CN111122161B - 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 - Google Patents

一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 Download PDF

Info

Publication number
CN111122161B
CN111122161B CN201911346761.1A CN201911346761A CN111122161B CN 111122161 B CN111122161 B CN 111122161B CN 201911346761 A CN201911346761 A CN 201911346761A CN 111122161 B CN111122161 B CN 111122161B
Authority
CN
China
Prior art keywords
spectral kurtosis
deep residual
data
bearing
fast
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
CN201911346761.1A
Other languages
English (en)
Other versions
CN111122161A (zh
Inventor
王志鹏
耿毅轩
马慧茹
贾利民
周莹
童磊
秦勇
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201911346761.1A priority Critical patent/CN111122161B/zh
Publication of CN111122161A publication Critical patent/CN111122161A/zh
Application granted granted Critical
Publication of CN111122161B publication Critical patent/CN111122161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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

Landscapes

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

Abstract

本发明属于机械零部件故障诊断技术领域，具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。

Description

一种基于fast kurtogram和深度残差学习的变工况轴承故障 诊断方法
技术领域
本发明属于机械零部件故障诊断技术领域，具体涉及一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法。
背景技术
滚动轴承是旋转机械的关键部件之一，也是最易损坏的部件(40％以上的故障是由轴承引起的)。因此，实时监测轴承的健康状态，对避免意外故障具有重要意义。为了实现这一目标，现有技术围绕经典信号处理方法(如频谱分析、倒频谱分析、小波包分解)提出了许多方法，但这些方法存在共同的缺陷：对变化的工况缺乏鲁棒性。这些方法在已知的工况下，可实现实时诊断，然而在实际的工业生产中，不同的工况下工作负荷和转速往往是不同的，当工况发生变化时，缺陷特征频率也会发生变化，因此不得不调整方法以适应新的工况，而若新的工况参数未知，则难以完成诊断任务。此后，一些多工况诊断方法被陆续提出：冯志鹏等人提出了利用联合时变幅频解调谱来揭示时变故障特征频率，但该方法需要事先了解所经历的工况条件；P.Borghesani等人提出了一种新的利用包络分析诊断的新方法，但需要事先了解轴承的缺陷频率,但在实际应用中，工况变化频繁，在大多数情况下很难获得具体的工况参数，因此这些多工况诊断方法也难以应对。此外，信号中无法避免的噪声也会对诊断产生影响。
因此，理想的故障诊断算法应具有以下特点：为了实时诊断轴承的健康状态，该方法应具有较高的自动化程度；该方法应能够在噪声环境下进行诊断；该方法应能够在可变和未知的工况下进行诊断。
发明内容
针对上述技术问题，本发明提供一种基于fast kurtogram(快速谱峭度图)和深度残差学习的变工况轴承故障诊断方法，该方法将振动加速度信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练所述深度残差网络，得到训练完成的轴承健康状态分类模型，采用轴承健康状态分类模型能够对待测信号进行轴承健康状态的诊断。本发明所述方法生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性；在分类器方面，采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。
本发明是通过以下技术方案实现的：
一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，所述方法包括：
(1)数据分割与扩充：根据采样频率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始振动数据进行分割；采用重叠抽样的方法进行数据扩充，以增加样本数量；其中，所述原始振动数据是指从轴承试验台上利用加速度计采集的振动加速度信号，包含健康轴承及各种故障状态下轴承的数据；
(2)使用快速谱峭度图将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像；在这个过程中，冗余的原始信号被简化，瞬态信号也被突出显示出来；
(3)数据集的建立：对生成的谱峭度图进行压缩并分组，建立数据集；所述数据集包括训练集、测试集和验证集；
(4)基于深度残差学习的故障诊断：构建残差神经网络，并利用数据集训练所述深度残差网络，赋予所述深度残差网络具有轴承健康状态诊断能力，即得到训练完成的轴承健康状态分类模型，然后利用训练后的深度残差网络对变工况下的轴承状态进行诊断。
进一步地，在步骤(1)中，在确定样本容量时，确保在最低转速下样品也包含至少10个完整旋转周期的数据，以确保样本的完整性和代表性。
进一步地，在所述步骤(2)中，使用快速谱峭度图将振动加速度信号转换成谱峭度图，将快速谱峭度图算法作为特征提取方法，在进行特征提取时，将谱峭度图整体作为信号中提取的特征，以使提取的特征基本不受噪声干扰，且同一故障在不同运行条件下的快速谱峭度图具有高相似性。
本发明所述方法在特征提取方面，受快速谱峭度图算法的启发，将此瞬态检测器作为特征提取方法。对于谱峭度图的利用并非只是寻找信号中瞬态冲击信号所在频段，而是将谱峭度图整体作为信号中提取的特征，充分利用其优势，提取的特征基本不受噪声干扰，且同一故障在不同运行条件下的快速谱峭度图具有相当高的相似性。利用这种方法，获得了一种对噪声和工况都具有较好鲁棒性的故障特征提取方法。
进一步地，步骤(3)中，谱峭度图压缩方法为：将每个样本生成的快速谱峭度图压缩为32*32像素的图片，在充分保留原谱峭度图完整信息的基础上降低数据量，以节约网络训练时间，减小训练计算量，降低对计算机的算力要求。
进一步地，步骤(3)中，完成谱峭度图的生成及压缩后，按照数据所对应的轴承健康类型、工况进行分组，制成数据集。所述轴承健康类型包括正常及多种严重程度的多个类型的故障，具体地，所述轴承健康类型包括正常状态、内环故障、外环故障和滚动体故障，每种故障都包含不同的故障严重程度，如:0.007英寸、0.014英寸和0.021英寸。所述工况包括马力和每分钟转数。
进一步地，深度残差神经网络在训练过程中结构是不发生变化的，残差神经网络的最后一层在训练时和训练后都存在的，步骤(4)基于深度残差学习的故障诊断中，在残差神经网络的最后一层中采用Softmax函数：
Figure BDA0002333582920000021
式中，vi是上一层的输出，i表示类别索引，总的类别个数为K，K代表轴承健康状态的类别数量，Softmax函数将多分类的输出值通过比值的方式转化为Pi，Pi是一个取值范围为(0,1)的数，
Figure BDA0002333582920000022
由此Pi能够视为一个相对概率，代表推断是轴承状态的相对概率。
本发明的有益技术效果：
(1)本发明所述方法受快速谱峭度图算法的启发，在特征提取中，将快速谱峭度图算法这一本来用于检测信号中的瞬态成分的方法用作特征提取的方法。生成的特征，也就是谱峭度图基本上不受噪声干扰，而且同一故障在不同运行条件下的谱峭度图具有相当的相似性，这些特性增强了本方法对噪声和不同工况的鲁棒性。
(2)在分类器方面，本发明所述方法采用深度残差学习技术，利用其强大的特征自学习特性，进一步增强了该方法对噪声和不同工况的鲁棒性。与人工神经网络、支持向量机、模糊推理等传统的机器学习方法相比，深度学习方法能够学习更多更复杂的特征。利用这种特性，将不同工况下的包含噪音的原始数据经过加工制成数据集，可以指导深度残差网络学习到受噪声和工况变化影响较小的特征。
(3)本发明方法是基于数据驱动的，不需要建立复杂的数学模型即可完成轴承故障诊断任务，而且即便面对工况变化、噪音干扰，也可自动完成诊断，能够大幅度降低对于使用人员的专业知识要求，对于工业化应用具有重大意义。
附图说明
图1是本发明实施例中基于快速谱峭度图和深度残差学习的变工况旋转机械故障诊断方法的整体步骤流程图；
图2是本发明实施例中重叠采样的数据增强方法示意图；
图3是本发明实施例中保持数据集独立性的数据剔除示意图；
图4是本发明实施例中一个快速谱峭度图；
图5是本发明实施例中快速谱峭度图的压缩操作示意图；
图6是本发明实施例中残差学习重构框架示意图；
图7是本发明实施例中深度残差网络结构示意图；
图8是本发明实施例中多工况诊断实验结果对比图；
图9是本发明实施例中未知工况诊断实验结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
深度残差学习算法是一种建立在深度卷积神经网络基础上的一种算法，通过构建残差块的方式对卷积神经网络进行优化，解决了网络的退化问题，能够通过大幅度增加网络层数来提升网络的泛化能力。
快速谱峭度图算法是计算谱峭度的一种快速有效的算法。由于其在检测、表征和定位隐藏在原始信号中的瞬态信号方面的优势，已被证明是一种有效实用的机械故障诊断工具。例如，在利用包络分析进行诊断时，可以用快速谱峭度图来确定最佳带通滤波器的中心频率和带宽。而快速谱峭度图算法在现有技术中一般是用于数据预处理的方法，它的能力被严重低估了，快速谱峭度图中非峰值处也蕴藏了大量信息，本发明提供的方法创新性地将整张快速谱峭度图直接作为一种提取后的特征供深度残差网络进行训练、学习，充分挖掘了快速谱峭度图的优良特性。
本发明提出了一种基于快速谱峭度图和深度残差学习的变工况旋转机械故障诊断方法，首先将信号通过快速谱峭度图方法转换成一系列谱峭度图，并处理后制成包括训练集测试集和验证集的数据集，构建基于残差块和深度卷积神经网络的深度残差网络，利用数据集训练深度残差网络，得到训练完成的轴承健康状态分类模型，进而能够对待测信号进行轴承健康状态的诊断。
如图1所示，具体步骤如下：
步骤(1)数据分割与扩充：根据采样率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始数据进行分割，同时，为了增加样本数量，本文采用了重叠抽样的方法进行数据扩充。
使用部分重叠采样的数据增强方法生成足够多的快速谱峭度图用于训练和测试，实现数据扩充的作用，如图2所示。
为了保证测试实验的可靠性，必须避免训练数据和测试数据的重叠，保证测试数据的独立性。因此，在数据集中选择测试集后，需要消除训练集中的一些重叠样本，如图3所示
步骤(2)使用快速谱峭度图将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像，在这个过程中，冗余的原始信号被简化，瞬态信号也被突出显示出来。
快速谱峭度图算法的核心是谱峭度(Spectral kurtosis)，谱峭度的计算方法如下：
任意零均值非平稳过程x(t)根据WOLD-CRAMER表达可以被分解为：
Figure BDA0002333582920000041
其中H(t，f)是信号x(t)在频率f下的复包络，DZX(F)是一个正交谱增量，j为虚数单位，ej2πft为三角基函数。
谱峭度的定义如下：
Figure BDA0002333582920000051
其中，<·>表示取数学期望，|·|表示取模值。
通过信号x(t)的短时傅里叶变换得到SK在特定频率f下的估计：
Figure BDA0002333582920000052
其中γ*(τ-t)是分析窗函数，*表示共轭。
显然分析窗的选取(包括中心频率f及频率分辨率大小)会影响谱峭度值，快速谱峭度图的思想就是通过尽量遍布各信号频段及选取多样化频率分辨率，找到能够找出能够最大化谱峭度值的分析窗。如图4为一个快速谱峭度图，其中每一个色块代表一个分析窗的谱峭度值，色块中心对应的横轴位置代表分析窗的中心频率，色块长度对应的横坐标范围代表了分析窗的频率范围，而色块的颜色代表了谱峭度值。
步骤(3)数据集的建立：对生成的一系列谱峭度图进行压缩并分组，建立数据集。
由每个样本生成的快速谱峭度图仅是由108个彩色块组成的图像。由于快速谱峭度图的简洁性，即使将生成的图像压缩为32×32像素，也几乎没有有用的信息丢失，而且这样的图像只占用约1.2kb，大幅度缩小了数据量，可以大量节约网络训练时间，同时也大大减小了训练计算量，降低了对计算机的算力要求。压缩快速谱峭度图的操作如图5所示。
完成谱峭度图的生成及压缩后，按照数据所对应的轴承健康类型(包括正常及多种严重程度的多个类型的故障)、工况进行分组，制成数据集。
步骤(4)基于深度残差学习的故障诊断：构建残差神经网络，并利用数据集训练网络，赋予网络轴承健康状态诊断能力。然后利用训练后的网络对变工况下的轴承状态进行诊断。
深度残差学习方法的核心思想(如图6残差学习重构框架所示)是改变非线性叠加层的拟合目标：不直接用非线性层的叠加来拟合所需的底层映射，而是选择让非线性层的叠加来拟合残差映射。换言之，如果叠加的层的输入用“x”表示，并且期望的底层映射用H(x)表示，并不直接让叠加的层去拟合底层映射H(x)，而是使其与F(x)＝H(x)-x的残差映射相匹配。因此，原始映射被转换为F(x)+x。这样的结构解决了卷积神经网络中的网络退化问题。因此，运用这种残差学习架构，可以堆叠很深的层数，大大增加卷积神经网络的拟合能力，使得诊断准确率大幅度提高。
本方法采用的深度残差网络结构如图7所示。
本实例采取凯斯西储大学轴承数据中心提供的滚动轴承故障信号对所提出的基于快速谱峭度图和深度残差学习的变工况旋转机械故障诊断方法进行验证。分别使用正常、内环故障、外环故障和滚动体故障四种健康状态下的样本信号进行实验验证，具体步骤如下：
步骤(1)数据分割与扩充：根据采样率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始数据进行分割，同时，为了增加样本数量，本文采用了重叠抽样的方法进行数据扩充。
原始振动数据以12khz的采样频率记录，轴承以1750r/min左右的转速旋转，即每个旋转周期约有411个数据。为确保样本的完整性和代表性，将样本大小设置为4096个数据点。这样，即使在最低转速下，样品也包含大约10个完整旋转周期的数据。重叠数据设置为1024个数据点。
步骤(2)使用快速谱峭度图将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像，在这个过程中，冗余的原始信号被简化，瞬态信号也被突出显示出来。
步骤(3)数据集的建立：对生成的一系列谱峭度图进行压缩并分组，建立数据集。
所选数据包括四种工况(马力，每分钟转数)，所选数据均是在驱动端以12kHz的采样频率采集的数据：
1)工况1：负载：0Hp；转速1797rpm
2)工况2：负载：1Hp；转速1772rpm
3)工况3：负载：2Hp；转速1750rpm
4)工况4：负载：3Hp；转速1730rpm
这些数据包括被测轴承的四种状态:正常状态、内环故障、外环故障和滚动体故障。这三种故障都包含三种故障严重程度：0.007英寸、0.014英寸和0.021英寸。因此，有10种类型的轴承健康状态。
在实验中，构建了五个数据集(数据集A-E)。数据集A、B、C和D分别包含在条件1、2、3、4下采集的样本。数据集E包含所有样本，并且无论工况如何，相同的故障类型共享相同的标签。数据集构建如表1所示。
表1数据集的构建
Figure BDA0002333582920000061
Figure BDA0002333582920000071
步骤(4)基于深度残差学习的故障诊断：构建残差神经网络，并利用数据集训练网络，赋予网络轴承健康状态诊断能力。然后利用训练后的网络对变工况下的轴承状态进行诊断。
利用训练集和验证集训练深度残差网络，并利用测试集测试网络能力。
为验证该方法在变工况下的有效性，进行了四组实验。训练集和测试集的选择如表2所示:
表2实验数据选择
实验编号 训练数据选择 测试数据选择
1 数据集E 数据集E
2 数据集A和B 数据集C
3 数据集A和C 数据集B
4 数据集B和C 数据集A
实验1的结果如图8所示，实验1是在包含所有四种操作条件的数据集E上进行的，网络由所有运行条件的数据进行训练。实验表明，本发明所提供的方法在多工况中仍具有较高的精度，在实际应用中证明了该方法的方便性和有效性。
然而，轴承不仅可以在几种标准的工况下工作，每个不同的任务可能都有一个独特的工况，甚至在某一任务中，工况也是多变的。
为了解决这一问题，诊断方法需要在训练数据以外的未知工况下保持一定的诊断精度。因此进行了以下实验2、3、4，结果如图9所示。
如图9所示，SVM(支持向量机)和DNN(深度神经网络)不能适应新的未知工况，诊断性能退化严重，对工况变化的鲁棒性较差，相比之下，本发明提供的方法仍然具有较高的精度。
以上实验证明了该方法对不同运行工况的鲁棒性，可以用于监测各种甚至未知运行工况下的轴承健康状态。

Claims (5)

1.一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，所述方法包括：
(1)数据分割与扩充：根据采样频率、电机转速和快速谱峭度图的要求，选择合适的样本容量对原始振动数据进行分割；采用重叠抽样的方法进行数据扩充，以增加样本数量；其中，所述原始振动数据是指从轴承试验台上利用加速度计采集的振动加速度信号，包含健康轴承及各种故障轴承的数据；
(2)使用快速谱峭度图算法将振动加速度信号转换成谱峭度图：通过生成谱峭度图，将一维原始振动加速度数据转换成二维图像；
(3)数据集的建立：对生成的谱峭度图进行压缩并分组，建立数据集；
(4)基于深度残差学习的故障诊断：构建深度残差网络，并利用数据集训练所述深度残差网络，赋予所述深度残差网络具有轴承健康状态诊断能力，即得到训练完成的轴承健康状态分类模型，然后利用训练后的深度残差网络对变工况下的轴承健康状态进行诊断；轴承健康状态包括正常及多种严重程度的多个类型的故障；
在步骤(2)中，使用快速谱峭度图算法将振动加速度信号转换成谱峭度图，将快速谱峭度图算法作为特征提取方法，在进行特征提取时，将谱峭度图整体作为信号中提取的特征，以使提取的特征基本不受噪声干扰，且同一故障在不同运行条件下的谱峭度图具有高相似性。
2.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，在步骤(1)中，在确定样本容量时，确保在最低转速下样本包含至少10个完整旋转周期的数据，以确保样本的完整性和代表性。
3.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，步骤(3)中，谱峭度图压缩方法为：将每个样本生成的谱峭度图压缩为32*32像素的图片，在充分保留原谱峭度图完整信息的基础上降低数据量，以节约网络训练时间，减小训练计算量，降低对计算机的算力要求。
4.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，步骤(3)中，完成谱峭度图的生成及压缩后，按照数据所对应的轴承健康状态、工况进行分组，制成数据集。
5.根据权利要求1所述一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法，其特征在于，步骤(4)基于深度残差学习的故障诊断中，在深度残差网络的最后一层中采用Softmax函数：
Figure FDA0003017890570000011
式中，vi是上一层的输出，i表示类别索引，K代表轴承健康状态的类别数量，Softmax函数将多分类的输出值通过比值的方式转化为Pi，Pi是一个取值范围为(0,1)的数，
Figure FDA0003017890570000012
由此Pi能够视为一个相对概率，代表推断是轴承健康状态的相对概率。
CN201911346761.1A 2019-12-24 2019-12-24 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 Active CN111122161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911346761.1A CN111122161B (zh) 2019-12-24 2019-12-24 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911346761.1A CN111122161B (zh) 2019-12-24 2019-12-24 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111122161A CN111122161A (zh) 2020-05-08
CN111122161B true CN111122161B (zh) 2021-06-08

Family

ID=70501958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911346761.1A Active CN111122161B (zh) 2019-12-24 2019-12-24 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111122161B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914883B (zh) * 2020-06-18 2022-12-09 西安交通大学 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112051063B (zh) * 2020-09-03 2021-06-15 山东大学 一种设备故障声源定位方法及系统
CN113449618A (zh) * 2021-06-17 2021-09-28 南京航空航天大学 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法
CN113705078B (zh) * 2021-07-21 2024-03-19 山东科技大学 一种转速波动下信号分辨率增强的轴承故障诊断方法
CN117033983B (zh) * 2023-10-10 2024-01-30 山东科技大学 一种无人船自噪声检测识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104677632A (zh) * 2015-01-21 2015-06-03 大连理工大学 利用粒子滤波与谱峭度的滚动轴承故障诊断方法
KR20160004156A (ko) * 2014-07-02 2016-01-12 울산대학교 산학협력단 베어링 고장 진단용 모함수 선택 방법 및 장치
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
CN109190464A (zh) * 2018-07-24 2019-01-11 南京航空航天大学 一种变工况下基于迁移学习的机械故障智能诊断方法
CN109299705A (zh) * 2018-10-24 2019-02-01 电子科技大学 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN110426191A (zh) * 2019-08-14 2019-11-08 四川大学 一种抗干扰旋转机械的故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109612728A (zh) * 2018-12-20 2019-04-12 上海理工大学 基于振谱图和深度卷积神经网络的轴承故障诊断方法
CN109765053B (zh) * 2019-01-22 2022-04-29 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160004156A (ko) * 2014-07-02 2016-01-12 울산대학교 산학협력단 베어링 고장 진단용 모함수 선택 방법 및 장치
CN104677632A (zh) * 2015-01-21 2015-06-03 大连理工大学 利用粒子滤波与谱峭度的滚动轴承故障诊断方法
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
CN109190464A (zh) * 2018-07-24 2019-01-11 南京航空航天大学 一种变工况下基于迁移学习的机械故障智能诊断方法
CN109299705A (zh) * 2018-10-24 2019-02-01 电子科技大学 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN110426191A (zh) * 2019-08-14 2019-11-08 四川大学 一种抗干扰旋转机械的故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于残差网络的机械滚动轴承故障诊断方法研究;谷年龙;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190731(第7期);正文第37-39页 *
快速峭度图在滚动轴承故障诊断中的应用;李鑫等;《煤矿机械》;20150331;第36卷(第3期);第2页 *

Also Published As

Publication number Publication date
CN111122161A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111122161B (zh) 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法
He et al. A new hybrid deep signal processing approach for bearing fault diagnosis using vibration signals
CN111046945B (zh) 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN110595780A (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
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测系统
CN107506710A (zh) 一种滚动轴承复合故障提取方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN114970628B (zh) 样本不均衡下基于生成对抗网络的转动部件故障诊断方法
CN113776835B (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
CN114034481A (zh) 一种轧机齿轮箱故障诊断系统及方法
CN112733612A (zh) 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN114486263B (zh) 一种旋转机械滚动轴承振动信号降噪解调方法
Liu et al. Transfer learning with inception ResNet-based model for rolling bearing fault diagnosis
CN115470630A (zh) 一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法
Han et al. A novel intelligent fault diagnosis method based on dual convolutional neural network with multi-level information fusion
CN114964782A (zh) 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统
CN112016471A (zh) 一种不完备样本条件下的滚动轴承故障诊断方法
CN113865872A (zh) 基于小波包重构成像和cnn的轴承故障诊断方法
Hu et al. Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances
CN112067298A (zh) 一种基于层次全局模糊熵的滚动轴承故障诊断方法
CN110907174A (zh) 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法
CN116821762A (zh) 一种基于多尺度图注意力融合网络的机械故障诊断方法
CN114186593A (zh) 噪声条件下轴承故障识别方法、装置、设备和存储介质
CN115326396A (zh) 一种轴承故障的诊断方法及装置

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