CN111275004A - 基于lmd和脉冲神经网络的轴承故障诊断方法 - Google Patents

基于lmd和脉冲神经网络的轴承故障诊断方法 Download PDF

Info

Publication number
CN111275004A
CN111275004A CN202010105681.3A CN202010105681A CN111275004A CN 111275004 A CN111275004 A CN 111275004A CN 202010105681 A CN202010105681 A CN 202010105681A CN 111275004 A CN111275004 A CN 111275004A
Authority
CN
China
Prior art keywords
neural network
vibration signal
pulse
lmd
fault diagnosis
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.)
Granted
Application number
CN202010105681.3A
Other languages
English (en)
Other versions
CN111275004B (zh
Inventor
左琳
张磊
张昌华
刘宇
张哲涵
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010105681.3A priority Critical patent/CN111275004B/zh
Publication of CN111275004A publication Critical patent/CN111275004A/zh
Application granted granted Critical
Publication of CN111275004B publication Critical patent/CN111275004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本发明公开一种基于LMD和脉冲神经网络的轴承故障诊断方法，应用于机械故障诊断和计算机人工智能技术领域，针对现有技术利用SNN在机械故障诊断领域的性能研究的匮乏；本发明首先利用LMD将轴承振动信号分解为若干个PF分量，计算出这些PF分量和原始振动信号的统计学特征；接着将计算出的统计学特征进行min‑max归一化，利用高斯群编码的方法将归一化后的特征向量编码为脉冲序列；然后搭建脉冲神经网络模型，利用改进的Tempotron算法对脉冲神经网络模型的输入层与输出层之间的突触权重进行学习，直至满足训练终止条件，再利用训练好的模型进行故障诊断；实验表明本发明方法的诊断精度远高于传统方法。

Description

基于LMD和脉冲神经网络的轴承故障诊断方法
技术领域
本发明属于机械故障诊断和计算机人工智能技术领域，特别涉及一种轴承故障诊断技术。
背景技术
轴承是旋转机械的关键部件，旋转机械的性能和剩余使用寿命在很大程度上取决于轴承的健康状况。轴承经常发生几种类型的损坏，这些损坏影响轴承的性能，进而影响整机的性能，导致安全风险和经济损失。如何判断轴承各种故障，在工业界受到了广泛的关注，提早进行故障诊断可以有效的避免严重的经济损失。
轴承发生故障就会运行异常，利用传感器收集故障轴承的振动原始信号也会随之发生异常，利用信号处理算法来提取出原始信号特征的方法已被广泛应用于故障诊断问题中。当轴承出现故障，传感器接收到的振动信号将准确的显示出调幅调频特性。利用局部均值分解(Local Mean Decomposition，LMD)算法分解信号能够得到原始振动信号的完整的时频信息和非稳态特性，LMD算法可以有效的帮助轴承故障诊断。脉冲神经网络(SpikingNeural Network,SNN)作为第三代神经网络，其使用脉冲神经元模型来模拟和解释生物神经元的信息处理过程。基于人工神经网络(Artificial Neural Network,ANN)的故障诊断方法其神经网络层数较深并且应用反向传播导致ANN的参数量和计算量大，并且与ANN相比，SNN的生物可解释性更强。SNN在很多领域表现出了不弱于其他神经网络的强大能力，但是很少有人研究SNN在机械故障诊断领域的性能。
发明内容
为解决上述技术问题，本发明提出一种基于LMD和脉冲神经网络的轴承故障诊断方法，结合脉冲神经网络(Spiking Neural Network,SNN)进行轴承故障诊断，相比于现有的方法，提高了诊断精度。
本发明采用的技术方案为：一种基于LMD和脉冲神经网络的轴承故障诊断方法，包括：
S1、采用LMD算法将原始轴承振动信号分解为若干个的PF分量，所述PF分量为包络信号和纯调频信号的乘积；
S2、计算各PF分量的若干统计学特征，得到第一统计学特征集合，计算原始轴承振动信号的若干统计学特征，得到第二统计学特征集合；根据第一统计学特征集合与第二统计学特征集合得到该原始轴承振动信号的特征向量；
S3、对原始轴承振动信号的特征向量进行归一化处理后；
S4、将归一化后的特征向量编码为脉冲时间信息；
S5、构建脉冲神经网络模型，所述脉冲神经网络模型的输入为脉冲时间信息，输出为故障类型；
S6、重复步骤S1-S4，得到由若干脉冲时间信息组成的训练集，根据该训练集S5建立的脉冲神经网络模型进行训练，得到训练完成的脉冲神经网络模型；
S7、采用经步骤S6训练完成的脉冲神经网络模型进行轴承故障诊断。
步骤S1的分解的结果为：
Figure BDA0002388449330000021
其中，x(t)表示原始轴承振动信号，PFi(t)表示第i个PF分量，I表示最终分解得到的PF分量总数，rI(t)表示最终分解得到的残差信号，且rI(t)为单调函数。
步骤S2中第一统计学特征集合包括：PF分量的偏度、PF分量的峰度、PF分量的峰值指标、PF分量的波形指标、PF分量的脉冲指标和PF分量的裕度指标；
第一统计学特征集合包括：原始轴承振动信号的偏度、原始轴承振动信号的峰度、原始轴承振动信号的峰值指标、原始轴承振动信号的波形指标、原始轴承振动信号的脉冲指标和原始轴承振动信号的裕度指标。
步骤S3所述归一化具体为：进行min-max归一化处理，使得特征向量数据归一化到[0-1]之间。
步骤S5所述的脉冲神经网络模型包括输入层和输出层，神经元模型采用LIF模型表示，输入层的神经元个数为训练集的样本数与归一化后特征向量维度的乘积，输出层的神经元个数为故障类别数，输入层的神经元和输出层的神经元之间的突触权重初始化服从均值为μ，标准差为σ的高斯分布。
步骤S6采用改进的Tempotron学习算法进行脉冲神经网络模型的训练。
步骤S7具体为：将待诊断轴承振动信号经编码后的脉冲时间信息输入训练好的脉冲神经网络模型得到输出神经元的膜电压，根据输出神经元的膜电压得到待诊断轴承振动信号的故障类别。
具体的：若某个输出神经元的膜电压超过阈值发出脉冲，而其他输出神经元的膜电压小于或等于阈值不发出脉冲，得到待诊断轴承振动信号的故障类别；
或者某个输出神经元的最大膜电压大于其他输出神经元的最大膜电压，得到待诊断轴承振动信号的故障类别。
本发明的有益效果：本发明先利用LMD将轴承振动信号分解为若干个PF分量，计算出这些PF分量和原始振动信号的特征。接着将计算出的特征进行min-max归一化，利用高斯群编码的方法将归一化后的特征向量编码为脉冲序列。然后搭建脉冲神经网络模型，利用改进的Tempotron算法对脉冲神经网络模型的输入层与输出层之间的突触权重进行学习，直至满足训练终止条件，再利用训练好的模型进行故障诊断。本发明的方法具备以下优点：
1、通过时频分析方法LMD算法得到原始振动信号的完整的时频信息和非稳态特性，根据分解后的PF分量和原始振动信号计算出的稳定和信号本征的特征向量大大减少了数据的维度，从而减少模型训练时间；
2、通过构建出单层的脉冲神经网络模型作为分类器，避免了传统的ANN可解释性和仿生性的不足；
3、利用改进的Tempotron算法学习到最优的突触权重，改进的Tempotron算法不需要利用反向传播算法来学习突触权重，并且脉冲神经元模型是单层结构，能够进一步减少了模型的参数量和计算量，加快了模型训练的进程；
4、利用本发明训练好的模型进行故障诊断，最终的实验结果表明本发明提出的一种基于LMD和脉冲神经网络的轴承故障诊断算法具有较高的诊断精度。
附图说明
图1为本发明所述基于LMD和脉冲神经网络的轴承故障诊断算法流程图；
图2为本发明中脉冲神经网络模型图；
图3为本发明中训练集和验证集准确率与迭代次数关系图；
图4为本发明中正常状态下对应的输出神经元膜电压图；
图5为本发明中内圈故障状态下对应的输出神经元膜电压图；
图6为本发明中外圈故障状态下对应的输出神经元膜电压图；
图7为本发明中滚动故障状态下对应的输出神经元膜电压图；
图8为本发明中测试集混淆矩阵图。
具体实施方式
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在Matlab2017b上验证正确。下面结合附图1-8对本发明的内容进行详细阐述。
本实施例提供一种基于LMD和脉冲神经网络的轴承故障诊断方法，本发明实施例的实验数据来源于凯斯西储大学(Case Western Reserve University，CWRU)的轴承数据集，包括四种故障类别：正常、内圈故障、外圈故障和滚动体故障，其中每一类的样本数为480，数据集一共包括1920个样本。针对每个样本通过LMD算法处理得到若干个乘积函数(Product Functions，PFs)，每个样本计算出30个特征。本发明为了验证算法的有效性，随机从数据集中选择80％的样本作为训练数据，剩余的20％的样本作为测试集。本次实验验证采用Matlab2017b来实现本发明提出的基于LMD和脉冲神经网络的轴承故障诊断算法，硬件条件为Windows10,Intel Core i5-8400。本发明的方法流程图如图1所示，包括以下步骤：
步骤1.利用LMD算法将轴承振动信号x(t)分解为4个PF分量和一个残差信号，即
Figure BDA0002388449330000041
t表示时间变量，其中每个PF分量为包络信号ai(t)和纯调频信号sin(t)的乘积，i＝1,2,3,4，即PFi(t)的计算公式为PFi(t)＝ai(t)×sin(t)，r4(t)为残差信号是一个单调函数；
步骤2.将LMD算法分解得到的4个PF分量各自计算出偏度Skewness、峰度Kurtosis、峰值指标Creast Factor、波形指标Shape Factor、脉冲指标Impulse Factor和裕度指标Clearance Factor等统计学特征，再计算出原始轴承振动信号的偏度Skewness、峰度Kurtosis、峰值指标Creast Factor、波形指标Shape Factor、脉冲指标ImpulseFactor和裕度指标Clearance Factor等统计学特征，将PF分量和原始振动信号分别作为st(t＝1,2,…,T)代入到公式(1)(2)(3)(4)(5)(6)计算出PF分量与原始轴承振动信号分子对应的特征值，其中信号的长度T的值为1000，
Figure BDA0002388449330000044
和σ分别为信号的均值和标准差，表1列出了计算出来的统计学特征示例，每个样本包括30个特征，算出的特征能够表征轴承故障状态，并且减少了数据的维度，从而减少了模型的计算量；
Figure BDA0002388449330000042
Figure BDA0002388449330000043
Figure BDA0002388449330000051
Figure BDA0002388449330000052
Figure BDA0002388449330000053
Figure BDA0002388449330000054
表1计算出的统计学特征
Figure BDA0002388449330000055
步骤3.将步骤2提取出的30维统计学特征向量进行min-max归一化处理，使得特征向量数据归一化到[0-1]之间，
Figure BDA0002388449330000056
其中，
Figure BDA0002388449330000057
为第p个特征归一化后的值，xp为第p个特征，xmax为第p个特征最大值，xmin为第p个特征最小值；
步骤4.利用高斯群编码方法将归一化的统计学特征向量特征编码成SNN能够处理的脉冲时间信息，高斯群编码方法采用若干个高斯接收域将输入的数据编码到若干个脉冲神经元的点火时间上；
步骤5.构建两层结构的脉冲神经网络模型，其包括输入层和输出层，神经元模型采用LIF模型表示，确定输入层和输出层的神经元个数，输入神经元的个数为360，输出神经元的个数为故障类别数4，设计好的脉冲神经网络模型如图2所示，输入层神经元和输出层神经元之间的突触权重初始化服从均值为0.01，标准差为0.02的高斯分布；
步骤6.将编码好的脉冲序列输入到设计好的脉冲神经网络模型中，采用改进的Tempotron学习算法进行训练和调优，直至满足训练终止条件，得到脉冲神经网络模型的经过优化后的突触权重；
步骤7.对测试样本进行步骤1-4的操作，根据训练好的模型得到输出神经元的膜电压，举例如图5所示，只有神经元1的膜电压超过阈值发出脉冲，其他神经元不发出脉冲，或者神经元1的最大膜电压大于其他神经元的最大膜电压，此时输出测试样本的故障类别为正常，即根据输出神经元膜电压输出测试样本类别。
进一步的，所述步骤1的具体步骤为：
步骤1-1：找出轴承振动信号x(t)的所有局部极值点nk(k＝1,2,…)，由此计算每两个连续极值点nk和nk+1的均值mk和包络估计值ak，即mk＝(nk+nk+1)/2，ak＝(|nk-nk+1|)/2，对各离散点进行曲线拟合，得到局部均值函数m11(t)和局部包络函数a11(t)；
步骤1-2：用轴承振动信号x(t)减去局部均值函数m11(t)得到剩余信号h11(t)，即h11(t)＝x(t)-m11(t)，将剩余信号h11(t)除以a11(t)得到调频信号s11(t)，即s11(t)＝h11(t)/a11(t)；
步骤1-3：重复步骤1-2直到s1n(t)为纯调频信号，即a1n(t)＝1；s1n(t)表示第n次步骤1-2得到的调频信号。
步骤1-4：把所有包络估计函数相乘得到包络信号a1(t)，即
Figure BDA0002388449330000061
然后将a1(t)与s1n(t)相乘，得到第一个PF分量，即PF1(t)＝a1(t)×s1n(t)；
步骤1-5：从原始信号分离出第一个PF分量PF1(t)，残差信号r1(t)作为新的原始信号，重复上述步骤4次，直到r4(t)变成了单调函数，即：
Figure BDA0002388449330000062
最终LMD算法分解的结果为
Figure BDA0002388449330000063
进一步的，所述步骤4的具体步骤为：
步骤4-1.采用m个神经元进行编码，m的值设置为12，首先计算第p个特征在第q个接收域的中心
Figure BDA0002388449330000071
和宽度
Figure BDA0002388449330000072
Figure BDA00023884493300000713
Figure BDA0002388449330000073
其中，γ的值为一个超参数，γ的取值为1.5，通过计算出的
Figure BDA0002388449330000074
和
Figure BDA0002388449330000075
得到高斯函数的
Figure BDA0002388449330000076
计算公式如下：
Figure BDA0002388449330000077
步骤4-2.根据步骤4-1计算出高斯函数
Figure BDA0002388449330000078
的结果，当
Figure BDA0002388449330000079
否则代入
Figure BDA00023884493300000710
其中最大编码时间Tmax设置为100ms，即得到每一个输入神经元的脉冲时间
Figure BDA00023884493300000711
最终得出360个脉冲时间序列。
进一步的，所述步骤6的具体步骤为：
步骤6-1.令当前迭代次数epoch为1，计算出当前的输出神经元膜电压，膜电压计算公式为
Figure BDA00023884493300000712
其中Vrest为静息膜电压，设为0V，输入神经元的个数N的值为360，wl为第l个输入神经元与输出神经元之间的突触权重，tl为第l个输入神经元的发出脉冲时间，K(t-tl)为第l个输入神经元在tl时刻对输出神经元膜电压的影响，影响函数K(t-tl)的计算公式为：
K(t-tl)＝V0(exp[-(t-tl)/τm]-exp[-(t-tl)/τs]) (12)
本实施例中τm和τs分别设置为15和3.75，V0设置为2.12V。
步骤6-2.根据改进的Tempotron算法计算出突触权重改变量Δwl，权重更新的公式：
Figure BDA0002388449330000081
其中，训练过程中学习率λ设置为0.0001。tmax为膜电压V(t)达到最大值的时间，正类误分类表示样本为正类，但Vtmax＜Vthr，其中Vtmax是最大膜电压，Vthr是阈值，Vthr设为1V，负类误分类表示样本为负类，但Vtmax＞Ve，其中Ve为亚阈值，Ve设为0.7V；
步骤6-3.判断迭代次数epoch是否大于200或者分类准确率是否达到98％预期，若是则进行下一步，否则epoch＝epoch+1并返回执行步骤6-1。
图3表明随着迭代的变化，模型训练过程中训练集和测试集准确率的变化曲线，训练集和测试集准确率在开始的50个迭代周期内快速增大，经过200个迭代周期的训练，最终模型在训练集和测试集上的准确率分别达到了99.3％和99.7％。为了说明如何根据输出神经元膜电压来判断样本的类别，每类样本只选取一例来做说明，图4、5、6、7直观地展现了正常、内圈故障、外圈故障和滚动体故障的识别结果。图8为根据实验结果计算出测试集混淆矩阵，其用于查看哪些类最容易相互混淆。混淆矩阵的主对角线的数字表明测试样本预测正确的个数，非主对角线上的数字为预测错误的样本个数，结果表明在384个测试样本中，只有一个误分类样本，外圈故障与正常的样本产生了误分类。实验结果表明本发明的方法具有较高的故障识别率。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (9)

1.一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，包括：
S1、采用LMD算法将原始轴承振动信号分解为若干个的PF分量，所述PF分量为包络信号和纯调频信号的乘积；
S2、计算各PF分量的若干统计学特征，得到第一统计学特征集合，计算原始轴承振动信号的若干统计学特征，得到第二统计学特征集合；根据第一统计学特征集合与第二统计学特征集合得到该原始轴承振动信号的特征向量；
S3、对原始轴承振动信号的特征向量进行归一化处理后；
S4、将归一化后的特征向量编码为脉冲时间信息；
S5、构建脉冲神经网络模型，所述脉冲神经网络模型的输入为脉冲时间信息，输出为故障类型；
S6、重复步骤S1-S4，得到由若干脉冲时间信息组成的训练集，根据该训练集S5建立的脉冲神经网络模型进行训练，得到训练完成的脉冲神经网络模型；
S7、采用经步骤S6训练完成的脉冲神经网络模型进行轴承故障诊断。
2.根据权利要求1所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，步骤S1的分解的结果为：
Figure FDA0002388449320000011
其中，x(t)表示原始轴承振动信号，PFi(t)表示第i个PF分量，I表示最终分解得到的PF分量总数，rI(t)表示最终分解得到的残差信号，且rI(t)为单调函数。
3.根据权利要求2所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，步骤S2中第一统计学特征集合包括：PF分量的偏度、PF分量的峰度、PF分量的峰值指标、PF分量的波形指标、PF分量的脉冲指标和PF分量的裕度指标。
4.根据权利要求3所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，第一统计学特征集合包括：原始轴承振动信号的偏度、原始轴承振动信号的峰度、原始轴承振动信号的峰值指标、原始轴承振动信号的波形指标、原始轴承振动信号的脉冲指标和原始轴承振动信号的裕度指标。
5.根据权利要求4所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，步骤S3所述归一化具体为：进行min-max归一化处理，使得特征向量数据归一化到[0-1]之间。
6.根据权利要求5所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，步骤S5所述的脉冲神经网络模型包括输入层和输出层，神经元模型采用LIF模型表示，输入层的神经元个数为训练集的样本数与归一化后特征向量维度的乘积，输出层的神经元个数为故障类别数，输入层的神经元和输出层的神经元之间的突触权重初始化服从均值为μ，标准差为σ的高斯分布。
7.根据权利要求1所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，步骤S6采用改进的Tempotron学习算法进行脉冲神经网络模型的训练。
8.根据权利要求1所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，步骤S7具体为：将待诊断轴承振动信号经编码后的脉冲时间信息输入训练好的脉冲神经网络模型得到输出神经元的膜电压，根据输出神经元的膜电压得到待诊断轴承振动信号的故障类别。
9.根据权利要求8所述的一种基于LMD和脉冲神经网络的轴承故障诊断方法，其特征在于，所述根据输出神经元的膜电压得到待诊断轴承振动信号的故障类别，具体为：若某个输出神经元的膜电压超过阈值发出脉冲，而其他输出神经元的膜电压小于或等于阈值不发出脉冲，得到待诊断轴承振动信号的故障类别；
或者某个输出神经元的最大膜电压大于其他输出神经元的最大膜电压，得到待诊断轴承振动信号的故障类别。
CN202010105681.3A 2020-02-21 2020-02-21 基于lmd和脉冲神经网络的轴承故障诊断方法 Active CN111275004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105681.3A CN111275004B (zh) 2020-02-21 2020-02-21 基于lmd和脉冲神经网络的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105681.3A CN111275004B (zh) 2020-02-21 2020-02-21 基于lmd和脉冲神经网络的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111275004A true CN111275004A (zh) 2020-06-12
CN111275004B CN111275004B (zh) 2022-10-11

Family

ID=70997888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105681.3A Active CN111275004B (zh) 2020-02-21 2020-02-21 基于lmd和脉冲神经网络的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111275004B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721534A (zh) * 2020-06-18 2020-09-29 山东大学 一种滚动轴承健康状态在线评估方法及系统
CN112014108A (zh) * 2020-08-08 2020-12-01 中车长春轨道客车股份有限公司 基于lmd及改进pso优化bp神经网络的轴承故障诊断方法
CN113408612A (zh) * 2021-06-18 2021-09-17 电子科技大学 一种基于DW-Tempotron算法的图像分类方法
CN113449771A (zh) * 2021-05-20 2021-09-28 山东大学 基于人工神经网络的四象限变流器故障诊断方法及系统
CN115169417A (zh) * 2022-08-02 2022-10-11 江苏利核仪控技术有限公司 一种基于偏度最大化的滚动轴承故障特征的提取方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130013231A1 (en) * 2011-07-06 2013-01-10 Arijit Banerjee System and method for predicting mechanical failure of a motor
CN104408302A (zh) * 2014-11-19 2015-03-11 北京航空航天大学 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法
CN105548807A (zh) * 2015-12-15 2016-05-04 江苏省电力公司无锡供电公司 小电流接地系统单相故障选线方法
CN106441888A (zh) * 2016-09-07 2017-02-22 广西大学 一种高速列车滚动轴承故障诊断方法
CN106526373A (zh) * 2016-10-28 2017-03-22 国网天津市电力公司 一种基于Spiking神经网络的变压器故障状态监测方法
CN106895975A (zh) * 2017-01-17 2017-06-27 苏州大学 基于Ｓtacked　ＳＡＥ深度神经网络的轴承故障诊断方法
CN109033719A (zh) * 2018-09-12 2018-12-18 温州大学苍南研究院 一种风力涡轮机轴承故障诊断方法
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
CN109611222A (zh) * 2018-11-06 2019-04-12 重庆邮电大学 一种基于脉冲神经网络的电子节气门控制方法
US20190121344A1 (en) * 2016-05-09 2019-04-25 Strong Force Iot Portfolio 2016, Llc Systems, devices and methods for bearing analysis in an industrial environment
CN110232435A (zh) * 2019-04-30 2019-09-13 沈阳化工大学 一种自适应深度置信网络滚动轴承故障诊断方法
CN110333077A (zh) * 2019-07-08 2019-10-15 重庆大学 一种基于近似支持向量的滚动轴承故障诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130013231A1 (en) * 2011-07-06 2013-01-10 Arijit Banerjee System and method for predicting mechanical failure of a motor
CN104408302A (zh) * 2014-11-19 2015-03-11 北京航空航天大学 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法
CN105548807A (zh) * 2015-12-15 2016-05-04 江苏省电力公司无锡供电公司 小电流接地系统单相故障选线方法
US20190121344A1 (en) * 2016-05-09 2019-04-25 Strong Force Iot Portfolio 2016, Llc Systems, devices and methods for bearing analysis in an industrial environment
CN106441888A (zh) * 2016-09-07 2017-02-22 广西大学 一种高速列车滚动轴承故障诊断方法
CN106526373A (zh) * 2016-10-28 2017-03-22 国网天津市电力公司 一种基于Spiking神经网络的变压器故障状态监测方法
CN106895975A (zh) * 2017-01-17 2017-06-27 苏州大学 基于Ｓtacked　ＳＡＥ深度神经网络的轴承故障诊断方法
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
CN109033719A (zh) * 2018-09-12 2018-12-18 温州大学苍南研究院 一种风力涡轮机轴承故障诊断方法
CN109611222A (zh) * 2018-11-06 2019-04-12 重庆邮电大学 一种基于脉冲神经网络的电子节气门控制方法
CN110232435A (zh) * 2019-04-30 2019-09-13 沈阳化工大学 一种自适应深度置信网络滚动轴承故障诊断方法
CN110333077A (zh) * 2019-07-08 2019-10-15 重庆大学 一种基于近似支持向量的滚动轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAIM SOMPOLINSKY 等: "The tempotron: a neuron that learns spike timing–based decisions", 《NATURE NEUROSCIENCE》 *
QING YANG 等: "An Ensemble Motor Bearing Fault Diagnosis Approach Based on LMD Feature Extraction", 《2017 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATIONS AND COMPUTING》 *
XIAOLING LUO 等: "First Error-Based Supervised Learning Algorithm for Spiking Neural Networks", 《FRONTIERS IN NEUROSCIENCE》 *
汤芳 等: "稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用", 《机械科学与技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111721534A (zh) * 2020-06-18 2020-09-29 山东大学 一种滚动轴承健康状态在线评估方法及系统
CN112014108A (zh) * 2020-08-08 2020-12-01 中车长春轨道客车股份有限公司 基于lmd及改进pso优化bp神经网络的轴承故障诊断方法
CN113449771A (zh) * 2021-05-20 2021-09-28 山东大学 基于人工神经网络的四象限变流器故障诊断方法及系统
CN113408612A (zh) * 2021-06-18 2021-09-17 电子科技大学 一种基于DW-Tempotron算法的图像分类方法
CN113408612B (zh) * 2021-06-18 2023-04-07 电子科技大学 一种基于DW-Tempotron算法的图像分类方法
CN115169417A (zh) * 2022-08-02 2022-10-11 江苏利核仪控技术有限公司 一种基于偏度最大化的滚动轴承故障特征的提取方法
CN115169417B (zh) * 2022-08-02 2023-11-03 江苏利核仪控技术有限公司 一种基于偏度最大化的滚动轴承故障特征的提取方法

Also Published As

Publication number Publication date
CN111275004B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN111275004B (zh) 基于lmd和脉冲神经网络的轴承故障诊断方法
Qin et al. The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines
Li et al. An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction
CN113935406B (zh) 基于对抗流模型的机械设备无监督故障诊断方法
Guh et al. On-line control chart pattern detection and discrimination—a neural network approach
Spina et al. Linear circuit fault diagnosis using neuromorphic analyzers
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
CN108875771B (zh) 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法
CN112051481B (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN108875772B (zh) 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN113884290A (zh) 基于自训练半监督生成对抗网络的调压器故障诊断方法
Dorj et al. A bayesian hidden markov model-based approach for anomaly detection in electronic systems
Yan et al. Transformer fault diagnosis based on BP‐Adaboost and PNN series connection
CN114325395A (zh) 一种电池状态的确定方法及装置
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN109901064B (zh) 基于ica-lvq的高压断路器故障诊断方法
Chen et al. Real-time bearing remaining useful life estimation based on the frozen convolutional and activated memory neural network
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Pan et al. A new perspective on AE-and VAE-based process monitoring
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
Xiao et al. Health assessment for piston pump using LSTM neural network
Juesas et al. Ascertainment-adjusted parameter estimation approach to improve robustness against misspecification of health monitoring methods
El-Gamal et al. Ensembles of neural networks for fault diagnosis in analog circuits
CN109782156B (zh) 基于人工免疫诊断网络的模拟电路故障诊断方法

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
GR01 Patent grant
GR01 Patent grant