CN111046916A - 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 - Google Patents
一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111046916A CN111046916A CN201911142799.7A CN201911142799A CN111046916A CN 111046916 A CN111046916 A CN 111046916A CN 201911142799 A CN201911142799 A CN 201911142799A CN 111046916 A CN111046916 A CN 111046916A
- Authority
- CN
- China
- Prior art keywords
- layer
- capsule
- motor
- fault
- vibration signal
- 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
Links
- 239000002775 capsule Substances 0.000 title claims abstract description 161
- 238000003745 diagnosis Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011800 void material Substances 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 61
- 239000000284 extract Substances 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 17
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 13
- 238000013136 deep learning model Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 210000005036 nerve Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000001125 extrusion Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 235000009854 Cucurbita moschata Nutrition 0.000 description 2
- 240000001980 Cucurbita pepo Species 0.000 description 2
- 235000009852 Cucurbita pepo Nutrition 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 235000020354 squash Nutrition 0.000 description 2
- 238000000859 sublimation Methods 0.000 description 2
- 230000008022 sublimation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (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
本发明涉及一种基于空洞卷积胶囊网络的电机故障诊断方法及系统，该方法包括如下步骤：(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；(2)建立空洞卷积胶囊网络，利用训练样本进行训练；(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。与现有技术相比，本发明能自动提取电机信号的有效特征并实现智能故障诊断，诊断准确率达到99％以上，鲁棒性和泛化能力强，显著降低了错误识别率。
Description
技术领域
本发明涉及一种电机故障诊断方法及系统，尤其是涉及一种基于空洞卷积胶囊网络的电机故障诊断方法及系统。
背景技术
目前电机故障诊断方法主要有以下几种：
方法1：基于信号处理的电机故障诊断方法。它对采集到的信号进行预处理以此来消除噪声，降低特征维数并且提取出有用的故障特征信息。信号处理方法主要包括傅里叶变换，小波变换，小波包变换和经验模态分解方法等。
方法2：基于专家系统的电机故障诊断方法。它采用众多人类专家学者的知识和推理方法，以此来处理复杂的问题。将故障信号归纳成为一种规则，建立专家知识库。当有故障发生时，利用知识库中的经验分析推理达到故障诊断的目的。
方法3：基于机器学习的电机故障诊断方法。它尽可能利用计算机模拟或实现人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身的性能，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。常用的机器学习方法包括支持向量机(SVM)、神经网络、深度学习等。
上述方法存在如下不足：
方法1的不足：在信号处理的过程中，不仅需要大量的信号处理专业知识来对信号进行处理和分析，并且要求技术人员对所检测电机的运行状态和故障相关背景都有较强的专业知识，再加上电机运转过程中，大量不可预测的因素存在，使得故障诊断过程更为复杂，并且故障特征信号不明显且是非线性与非平稳的，从而导致人为判断错误的可能性加大。
方法2的不足：基于专家系统的诊断方法是很难建立起比较完整的电机故障知识库，同时该系统不具备自主学习的能力，鲁棒性较差。
方法3的不足：一些传统的而机器学习方法，比如支持向量机、朴素贝叶斯、决策树等方法的参数初始值设置需要人为经验设置，参数的寻优过程缓慢，难以找到最优的参数来匹配最优模型，需要结合遗传算法、粒子群等参数优化算法来辅助寻优；对于BP神经网络，容易陷入局部最小值，加深的深度学习网络模型虽然学习能力提升，但是容易出现过拟合现象，同时增加了模型的复杂度。在电机大数据背景下，针对复杂分类问题时，信号处理的方法和传统机器学习方法的特征提取能力和泛化能力受到一定的约束，已经不能满足所需要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于空洞卷积胶囊网络的电机故障诊断方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于空洞卷积胶囊网络的电机故障诊断方法，该方法包括如下步骤：
(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；
(2)建立空洞卷积胶囊网络，利用训练样本进行训练；
(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。
所述的电机振动信号包括电机驱动端X、Y、Z三个方向的振动信号。
所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。
训练过程中构建空洞卷积胶囊网络的损失函数，采用Adam梯度优化器优化空洞卷积胶囊网络使其损失函数的总体损失最小。
所述的损失函数：
Loss＝Lk+αRL，
Lk＝Tk max(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2，
其中，Loss为总体损失，Lk为边缘损失，RL为重构损失，α为重构损失的权重，α＝0.005，k表示运行状态对应的标签数值，Tk为关于分类的函数，当k出现时，Tk＝1，否则Tk＝0，||vk||为向量vk的模长，vk为数字胶囊层特征向量，m+＝0.9为上边缘阈值，m-＝0.1为下边缘阈值，λ为稀疏系数，λ＝0.5。
该方法还包括对训练样本的定期更新，并对空洞卷积胶囊网络进行训练更新。
一种基于空洞卷积胶囊网络的电机故障诊断系统，该系统包括：
数据采集模块：采集电机振动信号；
故障诊断模块：该模块包括离线训练子模块和在线诊断子模块，
所述的离线训练子模块从数据采集模块获取有标签的训练样本并训练空洞卷积胶囊网络，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型，
所述的在线诊断子模块从数据采集模块获取待诊断的电机振动信号并并输入至训练好的空洞卷积胶囊网络诊断电机的运行状态；
图形用户界面：将故障诊断的结果以报表和日志的形式显示。
所述的数据采集模块包括三个振动传感器，三个振动传感器安装在电机驱动端X、Y、Z三个方向。
所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。
与现有技术相比，本发明具有如下优点：
(1)本发明空洞卷积胶囊网络是一组向量神经元，每个神经胶囊由多个神经元组成，一组神经元专门处理特定类型的信息，对于理解位置、尺寸、方向、变形、纹理的概念等尤其有效，本发明将标量神经元进化为向量神经元，从而提高了深度学习模型的特征理解能力和泛化能力。实验证明该方法能自动提取电机信号的有效特征并实现智能故障诊断，诊断准确率达到99％以上，鲁棒性和泛化能力强，显著降低了错误识别率，且收敛速度快，训练次数少，为电机故障诊断提供了一种高效的新的智能诊断方法。
(2)本发明只要前期通过大量数据训练好深度学习模型，就可以将采集到的信号直接作为输入，无需进行复杂的信号处理和人工提取故障特征即可自动完成高准确率的故障诊断，实现了基于数据驱动的端到端的智能电机故障识别，同时该模型还可以永久保存下来，使得深度学习模型持久化，便于下次直接调用，并且随着历史数据的不断增加，定期更新算法模型，使其具有更丰富的表达能力，诊断结果更可靠。
附图说明
图1为本发明基于空洞卷积胶囊网络的电机故障诊断系统的结构框图；
图2为本发明电机振动信号数据采集的框图；
图3为正常电机和7种故障电机原始振动信号波形图；
图4为本发明空洞卷积胶囊网络模型结构图；
图5为电机故障诊断流程图；
图6为训练集DCCN模型诊断准确率、总体损失与训练次数的离线学习曲线图；
图7为交叉验证集DCCN模型准确率、总体损失与训练次数的离线学习曲线图；
图8为离线学习测试集归一化混淆矩阵。
图中，1为数据采集模块，2为故障诊断模块，3为图形用户界面。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
一种基于空洞卷积胶囊网络的电机故障诊断方法，该方法包括如下步骤：
(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；
(2)建立空洞卷积胶囊网络，利用训练样本进行训练；
(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。
所述的电机振动信号包括电机驱动端X、Y、Z三个方向的振动信号。
所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。
具体地：
空洞卷积层相当于具有较大滤波器的卷积，通过用零填充原始卷积滤波器获得，支持指数扩展的感受野，并且不会丢失分辨率或覆盖范围，因此空洞卷积在不用传统卷积池化操作减小特征图尺寸以损失信息的情况下，也能有较大的感受野，即以更广的输入视角去捕捉更多的特征信息，从而使得每个卷积输出都包含较大范围的信息，具有避免局部虚假特征的良好效果。
初级胶囊层巧妙地将特征信息进行向量化表示，通过重塑操作为每个维度构造了合适的有关位置的特征向量，并按固定尺寸封装成对应的初级胶囊，每个胶囊是一个向量，其长度代表实体存在的概率，方向表示实体的属性，每个神经胶囊专门处理特定类型的信息，对于理解位置、尺寸、变形、纹理的概念等尤其有效，达到特征理解的目的。
在数字胶囊层中，通过挤压函数和动态路由操作，将初级胶囊输出的特征向量发送到较高级别的数字胶囊层，完成了信息的传播。
为了更容易地对不同的胶囊进行分类，胶囊向量的计算中引入了一种称为“挤压”的非线性函数，该函数充当神经胶囊的激活函数，应用压缩函数后，胶囊的长度小于1，胶囊输出向量的模长(即L2范数)，能较好地表示实体存在的概率，可用于对当前实体进行分类。公式如式(1)：
其中vj是挤压函数的输出向量，即胶囊j的输出，sj是其总输入。
动态路由被用于增加胶囊的维度，利用胶囊的相似性更新相关参数，确保了胶囊的输出仅被发送到适当的父节点，从而将初级胶囊输出的特征向量发送到较高级别的数字胶囊层，有选择性地完成了信息的传递，仅仅在初级胶囊层和数字胶囊层之间存在动态路由，其它层不存在。动态路由算法如下式(2)～(7)所示：
bij←0 (2)
cij←softmax(bij) (3)
vj←squash(sj) (6)
其中，初级胶囊i将自己的输出向量送达数字胶囊j，初始逻辑bij是初级胶囊i 到数字胶囊j的对数先验概率，初始化为0，得到的耦合系数cij是在softmax函数下加工的结果，使得∑jcij＝1。cij表示连接概率，表示该初级胶囊i对数字胶囊j 的活跃度程度。ui表示初级胶囊层的输出，乘以权重矩阵Wij来计算预测向量
Wij表示的是初级胶囊i到数字胶囊j之间的连接权矩阵，
预测向量乘以对应的耦合系数cij后加权求和，得到sj总输入，再经挤压函数squash输出得到最终数字胶囊的输出vj。将预测向量
和vj点积相乘得到初级胶囊的输出和高层数字胶囊输出的一致性，用于调节下一轮bij的值，类似于Δbij，bij的迭代更新主要依赖于的一致性的变化，一致性越大即vj和
的方向越一致，bij的值越大，这样低层胶囊i和高层胶囊j之间的耦合程度就越大，并且还会达到减小其它父节点耦合系数的效果，因此路由算法倾向于把相似的东西归为一组，从而形成粒度更大的辨识模块。
这种类型的“按协议路由”，比通过最大池化实现的传统路由形式更加有效，当经过几次迭代之后，所有数字胶囊的输出都可以计算完毕，相关的路由权值也会建立起来，前向传播将进入胶囊网络的下一层。换句话说，如果一个更高层次的胶囊与更低层次的胶囊达成了协议，那么它会要求发送更多的这种类型的信息。如果没有达成协议，它会要求发送更少的这种类型的信息。这种使用协议方法的动态路由优于最大池化。最大池化只关注了最大值，而动态路由通过低层和高层之间的协议有选择性地传递信息。
训练过程中构建空洞卷积胶囊网络的损失函数，采用Adam梯度优化器优化空洞卷积胶囊网络使其损失函数的总体损失最小。
所述的损失函数：
Loss＝Lk+αRL，
Lk＝Tk max(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2，
其中，Loss为总体损失，Lk为边缘损失，RL为重构损失，α为重构损失的权重，α＝0.005，k表示运行状态对应的标签数值，Tk为关于分类的函数，当k出现时，Tk＝1，否则Tk＝0，||vk||为向量vk的模长，vk为数字胶囊层特征向量，m+＝0.9为上边缘阈值，m-＝0.1为下边缘阈值，λ为稀疏系数，λ＝0.5。
该方法还包括对训练样本的定期更新，并对空洞卷积胶囊网络进行训练更新。
一种基于空洞卷积胶囊网络的电机故障诊断系统，该系统包括：
数据采集模块：采集电机振动信号；
故障诊断模块：该模块包括离线训练子模块和在线诊断子模块，
所述的离线训练子模块从数据采集模块获取有标签的训练样本并训练空洞卷积胶囊网络，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型，
所述的在线诊断子模块从数据采集模块获取待诊断的电机振动信号并并输入至训练好的空洞卷积胶囊网络诊断电机的运行状态；
图形用户界面：将故障诊断的结果以报表和日志的形式显示。
所述的数据采集模块包括三个振动传感器，三个振动传感器安装在电机驱动端X、Y、Z三个方向。
所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。
本实施例分以下I～Ⅳ进行具体说明：
I、系统概况
如图1所示为系统整体框图。由三部分组成，分别是数据采集模块1、故障诊断模块2和图形用户界面3(GUI)。
首先对电机设备(正常电机和故障电机)进行在线数据采集，通过振动传感器、信号调理电路、数据采集工控机采集电机设备振动信号。
然后将实时采集到的不同故障工况下电机的原始振动信号，进行数据处理后导入已经离线学习好的深度学习模型——空洞卷积胶囊网络中，模型的输出结果即表示当前信号对应电机的运行状态，最后将在线故障判别结果以报表和日志的形式显示在故障诊断GUI上，从而完成电机的在线智能故障诊断。
II、系统硬件实现——电机振动信号数据采集方案
本实施例选取同一种类型的异步电机，型号：100L4，额定功率3kW，额定 380V，额定电流6.8A，额定转速1420r/min，频率50Hz。人为制造不同的故障工况，异步电机故障种类描述如表1所示，一共包含8种不同工况的故障电机：正常电机、定子匝间短路2匝、4匝、8匝、转子气隙偏心、转子断条、轴承保持架断裂、轴承磨损。
表1异步电机故障种类描述
| 标签 | 简写 | 种类 | 描述 |
| 0 | Normal | 正常 | 健康状态无故障 |
| 1 | SC2T | 定子匝间短路2匝 | 1匝和3匝短接 |
| 2 | SC4T | 定子匝间短路4匝 | 1匝和5匝短接 |
| 3 | SC8T | 定子匝间短路8匝 | 1匝和9匝短接 |
| 4 | AE | 气隙偏心 | 转子附加螺帽 |
| 5 | RBB | 转子断条 | 转子1辐条断裂 |
| 6 | BCB | 轴承保持架断裂 | 保持架钻孔 |
| 7 | BAF | 轴承磨损故障 | 铁屑进入轴承 |
如图2所示为电机数据采集实现方案，三个振动传感器安装在测试电机驱动端 X、Y、Z三个方向，传感器另一端和在线振动监测仪PCH1028相连，从而将传感器检测到的信号转换为标准信号，起到消抖、放大、滤波、保护、隔离的作用，最后将调理后的振动信号经研华数据采集卡PCI-1761和研华数据采集工控机 IPC-610L相连，从而完成对表1中所述不同工况电机振动信号的采集，如图3所示为采集到的的原始振动信号波形图，以Z轴振动传感器采集到的的1s的振动信号为例，采样频率是10kHz。
其中，振动传感器的灵敏度为100mV/g；在线振动监测仪PCH1028产自丹麦，包括4个AC振动通道可用于振动监测；数据采集卡PCI-1761是是16-bit，采样频率250kS/s，16路高分辨率多功能数据采集卡，它支持16路单端输入和8路差分 A/D输入，每一个独立的输入通道是由软件设置的，本发明采用单端输入的方式，测量的电压是输入信号对地电压；研华工控机IPC-610L其主板：AIMB-701VG， CPU：I7-2600，4G内存，装有研华Navi工具包、LabVIEW、Python、Matlab等相关软件。
III、系统软件实现——电机故障诊断方案
系统软件的实现是在开源Python数据科学平台Anaconda上编程建立的， Python开发环境是Spyder，在Spyder中调用TensorFlow完成深度学习算法的编程。计算机处理器：Intel(R)Core(TM)i5-7400 CPU@3.00GHz 3.0GHz，内存(RAM)为 8GB，操作系统64位Windows 10。
1、数据处理：
经试验测得电机空载转速为1497rpm，额定转速为1420rpm，采样频率为 10kHz，可得电机每转一圈采集到的的数据点数将落入区间： 60*10000/(1497～1420)＝(400～423)。因此振动样本长度可选为21*21＝441，可以包含电机旋转一圈的全部信息。深度学习模型需要大量的参数去学习，只能在充足的带有标签的样本下训练效果才会良好，在没有足够的训练样本的情况下很容易陷入过拟合，因此采用数据增强技术，通过从先前的样本中移除前n个采样点并添加接下来的n个采样点来生成新样本。每一种振动信号设置样本数量为1000，再加上对应0-7的标签值，异步电机故障诊断实验数据总数据集为8000*(441+1)的矩阵，接下来将数据集按比例6:2:2随机分成训练数据集、交叉验证数据集和测试数据集，即包含4800个样本的训练集，包含1600个样本的交叉验证集，包含1600 个样本的测试集。每个数据集的格式都为.csv格式文本，便于导入深度学习模型中。
2、离线和在线诊断深度学习模型——空洞胶囊网络：
胶囊网络解决了CNN的生物学基础不足，结构中顶层全连接模式过于冗余而低效，CNN胜在特征检测，但穷于特征理解的问题。它是一个非常新颖的深度学习网络，传统的神经网络的单个神经元看作是标量神经元，而神经胶囊则是一组向量神经元。每个神经胶囊模块专门处理特定类型的信息，对于理解位置、尺寸、方向、变形、纹理的概念等尤其有效，达到了特征理解的目的；通过动态路由一致协议，而不再使用原始的池化思想，较低级别的胶囊将其输出向量发送到较高级别的胶囊，有选择性地完成了信息的传递。引入一个新的非线性激活函数：压缩函数，完成胶囊网络的前向传播；引入边缘损失和自编码器重构损失作为模型的总体损失进行网络梯度优化。在胶囊网络的底层引入扩张卷积，扩大了卷积核滤波器的感受野，提高模型的分类性能，以上结构组空洞卷积胶囊网络(DilatedConvolution Capsule Network，DCCN)。最后将改进的胶囊网络模型应用到电机故障诊断中去，自动提取电机信号的有效特征并实现故障分类，与传统深度学习方法相比，诊断准确率更高，鲁棒性和泛化能力更强，显著降低了错误识别率，为电机故障诊断提供了一种高效的新的智能诊断方法。本发明设计的DCCN模型结构和参数如图4所示，模型以采集到电机设备的振动信号作为网络的输入，将441维输入样本转换成 (21,21)维度的故障特征图，依次通过空洞卷积(Dilated Conv)层、初级胶囊 (PrimaryCaps)层和数字胶囊(DigitCaps)层，最终模型输出为8个向量，代表正常和7种故障类别，每个向量包含16个神经元，做分类时取输出向量的L2范数即可，因为按照神经胶囊的设定，DigitCaps层中某个胶囊的输出向量到的长度 (即范数)，表示该胶囊实体出现的概率。仅仅在初级胶囊和数字胶囊之间存在动态路由，通过压缩函数Squash()完成前向传播，空洞卷积层通过ReLU()函数完成前向传播。
DCCN选择边缘损失(Margin Loss)作为模型的优化目标，除此之外，还附加了一个额外的自编码器重构(AutoEncoder Reconstruction)环节，重新构建输入的电机振动原始数据。最终损失Loss由边缘损失和重构损失两部分组成，如式(1) 和(2)：
Loss＝Lk+αRL，
Lk＝Tk max(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2，
其中，Loss为总体损失，Lk为边缘损失，RL为重构损失，α为重构损失的权重，α＝0.005，k表示运行状态对应的标签数值，Tk为关于分类的函数，当k出现时，Tk＝1，否则Tk＝0，||vk||为向量vk的模长，vk为数字胶囊层的输出向量，m+和m-都是阈值函数，表示胶囊之间的连接强度，大于0.9就认为是完全连接了，小于0.1 认为不存在连接。具体来说，m+＝0.9为上边缘阈值，用以惩罚假阳性，以应对预测存在而实际不存在的分类的情况，即“误报”情况；m-＝0.1为下边缘阈值为下边缘阈值，用以惩罚假阴性，即应对分类的确存在，但算法没有预测到的情况，即“漏报”情况。λ为稀疏系数，调整两者比重，以调节参数调整步伐。为了防止刚开始学习时，就把所有数字胶囊的激活向量模长都压缩了，选用λ＝0.5。模型整体的损失就是简单地把每个数字胶囊的损失Lk加起来的总和。α＝0.005，表明边缘损失函数占主导地位。然后利用Adam梯度优化器来优化Loss，使其不断减小。Adam算法是利用梯度一阶矩估计和二阶矩估计动态调整每个参数的学习率，并在计算历史梯度衰减方式上使用了类似动量的衰减方法，使其在自适应学习率方面表现较好，适用于大多非凸优化。因此Adam算法是应用最广泛的，一般而言效果最好的算法，它高效、稳定、适用于绝大多数的应用场景。
3、离线和在线故障诊断流程：
如图5所示，为整体的故障诊断流程，从图5中可以看出，离线学习部分：电机正常和故障的历史数据及标签，经数据处理后导入到深度学习模型——空洞卷积胶囊网络中，经过网络前向传播得到故障的判别结果，将结果和真实的标签值比较得到误差，通过误差反向传播和Adam梯度优化算法，不断调整网络的参数，通过迭代学习，模型会自动学习到原始数据的特征，达到特征检测和特征理解的目的，从而得到训练好的最优DCCN模型。在完成电机故障诊断的离线学习后，电机进入在线故障诊断模式。训练完成的DCCN模型即可高准确率地自动完成对未知输入信号的判别，这样现场实时重新采集某种工况下的电机原始振动信号，经数据处理并导入到DCCN模型中，模型会自动给出准确的判别结果，来表明当前电机的运行工况，完成了端到端的智能电机故障诊断。
Ⅳ、故障诊断GUI
对应已经离线学习好的DCCN模型，为了让训练结果可以复用，需要将训练得到的神经网络模型持久化。TensorFlow中提供了一个非常简单的API来保存和加载一个神经网络模型，这个API为tf.train.Saver()类，从而将训练好的DCCN模型以.ckpt的形式保存下来，实现了深度学习模型的持久化。
图形用户界面(GUI)有助于让应用程序对用户更友好，实际应用中，程序需要与用户交互。本发明制作的异步电机智能故障诊断界面是用Python程序创建的图形用户界面(GUI)。其中Tkinter是一个跨平台的Python标准GUI工具包，包含在Python标准安装中，成熟且实用广泛，通过指定组件的几何属性和布局管理器，可以制作简单美观的图形界面；同时，GUI工具包Tkinter中可以完成用户触发事件执行的操作，只要给组件添加事件处理程序即可。这里的触发事件，也就是调用已经训练好的DCCN.ckpt深度学习模型，从而完成对新的测试电机数据的诊断判别，并将诊断结果以报表和日志的形式显示到GUI上。
本发明的一种电机故障诊断系统及方法，关键在于DCCN模型离线学习效果的好与坏。对于异步电机故障诊断总数据集为8000*(441+1)的矩阵，按小批量导入到DCCN模型中，小批量取为50，通过损失函数和Adam梯度优化，训练模型50次。对于4800个样本，训练结果如图6所示，图6(a)为诊断准确率与训练次数的离线学习曲线图，体6(b)为总体损失与训练次数的离线学习曲线图。对于1600个交叉验证样本，验证结果如图7所示，图7(a)为诊断准确率与训练次数的离线学习曲线图，体7(b)为总体损失与训练次数的离线学习曲线图。对于1600个测试集样本，用混淆矩阵如图8所示来评估模型的测试结果，表2为其与传统深度学习模型比较结果。
表2与传统深度学习模型比较
| 模型名称 | 英文简称 | 测试分数 | 损失 |
| 空洞卷积胶囊网络 | DCCN | 0.9968 | 0.0299 |
| 卷积神经网络 | CNN | 0.9800 | 1.2790 |
| 长短时记忆网络 | LSTM | 0.9836 | 0.9847 |
| 自动编码器 | AE | 0.9678 | 1.5614 |
| 深度信念网络 | DBN | 0.9910 | 0.6132 |
从图6中可以看出，对于电机故障训练样本，仅仅通过15次左右的训练，其诊断准确率达就到100％，训练50次最终损失仅为0.0238394，训练效率非常高，说明模型的收敛速度快。从图7中可以看出，对于交叉验证样本，学习曲线效果也非常好，在训练2-3次后，准确率就达到95％以上，训练20次以后，趋于稳定，最终验证集的准确率99.6875％，损失为0.0299862。从图8归一化混淆矩阵中可以看出针对每个故障类别预测准确性，所以故障全部诊断正确，准确率100％，无误诊情况。从表2中DCCN和其他传统深度学习模型比较发现，在1600个交叉验证样本上，诊断准确率，DCCN也是最高的，损失也是最低的，结果充分说明DCCN 模型不仅预测准确性高和而且泛化能力也非常好，能显著降低误差，DCCN模型能较好地实现电机故障诊断。
本实施例设计了异步电机智能故障诊断系统界面，在输入数据文件框中输入采集到的电机振动信号，点击运行模型故障诊断即可得到DCCN模型的故障判别结果，结果会以报表的形式显示到诊断结果中，同时会诊断日志中生成日志。重新做实验在线对正常和7类故障电机各采集5组实验数据，一共40组数据，并将其随机打乱，输入到故障诊断界面中，点击“运行模型故障诊断”调用训练完成的 DCCN.ckpt深度学习模型，得到对应的正确诊断结果，从而验证了DCCN深度学习模型的合理性，以GUI的形式完成了电机故障诊断任务。
现有的电机故障诊断技术中，其故障诊断过程需要复杂的人工特征提取过程、自动化程度低。而本发明的技术方案是一个完整的电机故障诊断系统，采集到的电机振动信号后，直接导入到DCCN模型中，无需复杂的信号处理和人工特征提取即可自动完成从原始数据端到输出故障判断结果端的故障诊断过程，真正实现了基于数据驱动模型的端到端的智能电机故障诊断。另一方面，传统深度学习故障诊断模型中的单个神经元看作是标量神经元，单个神经元处理特定的信息，而本发明设计的空洞卷积神经胶囊则是一组向量神经元，每个神经胶囊由多个神经元组成，一组神经元专门处理特定类型的信息，对于理解位置、尺寸、方向、变形、纹理的概念等尤其有效，从而提高了特征理解能力和泛化能力，诊断准确率高达99％以上，鲁棒性和泛化能力强，显著降低了错误识别率，且收敛速度快，训练次数少，为电机故障诊断提供了一种高效的新的智能诊断方法。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (9)
1.一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，该方法包括如下步骤：
(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；
(2)建立空洞卷积胶囊网络，利用训练样本进行训练；
(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。
2.根据权利要求1所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，所述的电机振动信号包括电机驱动端X、Y、Z三个方向的振动信号。
3.根据权利要求1所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。
4.根据权利要求3所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，训练过程中构建空洞卷积胶囊网络的损失函数，采用Adam梯度优化器优化空洞卷积胶囊网络使其损失函数的总体损失最小。
5.根据权利要求4所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，所述的损失函数：
Loss＝Lk+αRL，
Lk＝Tk max(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2，
其中，Loss为总体损失，Lk为边缘损失，RL为重构损失，α为重构损失的权重，α＝0.005，k表示运行状态对应的标签数值，Tk为关于分类的函数，当k出现时，Tk＝1，否则Tk＝0，||vk||为向量vk的模长，vk为数字胶囊层特征向量，m+＝0.9为上边缘阈值，m-＝0.1为下边缘阈值，λ为稀疏系数，λ＝0.5。
6.根据权利要求1所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，该方法还包括对训练样本的定期更新，并对空洞卷积胶囊网络进行训练更新。
7.一种基于空洞卷积胶囊网络的电机故障诊断系统，其特征在于，该系统包括：
数据采集模块：采集电机振动信号；
故障诊断模块：该模块包括离线训练子模块和在线诊断子模块，
所述的离线训练子模块从数据采集模块获取有标签的训练样本并训练空洞卷积胶囊网络，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型，
所述的在线诊断子模块从数据采集模块获取待诊断的电机振动信号并并输入至训练好的空洞卷积胶囊网络诊断电机的运行状态；
图形用户界面：将故障诊断的结果以报表和日志的形式显示。
8.根据权利要求7所述的一种基于空洞卷积胶囊网络的电机故障诊断系统，其特征在于，所述的数据采集模块包括三个振动传感器，三个振动传感器安装在电机驱动端X、Y、Z三个方向。
9.根据权利要求7所述的一种基于空洞卷积胶囊网络的电机故障诊断系统，其特征在于，所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911142799.7A CN111046916A (zh) | 2019-11-20 | 2019-11-20 | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911142799.7A CN111046916A (zh) | 2019-11-20 | 2019-11-20 | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046916A true CN111046916A (zh) | 2020-04-21 |
Family
ID=70232502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911142799.7A Pending CN111046916A (zh) | 2019-11-20 | 2019-11-20 | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046916A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 |
| CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| CN112235434A (zh) * | 2020-10-16 | 2021-01-15 | 重庆理工大学 | 融合k-means及其胶囊网络的DGA网络域名检测识别系统 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
| CN112633362A (zh) * | 2020-12-21 | 2021-04-09 | 华中科技大学 | 一种旋转机械自适应故障诊断方法、装置、设备及介质 |
| CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113592071A (zh) * | 2021-06-22 | 2021-11-02 | 广州大学 | 设备故障识别模型训练、识别方法、系统、装置及介质 |
| CN113654818A (zh) * | 2021-07-21 | 2021-11-16 | 广州大学 | 基于胶囊网络的设备故障检测方法、系统、装置及介质 |
| CN113984389A (zh) * | 2021-12-01 | 2022-01-28 | 广西大学 | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 |
| CN114241245A (zh) * | 2021-12-23 | 2022-03-25 | 西南大学 | 一种基于残差胶囊神经网络的图像分类系统 |
| CN114757239A (zh) * | 2022-06-15 | 2022-07-15 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
| CN115238925A (zh) * | 2022-07-25 | 2022-10-25 | 北京卓尔忠诚科技有限公司 | 一种电机设备监管方法及系统 |
| WO2023015484A1 (en) * | 2021-08-11 | 2023-02-16 | Siemens Aktiengesellschaft | Method and apparatus for training a model |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
| CN108985316A (zh) * | 2018-05-24 | 2018-12-11 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
| CN109085436A (zh) * | 2018-08-17 | 2018-12-25 | 南京航空航天大学 | 非侵入式三相全桥逆变器复合故障诊断方法 |
| CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
| CN109932174A (zh) * | 2018-12-28 | 2019-06-25 | 南京信息工程大学 | 一种基于多任务深度学习的齿轮箱故障诊断方法 |
| CN110046671A (zh) * | 2019-04-24 | 2019-07-23 | 吉林大学 | 一种基于胶囊网络的文本分类方法 |
| CN110059741A (zh) * | 2019-04-15 | 2019-07-26 | 西安电子科技大学 | 基于语义胶囊融合网络的图像识别方法 |
-
2019
- 2019-11-20 CN CN201911142799.7A patent/CN111046916A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
| CN108985316A (zh) * | 2018-05-24 | 2018-12-11 | 西南大学 | 一种改进重构网络的胶囊网络图像分类识别方法 |
| CN109085436A (zh) * | 2018-08-17 | 2018-12-25 | 南京航空航天大学 | 非侵入式三相全桥逆变器复合故障诊断方法 |
| CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
| CN109932174A (zh) * | 2018-12-28 | 2019-06-25 | 南京信息工程大学 | 一种基于多任务深度学习的齿轮箱故障诊断方法 |
| CN110059741A (zh) * | 2019-04-15 | 2019-07-26 | 西安电子科技大学 | 基于语义胶囊融合网络的图像识别方法 |
| CN110046671A (zh) * | 2019-04-24 | 2019-07-23 | 吉林大学 | 一种基于胶囊网络的文本分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| FAN ZHANG ET AL: "Network traffic classification method based on improved capsule neural network" * |
| 林少丹 等: "结合胶囊网络和卷积神经网络的目标识别模型" * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 |
| CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| CN111899905B (zh) * | 2020-08-05 | 2022-11-01 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112235434A (zh) * | 2020-10-16 | 2021-01-15 | 重庆理工大学 | 融合k-means及其胶囊网络的DGA网络域名检测识别系统 |
| CN112235434B (zh) * | 2020-10-16 | 2021-10-26 | 重庆理工大学 | 融合k-means及其胶囊网络的DGA网络域名检测识别系统 |
| CN112364920A (zh) * | 2020-11-12 | 2021-02-12 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
| CN112364920B (zh) * | 2020-11-12 | 2023-05-23 | 西安电子科技大学 | 基于深度学习的甲状腺癌病理图像分类方法 |
| CN112633362A (zh) * | 2020-12-21 | 2021-04-09 | 华中科技大学 | 一种旋转机械自适应故障诊断方法、装置、设备及介质 |
| CN112633362B (zh) * | 2020-12-21 | 2024-03-29 | 华中科技大学 | 一种旋转机械自适应故障诊断方法、装置、设备及介质 |
| CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113592071A (zh) * | 2021-06-22 | 2021-11-02 | 广州大学 | 设备故障识别模型训练、识别方法、系统、装置及介质 |
| CN113654818A (zh) * | 2021-07-21 | 2021-11-16 | 广州大学 | 基于胶囊网络的设备故障检测方法、系统、装置及介质 |
| CN113654818B (zh) * | 2021-07-21 | 2022-09-16 | 广州大学 | 基于胶囊网络的设备故障检测方法、系统、装置及介质 |
| WO2023015484A1 (en) * | 2021-08-11 | 2023-02-16 | Siemens Aktiengesellschaft | Method and apparatus for training a model |
| CN113984389A (zh) * | 2021-12-01 | 2022-01-28 | 广西大学 | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 |
| CN113984389B (zh) * | 2021-12-01 | 2023-09-01 | 广西大学 | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 |
| CN114241245A (zh) * | 2021-12-23 | 2022-03-25 | 西南大学 | 一种基于残差胶囊神经网络的图像分类系统 |
| CN114241245B (zh) * | 2021-12-23 | 2024-05-31 | 西南大学 | 一种基于残差胶囊神经网络的图像分类系统 |
| CN114757239B (zh) * | 2022-06-15 | 2022-08-30 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
| CN114757239A (zh) * | 2022-06-15 | 2022-07-15 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
| CN115238925A (zh) * | 2022-07-25 | 2022-10-25 | 北京卓尔忠诚科技有限公司 | 一种电机设备监管方法及系统 |
| CN115238925B (zh) * | 2022-07-25 | 2023-12-29 | 北京卓尔忠诚科技有限公司 | 一种电机设备监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
| Wang et al. | A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals | |
| Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
| Yang et al. | SuperGraph: Spatial-temporal graph-based feature extraction for rotating machinery diagnosis | |
| Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
| Su et al. | A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis under variable working condition of unequal quantity | |
| Li et al. | Data-driven bearing fault identification using improved hidden Markov model and self-organizing map | |
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
| CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| Ye et al. | AKSNet: A novel convolutional neural network with adaptive kernel width and sparse regularization for machinery fault diagnosis | |
| CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
| CN111914883A (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 | |
| CN105469376A (zh) | 确定图片相似度的方法和装置 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN111832663A (zh) | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 | |
| CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| CN113162787B (zh) | 电信网络中故障定位的方法、节点分类方法以及相关设备 | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| Tang et al. | An intelligent diagnosis method using fault feature regions for untrained compound faults of rolling bearings |
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: 20200421 |