CN109543905A - 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 - Google Patents
基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN109543905A CN109543905A CN201811402743.6A CN201811402743A CN109543905A CN 109543905 A CN109543905 A CN 109543905A CN 201811402743 A CN201811402743 A CN 201811402743A CN 109543905 A CN109543905 A CN 109543905A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- feature
- cnn model
- improved
- pond
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了基于改进二维CNN模型的滚动轴承剩余寿命预测方法,用于解决现有技术中存在的预测精度较低和速度较慢的技术问题。实现步骤为:获取滚动轴承的频域振动数据;基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据;基于BP算法对改进二维CNN模型进行训练;通过训练好改进的二维CNN模型对测试集进行特征提取;通过输出特征结合双高斯模型进行拟合,得到滚动轴承剩余寿命的预测结果。
Description
技术领域
本发明属于是旋转机械技术领域,涉及一种滚动轴承预测轴承剩余寿命预测方法,特别涉及基于改进的二维CNN神经网络对轴承精准预测轴承剩余寿命的方法,可用于合理安排轴承的性能检查和替换维护,保证旋转机械设备正常工作。
背景技术
旋转机械设备在工业设备中占有重要地位,滚动轴承是旋转机械设备中最重要的零部件之一,在旋转机械设备中应用广泛,其性能状态的好坏直接影响整台设备的健康情况,然而很多精密的旋转机械设备的滚动轴承服役周期并不长,其寿命受许多因素的影响,如运行条件、振动、温度等。所以导致其一旦运行时间超出服役寿命,轴承运行精度会急剧下降,进而导致机械设备不能正常工作。因此,为了合理安排轴承的性能检查和替换维护,保证旋转机械设备正常工作,对滚动轴承的剩余寿命预测极为必要。
滚动轴承的剩余寿命预测实现原理为,数据采集,训练模型,基于训练好的模型进行特征提取,用所得特征进行实验仿真得到预测结果。其中评判滚动轴承剩余寿命预测优劣的标准包括预测的速度和精确度。
传统的滚动轴承剩余寿命预测主要使用模型驱动,模型驱动主要是依据经验知识和收集的数据建立数学模型来预测轴承的剩余寿命,所以模型驱动对滚动轴承寿命预测的精确度主要依赖于人工(专家知识)特征提取和设计,不仅准确度和效率低下而且还浪费大量的人力物力。随着机器学习的发展,数据驱动方法成为滚动轴承剩余寿命预测的有效方法。如由董绍江等于《制造技术与机床》2017年版第12期上发表的名称为“基于多SVM误差加权的轴承剩余寿命的预测”的论文,提出了一种滚动轴承剩余寿命的预测方法,首先采集多个轴承的全过程寿命振动数据,针对获取的多个轴承的振动数据进行特性提取并利用主成分分析进行特性约简,实现对轴承运行寿命评估特性指标的建立,并利用粒子群算法改进的多个支持向量机模型进行剩余寿命预测建模,利用所建立的多个模型对要预测的轴承特征数据进行预测,并通过各个模型的误差权重来实现轴承剩余寿命的准确预测,但是方法中SVM算法对大规模训练样本难以实施且在多分类问题中精度低,另外,由于SVM是借助二次规划来求解支持向量而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间,导致预测精度较低且速度比较慢。
二维CNN模型是一种特殊的深层的神经网络模型,其结构包括依次层叠的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层,以及由相互层叠的展开层、隐藏层和输出层组成的全连接层,二维CNN模型的特殊性在于它的神经元间的连接是非全连接的,同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。能够减少参数的数量和训练时间,同时卷积神经网络(CNN)擅长处理图像信号,但当数据量过小时或数据存在噪声时,二维CNN模型可能会出现过拟合现象。导致二维CNN模型的泛化能力差,预测精度降低。针对过拟合现象有学者将二维CNN模型进行了改进,即在全连接层中的隐藏层和输出层之间加入逃逸层,该方法能很好的防止过拟合。提高二维CNN模型的预测精度。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了基于改进二维CNN模型的滚动轴承剩余寿命快速预测方法,用于解决现有技术中存在的预测精度较低和速度较慢的技术问题。
为了实现上述目的,本发明采用的技术方案包括如下步骤:
(1)获取滚动轴承的频域振动数据:
对通过加速度传感器采集的滚动轴承的时域振动数据进行快速傅里叶变换,得到滚动轴承的频域振动数据;
(2)基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据;
(3)基于BP算法对改进二维CNN模型进行训练:
将一半以上的二维图像数据作为训练集,其余部分作为测试集,并基于BP算法通过训练集对改进二维CNN模型进行训练,得到训练好的改进二维CNN模型;
(4)通过训练好改进的二维CNN模型对测试集进行特征提取;
(4a)通过第一卷积层对测试集进行卷积,得到第一卷积特征;
(4b)通过第一池化层对第一卷积特征进行均值池化,得到第一池化特征;
(4c)通过第二卷积层对第一池化特征进行卷积,得到第二卷积特征;
(4d)通过第二池化层对第二卷积特征进行均值池化,得到第二池化特征;
(4e)通过展开层对第二池化特征进行一维展开,得到一维特征向量;
(4f)将一维特征向量作为三层前向神经网络的输入,并采用sigm激活函数对三层前向神经网络的输出进行归一化,得到在0到1之间的输出特征;
(5)通过输出特征结合双高斯模型进行拟合,得到滚动轴承剩余寿命的预测结果。
本发明与现有技术相比,具有如下优点:
本发明获取输出特征时通过训练好的改进的二维CNN模型实现的,一方面,练好的改进的二维CNN模型的神经元间的连接是非全连接的,同一层中某些神经元之间的连接的权重是共享的,这种特殊结构可以减少特征提取的时间,另一方面,训练好的改进的二维CNN模型具有更好的泛化能力,可以得到更好的滚动轴承剩余寿命预测模型,使得提取的特征更加精确和具有代表性,与现有技术相比,有效提高了滚动轴承剩余寿命的预测精度。
附图说明
图1为本发明的实现流程图;
图2为本发明PRONOSTIA实验装置示意图;
图3为本发明频域振动数据转换为二维图像数据的实现流程图;
图4为本发明改进二维CNN模型对图像处理的过程示意图;
图5为本发明轴承1-1的滚动轴承剩余寿命预测结果示意图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细说明。
参照图1,基于改进的二维CNN模型的滚动轴承剩余寿命预测方法,包括如下步骤:
步骤1,获取滚动轴承的频域振动数据:
对通过加速度传感器采集的滚动轴承的时域振动数据进行快速傅里叶变换,得到滚动轴承的频域振动数据。其中安装加速度传感器的装置参考图2,PRONOSTIA实验装置示意图,其结构主要由加速度传感器、温度传感器、异步电动机、压力传感器和NIDAQ数据采集卡组成。该装置主要功能是提供轴承寿命数据,两个加速度传感器分别安装在轴承的水平位置和垂直位置上,以监测其振动。这些加速度传感器每隔10秒采集一次振动信号,采样频率为25.6kHz,采样持续时间为0.1s。在获取时域数据样本之后,通过傅里叶变换将样本中的每个时域数据转换为频域数据。通过傅里叶变换将时域数据转变为频域数据后,便可实现将不同频率周期的波动成分进行分离,以便于分析不同频率分量对研究的影响程度。
步骤2,基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据实现过程如图3所示
步骤2a,采用变量L定义频域振动数据的长度,变量M2定义二维图像数据的大小;
步骤2b,判断频域振动数据长度L与二维图像数据大小M2的大小关系,当L<M2时,对L小于M2部分进行补零填充,当L>M2时,对L大于M2部分进行舍去处理。
步骤2c,将频域振动数据转换为二维图像数据,其计算表达式为:
其中,G(j,k)为二维图像数据,S为频域振动数据,j=1...M表示二维图像数据的行,k=1...M表示二维图像数据的列,round(*)函数是舍入函数;
步骤2d,根据式G(j,k),可将二维图像数据上的整个数据值从0归一化到255,即灰度图像的像素强度。考虑到二维CNN模型中池化过波器的大小是2×2,通常将图像的大小M取为2n,例如16、32、64等。在本发明中,图像的大小被选择为32×32。
步骤3,基于BP算法对改进二维CNN模型进行训练,将上述二维图像数据分为测试集和训练集,并基于BP算法通过训练集对改进二维CNN模型进行训练,得到训练好的改进二维CNN模型,其中改进的二维CNN模型的损失函数可定义如下:
其中,hW,b(x(s))是模型的输出,y(s)是对应于x(s)的标签,是l层的第i个神经元和l+1层的第j个神经元之间的连接权重,λ是正则化因子,函数是以σ为核的高斯核函数,它可以表示如下:
为了训练改进的二维CNN模型以最小化等式hσ(·),采用BP算法。在BP算法中,最重要的是计算输出层的残差。因此,在当前成本函数下的输出层的残差计算表达式可以如下得到:
其中,为输出层第i个神经元的输入
步骤4,采用已训练改进的二维CNN模型对测试集进行特征提取,所述改进的二维CNN模型包括依次层叠的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层,以及由相互层叠的展开层和三层前向神经网络组成的全连接层,其中前向神经网络包括依次层叠隐藏层、逃逸层和输出层,该模型的主要改进是在全连接层中的隐藏层和输出层之间加入逃逸层,目的是防止过拟合,其主要思想在训练期间以一定的概率p随机禁用神经元及其与其他层的连接。参考图4,采用改进的二维CNN模型对测试集进行特征提取其步骤如下:
步骤4a,将大小为32×32的测试集中的二维图像数据输入已训练的改进二维CNN模型,在卷积核大小为5×5的条件下对测试集进行卷积,得到大小为3@28×28的第一卷积特征,其中3代表三个映射层,每个映射层的图像尺寸为28×28。
步骤4b,随后第一卷积特征通过第一池化层,在池化过滤器大小为2×2的条件下,对第一卷积特征进行均值池化,得到大小为3@14×14的第一池化特征,其中3代表三个映射层,每个映射层的图像尺寸为28×28,均值池化具体表达式为:
其中,是池化和范围内数据个数,是位于池化和范围内第i个值,是第一池化特征;
步骤4c,第一池化特征通过第二卷积层,在卷积核大小为5×5的条件下对第一池化特征进行卷积,得到大小为6@10×10的第二卷积特征,其中6代表六个映射层,每个映射层的图像尺寸为10×10;
步骤4d,第二卷积特征通过第二池化层,在池化过滤器大小为2×2对第二卷积特征进行均值池化,得到大小为6@5×5的第二池化特征,其中6代表六个映射层,每个映射层的图像尺寸为5×5,均值池化具体表达式如下:
其中,是池化和范围内数据个数,是位于池化和范围内第i个值,是第二池化特征。
步骤4e,通过展开层对第二池化特征进行一维展开,得到一维特征向量;
步骤4f,将一维特征向量作为三层前向神经网络的输入,并采用sigm激活函数对三层前向神经网络的输出进行归一化,得到在0到1之间的输出特征其中,非输出层的激活函数使用tanh函数,输出层中的激活函数选择sigm函数。这两种类型的激活函数分别表示如下:
其中,x是神经元的输入,e是自然常数。
步骤5,通过输出特征结合双高斯模型Y进行拟合,得到滚动轴承剩余寿命的预测结果。以下结合仿真实验,对本发明的技术效果进行详细描述:
1、实验条件及内容:
1a)实验条件,在整个实验中的实验条件为扭矩转速1500rpm和滚动轴承的额定动负荷为5000N,在该试验条件下的轴承命名为轴承1-1,滚动轴承的剩余寿命定义为“从当前时间到生命结束的距离”其表达方式如下:
lk=tEoL-tk
其中,tEoL是生命的尽头,tk是当前的时间。
1b)实验内容,为了证明所提出的方法用于轴承剩余寿命预测的能力,本文采用双高斯模型。双高斯模型是退化曲线拟合和预测的一个有效模型,其描述如下:
Y=a1·exp(-((t-b1)/c1)2)+a2·exp(-((t-b2)/c2)2)
其中Y是条件值,t是时间点a1、b1、c1、a2、b2和c2是模型参数。
通过改进的二维CNN模型的输出特征结合双高斯模型进行拟合,形成模型之后。然后,采用粒子滤波算法对模型的参数进行更新和轴承剩余寿命进行预测。2000粒子的概率密度函数表示失效时间分布,预测结果参考图5所示,概率密度函数的中间值和95%置信区间分别为4616s和[3200s,5800s]。为了评估预测结果,采用百分比误差来评估预测方法的性能,其可以表示如下:
其中ActRULi是实际的滚动轴承剩余寿命(RUL),RULi是预测的第i个测试数据之一。
2、仿真结果分析:
在其他与本发明技术最相近的文献中还用了另外两种方法,RNN-HI模型和SOM-HI模型对滚动轴承剩余寿命(RUL)进行了预测,其预测结果与本发明结果进行了相互比较,如表5所示。
Table 5RUL prediction results
如表5所示,所提出的滚动轴承剩余寿命(RUL)方法的预测值约为4616s,相对误差约为19.44%。与RNN-HI和SOM-HI方法相比,在滚动轴承剩余寿命预测方面,其精度分别提高了23.94%和12.32%。上述结果表明,本发明提出的改进二维CNN模型对于滚动轴承剩余寿命预测在性能退化过程中的应用具有良好的精度,对于滚动轴承的剩余寿命预测,本方法的计算效率比其它深度学习方法高出至少8倍。
Claims (6)
1.基于改进的二维CNN模型的滚动轴承剩余寿命预测方法,其特征在于包括如下步骤:
(1)获取滚动轴承的频域振动数据:
对通过加速度传感器采集的滚动轴承的时域振动数据进行快速傅里叶变换,得到滚动轴承的频域振动数据;
(2)基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据;
(3)基于BP算法对改进二维CNN模型进行训练:
将一半以上的二维图像数据作为训练集,其余部分作为测试集,并基于BP算法通过训练集对改进二维CNN模型进行训练,得到训练好的改进二维CNN模型;
(4)采用已训练改进的二维CNN模型对测试集进行特征提取;
(4a)通过第一卷积层对测试集进行卷积,得到第一卷积特征;
(4b)通过第一池化层对第一卷积特征进行均值池化,得到第一池化特征;
(4c)通过第二卷积层对第一池化特征进行卷积,得到第二卷积特征;
(4d)通过第二池化层对第二卷积特征进行均值池化,得到第二池化特征;
(4e)通过展开层对第二池化特征进行一维展开,得到一维特征向量;
(4f)将一维特征向量作为三层前向神经网络的输入,并采用sigm激活函数对三层前向神经网络的输出进行归一化,得到在0到1之间的输出特征;
(5)通过输出特征结合双高斯模型进行拟合,得到滚动轴承剩余寿命的预测结果。
2.根据权利要求1所述的基于改进二维CNN模型的滚动轴承剩余寿命预测方法,其特征在于,步骤(2)中所述的基于图像转换方法将滚动轴承的频域振动数据转换为二维图像数据,实现步骤为:
(2a)采用变量L定义频域振动数据的长度,变量M2定义二维图像数据的大小;
(2b)判断频域振动数据长度L与二维图像数据大小M2的大小关系,当L<M2时,对L小于M2部分进行补零填充,当L>M2时,对L大于M2部分进行舍去处理。
(2c)将频域振动数据转换为二维图像数据,其计算表达式为:
其中,G(j,k)为二维图像数据,S为频域振动数据,j=1...M表示二维图像数据的行,k=1...M表示二维图像数据的列,round(*)函数是舍入函数。
3.根据权利要求1所述的基于改进的二维CNN模型的滚动轴承剩余寿命预测方法,其特征在于,步骤(3b)中所述的对第一卷积特征进行均值池化,采用的公式为:
其中,是池化和范围内数据个数,是位于池化和范围内第i个值,是第一池化特征。
4.根据权利要求1所述的基于改进的二维CNN模型的滚动轴承剩余寿命预测方法,其特征在于,步骤(3d)中所述的,对第二卷积特征进行均值池化,采用的公式为:
其中,是池化和范围内数据个数,是位于池化和范围内第i个值,是第二池化特征。
5.根据权利要求1所述的基于改进的二维CNN模型的滚动轴承剩余寿命预测方法,其特征在于,步骤(3f)中所述的sigm激活函数,其表达式为:
其中,x是神经元的输入,e是自然常数。
6.根据权利要求1所述的基于改进的二维CNN模型的滚动轴承剩余寿命预测方法,其特征在于,步骤(4)中所述的双高斯模型,其具体表达为:
Y=a1·exp(-((t-b1)/c1)2)+a2·exp(-((t-b2)/c2)2)
其中Y是条件值,t是时间点a1、b1、c1、a2、b2和c2是模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402743.6A CN109543905A (zh) | 2018-11-23 | 2018-11-23 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811402743.6A CN109543905A (zh) | 2018-11-23 | 2018-11-23 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543905A true CN109543905A (zh) | 2019-03-29 |
Family
ID=65850235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811402743.6A Pending CN109543905A (zh) | 2018-11-23 | 2018-11-23 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543905A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232249A (zh) * | 2019-06-17 | 2019-09-13 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
CN112559305A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
WO2021065448A1 (ja) * | 2019-10-01 | 2021-04-08 | 国立大学法人大阪大学 | 余寿命予測装置、余寿命予測システム、および余寿命予測プログラム |
CN112765890A (zh) * | 2021-01-26 | 2021-05-07 | 西安电子科技大学 | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 |
CN112990524A (zh) * | 2019-12-16 | 2021-06-18 | 中国科学院沈阳计算技术研究所有限公司 | 基于残差修正的滚动轴承剩余寿命预测方法 |
CN113326590A (zh) * | 2021-07-16 | 2021-08-31 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130053202A1 (en) * | 2011-08-26 | 2013-02-28 | General Electric Company | Journal bearing for use in epicyclical gearbox and method of facilitating hydrodynamic oil flow in the journal bearing |
CN107016241A (zh) * | 2017-04-05 | 2017-08-04 | 重庆交通大学 | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
-
2018
- 2018-11-23 CN CN201811402743.6A patent/CN109543905A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130053202A1 (en) * | 2011-08-26 | 2013-02-28 | General Electric Company | Journal bearing for use in epicyclical gearbox and method of facilitating hydrodynamic oil flow in the journal bearing |
CN107016241A (zh) * | 2017-04-05 | 2017-08-04 | 重庆交通大学 | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
ARVIND SAI SARATHI VASAN: "HEALTH ESTIMATION AND REMAINING USEFUL LIFE PREDICTION OF ELECTRONIC CIRCUIT WITH A PARAMETRIC FAULT", 《HTTPS://DRUM.LIB.UMD.EDU/HANDLE/1903/19070》 * |
LONG WEN ET AL: "A New Convolutional Neural Network Based Data-Driven Fault Diagnosis Method", 《IEEE》 * |
TONSAM: "神经网络与BP算法推导", 《HTTPS://BLOG.CSDN.NET/TONSAM/ARTICLE/DETAILS/51593044》 * |
YOUNGJI YOO ET AL: "A Novel Image Feature for the Remaining Useful Lifetime Prediction of Bearings Based on Continuous Wavelet Transform and Convolutional Neural Network", 《MDPI》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232249A (zh) * | 2019-06-17 | 2019-09-13 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
CN110232249B (zh) * | 2019-06-17 | 2023-04-18 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
WO2021065448A1 (ja) * | 2019-10-01 | 2021-04-08 | 国立大学法人大阪大学 | 余寿命予測装置、余寿命予測システム、および余寿命予測プログラム |
CN112990524A (zh) * | 2019-12-16 | 2021-06-18 | 中国科学院沈阳计算技术研究所有限公司 | 基于残差修正的滚动轴承剩余寿命预测方法 |
CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
CN111783362B (zh) * | 2020-07-09 | 2022-07-26 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
CN112559305A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
CN112765890A (zh) * | 2021-01-26 | 2021-05-07 | 西安电子科技大学 | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 |
CN112765890B (zh) * | 2021-01-26 | 2023-02-10 | 西安电子科技大学 | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 |
CN113326590B (zh) * | 2021-07-16 | 2021-10-29 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN113326590A (zh) * | 2021-07-16 | 2021-08-31 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN113657012A (zh) * | 2021-07-21 | 2021-11-16 | 西安理工大学 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543905A (zh) | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 | |
Zhang et al. | A new bearing fault diagnosis method based on modified convolutional neural networks | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
Wang et al. | Generalization of deep neural networks for imbalanced fault classification of machinery using generative adversarial networks | |
WO2023020388A1 (zh) | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 | |
Li et al. | A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery | |
CN110361176A (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Li et al. | Fault diagnosis of rotating machinery based on combination of Wasserstein generative adversarial networks and long short term memory fully convolutional network | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
Zhai et al. | Robust variational auto-encoder for radar HRRP target recognition | |
Wang et al. | Context-enhanced representation learning for single image deraining | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN112560966A (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
Ye et al. | A novel capsule convolutional neural network with attention mechanism for high-voltage circuit breaker fault diagnosis | |
CN107977748A (zh) | 一种多变量扭曲时间序列预测方法 | |
Zhou et al. | A robust super-resolution reconstruction model of turbulent flow data based on deep learning | |
Liu et al. | An RBF neural network based on improved black widow optimization algorithm for classification and regression problems | |
Li et al. | A new multi-fidelity surrogate modelling method for engineering design based on neural network and transfer learning | |
Puscasu | Integration of artificial neural networks into operational ocean wave prediction models for fast and accurate emulation of exact nonlinear interactions | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
CN112766381A (zh) | 有限样本下属性引导的sar图像生成方法 | |
Man et al. | Bearing remaining useful life prediction based on AdCNN and CWGAN under few samples | |
DE112019007270T5 (de) | Fluidsimulationen unter verwendung eines oder mehrerer neuronaler netzwerke | |
Wang et al. | YOLO-ERF: lightweight object detector for UAV aerial images |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190329 |