CN110503025B - 一种基于半监督协同训练的模拟电路早期故障诊断方法 - Google Patents

一种基于半监督协同训练的模拟电路早期故障诊断方法 Download PDF

Info

Publication number
CN110503025B
CN110503025B CN201910765207.0A CN201910765207A CN110503025B CN 110503025 B CN110503025 B CN 110503025B CN 201910765207 A CN201910765207 A CN 201910765207A CN 110503025 B CN110503025 B CN 110503025B
Authority
CN
China
Prior art keywords
analog circuit
training
supervised
semi
empirical
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
Application number
CN201910765207.0A
Other languages
English (en)
Other versions
CN110503025A (zh
Inventor
屈剑锋
曹珊珊
吴冬冬
房晓宇
李豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201910765207.0A priority Critical patent/CN110503025B/zh
Publication of CN110503025A publication Critical patent/CN110503025A/zh
Application granted granted Critical
Publication of CN110503025B publication Critical patent/CN110503025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/316—Testing of analog circuits
    • 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
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了半监督协同训练的模拟电路早期故障诊断方法，无需使用大量有标签数据，即可对模拟电路故障进行分类和识别从而实现早期故障的诊断。包括以下步骤：首先已知的模拟电路正常信号和故障信号进行傅里叶变换，进行频谱划分，然后对频谱进行经验小波变换，得到AM‑FM成分，并进行Hilbert变换，得到多个EWF分量，将多个EWF分量的能量进行叠加，从而定量分析信号特征，最后通过半监督协同训练算法，充分利用少量有标签数据进行学习和大量无标签数据，在一定程度上保证标记动作的准确性，节省了大量标记成本，从而实现基于半监督协同训练的模拟电路早期故障诊断。

Description

一种基于半监督协同训练的模拟电路早期故障诊断方法
技术领域
本发明属于半监督协同训练的模拟电路早期故障诊断领域，涉及一种基于半监督协同训练的模拟电路早期故障诊断方法。
背景技术
模拟电路在工业生产、日常生活和高科技领域有着非常广泛的应用，特别是在航空航天等军工领域。在电子电路系统中，早期故障的征兆难以辨别，严重影响系统性能。
模拟电路的故障可分为硬故障和软故障两种，硬故障是指电路中的元器件参数发生“质”的变化，从而导致系统严重失效，如断路、短路、元器件损坏等。软故障通常是指元器件参数在受到时间和环境的影响下，逐渐偏移出其容差范围，从而导致系统出现功能性故障或性能的恶化。软故障中的早期故障主要由设计、制造的缺陷等原因造成，在使用初期发生的故障，早期故障率较高并随时间而迅速下降。目前，对硬故障诊断的研究已经取得较好的成果，而对软故障诊断尤其是早期故障诊断依然有很多尚待解决的问题。
针对模拟电路故障的非线性、不确定的特征，采用合适的方法来提取电路故障特征。目前，常用的方法有小波变换，经验模态分解，经验小波变换等。经验模态分解(Empirical mode decomposition,EMD)是近几年来刚发展起来的一种新的自适应信号分析方法，其主要用于处理非平稳、不确定随机信号。而经验小波变换(Empirical wavelettransform,EWT)在EMD方法的基础上，结合小波变换的理论框架，继承了EMD方法自适应处理非线性随机信号的优点，且克服了其部分不足之处，针对模拟电路故障信号的非线性和不确定性，获得最优的模拟电路故障特征。
此外，模拟电路的故障存在多样化，不能较快的检查出故障的来源。半监督学习能够充分利用有标签和大量无标签数据进行训练，用更少的标注代价获得更好、泛化性更高的模型，从而实现早期故障诊断的目的。
发明内容
有鉴于此，本发明的目的在于提供一种基于半监督协同训练的模拟电路早期故障诊断方法，充分利用未标签样本，在线训练分类器。本方法通过半监督协同训练对模拟电路故障进行诊断，首先使用已知的模拟电路信号进行经验小波分解，并计算能量熵，然后用计算结果训练分类器，最后通过大量无标签数据的标签预测，将每个分类器分类结果中置信度较高的部分无标签样本及其预测标签加入另一个分类器的训练集中，如此迭代。从而实现早期故障诊断。
为达到上述目的，本发明的技术方案提供一种基于半监督协同训练的模拟电路早期故障诊断方法，所述方法包括以下步骤：
1)首先采集模拟电路已知的故障信号和正常信号，对信号进行傅里叶变换得到频谱图，通过特定的算法对频谱进行划分，得到一组频谱的分界线。
2)根据步骤1)得到的分界线，利用Meyer小波构造方法构造经验尺度函数和经验小波函数(empirical wavelet function，EWF)，得到正交小波滤波器，对频谱进行经验小波变换，得到一组单分量或近似单分量的AM-FM成分。然后对AM-FM成分进行Hilbert变换得到Hilbert谱，之后通过Hilbert谱进行时频分析。
3)对步骤2)中的每一段信号的能量叠加，利用能量熵对经验模态分量进行定量分析，从而进行故障识别和诊断。
4)将步骤3)中的诊断结果分别用于训练隐马尔可夫型(Hidden Markov，HMM)和支持向量机(support vector machine，SVM)分类器。
5)使用半监督协同训练算法，首先通过步骤4)训练分类器，然后用训练后的分类器不断的标记无标签数据。
6)选择步骤5)中置信度高的样本加入到训练集，重新训练分类器，直到满足一个预定义的停止标准，从而实现模拟电路早期故障的诊断。
本发明达到的有益效果为：本发明无需使用大量有标签数据，即可对模拟电路故障进行分类和识别从而实现早期故障的诊断。通过经验小波变换对原始信号的傅里叶谱作自适应分割，在每个分割的区间内采用相对应的小波滤波器，构造正交小波滤波器组提取具有紧支撑傅里叶谱的调幅-调频成分，从而准确提取固有模态。与常规检测方法相比，半监督学习作为介于有监督和无监督的学习技术，充分利用少量有标签数据进行学习，能在一定程度上保证标记动作的准确性，节省了大量标记成本。针对早期故障比较微弱的问题，半监督协同训练根据自身特性，能够在一定程度上降低噪声的引入，提高分类的准确度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明所述模拟电路早期故障诊断方法的流程框图。
图2为本发明所述模拟电路早期故障诊断方法的半监督学习协同训练示意图。
具体实施方式
为了更清楚的理解本发明，以下结合附图进行详细描述：
参照图1，本实施例包括以下步骤：
1)首先采集模拟电路已知的故障信号和正常信号，对信号进行傅里叶变换得到频谱图，通过特定的算法对频谱进行划分，得到一组频谱的分界线。
先求出频谱的所有局部最大值，将所有极大值按降序排列并归一化为0到1。最大的极大值为M1，最小的极大值为MM，然后定义阈值为T＝MM+α(M1-MM),α∈(0,1)。给定α值后，记大于阈值的局部极大值个数为N，取前N个局部极大值，两两相加除以2求取边界。
2)根据步骤1)得到的分界线，利用Meyer小波构造方法构造经验尺度函数和经验小波函数，得到正交小波滤波器，对频谱进行经验小波变换，得到一组单分量或近似单分量的AM-FM成分。Meyer小波经验尺度函数和经验小波函数分别如式(1)和式(2)所示。
Figure BDA0002171712880000031
Figure BDA0002171712880000032
经验小波变换细节系数可由信号与经验小波函数内积产生，用
Figure BDA0002171712880000033
表示近似系数，则其可由信号与经验尺度函数内积产生：
Figure BDA0002171712880000034
Figure BDA0002171712880000035
Figure BDA0002171712880000036
和
Figure BDA0002171712880000037
分别是
Figure BDA0002171712880000038
和
Figure BDA0002171712880000039
的傅里叶变换。经验模态fi可定义如式(5)所示。
Figure BDA00021717128800000310
将AM-FM成分进行Hilbert变换得到Hilbert谱，之后通过Hilbert谱进行时频分析。式子如(6)所示。
Figure BDA0002171712880000041
3)由于EWT分解产生的分量并非全部包含丰富的特征信息，且通过时频表示难以直接提取信号特征，因此对步骤2)中的每一段信号的能量进行叠加，利用能量熵对经验模态分量进行定量分析，以便能够直观地对信号特征进行提取。
首先计算各EWF分量与原信号之间的相关系数——rj(j＝1,2,…,N)，即
Figure BDA0002171712880000042
式中：f为原始信号；ej为EWF分量；σf和
Figure BDA0002171712880000043
分别为原始信号和EWF分量的标准差；n为各EWF分量所包含的元素个数；fi为原始信号的第i个元素；
Figure BDA0002171712880000044
为原信号均值；eji为第j个EWF分量的第i个元素；
Figure BDA0002171712880000045
为第j个EWF分量的均值。
通过阈值设定选取与原信号相关度较高的EWF分量，剔除包含较弱特性信息分量的同时达到降维的目的，有效减少计算量。设置阈值T＝±0.3，即选取rj≥±0.3对应的EWF分量。
然后选取各个EWF分量的能量Ej，如式(8)所示。
Figure BDA0002171712880000046
根据各EWF分量的能量构造原始信号的特征矢量V，以表示信号特征所体现的状态信息，如式(9)所示。
V＝[v1,v2…vp]  (9)
式中：p为所选取的EWF分量个数，
Figure BDA0002171712880000047
4)将步骤3)中的将正常信号和故障信号的能量vj用于训练隐马尔可夫型(HiddenMarkov，HMM)和支持向量机(support vector machine，SVM)分类器。
HMM适合处理连续动态信号，它按模式匹配原理，寻找与未知信号最相似的模式作为识别结果，重在表达信号类别内的相似程度；SVM则适合处理分类问题，能根据有限的样本信息以尽量大的距离将不同模式的样本分开，以获得最好的推广能力，很好地表达了类别间的差异性。模型训练过程如下：
①对训练样本进行预处理和特征提取；
②HMM的训练，将处理后的训练样本由Baum.Welch算法训练各状态HMM，建立HNM故障模型字典；
③SVM的训练，将训练样本输入训练好的HMM，通过Viterbi算法分别计算各HMM产生对应样本观测序列的概率值，由概率值组成特征向量，归一化并加上故障标签后训练SVM分类器。
将未知信号做同样的预处理和特征提取后，通过HMM故障字典，计算信号与各状态HMM的匹配程度(即最大似然值)，得到一组概率值特征向量，归一化后输入训练好的SVM分类器进行判定。
5)使用半监督协同训练算法，首先通过步骤4)训练分类器，然后用训练后的分类器不断的标记无标签数据。
6)选择步骤5)中置信度高的样本加入到训练集，重新训练分类器，直到满足一个预定义的停止标准，从而实现模拟电路早期故障的诊断。
协同训练Co-Training算法假设数据属性拥有两个充分冗余(sufficient andredundant)的视图，称之为view1和view2。设U为无标签数据集，L为有标签数据集。算法基本流程如下：
输入：U，L，两个分类器
输出：训练好的两个分类器C1，C2
过程：
①首先在L的view1和view2分别上训练出C1和C2；
②然后从U上随机的选取u个示例放入集合U’中；
③分别用C1和C2对U’中的所有元素进行标记；
④接着从两个分类器标记结果中各取可信度最高的p个正标记和n个负标记放入L中；
⑤最后从U中选取2p+2n个数据补充到U’中；
⑥重复上述过程直到满足截止条件。

Claims (6)

1.一种基于半监督协同训练的模拟电路早期故障诊断方法，其特征在于，包括如下步骤：
1)首先采集模拟电路已知的故障信号和正常信号，对信号进行傅里叶变换得到频谱图，通过特定的算法对频谱进行划分，得到一组频谱的分界线；
2)根据步骤1)得到的分界线，利用Meyer小波构造方法构造经验尺度函数和经验小波函数，得到正交小波滤波器，对频谱进行经验小波变换，得到一组单分量或近似单分量的AM-FM成分；
3)对步骤2)中的AM-FM成分进行Hilbert变换得到Hilbert谱，之后通过Hilbert谱进行时频分析；
4)对步骤3)中的每一段信号的能量进行计算叠加，利用能量熵对经验模态分量进行定量分析，从而进行故障识别和诊断；
5)将步骤4)中的诊断结果来分别训练隐马尔可夫型HMM和支持向量机SVM分类器；
6)使用半监督协同训练算法，首先通过步骤5)训练样分类器，然后用训练后的分类器不断的标记无标签数据，并选择置信度高的样本加入到训练集，重新训练分类器，直到满足一个预定义的停止标准，从而实现模拟电路早期故障的诊断；
所述步骤1)对已知信号进行傅里叶变换得到频谱图，然后对进行频谱划分，得到频谱分界线；先求出频谱的所有局部最大值，将所有极大值按降序排列并归一化为0到1；最大的极大值为M1，最小的极大值为MM，然后定义阈值为T＝MM+α(M1+MM)，α∈(0，1)；给定α值后，记大于阈值的局部极大值个数为N，取前N个局部极大值，两两相加除以2求取边界。
2.根据权利要求1所述的一种基于半监督协同训练的模拟电路早期故障诊断方法，其特征在于，所述步骤2)根据分界线，构造的经验尺度函数和经验小波函数，计算得到正交小波滤波器，Meyer小波经验尺度函数和经验小波函数分别如式(1)和式(2)所示：
Figure FDA0004086029350000021
Figure FDA0004086029350000022
经验小波变换细节系数可由信号与经验小波函数内积产生，用
Figure FDA0004086029350000023
表示近似系数，则其可由信号与经验尺度函数内积产生：
Figure FDA0004086029350000024
Figure FDA0004086029350000025
Figure FDA0004086029350000026
和
Figure FDA0004086029350000027
分别是
Figure FDA0004086029350000028
和
Figure FDA0004086029350000029
的傅里叶变换，经验模态fi可定义如式(5)所示；
Figure FDA00040860293500000210
3.根据权利要求1所述的一种基于半监督协同训练的模拟电路早期故障诊断方法，其特征在于，所述步骤3)的Hilbert变换为：
Figure FDA00040860293500000211
4.根据权利要求1所述的一种基于半监督协同训练的模拟电路早期故障诊断方法，其特征在于，所述步骤4)对EWF分量的能量进行叠加，利用能量熵对经验模态分量进行定量分析，以便能够直观地对信号特征进行提取；
首先计算各EWF分量与原信号之间的相关系数——rj(j＝1，2，…，N)，即
Figure FDA0004086029350000031
然后选取各个EWF分量的能量Ej，如式(8)所示；
Figure FDA0004086029350000032
根据各EWF分量的能量构造原始信号的特征矢量V，以表示信号特征所体现的状态信息，如式(9)所示；
V＝[v1，v2…vp]    (9)
式中：p为所选取的EWF分量个数，
Figure FDA0004086029350000033
5.根据权利要求1所述的一种基于半监督协同训练的模拟电路早期故障诊断方法，其特征在于，所述步骤5)将正常信号和故障信号的能量vj用于训练隐马尔可夫型HMM和支持向量机SVM分类器。
6.根据权利要求1所述的一种基于半监督协同训练的模拟电路早期故障诊断方法，其特征在于，所述步骤6)使用半监督协同训练算法，首先用少量的有标签数据训练样分类器，然后用训练后的分类器不断的标记无标签数据，并选择置信度高的样本加入到训练集，重新训练分类器，直到满足一个预定义的停止标准，从而实现模拟电路早期故障的诊断。
CN201910765207.0A 2019-08-19 2019-08-19 一种基于半监督协同训练的模拟电路早期故障诊断方法 Active CN110503025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910765207.0A CN110503025B (zh) 2019-08-19 2019-08-19 一种基于半监督协同训练的模拟电路早期故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910765207.0A CN110503025B (zh) 2019-08-19 2019-08-19 一种基于半监督协同训练的模拟电路早期故障诊断方法

Publications (2)

Publication Number Publication Date
CN110503025A CN110503025A (zh) 2019-11-26
CN110503025B true CN110503025B (zh) 2023-04-18

Family

ID=68588812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910765207.0A Active CN110503025B (zh) 2019-08-19 2019-08-19 一种基于半监督协同训练的模拟电路早期故障诊断方法

Country Status (1)

Country Link
CN (1) CN110503025B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464708B (zh) * 2020-10-16 2024-04-16 浙江工业大学 双馈异步风机电能质量异常故障诊断方法
CN112417966B (zh) * 2020-10-22 2022-08-26 南京邮电大学 一种基于音频信号特征和ai算法的多维度机器故障检测方法
CN112525507B (zh) * 2020-11-21 2022-01-07 西安交通大学 一种转子系统启停车过程中振动信息自适应的获取方法
CN113111618B (zh) * 2021-03-09 2022-10-18 电子科技大学 一种基于改进的经验小波变换的模拟电路故障诊断方法
CN113553898A (zh) * 2021-06-07 2021-10-26 武汉思恒达科技有限公司 一种自动扶梯基脚松动故障诊断方法
CN115144738B (zh) * 2022-06-30 2023-05-16 兰州理工大学 模拟电路故障诊断电路

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013107076A1 (zh) * 2012-01-19 2013-07-25 东南大学 一种光学三维测量中的自适应窗口傅里叶相位提取法
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
CN106596900A (zh) * 2016-12-13 2017-04-26 贵州电网有限责任公司电力科学研究院 一种基于改进图的半监督分类的变压器故障诊断方法
CN107065828A (zh) * 2017-03-24 2017-08-18 东北大学 基于知识数据的半监督核判别分析故障诊断方法
CN109582003A (zh) * 2018-12-03 2019-04-05 东北林业大学 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
CN108256052B (zh) * 2018-01-15 2023-07-11 成都达拓智通科技有限公司 基于tri-training的汽车行业潜在客户识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013107076A1 (zh) * 2012-01-19 2013-07-25 东南大学 一种光学三维测量中的自适应窗口傅里叶相位提取法
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
CN106596900A (zh) * 2016-12-13 2017-04-26 贵州电网有限责任公司电力科学研究院 一种基于改进图的半监督分类的变压器故障诊断方法
CN107065828A (zh) * 2017-03-24 2017-08-18 东北大学 基于知识数据的半监督核判别分析故障诊断方法
CN109582003A (zh) * 2018-12-03 2019-04-05 东北林业大学 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统

Also Published As

Publication number Publication date
CN110503025A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110503025B (zh) 一种基于半监督协同训练的模拟电路早期故障诊断方法
AlThobiani et al. An approach to fault diagnosis of reciprocating compressor valves using Teager–Kaiser energy operator and deep belief networks
Mao et al. A new online detection approach for rolling bearing incipient fault via self-adaptive deep feature matching
Wu et al. A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery
Li et al. Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis
Lu et al. Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification
Sohaib et al. Fault diagnosis of rotary machine bearings under inconsistent working conditions
Gan et al. Construction of hierarchical diagnosis network based on deep learning and its application in the fault pattern recognition of rolling element bearings
Zhou et al. Bearing fault recognition method based on neighbourhood component analysis and coupled hidden Markov model
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
Udmale et al. A bearing data analysis based on kurtogram and deep learning sequence models
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
Zhou Research on Image-Based Automatic Wafer Surface Defect Detection Algorithm
CN112881942B (zh) 基于小波分解与经验模态分解的异常电流诊断方法和系统
Yuan et al. A multiscale feature learning scheme based on deep learning for industrial process monitoring and fault diagnosis
Liang et al. An information-based K-singular-value decomposition method for rolling element bearing diagnosis
Ye et al. Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis
CN115221930A (zh) 一种滚动轴承的故障诊断方法
Han et al. Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization
Zhang et al. MS-TCN: A multiscale temporal convolutional network for fault diagnosis in industrial processes
Luo et al. A novel fault detection scheme using improved inherent multiscale fuzzy entropy with partly ensemble local characteristic-scale decomposition
Zhu et al. Tool condition monitoring with multiscale discriminant sparse decomposition
Zheng et al. Rolling element bearing fault diagnosis based on support vector machine
Chen et al. Gearbox fault diagnosis using convolutional neural networks and support vector machines
Xiao et al. Health assessment for piston pump using LSTM 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