稳信号降维方法,其特征是,包括以下步骤:
步骤(1):基于字典学习算法从每个设备状态下的已知循环平稳信号中提取基函数构成设备状态字典,将所有设备状态下的所有基函数进行合并,得到设备状态冗余字典;
步骤(2):基于稀疏编码方法利用设备状态冗余字典对待检测循环平稳信号进行稀疏分解,以所有基函数的系数作为待检测循环平稳信号的稀疏表示;
步骤(3):基于待检测循环平稳信号的稀疏表示计算设备状态冗余字典中基函数的激活特征向量;
步骤(4):设定基函数的激活特征向量元素的阈值,如果基函数的激活特征向量元素大于或等于阈值,则元素值设为1,否则,元素值设为0,则基函数的激活特征向量被转换为二进制序列;
步骤(5):将步骤(4)得到的二进制序列转化为整型数值,作为待检测循环平稳信号的设备状态哈希码。
2.如权利要求1所述的基于感知哈希的循环平稳信号降维方法,其特征是,所述步骤(3)是指,以基函数的系数为元素计算每个基函数的统计特征参数,从而构造出包含所有基函数统计特性参数的激活特征向量。
3.如权利要求2所述的基于感知哈希的循环平稳信号降维方法,其特征是,所述统计特征参数,包括:基函数系数的非零个数或基函数系数的平方和。
4.基于感知哈希的循环平稳信号降维系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时完成上述任一权利要求1-3所述方法的步骤。
5.基于感知哈希的循环平稳信号识别方法,其特征是,包括以下步骤:
步骤(1):基于字典学习算法从每个设备状态下的已知循环平稳信号中提取基函数构成设备状态字典,将所有设备状态下的所有基函数进行合并,得到设备状态冗余字典;
步骤(2):基于稀疏编码方法利用设备状态冗余字典对待检测循环平稳信号进行稀疏分解,以所有基函数的系数作为待检测循环平稳信号的稀疏表示;
步骤(3):基于待检测循环平稳信号的稀疏表示计算设备状态冗余字典中基函数的激活特征向量;
步骤(4):设定基函数的激活特征向量元素的阈值,如果基函数的激活特征向量元素大于或等于阈值,则元素值设为1,否则,元素值设为0,则基函数的激活特征向量被转换为二进制序列;
步骤(5):将步骤(4)得到的二进制序列转化为整型数值,作为待检测循环平稳信号的设备状态哈希码;
步骤(6):计算待检测循环平稳信号的设备状态哈希码与每个已知循环平稳信号的设备状态哈希码之间的汉明距离,距离最近的已知循环平稳信号的设备状态哈希码所对应的设备状态即为待检测循环平稳信号的设备状态哈希码对应的设备状态。
6.如权利要求5所述的基于感知哈希的循环平稳信号识别方法,其特征是,所述步骤(6)替换为:设计分类器,利用已知循环平稳信号的设备状态哈希码对分类器进行训练,得到训练好的分类器,将待检测循环平稳信号的设备状态哈希码输入到训练好的分类器中,输出待检测循环平稳信号对应的设备状态。
7.如权利要求5所述的基于感知哈希的循环平稳信号识别方法,其特征是,所述步骤(3)是指,以基函数的系数为元素计算每个基函数的统计特征参数,从而构造出包含所有基函数统计特性参数的激活特征向量。
8.如权利要求7所述的基于感知哈希的循环平稳信号识别方法,其特征是,所述统计特征参数,包括:基函数系数的非零个数或基函数系数的平方和。
9.基于感知哈希的循环平稳信号识别系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时完成上述权利要求5-8任一方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289006.3A CN108710891B (zh) | 2018-04-03 | 2018-04-03 | 基于感知哈希的循环平稳信号降维、识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289006.3A CN108710891B (zh) | 2018-04-03 | 2018-04-03 | 基于感知哈希的循环平稳信号降维、识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710891A true CN108710891A (zh) | 2018-10-26 |
CN108710891B CN108710891B (zh) | 2020-08-11 |
Family
ID=63866463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810289006.3A Active CN108710891B (zh) | 2018-04-03 | 2018-04-03 | 基于感知哈希的循环平稳信号降维、识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710891B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503050A (zh) * | 2019-08-26 | 2019-11-26 | 济南大学 | 一种基于子带编码的振动信号感知哈希方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937207A (zh) * | 2010-08-27 | 2011-01-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
CN104392207A (zh) * | 2014-11-10 | 2015-03-04 | 天津大学 | 一种用于数字图像内容识别的特征编码方法 |
CN106778808A (zh) * | 2016-11-09 | 2017-05-31 | 天津大学 | 一种基于组稀疏编码的图像特征学习方法 |
-
2018
- 2018-04-03 CN CN201810289006.3A patent/CN108710891B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937207A (zh) * | 2010-08-27 | 2011-01-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
CN104392207A (zh) * | 2014-11-10 | 2015-03-04 | 天津大学 | 一种用于数字图像内容识别的特征编码方法 |
CN106778808A (zh) * | 2016-11-09 | 2017-05-31 | 天津大学 | 一种基于组稀疏编码的图像特征学习方法 |
Non-Patent Citations (2)
Title |
---|
D.VALSESIA ET AL.: "SPARSEHASH:EMBEDDING JACCARD COEFFICIENT BETWEEN SUPPORTS OF SIGNALS", 《ICMEW》 * |
HAINING LIU ET AL.: "Adaptive feature extraction using sparse coding for machinery fault diagnosis", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503050A (zh) * | 2019-08-26 | 2019-11-26 | 济南大学 | 一种基于子带编码的振动信号感知哈希方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108710891B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A deep learning approach for anomaly detection based on SAE and LSTM in mechanical equipment | |
Gangsar et al. | A support vector machine based fault diagnostics of Induction motors for practical situation of multi-sensor limited data case | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Jiang et al. | Joint label consistent dictionary learning and adaptive label prediction for semisupervised machine fault classification | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN109973325B (zh) | 识别异常振动的方法和设备 | |
Liang et al. | A deep learning method for motor fault diagnosis based on a capsule network with gate-structure dilated convolutions | |
CN105891794B (zh) | 基于模糊准则的雷达健康管理方法及系统 | |
Li et al. | Fault diagnosis of rotating machinery based on dual convolutional-capsule network (DC-CN) | |
CN107886091A (zh) | 一种基于深度神经网络的机械故障快速诊断方法 | |
CN104713728A (zh) | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 | |
CN109029995A (zh) | 基于聚类和多层自编码网络的轴承设备状态监控方法 | |
Ma et al. | Subspace-based MVE for performance degradation assessment of aero-engine bearings with multimodal features | |
Monteiro et al. | Convolutional neural networks using fourier transform spectrogram to classify the severity of gear tooth breakage | |
Chalouli et al. | Intelligent health monitoring of machine bearings based on feature extraction | |
Lee et al. | An explainable deep learning-based prognostic model for rotating machinery | |
CN108776818A (zh) | 轴承特征提取方法、轴承剩余寿命预测方法和装置 | |
CN108710891A (zh) | 基于感知哈希的循环平稳信号降维、识别方法及系统 | |
Aziz et al. | Intelligent bearing faults diagnosis featuring automated relative energy based empirical mode decomposition and novel cepstral autoregressive features | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
Zhang et al. | Multi-scale and multi-pooling sparse filtering: a simple and effective representation learning method for intelligent fault diagnosis | |
Xu et al. | Multi-attention-based Feature Aggregation Convolutional Networks with Dual Focal Loss for Fault Diagnosis of Rotating Machinery Under Data Imbalance Conditions | |
CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
Yoshimatsu et al. | Rolling bearing diagnosis based on CNN-LSTM and various condition dataset |
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 |