CN109682953B - 一种使用bp神经网络判定电机轴承润滑脂含量的方法 - Google Patents
一种使用bp神经网络判定电机轴承润滑脂含量的方法 Download PDFInfo
- Publication number
- CN109682953B CN109682953B CN201910151367.6A CN201910151367A CN109682953B CN 109682953 B CN109682953 B CN 109682953B CN 201910151367 A CN201910151367 A CN 201910151367A CN 109682953 B CN109682953 B CN 109682953B
- Authority
- CN
- China
- Prior art keywords
- motor bearing
- neural network
- lubricating grease
- content
- time
- 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
- 239000004519 grease Substances 0.000 title claims abstract description 47
- 230000001050 lubricating effect Effects 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000002347 injection Methods 0.000 claims abstract description 4
- 239000007924 injection Substances 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/30—Oils, i.e. hydrocarbon liquids for lubricating properties
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种使用BP神经网络判定电机轴承润滑脂含量的方法,包括以下步骤:1)通过注水法测得电机轴承的容积;2)将电机轴承分别注入6种不同含量的润滑脂,分别为其容积的0倍、0.1倍、0.2倍、0.3倍、0.4倍、0.5倍;3)使用振动传感器采集不同润滑脂含量下电机轴承的振动数据;4)提取振动数据的统计特征;5)构造一个含有双隐层的BP神经网络,利用建立的神经网络确立输入的统计特征与输出的润滑脂含量之间的函数关系。本发明可以利用采集到的电机轴承的振动数据,通过BP神经网络有效的检测出其对应的润滑脂含量,对电机轴承的维修保护有着重要的意义。
Description
技术领域
本发明属于机械设备故障诊断领域,具体涉及一种使用BP神经网络判定电机轴承润滑脂含量的方法。
背景技术
在现代化生产中,电机作为一种常见的机械设备越来越受到重视。而轴承作为支撑轴的部件,发生故障时若不能即使发现和排除,不仅会造成机械设备的损坏,更有可能经济财产和人身安全带来巨大的隐患。保证轴承正常运转的关键是从它的维修保养入手,而其中最重要的材料就是润滑脂。润滑脂作为分离滚动体与套圈的润滑媒介,对轴承的寿命有着重要影响。据估计,80%以上轴承都是采用润滑脂润滑的,其含量的多少直接关系到轴承的运行性能和运转寿命。为了提升电机轴承的使用寿命,对轴承润滑脂含量的研究显得越来越重要,只有保证润滑脂保持在一定的含量,才能使电机轴承更持续稳定的运行下去。但是,在正常情况下,当电机正在运行时,很难对其停转进行润滑脂含量的测量,而且很多轴承的润滑脂都是密封的。因此,如何能在不拆封、不停转的情况下判别出轴承润滑脂的含量成为当前急需解决的问题。
发明内容
针对上述问题,本发明提供了一种使用BP神经网络判定电机轴承润滑脂含量的方法,本发明利用BP神经网络构建统计特征和电机轴承润滑脂含量的函数关系,通过统计特征即可判别当前电机轴承润滑脂的含量。当轴承润滑脂的含量不在健康范围内时,可以及时停转进行润滑脂补充,避免对电机轴承造成进一步的损伤。
为解决上述问题,本发明提供了一种使用BP神经网络判定电机轴承润滑脂含量的方法,包括以下步骤:
步骤一:电机轴承空心容积的测量与润滑脂含量选取
利用注水法测得电机轴承滚子间的空心容积V,然后将电机轴承内注入M种不同含量的润滑脂,分别为0倍V、0.1倍V、0.2倍V、……、0.(M-1)倍V;
步骤二:数据采集
利用加速度传感器采集不同润滑脂含量下的电机轴承的振动数据;
步骤三:统计特征的提取与样本集的制作;
步骤四:训练集和测试集的制作,将制作好的样本集按照6:4的比例随机划分为训练集和测试集;
步骤五:神经网络的搭建
搭建一个含有双隐层的BP神经网络;
步骤六:利用搭建好的网络进行诊断
利用步骤四中的训练集对步骤五中搭建的网络进行训练得到模型,用测试集对模型的可靠性进行检测并得到结果。
进一步改进在于:在所述步骤三中,统计特征的提取与样本集的制作的具体方法为:
a、将采集到的实验信号进行统计特征提取,分别提取4个时域特征和4个频域特征,具体提取的时域特征为峰值指标Ip、裕度指标Ce、歪度指标Cw、峭度指标Cq;频域特征为中心频域Fc、频率标准差Fv、均方根频率Fr、频率集中度Fj;
c、将步骤a中提取到的统计特征进行归一化处理,定义其在第P种润滑脂含量下电机轴承的N维矩阵为其中P∈[0,M],xi为第i个统计特征,其对应的标签为其中第p个值为1,将神经网络的输入输出进行预处理后,即完成了样本集的制作。
进一步改进在于:在所述步骤五中,搭建一个含有双隐层的BP神经网络的具体网络参数设置如下:
a、网络节点确定:输入层的节点数和输入的统计特征的个数相同,设为n;输出层的节点数与润滑脂含量的类别数相同,设为m;两个隐层的节点数由如下公式进行试验确定,具体为:
其中,k为隐含层节点数,n为输入层节点数,m为输出层节点数,a为常数,且1≤a≤10;
b、初始权值:神经网络在训练过程中采用随机初始化权值进行训练;
其中,x为节点的计算输入值,Sigmoid激励函数可以将较大范围内变化的输入值挤压到(0,1)输出值范围内;
d、神经网络的迭代步数由具体情况而定,以保证损失函数的变化与测试集准确率的变化曲线都趋于平稳。
本发明的有益效果是:
1)本发明提出了一种使用BP神经网络判定电机轴承润滑脂含量的方法,通过统计特征即可判别当前电机轴承润滑脂的含量;
2)相比于以前测量润滑脂含量的方法,本发明判定润滑脂含量的方法更便捷、更符合实际情况,且全过程无需拆封,更不用靠停转测量;
3)需要更少的测量设备,只要采集到振动信号即可。
附图说明
图1为本发明的流程图。
图2为本发明提供方法的分类结果可视化图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2所示,本实施例提供了一种使用BP神经网络判定电机轴承润滑脂含量的方法,其特征在于,包括以下步骤:
步骤一:电机轴承空心容积的测量与润滑脂含量选取
首先利用注水法测得电机轴承滚子间的空心容积为7ml,将将电机轴承内注入6种不同含量的润滑脂,分别为0ml、0.7ml、1.4ml、2.1ml、2.8ml、3.5ml;
步骤2:数据采集
利用加速度传感器采集不同润滑脂含量下的电机轴承的振动数据,采样频率设置为20k,采样时间为10s,这样每种类型采集到的信号长度为20万点;
步骤3:统计特征的提取与样本集的制作
a、将采集到的实验信号分小段进行统计特征提取,每小段长度为4千点。因此,我们每种润滑脂含量下测得的数据为50小段信号,共50×6=300个信号。对每小段信号分别提取4个时域特征和4个频域特征,具体提取的时域特征为峰值指标Ip、裕度指标Ce、歪度指标Cw、峭度指标Cq;频域特征为中心频域Fc、频率标准差Fv、均方根频率Fr、频率集中度Fj;
至此,以完成样本集的制作,每种类型得到50个样本数据,共50×6=300组数据;
步骤4:训练集和测试集的制作
将制作好的样本集按照6:4的比例随机划分为训练集和测试集,这样训练集有180个样本,测试集有120个样本;
步骤5:神经网络的搭建
搭建一个含有双隐层的BP神经网络,其中,具体网络参数设置如下:
a、网络节点确定:输入层的节点数和输入的统计特征的个数相同,设为8;输出层的节点数与润滑脂含量的类别数相同,设为6;两个隐层的节点数由如下公式进行试验确定,具体为:
其中,k为隐含层节点数,n为输入层节点数,m为输出层节点数,a为常数,且1≤a≤10;
b、初始权值:神经网络在训练过程中采用随机初始化权值进行训练;
其中,x为节点的计算输入值,Sigmoid激励函数可以将较大范围内变化的输入值挤压到(0,1)输出值范围内;
d、神经网络的迭代步数由具体情况而定,以保证损失函数的变化与测试集准确率的变化曲线都趋于平稳;
最终确定迭代步数为3万步;
步骤6:利用搭建好的网络进行诊断
利用步骤4中的训练集对步骤5中搭建的网络进行训练得到模型,用测试集对模型的可靠性进行检测,最终我们得到了96%的识别率,证明了本方法的有效性。最终的分类结果可视化图如图2所示。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种使用BP神经网络判定电机轴承润滑脂含量的方法,其特征在于,包括以下步骤:
步骤一:电机轴承空心容积的测量与润滑脂含量选取
利用注水法测得电机轴承滚子间的空心容积V,然后将电机轴承内注入M种不同含量的润滑脂,分别为0倍V、0.1倍V、0.2倍V、……、0.(M-1)倍V;
步骤二:数据采集
利用加速度传感器采集不同润滑脂含量下的电机轴承的振动数据;
步骤三:统计特征的提取与样本集的制作;
步骤四:训练集和测试集的制作,将制作好的样本集按照6:4的比例随机划分为训练集和测试集;
步骤五:神经网络的搭建
搭建一个含有双隐层的BP神经网络;
步骤六:利用搭建好的网络进行诊断
利用步骤四中的训练集对步骤五中搭建的网络进行训练得到模型,用测试集对模型的可靠性进行检测并得到结果;
在所述步骤三中,统计特征的提取与样本集的制作的具体方法为:
a、将采集到的实验信号进行统计特征提取,分别提取4个时域特征和4个频域特征,具体提取的时域特征为峰值指标Ip、裕度指标Ce、歪度指标Cw、峭度指标Cq;频域特征为中心频域Fc、频率标准差Fv、均方根频率Fr、频率集中度Fj;
2.根据权利要求1所述的一种使用BP神经网络判定电机轴承润滑脂含量的方法,其特征在于:在所述步骤五中,搭建一个含有双隐层的BP神经网络的具体网络参数设置如下:
a、网络节点确定:输入层的节点数和输入的统计特征的个数相同,设为n;输出层的节点数与润滑脂含量的类别数相同,设为m;两个隐层的节点数由如下公式进行试验确定,具体为:
其中,k为隐含层节点数,n为输入层节点数,m为输出层节点数,a为常数,且1≤a≤10;
b、初始权值:神经网络在训练过程中采用随机初始化权值进行训练;
其中,x为节点的计算输入值,Sigmoid激励函数可以将较大范围内变化的输入值挤压到(0,1)输出值范围内;
d、神经网络的迭代步数由具体情况而定,以保证损失函数的变化与测试集准确率的变化曲线都趋于平稳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151367.6A CN109682953B (zh) | 2019-02-28 | 2019-02-28 | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151367.6A CN109682953B (zh) | 2019-02-28 | 2019-02-28 | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109682953A CN109682953A (zh) | 2019-04-26 |
CN109682953B true CN109682953B (zh) | 2021-08-24 |
Family
ID=66197110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910151367.6A Active CN109682953B (zh) | 2019-02-28 | 2019-02-28 | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109682953B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1521081A1 (en) * | 2003-09-30 | 2005-04-06 | Rockwell Automation Technologies, Inc. | Lubricity measurement using mems sensor |
CN101806729A (zh) * | 2010-03-31 | 2010-08-18 | 中国人民解放军总后勤部油料研究所 | 一种润滑油在用油质量快速检测方法 |
CN102062686A (zh) * | 2010-12-10 | 2011-05-18 | 西安交通大学 | 一种滑动轴承润滑膜动特性测试的方法 |
CN103076163A (zh) * | 2011-12-06 | 2013-05-01 | 西安交通大学 | 一种轴承—转子系统特性参数的在线测试方法 |
CN103244268A (zh) * | 2012-02-01 | 2013-08-14 | 雅富顿公司 | 用于确定润滑剂丢弃间隔的系统和方法 |
CN103592426A (zh) * | 2012-08-14 | 2014-02-19 | 同济大学 | 一种工程机械润滑油品状态监测系统 |
CN204630729U (zh) * | 2014-12-30 | 2015-09-09 | 舍弗勒技术有限两合公司 | 轴承检测系统 |
CN105143877A (zh) * | 2013-03-15 | 2015-12-09 | 玛斯特股份有限公司 | 多模态流体状况传感器平台及其系统 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107345857A (zh) * | 2017-06-09 | 2017-11-14 | 昆明理工大学 | 一种电主轴状态监测与故障诊断系统及其监测诊断方法 |
CN107478596A (zh) * | 2017-08-14 | 2017-12-15 | 山东南山铝业股份有限公司 | 一种轧制润滑油性能的红外光谱检测方法 |
CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140266065A1 (en) * | 2013-03-15 | 2014-09-18 | Mastinc | Multi-modal fluid condition sensor platform and system thereof |
-
2019
- 2019-02-28 CN CN201910151367.6A patent/CN109682953B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1521081A1 (en) * | 2003-09-30 | 2005-04-06 | Rockwell Automation Technologies, Inc. | Lubricity measurement using mems sensor |
CN101806729A (zh) * | 2010-03-31 | 2010-08-18 | 中国人民解放军总后勤部油料研究所 | 一种润滑油在用油质量快速检测方法 |
CN102062686A (zh) * | 2010-12-10 | 2011-05-18 | 西安交通大学 | 一种滑动轴承润滑膜动特性测试的方法 |
CN103076163A (zh) * | 2011-12-06 | 2013-05-01 | 西安交通大学 | 一种轴承—转子系统特性参数的在线测试方法 |
CN103244268A (zh) * | 2012-02-01 | 2013-08-14 | 雅富顿公司 | 用于确定润滑剂丢弃间隔的系统和方法 |
CN103592426A (zh) * | 2012-08-14 | 2014-02-19 | 同济大学 | 一种工程机械润滑油品状态监测系统 |
CN105143877A (zh) * | 2013-03-15 | 2015-12-09 | 玛斯特股份有限公司 | 多模态流体状况传感器平台及其系统 |
CN204630729U (zh) * | 2014-12-30 | 2015-09-09 | 舍弗勒技术有限两合公司 | 轴承检测系统 |
CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107345857A (zh) * | 2017-06-09 | 2017-11-14 | 昆明理工大学 | 一种电主轴状态监测与故障诊断系统及其监测诊断方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 |
CN107478596A (zh) * | 2017-08-14 | 2017-12-15 | 山东南山铝业股份有限公司 | 一种轧制润滑油性能的红外光谱检测方法 |
CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
Non-Patent Citations (3)
Title |
---|
动车组机械传动系统轴承振动信号分析与故障诊断;刘良峰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150315(第03期);第C033-326页摘要、第1.1.1节、第2章、第4章 * |
滚动轴承内部温度状态监测技术;宁练 等;《轴承》;20070228;第51卷(第2期);第25-27页 * |
滚动轴承非缺油状态下的润滑油量振动识别方法;宁练 等;《现代振动与噪声技术》;20151230;第11卷;第302-305页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109682953A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN113177448A (zh) | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN113340598A (zh) | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
CN113790890B (zh) | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 | |
CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
CN109682953B (zh) | 一种使用bp神经网络判定电机轴承润滑脂含量的方法 | |
CN112146882B (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
Zhang et al. | Fault Diagnosis with Bidirectional Guided Convolutional Neural Networks Under Noisy Labels |
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 |