CN109299705B - 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 - Google Patents
基于一维深度残差卷积神经网络的旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN109299705B CN109299705B CN201811245199.9A CN201811245199A CN109299705B CN 109299705 B CN109299705 B CN 109299705B CN 201811245199 A CN201811245199 A CN 201811245199A CN 109299705 B CN109299705 B CN 109299705B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- neural network
- residual
- convolution
- layer
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，首先，通过堆积的一维残差模块使网络学习到训练样本更深层和更抽象的故障特征；然后，使用Adam优化算法对所有超参数进行优化，完成深层次特征的提取及故障分类，获得基于一维深度残差卷积神经网络的旋转机械故障诊断系统模型；最后，将测试样本输入到已经训练好的故障诊断模型中，自动提取深层特征，诊断出旋转机械的健康状况。
Description
技术领域
本发明属于旋转机械故障诊断技术领域，更为具体地讲，涉及一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法。
背景技术
旋转机械是工业设备中应用最广泛的一种部件，一旦发生故障，必将导致设备失效，从而带来经济损失，甚至引发安全事故。因此，对旋转机械进行故障诊断具有重要的意义。
传统智能故障诊断方法主要包括数据采集、特征提取和故障识别。其中，特征提取和故障识别是最重要的两个步骤，对故障诊断结果的准确性有直接影响。然而，传统智能故障诊断方法有以下缺点：1)诊断性能依赖领域专家对特征提取方法的设计，对于每个特定的诊断任务，必须重新设计特征提取方法，因此是耗时且劳动密集的；2)手动提取的特征不能保证充分地表示旋转机械复杂的动力学特征；3)故障识别的方法如支持向量机、k最近邻、随机森林和朴素贝叶斯等均采用浅层学习模型，很难学习到足够的特征，从而容易造成误判。
深度学习技术以其强大的特征学习能力，在计算机视觉、语音识别、自然语言处理等领域应用非常广泛。卷积神经网络作为深度学习很有前景的方法，已被一些学者应用到旋转机械的故障诊断中。然而，已发表的相关方法在复杂工况下几乎都存在准确率低和域适应能力差的问题。因此，本发明提供一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，力求克服以上两个缺点。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，通过将采集的原始振动信号作为一维深度残差卷积神经网络的输入，输出即为旋转机械的故障诊断结果，具有诊断准确率高和域适应能力强等特点。
为实现上述发明目的，本发明为一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：
(1)、采集旋转机械的振动信号
以采样频率fs，采集不同故障的旋转机械在不同运行速度、不同垂向载荷和轴向载荷工况下的加速度振动信号x[n]m，获取加速度振动信号集 X＝{x[n]1，x[n]2，...，x[n]m}，其中，n为单个加速度振动信号的采样点个数，m为加速度振动信号的个数；
(2)、数据样本标准化
使用z-score标准化方法对每一个加速度振动信号x[n]m进行标准化；
其中，μ是x[n]m的平均值，σ是x[n]m的标准差；
(3)、采用滑动分割法对数据样本进行扩展
定义：Loverlap＝两个相邻分段信号的样本重叠长度，Lseg＝每个分段信号的长度，N＝所有分段信号的数量；
则有如下关系：
n＝(N-1)×(Lseg-Loverlap)+Lseg
根据上述关系，将标准化后的每一个加速度振动信号
分成N个分段信号
在每一组分段信号中，将p个分段信号组成训练样本Xtrain，N-p个分段信号组成测试样本Xtest；
(4)、训练一维深度残差卷积神经网络模型
(4.1)、搭建一维深度残差卷积神经网络模型，通过2个卷积层和1个深度残差模块分别学习振动信号的低级/高级特征，将Xtrain输入至一维深度残差卷积神经网络模型中；
(4.2)、对Xtrain进行第一层卷积操作，卷积层的步长为s1，卷积核使用k1×1的宽卷积核，使用Dropout技术以一定的失活率r对卷积核随机失活，输出第一层信号特征图；
(4.3)、将第一层信号特征图输入到第二层卷积层，步长为s2，卷积核大小为k2×1，同样使用Dropout技术对卷积核随机失活，输出第二层信号特征图；
(4.4)、将第二层信号特征图输入至由多个一维残差模块堆积的深度残差模块中；
将第二层输出的信号特征图输入至第一个一维残差模块，再判断第一个一维残差模块的输入和输出的数据流的维度是否相同，如果相同则执行步骤 (4.5)，否则执行步骤(4.6)；
(4.5)、选择一维残差模块中的“Identity-block”模型，再通过两个一维卷积层拟合需要学习的残差函数，并通过一个短连接完成对输入的信号特征图进行恒等映射，输出第一个一维残差模块的信号特征图；
(4.6)、选择一维残差模块中的“Down-block”模型，该模型在“Identity-block”的短连接上执行一个卷积核大小为k3×1，步长为s3的卷积操作，来完成对输入信号特征图的线性投影，从而输出第一个一维残差模块的信号特征图；
(4.7)、将第一个一维残差模块输出的信号特征图输入至第二个一维残差模块中，再返回步骤(4.4)判断输入输出数据维数是否相同，并重复执行步骤 (4.5)或(4.6)，以此类推，直到所有一维残差模块判断结束；
(4.8)、将最后一个一维残差模块输出的信号特征图输入至全局平均池化层，获得该信号特征图的平均值，然后将得到的平均值直接输入到Sofimax层，估计出λ个不同健康状况上的概率分布；
(4.9)、使用交叉熵损失函数评估估计的概率分布和目标概率分布的误差，然后使用Adam优化算法优化该误差，不断循环步骤(4.2)-(4.9)，使估计的概率分布和目标概率分布趋于相同，得到训练好的一维深度残差卷积神经网络模型；
(5)、故障诊断
将Xtest输入至训练好的一维深度残差卷积神经网络模型中，预测出测试样本的故障诊断结果。
本发明的发明目的是这样实现的：
本发明为一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，首先，通过堆积的一维残差模块使网络学习到训练样本更深层和更抽象的故障特征；然后，使用Adam优化算法对所有超参数进行优化，完成深层次特征的提取及故障分类，获得基于一维深度残差卷积神经网络的旋转机械故障诊断系统模型；最后，将测试样本输入到已经训练好的故障诊断模型中，自动提取深层特征，诊断出旋转机械的健康状况。
同时，本发明为一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法还具有以下有益效果：
(1)、本发明通过引入残差学习的思想提供一种一维残差模块解决深度残差网络的训练困难和性能退化问题，同时，宽卷积核和Dropout的引入提高了网络在强噪声环境下的特征学习能力；
(2)、本发明提出了一维深度残差卷积神经网络模型，并提供了一种端到端的旋转机械智能故障诊断系统，该模型将原始振动信号作为输入，自动学习高级特征，同时对不同的健康状况进行分类，不需要任何额外的信号处理或专家知识；
(3)、本发明提供的故障诊断方法能够成功应用于高速列车轮对旋转机械机械的故障诊断任务中。
附图说明
图1是本发明基于一维深度残差卷积神经网络的旋转机械故障诊断方法流程图；
图2是滑动分割算法说明图；
图3是一维深度残差卷积神经网络模型的整体框架；
图4是深度残差模块的框架图；
图5是一维残差模块的框架图；
图6是一维残差模块的具体实施图；
图7是高速列车轮对旋转机械测试装置；
图8是五种不同方法在不同噪声工况下的诊断结果图；
图9是五种不同方法在不同载荷工况下的域适应结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：
ReLU(Rectified Liner Units)：修正线性单元；
BN(Batch Normalization)：批量归一化。
图1是本发明基于一维深度残差卷积神经网络的旋转机械故障诊断方法流程图。
在本实施例中，如图1所示，本发明一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，包括以下步骤：
S1、采集旋转机械的振动信号
采集不同故障的旋转机械以采样频率fs在不同运行速度、不同垂向载荷以及轴向载荷下的9点方向和12点方向的加速度振动信号x[n]m，获取加速度振动信号集X＝{x[n]1，x[n]2，...，x[n]m}，其中，n为单个加速度振动信号的采样点个数， m为加速度振动信号的个数；
S2、数据样本标准化
使用z-score标准化方法对每一个加速度振动信号x[n]m进行标准化；
其中，μ是x[n]m的平均值，σ是x[n]m的标准差；
S3、采用滑动分割法对数据样本进行扩展
如图2所示，采用一种滑动分割方法对数据样本进行扩展，首先，我们定义：Loverlap＝两个相邻分段信号的样本重叠长度，Lseg＝每个分段信号的长度，N＝所有分段信号的数量；
则有如下关系：
n＝(N-1)×(Lseg-Loverlap)+Lseg
根据上述关系，将标准化后的每一个加速度振动信号
分成N个分段信号
在每一组分段信号中，选取p个分段信号组成训练样本Xtrain，剩余N-p个分段信号组成测试样本Xtest；
S4、训练一维深度残差卷积神经网络模型
S4.1、搭建一维深度残差卷积神经网络模型，如图3所示，通过2个卷积层和1个深度残差模块分别学习振动信号的低级/高级特征，将Xtrain输入至一维深度残差卷积神经网络模型中；
S4.2、对Xtrain进行第一层卷积操作，卷积层的步长为4，卷积核使用的是48×1 的宽卷积核，使用Dropout技术以一定的失活率r对卷积核随机失活，输出第一层信号特征图；
S4.3、将第一层信号特征图输入到第二层卷积层，步长为2，卷积核大小为 48×1，同样使用Dropout技术对卷积核随机失活，输出第二层信号特征图；
S4.4、将第二层信号特征图输入至由多个一维残差模块堆积的深度残差模块中；在本实施例中，如图4所示，深度残差模块由10个堆积的一维残差模块组成；如图5所示，每个一维残差模块有2个卷积层和1个短连接，因此一维深度残差卷积神经网络模型是24层的网络。如果数据样本更大，可以堆积更多的一维残差模块，从而构建更深的网络，因此，本实施例中，仅提供了一个模型框架；
将第二层输出的特征图输入至第一个一维残差模块，然后判断第一个一维残差模块的输入和输出的数据流的维度是否相同，如果输入输出数据维数相同则执行步骤S4.5，否则执行步骤S4.6；
S4.5、如图6(a)所示，选用一维残差模块中的“Identity-block”模型，然后通过两个一维卷积层拟合需要学习的残差函数，并通过一个短连接完成对输入的信号特征图进行恒等映射，输出第一个一维残差模块的信号特征图；在本实施例中，一维残差模块的两个卷积层的步长为1，卷积核大小随着网路深度的增加逐渐变小，可以根据数据维度微调，例如，本实施例中10个一维残差模块的卷积核大小分别是：24×1、24×1、12×1、12×1、12×1、6×1、6×1、6×1、 3×1和3×1；
S4.6、如图6(b)所示，选用一维残差模块中的“Down-block”模型，即在“Identity-block”模型的短连接上执行一个卷积核大小为1×1，步长为2的卷积操作，来完成对输入信号特征图的线性投影，从而输出第一个一维残差模块的信号特征图；在本实施例中，一维残差模块的两个卷积层的步长不相同，第一个卷积层步长为2，第二个卷积层步长为1，卷积核大小同样随着网路深度的增加逐渐变小；
S4.7、将第一个一维残差模块输出的信号特征图输入至第二个一维残差模块中，再返回步骤S4.4判断输入输出数据维数是否相同，并重复执行步骤S4.5或 S4.6，然后以此类推，直到所有一维残差模块判断结束；
S4.8、将最后一个一维残差模块输出的信号特征图输入至全局平均池化层，获得该信号特征图的平均值，然后将得到的平均值直接输入到Softmax层，估计出λ个不同健康状况上的概率分布；
S4.9、使用交叉熵损失函数评估估计的概率分布和目标概率分布的误差，然后使用Adam优化算法优化该误差，再不断循环步骤S4.2-S4.9使估计的概率分布和目标概率分布趋于相同，得到训练好的一维深度残差卷积神经网络模型：
S5、故障诊断
将Xtest输入至训练好的一维深度残差卷积神经网络模型中，预测出测试样本的故障诊断结果。
实例
在本次实施案例中，依托某轴承试验台，如图7所示。具体相关信息如下：
该轮对轴承故障诊断试验台由驱动电机、皮带传动系统、垂直加载装置、横向加载装置、两个风扇电机和控制系统组成。垂直和侧向载荷加载装置的设计用于模拟列车实际运行中轮对轴承承载的轴向和侧向的载荷。两个风扇电机可以产生与列车运行方向相反的风。通过两个加速度计确保轮对轴承水平方向和垂直方向的振动都能被检测到，信号的采集频率设置为5120Hz。
我们加工了12种不同健康状况的轴承。表1列出了12种故障的具体信息，其中标签分别为C1、C2、C3、...、C12。为了尽可能地模拟高速列车实际运行时变转速、变载荷的复杂和变化的工作条件，在每种健康状况下，设计了五种运行速度：60、90、120、150和180km/h，四种不同的垂直方向的负载：56、 146、236和272kN，以及两个横向的负载：0和20kN。因此，每种健康状况包括四十种不同的工况。通过对原始数据进行数据扩展之后，总共有329752个样本，其中284260个样本是训练样本，45492个样本是测试样本。
表1
首先，验证了本发明在强噪声工况下的诊断结果。为了更好的模拟高速列车的复杂工况环境，在原始信号中加入了不同信噪比(SNR)的高斯白噪声， SNR定义如下，
其中，Psignal是信号功率，在实验中我们假设Psignal是0dBW，Pnoise是噪声功率。
我们设置了从-16dB到20dB的10种不同SNR的噪声信号，以完全相同的训练策略对本发明和其他四个对比方法进行了实验。这四个对比方法分别是自适应卷积神经网络SDCNN、Wen等提出的卷积神经网络Wen-CNN、多尺度卷积神经网络MSCNN和宽卷积神经网络WDCNN。实验结果如图8所示。其中，四个对比方法可依次参考四个文献，具体为：1、X.Guo，L.Chen and C.Shen，“Hierarchical adaptive deep convolution neural network andits application to bearing fault diagnosis，”Measurement，vol.93，pp.490-502，Nov.2016；2、L.Wen，X.Li，L.Gao and Y.Zhang，“A new convolutional neural network-based data-driven fault diagnosis method，”IEEE Trans.Ind.Electron.，vol.65，no.7，pp.5990-5998，Nov. 2018；3、G.Jiang，H.He，J.Y an and P.Xie，“Multiscaleconvolutional neural networks for fault diagnosis of wind turbine gearbox，”IEEE Trans.Ind.Electron.，no. 99，pp.1-12，Jun.2018；4、W.Zhang，G.Peng，C.Li，Y.Chenand Z.Zhang，“A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals，”Sensors-Basel，vol.17，no.2，pp.425-446，Feb.2017。
显然，本发明优于其他四个对比方法，在所有的噪声级别中均获得最好的诊断性能。此外，本发明在所有噪声水平下都有超过95％的诊断性能，除了在 SNR＝-16dB时，准确率是89％。当SNR比较大时，Wen-CNN、MSCNN和 WDCNN三种方法获得了相似的诊断性能并且诊断性能并未随着SNR的增大而增大，然而，本发明具有接近100％的诊断准确率。另一方面，随着噪声强度的增强，本发明和其他四个对比方法的诊断性能均出现不同程度地下降，但是本发明在强噪声情况下，例如在SNR＝-16dB时，获得接近90％的诊断性能，相比于对比方法中诊断性能最好的Wen-CNN方法有近10％的提升。这意味着本发明在没有任何去噪预处理下，对噪声具有很强的鲁棒性。
另外，我们验证了本发明在不同负载下的域适应能力。高速列车轴承的振动信号是在多种不同载荷情况下采集而成，我们选取了4种不同垂向载荷的工况下的振动信号作为本次实验的数据集，其中包含56、146、236和272kN的载荷工况。依次轮流将其中一种载荷数据作为测试集，其他三种载荷数据作为训练集共得到4组实验数据。然后，以相同的训练策略对本发明和其他四个对比方法进行了域适应能力实验。实验结果如图9所示。
显然，本发明在不同域适应情况下均表现出最好的域适应诊断性能。从每种方法在不同载荷下的准确率的变化趋势来看，可以发现载荷越小诊断性能越差。但是，本发明相对其他四个对比方法仍然具有优越性。另一方面，随着载荷的增加，所有对比方法在载荷为272kN时均出现了性能下降，相反，本发明不仅没有下降反而准确率几乎接近100％。综上所述，本发明在不需要任何域适应算法处理情况下，当列车的工作负载变化时，仍具有相当好的诊断性能。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，其特征在于，包括以下步骤：
(1)、采集旋转机械的振动信号
以采样频率fs，采集不同故障的旋转机械在不同运行速度、不同垂向载荷和轴向载荷工况下的加速度振动信号x[n]m，获取加速度振动信号集X＝{x[n]1,x[n]2,…,x[n]m}，其中，n为单个加速度振动信号的采样点个数，m为加速度振动信号的个数；
(2)、数据样本标准化
使用z-score标准化方法对每一个加速度振动信号x[n]m进行标准化；
其中，μ是x[n]m的平均值，σ是x[n]m的标准差；
(3)、采用滑动分割法对数据样本进行扩展
定义：Loverlap＝两个相邻分段信号的样本重叠长度，Lseg＝每个分段信号的长度，N＝所有分段信号的数量；
则有如下关系：
n＝(N-1)×(Lseg-Loverlap)+Lseg
根据上述关系，将标准化后的每一个加速度振动信号
分成N个分段信号
在每一组分段信号中，将p个分段信号组成训练样本Xtrain，N-p个分段信号组成测试样本Xtest；
(4)、训练一维深度残差卷积神经网络模型
(4.1)、搭建一维深度残差卷积神经网络模型，通过2个卷积层和1个深度残差模块分别学习振动信号的低级/高级特征，将Xtrain输入至一维深度残差卷积神经网络模型中；
(4.2)、对Xtrain进行第一层卷积操作，卷积层的步长为s1，卷积核使用k1×1的宽卷积核，使用Dropout技术以一定的失活率r对卷积核随机失活，输出第一层信号特征图；
(4.3)、将第一层信号特征图输入到第二层卷积层，步长为s2，卷积核大小为k2×1，同样使用Dropout技术对卷积核随机失活，输出第二层信号特征图；
(4.4)、将第二层信号特征图输入至由多个一维残差模块堆积的深度残差模块中；
将第二层输出的信号特征图输入至第一个一维残差模块，再判断第一个一维残差模块的输入和输出的数据流的维度是否相同，如果相同则执行步骤(4.5)，否则执行步骤(4.6)；
(4.5)、选择一一维残差模块中的“Identity-block”模型，再通过两个一维卷积层拟合需要学习的残差函数，并通过一个短连接完成对输入的信号特征图进行恒等映射，输出第一个一维残差模块的信号特征图；
(4.6)、选择一维残差模块中的“Down-block”模型，该模型在“Identity-block”的短连接上执行一个卷积核大小为k3×1，步长为s3的卷积操作，来完成对输入信号特征图的线性投影，从而输出第一个一维残差模块的信号特征图；
(4.7)、将第一个一维残差模块输出的信号特征图输入至第二个一维残差模块中，再返回步骤(4.4)判断输入输出数据维数是否相同，并重复执行步骤(4.5)或(4.6)，以此类推，直到所有一维残差模块判断结束；
(4.8)、将最后一个一维残差模块输出的信号特征图输入至全局平均池化层，获得该信号特征图的平均值，然后将得到的平均值直接输入到Softmax层，估计出λ个不同健康状况上的概率分布；
(4.9)、使用交叉熵损失函数评估估计的概率分布和目标概率分布的误差，然后使用Adam优化算法优化该误差，不断循环步骤(4.2)—(4.9)，使估计的概率分布和目标概率分布趋于相同，得到训练好的一维深度残差卷积神经网络模型；
(5)、故障诊断
将Xtest输入至训练好的一维深度残差卷积神经网络模型中，预测出测试样本的故障诊断结果。
2.根据权利要求1所述的一种基于一维深度残差卷积神经网络的旋转机械故障诊断方法，其特征在于，所述的一维残差模块包括两层卷积层和1个短连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811245199.9A CN109299705B (zh) | 2018-10-24 | 2018-10-24 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811245199.9A CN109299705B (zh) | 2018-10-24 | 2018-10-24 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109299705A CN109299705A (zh) | 2019-02-01 |
| CN109299705B true CN109299705B (zh) | 2021-08-20 |
Family
ID=65158697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811245199.9A Active CN109299705B (zh) | 2018-10-24 | 2018-10-24 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109299705B (zh) |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
| CN109946080B (zh) * | 2019-04-08 | 2020-06-16 | 西安交通大学 | 一种基于嵌入式循环网络的机械设备健康状态识别方法 |
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN110333074B (zh) * | 2019-07-30 | 2021-08-17 | 北京航天发射技术研究所 | 基于卷积神经网络的多测点传动机构故障诊断方法和系统 |
| CN110509186B (zh) * | 2019-08-29 | 2020-11-24 | 华中科技大学 | 一种基于加工振动特征的机器人磨抛质量表征方法 |
| CN110647830B (zh) * | 2019-09-12 | 2021-12-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
| CN110702411B (zh) * | 2019-09-23 | 2020-11-10 | 武汉理工大学 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
| CN110672343B (zh) * | 2019-09-29 | 2021-01-26 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
| 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 |
| CN110907826B (zh) * | 2019-11-14 | 2022-04-08 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
| 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 |
| CN111458144B (zh) * | 2020-03-04 | 2021-04-27 | 华北电力大学 | 一种基于卷积神经网络的风力发电机故障诊断方法 |
| CN111397870B (zh) * | 2020-03-08 | 2021-05-14 | 中国地质大学（武汉） | 一种基于多样化集成卷积神经网络的机械故障预测方法 |
| CN111524530A (zh) * | 2020-04-23 | 2020-08-11 | 广州清音智能科技有限公司 | 一种基于膨胀因果卷积的语音降噪方法 |
| CN111810124B (zh) * | 2020-06-24 | 2023-09-22 | 中国石油大学(华东) | 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法 |
| CN111931851A (zh) * | 2020-08-11 | 2020-11-13 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
| CN112182490B (zh) * | 2020-09-01 | 2024-02-02 | 华中科技大学 | 一种电抗器状态诊断方法及系统 |
| CN112179481B (zh) * | 2020-09-01 | 2023-01-06 | 国网山西省电力公司电力科学研究院 | 一种gis设备的机械故障诊断方法及系统 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112766200A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN112906644B (zh) * | 2021-03-22 | 2022-10-14 | 重庆大学 | 基于深度迁移学习的机械故障智能诊断方法 |
| CN113761805B (zh) * | 2021-09-14 | 2022-10-25 | 东华理工大学 | 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质 |
| CN113962256A (zh) * | 2021-09-29 | 2022-01-21 | 西安交通大学 | 一种用于机电作动器智能故障诊断方法及系统 |
| CN113945569B (zh) * | 2021-09-30 | 2023-12-26 | 河北建投新能源有限公司 | 离子膜的故障检测方法及装置 |
| CN114330439B (zh) * | 2021-12-28 | 2023-04-07 | 盐城工学院 | 一种基于卷积神经网络的轴承诊断方法 |
| CN114275483B (zh) * | 2021-12-31 | 2023-12-19 | 无锡物联网创新中心有限公司 | 一种带式输送机的智能在线监测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454585A (zh) * | 2013-08-27 | 2013-12-18 | 河海大学 | 一种基于失电残压的永磁同步电机失磁故障诊断方法 |
| CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
| CN108195584A (zh) * | 2017-12-26 | 2018-06-22 | 电子科技大学 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
| CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9720095B2 (en) * | 2011-06-30 | 2017-08-01 | Tufts University | System and method for wireless collaborative verification of global navigation satellite system measurements |
-
2018
- 2018-10-24 CN CN201811245199.9A patent/CN109299705B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454585A (zh) * | 2013-08-27 | 2013-12-18 | 河海大学 | 一种基于失电残压的永磁同步电机失磁故障诊断方法 |
| CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
| CN108195584A (zh) * | 2017-12-26 | 2018-06-22 | 电子科技大学 | 一种基于准确度谱图的滚动轴承故障诊断方法 |
| 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 |
| CN108334948A (zh) * | 2018-02-09 | 2018-07-27 | 武汉理工大学 | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 |
Non-Patent Citations (5)
| Title |
|---|
| Multiple Wavelet Coefficients Fusion in Deep Residual Networks for Fault Diagnosis;Minghang Zhao等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20180824;第66卷(第6期);4696-4706 * |
| 基于一维卷积神经网络和Soft-Max分类器的风电机组行星齿轮箱故障检测;李东东等;《新能源与风力发电》;20180610;第45卷(第6期);80-87 * |
| 基于数据驱动的行星齿轮箱故障诊断方法研究;刘志亮;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20140615(第06期);C029-17 * |
| 基于道岔动作电流的故障诊断方法研究;陈亭;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180915(第09期);C033-239 * |
| 高速列车走行部齿轮箱齿轮故障诊断研究进展;彭丹丹等;《EITRT 2017》;20171020;63-70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109299705A (zh) | 2019-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299705B (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
| CN110595775B (zh) | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN110672343B (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
| CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
| CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
| CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN111006865A (zh) | 一种电机轴承故障诊断方法 | |
| CN111504644A (zh) | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 | |
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| Yeh et al. | Using convolutional neural network for vibration fault diagnosis monitoring in machinery | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
| CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
| CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
| Lu et al. | An automated bearing fault diagnosis using a self-normalizing convolutional neural network | |
| CN116256174A (zh) | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 | |
| CN111126455B (zh) | 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法 | |
| CN115219197A (zh) | 一种轴承故障智能诊断方法、系统、介质、设备及终端 | |
| CN115859702A (zh) | 一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统 | |
| Zhao et al. | Hybrid Semi-Supervised Learning for Rotating Machinery Fault Diagnosis based on Grouped Pseudo-labeling and Consistency Regularization | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN117871101B (zh) | 多分类器细粒度的轴承故障诊断领域自适应方法及系统 | |
| CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
| CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 |
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 |