CN108956145A - 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 - Google Patents
基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN108956145A CN108956145A CN201810782161.9A CN201810782161A CN108956145A CN 108956145 A CN108956145 A CN 108956145A CN 201810782161 A CN201810782161 A CN 201810782161A CN 108956145 A CN108956145 A CN 108956145A
- Authority
- CN
- China
- Prior art keywords
- sparse
- coding
- model
- lossless
- constraint
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理;设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;在测试集上对得到的模型进行性能测试。本发明通过以理想信号代替原始信号作为重构目标,有效避免了原始信号中的噪声对模型参数优化的干扰,隐藏层可以提取具有噪声鲁棒性的特征,从而提高故障诊断模型性能的稳定性,在训练数据含有噪声的情况下,仍能学习到适合故障诊断的模型参数集合。
Description
技术领域
本发明涉及轴承故障诊断领域,具体地说是一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法。
背景技术
滚动轴承在旋转型机械设备当中有着广泛的应用,滚动轴承的运行状态很大程度上影响了旋转机械的运行精度与可靠性。对滚动轴承的状态进行实时检测,快速准确判断轴承故障类型,对于维护机械设备寿命、保证生产安全具有重要意义。
目前,国内外对于滚动轴承的故障诊断主要是通过信号处理的方式提取故障特征,再利用模式识别的方式进行故障诊断,这种方式取得了较好的效果,但需要依靠大量专家经验。随着现代制造系统中监测信号类型和数量的日益增加,滚动轴承故障诊断步入了“大数据”时代,依赖于专家经验提取故障特征的传统诊断方式难以准确快速有效地处理大量数据,如何从大规模数据中自动学习故障特征,进行故障诊断,并保证滚动轴承故障诊断的准确性与稳定性是目前亟需解决的问题。
深度学习由于在特征提取和模式识别领域的优势,目前已被广泛应用于机械设备、电气系统、航空航天等领域的故障诊断。由于稀疏自编码的结构比其它深度学习模型结构简单,存在容易设计和训练的优势,其在以深度学习为基础的滚动轴承故障诊断研究中起到了重要作用。
现有机械设备的工作环境复杂,滚动轴承时域振动信号的采集过程很容易受到噪声的影响。稀疏自编码是以被噪声污染的时域振动信号为重建目标,使原始信号中的噪声对模型参数优化产生很大干扰,使得隐藏层无法提取具有噪声鲁棒性的特征,大大降低了故障诊断模型性能的稳定性。
发明内容
针对现有技术的不足,本发明提供一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,解决了稀疏自编码以被噪声污染的时域振动信号为重建目标的问题。
本发明为实现上述目的所采用的技术方案是:
一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,包括以下步骤:
步骤1:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间;
步骤2:设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;
步骤3:在测试集上对得到的模型进行性能测试。
所述无损约束降噪稀疏自编码滚动轴承故障诊断模型包括:一个经过无损约束降噪方法优化的稀疏自编码、两个稀疏自编码和一个softmax分类器;对经过无损约束降噪方法优化的稀疏自编码进行预训练,从原始信号中提取第一层特征,将第一层特征输入到稀疏自编码SAE1,对其进行预训练产生第二层特征,将第二层特征输入到稀疏自编码SAE2,对其进行预训练产生第三层特征,将第三层特征输入到softmax分类器,对其进行故障分类,根据故障分类误差对诊断模型整体参数进行微调。
所述经过无损约束降噪方法优化的稀疏自编码为:
在以Relu函数为编码函数,softplus函数为解码函数的自编码中,对隐藏层神经元的激活值添加L1正则约束,促使隐藏层生成稀疏性特征,得到基础的稀疏自编码模型;
在对基础的稀疏自编码模型进行训练的过程中,以假设的理想信号为重构目标,并在该假设的理想信号与实际信号之间添加欧式距离约束,得到经过无损约束降噪方法优化的稀疏自编码。
所述假设的理想信号为不包含噪声的时域振动信号。
所述对该模型进行无损约束降噪优化过程包括:
所述对经过无损约束降噪方法优化的稀疏自编码进行预训练的过程包括:
步骤1:以原始信号对假设的理想信号进行初始化;
步骤2:以批量梯度下降优化算法优化模型中的权重和偏置,进行一定次数的迭代,直至模型整体误差降到设定误差阈值,停止迭代;
步骤3:对权重和偏置进行固定,对假设的理想信号进行求解,固定该理想信号,并返回步骤2,直至迭代次数达到预设迭代次数,跳出步骤3。
所述预设迭代次数根据诊断模型在验证集上的诊断准确率进行调整。
对稀疏自编码SAE1和稀疏自编码SAE2进行预训练以及对诊断模型整体参数进行微调的过程采用批量梯度下降优化算法实现。
本发明具有以下有益效果及优点:
1.本发明的LSAE模型在训练过程中,通过以理想信号代替原始信号作为重构目标,有效避免了原始信号中的噪声对模型参数优化的干扰。
2.本发明的隐藏层可以提取具有噪声鲁棒性的特征,从而提高故障诊断模型性能的稳定性。
3.本发明在训练数据含有噪声的情况下,仍能学习到适合故障诊断的模型参数集合。
附图说明
图1是本发明的故障诊断方法流程图;
图2是本发明的故障诊断模型结构图;
图3是本发明的自编码结构图;
图4是本发明的经过无损约束降噪方法优化的稀疏自编码结构图;
图5是本发明的对经过无损约束降噪方法优化的稀疏自编码进行预训练流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的故障诊断方法流程图。
主要包括以下三个步骤:
(1)信号预处理:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间。
(2)模型训练:模型训练过程中,根据经验制定超参数{γ,β,λ}选值区间,以模型在验证集准确率作为标准,采用网格搜索方式寻找最优的超参数组合。
(3)模型固定:对最优超参数组合下的诊断模型进行固定,并在测试集上对模型进行诊断性能测试。
如图2所示是本发明的故障诊断模型结构图。
故障诊断模型由一个LSAE、两个SAE和softmax分类器组成的滚动轴承故障诊断模型,模型的建立主要包括预训练和微调两个阶段,在模型预训练阶段,以原始信号作为输入对LSAE进行训练,将获得的隐藏层特征向量作为SAE1的输入,对SAE1进行训练,同理,将SAE1隐藏层输出向量作为输入对SAE2进行训练。每个训练过程,都进行多次迭代,以获得稳定的参数。微调阶段,将SAE2隐藏层的特征向量输入到softmax分类器进行分类,计算分类器输出与实际标签之间的误差,以批量梯度下降算法对整个模型参数进行微调,经过多次迭代使得误差收敛后,对模型参数进行固定。
图3是本发明的自编码结构图。
自编码(AutoEncoder,SAE),AE的理解可以分为编码器和解码器两个部分。
编码器:通过编码函数fθ(x),将归一化的D维输入向量x从输入层映射到隐藏层,得到d维编码特征h,如公式(1)所示
h=fθ(x)=σ(Wx+b) (1)
式中:σ表示激活函数,一般选取sigmoid或Relu函数。θ={W,b}表示编码映射参数,W是一个d×D维的权值矩阵,b是d维偏置向量。
解码器:以解码函数gθ′(h)将编码特征h映射到D维重构向量y,如公式(2)所示
y=gθ′(h)=σ(W′h+b′) (2)
式中:σ表示激活函数,一般选取线性函数或softplus函数。θ′={W′,b′}表示解码映射参数,W′与W之间存在“捆绑”约束即W′=WT,b′是D维偏置向量。
自编码的训练阶段,就是通过不断地优化参数{θ,θ′}={W,b,W′,b′},使得输入向量x和重构向量y之间的重构误差L(x,y)最小化,重构误差函数通常由均方误差和正则化项构成,如公式(3)所示。
式中:第一项是均方误差项,n表示样本数目。第二项是正则化项,表示对神经元之间的所有连接权重进行L2正则约束,β为正则化项权重。
图4是本发明的经过无损约束降噪方法优化的稀疏自编码结构图。
稀疏自编码(SAE)是在自编码(AE)的基础上通过对隐藏层添加稀疏性约束,使得部分隐藏层神经元处于抑制状态,促使表示输入数据间关联的神经元处于激活状态,从而增强隐藏层特征学习能力。通过在以Relu函数为编码函数,softplus函数为解码函数的自编码中,对隐藏层神经单元的激活值添加L1正则约束,促使隐藏层生成稀疏性特征。稀疏自编码隐藏层神经单元平均激活值和稀疏自编码损失函数如公式(4)、(5)所示:
公式(4)表示第j个神经元在n个样本集合下的平均激活度。公式(5)中,第二项表示稀疏惩罚项,λ表示稀疏惩罚项权重,m表示中间层神经元个数。其它各项参数含义与公式(3)相同。
在稀疏自编码的训练阶段,对参数{θ,θ′}={W,b,W′,b′}通过批量梯度下降法进行优化,如公式(6)所示。经过多次迭代优化,获得最优参数集合,使得稀疏自编码隐藏层能获取合适的故障特征。
式中:η表示学习率,L(x,y)表示n个样本的损失。
无损约束降噪稀疏自编码算法:
根据无损约束降噪方法,假设存在纯净的、没有包含噪声的时域振动信号即理想信号,用表示,并以该假设的理想信号为目标进行重构,建立无损约束降噪稀疏自编码(LSAE)。LSAE以原始信号xi作为输入,经过解码层和编码层的映射计算得到输出层激活值,并根据公式(7)计算LSAE的整体损失值,最后通过对模型参数进行优化以降低损失值。
式中:第一项被称为无损约束项,是为了保证假设的不要损失原始信号xi中的关键信息,γ表示无损约束项权重。第三项表示输出层激活值与理想信号之间的均方误差,其余各项参数含义与公式(4)中相同。
如图5所示是本发明的对经过无损约束降噪方法优化的稀疏自编码进行预训练流程图。
由于LSAE在损失函数的设计中添加了一个未知项所以在训练开始时无法根据损失值计算参数W,b,W′,b′以及的偏导数,从而无法简单的依靠梯度下降算法对参数进行优化。本文采取循环迭代的方式,对损失函数进行优化,LSAE优化流程如图5所示,具体优化过程如下:
步骤1:输入样本,设置网络超参数,用x对进行初始化,这时LSAE退化为SAE。随机初始化参数W,b,W′,b′,根据公式(7)计算损失,并利用批量梯度下降算法对模型的参数进行迭代更新,当迭代样本数量达到整个训练集样本数量的M倍时(M视检测过程准确率变化而定,本文M=10),进入步骤2。
步骤2:固定参数W,b,W′,b′,将其视为常量,损失函数如式(8)所示,通过优化最小化LLSAE(x,y)。此时损失函数关于未知量的Hessian矩阵半正定,可以根据公式(9)和公式(10)求得使损失函数值最小的随后将视为常量,开始对参数进行新一轮优化,重复以上步骤N次(N视检测过程准确率变化而定,本文N=5),直到获得一个可靠地参数集。
步骤3:固定模型,计算隐藏层编码特征。
LSAE模型在训练过程中,通过以理想信号代替原始信号作为重构目标,有效避免了原始信号中的噪声对模型参数优化的干扰,使得隐藏层可以提取具有噪声鲁棒性的特征,从而提高故障诊断模型性能的稳定性。
Claims (8)
1.一种基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:包括以下步骤:
步骤1:采集滚动轴承时域振动信号数据,对数据进行采样制作训练集、验证集、测试集样本,对所有样本进行归一化处理,使样本数据位于[0,1]区间;
步骤2:设定多组超参数组合,并以此训练无损约束降噪稀疏自编码滚动轴承故障诊断模型,选取设定超参数组合中,在验证集上诊断精度最高的模型,作为最终诊断模型,并固定该模型;
步骤3:在测试集上对得到的模型进行性能测试。
2.根据权利要求1所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述无损约束降噪稀疏自编码滚动轴承故障诊断模型包括:一个经过无损约束降噪方法优化的稀疏自编码、两个稀疏自编码和一个softmax分类器;对经过无损约束降噪方法优化的稀疏自编码进行预训练,从原始信号中提取第一层特征,将第一层特征输入到稀疏自编码SAE1,对其进行预训练产生第二层特征,将第二层特征输入到稀疏自编码SAE2,对其进行预训练产生第三层特征,将第三层特征输入到softmax分类器,对其进行故障分类,根据故障分类误差对诊断模型整体参数进行微调。
3.根据权利要求2所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述经过无损约束降噪方法优化的稀疏自编码为:
在以Relu函数为编码函数,softplus函数为解码函数的自编码中,对隐藏层神经元的激活值添加L1正则约束,促使隐藏层生成稀疏性特征,得到基础的稀疏自编码模型;
在对基础的稀疏自编码模型进行训练的过程中,以假设的理想信号为重构目标,并在该假设的理想信号与实际信号之间添加欧式距离约束,得到经过无损约束降噪方法优化的稀疏自编码。
4.根据权利要求3所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述假设的理想信号为不包含噪声的时域振动信号。
5.根据权利要求3所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述对该模型进行无损约束降噪优化过程包括。
6.根据权利要求2所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述对经过无损约束降噪方法优化的稀疏自编码进行预训练的过程包括:
步骤1:以原始信号对假设的理想信号进行初始化;
步骤2:以批量梯度下降优化算法优化模型中的权重和偏置,进行一定次数的迭代,直至模型整体误差降到设定误差阈值,停止迭代;
步骤3:对权重和偏置进行固定,对假设的理想信号进行求解,固定该理想信号,并返回步骤2,直至迭代次数达到预设迭代次数,跳出步骤3。
7.根据权利要求6所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:所述预设迭代次数根据诊断模型在验证集上的诊断准确率进行调整。
8.根据权利要求2所述的基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法,其特征在于:对稀疏自编码SAE1和稀疏自编码SAE2进行预训练以及对诊断模型整体参数进行微调的过程采用批量梯度下降优化算法实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782161.9A CN108956145A (zh) | 2018-07-17 | 2018-07-17 | 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782161.9A CN108956145A (zh) | 2018-07-17 | 2018-07-17 | 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108956145A true CN108956145A (zh) | 2018-12-07 |
Family
ID=64495997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810782161.9A Pending CN108956145A (zh) | 2018-07-17 | 2018-07-17 | 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108956145A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222834A (zh) * | 2018-12-27 | 2019-09-10 | 杭州环形智能科技有限公司 | 一种基于噪声遮蔽的发散式人工智能记忆模型系统 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
CN112132102A (zh) * | 2020-09-28 | 2020-12-25 | 天津工业大学 | 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 |
CN112183591A (zh) * | 2020-09-15 | 2021-01-05 | 上海电机学院 | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
US20220374016A1 (en) * | 2021-05-18 | 2022-11-24 | Ford Global Technologies, Llc | Intersection node-assisted high-definition mapping |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0432737A (ja) * | 1990-05-29 | 1992-02-04 | Koyo Seiko Co Ltd | 軸受の異常検出装置 |
CN104792530A (zh) * | 2015-04-15 | 2015-07-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN107590778A (zh) * | 2017-07-31 | 2018-01-16 | 南京理工大学 | 一种基于无损约束降噪的自编码方法 |
-
2018
- 2018-07-17 CN CN201810782161.9A patent/CN108956145A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0432737A (ja) * | 1990-05-29 | 1992-02-04 | Koyo Seiko Co Ltd | 軸受の異常検出装置 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN104792530A (zh) * | 2015-04-15 | 2015-07-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
CN106124212A (zh) * | 2016-06-16 | 2016-11-16 | 燕山大学 | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 |
CN106895975A (zh) * | 2017-01-17 | 2017-06-27 | 苏州大学 | 基于Stacked SAE深度神经网络的轴承故障诊断方法 |
CN107590778A (zh) * | 2017-07-31 | 2018-01-16 | 南京理工大学 | 一种基于无损约束降噪的自编码方法 |
Non-Patent Citations (1)
Title |
---|
汤芳等: "稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用", 《机械科学与技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222834A (zh) * | 2018-12-27 | 2019-09-10 | 杭州环形智能科技有限公司 | 一种基于噪声遮蔽的发散式人工智能记忆模型系统 |
CN110222834B (zh) * | 2018-12-27 | 2023-12-19 | 杭州环形智能科技有限公司 | 一种基于噪声遮蔽的发散式人工智能记忆模型系统 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
CN112183591A (zh) * | 2020-09-15 | 2021-01-05 | 上海电机学院 | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 |
CN112132102A (zh) * | 2020-09-28 | 2020-12-25 | 天津工业大学 | 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 |
CN112132102B (zh) * | 2020-09-28 | 2024-04-19 | 天津工业大学 | 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 |
US20220374016A1 (en) * | 2021-05-18 | 2022-11-24 | Ford Global Technologies, Llc | Intersection node-assisted high-definition mapping |
US11914378B2 (en) * | 2021-05-18 | 2024-02-27 | Ford Global Technologies, Llc | Intersection node-assisted high-definition mapping |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113340598B (zh) * | 2021-06-01 | 2024-05-28 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108956145A (zh) | 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法 | |
CN107316046B (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN111722145B (zh) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 | |
CN109580215A (zh) | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN113158814B (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
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 | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN109612728A (zh) | 基于振谱图和深度卷积神经网络的轴承故障诊断方法 | |
CN115017946A (zh) | 一种小样本类不平衡的轴承智能故障诊断方法 | |
CN117074961A (zh) | 一种变分自编码器动力电池异常检测方法、系统、装置及存储介质 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
CN112085062A (zh) | 一种基于小波神经网络的异常能耗定位方法 | |
CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 | |
Kang et al. | A dual-experience pool deep reinforcement learning method and its application in fault diagnosis of rolling bearing with unbalanced data | |
CN111537207B (zh) | 一种小样本下用于机械故障智能诊断的数据增强方法 | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN116910919A (zh) | 一种飞行器航迹高缺失率下的填补方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |