CN108875918B - 一种基于适配共享深度残差网络的机械故障迁移诊断方法 - Google Patents
一种基于适配共享深度残差网络的机械故障迁移诊断方法 Download PDFInfo
- Publication number
- CN108875918B CN108875918B CN201810920158.9A CN201810920158A CN108875918B CN 108875918 B CN108875918 B CN 108875918B CN 201810920158 A CN201810920158 A CN 201810920158A CN 108875918 B CN108875918 B CN 108875918B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- migration
- equipment
- engineering equipment
- fault
- 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
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于适配共享深度残差网络的机械故障迁移诊断方法,首先获取实验室装备有标记监测数据集和工程装备监测数据集,利用堆叠的残差单元提取实验室装备与工程装备监测数据的迁移故障特征;通过全连接网络建立迁移故障特征与样本健康标记间的映射关系,计算迁移故障特征间的分布差异,预测样本标记的概率分布并生成工程装备监测数据样本的伪标记;然后利用实验室装备与工程装备监测数据集,通过最大最小化构建的目标函数训练ASResNet的待训练参数集,获得迁移诊断模型;输入工程装备监测数据,实现机械故障迁移诊断;本发明缩小了实验室装备与工程装备监测数据间的差异性,对于工程装备的故障诊断具有理想的效果。
Description
技术领域
本发明属机械故障诊断技术领域,具体涉及一种基于适配共享深度残差网络的机械故障迁移诊断方法。
背景技术
大型机械装备逐渐朝着精密化、高效化、自动化的方向发展,由于大型机械装备往往是由许多关键零部件组成的,各零部件之间协调工作,一旦某个零部件发生故障,将会导致整个机械系统失效,其后果轻则影响生产制造的进程,重则危及相关人员的生命安全,因此需要研究机械装备的故障诊断技术,及早发现并处理故障,以保证装备的安全运行。传统的故障诊断方法过分依赖于诊断专家的经验与专业知识,难以满足海量监测数据的分析需求,而故障智能诊断通过提取监测数据的故障特征信息,利用智能算法对故障进行识别分类,能够实现故障的自动判断与智能决策,摆脱了传统故障诊断方法对诊断专家过分依赖的局面,成为机械大数据背景下保障机械装备安全运行的重要手段。
目前针对故障智能诊断的相关研究,一般要求用于训练智能诊断模型的可用样本充足,然而这在工程实际中很难满足。一方面,机械装备长期工作在正常状况下,导致正常状况下获取的监测数据远多于故障状况下的监测数据量,因此,获得的典型故障样本不足;另一方面,机械装备在长期运行过程中获取的监测数据不含标记信息,而人工标记监测数据代价高昂,导致带标记的监测数据样本不足。综上,仅利用工程实际中获取的机械装备监测数据,难以训练获得对装备健康状态识别精度高的故障智能诊断模型。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于适配共享深度残差网络的机械故障迁移诊断方法,首先构建领域共享的深度残差网络,提取实验室装备与工程装备监测数据的迁移故障特征,然后在深度残差网络的训练过程中引入领域适配约束,形成迁移诊断模型,最终利用该模型实现机械装备的故障迁移诊断。
为了达到上述目的,本发明的技术方案为:
一种基于适配共享深度残差网络的机械故障迁移诊断方法,包括以下步骤:
2)利用适配共享深度残差网络(Adaptation Sharing Deep Residual Network,ResNet,ASResNet)中堆叠的残差单元提取实验室装备、工程装备监测数据集中的第i个样本与的迁移故障特征;
3)通过全连接网络建立提取的迁移故障特征与样本健康标记间的映射关系;
6)利用实验室装备与工程装备监测数据集训练ASResNet的待训练参数集θ,即最大最小化如下目标函数:
式中,θ={θinp,θl,θF2,θF3},θinp={kinp,binp}为输入层待训练参数集,binp为输入层的偏置矩阵,为第l级残差单元的待训练参数集,θF2={wF2,bF2}为全连接网络中间隐层的待训练参数集,θF3={wF3,bF3}为输出层的待训练参数集,wF2、wF3分别为全连接网络中间隐层的权值矩阵,bF2、bF3分别为输出层的偏置矩阵;目标函数第一项即最小化实验室装备监测数据带标记样本的交叉熵损失,第二项即最小化工程装备监测数据带伪标记样本的交叉熵损失;第三项即最大最小化实验室装备、工程装备监测数据的迁移故障特征间的MMD估计值;为实验室装备监测数据第i个输入样本对应的标记;为实验室装备监测数据第i个样本其标记的概率分布;
若计算的函数值大于设定的阈值ε,则使用Adams优化算法反向地逐层更新待训练参数集θ,完成后返回步骤2),重新执行步骤2)~步骤6);否则保存待训练参数集θ,获得最终的迁移诊断模型;
所述的步骤2)包括如下步骤:
式中,kl,1、kl,2表示第l级残差单元的卷积核,bl,1、bl,2表示第l级残差单元中的偏置矩阵。
所述的步骤3)包括如下步骤:
所述的步骤4包括如下步骤:
式中,ku为高斯核函数,σ为核宽度;
4.4)根据多核植入的高斯核函数构造再生核希尔伯特空间,并计算实验室装备与工程装备监测数据的迁移故障特征间的最大均值差异(Maximum Mean Discrepancy,MMD):
式中,Fs、Ft分别为实验室装备与工程装备监测数据的迁移故障特征集合;ns、nt分别为实验室装备与工程装备监测数据集的样本个数;k(·,·)为公式(3)计算的多核植入的高斯核函数;分别为实验室装备与工程装备监测数据集第i个样本的迁移故障特征。
本发明的有益效果为:
由于工程装备因监测数据典型故障信息缺失、健康标记信息匮乏,难以训练获得泛化能力强的智能诊断模型,本发明将实验室装备的故障诊断知识应用于工程装备的故障诊断。首先构建一个领域共享的深度残差网络,提取实验室装备、工程装备监测数据的迁移故障特征,然后在深度残差网络的训练过程中施加领域适配正则项约束,形成基于适配共享深度残差网络的智能诊断模型,最终将该模型应用于工程装备的故障迁移诊断,并且达到了理想的效果。
附图说明
图1为本发明的流程图。
图2为适配共享深度残差网络(ASResNet)结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
如图1所示,一种基于适配共享深度残差网络的机械故障迁移诊断方法,包括以下步骤:
式中,kl,1、kl,2表示第l级残差单元的卷积核,bl,1、bl,2表示第l级残差单元中的偏置矩阵;
3)通过图2中的全连接网络建立提取的迁移故障特征与样本健康标记间的映射关系,即依次执行如下步骤:
式中,ku为高斯核函数,σ为核宽度;
4.4)根据多核植入的高斯核函数构造再生核希尔伯特空间,并计算实验室装备与工程装备监测数据的迁移故障特征间的最大均值差异(Maximum Mean Discrepancy,MMD):
式中,Fs、Ft分别为实验室装备与工程装备监测数据的迁移故障特征集合;ns、nt分别为实验室装备与工程装备监测数据集的样本个数;k(·,·)为公式(3)计算的多核植入的高斯核函数;分别为实验室装备与工程装备监测数据集第i个样本的迁移故障特征;
6)利用实验室装备与工程装备监测数据集训练ASResNet的待训练参数集θ,即最大最小化如下目标函数:
式中,θ={θinp,θl,θF2,θF3},θinp={kinp,binp}为输入层待训练参数集,binp为输入层的偏置矩阵,为第l级残差单元的待训练参数集,θF2={wF2,bF2}为全连接层F2的待训练参数集,θF3={wF3,bF3}为输出层F3的待训练参数集,wF2、wF3分别为F2、F3层的权值矩阵,bF2、bF3分别为F2、F3层的偏置矩阵;目标函数第一项即最小化实验室装备监测数据带标记样本的交叉熵损失,第二项即最小化工程装备监测数据带伪标记样本的交叉熵损失;第三项即最大最小化实验室装备、工程装备监测数据的迁移故障特征间的MMD估计值;为实验室装备监测数据第i个输入样本对应的标记;为实验室装备监测数据第i个样本其标记的概率分布;
若计算的函数值大于设定的阈值ε,则使用Adams优化算法反向地逐层更新待训练参数集θ,完成后返回2),重新执行2)~6);否则保存待训练参数集θ,获得最终的迁移诊断模型;
下面结合实施例对本发明做详细描述:实施例以机械装备中的滚动轴承为监测对象,采用实验室轴承与机车轴承数据集组成的迁移数据集如表1所示,对本发明进行验证。
表1迁移数据集信息
数据集A源自多级齿轮传动实验台中的定轴齿轮箱滚动轴承,轴承型号为LDKUER204。变频电机输入转速为1200r/min,采样频率为12.8kHz,空载。利用布置在定轴齿轮箱轴承座垂直方向的振动传感器,分别采集轴承正常、内圈故障、外圈故障及滚动体故障四种健康状态下的振动样本。数据集共有样本1088个,每种健康状态下收集振动数据样本272个,每个样本由1200个采样点组成。
数据集B源自某机车轮对滚动轴承,轴承型号为552732QT。转速设置为500r/min,径向负载9800N,采样频率12.8kHz。通过安装于轴承外圈垂直方向的振动传感器,分别采集轴承正常状态、内圈磨损、外圈磨损及滚动体磨损四种健康状态下的振动样本。数据集共有样本1088个,每种健康状态下收集振动数据样本272个,每个样本由1200个采样点组成。
本实施例针对一个迁移诊断任务A→B,将本发明方法与传统基于深度残差网络的智能诊断方法(普通ResNet)进行对比验证。为了模拟工程装备监测数据健康标记信息匮乏的问题,假设机车轴承监测数据集B中的样本无健康标记信息。
本发明方法的参数范围设置如下:惩罚因子α取0.01;惩罚因子λ取10;输入层卷积核多级残差单元中卷积核最大池化过程的无重叠段长度取2;残差单元级数L取12;植入核宽度σ为[10-3,10-2,10-1,1,10,102,103,104]的多核核函数估算迁移故障特征的MMD值;计算目标函数时阈值ε取10-5。由于随机初始化待训练参数可能对本发明方法的迁移诊断结果有所影响,因此重复验证50次,取平均结果。
本发明方法与对比方法的诊断结果如表2所示:
表2迁移诊断结果对比
本发明方法作用于迁移诊断任务A→B时,数据集B中样本的识别准确率为76.85%。由此表明,本发明方法可较好的识别机车轴承数据的健康状态。
普通ResNet利用实验室轴承监测数据集训练故障智能诊断模型,然后用训练的模型在工程用轴承监测数据集上进行验证。数据集B中样本的识别准确率为28.88%。通过对比分析可知,由于实验室轴承监测数据集与工程用机车轴承监测数据集间存在分布差异,且模型训练过程中无领域适配过程,因此该智能诊断模型对机车轴承故障的诊断精度较低,相比之下本发明方法的诊断精度则明显更高。
通过采用实验室轴承与机车轴承监测数据建立迁移诊断任务,验证了本发明在机械装备的故障迁移诊断上的优势,与对比方法进行效果对比,验证了本发明通过构建领域共享的深度残差网络并在训练中施加领域适配约束,放大了实验室装备与工程装备监测数据中隐含的相似故障信息对工程装备故障诊断的作用,而且抑制了差异性故障信息的作用,有助于提高智能诊断模型对工程装备故障的诊断精度。因此,采用本发明的机械故障迁移诊断效果是理想的。另外应当指出,在不脱离本发明构想的前提下,所做的调整和变形也应视为本发明的保护范围。
Claims (4)
1.一种基于适配共享深度残差网络的机械故障迁移诊断方法,其特征在于,包括以下步骤:
2)利用适配共享深度残差网络(Adaptation Sharing Deep Residual Network,ResNet,ASResNet)中堆叠的残差单元提取实验室装备、工程装备监测数据集中的第i个样本与的迁移故障特征;
3)通过全连接网络建立提取的迁移故障特征与样本健康标记间的映射关系;
6)利用实验室装备与工程装备监测数据集训练ASResNet的待训练参数集θ,即最大最小化如下目标函数:
式中,θ={θinp,θl,θF2,θF3},θinp={kinp,binp}为输入层待训练参数集,binp为输入层的偏置矩阵,为第l级残差单元的待训练参数集,θF2={wF2,bF2}为全连接网络中间隐层的待训练参数集,θF3={wF3,bF3}为输出层的待训练参数集,wF2、wF3分别为全连接网络中间隐层的权值矩阵,bF2、bF3分别为输出层的偏置矩阵;目标函数第一项即最小化实验室装备监测数据带标记样本的交叉熵损失,第二项即最小化工程装备监测数据带伪标记样本的交叉熵损失;第三项即最大最小化实验室装备、工程装备监测数据的迁移故障特征间的MMD估计值;为实验室装备监测数据第i个输入样本对应的标记;为实验室装备监测数据第i个样本其标记的概率分布;
若计算的函数值大于设定的阈值ε,则使用Adams优化算法反向地逐层更新待训练参数集θ,完成后返回步骤2),重新执行步骤2)~步骤6);否则保存待训练参数集θ,获得最终的迁移诊断模型;
2.根据权利要求1所述的一种基于适配共享深度残差网络的机械故障迁移诊断方法,其特征在于,所述的步骤2)包括如下步骤:
式中,kl,1、kl,2表示第l级残差单元的卷积核,bl,1、bl,2表示第l级残差单元中的偏置矩阵。
4.根据权利要求1所述的一种基于适配共享深度残差网络的机械故障迁移诊断方法,其特征在于,所述的步骤4)包括如下步骤:
式中,ku为高斯核函数,σ为核宽度;
4.4)根据多核植入的高斯核函数构造再生核希尔伯特空间,并计算实验室装备与工程装备监测数据的迁移故障特征间的最大均值差异(Maximum Mean Discrepancy,MMD):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810920158.9A CN108875918B (zh) | 2018-08-14 | 2018-08-14 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810920158.9A CN108875918B (zh) | 2018-08-14 | 2018-08-14 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875918A CN108875918A (zh) | 2018-11-23 |
CN108875918B true CN108875918B (zh) | 2021-05-04 |
Family
ID=64317959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810920158.9A Active CN108875918B (zh) | 2018-08-14 | 2018-08-14 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875918B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947086B (zh) * | 2019-04-11 | 2020-07-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110111803B (zh) * | 2019-05-09 | 2021-02-19 | 南京工程学院 | 基于自注意多核最大均值差异的迁移学习语音增强方法 |
CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110533070A (zh) * | 2019-07-26 | 2019-12-03 | 西安交通大学 | 一种小样本下基于迁移原形网络的机械故障智能诊断方法 |
CN111080603B (zh) * | 2019-12-12 | 2020-08-21 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车轴端螺栓折断故障检测方法 |
CN111461298A (zh) * | 2020-03-26 | 2020-07-28 | 广西电网有限责任公司电力科学研究院 | 一种用于断路器故障识别的卷积神经网络及方法 |
CN111337256B (zh) * | 2020-03-27 | 2020-12-29 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
CN111709448B (zh) * | 2020-05-20 | 2023-05-12 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN111797567B (zh) * | 2020-06-09 | 2024-02-13 | 合肥工业大学 | 一种基于深度学习网络的轴承故障分类方法及系统 |
CN112161784B (zh) * | 2020-09-07 | 2022-01-18 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
CN112171721B (zh) * | 2020-11-30 | 2021-02-19 | 北京科技大学 | 一种机器人关节传感器和执行器故障诊断方法及系统 |
CN113420387B (zh) * | 2021-06-17 | 2023-04-18 | 长安大学 | 一种压实机械滚动轴承的迁移诊断方法和系统 |
CN113435375B (zh) * | 2021-07-05 | 2023-04-11 | 西安交通大学 | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 |
CN113505850A (zh) * | 2021-07-27 | 2021-10-15 | 西安热工研究院有限公司 | 基于深度学习的锅炉故障预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560474B2 (en) * | 2011-03-07 | 2013-10-15 | Cisco Technology, Inc. | System and method for providing adaptive manufacturing diagnoses in a circuit board environment |
US20140324747A1 (en) * | 2013-04-30 | 2014-10-30 | Raytheon Company | Artificial continuously recombinant neural fiber network |
CN107451340A (zh) * | 2017-07-17 | 2017-12-08 | 安徽工业大学 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
CN107491792A (zh) * | 2017-08-29 | 2017-12-19 | 东北大学 | 基于特征映射迁移学习的电网故障分类方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108334936A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 基于迁移卷积神经网络的故障预测方法 |
-
2018
- 2018-08-14 CN CN201810920158.9A patent/CN108875918B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560474B2 (en) * | 2011-03-07 | 2013-10-15 | Cisco Technology, Inc. | System and method for providing adaptive manufacturing diagnoses in a circuit board environment |
US20140324747A1 (en) * | 2013-04-30 | 2014-10-30 | Raytheon Company | Artificial continuously recombinant neural fiber network |
CN107451340A (zh) * | 2017-07-17 | 2017-12-08 | 安徽工业大学 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
CN107491792A (zh) * | 2017-08-29 | 2017-12-19 | 东北大学 | 基于特征映射迁移学习的电网故障分类方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108304927A (zh) * | 2018-01-25 | 2018-07-20 | 清华大学 | 基于深度学习的轴承故障模式诊断方法及系统 |
CN108334936A (zh) * | 2018-01-30 | 2018-07-27 | 华中科技大学 | 基于迁移卷积神经网络的故障预测方法 |
Non-Patent Citations (2)
Title |
---|
《A New Deep Transfer Learning Based on Sparse Auto-Encoder for Fault Diagnosis》;Long Wen,et al;《IEEE TRANSACTIONS ON SYSTEMS》;20171004;全文 * |
《大数据下机械智能故障诊断的机遇与挑战》;雷亚国,等;《机械工程学报》;20180331;第54卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108875918A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875918B (zh) | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 | |
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN109596326B (zh) | 基于优化结构卷积神经网络的旋转机械故障诊断方法 | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN113281029B (zh) | 一种基于多尺度网络结构的旋转机械故障诊断方法及系统 | |
CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
CN111337256B (zh) | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN108732931B (zh) | 一种基于jit-rvm的多模态间歇过程建模方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN113065581B (zh) | 基于参数共享对抗域自适应网络的振动故障迁移诊断方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN112257530A (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 | |
CN112257767B (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
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 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
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 |
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 |