CN111337243A - 基于acgan的风电机组行星轮齿轮箱故障诊断方法 - Google Patents
基于acgan的风电机组行星轮齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN111337243A CN111337243A CN202010125041.9A CN202010125041A CN111337243A CN 111337243 A CN111337243 A CN 111337243A CN 202010125041 A CN202010125041 A CN 202010125041A CN 111337243 A CN111337243 A CN 111337243A
- Authority
- CN
- China
- Prior art keywords
- acgan
- network
- sample
- fault diagnosis
- wind turbine
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，包括以下步骤：采集行星齿轮箱的振动信号作为诊断样本；将诊断样本按照设定的比例分为训练集样本和测试集样本；将训练集样本输入到ACGAN中进行自适应训练，获取ACGAN中判别器网络和生成器网络的参数，直至ACGAN达到纳什平衡，保存训练好的ACGAN中判别器网络和生成器网络的参数；将训练好的ACGAN作为故障诊断模型，输入测试集样本，生成器网络生成逼真样本，将逼真样本加入到诊断样本中；判别器网络输出齿轮箱故障诊断结果。与现有技术相比，本发明可直接使用原始数据训练网络，并自动提取特征向量，模型识别分类的精确度高，同时有极高的泛化能力，可以有效地对风电机组行星齿轮箱进行故障诊断。
Description
技术领域
本发明涉及电力系统设备的控制、监测与诊断领域，尤其是涉及一种基于ACGAN的风电机组行星轮齿轮箱故障诊断方法。
背景技术
风能是当前最有发展前景的新能源之一，行星齿轮箱作为风力发电机重要的传动装置，它由行星轮、太阳轮、齿圈和行星架组成，可以在紧凑的空间中获得高的扭矩比。由于其振动传输路径复杂、多齿的啮合效应、信号的非平稳性以及工作背景噪声大等原因，导致其故障诊断具有自身的特点和难点，传统方法对其进行时域或频域分析很难提取有效故障信息。随着Internet技术、物联网技术的发展，数据的获取和存储更为方便，基于数据驱动的故障诊断成为一个新的发展方向。和传统方法不同，数据驱动方法无需进行物理建模，直接对获取的数据进行适当的处理和分析来提取信息特征，从而发现故障规律。
基于数据驱动的故障诊断早期由于缺乏训练数据和计算能力，要在不产生过拟合的情况下训练高性能神经网络是很困难的，近来GPU的发展，使得深度学习网络研究涌现。GAN(生成式对抗网络)是近年发展起来的深度学习网络，已经在图像识别、医学影像等领域取得了广泛的应用。在模式识别领域，GAN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，由于该方法对复杂图像的高识别率，因而得到了更为广泛的应用。
在基于数据驱动的故障诊断中，如何有效的提取数据的代表性特征，对诊断的精度起到至关重要的作用。传统神经网络作为特征提取的重要算法，已经在故障诊断领域和电力系统检测领域得到广泛的研究和应用。但是传统的浅层机器学习算法具有难以克服的缺点，如算法本身计算效率低，诊断精度难以达到要求，模型的泛化能力差等。
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ACGAN的风电机组行星轮齿轮箱故障诊断方法。
本发明的目的可以通过以下技术方案来实现：
一种基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，包括以下步骤：
S1、采集行星齿轮箱的振动信号作为诊断样本；
S2、将诊断样本按照设定的比例分为训练集样本和测试集样本；
S3、将训练集样本输入到ACGAN中进行自适应训练，获取ACGAN中判别器网络和生成器网络的参数，直至ACGAN达到纳什平衡，保存训练好的ACGAN中判别器网络和生成器网络的参数；
S4、将训练好的ACGAN作为故障诊断模型，输入测试集样本，其中：生成器网络生成逼真样本，将逼真样本加入到诊断样本中；判别器网络输出齿轮箱故障诊断结果。
进一步地，所述的步骤S3中，自适应训练的过程为：将训练集样本输入到ACGAN中，训练集样本的原始数据经过标注不同工况类型，作为判别器网络在一次迭代训练过程中的输入；一次迭代中生成器网络的输入是有标签的噪声随机值，采用高斯分布；生成器网络的输出数据与实际数据结合，成为判别器网络的下一个输入；判别器网络学习输入数据的特征，计算损失函数，得到一个梯度用于更新判别器网络和生成器网络的参数。
进一步地，所述的生成器网络接收一个随机噪声向量Z作为输入，输出与真实样本相似的伪样本，即逼真样本，同时，生成器网络的输入端为每个噪声数据指定一个类别标签C，以引导生成类条件样本，其表达式为：
Xfake＝G(C,Z)
其中，Xfake表示伪样本，C为类别标签，Z为随机噪声向量。
进一步地，所述的生成器网络包括批归一化层、2个全连接层和2个反卷积层，其中，2个全连接层分别包含1200和50个单元。
进一步地，所述的批归一化层中，对输入进行归一化后，采用可学习的参数增益γ和偏置β拟合原先的分布。
进一步地，其特征在于，所述的判别器包括修正线性单元的特殊版本层、批归一化层、3个一维卷积层和2个全连接层，同时在修正线性单元的特殊版本层、批归一化层和每个一维卷积层中加入Dropout层。
进一步地，所述的一维卷积层的计算公式为：
其中，
表示l层的第j个特征映射，
表示l-1层的第i个特征映射，M表示输入特征映射的个数，
表示可训练的卷积核，
表示偏置，*代表卷积操作，f(·)表示激活函数。
进一步地，ACGAN自适应训练采用Adam优化算法，设置学习率为0.001。
进一步地，所述的步骤S2中，训练集和测试集的比例为3：1。
与现有技术相比，本发明具有以下优点：
1、本发明设计了ACGAN(基于辅助分类器的生成对抗网络)结构，将其引入风力发电设备的故障检测中；在ACGAN中存在两个不同的网络，分别为为生成器网络和判别器网络，并且训练方式采用的是对抗训练方式；带有辅助分类器的判别器网络用于对行星齿轮箱不同工况下的数据进行特征提取，并得到分类向量进行分类；生成器网络可以学习判别器中输入数据的分布，并生成逼真的数据样本；与传统算法相比，本发明可直接使用原始数据训练网络，并自动提取特征向量，模型识别分类的精确度高，同时有极高的泛化能力，可以有效地对风电机组行星齿轮箱进行故障诊断。
2、本发明在ACGAN的判别器网络中设计了修正线性单元的特殊版本(LeakyRelu)层、批归一化层、3个一维卷积层和两个全连接层，同时每层加入Dropout层来防止过拟合现象，提高故障诊断的精度。
3、本发明在对输入进行归一化后，采用可学习的参数增益γ和偏置β拟合原先的分布，解决了只对输入进行归一化可能会改变输入本来所能表现的特性或者分布的问题；批归一化通过规范化与线性变换使得网络中每层输入数据的分布相对稳定，加速模型学习速度，并且具有一定的正则化效果。
4、ACGAN自适应训练采用Adam优化算法，依据经验设置学习率为0.001，可以降低收敛到局部最优的风险。
附图说明
图1为本实施例的流程示意图。
图2为ACGAN的结构示意图。
图3为带辅助分类器的判别器网络模型图。
图4为带辅助分类器的生成器网络模型图。
图5为齿轮箱故障模拟实验平台。
图6为故障行星轮示意图。
图7为行星齿轮箱行星轮振动波形图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种基于ACGAN的风电机组行星轮齿轮箱故障诊断方法。如图1所示，本方法的具体步骤包括：
步骤S1、采集行星齿轮箱的振动信号作为诊断样本；
步骤S2、将诊断样本按照设定的比例分为训练集样本和测试集样本；
步骤S3、将训练集样本输入到ACGAN中进行自适应训练，获取ACGAN中判别器网络和生成器网络的参数，直至ACGAN达到纳什平衡，保存训练好的ACGAN中判别器网络和生成器网络的参数；
步骤S4、将训练好的ACGAN作为故障诊断模型，输入测试集样本，其中：生成器网络生成逼真样本，将逼真样本加入到诊断样本中；判别器网络输出齿轮箱故障诊断结果。
本实施例旨在将ACGAN(辅助分类生成对抗网络)引入风电机组齿轮箱的故障诊断之中，并通过一定的方法选取最优参数，达到故障识别的高精度，提高模型的泛化能力。通过风机齿轮箱模拟装置采集振动信号数据，并利用振动信号数据训练网络，选取网络最有参数。
传统的GAN(生成对抗网络模型)包含生成器网络G和判别器网络D。判别器网络D的任务是判断给定的样本是否真实；而生成器网络G的任务是接收一个随机噪声向量Z作为输入，输出与真实样本相似的伪样本。生成器试图欺骗判别器，而判别器尽量让自己不被欺骗。经过交替优化训练，两个网络模型都能得到提升，最终达到纳什平衡。此时，生成器网络G和判别器网络D都学习到样本的分布。
而风电机组的齿轮箱工作状态有多种，需要对多种工况进行分类识别，所以引入ACGAN(辅助分类生成对抗网络)。ACGAN在生成器网络G的输入端为每个噪声数据指定一个类别标签C，以引导生成类条件样本，类条件合成能够提升生成的样本质量，并扩展损失函数。判别器网络D的输入是真实样本或生成器网络G生成的伪样本，输出是给定样本的真假性及该样本属于某个类别的概率。
ACGAN模型结构如图2所示。其中：
生成器网络G可表达为：
Xfake＝G(C,Z)
其中，Xfake表示伪样本，C为类别标签，Z为随机噪声向量。
判别器网络D中，加入一个softmax分类器给出样本X属于K个相互独立的类别的概率。
如图3所示，生成器网络G主要由2个全连接层、2个反卷积层及批归一化层(BatchNormalization)组成。输入的噪声向量Z为100，2个全连接层分别包含1200和50个单元。将大小为1200的中间层数据送入2个激活函数均是relu的全连接层，得到样本的真假性输出和类别概率输出。
如图4所示，判别器网络D中主要由3个一维卷积层、修正线性单元的特殊版本(LeakyRelu)层、批归一化层组成，同时每层加入Dropout层来防止过拟合现象，最后加入两层全连接层进行判别数据样本真伪以及数据类型分类。
假设第l层是卷积层，则一维卷积层的计算公式如下：
其中，
表示l层的第j个特征映射，
表示l-1层的第i个特征映射，M表示输入特征映射的个数，
表示可训练的卷积核，
表示偏置，*代表卷积操作。f(·)表示激活函数。
采用ReLU激活函数，ReLU激活函数表达式如下：
f(x)＝max(0,x) (2)
上述操作中，每次卷积操作移动步数为1，池化采用最大池化操作。利用BP反向传播算法训练网络。
批归一化在神经网络训练的过程中，通过计算每个批次数据的均值和标准差，将输入数据进行归一化处理，使其均值为0，标准差为1。批归一化公式如式3所示：
其中，xk表示第k维输入数据，E[x(k)]表示该维的平均值，Var[x(k)]表示标准差，
表示输出数据。
只对输入进行归一化可能会改变输入本来所能表现的特性或者分布，为了解决这个问题，可以用可学习的参数增益γ和偏置β去拟合原先的分布：
其中，γ(k)和β(k)分别为k维数据的可学习参数增益γ和偏置β，y(k)为输出的批归一化数据。批归一化通过规范化与线性变换使得网络中每层输入数据的分布相对稳定，加速模型学习速度，并且具有一定的正则化效果。
网络迭代的过程包括：1)学习生成伪样本；2)训练一次判别器；3)训练整个ACGAN。目标函数包含真实数据集的对数似然Ls和真实数据类别的对数似然Lc：
Ls＝E[log P(S＝real|Xreal)]+E[log P(S＝fake|Xfake)] (5)
Lc＝E[log P(C＝c|Xreal)]+E[log P(C＝c|Xfake)] (6)
其中，P(S＝real|Xreal)表示真实样本数据的概率分布，P(S＝fake|Xfake)表示生成虚假样本数据的概率分布，P(C＝c|Xreal)表示真实类别标签的概率分布，P(C＝c|Xfake)表示生成虚假类别标签的概率分布，真实数据集的对数似然Ls为真实样本数据与生成虚假样本数据的概率分布取对数后的数学期望之和，真实数据类别的对数似然Lc为真实类别标签与生成虚假类别标签的概率分布取对数后的数学期望之和。
上式中，训练判别器网络D阶段最大化为(Ls+Lc)，训练生成器网络G阶段最大化为(Lc-Ls)。第一步最大化判别器网络D使得D能够很好地鉴别数据，第二步最大化G的部分，提高G的性能使得D无法鉴别G生成的数据，循环往复直至达到纳什平衡。
在ACGAN中，可以使用Adam优化算法，自适应调整学习率来加速模型收敛，本文使用其默认参数，依据经验设置学习率为0.001，可以降低收敛到局部最优的风险。
具体验证方案：
如图5所示，本实施例首先建立了一个风机齿轮箱模拟平台。测试行星齿轮安装在变速箱齿轮箱内，加速度计安装在齿轮箱壳体上以测量振动信号。可以通过速度控制器来改变电动机转速，旋转频率可设定范围是0～60Hz。信号的采样频率为12kHz。故障行星齿轮如图6所示，从左往右依次为磨损、点蚀、断齿故障。行星齿轮的健康状况包括：正常、磨损、点蚀以及断齿状况。当驱动电机转速为50Hz，采集的行星轮时域波形如图7所示。
1)利用风机齿轮箱模拟平台采集数据，过程中设定电动机旋转频率分别为30Hz，40Hz和50Hz。每种转速下不同健康状况均采集900个样本，共包含9000个样本，每个样本包含1200个数据点。
2)将9000个样本随机按3:1的比例分为训练集样本和测试集样本。
3)将训练集样本输入到ACGAN中，原始数据经过标注不同工况类型，作为判别器网络D在一次迭代训练过程中的输入。一次迭代中生成器网络G输入的是有标签的噪声随机值，可以为高斯分布。生成的数据与实际数据结合，成为判别器网络D的下一个输入。判别器网络D学习输入数据的特征，计算损失函数，得到一个梯度来更新判别器网络D和生成器网络G的参数。
4)对所述ACGAN进行训练，直到所述ACGAN达到纳什平衡，保存训练好的ACGAN中的生成器网络G和判别器网络D的参数。
5)将训练好的生成器网络G和判别器网络D作为ACGAN诊断模型，判别器网络D输出齿轮箱故障诊断结果，生成器网络G生成逼真样本，可以再加入到诊断样本中，提高模型的泛化能力。
为了排除实验的随机性，本实施例分别进行了6组实验，结果如表1所示。最终得到训练集平均精度为98.79％，测试集平均精度为97.94％。
表1网络模型故障诊断准确度
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，包括以下步骤：
S1、采集行星齿轮箱的振动信号作为诊断样本；
S2、将诊断样本按照设定的比例分为训练集样本和测试集样本；
S3、将训练集样本输入到ACGAN中进行自适应训练，获取ACGAN中判别器网络和生成器网络的参数，直至ACGAN达到纳什平衡，保存训练好的ACGAN中判别器网络和生成器网络的参数；
S4、将训练好的ACGAN作为故障诊断模型，输入测试集样本，其中：生成器网络生成逼真样本，将逼真样本加入到诊断样本中；判别器网络输出齿轮箱故障诊断结果。
2.根据权利要求1所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的步骤S3中，自适应训练的过程为：将训练集样本输入到ACGAN中，训练集样本的原始数据经过标注不同工况类型，作为判别器网络在一次迭代训练过程中的输入；一次迭代中生成器网络的输入是有标签的噪声随机值，采用高斯分布；生成器网络的输出数据与实际数据结合，成为判别器网络的下一个输入；判别器网络学习输入数据的特征，计算损失函数，得到一个梯度用于更新判别器网络和生成器网络的参数。
3.根据权利要求1所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的生成器网络接收一个随机噪声向量Z作为输入，输出与真实样本相似的伪样本，即逼真样本，同时，生成器网络的输入端为每个噪声数据指定一个类别标签C，以引导生成类条件样本，其表达式为：
Xfake＝G(C,Z)
其中，Xfake表示伪样本，C为类别标签，Z为随机噪声向量。
4.根据权利要求1所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的生成器网络包括批归一化层、2个全连接层和2个反卷积层，其中，2个全连接层分别包含1200和50个单元。
5.根据权利要求4所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的批归一化层中，对输入进行归一化后，采用可学习的参数增益γ和偏置β拟合原先的分布。
6.根据权利要求1所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的判别器包括修正线性单元的特殊版本层、批归一化层、3个一维卷积层和2个全连接层，同时在修正线性单元的特殊版本层、批归一化层和每个一维卷积层中加入Dropout层。
7.根据权利要求6所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的一维卷积层的计算公式为：
其中，
表示l层的第j个特征映射，
表示l-1层的第i个特征映射，M表示输入特征映射的个数，
表示可训练的卷积核，
表示偏置，*代表卷积操作，f(·)表示激活函数。
8.根据权利要求1所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，ACGAN自适应训练采用Adam优化算法，设置学习率为0.001。
9.根据权利要求1所述的基于ACGAN的风电机组行星轮齿轮箱故障诊断方法，其特征在于，所述的步骤S2中，训练集和测试集的比例为3：1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010125041.9A CN111337243B (zh) | 2020-02-27 | 2020-02-27 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010125041.9A CN111337243B (zh) | 2020-02-27 | 2020-02-27 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111337243A true CN111337243A (zh) | 2020-06-26 |
| CN111337243B CN111337243B (zh) | 2022-04-01 |
Family
ID=71181857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010125041.9A Active CN111337243B (zh) | 2020-02-27 | 2020-02-27 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337243B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111982268A (zh) * | 2020-08-24 | 2020-11-24 | 南通理工学院 | 一种齿轮箱便携式振动监测装置及其监测方法 |
| CN112179691A (zh) * | 2020-09-04 | 2021-01-05 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 |
| CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 |
| CN112308038A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 |
| CN112380767A (zh) * | 2020-11-11 | 2021-02-19 | 山东大学 | 基于改进型生成对抗网络的设备故障诊断方法及系统 |
| CN112629851A (zh) * | 2020-12-11 | 2021-04-09 | 南方海上风电联合开发有限公司 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
| CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
| CN113406437A (zh) * | 2021-06-21 | 2021-09-17 | 西南交通大学 | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 |
| CN113435258A (zh) * | 2021-06-06 | 2021-09-24 | 西安电子科技大学 | 转子系统异常智能检测方法、系统、计算机设备、终端 |
| CN113486931A (zh) * | 2021-06-21 | 2021-10-08 | 南京航空航天大学 | 一种基于pda-wgangp的滚动轴承增强诊断方法 |
| CN113537010A (zh) * | 2021-07-05 | 2021-10-22 | 华北电力大学（保定） | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 |
| CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
| CN114419360A (zh) * | 2021-11-23 | 2022-04-29 | 东北电力大学 | 一种光伏板红外热图像分类及热斑定位方法 |
| CN114818904A (zh) * | 2022-04-21 | 2022-07-29 | 桂林电子科技大学 | 基于Stack-GANs模型的风机故障检测方法及存储介质 |
| CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214103A (zh) * | 2018-09-25 | 2019-01-15 | 重庆青山工业有限责任公司 | 基于边界约束生成对抗网络的齿轮可靠性分析系统 |
| CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
| CN109753998A (zh) * | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
| CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
-
2020
- 2020-02-27 CN CN202010125041.9A patent/CN111337243B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214103A (zh) * | 2018-09-25 | 2019-01-15 | 重庆青山工业有限责任公司 | 基于边界约束生成对抗网络的齿轮可靠性分析系统 |
| CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
| CN109753998A (zh) * | 2018-12-20 | 2019-05-14 | 山东科技大学 | 基于对抗式生成网络的故障检测方法及系统、计算机程序 |
| CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 傅宏辉 等: ""基于ACGAN的功率变换器参数性故障诊断方法"", 《机械制造与自动化》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111982268A (zh) * | 2020-08-24 | 2020-11-24 | 南通理工学院 | 一种齿轮箱便携式振动监测装置及其监测方法 |
| CN112179691A (zh) * | 2020-09-04 | 2021-01-05 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 |
| CN112179691B (zh) * | 2020-09-04 | 2021-07-13 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 |
| CN112232129A (zh) * | 2020-09-17 | 2021-01-15 | 厦门熙重电子科技有限公司 | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 |
| CN112380767A (zh) * | 2020-11-11 | 2021-02-19 | 山东大学 | 基于改进型生成对抗网络的设备故障诊断方法及系统 |
| CN112380767B (zh) * | 2020-11-11 | 2023-04-07 | 山东大学 | 基于改进型生成对抗网络的设备故障诊断方法及系统 |
| CN112308038A (zh) * | 2020-11-25 | 2021-02-02 | 哈尔滨工业大学 | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 |
| CN112629851A (zh) * | 2020-12-11 | 2021-04-09 | 南方海上风电联合开发有限公司 | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 |
| CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
| CN113435258B (zh) * | 2021-06-06 | 2024-04-23 | 西安电子科技大学 | 转子系统异常智能检测方法、系统、计算机设备、终端 |
| CN113435258A (zh) * | 2021-06-06 | 2021-09-24 | 西安电子科技大学 | 转子系统异常智能检测方法、系统、计算机设备、终端 |
| CN113406437B (zh) * | 2021-06-21 | 2022-03-08 | 西南交通大学 | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 |
| CN113486931A (zh) * | 2021-06-21 | 2021-10-08 | 南京航空航天大学 | 一种基于pda-wgangp的滚动轴承增强诊断方法 |
| CN113486931B (zh) * | 2021-06-21 | 2023-05-26 | 南京航空航天大学 | 一种基于pda-wgangp的滚动轴承增强诊断方法 |
| CN113406437A (zh) * | 2021-06-21 | 2021-09-17 | 西南交通大学 | 一种基于辅助分类生成对抗网络的输电线路故障检测方法 |
| CN113537010A (zh) * | 2021-07-05 | 2021-10-22 | 华北电力大学（保定） | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 |
| CN113537010B (zh) * | 2021-07-05 | 2023-09-01 | 华北电力大学（保定） | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 |
| CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
| CN114298267B (zh) * | 2021-10-13 | 2024-07-09 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
| CN114419360A (zh) * | 2021-11-23 | 2022-04-29 | 东北电力大学 | 一种光伏板红外热图像分类及热斑定位方法 |
| US11631237B1 (en) | 2021-11-23 | 2023-04-18 | Northeast Electric Power University | Infrared thermal image classification and hot spot positioning method of photovoltaic panel |
| CN114818904A (zh) * | 2022-04-21 | 2022-07-29 | 桂林电子科技大学 | 基于Stack-GANs模型的风机故障检测方法及存储介质 |
| CN114818904B (zh) * | 2022-04-21 | 2024-03-15 | 桂林电子科技大学 | 基于Stack-GANs模型的风机故障检测方法及存储介质 |
| CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111337243B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337243B (zh) | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 | |
| Zhao et al. | Deep residual shrinkage networks for fault diagnosis | |
| Xu et al. | Online fault diagnosis method based on transfer convolutional neural networks | |
| Zhang et al. | A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels | |
| CN110823574B (zh) | 一种基于半监督学习深度对抗网络的故障诊断方法 | |
| Liu et al. | Data synthesis using deep feature enhanced generative adversarial networks for rolling bearing imbalanced fault diagnosis | |
| Jin et al. | An adaptive anti-noise neural network for bearing fault diagnosis under noise and varying load conditions | |
| Wang et al. | Generalization of deep neural networks for imbalanced fault classification of machinery using generative adversarial networks | |
| CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN113884290B (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 | |
| CN113033309A (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
| Huang et al. | Residual gated dynamic sparse network for gearbox fault diagnosis using multisensor data | |
| Chen et al. | Imbalance fault diagnosis under long-tailed distribution: Challenges, solutions and prospects | |
| CN109029974A (zh) | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 | |
| CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| CN112577736A (zh) | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 | |
| Si et al. | Learn generalized features via multi-source domain adaptation: Intelligent diagnosis under variable/constant machine conditions | |
| CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
| CN113808180A (zh) | 一种异源图像配准方法、系统及装置 | |
| Feng et al. | A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network | |
| Jin et al. | Defect identification of adhesive structure based on DCGAN and YOLOv5 | |
| CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
| Tang et al. | A novel lightweight relation network for cross-domain few-shot fault diagnosis | |
| CN114626461A (zh) | 基于领域自适应的跨域目标检测方法 |
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 |