CN110334764B - 基于集成深度自编码器的旋转机械智能故障诊断方法 - Google Patents
基于集成深度自编码器的旋转机械智能故障诊断方法 Download PDFInfo
- Publication number
- CN110334764B CN110334764B CN201910600138.8A CN201910600138A CN110334764B CN 110334764 B CN110334764 B CN 110334764B CN 201910600138 A CN201910600138 A CN 201910600138A CN 110334764 B CN110334764 B CN 110334764B
- Authority
- CN
- China
- Prior art keywords
- encoder
- dae
- self
- fault
- depth
- 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
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于深度自动编码器的旋转机械故障诊断方法,旨在提高旋转机械的故障诊断精度,实现步骤为:首先采集旋转机械振动加速度时域信号,获取训练数据集和测试数据集;其次,对每个激活函数,使用K折交叉验证方法,通过不同的训练集训练一系列的深度自编码器;然后,通过验证集验证训练后的深度自编码器,获得每个故障标签的精度;再次,采用网格搜索方法寻找最优选择参数,通过最优选择参数对深度自编码器进行筛选,构建集成深度自编码器模型;最终,得到对输入样本的预测标签,将预测标签映射回旋转机械的故障类型,实现对旋转机械的故障诊断。
Description
技术领域
本发明属于故障诊断与信号处理分析技术领域,涉及一种旋转机械故障诊断方法,具体涉及一种基于集成深度自编码器的旋转机械智能故障诊断方法,可用于滚动轴承、齿轮箱等旋转机械的故障自动诊断。
背景技术
旋转机械是工业领域应用最广泛的机械设备,对社会经济发展具有重要意义。旋转机械的关键部件在负载大、冲击大、转速高、背景噪声大等恶劣工况下不可避免地会出现各种故障。这些故障可能造成巨大的损失和严重的人员伤亡。为了监测旋转机械的运行状况,提高旋转机械的安全性和可靠性,避免意外的人员伤亡和经济损失,自动准确的旋转机械故障诊断越来越受到人们的重视。
旋转机械故障诊断主要是通过对旋转机械运行时的一些动态参数如温度、振幅、位移等信号进行分析处理,对旋转机械不同工况的数据进行识别,从而达到故障诊断的目的。通常,评价一种旋转机械故障诊断方法好坏的指标有诊断精度、诊断效率、鲁棒性、客观性等。
旋转机械故障诊断方法可分为传统故障诊断方法和智能故障诊断方法。传统故障诊断方法多利用物理模型基于信号处理技术建立故障诊断模型,如经验模态分解、变分模态分解、小波变换等。在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点,对于故障类型、故障严重程度及故障方向的准确诊断需要依赖先进的信号处理技术,此外,复杂工况下的旋转机械性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征,通常从这些特征中筛选与诊断目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作,因此传统故障诊断方法依赖于专家经验进行特征选择,缺少客观性,难以对实际工程中复杂工况下的旋转机械故障状态进行自动、准确地识别。
智能故障诊断方法是基于数据驱动,运用传感器和计算机技术发展起来的一类方法,如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、深度置信网络、卷积神经网络等。其中,支持向量机、主成分分析和人工神经网络等智能诊断方法虽然能摆脱对专家经验的依赖,实现了旋转机械性能状态特征的自适应学习,提高了故障诊断结果的客观性,但是,这些故障诊断方法是基于浅层特征学习的智能故障诊断方法,难以从原始数据中提取出深层特征,导致其特征学习能力弱,故障诊断精度低。
为了提高模型的特征学习能力,从而提高故障诊断精度,学者们提出了以堆栈式自编码器、深度置信网络、卷积神经网络等为代表的基于深度特征学习的智能故障诊断方法。然而,深度学习也有自己的缺点,模型的学习速度、网络结构等超参数的设计比较困难。在这种情况下,集成学习是一个很好的选择。集成学习结合了一系列学习能力较弱的学习器,克服了超参数的设计问题,取得了较好的学习效果。例如,邵海东等人于2018年在Mechanical Systems and Signal Processing的102卷上发表的“A novel method forintelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders”的文章中,提出了一种集成深度自编码器模型的滚动轴承智能故障诊断方法,该方法首先采集滚动轴承的振动数据,并划分训练集和测试集,其次,基于不同的激活函数建立集成深度自编码器模型并利用训练集数据对模型进行预训练,在此基础上利用故障标签对网络进行微调,最后,利用一个softmax分类器输出测试样本的预测标签,实现根据现场实时采集的滚动轴承振动时域信号对滚动轴承的故障状态进行诊断,为旋转机械设备的安全运行和维保提供参考。然而,该方法只考虑了深度自编码器的整体性能,深度自编码器未经过选择就直接采用集成策略进行组合,并没有考虑各个深度自编码器对不同故障类别分类精度的差异,影响了滚动轴承的诊断精度;同时,每个激活函数只生成一个深度自编码器,泛化能力低,鲁棒性较低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提供了一种基于集成深度自编码器的旋转机械智能故障诊断方法,旨在提高旋转机械的故障诊断精度。
本发明的技术思路是,首先采集旋转机械振动加速度时域信号,获取训练数据集和测试数据集;其次,对每个激活函数,通过不同的训练集训练一系列的深度自编码器;然后,通过验证集验证训练后的深度自编码器,获得每个故障标签的精度;再次,采用网格搜索方法寻找最优选择参数,通过最优选择参数对深度自编码器进行筛选,构建集成深度自编码器模型;最终,得到对输入样本的预测标签,将预测标签映射回旋转机械的故障类型,实现对旋转机械的故障诊断,具体包括如下步骤:
(1)获取训练数据集X1和测试数据集X2:
(1a)将从旋转机械数据库中随机选取的I个振动时域信号数据,以及每个振动时域信号数据包含的故障标签作为训练数据集X1,所有故障标签的类别为1,2,…,q,…,Q,其中Q为故障标签的类别总数,I≥2000,且I>>Q,xi表示第i个训练样本,yi表示xi的故障标签;
(2)构建多个深度自编码器:
通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE11,…,DAElk,…,DAELK,第l个激活函数所生成的第k个深度自编码器DAElk包含N个自编码器第n个自编码器的隐藏层为第N个自编码器的隐藏层的节点数为h,与softmax分类器相连,该DAElk的输出层的节点数为o,K表示第l个激活函数所生成的深度自编码器的数量,l=1,2,…,L,k=1,2,…,K,n=1,2,…,N,L≥2,2≤K<<I,N≥2,o≥1;
(3)对每个深度自编码器DAElk进行训练:
(3a)采用K折交叉验证的方法,将训练数据集X1划分为大小相同或相似的K份,每次选择一份作为验证集Vk,其余K-1份作为训练集Tk,共选择K次,得到K组不同的训练集和验证集其中xt表示第t个训练样本,yt表示xt的故障标签;
(3b)令l=1;
(3c)令k=1;
(3d)令n=1;
(3g)判断n=N是否成立,若是,得到训练后的深度自编码器DAElk',否则,令n=n+1,并执行步骤(3f);
(3h)判断k=K是否成立,若是,得到第l个激活函数下K个训练后的深度自编码器DAEl1',DAEl2',…,DAElK',否则,令k=k+1,并执行步骤(3d);
(3i)判断l=L是否成立,若是,得到L个激活函数下共LK个训练后的深度自编码器DAE11',…,DAElk',…,DAELK',否则,令l=l+1,并执行步骤(3c);
(4)构建集成深度自编码器模型:
(4a)将验证集Vk作为训练后的深度自编码器DAElk'的输入,计算DAElk'中第q类故障标签的分类精度plk,q,得到第l个激活函数对应的分类精度矩阵Pl,L个激活函数对应的分类精度矩阵为P1,…,Pl,…,PL,其中
(4b)对第l个激活函数,采用网格搜索方法搜索Pl中第q类故障标签对应plk,q的最优筛选个数ml,Q类故障标签共选出plk,q的个数为ml×Q,L个激活函数对应的筛选个数为m1,…,ml,…,mL;
(4e)通过训练后的深度自编码器DAElk',计算验证集Vk中的xt属于第q类故障标签的概率值prlk,q,得到第l个激活函数对应的概率矩阵Prl,L个激活函数对应的概率矩阵为Pr1,…,Prl,…,PrL,其中
(4f)通过分类精度矩阵Pl中的plk,q、概率矩阵Prl中的prlk,q和选择矩阵Il中的ilk,q,计算验证集Vk中的xt属于第q类故障标签的可能性值PRq,Q类故障标签对应的可能性值为PR1,…,PRq,…,PRQ,记PR1,…,PRq,…,PRQ的最大值为PRmax,并将PRmax对应的故障类别标签y′t作为xt的预测标签;
(5)获取旋转机械故障诊断结果:
(5a)将测试数据集X2中的xj作为输入向量输入集成深度自编码器模型,计算xj的预测标签y'j,得到预测标签向量[y1',…,y'j,…,y'J]T;
(5b)将预测标签y'j与训练数据集X1包含的故障类别进行映射,得到待诊断旋转机械在不同时刻的故障状态。
本发明与现有技术相比,具有如下优点:
第一,本发明在获取旋转机械故障诊断结果时是通过集成深度自编码器模型实现的,在深度自编码器集成阶段,采用网格搜索方法寻找最优选择参数,克服了对超参数的依赖,并根据选择参数选择同一激活函数生成的多个深度自编码器中对各类故障标签分类精度最高的前几个深度自编码器,考虑了各个深度自编码器对不同故障类别分类精度的差异,与现有技术相比,有效提高了旋转机械的故障诊断精度。
第二,本发明在深度自编码器训练阶段采用K折交叉验证,对每个激活函数,通过不同的训练集训练多个深度自编码器,提高了集成深度自编码器模型泛化能力,与现有技术相比,提高了故障诊断方法鲁棒性。
附图说明
图1为本发明的实现流程图;
图2为本发明实施例滚动轴承12种不同故障类型的振动时域信号波形示意图;
图3为本发明深度自编码器的结构示意图;
图4为本发明具有相同激活函数的深度自编码器的集成策略示意图;
图5为本发明所有深度自编码器的整体集成策略示意图;
图6为本发明实施例集成深度自编码器分类精度和选择参数关系示意图;
图7为本发明实施例的滚动轴承智能故障诊断结果示意图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的详细描述:
参照图1,本发明包括如下步骤:
步骤1)获取训练数据集X1和测试数据集X2。
本发明可用于滚动轴承、齿轮箱等旋转机械的智能故障诊断,本实施例以滚动轴承为例,利用凯斯西储大学的轴承故障数据进行了实验分析,通过数据采集系统采集滚动轴承共计12种故障类型、3600个振动时域信号作为数据集。具体如下:
本实施例使用的振动时域信号均来自美国凯斯西储大学轴承数据集。试验轴承主要包括正常状态、球缺陷(BD)、外圈缺陷(OR)和内圈缺陷(IR)四种故障类型。使用电火花加工将单点故障引入试验轴承,故障直径包括0.007、0.014、0.021和0.028英寸,共四种尺寸类型,获得了包括不同的故障类型、不同故障直径尺寸和不同故障方位的共计12种故障类型的滚动轴承振动时域信号,其波形如图2所示。振动信号以1797rpm电机转速采集。每个故障类型采集300个样本,随机抽取200个样本进行训练,余下的100个样本负责测试所提出的方法。每个样本包含400个数据点,得到2400个样本点作为训练数据集,1200个样本点作为测试数据集。
数据描述如表1所示。
表1数据集中滚动轴承状态
步骤2)构建多个深度自编码器:
通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE11,…,DAElk,…,DAELK,第l个激活函数所生成的第k个深度自编码器DAElk包含N个自编码器第n个自编码器的隐藏层为第N个自编码器的隐藏层的节点数为h,与softmax分类器相连,该DAElk的输出层的节点数为o,K表示第l个激活函数所生成的深度自编码器的数量,l=1,2,…,L,k=1,2,…,K,n=1,2,…,N,L≥2,2≤K<<I,N≥2,o≥1;
参照图3,在本实施例中,使用4种激活函数来构建深度自编码器,每个激活函数生成10个深度自编码器。这些激活函数的方程和导数如表2所示。
表2 4个激活函数的方程和导数
为了简化该方法,将每个深度自编码器的体系结构统一到400-200-100-80。同时,设置具有相同激活函数的深度自编码器具有相同的超参数。深度自编码器的主要参数如表3所示。
表3深度自编码器的主要参数
步骤3)参照图4,对每个深度自编码器DAElk进行训练:
(3a)采用10折交叉验证的方法,将训练数据集X1划分为大小相同或相似的10份,每次选择一份作为验证集Vk,其余9份作为训练集Tk,共选择10次,得到10组不同的训练集和验证集其中xt表示第t个训练样本,yt表示xt的故障标签;
(3b)令l=1;
(3c)令k=1;
(3d)令n=1;
(3g)判断n=4是否成立,若是,得到训练后的深度自编码器DAElk',否则,令n=n+1,并执行步骤(3f);
(3h)判断k=10是否成立,若是,得到第l个激活函数下10个训练后的深度自编码器DAEl1',DAEl2',…,DAEl10',否则,令k=k+1,并执行步骤(3d);
(3i)判断l=4是否成立,若是,得到4个激活函数下共40个训练后的深度自编码器DAE11',...,DAElk',…,DAE410',否则,令l=l+1,并执行步骤(3c);
步骤4)构建集成深度自编码器模型:
(4a)参照图4,将验证集Vk作为训练后的深度自编码器DAElk'的输入,计算DAElk'中第q类故障标签的分类精度plk,q,得到第l个激活函数对应的分类精度矩阵Pl,4个激活函数对应的分类精度矩阵为P1,…,Pl,…,P4,其中
对每个训练后的深度自编码器DAElk'进行验证,通过相应的验证集Vk得到DAElk'的分类精度向量。然后,具有相同激活函数的DAEl1',DAEl2',…,DAEl10'的精度向量构成一个精度矩阵。最后,4个激活函数对应的分类精度矩阵为P1,…,Pl,…,P4四个精度矩阵。
(4b)参照图5,对第l个激活函数,采用网格搜索方法搜索Pl中第q类故障标签对应plk,q的最优筛选个数ml,12类故障标签共选出plk,q的个数为12ml,4个激活函数对应的筛选个数为m1,…,ml,…,m4;
采用网格搜索方法对深度自编码器的分类精度进行筛选,去除较低的分类精度。以sigmoid函数对应的筛选个数m1为例,选取m1为[1,2,3,4,5,6,7,8,9,10],其余为最优筛选个数,筛选个数取值对集成深度自编码器分类精度的影响如图6所示,可以看出,集成深度自编码器分类精度曲线随筛选个数的变化波动。选取集成深度自编码器分类精度最高时的ml取值作为最优筛选个数,搜索结果如表4所示;
表4 4个激活函数对应的筛选个数
(4e)通过训练后的深度自编码器DAElk',计算验证集Vk中的xt属于第q类故障标签的概率值prlk,q,得到第l个激活函数对应的概率矩阵Prl,4个激活函数对应的概率矩阵为Pr1,…,Prl,…,Pr4,其中
(4f)通过分类精度矩阵Pl中的plk,q、概率矩阵Prl中的prlk,q和选择矩阵Il中的ilk,q,计算验证集Vk中的xt属于第q类故障标签的可能性值PRq,12类故障标签对应的可能性值为PR1,…,PRq,…,PR12,记PR1,…,PRq,…,PR12的最大值为PRmax,并将PRmax对应的故障类别标签yt'作为xt的预测标签;
(5)获取滚动轴承故障诊断结果:
(5a)将测试数据集X2中的xj作为输入向量输入集成深度自编码器模型,计算xj的预测标签y'j,得到预测标签向量[y1',…,y'j,…,y'J]T,结果如图7所示;
(5b)将预测标签y'j与训练数据集X1包含的故障类别进行映射,得到待诊断滚动轴承在不同时刻的故障状态。
以下结合具体实验,对本发明的技术效果作详细说明。
1.实验条件和内容:
在中央处理器为Intel(R)Core(TM)i5-7500 3.40GHZ、内存16G、WINDOWS7操作系统上,运用MATLAB R2017b软件对滚动轴承智能故障诊断结果进行仿真。
2.实验结果分析:
本发明应用分类诊断精度Acc对模型的分类诊断精度进行评测,Acc的表达式为:
采用两组对比实验验证本发明的性能,具体的对比实验为:
第一组,将本发明与基于单个深度自编码器的智能诊断方法进行比较,对比结果如表5所示。准确率最高的深度自编码器为DAE3,准确率为81.58%。所有深度自编码器的平均精度为76.89%。任何参数的调整都能显著提高精度,说明该方法是可行的,工作良好。
表5每个深度自编码器第一次验证所得正确率
第二组,将本发明与BPNN、SVM、SAE、CNN等其他智能诊断方法进行比较,对比结果见表6。
表6不同模型诊断结果对比
根据表6可以看出,与其他基于单一深度学习模型的智能故障诊断方法相比,诊断精度最高的是标准CNN,然而其精度仍然比本发明中提出的方法低4.5%。
综上所述,本发明能够提高旋转机械的故障诊断精度,克服对超参数的依赖。
Claims (4)
1.基于集成深度自编码器的旋转机械智能故障诊断方法,其特征在于包括如下步骤:
(1)获取训练数据集X1和测试数据集X2:
(1a)将从旋转机械数据库中随机选取的I个振动时域信号数据,以及每个振动时域信号数据包含的故障标签作为训练数据集X1,所有故障标签的类别为1,2,…,q,…,Q,其中Q为故障标签的类别总数,I≥2000,且I>>Q,xi表示第i个训练样本,yi表示xi的故障标签;
(2)构建多个深度自编码器:
通过L个不同的激活函数构建LK个输出层为softmax分类器的深度自编码器DAE11,…,DAElk,…,DAELK,第l个激活函数所生成的第k个深度自编码器DAElk包含N个自编码器第n个自编码器的隐藏层为第N个自编码器的隐藏层的节点数为h,与softmax分类器相连,该DAElk的输出层的节点数为o,K表示第l个激活函数所生成的深度自编码器的数量,l=1,2,…,L,k=1,2,…,K,n=1,2,…,N,L≥2,2≤K<<I,N≥2,o≥1;
(3)对每个深度自编码器DAElk进行训练:
(3a)采用F折交叉验证的方法,将训练数据集X1划分为大小相同或相似的F份,每次选择一份作为验证集Vf,其余F-1份作为训练集Tf,共选择F次,得到F组不同的训练集和验证集{V1,T1},…,{Vf,Tf},…{VF,TF},其中xt表示第t个训练样本,yt表示xt的故障标签;
(3b)令l=1;
(3c)令k=1;
(3d)令n=1;
(3g)判断n=N是否成立,若是,得到训练后的深度自编码器DAElk',否则,令n=n+1,并执行步骤(3f);
(3h)判断k=K是否成立,若是,得到第l个激活函数下K个训练后的深度自编码器DAEl1',DAEl2',…,DAElK',否则,令k=k+1,并执行步骤(3d);
(3i)判断l=L是否成立,若是,得到L个激活函数下共LK个训练后的深度自编码器DAE11',…,DAElk',…,DAELK',否则,令l=l+1,并执行步骤(3c);
(4)构建集成深度自编码器模型:
(4a)将验证集Vf作为训练后的深度自编码器DAElk'的输入,计算DAElk'中第q类故障标签的分类精度plk,q,得到第l个激活函数对应的分类精度矩阵Pl,L个激活函数对应的分类精度矩阵为P1,…,Pl,…,PL,其中
(4b)对第l个激活函数,采用网格搜索方法搜索Pl中第q类故障标签对应plk,q的最优筛选个数ml,Q类故障标签共选出plk,q的个数为ml×Q,L个激活函数对应的筛选个数为m1,…,ml,…,mL;
(4e)通过训练后的深度自编码器DAElk',计算验证集Vf中的xt属于第q类故障标签的概率值prlk,q,得到第l个激活函数对应的概率矩阵Prl,L个激活函数对应的概率矩阵为Pr1,…,Prl,…,PrL,其中
(4f)通过分类精度矩阵Pl中的plk,q、概率矩阵Prl中的prlk,q和选择矩阵Il中的ilk,q,计算验证集Vf中的xt属于第q类故障标签的可能性值PRq,Q类故障标签对应的可能性值为PR1,…,PRq,…,PRQ,记PR1,…,PRq,…,PRQ的最大值为PRmax,并将PRmax对应的故障类别标签y′t作为xt的预测标签;
(5)获取旋转机械故障诊断结果:
(5a)将测试数据集X2中的xj作为输入向量输入集成深度自编码器模型,计算xj的预测标签y′j,得到预测标签向量[y′1,…,y′j,…,y′J]T;
(5b)将预测标签y′j与训练数据集X1包含的故障类别进行映射,得到待诊断旋转机械在不同时刻的故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910600138.8A CN110334764B (zh) | 2019-07-04 | 2019-07-04 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910600138.8A CN110334764B (zh) | 2019-07-04 | 2019-07-04 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334764A CN110334764A (zh) | 2019-10-15 |
CN110334764B true CN110334764B (zh) | 2022-03-04 |
Family
ID=68143155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910600138.8A Active CN110334764B (zh) | 2019-07-04 | 2019-07-04 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334764B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008732B (zh) * | 2019-11-21 | 2023-06-20 | 中南大学 | 一种基于堆栈模型的故障预测方法及系统 |
CN110929733A (zh) * | 2019-12-09 | 2020-03-27 | 上海眼控科技股份有限公司 | 除噪方法、装置、计算机设备、存储介质及模型训练方法 |
CN111428788B (zh) * | 2020-03-24 | 2022-12-09 | 西安交通大学 | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 |
CN111610026B (zh) * | 2020-06-28 | 2021-06-04 | 盐城工学院 | 一种基于深度聚类的旋转机械故障诊断方法 |
CN112183591A (zh) * | 2020-09-15 | 2021-01-05 | 上海电机学院 | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 |
CN112949591A (zh) * | 2021-03-31 | 2021-06-11 | 上海电力大学 | 一种基于深度自编码器的滚动轴承故障诊断方法 |
CN113203566B (zh) * | 2021-04-06 | 2022-09-16 | 上海吞山智能科技有限公司 | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 |
CN113312719B (zh) * | 2021-05-27 | 2023-02-10 | 西安电子科技大学 | 基于类别不平衡权重交叉熵的旋转机械故障诊断方法 |
CN113740667B (zh) * | 2021-08-30 | 2022-06-14 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
CN114199570B (zh) * | 2021-12-13 | 2024-02-02 | 浙江工业大学 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
CN114371002B (zh) * | 2021-12-30 | 2024-01-09 | 天津理工大学 | 基于dae-cnn的行星齿轮箱故障诊断方法 |
CN114707706A (zh) * | 2022-03-17 | 2022-07-05 | 广西科学院 | 一种基于不均衡数据的柴油发动机故障诊断方法 |
CN114932582B (zh) * | 2022-06-16 | 2024-01-23 | 上海交通大学 | 一种基于Bi-GRU自编码器的机器人小概率失效预测方法 |
CN115169505B (zh) * | 2022-09-06 | 2022-12-02 | 杭州浅水数字技术有限公司 | 特种设备运动部件机械故障预警方法及其预警系统 |
CN118226254B (zh) * | 2024-05-23 | 2024-09-17 | 苏州声学产业技术研究院有限公司 | 基于自编码器集成学习模型检测电机的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
-
2019
- 2019-07-04 CN CN201910600138.8A patent/CN110334764B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106841A (zh) * | 2017-12-21 | 2018-06-01 | 西安交通大学 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN109211546A (zh) * | 2018-08-28 | 2019-01-15 | 电子科技大学 | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 |
CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
A novel method for intelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders;Shao Haidong等;《Mechanical Systems and Signal Processing》;20181231;第102卷;第278–297页 * |
利用 FCKT 以及深度自编码神经网络的滚动轴承故障智能诊断;杨蕊等;《机械工程学报》;20190125;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110334764A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN112308147A (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
Guan et al. | Rolling bearing fault diagnosis based on information fusion and parallel lightweight convolutional network | |
CN106408687A (zh) | 一种基于机器学习方法的汽车发动机故障预警方法 | |
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 | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
CN117628005A (zh) | 一种融合信号液压马达故障诊断方法及系统 | |
CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
Afia et al. | Gearbox fault diagnosis using REMD, EO and machine learning classifiers | |
CN117451360A (zh) | 一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法及系统 | |
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 | |
Guan et al. | Fault diagnosis of rolling bearing with imbalanced small sample scenarios | |
Zhang et al. | Towards intelligent fault diagnosis under small sample condition via a signals augmented semi-supervised learning framework |
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 |