CN109190464B - 一种变工况下基于迁移学习的机械故障智能诊断方法 - Google Patents

一种变工况下基于迁移学习的机械故障智能诊断方法 Download PDF

Info

Publication number
CN109190464B
CN109190464B CN201810817508.9A CN201810817508A CN109190464B CN 109190464 B CN109190464 B CN 109190464B CN 201810817508 A CN201810817508 A CN 201810817508A CN 109190464 B CN109190464 B CN 109190464B
Authority
CN
China
Prior art keywords
sample
samples
training
working condition
under
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
CN201810817508.9A
Other languages
English (en)
Other versions
CN109190464A (zh
Inventor
李舜酩
钱巍巍
王金瑞
安增辉
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810817508.9A priority Critical patent/CN109190464B/zh
Publication of CN109190464A publication Critical patent/CN109190464A/zh
Application granted granted Critical
Publication of CN109190464B publication Critical patent/CN109190464B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Filters That Use Time-Delay Elements (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种变工况下基于迁移学习的机械故障智能诊断方法，包括以下步骤：获得不同工况下原始时域振动信号；对不同工况下原始时域振动信号进行重叠取样，得到时域信号样本；对时域信号样本做FFT变换，归一化，最终得到网络输入样本；通过训练样本对构造好的高阶KL散度稀疏滤波进行训练，得到优化后的特征提取网络；通过特征提取网络中参数W1、激活函数、训练样本计算得到训练样本的特征；通过得到的训练样本的特征，对高阶KL散度约束的softmax分类器进行训练，得到特征分类网络；将工况2下样本输入特征分类网络，即可诊断出工况2下样本的健康状态类型。本发明更好地实现了对变工况故障信号的智能诊断。

Description

一种变工况下基于迁移学习的机械故障智能诊断方法
技术领域
本发明涉及旋转机械振动信号的处理分析技术，以及人工神经网络模式识别、迁移学习技术，特别是KL散度、稀疏滤波、迁移学习中域适应的相关知识。
背景技术
振动信号是机械故障特征的载体，对机械设备的振动信号进行分析并提取故障特征，进行故障识别是机械故障诊断的常用方法。机械设备通常工作在多振源的工作环境中，背景噪声强烈，所以现场测得的机械振动信号通常是强背景噪声下的多分量非平稳信号。在这种情况下，从复杂的机械振动信号中提取故障特征，分离故障模式相近的机械振动信号就变得困难。因此，为了提高机械故障诊断的精度和效果，有必要探索新的更加有效、稳定的机械故障诊断方法。
随着人工神经网络研究的不断进步，神经网络不断显示出它在模式识别等领域的巨大潜力，并开始吸引越来越多学者的关注。它可以通过隐藏层自动地从信号中学习到高维特征，但是传统神经网络方法往往基于一个大前提，用于训练和测试的样本的分布是相同的。但是，由于现实应用中，往往存在着工况的变化，在特定工况下训练好的网络往往会在实际应用中效果较差。以基于振动信号的旋转机械诊断方法来说，转速及负载的变化产生的工况变化都会使得样本分布产生变化。此外，很多情况下有标签的样本都只会出现在用于训练的工况下的样本中，而用于测试的工况下的样本往往无标签。这些因素使得传统神经网络在现实中的应用得到了很大的限制。迁移学习通过在网络训练中考虑将应用的目标域分布变化来实现目标域下网络的应用。其中，通过学习共享子空间实现对两个样本集共有特征提取的方法近些年被提出，并在图像处理，语音识别等领域得到了重视。机械故障诊断领域也出现这类方法，它们大多通过保留原诊断网络学习具有区分性特征能力的同时，鼓励网络学习各个工况下共有的特征，实现训练网络的更好泛化。通常使用的鼓励机制是引入分布差异衡量方法到网络原目标函数中，这类衡量方法包括maximum meandiscrepancy(MMD)，KL散度等。其中传统的MMD方法计算速度较慢，而KL散度实现对均值的迁移，但并未考虑高阶统计量。此外，如果只在无监督特征提取中实现域适应，将造成提取的特征在原域及目标域样本中条件分布不同的现象，此现象将不利于故障分类。故需要将域适应进一步拓展到最后的特征分类层中，使得域适应和样本标签产生联系。现有文献中，只有在深层网络会考虑在分类层中进行域适应。Ngiam等提出了这种非监督特征学习框架即稀疏滤波，它专注于优化学习特征的稀疏性而忽视学习数据的统计分布情况，在很多案例中它表现很好且只有一个超参数即输出特征维数，因此稀疏滤波很容易调节。稀疏滤波网络尺寸也较小，通过几行MATLAB代码就可以实现。
由于稀疏滤波算法的简易性及高效性，科研人员提出稀疏滤波网络来解决旋转机械的故障诊断问题。但是和其他无监督学习网络一样，它们都不具有较强的域适应能力。
发明内容
针对上述技术中的不足，本发明的目的是提供一种基于迁移学习的变工况下旋转机械的故障智能诊断方法，以解决训练数据和测试数据处于不同工况下的旋转机械故障诊断问题。
为实现上述目的，本发明采用的技术方案为：
一种变工况下基于迁移学习的机械故障智能诊断方法，包括以下步骤：
步骤一，获得不同工况下原始时域振动信号；不同工况包括工况1和工况2；
步骤二，重叠取样：对步骤一获得的不同工况下原始时域振动信号进行重叠取样，得到时域信号样本；工况1下原始时域振动信号样本为
Figure BDA0001740666390000021
工况2下原始时域振动信号样本
Figure BDA0001740666390000022
其中，
Figure BDA0001740666390000023
分别为工况1、工况2下信号样本集Ds、Dt中的第i个样本，
Figure BDA0001740666390000024
为某个维度的空间，如
Figure BDA0001740666390000025
为所有N维纵向向量组成的空间，即每个样本含有N个数据点；MS，Mt分别为工况1和2下得到的样本总数；yi为第i个样本的故障类型标签；
步骤三，样本前处理：对步骤二得到的时域信号样本做FFT变换，得到频谱，因其对称性，取频谱的前半部分作为频域样本，故频域样本的长度为原始时域信号样本的一半；之后再对频域样本进行归一化，最终得到网络输入样本；
步骤四，训练特征提取网络：从步骤三得到的工况1和工况2的网络输入样本中，各选取M1，M2个样本，作为训练样本，即来自工况1和工况2的训练样本集分别为
Figure BDA0001740666390000026
通过训练样本对构造好的高阶KL散度稀疏滤波进行训练，得到优化后的特征提取网络；
步骤五，获得训练样本特征：通过步骤四得到的特征提取网络中参数W1、激活函数、训练样本计算得到训练样本的特征；
步骤六，训练特征分类器：通过步骤五的计算得到训练样本的特征，对高阶KL散度约束的softmax分类器进行训练，得到特征分类网络；
步骤七，故障诊断：将工况2下样本输入特征分类网络，即可诊断出工况2下样本的健康状态类型。
步骤二的时域信号样本长度为2000，取样重叠率为80％。
步骤四中，所述高阶KL散度为：
高阶KL散度LHKL(Zs,Zt)由原有计算一阶矩的L1和计算的第n阶高阶矩Ln组成，计算过程如下所示：
Figure BDA0001740666390000031
Figure BDA0001740666390000032
Figure BDA0001740666390000033
其中，N表示输入的特征向量的维数，Zs和Zt分别是源域和目标域的特征矩阵，每一列为一个样本的特征向量；
Figure BDA0001740666390000034
和
Figure BDA0001740666390000035
分别是所有特征zs1和zt1的第i个元素的均值，即一阶矩；
Figure BDA0001740666390000036
和
Figure BDA0001740666390000037
分别是特征zs1和zt1的第i个元素的n阶矩。
步骤四中，高阶KL散度稀疏滤波的计算过程为：
Figure BDA0001740666390000038
Figure BDA0001740666390000041
其中，M为输入的矩阵
Figure BDA0001740666390000042
中所有纵向向量的列数，L为最终的目标函数，
Figure BDA0001740666390000043
为原稀疏滤波的目标函数，λ1为权衡稀疏滤波和域适应项比重的参数；
Figure BDA0001740666390000044
为稀疏滤波中依次经过行归一化和列归一化后的特征矩阵，
Figure BDA0001740666390000045
和
Figure BDA0001740666390000046
分别是归一化后的对应于源域和目标域样本的特征矩阵。
步骤四中，选取的工况1下和工况2下样本数的比为1,分别占各自工况下样本数的30％，即训练样本占所有样本30％，测试样本占所有样本的70％。
步骤六中，高阶KL散度约束的softmax分类器的计算过程为：
Figure BDA0001740666390000047
Figure BDA0001740666390000048
其中，f为输入到softmax分类器的输入矩阵，K表示输入的矩阵f中所有纵向向量的列数即所有特征向量的数量，R表示样本中所有健康状况的类别数，ym表示输入的矩阵f中的第m列纵向特征向量所对应的已知标签其范围为1≤ym≤R，λ2是用于衡量函数LSOF(F,Y)中第一项和第二项相对大小的权重参数，λ3是用于衡量函数L2中第一项和第二项相对大小的权重参数，LSOF(F,Y)为原softmax回归的目标函数，其中F为输入的特征矩阵，列为一个样本的特征，Y为每个样本的标签组成的向量；
Figure BDA0001740666390000049
为softmax分类器参数W2的第r行，
Figure BDA00017406663900000410
为其第k行的第j个元素；
Figure BDA00017406663900000411
分别为源域和目标域样本通过步骤四中训练好的特征提取网络计算得到的特征矩阵。
有益效果：本发明通过高阶KL散度约束学习到的特征，使得特征提取网络能够学习得到工况1，2的共有特征。在softmax分类器中引入高阶KL散度进行域适应，将域适应与样本标签进行联系，使得网络进一步贴近以分类为目的的域适应。更好地实现了对变工况故障信号的智能诊断。同时网络不需要后续网络整体的微调步骤，可进一步减少计算成本。此外，提出的网络通过1工况有标签样本和2工况下无标签样本，实现2工况下样本的诊断，能够适应由工况变化带来的诊断网络效果退化问题。试验显示，网络能较原无域适应的网络诊断准确率有很大提高。
附图说明
图1是本发明的方法流程图，包含网络训练及后期使用的流程。
图2是单层稀疏滤波网络结构图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
图1是本发明的方法流程图，如图1所示，本发明的变工况下基于迁移学习的机械故障智能诊断方法，包括以下步骤：
第一步，获得不同工况下原始时域振动信号；其中，不同工况为两个，分别记为工况1和工况2；
第二步，对信号进行重叠取样得到时域样本：对第一步获得的不同工况下原始时域振动信号进行重叠取样，得到时域信号样本；工况1下原始时域振动信号样本为
Figure BDA0001740666390000051
工况2下原始时域振动信号样本
Figure BDA0001740666390000052
其中，
Figure BDA0001740666390000053
分别为工况1、工况2下信号样本集Ds、Dt中的第i个样本，
Figure BDA0001740666390000054
为某个维度的空间，如
Figure BDA0001740666390000055
为所有N维纵向向量组成的空间，即每个样本含有N个数据点；MS，Mt分别为工况1和2下得到的样本总数；yi为每个样本的故障类型标签；
第三步，样本前处理：对第二步得到的时域信号样本做FFT变换，得到频谱，因其对称性，取频谱的前半部分作为频域样本，故频域样本的长度为原始时域信号样本的一半；之后再对频域样本进行归一化，最终得到网络输入样本；
第四步，训练特征提取网络：从步骤三得到的工况1和工况2的网络输入样本中，各选取M1，M2个样本，作为训练样本，即来自工况1和工况2的训练样本集分别为
Figure BDA0001740666390000056
通过训练样本对构造好的高阶KL散度稀疏滤波进行训练，得到优化后的特征提取网络；
其中，高阶KL散度为：
高阶KL散度LHKL(Zs,Zt)由原有计算一阶矩的L1和计算的第n阶高阶矩Ln组成，计算过程如下所示：
Figure BDA0001740666390000061
Figure BDA0001740666390000062
Figure BDA0001740666390000063
其中，N表示输入的特征向量的维数，Zs和Zt分别是源域和目标域的特征矩阵，每一列为一个样本的特征向量；
Figure BDA0001740666390000064
和
Figure BDA0001740666390000065
分别是所有特征zs1和zt1的第i个元素的均值，即一阶矩；
Figure BDA0001740666390000066
和
Figure BDA0001740666390000067
分别是特征zs1和zt1的第i个元素的n阶矩。
高阶KL散度稀疏滤波的计算过程为：
Figure BDA0001740666390000068
Figure BDA0001740666390000069
其中，M为输入的矩阵
Figure BDA00017406663900000610
中所有纵向向量的列数，L为最终的目标函数，
Figure BDA00017406663900000611
为原稀疏滤波的目标函数，λ1为权衡稀疏滤波和域适应项比重的参数；
Figure BDA00017406663900000612
为稀疏滤波中依次经过行归一化和列归一化后的特征矩阵，
Figure BDA00017406663900000613
和
Figure BDA00017406663900000614
分别是归一化后的对应于源域和目标域样本的特征矩阵。
选取的工况1下和工况2下样本数的比为1,分别占各自工况下样本数的30％，即训练样本占所有样本30％，测试样本占所有样本的70％。
使用迭代方法对网络进行优化，包括以下三个步骤：
(1)特征矩阵归一化。通过W1和软阈值激活函数得到特征矩阵，如式(6)所示。之后依次通过L2范数对矩阵进行行归一化、列归一化，得到归一化后的矩阵为
Figure BDA0001740666390000071
其中
Figure BDA0001740666390000072
和
Figure BDA0001740666390000073
分别是归一化后的对应于源域和目标域样本的特征矩阵。
Figure BDA0001740666390000074
(2)将上述归一化后的特征矩阵输入到高阶KL散度稀疏滤波网络的目标函数，即公式2中，通过梯度对每个循环后的参数进行更新。
Figure BDA0001740666390000075
(3)通过上述两个步骤实现参数迭代更新，直到达到收敛要求。
第五步，计算得到训练样本特征：结合训练好的参数W1和训练数据集
Figure BDA0001740666390000076
Figure BDA0001740666390000077
计算得到特征矩阵
Figure BDA0001740666390000078
其中
Figure BDA00017406663900000713
分别为源域和目标域样本的特征矩阵，如下式所示：
Figure BDA0001740666390000079
Figure BDA00017406663900000710
第六步，训练特征分类网络：通过上述计算得到样本特征，对高阶KL散度softmax分类器进行训练，得到特征提取网络；高阶KL散度约束的softmax分类器的计算过程为：
Figure BDA00017406663900000711
Figure BDA00017406663900000712
其中，f为输入到softmax分类器的输入矩阵，K表示输入的矩阵f中所有纵向向量的列数即所有特征向量的数量，R表示样本中所有健康状况的类别数，ym表示输入的矩阵f中的第m列纵向特征向量所对应的已知标签其范围为1≤ym≤R，λ2是用于衡量函数LSOF(F,Y)中第一项和第二项相对大小的权重参数，λ3是用于衡量函数L2中第一项和第二项相对大小的权重参数，LSOF(F,Y)为原softmax回归的目标函数，其中F为输入的特征矩阵，列为一个样本的特征，Y为每个样本的标签组成的向量；
Figure BDA0001740666390000081
为softmax分类器参数W2的第r行，
Figure BDA0001740666390000082
为其第k行的第j个原素；
Figure BDA0001740666390000083
分别为源域和目标域样本通过步骤四中训练好的特征提取网络计算得到的特征矩阵。
第七步故障诊断。将工况2下样本输入训练好的网络，即可输出其健康状态类型。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种变工况下基于迁移学习的机械故障智能诊断方法，其特征在于：包括以下步骤：
步骤一，获得不同工况下原始时域振动信号；不同工况包括工况1和工况2；
步骤二，重叠取样：对步骤一获得的不同工况下原始时域振动信号进行重叠取样，得到时域信号样本；工况1下原始时域振动信号样本为
Figure FDA0003062880320000011
工况2下原始时域振动信号样本
Figure FDA0003062880320000012
其中，
Figure FDA0003062880320000013
分别为工况1、工况2下信号样本集Ds、Dt中的第i个样本，
Figure FDA0003062880320000014
为某个维度的空间，如
Figure FDA0003062880320000015
为所有N维纵向向量组成的空间，即每个样本含有N个数据点；MS，Mt分别为工况1和2下得到的样本总数；yi为第i个样本的故障类型标签；
步骤三，样本前处理：对步骤二得到的时域信号样本做FFT变换，得到频谱，因其对称性，取频谱的前半部分作为频域样本，故频域样本的长度为原始时域信号样本的一半；之后再对频域样本进行归一化，最终得到网络输入样本；
步骤四，训练特征提取网络：从步骤三得到的工况1和工况2的网络输入样本中，各选取M1，M2个样本，作为训练样本，即来自工况1和工况2的训练样本集分别为
Figure FDA0003062880320000016
通过训练样本对构造好的高阶KL散度稀疏滤波进行训练，得到优化后的特征提取网络；
其中，所述高阶KL散度为：
高阶KL散度LHKL(Zs,Zt)由原有计算一阶矩的L1和计算的第n阶高阶矩Ln组成，计算过程如下所示：
Figure FDA0003062880320000017
Figure FDA0003062880320000018
Figure FDA0003062880320000021
其中，N表示输入的特征向量的维数，Zs和Zt分别是源域和目标域的特征矩阵，每一列为一个样本的特征向量；
Figure FDA0003062880320000022
和
Figure FDA0003062880320000023
分别是所有特征zs1和zt1的第i个元素的均值，即一阶矩；
Figure FDA0003062880320000024
和
Figure FDA0003062880320000025
分别是特征zs1和zt1的第i个元素的n阶矩；
步骤五，获得训练样本特征：通过步骤四得到的特征提取网络中参数W1、激活函数、训练样本计算得到训练样本的特征；
步骤六，训练特征分类器：通过步骤五的计算得到训练样本的特征，对高阶KL散度约束的softmax分类器进行训练，得到特征分类网络；
步骤七，故障诊断：将工况2下样本输入特征分类网络，即可诊断出工况2下样本的健康状态类型。
2.根据权利要求1所述的变工况下基于迁移学习的机械故障智能诊断方法，其特征在于：步骤二的时域信号样本长度为2000，取样重叠率为80％。
3.根据权利要求1所述的变工况下基于迁移学习的机械故障智能诊断方法，其特征在于：步骤四中，高阶KL散度稀疏滤波的计算过程为：
Figure FDA0003062880320000026
Figure FDA0003062880320000027
其中，M为输入的矩阵
Figure FDA0003062880320000028
中所有纵向向量的列数，L为最终的目标函数，
Figure FDA0003062880320000029
为原稀疏滤波的目标函数，λ1为权衡稀疏滤波和域适应项比重的参数；
Figure FDA00030628803200000210
为稀疏滤波中依次经过行归一化和列归一化后的特征矩阵，
Figure FDA00030628803200000211
和
Figure FDA00030628803200000212
分别是归一化后的对应于源域和目标域样本的特征矩阵。
4.根据权利要求1所述的变工况下基于迁移学习的机械故障智能诊断方法，其特征在于：步骤四中，选取的工况1下和工况2下样本数的比为1,分别占各自工况下样本数的30％，即训练样本占所有样本30％，测试样本占所有样本的70％。
5.根据权利要求1所述的变工况下基于迁移学习的机械故障智能诊断方法，其特征在于：步骤六中，高阶KL散度约束的softmax分类器的计算过程为：
Figure FDA0003062880320000031
Figure FDA0003062880320000032
其中，f为输入到softmax分类器的输入矩阵，K表示输入的矩阵f中所有纵向向量的列数即所有特征向量的数量，R表示样本中所有健康状况的类别数，ym表示输入的矩阵f中的第m列纵向特征向量所对应的已知标签其范围为1≤ym≤R，λ2是用于衡量函数LSOF(F,Y)中第一项和第二项相对大小的权重参数，λ3是用于衡量函数L2中第一项和第二项相对大小的权重参数，LSOF(F,Y)为原softmax回归的目标函数，其中F为输入的特征矩阵，列为一个样本的特征，Y为每个样本的标签组成的向量；
Figure FDA0003062880320000033
为softmax分类器参数W2的第r行，
Figure FDA0003062880320000034
为其第k行的第j个元素；
Figure FDA0003062880320000035
Ft 1分别为源域和目标域样本通过步骤四中训练好的特征提取网络计算得到的特征矩阵。
CN201810817508.9A 2018-07-24 2018-07-24 一种变工况下基于迁移学习的机械故障智能诊断方法 Active CN109190464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810817508.9A CN109190464B (zh) 2018-07-24 2018-07-24 一种变工况下基于迁移学习的机械故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810817508.9A CN109190464B (zh) 2018-07-24 2018-07-24 一种变工况下基于迁移学习的机械故障智能诊断方法

Publications (2)

Publication Number Publication Date
CN109190464A CN109190464A (zh) 2019-01-11
CN109190464B true CN109190464B (zh) 2021-09-17

Family

ID=64936679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810817508.9A Active CN109190464B (zh) 2018-07-24 2018-07-24 一种变工况下基于迁移学习的机械故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN109190464B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008996B (zh) * 2019-03-06 2021-08-10 华南理工大学 一种基于散度计算的异构域适应方法
CN109976316B (zh) * 2019-04-25 2021-06-18 山东科技大学 一种故障相关的变量选择方法
CN110210381B (zh) * 2019-05-30 2023-08-25 盐城工学院 一种域分离自适应一维卷积神经网络智能故障诊断方法
CN110487547B (zh) * 2019-07-31 2020-07-31 中国特种设备检测研究院 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法
CN110780146B (zh) * 2019-12-10 2021-04-27 武汉大学 基于多阶段迁移学习的变压器故障辨识与定位诊断方法
CN111122161B (zh) * 2019-12-24 2021-06-08 北京交通大学 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法
CN111898634B (zh) * 2020-06-22 2022-08-16 西安交通大学 一种基于深度对抗域自适应的智能故障诊断方法
CN114061947B (zh) * 2021-09-29 2023-01-24 上海交通大学 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统
CN114217256B (zh) * 2021-11-25 2022-09-16 华中科技大学 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法
CN115828087B (zh) * 2023-02-21 2023-05-09 山东大学 一种用于机械设备故障诊断的信号特征提取方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105300693A (zh) * 2015-09-25 2016-02-03 东南大学 一种基于迁移学习的轴承故障诊断方法
CN105628383A (zh) * 2016-02-01 2016-06-01 东南大学 基于改进型lssvm迁移学习的轴承故障诊断方法和系统
KR20170093613A (ko) * 2016-02-05 2017-08-16 울산대학교 산학협력단 베어링 고장 진단 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105300693A (zh) * 2015-09-25 2016-02-03 东南大学 一种基于迁移学习的轴承故障诊断方法
CN105628383A (zh) * 2016-02-01 2016-06-01 东南大学 基于改进型lssvm迁移学习的轴承故障诊断方法和系统
KR20170093613A (ko) * 2016-02-05 2017-08-16 울산대학교 산학협력단 베어링 고장 진단 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"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";汤芳等;《机械科学与技术》;20180331;第37卷(第3期);论文第352-357页 *

Also Published As

Publication number Publication date
CN109190464A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190464B (zh) 一种变工况下基于迁移学习的机械故障智能诊断方法
CN110849627B (zh) 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法
Wang et al. Intelligent bearing fault diagnosis using multi-head attention-based CNN
CN111832216B (zh) 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
Chang et al. Learning representations of emotional speech with deep convolutional generative adversarial networks
CN107066759B (zh) 一种汽轮机转子振动故障诊断方法及装置
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN109870729B (zh) 基于离散余弦变换的深度神经网络磁共振信号消噪方法
CN110991424A (zh) 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法
CN114564991A (zh) 基于Transformer引导卷积神经网络的脑电信号分类方法
CN111626312A (zh) 基于快速多分离字典学习的风力机轴承故障诊断方法
CN113780242A (zh) 一种基于模型迁移学习的跨场景水声目标分类方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN111695611B (zh) 一种蜂群优化核极限学习和稀疏表示机械故障识别方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115859142A (zh) 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法
Yang et al. Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network
Wang et al. Research on feature extraction and recognition method of underwater acoustic target based on deep convolutional network
CN114841209A (zh) 一种基于深度领域自适应的多目标域心电信号分类方法
Mustika et al. Comparison of keras optimizers for earthquake signal classification based on deep neural networks
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN113052099B (zh) 一种基于卷积神经网络的ssvep分类方法
CN113011330B (zh) 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
CN108108666B (zh) 一种基于小波分析和时频单源检测的混合矩阵估计方法

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