CN110031226A - 一种轴承故障的诊断方法及装置 - Google Patents
一种轴承故障的诊断方法及装置 Download PDFInfo
- Publication number
- CN110031226A CN110031226A CN201910291532.8A CN201910291532A CN110031226A CN 110031226 A CN110031226 A CN 110031226A CN 201910291532 A CN201910291532 A CN 201910291532A CN 110031226 A CN110031226 A CN 110031226A
- Authority
- CN
- China
- Prior art keywords
- bearing
- residual error
- training
- convolutional neural
- neural networks
- 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
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明涉及机械故障诊断技术领域,具体涉及一种轴承故障的诊断方法及装置,通过采集轴承的振动数据,从而确定训练集、验证集和测试集,进而搭建一维深度残差卷积神经网络模型,在初步确定所述模型的结构参数和训练参数后,将所述验证集输入模型中进行自残差训练,经过验证和调整得到训练好的模型,最后将测试集输入至训练好的模型中,从而预测出测试集的故障诊断结果,本发明直接使用原始的振动信号作为输入,降低了获得训练样本的难度,通过结合一维深度残差卷积神经网络模型和自残差训练,提取更加深层的故障特征和更加抽象的信息,具有高的分类精度的同时,又降低了训练的难度。
Description
技术领域
本发明涉及机械故障诊断技术领域,具体涉及一种轴承故障的诊断方法及装置。
背景技术
基于传统机器学习的故障诊断方法一般有两个步骤,特征提取和分类。因为收集的振动信号是原始时间序列信号,包含有利信息和噪声,所以,从原始的振动信号中提取有利信息成为必要。从原始信号中提取代表性特征的常见信号处理技术包括时域统计分析,小波变换和傅里叶谱分析。通常在特征提取之后,进行特征选择以消除无用且不敏感的特征。常见的特征选择方法包括主成分分析(PCA),独立成分分析(ICA)和特征判别分析。提取完代表性特征后,训练分类器,包括支持向量机(SVM),K近邻(KNN),随机森林,决策树等。训练后,在测试样本上测试分类器,以计算其识别能力。传统的算法在训练时间和模型精度上都已经落后于深度学习算法。
基于机器学习的新分支形成的深度学习开始进入研究者们的视线,使用卷积神经网络来诊断机械部件的故障已经成为热点。卷积神经网络应用在计算机视觉时,数据输入通常是二维的,应用于处理自然语言处理和语音识别任务时,数据输入通常是一维的。
更深的卷积神经网络可以捕捉更丰富和更高级别的信号,同样,更深的层次也会带来缺陷。首先,反向传播通过链式求导规则计算梯度,当层数增加时,这很容易导致梯度的指数减小或者增加,容易遇到消失或爆炸的梯度问题,使得训练变得更加困难。其次,网络退化是另一个主要问题,导致训练样本的训练误差增加。这极大地限制了卷积神经网络在故障诊断领域的发展。
发明内容
本发明的目的在于提供一种轴承故障的诊断方法及装置,旨在解决了上述问题,具有高的分类精度的同时,又能降低训练的难度。
为了实现上述目的,本发明提供以下技术方案:
一种轴承故障的诊断方法,包括以下步骤:
步骤S1、以设定频率采集轴承在一段时间内的振动数据;
步骤S2、根据所述振动数据确定训练集、验证集和测试集;
步骤S3、搭建一维深度残差卷积神经网络模型,确定所述一维深度残差卷积神经网络模型的结构参数和训练参数,所述结构参数包括卷积核大小、降采样率、残差块数目,所述训练参数包括训练的轮数、学习率;
步骤S4、将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练;
步骤S5、将所述验证集输入所述一维深度残差卷积神经网络模型进行验证,得到所述一维深度残差卷积神经网络模型的评价指标和性能指标;
步骤S6、判断所述评价指标和性能指标是否低于阈值,若是,调整所述结构参数和训练参数,并跳转到步骤S4,若否,保存一维深度残差卷积神经网络模型;
步骤S7、将所述测试集输入至训练好的一维深度残差卷积神经网络模型中,预测出测试集的故障诊断结果。
具体地,所述步骤S1包括:
获取轴承在各种状态下的原始时间序列信号,并以设定的采样频率和采样时长提取所述原始时间序列信号,其中,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
具体地,所述步骤S2包括:
根据采样频率和采样时长将所述振动数据的分割为单位时长的数据集,并将所述数据集划分为训练集、验证集和测试集,从而完成数据预处理;
所述单位时长为采样间隔时长的2~3倍,所述采样间隔时长为所述采样频率的倒数。
一种轴承故障的诊断装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在所述装置的以下模块中:
采集模块,用于以设定频率采集轴承在一段时间内的振动数据;
分集模块,用于根据所述振动数据确定训练集、验证集和测试集;
初步搭建模块,用于搭建一维深度残差卷积神经网络模型,确定所述一维深度残差卷积神经网络模型的结构参数和训练参数,所述结构参数包括卷积核大小、降采样率、残差块数目,所述训练参数包括训练的轮数、学习率;
训练模块,用于将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练;
验证模块,用于将所述验证集输入所述一维深度残差卷积神经网络模型进行验证,得到所述一维深度残差卷积神经网络模型的评价指标和性能指标;
判断模块,用于判断所述评价指标和性能指标是否低于阈值,若是,调整所述结构参数和训练参数,并跳转到初步搭建模块,若否,保存一维深度残差卷积神经网络模型;
预测模块,用于将所述测试集输入至训练好的一维深度残差卷积神经网络模型中,预测出测试集的故障诊断结果。
进一步,所述采集模块具体用于:
获取轴承在各种状态下的原始时间序列信号,并以设定的采样频率和采样时长提取所述原始时间序列信号,其中,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
进一步,所述分集模块具体用于:
根据采样频率和采样时长将所述振动数据分割为单位时长的数据集,并将所述数据集划分为训练集、验证集和测试集,从而完成数据预处理;
所述单位时长为采样间隔时长的2~3倍,所述采样间隔时长为所述采样频率的倒数。
本发明的有益效果是:本发明公开一种轴承故障的诊断方法及装置,直接使用原始的振动信号作为输入,降低了获得训练样本的难度,通过结合一维深度残差卷积神经网络模型和自残差训练,提取更加深层的故障特征和更加抽象的信息,具有高的分类精度的同时,又降低了训练的难度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种轴承故障的诊断方法的流程示意图;
图2是本发明实施例一种轴承故障的诊断装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所以其他实施例,都属于本发明的保护范围。
参考图1,本发明实施例提供的一种轴承故障的诊断方法,包括以下步骤:
步骤S1、以设定频率采集轴承在一段时间内的振动数据;通过直接使用原始的振动信号作为输入,降低了获得训练样本的难度。
步骤S2、根据所述振动数据确定训练集、验证集和测试集;
步骤S3、搭建一维深度残差卷积神经网络模型,确定所述一维深度残差卷积神经网络模型的结构参数和训练参数,所述结构参数包括卷积核大小、降采样率、残差块数目,所述训练参数包括训练的轮数、学习率;
步骤S4、将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练;
步骤S5、将所述验证集输入所述一维深度残差卷积神经网络模型进行验证,得到所述一维深度残差卷积神经网络模型的评价指标和性能指标;
步骤S6、判断所述评价指标和性能指标是否低于阈值,若是,调整所述结构参数和训练参数,并跳转到步骤S4,若否,保存一维深度残差卷积神经网络模型。
通过结合一维深度残差卷积神经网络模型和自残差训练,提取更加深层的故障特征和更加抽象的信息,具有高的分类精度的同时,又降低了训练的难度。
步骤S7、将所述测试集输入至训练好的一维深度残差卷积神经网络模型中,预测出测试集的故障诊断结果。
具体地,所述步骤S1包括:
获取轴承在各种状态下的原始时间序列信号,并以设定的采样频率和采样时长提取所述原始时间序列信号,本实施例中,所述原始时间序列信号采用加速度传感器进行测取,其中,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
具体地,所述步骤S2包括:
根据采样频率和采样时长将所述振动数据的分割为单位时长的数据集,并将所述数据集划分为训练集、验证集和测试集,从而完成数据预处理;
所述单位时长为采样间隔时长的2~3倍,所述采样间隔时长为所述采样频率的倒数。
参考图2,本发明实施例还提供一种轴承故障的诊断装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在所述装置的以下模块中:
采集模块1,用于以设定频率采集轴承在一段时间内的振动数据;
分集模块2,用于根据所述振动数据确定训练集、验证集和测试集;
初步搭建模块3,用于搭建一维深度残差卷积神经网络模型,确定所述一维深度残差卷积神经网络模型的结构参数和训练参数,所述结构参数包括卷积核大小、降采样率、残差块数目,所述训练参数包括训练的轮数、学习率;
训练模块4,用于将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练;
验证模块5,用于将所述验证集输入所述一维深度残差卷积神经网络模型进行验证,得到所述一维深度残差卷积神经网络模型的评价指标和性能指标;
判断模块6,用于判断所述评价指标和性能指标是否低于阈值,若是,调整所述结构参数和训练参数,并跳转到初步搭建模块,若否,保存一维深度残差卷积神经网络模型;
预测模块7,用于将所述测试集输入至训练好的一维深度残差卷积神经网络模型中,预测出测试集的故障诊断结果。
具体地,所述采集模块1用于:
获取轴承在各种状态下的原始时间序列信号,并以设定的采样频率和采样时长提取所述原始时间序列信号,本实施例中,所述原始时间序列信号采用加速度传感器进行测取,其中,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
具体地,所述分集模块2用于:
根据采样频率和采样时长将所述振动数据分割为单位时长的数据集,并将所述数据集划分为训练集、验证集和测试集,从而完成数据预处理;
所述单位时长为采样间隔时长的2~3倍,所述采样间隔时长为所述采样频率的倒数。
所述一种轴承故障的诊断装置,包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种轴承故障的诊断装置的示例,并不构成对一种轴承故障的诊断装置的限定,可以包括比例子更多的部件,或者组合某些部件,或者不同的部件,例如所述一种轴承故障的诊断装置还可以包括输入输出设备等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现成可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种轴承故障的诊断装置运行装置的控制中心,利用各种接口和线路连接整个一种轴承故障的诊断装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种轴承故障的诊断装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储创建的数据。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (6)
1.一种轴承故障的诊断方法,其特征在于,包括以下步骤:
步骤S1、以设定频率采集轴承在一段时间内的振动数据;
步骤S2、根据所述振动数据确定训练集、验证集和测试集;
步骤S3、搭建一维深度残差卷积神经网络模型,确定所述一维深度残差卷积神经网络模型的结构参数和训练参数,所述结构参数包括卷积核大小、降采样率、残差块数目,所述训练参数包括训练的轮数、学习率;
步骤S4、将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练;
步骤S5、将所述验证集输入所述一维深度残差卷积神经网络模型进行验证,得到所述一维深度残差卷积神经网络模型的评价指标和性能指标;
步骤S6、判断所述评价指标和性能指标是否低于阈值,若是,调整所述结构参数和训练参数,并跳转到步骤S4,若否,保存一维深度残差卷积神经网络模型;
步骤S7、将所述测试集输入至训练好的一维深度残差卷积神经网络模型中,预测出测试集的故障诊断结果。
2.根据权利要求1所述的一种轴承故障的诊断方法,其特征在于,所述步骤S1具体包括:
获取轴承在各种状态下的原始时间序列信号,并以设定的采样频率和采样时长提取所述原始时间序列信号,其中,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
3.根据权利要求1所述的一种轴承故障的诊断方法,其特征在于,所述步骤S2具体包括:
根据采样频率和采样时长将所述振动数据分割为单位时长的数据集,并将所述数据集划分为训练集、验证集和测试集,从而完成数据预处理;
所述单位时长为采样间隔时长的2~3倍,所述采样间隔时长为所述采样频率的倒数。
4.一种轴承故障的诊断装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在所述装置的以下模块中:
采集模块,用于以设定频率采集轴承在一段时间内的振动数据;
分集模块,用于根据所述振动数据确定训练集、验证集和测试集;
初步搭建模块,用于搭建一维深度残差卷积神经网络模型,确定所述一维深度残差卷积神经网络模型的结构参数和训练参数,所述结构参数包括卷积核大小、降采样率、残差块数目,所述训练参数包括训练的轮数、学习率;
训练模块,用于将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练;
验证模块,用于将所述验证集输入所述一维深度残差卷积神经网络模型进行验证,得到所述一维深度残差卷积神经网络模型的评价指标和性能指标;
判断模块,用于判断所述评价指标和性能指标是否低于阈值,若是,调整所述结构参数和训练参数,并跳转到初步搭建模块,若否,保存一维深度残差卷积神经网络模型;
预测模块,用于将所述测试集输入至训练好的一维深度残差卷积神经网络模型中,预测出测试集的故障诊断结果。
5.根据权利要求4所述的一种轴承故障的诊断装置,其特征在于,所述采集模块具体用于:
获取轴承在各种状态下的原始时间序列信号,并以设定的采样频率和采样时长提取所述原始时间序列信号,其中,所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。
6.根据权利要求4所述的一种轴承故障的诊断装置,其特征在于,所述分集模块具体用于:
根据采样频率和采样时长将所述振动数据分割为单位时长的数据集,并将所述数据集划分为训练集、验证集和测试集,从而完成数据预处理;
所述单位时长为采样间隔时长的2~3倍,所述采样间隔时长为所述采样频率的倒数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291532.8A CN110031226A (zh) | 2019-04-12 | 2019-04-12 | 一种轴承故障的诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291532.8A CN110031226A (zh) | 2019-04-12 | 2019-04-12 | 一种轴承故障的诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110031226A true CN110031226A (zh) | 2019-07-19 |
Family
ID=67238093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291532.8A Pending CN110031226A (zh) | 2019-04-12 | 2019-04-12 | 一种轴承故障的诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110031226A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
CN110487549A (zh) * | 2019-09-10 | 2019-11-22 | 哈工大机器人(山东)智能装备研究院 | 轴承故障识别方法、装置、计算机设备及存储介质 |
CN110672323A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
CN110672324A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于有监督lle算法的轴承故障诊断方法及装置 |
CN110702411A (zh) * | 2019-09-23 | 2020-01-17 | 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 |
CN110764064A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨工业大学 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 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 |
CN111325159A (zh) * | 2020-02-25 | 2020-06-23 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 故障诊断方法、装置、计算机设备和存储介质 |
CN112182490A (zh) * | 2020-09-01 | 2021-01-05 | 华中科技大学 | 一种电抗器状态诊断方法及系统 |
CN112611563A (zh) * | 2020-12-01 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
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 |
CN112862211A (zh) * | 2021-03-09 | 2021-05-28 | 国网冀北电力有限公司信息通信分公司 | 通信管理系统动环缺陷派单方法及装置 |
CN112925292A (zh) * | 2021-01-24 | 2021-06-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于分层分块的发电机组过程监测与故障诊断方法 |
CN113792585A (zh) * | 2021-08-03 | 2021-12-14 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
CN113945569A (zh) * | 2021-09-30 | 2022-01-18 | 河北建投新能源有限公司 | 离子膜的故障检测方法及装置 |
CN114942066A (zh) * | 2022-05-26 | 2022-08-26 | 清华大学 | 电主轴误差间接预测方法及装置 |
CN116576917A (zh) * | 2023-05-17 | 2023-08-11 | 四川博思德信息技术有限公司 | 一种设备运行数据的采集方法及装置 |
CN112925292B (zh) * | 2021-01-24 | 2024-05-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于分层分块的发电机组过程监测与故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
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 |
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 |
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 |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 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 |
US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
-
2019
- 2019-04-12 CN CN201910291532.8A patent/CN110031226A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
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 |
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 |
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 |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 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 |
Non-Patent Citations (1)
Title |
---|
周奇才 等: "旋转机械一维深度卷积神经网络故障诊断研究", 《振动与冲击》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672323A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
CN110672324A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于有监督lle算法的轴承故障诊断方法及装置 |
CN110672324B (zh) * | 2019-09-02 | 2021-03-26 | 佛山科学技术学院 | 一种基于有监督lle算法的轴承故障诊断方法及装置 |
CN110487549A (zh) * | 2019-09-10 | 2019-11-22 | 哈工大机器人(山东)智能装备研究院 | 轴承故障识别方法、装置、计算机设备及存储介质 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
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 |
CN110702411A (zh) * | 2019-09-23 | 2020-01-17 | 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 |
CN110764064A (zh) * | 2019-11-08 | 2020-02-07 | 哈尔滨工业大学 | 基于深度卷积神经网络集成的雷达干扰信号识别方法 |
CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 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 |
CN111325159A (zh) * | 2020-02-25 | 2020-06-23 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 故障诊断方法、装置、计算机设备和存储介质 |
CN111325159B (zh) * | 2020-02-25 | 2023-09-08 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 故障诊断方法、装置、计算机设备和存储介质 |
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 |
CN112182490A (zh) * | 2020-09-01 | 2021-01-05 | 华中科技大学 | 一种电抗器状态诊断方法及系统 |
CN112611563A (zh) * | 2020-12-01 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
CN112611563B (zh) * | 2020-12-01 | 2023-07-14 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
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 |
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 |
CN112925292A (zh) * | 2021-01-24 | 2021-06-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于分层分块的发电机组过程监测与故障诊断方法 |
CN112925292B (zh) * | 2021-01-24 | 2024-05-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于分层分块的发电机组过程监测与故障诊断方法 |
CN112862211A (zh) * | 2021-03-09 | 2021-05-28 | 国网冀北电力有限公司信息通信分公司 | 通信管理系统动环缺陷派单方法及装置 |
CN113792585B (zh) * | 2021-08-03 | 2023-06-27 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
CN113792585A (zh) * | 2021-08-03 | 2021-12-14 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
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 |
CN113945569A (zh) * | 2021-09-30 | 2022-01-18 | 河北建投新能源有限公司 | 离子膜的故障检测方法及装置 |
CN114942066B (zh) * | 2022-05-26 | 2023-08-04 | 清华大学 | 电主轴误差间接预测方法及装置 |
CN114942066A (zh) * | 2022-05-26 | 2022-08-26 | 清华大学 | 电主轴误差间接预测方法及装置 |
CN116576917A (zh) * | 2023-05-17 | 2023-08-11 | 四川博思德信息技术有限公司 | 一种设备运行数据的采集方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110031226A (zh) | 一种轴承故障的诊断方法及装置 | |
US11113394B2 (en) | Data type recognition, model training and risk recognition methods, apparatuses and devices | |
CN107013449B (zh) | 基于深度学习的声音信号识别压缩机故障的方法及系统 | |
CN108181107B (zh) | 计及多分类目标的风电机组轴承机械故障诊断方法 | |
CN105976400B (zh) | 基于神经网络模型的目标跟踪方法及装置 | |
CN107560845B (zh) | 一种齿轮箱故障诊断建立方法及装置 | |
Kok et al. | Classification of Trojan nets based on SCOAP values using supervised learning | |
CN109992916A (zh) | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 | |
CN106055729A (zh) | 一种基于蒙特卡洛仿真的故障树分析方法 | |
CN106803083A (zh) | 行人检测的方法及装置 | |
CN106973039A (zh) | 一种基于信息融合技术的网络安全态势感知模型训练方法和装置 | |
US20160245866A1 (en) | Dynamic design partitioning for diagnosis | |
CN110197194A (zh) | 一种基于改进随机森林的轴承故障诊断方法及装置 | |
CN103310113A (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及系统 | |
CN109784377A (zh) | 多重识别模型构建方法、装置、计算机设备及存储介质 | |
CN108734304A (zh) | 一种数据模型的训练方法、装置、及计算机设备 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
CN115114965A (zh) | 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 | |
US10467368B2 (en) | Peak wirelength aware compiler for FPGA and FPGA-based emulation | |
CN104331361B (zh) | 一种用于白盒测试覆盖率计算可视化的测试装置及方法 | |
CN112699744A (zh) | 跌倒姿态的分类识别方法、装置和可穿戴设备 | |
CN107463689A (zh) | 运动特征数据库的生成方法、运动状态识别方法及终端 | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |