CN110261108B - 基于cnn彩色特征图的额定运转时轴承故障识别法 - Google Patents
基于cnn彩色特征图的额定运转时轴承故障识别法 Download PDFInfo
- Publication number
- CN110261108B CN110261108B CN201910490239.4A CN201910490239A CN110261108B CN 110261108 B CN110261108 B CN 110261108B CN 201910490239 A CN201910490239 A CN 201910490239A CN 110261108 B CN110261108 B CN 110261108B
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- sampling
- sequence
- sample
- 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
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于CNN彩色特征图的额定运行时轴承故障类别识别法属于单源故障识别领域,其特征在于:(1)把按周期采集的各采样点振幅序列转换成故障源采样点上的时变振幅值序列;(2)按最大振幅值最接近的原则从八类轴承故障样本中找到候选故障样本,标志其故障类别;(3)用一个变偏置变权重的卷积函数,按样本振幅特征值序列和故障源实测振幅值序列间的对应采样时刻的像素值之差像素值变化率之差在误差允许范围内的方法找出实测故障振幅特征值序列,及相应的彩色特征图;(4)按色彩相似度值最接近的原则从同类故障样本中找到一个待定的故障样本;(5)用待定故障样本预置的故障特征频率与用谐波分析软件从故障实测彩色特征图求得的故障特征频率比较,若在误差允许范围内,则轴承类别确定。本发明精度高,耗时少,可视性强。
Description
技术领域
基于三轴传感器和CNN彩色特征矩阵的轴承故障识别法输于设备传动件故障类别识别技术领域,尤其涉及单故障下基于卷积神经网络的彩色特征矩阵的以故障冲击波峰值为切入点的故障类别的判别技术领域。
背景技术
工业物联网(IoT)利用计算机网络从相连接的机器设备中收集数据并将数据整理共享,以及高效率的图形处理单元(GPU)的出现为超大数据量的训练及诊断提供了可能,在现代工业应用数据驱动进行控制及监测已成为热门的研究方向。预计2020年将有300亿台设备连接起来,产生的大量数据可以用来共享,提高深度学习网络的泛化能力。最近,深度学习已广泛应用于计算机视觉,语音识别,医疗图像,生物技术等方向。深度学习能充分挖掘大数据中的特征信息,基于深度学习的故障诊断逐渐成为一个热门话题,卷积神经网络是深度学习中一种具有代表性的图像识别网络。
滚动轴承、齿轮和转子作为旋转机械中的关键部件,需要定时维护翻修,稳定的设备诊断方法可以减少不必要的设备维修费用。常见的故障诊断系统包括两个关键步骤,分别是数据处理(特征提取),以及故障识别。基本上,故障诊断可以被视为关于旋转机械状况的模式识别问题。深度学习能通过分层结构中的数据处理模块挖掘不同状态机械数据的特征,在每一层转换为更加抽象的特征,并通过分类器如softmax对其进行分类。具体而言,传统的故障识别方法包括K-最近邻算法(KNN)支持向量机(SVM),和人工神经网络ANN,这些模型都是较为浅层的学习模型,特征学习能力较差,因此当数据差异性较小时,浅层模型难以直接从原始数据中挖掘出不同类型的本质特征,因此大多需要专家经验手工设计特征。2006年,Geoffrey Hinton对深度学习的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。Hinton提出多层神经网络模型学习特征能力强,其提出的由多层限制玻尔兹曼机(RBM)组成的深度置信网络(DBN)应用效果获得突破进展,此后掀起了深度学习的浪潮。在过去几年中,相比传统的机器学习方法,深度学习已被广泛应用在故障诊断领域并取得了一定进展。卷积神经网络(CNN)是一种专门处理具有类似结构数据的神经网络,比如时间序列的数据和图像数据,本方法是一种基于单个三轴加速度传感器采集到的CNN彩色特征矩阵的轴承故障判别方法尤其是一种借助于用本发明所述的方法从大数据的角度出发按照以故障振动振幅最大值为必要条件而以待测轴承故障的彩色特征图相似度为充分条件进行判别的方法。
发明目的
本发明的目的在于提出一种基于单个三轴加速度传感器和CNN彩色特征矩阵轴承故障识别方法。由于轴故障振动从波形上看是一种在故障位置所在的采样点上反映出来的以冲击波为首并随时间依高频或低频振动而是时变衰减的波形,具有以下特征:
(1)当用一个加速度传感器去测量时,故障不仅与冲击波振幅所对应的采样时刻也与采样点的位置相对应,这种冲击振动波的形态在一个采样时间内必然是在多个采样点上所采集到的不同时刻振幅值的连续波形,对于一个固定的采样点而言,是一条时间-正负值曲线,但一个空间位置固定的加速度传感器在一个采样时长内采集到的即是依采样周期序号在每一个采样周期内采集到的对应于不同采样点而得到一个对应于各采样点也同时对应于各采样时刻的所有波形的连接体,在一个采样时长内表现是依采样周期序号串连起来的这种曲线。因而必须把经离散化后得到的以采样周期为单位串联输出的采样数据序列转换以采样点为单位并行输出的采样数据序列。
(2)这种以冲击波为首的振动波形,冲击波的振幅既反映了轴承的振动的强度也直接与故障特征频率直接关联,半周期时长的冲击波在时间轴上的间距也称为幅宽则与故障源在轴承表面上的位置,也与冲击波的时序作用时间有关,而波形则既与冲击波的衰减速率有关,也与整个以冲击波为首的振荡时间有关,直接决定了故障源对其他以采样点为指示器的干扰强度及持续干扰的时间。由此可见,冲击波是一种显性特征参数,而振动波形则是一种不易立即捕捉到的隐性特征参数,因而在对轴承故障类别进行判别时抓住冲击波在各采样点激发的最大振幅值作为出发点或切入点,从故障样本群中找出轴承类别,型号,规格相同或相近的故障样本组,进行逐个对比找到最大振幅值在允许误差范围内的故障样本,然后再以这个已确定了故障类别的样本作为抓手,再从故障样本群中找出故障类别相同但轴承类别、型号、规格不同的样本分别逐个对比,由于轴承类别、型号、规格不同而导致的图形相似度值的差异,以克服由此引起的对相似度的影响,找出与作为抓手的故障样本的相似度最大的故障样本,以此作为第三抓手,对应的相似度值成为准相似度值,再从中找出故障特征频率,作为准故障特征频率,据此按是否在允许误差范围内可确定最终的轴承故障类别。简而言之,实测最大振幅→样本的最大振幅值→样本最大相似度→相对应的故障振动频率→判定相似度和故障特征频率是否都在误差范围内。只要有一个不在允许误差范围内就要缩小采样间隔,重新迭代,直到两者都在允许范围内为止。
(3)采用彩色特征图替代黑白二值特征图,采用在采样时长、采样周期、采样区间内相同的条件下,在相邻两个卷积层,对应的相邻两个采样时刻得到的以实测最大振幅值所在的轴承故障振动数据序列采到的前后两个相邻时刻的像素值变化率和以等效最大振幅值所属的轴承故障振动数据样本序列的对应两个采样时刻之间的像素值变化率之差小于设定的误差范围的方法去删去包括轴承柱松动在内的非轴承故障振动干扰的影响,从而保证了轴承故障振动特征图的可信性,同时再辅以彩色特征图以保障色彩相似度,因此,提出了一个变权重零偏置的卷积函数公式通过用故障样本中特征图的轮廓线每一点的像素值来找出实测特征图中的轮廓线,实质上,所述像素值变化率之值小于一个设定的误差值,实际上起了一种变偏置的作用。
本发明的特征在于,是一种基于三轴加速度传感器和CNN网络的轴承振动故障振幅特征值序列的彩色特征图的单源故障类别识别方法,是在一个轴承故障计算机分类识别系统,以下简称系统中依次按以下步骤实现的:
步骤(1)构建系统:
所述系统包括:三轴加速度传感器以下简称传感器、与轴承座同轴嵌装的轴承以及计算机,其中:
传感器,其探头与轴承座上表面的几何中心点相接触,从轴承外圈表面上对应于所述探头的点作为轴承内圈作圆周运动时的采样计时起点,则所述传感器便按采样周期序号串联输出任一个采样时长内以一采样周期为单位采集到的对应于故障位置的振动冲击波为首,且振动波沿采样方向时变衰减的高频振动幅值序列,简称各采样点的实测振幅值序列
计算机,设有:存储模块、数据预处理模块、基于故障源的实测振幅值序列的彩色特征图形成模块,简称实测故障源的彩色特征图形成模块,轴承故障类别识别模块以及CPU其中:
存储模块,预置有以下参数:八类轴承故障工况:轴承内、外圈及滚动体表面的划痕,滚动疲劳引起的内、外圈及滚动体的表面剥落,风扇主轴因质量分布不均导致的静、动态不平衡,
轴承故障样本群,包括所述八类故障的样本,每一类故障样本是在轴承座与机座固接且在轴承额定运行状态下得到的,设有:样本的故障振幅的特征值序列以及相应的彩色特征图
供轴承故障类别检索用的轴承类别索引符,优先采用:<轴承类别、型号、规格>表示,次优用轴承类别表示,实测故障的振幅特征值序列的彩色特征图与样本故障振幅值序列彩色特征图的相似度值的允许误差范围,实测故障源的故障特征频率与样本故障源的特征频率的误差允许范围,
数据预处理模块,把在一个采样时长内从所述传感器上采到的各采样点上按采样周期序号采集的实测故障振幅值序列转换为并联输出的对应于故障源处的采样点上采集的故障源振幅值序列,步骤如下:
第1步,从并联输入的各所述实测故障振幅值序列中找出较大的一个序列,共P个,P为采样点数;
第2步,从P个较大的所述序列中,找出其中起始振幅值即冲击波最大的的一个序列,即为从故障源处采样点上采集到的故障源实测振幅值序列;
基于故障源的实测振幅值序列的彩色特征图形成模块,步骤如下:
第1步,寻找所述八类轴承故障样本群中是否有与待测轴承检索符相同的轴承故障样本:
在把故障源实测振幅值序列输入到CNN网络输入层的同时,执行以下步骤:
若:有,执行步骤(2.1)
步骤(2.1)从与所述索引号相同的轴承故障样本中,从各自对应的彩色特征图的样本故障振幅特征值序列中找出与所述故障源的实测振幅值序列中的最大振幅值数值上较接近的轴承故障样本,较接近是指起始两个最大振幅值之差最小,简称候选故障样本,并标志故障类别,转第2步
若:没有,对故障类别检索符不同的轴承故障样本用步骤(2.1)的方法找到所述的候选故障样本,转第2步,
第2步,用实测时采用的采样方法对所述候选故障样本的样本故障振幅特征值序列进行采样,时刻t在样本故障源采样点p’上采到的像素值标示为Xp’.t,用同样方法对所述故障源的实测振幅值序列进行采样,得到时刻t,在各采样点Pt上采到的像素值标志为Xp.t的振幅值序列,
第3步,从第2步中的结果中求出在相邻两个采样时刻分别对应于实测数据和样本数据的两个像素值变化率,表示为:
其中,Xp.t值待定,把所述的两个像素值变化率数据送往第一卷积层;
第4步,构造一个用于各卷积层k的变偏置值、变权重值的卷积函数,表示如下:
e1为相邻两个采样时刻(t-1),(t)间,为在实测故障源所在的采样点p上采集到的像素值的变化率与在样本故障源在采样点p’上采集到的像素值的变化率之差的允许误差,e1在[-0.1,+0.1]取值,
e2为在相同的采样时刻t上,实测像素值xp.k.t和样本像素值xp'.k.t之差的允许范围,e2在采样时刻t的样本像素值xp'.k.t的±5%的闭区间内取值,
w(k-1)为对应采样时刻(t-1)时所述卷积层(k-1)的权重是一个时变量,k是卷积层符号,k=k1,k2,...,kK,K为卷积层数
所述卷积函数表示:如何选择各卷积层的权重w(k-1)使得基于故障源的实测振幅值的彩色特征图中表征波形变化的各相邻采样时刻间的像素值变化率以及表征同一采样时刻内样本像素值与实测像素值之差这两个参数能满足为各自设定的允许误差范围
第5步,把第4步得到的对应于各采样时刻的实测振幅特征值Xp.t序列输入到全连接层实行全连接后,经输出层输出实测故障源的彩色特征图
轴承故障类别识别模块,依次按以下步骤确认待测轴承的故障类别:
步骤(1):逐个计算所述实测故障源的彩色特征图与同一类别所有故障样本之间的色彩相似度值并找出相似度值最大的一个故障样本,称为待定故障样本,标志上其故障类别
步骤(2):从所述待定故障样本中找到预置的故障特征频率
步骤(3):用MATLAB工具箱中的谐波计算程序从实测故障源彩色特征图及实测振幅特征值序列中的最大振幅值中找出故障源的特征频率,与步骤(2)的结果比较,若误差在允许范围内,则轴承故障类别确定
CPU依次按以下步骤判别轴承故障类别:
步骤(2.1)在CPU控制下存储模块初始化
步骤(2.2)三轴加速度传感器按设定的采样时长、采样周期、采样区间的序号在轴承座表面几何中心点,采集在一个采样时长内,按采样周期的序号依次在各采样点上得到的轴承在额定运动状态下出现故障时的振幅值,并以串联方式输入数据预处理模块
步骤(2.3)数据预处理模块在CPU控制下在一个采样时长内输出对应于故障源位置的采样点p上采集到的故障源振幅值序列,输入到所述基于故障源的实测振幅值序列的彩色特征图形成模块
步骤(2.4)在CPU控制下,所述基于故障源的实测振幅值序列的彩色特征图形成模块输出基于实测振幅特征值序列的实测故障源的彩色特征图,同时把所述实测振幅特征值序列的对应的彩色特征图输入到轴承故障类别识别模块
步骤(2.5)在CPU控制下,所述轴承故障类别识别模块输出故障类别
本发明与现有的人工神经网络相比,具有简单、特征图色彩丰富、而且精度较高。
附图说明
图1.数据预处理流程图:
S=s1,s2,s3,…,S.其中S表示周期数,
p=p1,p2,p3,…,P.其中P表示采样点数,
Fps表示振幅值,p表示采样点序号,s表示采样周期序号,
图1(a).探头采集到的用矩阵形式表示的原始数据,
图1(b).预处理后得到的故障源所对应的采样点的冲击波振幅Fpsmax处理流程图。
图2.系统框图。
图3.程序流程图。
图4.实测故障源彩色特征图形成流程图。
图5.轴承故障彩色特征图。
见具体实施方式:
所述的数据预处理流程可以用简单的人工神经网络来实现,所述的轴承故障类别判别流程也可以用另外一个人工神经网络来实现,本发明的实质就是在两个用于解决不同问题的人工神经网络之间,插入了一个形成故障源实测彩色图像的CNN网络,具体流程见图3.本发明克服了不能直接用人工神经网络来解决轴承故障判别的问题,解决了目前人工神经网络所不能解决的问题,同时也解决了特征提取方法不能解决大数据的问题,所以本发明用人工神经网络和卷积神经网络混合的网络系统同时解决了人工神经网络和特征提取方法不能用来处理轴承故障判别的问题,所以具有高精度,耗时短,可视性强的优点。
Claims (1)
1.基于CNN彩色特征图的额定运转时轴承故障类别识别法,其特征在于,是一种基于三轴加速度传感器和CNN网络的轴承振动故障振幅特征值序列的彩色特征图的单源故障类别识别方法,是在一个轴承故障计算机分类识别系统,以下简称系统中依次按以下步骤实现的:
步骤(1)构建系统:
所述系统包括:三轴加速度传感器以下简称传感器、与轴承座同轴嵌装的轴承以及计算机,其中:
传感器,其探头与轴承座上表面的几何中心点相接触,从轴承外圈表面上对应于所述探头的点作为轴承内圈作圆周运动时的采样计时起点,则所述传感器便按采样周期序号串联输出任一个采样时长内以采样周期为单位采集到的对应于各采样点的实测故障振幅值序列,简称各采样点的实测振幅值序列,
计算机,设有:存储模块、数据预处理模块、基于实测故障的振幅特征值序列的彩色特征图形成模块,简称实测故障源的彩色特征图形成模块,轴承故障类别识别模块以及CPU其中:
存储模块,预置有以下参数:八类轴承故障工况:轴承内、外圈及滚动体表面的划痕,滚动疲劳引起的内、外圈及滚动体的表面剥落,风扇主轴因质量分布不均导致的静、动态不平衡,
轴承故障样本群,包括所述八类故障的样本,每一类故障样本是在轴承座与机座固接且在轴承额定运行状态下得到的,设有:样本的故障振幅的特征值序列以及相应的彩色特征图,
供轴承故障类别检索用的轴承类别索引符,优先采用:<轴承类别、型号、规格>表示,次优用轴承类别表示,实测故障的振幅特征值序列的彩色特征图与样本故障振幅值序列的彩色特征图的相似度值的允许误差范围,实测故障源的故障特征频率与样本故障源的特征频率的误差允许范围,
数据预处理模块,把在一个采样时长内从所述传感器上采到的各采样点上按采样周期序号采集的实测故障振幅值序列转换为并联输出的对应于故障源处的采样点上采集的故障源振幅值序列,步骤如下:
第1步,从并联输入的各所述实测故障振幅值序列中找出较大的一个序列,共P个,P为采样点数;
第2步,从P个较大的所述序列中,找出其中起始振幅值即冲击波最大的一个序列,即为从故障源处采样点上采集到的实测故障振幅特征值序列;
基于故障源的实测振幅值序列的彩色特征图形成模块,步骤如下:
第1步,寻找所述八类轴承故障样本群中是否有与待测轴承类别检索符相同的轴承故障样本:
在把故障源实测振幅值序列输入到CNN网络输入层的同时,执行以下步骤:
若:有,执行步骤(2.1)
步骤(2.1)从与所述轴承类别检索符相同的轴承故障样本中,从各自对应的彩色特征图的样本故障振幅特征值序列中找出与所述故障源的实测振幅值序列中的最大振幅值数值上较接近的轴承故障样本,较接近是指起始时的两个最大振幅值之差最小,简称候选故障样本,并标志故障类别,转第2步
若:没有,对轴承类别检索符不同的轴承故障样本用步骤(2.1)的方法找到所述的候选故障样本,转第2步,
第2步,用实测时采用的采样方法对所述候选故障样本的样本故障振幅特征值序列进行采样,时刻t在样本故障源采样点p’上采到的像素值标示为Xp’.t,用同样方法对所述实测故障的振幅值序列进行采样,得到时刻t,在各采样点p上采到的像素值标志为Xp.t的振幅值序列,
第3步,从第2步中的结果中求出在相邻两个采样时刻分别对应于实测数据和样本数据的两个像素值变化率,表示为:
其中,Xp.t值待定,把所述的两个像素值变化率数据送往第一卷积层;
第4步,构造一个用于各卷积层k的变偏置值、变权重值的卷积函数,表示如下:
e1为相邻两个采样时刻(t-1),(t)间,为在实测故障的采样点p上采集到的像素值的变化率与在样本采样点p’上采集到的像素值的变化率之差的允许误差,e1在[-0.1,+0.1]取值,
e2为在相同的采样时刻t上,实测像素值xp.k.t和样本像素值xp'.k.t之差的允许范围,e2在采样时刻t的样本像素值xp'.k.t的±5%的闭区间内取值,
w(k-1)为对应采样时刻(t-1)时所述卷积层(k-1)的权重是一个时变量,k是卷积层符号,k=k1,k2,...,kK,K为卷积层数
所述卷积函数表示:如何选择各卷积层的权重w(k-1)使得基于故障源的实测振幅值的彩色特征图中表征波形变化的各相邻采样时刻间的像素值变化率以及表征同一采样时刻内样本像素值与实测像素值之差这两个参数能满足为各自设定的允许误差范围
第5步,把第4步得到的对应于各采样时刻的实测振幅特征值Xp.t序列输入到全连接层实行全连接后,经输出层输出实测故障源的彩色特征图
轴承故障类别识别模块,依次按以下步骤确认待测轴承的故障类别:
步骤(1):逐个计算所述实测故障源的彩色特征图与同一类别所有故障样本的故障源的彩色特征图之间的色彩相似度值并找出相似度值最大的一个故障样本,称为待定故障样本,标志上其故障类别
步骤(2):从所述待定故障样本中找到预置的故障特征频率
步骤(3):用MATLAB工具箱中的谐波计算程序从实测故障源彩色特征图及实测振幅特征值序列中的最大振幅值中找出故障源的特征频率,与步骤(2)的结果比较,若误差在允许范围内,则轴承故障类别确定
CPU依次按以下步骤判别轴承故障类别:
步骤(2.1)在CPU控制下存储模块初始化
步骤(2.2)三轴加速度传感器按设定的采样时长、采样周期、采样区间的序号在轴承座表面几何中心点,采集在一个采样时长内,按采样周期的序号依次在各采样点上得到的轴承在额定运动状态下出现故障时的振幅值,并以串联方式输入数据预处理模块,
步骤(2.3)数据预处理模块在CPU控制下在一个采样时长内输出对应于故障源位置的采样点p上采集到的故障源振幅值序列,输入到所述基于故障源的实测振幅值序列的彩色特征图形成模块
步骤(2.4)在CPU控制下,所述基于故障源的实测振幅值序列的彩色特征图形成模块输出基于实测振幅特征值序列的实测故障源的彩色特征图,同时把所述实测振幅特征值序列的对应的彩色特征图输入到轴承故障类别识别模块
步骤(2.5)在CPU控制下,所述轴承故障类别识别模块输出故障类别。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051403 | 2019-01-18 | ||
CN2019100514031 | 2019-01-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110261108A CN110261108A (zh) | 2019-09-20 |
CN110261108B true CN110261108B (zh) | 2020-05-19 |
Family
ID=67917158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490239.4A Active CN110261108B (zh) | 2019-01-18 | 2019-06-06 | 基于cnn彩色特征图的额定运转时轴承故障识别法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261108B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113091872B (zh) * | 2021-04-06 | 2023-06-16 | 深圳市汉德网络科技有限公司 | 一种诊断故障传感器的方法与装置 |
CN116256054B (zh) * | 2023-05-15 | 2023-08-04 | 广东电网有限责任公司阳江供电局 | 一种桥臂电抗器的故障监测方法、系统、设备和介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3170076B2 (ja) * | 1992-12-18 | 2001-05-28 | 株式会社小野測器 | 転がり軸受故障診断装置 |
US5477730A (en) * | 1993-09-07 | 1995-12-26 | Carter; Duncan L. | Rolling element bearing condition testing method and apparatus |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
CN102269655B (zh) * | 2010-06-04 | 2014-12-17 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
CN106295072A (zh) * | 2016-08-30 | 2017-01-04 | 北京工业大学 | 一种针对轴承内外圈故障的定量趋势诊断方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN206504869U (zh) * | 2017-02-27 | 2017-09-19 | 苏州大学 | 一种滚动轴承故障诊断装置 |
CN107560849B (zh) * | 2017-08-04 | 2020-02-18 | 华北电力大学 | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN107506710A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团股份有限公司 | 一种滚动轴承复合故障提取方法 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN108444708B (zh) * | 2018-04-16 | 2021-02-12 | 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 |
-
2019
- 2019-06-06 CN CN201910490239.4A patent/CN110261108B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110261108A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis | |
Wang et al. | A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN | |
CN110322423B (zh) | 一种基于图像融合的多模态图像目标检测方法 | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN109902393A (zh) | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN109186964B (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
CN110261108B (zh) | 基于cnn彩色特征图的额定运转时轴承故障识别法 | |
Liu et al. | Rolling bearing fault severity recognition via data mining integrated with convolutional neural network | |
CN112629851A (zh) | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 | |
Wang et al. | Intelligent fault diagnosis for planetary gearbox using transferable deep q network under variable conditions with small training data | |
Liang et al. | Average descent rate singular value decomposition and two-dimensional residual neural network for fault diagnosis of rotating machinery | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
CN115952408A (zh) | 多通道跨域少样本的冲压生产线轴承故障诊断方法 | |
CN113837071B (zh) | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 | |
CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 | |
Liu et al. | Multi-scale residual anti-noise network via interpretable dynamic recalibration mechanism for rolling bearing fault diagnosis with few samples | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
Ping et al. | Surface defect detection for wire ropes based on deep convolutional neural network |
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 |