CN109033632B - 一种基于深度量子神经网络的趋势预测方法 - Google Patents

一种基于深度量子神经网络的趋势预测方法 Download PDF

Info

Publication number
CN109033632B
CN109033632B CN201810832036.4A CN201810832036A CN109033632B CN 109033632 B CN109033632 B CN 109033632B CN 201810832036 A CN201810832036 A CN 201810832036A CN 109033632 B CN109033632 B CN 109033632B
Authority
CN
China
Prior art keywords
neural network
model
training
data
quantum neural
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
Application number
CN201810832036.4A
Other languages
English (en)
Other versions
CN109033632A (zh
Inventor
洪晟
印家伟
段小川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201810832036.4A priority Critical patent/CN109033632B/zh
Publication of CN109033632A publication Critical patent/CN109033632A/zh
Application granted granted Critical
Publication of CN109033632B publication Critical patent/CN109033632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于深度量子神经网络的趋势预测方法，步骤如下：一：构建初始深度量子神经网络；二：定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘；三：利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集；四：调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型；五：利用预测模型进行轴承的趋势预测；通过以上步骤，训练得到的深度量子神将网络能实现对轴承的趋势预测，通过对轴承的趋势预测能及时对轴承进行维护，能缩短维修时间，减少维修费用，解决了因轴承维护不及时而造成的机械故障问题。

Description

一种基于深度量子神经网络的趋势预测方法
技术领域：
本发明提出一种基于深度量子神经网络的趋势预测方法，属于趋势预测领域。
背景技术：
轴承是机械设备的重要组成部分，随着机械设备大型化、复杂化、集成化的发展，对轴承的要求越来越高。但由于其受重载、疲劳、腐蚀、高温等复杂、恶劣工作环境的影响极易发生损坏而影响机械设备的可靠性。据相关统计，轴承的损坏故障在旋转机械的故障中约占30％，因此，对轴承进行故障诊断、状态监测以及趋势预测是非常重要的。
近年来，有关轴承趋势预测受到广泛的关注。国内外学者也做了大量的研究，取得了一定的成果。针对轴承振动信号的特点，先后提出了时域特征，频域特征和时频域特征等不同的特征类型。峰值、均方根值、峭度、峰值因子、裕度因子等时域特征计算简单，但对于严重故障振动数据抗干扰能力差。而短时傅里叶变换，小波分析，经验模式分解等时域分析方法可以表示非平稳信号的局部化信息。
随着神经网络的流行，人工神经网络在这些预测算法中得到了广泛的应用，虽然人工神经网络在轴承趋势预测中有很好的效果，但目前广泛应用的人工神经网络存在收敛速度慢、不易多层扩展的缺点故需要对神经网络进行改进，提出新的预测方法。
发明内容：
本发明针对移动现阶段对轴承寿命预测方法的不足，提出了一种基于深度量子神经网络的趋势预测方法。发明的目的是通过改进神经网络预测轴承趋势的算法，提高预测的速度与精度。从而减少因轴承损坏导致的机械故障，降低维修的成本，提高可靠性。
本发明提出一种基于深度量子神经网络的趋势预测方法，该方法具体步骤如下：
步骤一：构建初始深度量子神经网络；
步骤二：定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘；
步骤三：将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；
将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集；
步骤四：调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型；
步骤五：利用预测模型进行轴承的趋势预测；
通过以上步骤，训练得到的深度量子神将网络可以实现对轴承的趋势预测，通过对轴承的趋势预测可以及时对轴承进行维护，可缩短维修时间，减少维修费用，解决了因轴承维护不及时而造成的机械故障问题。
其中，在步骤一中所述的“深度量子神经网络”，其内容是：量子深度网络基于量子神经网络的量子体系结构和深度信念网络的贪婪分层初始化方法；其体系结构可以识别嵌入在数据中的结构，同时具有深度信念网络的抽象能力和量子神经网络的结构识别能力；在量子深度网络中，最后一个隐藏层被量子神经网络架构所取代；根据量子深度神经网络的体系结构，可以将其定义为：
Figure BDA0001743732070000021
式中，C为输出层单元；N为隐藏层层数
深度量子神经元的输出可由以下公式获得：
Figure BDA0001743732070000022
Figure BDA0001743732070000023
这里
Figure BDA0001743732070000031
是一个sigmoid函数；
第k隐藏层的输出hk如下可得：
Figure BDA0001743732070000032
Figure BDA0001743732070000033
式中：Dk为第k层的单位数；D0为输入层单位数；ωk是突触权重；
Figure BDA0001743732070000034
定义转移位置的传递函数；n1是水平隐藏单位的数量。
其中，在步骤二中所述的“小波包分解”，其内容是：小波包分解是一种著名的小波变换技术，它能充分表征振动信号的非平稳特性，并能提供敏感的特征；很多研究都涉及到小波包分解分析的特征提取，最常用的特征包括能量、香农熵和标准推导；在使用小波包分解进行相应分解时，对低频和高频进行分解，得到一个平衡的二叉树结构；
用低通滤波器和高通滤波器对信号进行滤波，因此，小波包分解可以将信号的全频段分解为不同的频段，使信号具有更好的时频定位；对一个信号
Figure BDA0001743732070000035
分解的定义是：
Figure BDA0001743732070000036
其中，在步骤二中所述的“定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘”，其作法如下：
对收集到的数据采用三层小波包分解对带有Daubechies5小波基的原始信号，根据频带系数重构8个时间序列；这些信号波形从低频到高频依次为xl(t)、x2(t)…x8(t)，然后提取8种重构波形的能量；小波包能量特征向量是根据下式可得：
Figure BDA0001743732070000041
Figure BDA0001743732070000042
Figure BDA0001743732070000043
式中，E为节点信号频率分量能量；
Figure BDA0001743732070000044
为子带的能量熵；i和j为小波系数的个数；N是信号长度。
其中，在步骤三中所述的“预处理”，其主要包括特征提取、标准化；标准化是将特征数据的分布调整成标准正态分布，也就是使得数据的均值为0.方差为1.标准化的原因在于如果有些特征的方差过大，则会主导目标函数从而使参数估计器无法正确地学习其他特征；标准化过程为：去均值的中心化(均值变为0)；方差的规模化(方差变为1)。
其中，在步骤三中所述的“将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；
将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集”，其作法如下：
为便于网络收敛，需对样本进行标准化处理，置[0,1]区间，具体处理方法如下：
Figure BDA0001743732070000045
式中，xmax和xmin为已知时间序列参数中的最大值和最小值；xj为该时间序列中的样本数据。
其中，在步骤四中所述的“调整深度量子神经网络模型参数”，其内容是：突触权重ωk和转移位置
Figure BDA0001743732070000051
是需要学习的参数；当网络的输出与期望输出不等时，存在误差函数，误差通过反向传播来调整突触权重实现对深度量子神经网络的训练，以达到最优输出。
其中，在步骤四中所述的“调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型”，其作法如下：
结合训练数据，将步骤一中的初始深度量子神经网络进行训练；第N隐藏层的第s单位与第t输出单元连接的突触权重
Figure BDA0001743732070000052
的可根据下式进行更新：
Figure BDA0001743732070000053
Figure BDA0001743732070000054
式中，
Figure BDA0001743732070000055
和
Figure BDA0001743732070000056
是
Figure BDA0001743732070000057
前的有效值和第i层输入样本之后的调整值；α是学习速率；
Figure BDA0001743732070000058
是在第N个隐层单元第i个输入样本的输出值；
经过调整模型参数如突触权重结合验证数据确定误差最小的模型做为最优模型。
其中，在步骤五中所述的“利用预测模型进行轴承的故障预测”，其内容是：将经过预处理的数据信号输入训练好的深度量子神经网络即可输出预测结果。
本发明一种基于深度量子神经网络的趋势预测方法，其具有以下的有点和积极效果：
(1)本发明既可以定量化地给出产品可能出现故障的时间，又具有具有运算速度快、易于实现、训练集要求小等特点；
(2)与现有方法相比，本发明架构更易优化，具有较高的预测精度和较强的鲁棒性。
附图说明：
图1本发明所述预测方法流程图。
图2深度量子神经网络算法流程图。
图3深度量子神经网络的体系结构。
图4基于深度量子神经网络的轴承寿命预测实验结果。
具体实施方式：
下面结合附图，对本发明的技术方案做进一步的说明。
见图1，本发明一种基于深度量子神经网络的趋势预测方法，该方法具体步骤如下：
步骤一：构建初始深度量子神将网络；
深度量子神经网络同时具有深度信念网络的抽象能力和量子神经网络的结构识别能力。在深度量子网络中，最后一个隐藏层被量子神经网络架构所取代。主要包括：输入层、输出层和隐藏层。深度量子神经网络方法流程图见图2.根据量子深度神经网络的体系结构见图3，构建初始深度量子神经网络：
Figure BDA0001743732070000061
式中，C为输出层单元；N为隐藏层层数
深度量子神经元的输出可由以下公式获得：
Figure BDA0001743732070000071
Figure BDA0001743732070000072
这里
Figure BDA0001743732070000073
是一个sigmoid函数。
第k隐藏层的输出hk如下可得：
Figure BDA0001743732070000074
Figure BDA0001743732070000075
式中：Dk为第k层的单位数；D0为输入层单位数；ωk是突触权重；
Figure BDA0001743732070000076
定义转移位置的传递函数；n1是水平隐藏单位的数量；
确定隐藏层的层数及隐藏层的神经元个数；由于隐藏层神经元的个数可能会导致泛化不良和过拟合问题，故经过试错本发明取8个隐藏层每层有8个、750个、500个、200个、100个、50个、20个、10个、4个和1个神经元；
步骤二：定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘；
本发明选用Rexnord ZA-2115轴承，四个轴承安装在一根轴上；转速稳定在2000rpm，并从径向对轴和轴承施加2730kg的径向载荷，轴承被强制润滑；利用加速度振动传感器采集振动信号，采样频率设定为20kHz，每次采样持续1s，每次采样采集20480个数据点；轴承退化实验进行3次，获取12组数据；
步骤三：将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对模型进行性能评估；
步骤二得到的900组数据，随机选取的90％的样本数据集用于训练，其余10％的样本数据集用于预测模型的测试；所有的数据都是标准化的，经过训练的深度量子神经网络预测模型底部有一个数据层，顶部有一个输出层，8个隐藏层，每层有8个、750个、500个、200个、100个、50个、20个、10个、4个和1个神经元；将小波包分解向量作为输入层，取轴承剩余寿命为输出层；
步骤四：调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型；
结合训练数据，将步骤一的初始深度量子神经网络进行训练。第N隐藏层的第s单位与第t输出单元连接的突触权重
Figure BDA0001743732070000081
的可根据下式进行更新：
Figure BDA0001743732070000082
Figure BDA0001743732070000083
式中，
Figure BDA0001743732070000084
和
Figure BDA0001743732070000085
是
Figure BDA0001743732070000086
前的有效值和第i层输入样本之后的调整值；α是学习速率；
Figure BDA0001743732070000087
是在第N个隐层单元第i个输入样本的输出值；
经过调整模型参数如突触权重结合验证数据确定误差最小的模型做为最优模型；
步骤五：利用预测模型进行轴承的故障预测；
训练完成以后，可以利用深度量子神经网络预测轴承趋势见图4，通过预测结果可以保证轴承在发生故障之前得到及时的更换，降低维修的成本。

Claims (1)

1.一种基于深度量子神经网络的趋势预测方法，其特征在于：该方法具体步骤如下：
步骤一：构建初始深度量子神经网络；
步骤二：定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘；
步骤三：将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；
将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集；
步骤四：调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型；
步骤五：利用预测模型进行轴承的趋势预测；
在步骤一中所述的“深度量子神经网络”，其内容是：量子深度网络基于量子神经网络的量子体系结构和深度信念网络的贪婪分层初始化方法；其体系结构能识别嵌入在数据中的结构，同时具有深度信念网络的抽象能力和量子神经网络的结构识别能力；在量子深度网络中，最后一个隐藏层被量子神经网络架构所取代；根据量子深度神经网络的体系结构，能将其定义为：
Figure FDA0002864812940000011
式中，C为输出层单元；N为隐藏层层数
深度量子神经元的输出由以下公式获得：
Figure FDA0002864812940000012
Figure FDA0002864812940000013
这里
Figure FDA0002864812940000014
是一个sigmoid函数；
第k隐藏层的输出hk如下能得：
Figure FDA0002864812940000021
Figure FDA0002864812940000022
式中：Dk为第k层的单位数；D0为输入层单位数；ωk是突触权重；
Figure FDA0002864812940000023
定义转移位置的传递函数；n1是水平隐藏单位的数量；
在步骤二中所述的“小波包分解”，其内容是：在使用小波包分解进行相应分解时，对低频和高频进行分解，得到一个平衡的二叉树结构；
用低通滤波器和高通滤波器对信号进行滤波，因此，小波包分解能将信号的全频段分解为不同的频段，使信号具有更好的时频定位；对一个信号
Figure FDA0002864812940000024
分解的定义是：
Figure FDA0002864812940000025
在步骤二中所述的“定期采集轴承振动信号，利用小波包分解对振动信号进行特征挖掘”，其作法如下：
对收集到的数据采用三层小波包分解对带有Daubechies5小波基的原始信号，根据频带系数重构8个时间序列；这些信号波形从低频到高频依次为xl(t)、x2(t)…x8(t)，然后提取8种重构波形的能量；小波包能量特征向量是根据下式能得：
Figure FDA0002864812940000026
Figure FDA0002864812940000027
Figure FDA0002864812940000028
式中，E为节点信号频率分量能量；
Figure FDA0002864812940000029
为子带的能量熵；i和j为小波系数的个数；N是信号长度；
在步骤三中所述的“预处理”，其包括特征提取、标准化；标准化是将特征数据的分布调整成标准正态分布，也就是使得数据的均值为0，方差为1；标准化过程为：去均值的中心化，均值变为0；方差的规模化，方差变为1；
在步骤三中所述的“将数据分为训练集和验证集，利用训练集数据训练深度量子神经网络模型，通过验证集数据对该模型进行性能评估；将收集的信号进行预处理，将处理好的特征参数分为训练数集和检验数集”，其作法如下：
为便于网络收敛，需对样本进行标准化处理，置[0,1]区间，具体处理方法如下：
Figure FDA0002864812940000031
式中，xmax和xmin为已知时间序列参数中的最大值和最小值；xj为该时间序列中的样本数据；
在步骤四中所述的“调整深度量子神经网络模型参数”，其内容是：突触权重ωk和转移位置
Figure FDA0002864812940000032
是需要学习的参数；当网络的输出与期望输出不等时，存在误差函数，误差通过反向传播来调整突触权重实现对深度量子神经网络的训练，以达到最优输出；
在步骤四中所述的“调整深度量子神经网络模型参数，通过不断训练模型，选取性能评估最优的预测模型”，其作法如下：
结合训练数据，将步骤一中的初始深度量子神经网络进行训练；第N隐藏层的第s单位与第t输出单元连接的突触权重
Figure FDA0002864812940000033
的能根据下式进行更新：
Figure FDA0002864812940000034
Figure FDA0002864812940000035
Figure FDA0002864812940000041
和
Figure FDA0002864812940000042
是
Figure FDA0002864812940000043
在第m个训练数据输入调整前和调整后的值；α是学习速率；
Figure FDA0002864812940000044
是在第N个隐层单元第m个输入样本的输出值；
经过调整模型参数如突触权重结合验证数据确定误差最小的模型做为最优模型；
在步骤五中所述的“利用预测模型进行轴承的故障预测”，其内容是：将经过预处理的数据信号输入训练好的深度量子神经网络即能输出预测结果。
CN201810832036.4A 2018-07-26 2018-07-26 一种基于深度量子神经网络的趋势预测方法 Active CN109033632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810832036.4A CN109033632B (zh) 2018-07-26 2018-07-26 一种基于深度量子神经网络的趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810832036.4A CN109033632B (zh) 2018-07-26 2018-07-26 一种基于深度量子神经网络的趋势预测方法

Publications (2)

Publication Number Publication Date
CN109033632A CN109033632A (zh) 2018-12-18
CN109033632B true CN109033632B (zh) 2021-03-09

Family

ID=64646505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810832036.4A Active CN109033632B (zh) 2018-07-26 2018-07-26 一种基于深度量子神经网络的趋势预测方法

Country Status (1)

Country Link
CN (1) CN109033632B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097134B (zh) * 2019-05-08 2021-03-09 合肥工业大学 一种基于时间序列的机械故障早期诊断方法
CN110472563B (zh) * 2019-08-13 2022-04-26 浙江大学 基于小波包分解和神经网络的直梯振动过大故障诊断方法
CN111160106B (zh) * 2019-12-03 2023-12-12 上海微波技术研究所（中国电子科技集团公司第五十研究所） 一种基于gpu的光纤振动信号特征提取及分类的方法及系统
CN111310781A (zh) * 2019-12-30 2020-06-19 华南理工大学 一种基于pca-ann的制冷设备制冷剂泄漏识别方法
CN111626418B (zh) * 2020-05-27 2022-04-22 中南大学 基于平衡二叉树集成剪枝策略的压缩机故障分类方法
CN112990343B (zh) * 2020-12-14 2023-04-07 四川轻化工大学 一种基于人工智能算法的水环境质量评价方法
CN113810186B (zh) * 2021-09-18 2023-11-07 上海循态量子科技有限公司 自适应量子效率高精度实时预测方法及系统
CN114496227B (zh) * 2022-01-26 2023-04-28 电子科技大学 基于量子神经网络的病情发展预测系统及平台
CN117537951B (zh) * 2024-01-10 2024-03-26 西南交通大学 一种基于深度学习的超导悬浮器内部温升检测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831325B (zh) * 2012-09-04 2016-03-30 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
US10410116B2 (en) * 2014-03-11 2019-09-10 SparkCognition, Inc. System and method for calculating remaining useful time of objects
CN104392143B (zh) * 2014-12-09 2017-05-17 北京四方继保自动化股份有限公司 一种自适应量子神经网络汽轮机故障趋势预测方法
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN108303630A (zh) * 2018-02-08 2018-07-20 国电南瑞科技股份有限公司 一种基于小波包分析的交直流充电设备功率器件故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Method for Predicting Ultimate Bearing Capacity of Bolts Based on PSO-RBF Neural Network;Xiaoyun Sun等;《IEEE Xplore》;20161020;第12-15页 *

Also Published As

Publication number Publication date
CN109033632A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109033632B (zh) 一种基于深度量子神经网络的趋势预测方法
CN110428004B (zh) 数据失衡下基于深度学习的机械零部件故障诊断方法
CN109740523B (zh) 一种基于声学特征和神经网络的电力变压器故障诊断方法
Wang et al. A multi-scale convolution neural network for featureless fault diagnosis
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
Shan et al. A multisensor data fusion method for ball screw fault diagnosis based on convolutional neural network with selected channels
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
CN113505655B (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN110672343A (zh) 基于多注意力卷积神经网络的旋转机械故障诊断方法
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
CN110455530B (zh) 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法
CN111397901A (zh) 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法
CN112329914B (zh) 地埋式变电站的故障诊断方法、装置及电子设备
CN113656915B (zh) 一种基于深度注意力网络的轴承剩余寿命预测方法
CN113567131A (zh) 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
CN110289081A (zh) 深度网络堆栈模型自适应加权特征融合的癫痫检测方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN113707158A (zh) 一种基于VGGish迁移学习网络的电网危害鸟种鸣声识别方法
CN117076955A (zh) 一种高压变频器的故障检测方法及系统
CN111076934A (zh) 一种基于s变换诊断轴承潜在故障的方法
Patel et al. Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks
CN113865872B (zh) 基于小波包重构成像和cnn的轴承故障诊断方法
Chen et al. An adversarial learning framework for zero-shot fault recognition of mechanical systems
CN113792597A (zh) 一种基于自监督特征提取的机械设备异常声音检测方法

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