CN110991424A - 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 - Google Patents

基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 Download PDF

Info

Publication number
CN110991424A
CN110991424A CN201911354534.3A CN201911354534A CN110991424A CN 110991424 A CN110991424 A CN 110991424A CN 201911354534 A CN201911354534 A CN 201911354534A CN 110991424 A CN110991424 A CN 110991424A
Authority
CN
China
Prior art keywords
fault
encoder
training
self
sparse self
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
Application number
CN201911354534.3A
Other languages
English (en)
Inventor
童靳于
丁克勤
罗金
刘庆运
郑近德
潘海洋
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN201911354534.3A priority Critical patent/CN110991424A/zh
Publication of CN110991424A publication Critical patent/CN110991424A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G06F18/21—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
    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Neurology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法，属于故障诊断技术领域。该方法具体步骤为：采集待诊断物体的原始故障振动信号；对原始故障振动信号进行最小熵解卷积处理；将故障样本分为多个训练样本和测试样本；采用多个训练样本对基于堆叠稀疏自编码器的多故障分类器进行训练；采用已训练完成的多故障分类器对测试样本进行分类；根据分类结果识别故障物体的工作状态和故障类型。本发明提出的故障诊断方法有较高的创新性，与传统智能诊断算法相比，在故障识别过程中具有较高的识别度。

Description

基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法
技术领域：
本发明属于故障诊断技术领域，尤其涉及一种基于最小熵解卷积(MED)和堆叠稀疏自编码器(SSAE)的故障诊断方法。
背景技术：
滚动轴承是工业领域应用最广泛的机械零件之一，对社会经济发展具有重要现实意义。滚动轴承的故障往往会造成巨大的经济损失甚至人员伤亡。为了提高滚动轴承的安全性和可靠性，避免意外的人员伤亡和经济损失，许多研究人员致力于滚动轴承故障诊断的研究。
随着机器学习技术的发展，许多智能故障诊断方法，如支持向量机(SVM)和人工神经网络(ANN)，已成功地应用于滚动轴承故障诊断领域。虽然这些机器学习方法可以根据人工提取的特征自动识别故障，但是浅层结构限制了从输入中自动学习更具抽象性、鉴别性信息的能力。
发明内容：
本发明针对现有智能故障诊断方法的不足，提供基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法。该方法能够克服实际情况中样本包含高噪声难以进行精确诊断的问题；其次，能够采用智能分类的方法，对故障信息的类型和程度进行判断，避免了人工分类的繁琐和计算耗时等问题。发明方法实现了“端到端”的智能故障诊断模式，无需人工提取特征，也能够在故障识别过程中具有较高的故障识别度。
本发明提供的基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法包括以下具体步骤：
(1)采集待诊断轴承的原始故障振动信号；
(2)通过最小熵解卷积对所述原始故障振动信号进行降噪处理，得到故障样本；
(3)将所述故障样本归一化处理后分为多个训练样本和测试样本；
(4)采用所述多个训练样本对基于堆叠稀疏自编码器的多故障分类器进行训练，得到训练完成的多故障分类器：堆叠稀疏自编码器；
(5)采用已训练完成的所述多故障分类器对所述测试样本进行分类，得到分类准确率。
步骤(2)中所述通过最小熵解卷积对所述原始故障振动信号进行降噪处理的具体步骤如下：
(2-1)将实际采集的轴承数据过程设为表达式：
y(n)＝x(n)*c(n)+a(n)
式中，y(n)表示原始信号，即输出的信号；x(n)表示传递函数，相当于一个系统；c(n)表示输入信号；a(n)表示噪声；“*”表示卷积运算；
(2-2)选取4阶累积量作为目标函数用来求解最优逆滤波器
Figure BDA0002335534780000021
即：
Figure BDA0002335534780000022
式中，
Figure BDA0002335534780000023
表示逆滤波器，原始信号经过该滤波器处理后，噪声成分减小，冲击脉冲成分被突出；
(2-3)将输出信号y(n)还原到输入信号c(n)。对步骤2-1中的表达式进行解卷积，此时不考虑噪声，得到新的输入信号为：
Figure BDA0002335534780000024
式中，l为其长度。
步骤(4)中所述采用所述多个训练样本对基于堆叠稀疏自编码器的多故障分类器进行训练的具体步骤如下:
(3-1)将训练样本输入堆叠稀疏自编码器中；
(3-2)设定堆叠稀疏自编码器的结构参数，如网络层数，节点数等，初始化权重；
(3-3)利用训练数据对所述的堆叠稀疏自编码器逐层地训练，根据学习规则得到各层间的连接参数W；
(3-4)更新权重，重复步骤(3-3)，直至最大迭代次数；
(3-5)利用训练数据对上述堆叠稀疏自编码器进行有监督的微调，得到微调后的网络各层间的映射关系，保存最优权重，完成训练。
步骤(3-3)中所述的堆叠稀疏自编码器的计算过程包括以下步骤：
(4-1)假设输入样本集为{x1,x2,...,xM}，编码器运算公式为：
hd＝s(W(l)xd+b(l))，
解码器运算公式为：
Figure BDA0002335534780000025
式中，W是权重，b是偏置，s代表sigmoid函数，hd代表隐藏层特征，
Figure BDA0002335534780000031
代表输出层特征；
(4-2)重构误差L(x,y)定义为：
Figure BDA0002335534780000032
式中，||·||表示范数；
(4-3)m个样本的总成本函数J(W,b)定义为：
Figure BDA0002335534780000033
式中的第一项表示整个数据集的重构误差，第二项是正则化权重惩罚项，旨在通过抑制权重大小来防止过拟合；λ是权重衰减参数，nl是网络的层数，表sl示第l层中的神经元数，
Figure BDA0002335534780000034
是第l+1层中的神经元i和第l层中的神经元j之间的连接权重；
(4-4)在自编码器中引入稀疏限制后，可构成稀疏自编码器，
Figure BDA0002335534780000035
代表m个样本的隐藏单元平均激活值：
Figure BDA0002335534780000036
(4-5)惩罚因子KL散度是一个以ρ为均值和一个以
Figure BDA0002335534780000037
为均值的两个伯努利随机变量之间的相对熵，将其定义为：
Figure BDA0002335534780000038
式中，s2是隐藏层中隐藏神经元的数量，索引j依次代表隐藏层中的每一个神经元，ρ是人为给定的一个较小的值，称为稀疏参数；
(4-6)稀疏自编码器SAE的总成本函数Jsparse(W,b)定义为：
Figure BDA0002335534780000039
第二项为稀疏惩罚项，β是稀疏惩罚因子用于控制第一个重构项和第二个惩罚项之间的相对性；
(4-7)SSAE是由多个SAE堆叠而成的深度神经网络；将第一个自编码器的隐藏层特征
Figure BDA0002335534780000041
作为第二个自编码器的输入编码得到
Figure BDA0002335534780000042
重复该过程直至完成所有隐层的预训练后，使用BP算法对SSAE进行微调，进一步优化所有的权重：
Figure BDA0002335534780000043
步骤(5)所述的采用已训练完成的所述多故障分类器对所述测试样本进行分类的过程具体包括以下步骤：
(5-1)将测试样本输入已训练完成的堆叠稀疏自编码器中；
(5-2)将最后一个稀疏自编码器的隐藏层特征hn d作为softmax分类器的输入；
(5-3)通过softmax函数作用，将输入映射为区间[0,1]的值，这些值的累和为1；
(5-4)选取输出结点时，以映射值最大的结点作为预测目标；
(5-5)以预测目标样本的标签与理想样本标签作匹配，相同即为成功识别；
(5-6)输出分类准确率。
本发明提出将深度学习方法应用于滚动轴承故障诊断中。深度学习作为机器学习的一个重大突破，可以利用机器学习的深度结构，自动学习高层次的本质特征。与传统的机器学习方法相比，深度学习方法的性能取决于其对输入之间复杂非线性关系的表达，而不是输入本身。无论输入是否经过预处理，输入都只是作为低层次的特征执行。深度学习方法可以进一步根据输入自动提取更具鉴别性的高层次特征。这些提取的高层次特征是实现满意故障诊断性能的关键。为了得到更清晰的故障特征，消除噪声干扰，本发明提出将最小熵解卷积与堆叠稀疏自编码器相结合的滚动轴承故障方法。本发明具有以下技术特点：
(1)本发明所提的最小熵解卷积，通过寻找一个最优逆滤波器，以峭度值达到最大时为终止条件，尽可能的减小原始信号的混乱程度，使其熵值达到最小，以实现突出少数大的脉冲、消除背景噪声与环境干扰的目的。
(2)本发明所提堆叠稀疏自编码器是一种智能模式识别算法，能够较大程度地解决人工操作的繁琐和耗时问题，并且能够得到更高的识别率。
(3)本发明将基于最小熵解卷积的数据降噪方法与基于堆叠稀疏自编码器的故障识别算法相结合，系统性地提出了一种新的故障诊断方法。
附图说明：
图1为本发明的流程示意图；
图2为本发明中自编码器的训练流程图；
图3为本发明中堆叠稀疏自编码器的训练流程图；
图4为美国某大学滚动轴承故障数据的时域波形图；
图5为滚动轴承内圈轻度故障信号经MED降噪后的对比图；
图6为本发明中基于最小熵解卷积与堆叠稀疏自编码器的训练结果图；
图7为基于最小熵解卷积与堆叠稀疏自编码器的滚动轴承故障方法识别率。
具体实施方式：
下面结合附图及实施例对本发明作进一步的描述。
本实施例基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法包括如下步骤：
步骤1-1：采集待诊断物体的原始故障振动信号；
步骤1-2：通过最小熵解卷积对原始故障振动信号进行降噪处理，得到故障样本；
步骤1-3：将故障样本分为多个训练样本和测试样本；
步骤1-4：采用多个训练样本对基于堆叠稀疏降噪自编码器的多故障分类器进行训练；
步骤1-5：采用已训练完成的多故障分类器(堆叠稀疏自编码器)对测试样本进行分类；
步骤1-6：根据分类结果识别物体的工作状态和故障类型。
本实施例提出的基于最小熵解卷积与堆叠稀疏自编码器的故障诊断方法，与传统故障诊断方法相比，不需要人工提取特征，在故障识别过程中具有较高的识别率。
见图2，堆叠稀疏自编码器的训练流程图。其具体步骤包括：
步骤2-1：将训练样本作归一化处理，使得数据范围变换到[0,1]之间；
步骤2-2：初始化网络的结构参数，设定网络层数，节点数等；
步骤2-3：利用训练数据进行逐层堆叠稀疏自编码器预训练，根据学习规则得到各层间的连接参数W；
步骤2-4：更新网络权重，重复步骤3-3，直至最大迭代次数；
步骤2-5：利用原始数据对上述网络进行有监督的微调，得到微调后的网络各层间的映射关系，完成训练。
见图3，简要描述了堆叠稀疏自编码器的工作流程图。
为了说明本实施例提出的基于最小熵解卷积与堆叠稀疏自编码器的故障诊断方法的优越性，本实施例以滚动轴承作为故障物体说明方法的有效性，并对不同工况的滚动轴承故障信号进行分析。
实验验证采用美国某大学测试轴承数据，试验轴承为6205-2RS深沟球轴承，使用电火花加工技术在轴承上布置了单点故障。实验中轴承外圈固定，内圈随主轴同步转动，主轴转速1730r/min，负载2205W，采样频率12KHZ。试验测试了10种不同状态工况下的滚动轴承，其分别是：(a)故障直径为0.1778mm的滚动体故障(滚动体1)；(b)故障直径为0.3556mm的滚动体故障(滚动体2)；(c)故障直径为0.5334mm的滚动体故障(滚动体3)；(d)故障直径为0.1778mm的内圈故障(内圈1)；(e)故障直径为0.3556mm的内圈故障(内圈2)；(f)故障直径为0.5334mm的内圈故障(内圈3)；(g)故障直径为0.1778mm的外圈故障(外圈1)；(h)故障直径为0.3556mm的外圈故障(外圈2)；(i)故障直径为0.5334mm的外圈故障(外圈3)；(j)正常轴承(正常)；每种状态取400组数据，每组数据长度为256个数据点，10种状态下的原始信号时域波形如图4所示。
将上述10种故障滚动轴承的振动信号构成故障样本，每种工况400个样本，总共4000个样本。每种状态样本随机选取380个样本作为训练，剩下的20个样本作为测试。共计3800个训练样本，200个测试样本。
见图5，可以看出，原始振动信号经MED处理后，冲击变得更叫明显，特征频率突出，可以达到很好的识别效果。
图6为本发明中基于最小熵解卷积与堆叠稀疏自编码器的训练结果图，从中可以看到重构误差几乎为0，说明训练已基本完成；
从图7中可以看到，与其他传统智能诊断算法对比，本发明中基于最小熵解卷积与堆叠稀疏自编码器的效能。这充分说明了基于MED与SSAE的故障诊断方法具有较高识别率，在故障识别方法领域较优越的性能。

Claims (5)

1.基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法，其特征在于该方法包括以下具体步骤：
(1)采集待诊断轴承的原始故障振动信号；
(2)通过最小熵解卷积对所述原始故障振动信号进行降噪处理，得到故障样本；
(3)将所述故障样本归一化处理后分为多个训练样本和测试样本；
(4)采用所述多个训练样本对基于堆叠稀疏自编码器的多故障分类器进行训练，得到训练完成的多故障分类器：堆叠稀疏自编码器；
(5)采用已训练完成的所述多故障分类器对所述测试样本进行分类，得到分类准确率。
2.根据权利要求1所述的故障诊断方法，其特征在于步骤(2)中所述通过最小熵解卷积对所述原始故障振动信号进行降噪处理的具体步骤如下：
(2-1)将实际采集的轴承数据过程设为表达式：
y(n)＝x(n)*c(n)+a(n)
式中，y(n)表示原始信号，即输出的信号；x(n)表示传递函数，相当于一个系统；c(n)表示输入信号；a(n)表示噪声；“*”表示卷积运算；
(2-2)选取4阶累积量作为目标函数用来求解最优逆滤波器
Figure FDA0002335534770000011
即：
Figure FDA0002335534770000012
式中，
Figure FDA0002335534770000013
表示逆滤波器，原始信号经过该滤波器处理后，噪声成分减小，冲击脉冲成分被突出；
(2-3)将输出信号y(n)还原到输入信号c(n)。对步骤2-1中的表达式进行解卷积，此时不考虑噪声，得到新的输入信号为：
Figure FDA0002335534770000014
式中，l为其长度。
3.根据权利要求1所述的故障诊断方法，其特征在于步骤(4)中所述采用所述多个训练样本对基于堆叠稀疏自编码器的多故障分类器进行训练的具体步骤如下:
(3-1)将训练样本输入堆叠稀疏自编码器中；
(3-2)设定堆叠稀疏自编码器的结构参数，如网络层数，节点数等，初始化权重；
(3-3)利用训练数据对所述的堆叠稀疏自编码器逐层地训练，根据学习规则得到各层间的连接参数W；
(3-4)更新权重，重复步骤(3-3)，直至最大迭代次数；
(3-5)利用训练数据对上述堆叠稀疏自编码器进行有监督的微调，得到微调后的网络各层间的映射关系，保存最优权重，完成训练。
4.根据权利要求3所述的故障诊断方法，其特征在于步骤(3-3)中所述的堆叠稀疏自编码器的计算过程包括以下步骤：
(4-1)假设输入样本集为{x1,x2,...,xM}，编码器运算公式为：
hd＝s(W(l)xd+b(l))，
解码器运算公式为：
Figure FDA0002335534770000021
式中，W是权重，b是偏置，s代表sigmoid函数，hd代表隐藏层特征，
Figure FDA0002335534770000022
代表输出层特征；
(4-2)重构误差L(x,y)定义为：
Figure FDA0002335534770000023
式中，||·||表示范数；
(4-3)m个样本的总成本函数J(W,b)定义为：
Figure FDA0002335534770000024
式中的第一项表示整个数据集的重构误差，第二项是正则化权重惩罚项，旨在通过抑制权重大小来防止过拟合；λ是权重衰减参数，nl是网络的层数，表sl示第l层中的神经元数，
Figure FDA0002335534770000025
是第l+1层中的神经元i和第l层中的神经元j之间的连接权重；
(4-4)在自编码器中引入稀疏限制后，可构成稀疏自编码器，
Figure FDA0002335534770000026
代表m个样本的隐藏单元平均激活值：
Figure FDA0002335534770000027
(4-5)惩罚因子KL散度是一个以ρ为均值和一个以
Figure FDA0002335534770000028
为均值的两个伯努利随机变量之间的相对熵，将其定义为：
Figure FDA0002335534770000031
式中，s2是隐藏层中隐藏神经元的数量，索引j依次代表隐藏层中的每一个神经元，ρ是人为给定的一个较小的值，称为稀疏参数；
(4-6)稀疏自编码器SAE的总成本函数Jsparse(W,b)定义为：
Figure FDA0002335534770000032
第二项为稀疏惩罚项，β是稀疏惩罚因子用于控制第一个重构项和第二个惩罚项之间的相对性；
(4-7)SSAE是由多个SAE堆叠而成的深度神经网络；将第一个自编码器的隐藏层特征
Figure FDA0002335534770000033
作为第二个自编码器的输入编码得到
Figure FDA0002335534770000034
重复该过程直至完成所有隐层的预训练后，使用BP算法对SSAE进行微调，进一步优化所有的权重：
h2 d＝s(W1h1 d+b1)
……
hn d＝s(Wnhn-1 d+bn)。
5.根据权利要求1所述的故障诊断方法，其特征在于步骤(5)所述的采用已训练完成的所述多故障分类器对所述测试样本进行分类的过程具体包括以下步骤：
(5-1)将测试样本输入已训练完成的堆叠稀疏自编码器中；
(5-2)将最后一个稀疏自编码器的隐藏层特征hn d作为softmax分类器的输入；
(5-3)通过softmax函数作用，将输入映射为区间[0,1]的值，这些值的累和为1；
(5-4)选取输出结点时，以映射值最大的结点作为预测目标；
(5-5)以预测目标样本的标签与理想样本标签作匹配，相同即为成功识别；
(5-6)输出分类准确率。
CN201911354534.3A 2019-12-25 2019-12-25 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 Pending CN110991424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354534.3A CN110991424A (zh) 2019-12-25 2019-12-25 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354534.3A CN110991424A (zh) 2019-12-25 2019-12-25 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法

Publications (1)

Publication Number Publication Date
CN110991424A true CN110991424A (zh) 2020-04-10

Family

ID=70075234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354534.3A Pending CN110991424A (zh) 2019-12-25 2019-12-25 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法

Country Status (1)

Country Link
CN (1) CN110991424A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112284727A (zh) * 2020-09-30 2021-01-29 华南理工大学 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法
CN112484981A (zh) * 2020-11-27 2021-03-12 上海电气电站设备有限公司 一种基于卷积自编码器的发电机异常状态监测方法
CN112879200A (zh) * 2021-01-20 2021-06-01 浙江富春江水电设备有限公司 一种大型水轮发电机组故障诊断方法
CN113008559A (zh) * 2021-02-23 2021-06-22 西安交通大学 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN113240022A (zh) * 2021-05-19 2021-08-10 燕山大学 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN113392475A (zh) * 2021-05-12 2021-09-14 湖南大学 一种工业机器人减速机智能故障识别方法
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN113743240A (zh) * 2021-08-12 2021-12-03 武汉钢铁有限公司 故障检测方法、装置及计算机可读存储介质
CN113780055A (zh) * 2021-07-19 2021-12-10 北京交通大学 一种momeda与压缩感知的滚动轴承故障诊断方法
CN114217256A (zh) * 2021-11-25 2022-03-22 华中科技大学 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法
CN114354194A (zh) * 2021-12-09 2022-04-15 重庆邮电大学 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法
CN115014765A (zh) * 2022-07-11 2022-09-06 浙江大学 一种通过声信号提取滚动轴承保持架故障特征的方法
CN115184787A (zh) * 2022-06-29 2022-10-14 云南电网有限责任公司电力科学研究院 一种断路器烧蚀程度在线测量方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108757426A (zh) * 2018-07-04 2018-11-06 温州大学 石油矿场注水柱塞泵故障诊断方法
CN108956145A (zh) * 2018-07-17 2018-12-07 中国科学院沈阳自动化研究所 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法
WO2019153388A1 (zh) * 2018-02-12 2019-08-15 大连理工大学 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法
CN110346141A (zh) * 2019-06-20 2019-10-18 燕山大学 稀疏自编码滚动轴承故障诊断方法
CN110470477A (zh) * 2019-09-19 2019-11-19 福州大学 一种基于ssae和ba-elm的滚动轴承故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019153388A1 (zh) * 2018-02-12 2019-08-15 大连理工大学 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法
CN108757426A (zh) * 2018-07-04 2018-11-06 温州大学 石油矿场注水柱塞泵故障诊断方法
CN108956145A (zh) * 2018-07-17 2018-12-07 中国科学院沈阳自动化研究所 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法
CN110346141A (zh) * 2019-06-20 2019-10-18 燕山大学 稀疏自编码滚动轴承故障诊断方法
CN110470477A (zh) * 2019-09-19 2019-11-19 福州大学 一种基于ssae和ba-elm的滚动轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
侯荣涛等: "基于堆叠稀疏自编码的滚动轴承故障诊断", 《轴承》 *
崔伟成等: "基于局部特征尺度分解与最小熵解卷积的轴承故障诊断", 《轴承》 *
杨斌等: "基于MED-RSSD的滚动轴承早期故障特征提取", 《机械传动》 *
王宏超等: ""基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取"", 《机械工程学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112284727A (zh) * 2020-09-30 2021-01-29 华南理工大学 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法
CN112484981A (zh) * 2020-11-27 2021-03-12 上海电气电站设备有限公司 一种基于卷积自编码器的发电机异常状态监测方法
CN112879200A (zh) * 2021-01-20 2021-06-01 浙江富春江水电设备有限公司 一种大型水轮发电机组故障诊断方法
CN112879200B (zh) * 2021-01-20 2022-08-09 浙江富春江水电设备有限公司 一种大型水轮发电机组故障诊断方法
CN113008559B (zh) * 2021-02-23 2022-02-22 西安交通大学 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN113008559A (zh) * 2021-02-23 2021-06-22 西安交通大学 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN113392475A (zh) * 2021-05-12 2021-09-14 湖南大学 一种工业机器人减速机智能故障识别方法
CN113240022A (zh) * 2021-05-19 2021-08-10 燕山大学 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN113780055A (zh) * 2021-07-19 2021-12-10 北京交通大学 一种momeda与压缩感知的滚动轴承故障诊断方法
CN113780055B (zh) * 2021-07-19 2024-02-09 北京交通大学 一种momeda与压缩感知的滚动轴承故障诊断方法
CN113743240A (zh) * 2021-08-12 2021-12-03 武汉钢铁有限公司 故障检测方法、装置及计算机可读存储介质
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN113530850B (zh) * 2021-08-26 2022-10-18 江苏科技大学 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法
CN114217256A (zh) * 2021-11-25 2022-03-22 华中科技大学 基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法
CN114354194A (zh) * 2021-12-09 2022-04-15 重庆邮电大学 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法
CN115184787A (zh) * 2022-06-29 2022-10-14 云南电网有限责任公司电力科学研究院 一种断路器烧蚀程度在线测量方法、装置及设备
CN115014765A (zh) * 2022-07-11 2022-09-06 浙江大学 一种通过声信号提取滚动轴承保持架故障特征的方法

Similar Documents

Publication Publication Date Title
CN110991424A (zh) 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法
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
CN109740523B (zh) 一种基于声学特征和神经网络的电力变压器故障诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110470477B (zh) 一种基于ssae和ba-elm的滚动轴承故障诊断方法
CN111238814B (zh) 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
CN106323636A (zh) 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN109033719B (zh) 一种风力涡轮机轴承故障诊断方法
CN110617966A (zh) 一种基于半监督生成对抗网络的轴承故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN109190464B (zh) 一种变工况下基于迁移学习的机械故障智能诊断方法
CN110398369A (zh) 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法
CN110232435B (zh) 一种自适应深度置信网络滚动轴承故障诊断方法
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN114363195B (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN113176092A (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN115017945A (zh) 基于增强型卷积神经网络的机械故障诊断方法和诊断系统
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN113923104A (zh) 基于小波神经网络的网络故障诊断方法、设备及存储介质
CN114239749A (zh) 基于残差收缩及双向长短期记忆网络的调制识别方法
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Li et al. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
CN111982514B (zh) 一种基于半监督深度信念网络的轴承故障诊断方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN113203914A (zh) 基于dae-cnn的地下电缆早期故障检测和识别方法

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

Application publication date: 20200410

RJ01 Rejection of invention patent application after publication