CN109682596B - 非均衡样本下高速重载输入级故障诊断方法 - Google Patents
非均衡样本下高速重载输入级故障诊断方法 Download PDFInfo
- Publication number
- CN109682596B CN109682596B CN201811577688.4A CN201811577688A CN109682596B CN 109682596 B CN109682596 B CN 109682596B CN 201811577688 A CN201811577688 A CN 201811577688A CN 109682596 B CN109682596 B CN 109682596B
- Authority
- CN
- China
- Prior art keywords
- fault
- speed
- input stage
- frequency spectrum
- data
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000002474 experimental method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013508 migration Methods 0.000 claims abstract description 11
- 230000005012 migration Effects 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013526 transfer learning Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开非均衡样本下高速重载输入级故障诊断方法,具体步骤为:利用低转速齿轮箱实验平台的不同模拟故障模式监测振动信号,获得低速故障频谱数据,通过频谱搬移获得不同故障模式下高速齿轮箱实验平台故障频谱数据;把高速齿轮箱实验平台故障频谱数据迁移到直升机输入级齿轮箱故障模式,得到不同故障模式输入级故障频谱数据;利用两次迁移所得输入级故障频谱数据和正常模式下实际运行状态监测振动信号频谱数据,对深度堆栈去噪自动编码器SDAE进行预训练,再用实际运行时输入级少量故障数据样本对SDAE精细微调。把训练好的SDAE用于高速重载输入级振动信号自动特征提取与故障分类。本发明解决了样本不均衡情况下直升机高速重载输入级故障诊断问题。
Description
技术领域
本发明涉及一种高速重载输入级故障诊断方法,属于设备故障与信号处理领域。
背景技术
直升机健康与使用监控系统(Health and Usage Monitoring System,HUMS)是一个集航空电子设备、地面支持设备及机载计算机监视诊断产品于一体的复杂系统,其对于降低直升机传动系统的故障率、提高传动系统的安全性具有重要意义。此外,从国内外直升机维修技术的发展来看,军、民用直升机的维修制度正在从定期维修及预防性维修向视情维修发展,而故障诊断与预测技术是实现视情维修的技术基础,为降低直升机传动系统维护维修成本、提高维修效率发挥重要作用。
直升机传动系统主要由发动机连接器、输入级、主减速器、传动轴、尾减速器等组成。输入级由锥齿轮组成,常工作在高速重载情况。高速重载输入级传动装置的运行工况复杂,且受到传动装置中齿轮的时变啮合刚度、传递误差、齿侧间隙等因素影响,很容易发生齿轮磨损、裂纹、粘结、点蚀等故障,会严重影响直升机飞行安全。当输入级部件出现损伤故障时,会使得状态监测振动信号的强度与频谱成分发生变化,目前常用的方法是基于振动信号分析进行高速重载输入级故障诊断。
高速重载输入级状态监测及故障诊断主要包括振动信号检测、信号预处理、特征提取、工作状态识别、故障诊断等过程,而信号预处理与特征提取是输入级故障诊断过程中非常重要的一个环节,会影响输入级故障诊断可靠性与准确性。
由于直升机传动系统价格昂贵,一般无法进行高速重载输入级地面故障模拟试验,且地面实验平台也很难完全模拟直升机空中飞行工况与环境条件。考虑到直升机飞行安全性,更不允许开展直升机飞行过程中输入级故障模拟试验。而现有的新型直升机传动系统实际运行时故障情况很少发生,导致高速重载输入级的正常模式样本数据多、不同的故障模式样本数据很少甚至缺乏的现状。这种不平衡样本下高速重载输入级故障诊断是迫切需要解决的难题。
本发明结合深度神经网络及两个阶段的迁移学习,利用迁移学习扩充高速重载输入级故障数据样本集,解决了非均衡样本下高速重载输入级故障诊断问题。
发明内容
本发明的目的在于提供一种非均衡样本下高速重载输入级故障诊断方法,通过利用低转速齿轮箱实验平台,获得不同模拟故障(如齿轮磨损、裂纹、粘结、点蚀等)的低转速齿轮箱实验平台状态监测振动信号,计算获得不同故障模式的低转速齿轮箱低速故障频谱数据;把低速故障频谱数据迁移到高速故障模式,通过频谱搬移方法获得不同故障模式的高速齿轮箱故障频谱数据;把高速齿轮箱故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式,得到不同故障模式的高速重载输入级故障频谱数据;利用两次迁移得到的这些高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据,对深度堆栈去噪自动编码器SDAE进行预训练,再利用高速重载输入级实际运行时少量故障样本数据对SDAE进行精细微调;把训练好的SDAE用于直升机高速重载输入级振动信号自动特征提取与故障分类。
为实现上述目的,本发明的非均衡样本下高速重载输入级故障诊断方法,具体包括以下步骤:
步骤1:采集低转速齿轮箱实验平台的不同模拟故障模式监测振动信号,具体过程为:在变转速、变负载环境下,通过更换故障部件如磨损齿轮、裂纹齿轮、粘接齿轮以及点蚀齿轮等来获取不同故障模式下的低转速齿轮箱实验平台的不同模拟故障模式监测振动数据;
步骤2:对低转速齿轮箱实验平台故障振动信号进行FFT频谱分析,将频域信号作为特征空间,FFT分析点数设置为采样频率大小,防止样本长度过长及模型训练时间较长;
步骤3:利用步骤2中获得的不同故障模式的低速频谱数据,对其进行频谱搬移,将低速时域信号的频谱进行非线性变换,使其由低速频谱数据变换为高速频谱数据,从而把低速故障频谱数据迁移到高速故障模式;把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式,得到不同故障模式的高速重载输入级故障频谱数据;
步骤4:利用两次迁移得到的高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据对深度堆栈去噪自动编码器SDAE进行预训练;
步骤5:提取每个去噪自动编码器DAE的编码矢量,合并构建一个多层神经网络,同时添加softmax分类器作为输出层,利用高速重载输入级实际运行时的少量故障样本数据以及与故障样本数量匹配的高速重载输入级正常模式监测数据对预训练的网络模型进行精细微调;为应对数据集中不同故障模式之间的样本不平衡情况,采用一种权重策略来改善softmax损失,可以根据数据集的不平衡分布对少量样本的故障模式的损失进行加权;
附图说明
图1是非均衡样本下高速重载输入级故障诊断方法流程图;
图2是SDAE训练过程的示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案进行详细说明。
如图1所示,分别采集低转速与高转速下的地面数据,进行FFT变换,得到频域信号;对于数据量较少的高转速数据,利用数据量较多的低转速数据作为辅助数据,采用TrAdaboost迁移算法通过迭代运算进行频谱迁移;用均衡的地面数据集对SDAE进行预训练,之后取每个DAE的隐含层并添加权重可调的softmax分类器,用直升机空中飞行的实际运转数据对其进行微调,从而建立有效的高速重载输入级故障诊断模型。
非均衡样本下高速重载输入级故障诊断方法,具体实施方式如下:
步骤1:采集低转速齿轮箱实验平台的不同模拟故障模式监测振动信号,具体过程为:在变转速、变负载环境下,通过更换故障部件如磨损齿轮、裂纹齿轮、粘接齿轮以及点蚀齿轮等来获取不同故障模式下的低转速齿轮箱实验平台的不同模拟故障模式监测振动数据;
步骤2:对低转速齿轮箱实验平台故障振动信号进行FFT频谱分析,将频域信号作为特征空间,FFT分析点数设置为采样频率大小,防止样本长度过长及模型训练时间较长;
步骤3:利用步骤2中获得的不同故障模式的低速频谱数据,对其进行频谱搬移,将低速时域信号的频谱进行非线性变换,使其由低速频谱数据变换为高速频谱数据,从而把低速故障频谱数据迁移到高速故障模式;把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式,得到不同故障模式的高速重载输入级故障频谱数据,具体描述为:
步骤3.1、确定双线性转换函数(BLT,bilinear transform),将z平面(低频数据)映射到s平面(高频数据),可用下式表示:
步骤3.2、求取双线性转换函数的频率弯折关系,关系如下:
步骤3.3、对应不同的频率弯折系数β得到的频谱弯折曲线,当β>0时,频谱被向高频处搬移,而当β<0时,频谱被向低频处搬移;
步骤3.4、在实际的频谱搬移过程中,只需在双线性传输函数中如下式进行替换就可实现频谱的搬移处理;
z=Q(s)=(β+s)/(1+βs)
得到高速齿轮箱故障频谱数据后,根据迁移学习理论,把高速齿轮箱故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式,得到不同故障模式的高速重载输入级故障频谱数据;
步骤4:利用两次迁移得到的高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据对深度堆栈去噪自动编码器SDAE进行预训练,如图2所示,具体描述为:
步骤4.3、重复该过程,直到DAEN训练完毕,将输入编码为
其中,N为预训练DAE的个数,θN为DAEN编码网络的参数集合,且θN={WN,bN},WN是编码网络的权重矩阵,bN是编码网络的偏置矩阵;
步骤5:提取每个去噪自动编码器DAE的编码矢量,合并构建一个多层神经网络,同时添加softmax分类器作为输出层,利用高速重载输入级实际运行时的少量故障样本数据以及与故障样本数量匹配的高速重载输入级正常模式监测数据对预训练的网络模型进行精细微调;为应对数据集中不同故障模式之间的样本不平衡情况,采用一种权重策略来改善softmax损失,可以根据数据集的不平衡分布对少量样本的故障模式的损失进行加权,如图2所示,具体描述为:
步骤5.2、nc构成的数据集衡量每种故障模式的不平衡程度,并指示了数据集的不平衡分布。少数故障模式的损失应给予较大的权重,并且不影响多数故障模式的损失,每种故障模式的类别权重可以计算为:
其中max{·}代表集合的最大值;vc根据数据集的不平衡分布自适应地计算,当数据集平衡时,其值为1;
步骤5.3、将改进的softmax分类器作为输出层,进行高速重载输入级故障诊断,输出标签cm的数学表达式为
其中,θN+1为输出层的参数集合,g(*)是输出层激活函数,这里为softmax函数。设xm的真实标签为ym,SDAE通过利用类别权重的加权softmax损失函数LSDAE完成微调
Claims (1)
1.非均衡样本下高速重载输入级故障诊断方法,其特征在于,具体包括以下步骤:
步骤1:采集低转速齿轮箱实验平台的不同模拟故障模式监测振动信号,具体过程为:在变转速、变负载环境下,通过更换故障部件磨损齿轮、裂纹齿轮、粘接齿轮以及点蚀齿轮来获取不同故障模式下的低转速齿轮箱实验平台的不同模拟故障模式监测振动数据;
步骤2:对低转速齿轮箱实验平台故障振动信号进行FFT频谱分析,将频域信号作为特征空间,FFT分析点数设置为采样频率大小,防止样本长度过长及模型训练时间较长;
步骤3:利用步骤2中获得的不同故障模式的低速频谱数据,对其进行频谱搬移,将低速时域信号的频谱进行非线性变换,使其由低速频谱数据变换为高速频谱数据,从而把低速故障频谱数据迁移到高速故障模式;把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式,得到不同故障模式的高速重载输入级故障频谱数据;
步骤4:利用两次迁移得到的高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据对深度堆栈去噪自动编码器SDAE进行预训练;
步骤5:提取每个去噪自动编码器DAE的编码矢量,合并构建一个多层神经网络,同时添加softmax分类器作为输出层,利用高速重载输入级实际运行时的少量故障样本数据以及与故障样本数量匹配的高速重载输入级正常模式监测数据对预训练的网络模型进行精细微调;为应对数据集中不同故障模式之间的样本不平衡情况,采用一种权重策略来改善softmax损失,根据数据集的不平衡分布对少量样本的故障模式的损失进行加权,具体描述如下:
(2)nc构成的数据集衡量每种故障模式的不平衡程度,并指示了数据集的不平衡分布,少数故障模式的损失应给予较大的权重,并且不影响多数故障模式的损失,每种故障模式的类别权重计算为:
其中max{·}代表集合的最大值;vc根据数据集的不平衡分布自适应地计算,当数据集平衡时,其值为1;
(3)利用类别权重,损失函数LSDAE表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577688.4A CN109682596B (zh) | 2018-12-20 | 2018-12-20 | 非均衡样本下高速重载输入级故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577688.4A CN109682596B (zh) | 2018-12-20 | 2018-12-20 | 非均衡样本下高速重载输入级故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109682596A CN109682596A (zh) | 2019-04-26 |
CN109682596B true CN109682596B (zh) | 2020-11-13 |
Family
ID=66188918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811577688.4A Expired - Fee Related CN109682596B (zh) | 2018-12-20 | 2018-12-20 | 非均衡样本下高速重载输入级故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109682596B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146282A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 |
CN112417954B (zh) * | 2020-10-13 | 2022-12-16 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
CN113255213B (zh) * | 2021-05-19 | 2023-08-22 | 南京工程学院 | 一种功率变换器复合故障辨识方法 |
CN113469066B (zh) * | 2021-07-05 | 2023-04-11 | 西安交通大学 | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 |
CN114969998B (zh) * | 2022-03-08 | 2024-08-23 | 西安交通大学 | 基于故障特征迁移与渐进式微调的发动机故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792530A (zh) * | 2015-04-15 | 2015-07-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
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 |
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤(北京)网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
EP3330818A1 (de) * | 2016-11-30 | 2018-06-06 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur zustandsüberwachung von komponenten einer technischen anlage |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108548671A (zh) * | 2018-03-12 | 2018-09-18 | 南京航空航天大学 | 一种基于自动编码器的轴系转速大波动的故障诊断方法 |
-
2018
- 2018-12-20 CN CN201811577688.4A patent/CN109682596B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104792530A (zh) * | 2015-04-15 | 2015-07-22 | 北京航空航天大学 | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 |
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 |
EP3330818A1 (de) * | 2016-11-30 | 2018-06-06 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur zustandsüberwachung von komponenten einer technischen anlage |
CN107316061A (zh) * | 2017-06-22 | 2017-11-03 | 华南理工大学 | 一种深度迁移学习的不平衡分类集成方法 |
CN108010041A (zh) * | 2017-12-22 | 2018-05-08 | 数坤(北京)网络科技有限公司 | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108548671A (zh) * | 2018-03-12 | 2018-09-18 | 南京航空航天大学 | 一种基于自动编码器的轴系转速大波动的故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
An intelligent diagnosis scheme based on generative adversarial learning deep neural networks and its application to planetary gearbox fault pattern recognition;Wang, ZR等;《NEURO COMPUTING》;20181031;第310卷;第213-222页 * |
基于不同工况下辅助数据集的齿轮箱故障诊断;段礼祥等;《振动与冲击》;20171031;第36卷(第10期);第104-108页 * |
改进LSSVM 迁移学习方法的轴承故障诊断;陈超等;《仪器仪表学报》;20170131;第38卷(第1期);第33-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109682596A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109682596B (zh) | 非均衡样本下高速重载输入级故障诊断方法 | |
CN103398843B (zh) | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 | |
CN111626345A (zh) | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 | |
CN103454113B (zh) | 一种适用于工况变化情况下的旋转机械健康监测方法 | |
CN108919116B (zh) | 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN110146282A (zh) | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
CN104596764A (zh) | 行星齿轮箱故障诊断与预测试验装置 | |
CN108361207A (zh) | 一种用于离心泵振动监测与故障预警的装置及方法 | |
CN116465623B (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
CN108544303A (zh) | 一种数控机床主轴故障诊断方法及系统 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN111444871A (zh) | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
EP3596439A1 (en) | Fatigue crack growth prediction | |
CN117315328A (zh) | 一种注意力机制下改进卷积神经网络的齿轮故障诊断方法 | |
CN105956236B (zh) | 一种双重更新的四因素随机退化模型齿轮寿命预测方法 | |
Jayaswal et al. | Application of artificial neural networks, fuzzy logic and wavelet transform in fault diagnosis via vibration signal analysis: A review | |
Sun et al. | Fault diagnosis of planetary gearbox based on signal denoising and convolutional neural network | |
CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统 | |
CN113919388B (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
Qi et al. | Gear faults identification based on big data analysis and CatBoost model | |
Cao et al. | Fault diagnosis of gearbox based on EEMD and HMM |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |