CN110222390A - 基于小波神经网络的齿轮裂纹识别方法 - Google Patents
基于小波神经网络的齿轮裂纹识别方法 Download PDFInfo
- Publication number
- CN110222390A CN110222390A CN201910441786.3A CN201910441786A CN110222390A CN 110222390 A CN110222390 A CN 110222390A CN 201910441786 A CN201910441786 A CN 201910441786A CN 110222390 A CN110222390 A CN 110222390A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- neural network
- signal
- gear
- wavelet neural
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于小波神经网络的齿轮裂纹识别方法,该方法首先收集各种不同工况下的原始振动信号,采用小波包分析方法提取振动信号的故障特征。然后根据基于反向传播算法的小波神经网络对小波函数的相关参数进行优化。小波神经网络用非正交小波函数代替s形函数作为隐层的激活函数,通过对小波函数的放大和平移运算,可以根据不同的实际应用情况对小波函数进行控制和调整,可以检测局部特征同时在时域和频域也可对原始信号进行全局处理。
Description
技术领域
本发明属于无损检测技术领域,尤其涉及一种基于小波神经网络的齿轮裂纹识别方法。
背景技术
齿轮箱是机械系统中有效地将动力和扭矩从一个轴传递到另一个轴的重要部件之一。它典型的应用是在飞机,导航和汽车工业。齿轮箱的工作状态对机械设备的功能和性能有很大的影响。当机器关键部件在运行过程中发生故障时,意外停机会造成巨大的经济损失和灾难性事故。对齿轮箱的故障诊断进行研究具有重要意义。在过去的几十年中,人们对齿轮箱的故障诊断进行了大量的研究。然而,提高某些机械部件的诊断速度和诊断精度仍然是必要的。基于人工智能技术的旋转机械故障诊断与状态监测的理论和方法有很多。
目前齿轮裂纹故障诊断常采用的两种方法,即加权K近邻分类算法和多维混合智能方法。其中加权K近邻分类算法目前还没有一种智能的方法来评估系数K和特征权重的值,这对故障诊断的结果有很大的影响。同样对于多维混合智能方法而言,该方法要更多的时间来得到最终的分类结果,较为复杂。
发明内容
本发明所要解决的技术问题是,提供一种基于小波神经网络的齿轮裂纹识别方法,通过将基于人工神经网络的智能故障诊断方法应用于变速箱的状态监测和故障诊断,提高了齿轮箱测试系统中齿轮故障诊断的可靠性。
本发明解决其技术问题所采用的技术方案是:提供一种基于小波神经网络的齿轮裂纹识别方法,该方法包括以下步骤,步骤1,收集不同工况下的原始振动信号;
步骤2,采用小波包分析方法提取振动信号的故障特征;
步骤3,根据基于反向传播算法的小波神经网络和对小波函数的相关参数进行优化;
步骤4,对齿轮裂纹进行识别。
用非正交小波函数代替s形函数作为隐层的激活函数,通过对小波函数的放大和平移运算,可以根据不同的实际应用情况对小波函数进行控制和调整,可以检测局部特征同时在时域和频域也可对原始信号进行全局处理。
按上述技术方案,步骤1中所述不同工况分别是:裂纹水平为0%(F1);裂纹水平0%-25%(F2,不包括0%,包括25%);裂纹水平25%-50%(F3,不包括25%,包括50%);裂纹水平50%-75%(F4,不包括50%,包括75%)。
按上述技术方案,所述步骤2中具体包括:
步骤21,使用WPA的三级分解来分析来自齿轮箱的原始振动信号并产生八个子带;
步骤22,计算每个频带中特征信号的能量值;
步骤23,构造一组特征向量;
步骤24,归一化一组特征向量X=[x1,x2,…,x8],由
获得作为WNN的特征输入向量的新向量X′。
根据所述小波函数将原始信号同时分解为低频和高频信号,克服了多分辨率分析的缺点,对信号的高频部分不作进一步的分解。WPA根据分析信号的特征,自适应地选择合适的频带,使原始信号与信号频谱相匹配,提高了时频分辨率。
按上述技术方案,所述步骤3中的小波函数的相关参数包含振荡参数(n)、缩放参数(j)、平移参数(k),权系数(ω),阈值(b)。
按上述技术方案,所述步骤3中根据基于反向传播算法的小波神经网络对小波函数的相关参数进行优化具体步骤为:
步骤31,利用小波包节点能量定义对从齿轮箱实验系统采集的原始振动信号进行提取能量特征值E3n;
步骤32,由对提取的特征值进行归一化,将向量X′作为WNN的输入特征向量;
步骤33,将提取的特征向量划分为训练样本和测试样本;
步骤34,确定节点数I=8,J=14,N=4,动量因子λ=1,学习率η=0.4,根据数据记录,通过网络获得最佳训练结果;
步骤35,启动权系数ωij和ωjn,小波参数aj和bj,WNN结构中的阈值b1j和b2n以及输入训练样本;
步骤36,基于小波神经网络的三层结构函数对WNN进行调整,从输入层的输入到WNN输出层的输出通过计算比较实际输出和期望输出得到输出误差E,如果输出误差E不符合误差要求,转到步骤37,否则跳到步骤38;网络中目标函数的输出误差为0.01,最大训练时期可以选为3000。
步骤37,用反向传播算法计算WNN,通过输出层的反向传播误差定义隐藏层的反向传播误差值定义获得反向传播误差值δn和δj,使用梯度下降算法基于误差信号优化从输出电平到输入电平的WNN的所有参数,权系数ωij和ωjn由计算优化,对小波参数aj和bj也通过计算优化,同时对阈值b1j和b2n也通过计算优化,所有优化过程完成后进入步骤36;
步骤38,查看终止要求,如果反向误差值E满足客观误差设置或迭代实现最大训练时期,则网络训练结束并确定权系数ωij,ωjn;小波参数aj,bj以及阈值b1j,b2n;
步骤39:输入测试样本,经上述程序调整的WNN分类器得到诊断结果。
通过对小波函数的放大和平移运算,根据不同的实际应用情况对小波函数进行控制和调整,以解决特定的问题。
按上述技术方案,所述步骤4中齿轮箱测试系统包括齿轮箱,SpectraQuest的动力学模拟器,352C67PCB型的两个加速度传感器,DSP Siglab20-42信号分析仪和计算机。
按上述技术方案,所述步骤4测试系统中具体为:
步骤41:SpectraQuest齿轮箱动力学模拟器用于收集振动信号;
步骤42:352C67PCB型的两个加速度传感器沿垂直和水平方向安装在变速箱上;
步骤43:振动数据由DSP Siglab20-42的信号分析仪和计算机采集分析数据。
按上述技术方案,所述小波神经网络是具有输入层、隐层和输出层的三层网络结构,采用非线性小波函数作为激活函数。
按上述技术方案,反向传播算法在连续学习和调整过程中,通过最小化以下目标误差函数来优化网络参数:
按上述技术方案,小波包分析,将原始信号同时分解为低频和高频信号,而对信号的高频部分不作进一步的分解;同时根据分析信号的特征,自适应地选择合适的频带,使原始信号与信号频谱相匹配;WPA信号分析方法,用于获取振动信号的特征值,并作为特征向量输入到WNN中;小波变换使用具有不同频率的振荡函数作为窗口函数来分析信号。小波变换通过构造一组特定的小波函数来近似信号。与仅分析时域或频域信号的传统傅立叶变换相比,小波变换分析了时频域信号。小波函数具有优越的定位性能,更适合于多分辨率通过膨胀操作分析时域和频域的非平稳信号识别。
本发明产生的有益效果是:与现有方法的结果对比,验证了本发明方法对齿轮箱齿轮裂纹故障检测的精确性和完整性。不同调整和测试模式下的平均分类率为98.33%。而且可以对各种故障模式进行诊断和分类。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例基于小波神经网络的齿轮裂纹识别方法的流程示意图;
图2为本发明实施例基于小波神经网络的齿轮裂纹识别方法中,基于反向传播算法的小波神经网络对小波函数的相关参数进行优化的流程示意图;
图3为本发明实施例基于小波神经网络的齿轮裂纹识别方法中齿轮箱试验系统装置示意图。
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用以解释本发明,并不用于限定本发明。
如图1所示,为本发明实施例基于小波神经网络的齿轮裂纹识别方法,包括以下步骤:
步骤1:收集四种不同工况下的原始振动信号。
步骤2:采用小波包分析方法提取振动信号的故障特征。
步骤3:根据基于反向传播算法的小波神经网络和对小波函数的相关参数进行优化。
步骤4:利用实验进行测试提出的故障诊断方法,验证了该方法的可行性和有效性。
如图2所示,为本发明的一种基于小波神经网络的齿轮裂纹识别方法中根据基于反向传播算法的小波神经网络和对小波函数的相关参数进行优化的示意图,包括以下步骤:
步骤31:利用小波包节点能量定义对从齿轮箱实验系统采集的原始振动信号进行提取能量特征值E3n。
步骤32:由对提取的特征值进行归一化,将向量X′作为WNN的输入特征向量。
步骤33:将提取的特征向量划分为训练样本和测试样本。
步骤34:确定节点数I=8,J=14,N=4,动量因子λ=1,学习率η=0.4,根据数据记录,通过网络获得最佳训练结果。
步骤35:启动权重系数ωij和ωjn,小波参数aj和bj,WNN结构中的阈值b1j和b2n以及输入训练样本。
步骤36:基于小波神经网络的三层结构函数对WNN进行调整,从输入层的输入到WNN输出层的输出通过计算比较实际输出和期望输出得到输出误差E。如果输出误差E不符合误差要求,转到步骤37,否则跳到步骤38。在本发明中,网络中目标函数的输出误差为0.01,最大训练时期为3000。
步骤37:用反向传播算法计算WNN。通过输出层的反向传播误差定义隐藏层的反向传播误差值定义获得反向传播误差值δn和δj,使用梯度下降算法基于误差信号优化从输出电平到输入电平的WNN的所有参数。权重系数ωij和ωjn由相应计算优化。对小波参数aj和bj也通过相应计算优化。同时对阈值b1j和b2n也通过相应计算优化,所有优化过程完成后进入步骤36。
步骤38:查看终止要求,如果反向误差值E满足客观误差设置或迭代实现最大训练时期,则网络训练结束并确定权重系数ωij,ωjn;小波参数aj,bj以及阈值b1j,b2n。
步骤39:输入测试样本,经上述程序良好调整的WNN分类器得到诊断结果。
如图3所示,为本发明的一种基于小波神经网络的齿轮裂纹识别方法中齿轮箱系统实验装置的结构示意图,具体包括齿轮箱,SpectraQuest的动力学模拟器,352C67PCB型的两个加速度传感器,DSP Siglab20-42信号分析仪和笔记本电脑。
SpectraQuest齿轮箱动力学模拟器用于收集实验振动信号。352C67PCB型的两个加速度传感器沿垂直和水平方向安装在变速箱上。振动数据由DSP Siglab20-42的信号分析仪和笔记本电脑采集分析数据。
根据测试实验得,水平振动信号的平均分类率为100%,垂直振动信号的分类成功率在83.33%-100%之间,水平振动信号分类成功率高于垂直振动信号分类成功率,表明水平振动信号比垂直振动信号对齿轮裂纹更为敏感。本发明多了一种F4故障模式,增加了WPA特征提取和WNN多故障模式分类的复杂性和难度,降低了分类成功率。同时,验证了基于WPA和WNN的方法的可靠性。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于小波神经网络的齿轮裂纹识别方法,其特征在于,该方法包括以下步骤,
步骤1,收集不同工况下的原始振动信号;
步骤2,采用小波包分析方法提取振动信号的故障特征;
步骤3,根据基于基于反向传播算法的小波神经网络和对小波函数的相关参数进行优化;
步骤4,对齿轮裂纹进行识别。
2.根据权利要求1所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,步骤1中所述不同工况分别是:裂纹水平为0%;裂纹水平0%-25%;裂纹水平25%-50%;裂纹水平50%-75%。
3.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,所述步骤2中具体包括:
步骤21,使用WPA的三级分解来分析来自齿轮箱的原始振动信号并产生八个子带;
步骤22,计算每个频带中特征信号的能量值;
步骤23,构造一组特征向量;
步骤24,归一化一组特征向量X=[x1,x2,…,x8],由
获得作为WNN的特征输入向量的新向量X′。
4.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,所述步骤3中的小波函数的相关参数包含振荡参数、缩放参数、平移参数、权系数、阈值。
5.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,所述步骤3中根据基于基于反向传播算法的小波神经网络对小波函数的相关参数进行优化具体步骤为,
步骤31,利用小波包节点能量定义对从齿轮箱实验系统采集的原始振动信号进行提取能量特征值E3n;
步骤32,由对提取的特征值进行归一化,将向量X′作为WNN的输入特征向量;
步骤33,将提取的特征向量划分为训练样本和测试样本;
步骤34,确定节点数I=8,J=14,N=4,动量因子λ=1,学习率η=0.4,根据数据记录,通过网络获得最佳训练结果;
步骤35,启动权系数ωij和ωjn,小波参数aj和bj,WNN结构中的阈值b1j和b2n以及输入训练样本;
步骤36,基于小波神经网络的三层结构函数对WNN进行调整,从输入层的输入到WNN输出层的输出通过计算比较实际输出和期望输出得到输出误差E,如果输出误差E不符合误差要求,转到步骤37,否则跳到步骤38;
步骤37,用反向传播算法计算WNN,通过输出层的反向传播误差定义隐藏层的反向传播误差值定义获得反向传播误差值δn和δj,使用梯度下降算法基于误差信号优化从输出电平到输入电平的WNN的所有参数,权系数ωij和ωjn由计算优化,对小波参数aj和bj也通过计算优化,同时对阈值b1j和b2n也通过计算优化,所有优化过程完成后进入步骤36;
步骤38,查看终止要求,如果反向误差值E满足客观误差设置或迭代实现最大训练时期,则网络训练结束并确定权系数ωij,ωjn;小波参数aj,bj以及阈值b1j,b2n;
步骤39:输入测试样本,经上述程序调整的WNN分类器得到诊断结果。
6.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,所述步骤4中齿轮箱测试系统包括齿轮箱,SpectraQuest的动力学模拟器,352C67PCB型的两个加速度传感器,DSP Siglab 20-42信号分析仪和计算机。
7.根据权利要求6所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,所述步骤4测试系统中具体为:
步骤41:SpectraQuest齿轮箱动力学模拟器用于收集振动信号;
步骤42:352C67PCB型的两个加速度传感器沿垂直和水平方向安装在变速箱上;
步骤43:振动数据由DSP Siglab 20-42的信号分析仪和计算机采集分析数据。
8.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,所述小波神经网络是具有输入层、隐层和输出层的三层网络结构,采用非线性小波函数作为激活函数。
9.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,反向传播算法在连续学习和调整过程中,通过最小化以下目标误差函数来优化网络参数:
10.根据权利要求1或2所述的基于小波神经网络的齿轮裂纹识别方法,其特征在于,小波包分析,将原始信号同时分解为低频和高频信号,而对信号的高频部分不作进一步的分解;同时根据分析信号的特征,自适应地选择合适的频带,使原始信号与信号频谱相匹配;WPA信号分析方法,用于获取振动信号的特征值,并作为特征向量输入到WNN中;小波变换使用具有不同频率的振荡函数作为窗口函数来分析信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441786.3A CN110222390B (zh) | 2019-05-24 | 2019-05-24 | 基于小波神经网络的齿轮裂纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910441786.3A CN110222390B (zh) | 2019-05-24 | 2019-05-24 | 基于小波神经网络的齿轮裂纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222390A true CN110222390A (zh) | 2019-09-10 |
CN110222390B CN110222390B (zh) | 2023-07-18 |
Family
ID=67818388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910441786.3A Active CN110222390B (zh) | 2019-05-24 | 2019-05-24 | 基于小波神经网络的齿轮裂纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222390B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024820A (zh) * | 2019-12-19 | 2020-04-17 | 南通大学 | 一种海上风电叶片健康监测系统及其数据处理方法 |
CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
-
2019
- 2019-05-24 CN CN201910441786.3A patent/CN110222390B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024820A (zh) * | 2019-12-19 | 2020-04-17 | 南通大学 | 一种海上风电叶片健康监测系统及其数据处理方法 |
CN111024820B (zh) * | 2019-12-19 | 2023-01-31 | 南通大学 | 一种海上风电叶片健康监测系统及其数据处理方法 |
CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
CN114279728B (zh) * | 2021-12-07 | 2023-07-25 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110222390B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN105738109B (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN105372087B (zh) | 基于多传感器信号分析的故障诊断方法 | |
Zou et al. | Bearing fault diagnosis based on combined multi-scale weighted entropy morphological filtering and bi-LSTM | |
CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN110779746A (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN106529428A (zh) | 基于深度学习的水下目标识别方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN115563553B (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
CN112577748A (zh) | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 | |
CN103558042A (zh) | 一种基于全状态信息的机组故障快速诊断方法 | |
Zhang et al. | An intelligent fault diagnosis method of rolling bearings based on short-time Fourier transform and convolutional neural network | |
Bie et al. | An integrated approach based on improved CEEMDAN and LSTM deep learning neural network for fault diagnosis of reciprocating pump | |
CN116451150A (zh) | 一种基于半监督小样本的设备故障诊断方法 | |
CN110222390A (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN116340859A (zh) | 一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
Li et al. | A novel anomaly detection method for digital twin data using deconvolution operation with attention mechanism | |
Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN110779722B (zh) | 一种基于编码器信号局部加权的滚动轴承故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |