CN109406118A - 一种基于层次卷积神经网络的机械故障预测方法 - Google Patents
一种基于层次卷积神经网络的机械故障预测方法 Download PDFInfo
- Publication number
- CN109406118A CN109406118A CN201811197982.2A CN201811197982A CN109406118A CN 109406118 A CN109406118 A CN 109406118A CN 201811197982 A CN201811197982 A CN 201811197982A CN 109406118 A CN109406118 A CN 109406118A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- level convolutional
- smart
- classifier
- 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.)
- Granted
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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于神经网络故障预测相关技术领域,其公开了一种基于层次卷积神经网络的机械故障预测方法,该方法包括以下步骤:(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图,以备用;(2)结合故障类型在不同粒度上的层次划分,以构建双输出的层次卷积神经网络模型,所述时频图为所述层次卷积神经网络模型的输入;所述层次卷积神经网模型具有两类分类器,分别为粗分类器及精分类器;(3)依次采用粗标签及精标签对所述粗分类器及所述精分类器进行训练,以得到训练好的层次卷积神经网络模型,进而进行机械故障预测。本发明提高了精度及效率,适用性较好,有利于在实际应用中推广应用。
Description
技术领域
本发明属于神经网络故障预测相关技术领域,更具体地,涉及一种基于层次卷积神经网络的机械故障预测方法。
背景技术
故障诊断在现代工业中发挥着至关重要的作用,随着智能制造的快速发展,大量的实时数据可以被收集,数据驱动的故障诊断方法已经被来自学术和工程领域的许多研究人员所研究。利用先进的基于学习的方法准确识别机械健康状况成为了故障诊断领域的一个趋势。
但传统基于学习的方法需要从时间、频率和视频域中提取信号的特征。特征提取是一个关键步骤,学习方法的上界性能依赖于特征提取过程。凭借显著的诊断技能和领域专业知识,该技术可以在特定数据集上实现高达100%的预测精度。然而,传统的手工特征提取技术需要相当多的领域知识,而特征提取过程非常耗时且费力。
近年来,深度学习(DL)在图像识别和语音识别方面取得了巨大的成功,它可以从原始数据中学习特征表示,关键是该过程不依赖于人类工程师,这可以尽可能地消除专家的影响,因而在故障诊断领域得到了广泛的应用。然而,机械数据具有噪音和随机性,这就限制了深度学习的实际应用。由于现实世界工业应用中的工作负载一直在变化,因此在不同工作负载下的故障诊断研究是必要的。相应地,本领域存在着发展一种适用性较好的机械故障预测方法的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于层次卷积神经网络的机械故障预测方法,其基于现有机械故障的预测特点,研究及设计了一种适用性较好的基于层次卷积神经网络的机械故障预测方法。所述机械故障预测方法适用于不同工作负载下的故障诊断,其将S变换和层次卷积神经网络模型相结合,将待故障预测的机械的振动信号自时域转变到时频域,同时采用了故障诊断可以看为层次分类树的方式,如此提高了故障预测的精度及效率,且适用性较好,有利于在实际应用中推广使用。
为实现上述目的,本发明提供了一种基于层次卷积神经网络的机械故障预测方法,该机械故障预测方法主要包括以下步骤:
(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图,以备用;
(2)结合故障类型在不同粒度上的层次划分,以构建双输出的层次卷积神经网络模型,所述时频图为所述层次卷积神经网络模型的输入;所述层次卷积神经网模型具有两类分类器,分别为粗分类器及精分类器;
(3)首先,采用粗标签对所述粗分类器进行训练,同时所述层次卷积神经网络进行粗分类;接着,采用精标签对所述精分类器进行训练以得到训练好的层次卷积神经网络模型,进而进行机械故障预测。
进一步地,步骤(1)中,从采集到的所述振动信号中随即截取时序信号样本,并采用S变换将所述时序信号样本内的信号自时域转换成时频域,进而将得到的二维矩阵调整为224×224维矩阵。
进一步地,所述粗分类器及所述精分类器分别是采用粗标签及精标签进行训练得到的。
进一步地,所述粗分类器及所述精分类器分别对应故障种类在不同粒度上的层次划分。
进一步地,所述层次卷积神经网络模型的最终损失函数为:
Lossi=-αCorseLossi-(1-α)FinalLossi (1)
式中,是粗分类器(CorseLossi)和精分类器(FinalLossi)在总损失(Lossi)上的折中参数。
进一步地,通过改变α来引导整个神经网络由粗分类转变为细分类,以提高分类器的准确性。
进一步地,采用AdamOptimizer优化算法对所述最终损失函数进行最小化。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于层次卷积神经网络的机械故障预测方法主要具有以下有益效果:
1.采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图,以备用;结合故障类型在不同粒度上的层次划分,以构建双输出的层次卷积神经网络模型,由此该预测方法结合了层次卷积神经网络及S变换,适用于不同工作负载下的非平稳信号的有效提取,提高了精度;同时,探索故障状态的层次类树来提高性能,进而提高精度及效率,极大地提高了适用性。
2.所述层次卷积神经网模型具有两类分类器,分别为粗分类器及精分类器,如此可以探索故障状态的层次类树来提高性能,进而提高了机械故障的预测精度。
3.采用AdamOptimizer优化算法对所述最终损失函数进行最小化,进而提高机械故障预测精度,且通过实验验证可以证明本发明提供的机械故障预测精度明显提高,预测结果更为准确。
附图说明
图1是本发明较佳实施方式提供的基于层次卷积神经网络的机械故障预测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1,本发明较佳实施方式提供的基于层次卷积神经网络的机械故障预测方法,该机械故障预测方法适用于不同工作负载下的故障诊断。所述机械故障预测方法结合了S变换及层次卷积神经网络模型,由于在不不同的工作载荷下,轴承的振动信号是非平稳的,频率分量随时间变化,时频技术可以产生信号的时间和频率信息,是一种处理不同工作负载下的非平稳信号的有效的工具,其中,S变换是一种完善的时间频率技术,其可以将短时傅里叶变换(STFT)和小波变换(WT)相结合,以获得比其他类似技术更令人满意的时频表示,而层次卷积神经网络的大致结构主要是根据分支卷积神经网络B-CNN而来,可以很好地处理深层次分类的分类任务。
所述的基于层次卷积神经网络的机械故障预测方法主要包括以下步骤:
步骤一,采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图,以备用。
具体地,首先,在待故障预测的机械上设置振动位移传感器及振动速度传感器,在所述机械的运动过程中,所述振动位移传感器及所述振动速度传感器以预定的采样方式对所述机械进行振动信号的采集。其中,所述振动位移传感器及所述振动速度传感器沿所述机械的轴的轴向或者所述轴的径向设置,以检测所述机械沿所述径向的振动。
接着,从采集到的所述振动信号组成的数据集中随即截取时序信号样本,并采用S变换将所述振动信号自时域转换成时频域,其结果表现为2维矩阵。最后,将变换得到的矩阵调整为224×224维大小,以备用。
步骤二,结合故障类型在不同粒度上的层次划分,以构建双输出的层次卷积神经网络模型,所述时频图为所述层次卷积神经网络模型的输入;所述层次卷积神经网络模型具有两类分类器,分别为粗分类器及精分类器。
具体地,将得到的时频图作为待构建的层次卷积神经网络模型的输入,基于经典Lenet-5模型,结合故障类型在不同粒度上的层次划分,对应构建一个双输出的层次卷积神经网络模型。所述层次卷积神经网络模型具有两类分类器,一类是粗分类器,一类是精分类器。所述粗分类器及所述精分类器分别是采用粗标签及精标签进行训练得到的,且所述粗分类器及所述精分类器共享大量的卷积层及池化层,以能够实现所述粗分类器及所述精分类器通用特征的提取。此外,所述粗分类器及所述精分类器分别对应故障种类在不同粒度上的层次划分。
所述层次卷积神经网络模型的最终损失函数为:
Lossi=-αCorseLossi-(1-α)FinalLossi (1)
式中,是粗分类器(CorseLossi)和精分类器(FinalLossi)在总损失(Lossi)上的折中参数。
在训练过程中,将改变α引导整个神经网络由粗分类转变为细分类,以提高最终分类器的准确性。
步骤三,首先,采用粗标签对所述粗分类器进行训练,同时所述层次卷积神经网络进行粗分类;接着,采用精标签对所述精分类器进行训练以得到训练好的层次卷积神经网络模型,进而进行机械故障预测。
具体地,α一开始设置为0.99,此时所述层次卷积神经网络模型训练所述粗分类器;之后,重新设置α为一个较小的值,以对所述层次卷积神经网络模型进行微调,此时由于α较小,所述层次卷积神经网络模型主要训练所述精分类器(即细分类器)。其中,采用AdamOptimizer优化算法对公式(1)进行最小化。
以下结合具体实施例对本发明的基于层次卷积神经网络的机械故障预测方法进行进一步地详细说明。
采用的数据集是电机轴承故障数据集,健康状况包含三种故障类型,分别由滚轮故障(RF)、外环故障(OF)和内环故障(IF)表示,每种故障类型有三种不同的损坏尺寸,损坏尺寸分别为0.18mm、0.36mm和0.54mm。因此,在粗分类中有四种健康状态,在细分类中有十种健康状态,实验数据集在0、1、2、3hp四个负载条件下采集,以用来测试所述的基于层次卷积神经网络的机械故障预测方法的表现,整个所述基于层次卷积神经网络模型的迭代次数是13500次。
相同负载条件下的精分类器的结果比较:所提出的的所述层次卷积神经网络模型(HCNN)在相同的工作负载下进行精分类,在精分类器下进行测试,所述层次卷积神经网络模型的α初始被定为0.99,之后被更换为0.075。所述层次卷积神经网络模型分别在四个负载上实现,其比较结果如表1所示,所提出的所述层次卷积神经网络模型的这些结果与其他DL方法的比较结果如表2所示。
表1 HCNN最终预测结果(%)
方法 | 负载0 | 负载1 | 负载2 | 负载3 | 平均准确率 |
HCNN | 99.34 | 99.74 | 99.99 | 99.98 | 99.76 |
表2与其他深度学习方法比较的最终预测结果(%)
方法 | 平均准确率 |
HCNN | 99.76 |
LiftingNet | 99.63 |
Deep CNN | 99.71 |
Sparse filter | 99.66 |
自表1可知,在大多的负荷条件下,所述层次卷积神经网络模型的平均预测精度达到99.76%。自表2可以看出,所述层次卷积神经网络模型相比于其他深度学习模型获得了更好的最终预测结果,其中,LiftingNet、Deep CNN、Sparse filter的预测精度分别为99.63%、99.71%、99.66%。
相同负载条件下的粗分类器的结果比较:所述层次卷积神经网络模型在相同的工作负载下进行粗分类,在粗分类器下进行测试。所述层次卷积神经网络模型中的α初始被定为0.99,之后被更换为0.075。
所述层次卷积神经网络模型在四个负载上实现,得到的比较结果如表3所示;得到的粗分类结果与其他DL方法进行了比较,比较结果如表4所示。自表3所知,在大多负荷条件下,所述层次卷积神经网络模型的平均预测精度达到99.98%。自表4可知,所述层次卷积神经网络模型相比于其他深度学习模型获得了更好的最终预测结果,ADCNN、分层DBN、带有集合经验模式分解(EEMD)与自回归(AR)的SAE、带有EEMD和AR的SVM及SAE的预测精度分别为98.1%、99.03%、99.85%、98.65%和92.20%。
表3 HCNN粗预测结果(%)
方法 | 负载0 | 负载1 | 负载2 | 负载3 | 平均预测准确率 |
HCNN | 99.97 | 99.99 | 99.99 | 99.97 | 99.98 |
表4与其他深度学习方法比较粗预测结果(%)
方法 | 平均准确率 |
HCNN | 99.98 |
ADCNN | 98.1 |
Hierarchical DBN | 99.03 |
EEMD+AR+SAE | 99.85 |
EEMD+AR+SVM | 98.65 |
SAE | 92.20 |
本发明提供的基于层次卷积神经网络的机械故障预测方法,该预测方法结合了层次卷积神经网络及S变换,有效结合了S变换及层次卷积神经网络各自的优点,提高了适用性及预测精度,且预测精确性较好。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于层次卷积神经网络的机械故障预测方法,其特征在于,该方法包括以下步骤:
(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图,以备用;
(2)结合故障类型在不同粒度上的层次划分,以构建双输出的层次卷积神经网络模型,所述时频图为所述层次卷积神经网络模型的输入;所述层次卷积神经网模型具有两类分类器,分别为粗分类器及精分类器;
(3)首先,采用粗标签对所述粗分类器进行训练,同时所述层次卷积神经网络进行粗分类;接着,采用精标签对所述精分类器进行训练以得到训练好的层次卷积神经网络模型,进而进行机械故障预测。
2.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法,其特征在于:步骤(1)中,从采集到的所述振动信号中随即截取时序信号样本,并采用S变换将所述时序信号样本内的信号自时域转换成时频域,进而将得到的二维矩阵调整为224×224维矩阵。
3.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法,其特征在于:所述粗分类器及所述精分类器分别是采用粗标签及精标签进行训练得到的。
4.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法,其特征在于:所述粗分类器及所述精分类器分别对应故障种类在不同粒度上的层次划分。
5.如权利要求1所述的基于层次卷积神经网络的机械故障预测方法,其特征在于:所述层次卷积神经网络模型的最终损失函数为:
Lossi=-αCorseLossi-(1-α)FinalLossi (1)
式中,是粗分类器(CorseLossi)和精分类器(FinalLossi)在总损失(Lossi)上的折中参数。
6.如权利要求5所述的基于层次卷积神经网络的机械故障预测方法,其特征在于:通过改变α来引导整个神经网络由粗分类转变为细分类,以提高分类器的准确性。
7.如权利要求5所述的基于层次卷积神经网络的机械故障预测方法,其特征在于:采用AdamOptimizer优化算法对所述最终损失函数进行最小化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197982.2A CN109406118B (zh) | 2018-10-15 | 2018-10-15 | 一种基于层次卷积神经网络的机械故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197982.2A CN109406118B (zh) | 2018-10-15 | 2018-10-15 | 一种基于层次卷积神经网络的机械故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109406118A true CN109406118A (zh) | 2019-03-01 |
CN109406118B CN109406118B (zh) | 2020-05-19 |
Family
ID=65467233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811197982.2A Active CN109406118B (zh) | 2018-10-15 | 2018-10-15 | 一种基于层次卷积神经网络的机械故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109406118B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN111056395A (zh) * | 2019-12-25 | 2020-04-24 | 武汉科技大学 | 一种基于多点压力传感器的抱闸故障诊断方法 |
CN111076934A (zh) * | 2019-12-24 | 2020-04-28 | 江苏大学 | 一种基于s变换诊断轴承潜在故障的方法 |
CN111967688A (zh) * | 2020-09-02 | 2020-11-20 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN112729831A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 轴承故障诊断方法、装置及系统 |
CN112729834A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
CN112945162A (zh) * | 2021-01-26 | 2021-06-11 | 山西大学 | 一种堆积层滑坡位移预测模型及预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN105938558A (zh) * | 2015-03-06 | 2016-09-14 | 松下知识产权经营株式会社 | 学习方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN107179194A (zh) * | 2017-06-30 | 2017-09-19 | 安徽工业大学 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
CN107316042A (zh) * | 2017-07-18 | 2017-11-03 | 盛世贞观(北京)科技有限公司 | 一种绘画图像检索方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
-
2018
- 2018-10-15 CN CN201811197982.2A patent/CN109406118B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938558A (zh) * | 2015-03-06 | 2016-09-14 | 松下知识产权经营株式会社 | 学习方法 |
CN105335710A (zh) * | 2015-10-22 | 2016-02-17 | 合肥工业大学 | 一种基于多级分类器的精细车辆型号识别方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN107179194A (zh) * | 2017-06-30 | 2017-09-19 | 安徽工业大学 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
CN107316042A (zh) * | 2017-07-18 | 2017-11-03 | 盛世贞观(北京)科技有限公司 | 一种绘画图像检索方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108009518A (zh) * | 2017-12-19 | 2018-05-08 | 大连理工大学 | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
Non-Patent Citations (2)
Title |
---|
LEI MA,ET AL.: "Detection Method of Insulator Based on Faster R-CNN", 《THE 7TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT SYSTEMS》 * |
ZENG XUEQIONG, ET AL.: "Gearbox fault classification using S-transform and convolutional neural network", 《2016 TENTH INTERNATIONAL CONFERENCE ON SENSING TECHNOLOGY》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110307982B (zh) * | 2019-06-19 | 2021-01-26 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN111076934A (zh) * | 2019-12-24 | 2020-04-28 | 江苏大学 | 一种基于s变换诊断轴承潜在故障的方法 |
CN111056395A (zh) * | 2019-12-25 | 2020-04-24 | 武汉科技大学 | 一种基于多点压力传感器的抱闸故障诊断方法 |
CN111056395B (zh) * | 2019-12-25 | 2021-09-03 | 武汉科技大学 | 一种基于多点压力传感器的抱闸故障诊断方法 |
CN111967688A (zh) * | 2020-09-02 | 2020-11-20 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN111967688B (zh) * | 2020-09-02 | 2024-02-23 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN112729831A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 轴承故障诊断方法、装置及系统 |
CN112729834A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
CN112729834B (zh) * | 2021-01-20 | 2022-05-10 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
CN112729831B (zh) * | 2021-01-20 | 2022-05-10 | 北京理工大学 | 轴承故障诊断方法、装置及系统 |
CN112945162A (zh) * | 2021-01-26 | 2021-06-11 | 山西大学 | 一种堆积层滑坡位移预测模型及预测方法 |
CN112945162B (zh) * | 2021-01-26 | 2022-05-31 | 山西大学 | 一种堆积层滑坡位移预测模型及预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109406118B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109406118A (zh) | 一种基于层次卷积神经网络的机械故障预测方法 | |
Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
Zhu et al. | Stacked pruning sparse denoising autoencoder based intelligent fault diagnosis of rolling bearings | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
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 | |
Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
CN108304927A (zh) | 基于深度学习的轴承故障模式诊断方法及系统 | |
CN112347854A (zh) | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 | |
CN107368809A (zh) | 一种基于稀疏表示和字典学习的轴承故障分类方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
Chopra et al. | Fault detection and classification by unsupervised feature extraction and dimensionality reduction | |
CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN112541511A (zh) | 基于卷积神经网络的多通道时间序列数据故障诊断方法 | |
Ma et al. | Cross-domain meta learning fault diagnosis based on multi-scale dilated convolution and adaptive relation module | |
CN116958688A (zh) | 一种基于YOLOv8网络的目标检测方法及系统 | |
Ullah et al. | Machine health surveillance system by using deep learning sparse autoencoder | |
CN117390411B (zh) | 基于元迁移学习的变工况轴承故障诊断方法 | |
Wang et al. | Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis | |
Du et al. | Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm | |
CN112182568B (zh) | 基于图卷积网络和主题模型的恶意代码分类 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
Yu et al. | Classification of machinery vibration signals based on group sparse representation | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
Zhang et al. | A novel data-driven fault diagnosis method based on deep learning |
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 |