CN111397902B - 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 - Google Patents
一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111397902B CN111397902B CN202010204597.7A CN202010204597A CN111397902B CN 111397902 B CN111397902 B CN 111397902B CN 202010204597 A CN202010204597 A CN 202010204597A CN 111397902 B CN111397902 B CN 111397902B
- Authority
- CN
- China
- Prior art keywords
- samples
- network
- feature
- layer
- sample
- 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
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
本申请公开了一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法,包括以下步骤:(1)获取滚动轴承多种健康状态下的加速度信号,将信号制作成等长样本并给定健康状态标签;(2)将样本划分为训练集和测试集,并以各类别权重平衡原则为训练集中的所有样本设定样本权重;(3)搭建特征对齐卷积神经网络,包括:特征对齐结构,特征映射层以及分类器,所述特征对齐结构包括单步多尺度卷积层和整周期最大池化层;(4)使用训练集中的样本对构建的网络进行加权训练,使用选优策略获取训练好的模型;(5)将测试集样本输入训练好的网络,得到诊断结果。本发明采用特征对齐结构,可以使网络模型学习到更加鲁棒的特征,从而提高模型的泛化性能。
Description
技术领域
本发明属于机械制造技术领域,涉及一种机械故障诊断技术,具体涉及一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法。
背景技术
滚动轴承是现代工业机械设备中使用最广泛的机械部件之一,由于其通常作为各类旋转机械的支撑件存在,因此它对整个机械设备的运行状态有十分重要的影响。滚动轴承的使用寿命分布往往具有很大离散性,其故障的发生时刻难以预测,因此,对轴承进行实时状态监测以及故障诊断对保证机械设备的高效运行有着重要意义。
随着计算机和传感器技术的发展,工业领域采集到的数据呈爆炸式的增长,由于机器学习方法能有效地从大数据中挖掘到有价值的信息,基于机器学习的智能诊断方法受到广泛关注。智能诊断方法通过从数据中学习相关的诊断知识进行轴承的状态监测和故障诊断,不需要建立复杂的振动响应模型,大大降低了机械设备维护的难度。
卷积神经网络具有很强的局部特征提取的能力,在图像和语音识别领域应用广泛。当滚动轴承发生局部故障时,通常会在振动信号上出现周期性的冲击,卷积神经网络非常适合用于捕捉这些冲击特征,许多研究者将卷积神经网络用于轴承的故障诊断并取得了非常好的效果。由于卷积神经网络对输入具有一定的平移不变性,目前基于卷积神经网络的智能诊断模型都不考虑样本的相位差异。然而,有研究表明,输入的微小平移可以造成卷积神经网络分类准确率的断崖式下降,因为网络只对一定程度内的平移具有不变性。在某些情况下,网络从平移后的样本中提到的特征会完全失真。因此,有必要提出一种对输入样本的平移不敏感的诊断方法。
发明内容
为解决现有技术存在的上述问题,本申请设计一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法,使用一种改进的卷积神经网络结构,使网络从平移的样本中学习到相同的特征,并使得这些特征在位置上对齐,从而提高模型的诊断准确性和泛化性能。
为实现上述目的,本申请提出了一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法,所述方法包括步骤如下:
(1)获取滚动轴承多种健康状态下的加速度信号,将信号制作成等长样本并给定健康状态标签;
(2)将样本划分为训练集和测试集,并以各类别权重平衡原则为训练集中的所有样本设定样本权重;
(3)搭建特征对齐卷积神经网络,包括:特征对齐结构,特征映射层以及分类器,所述特征对齐结构包括单步多尺度卷积层和整周期最大池化层,所述单步多尺度卷积层从样本中提取多样且与输入平移等变的特征,所述整周期最大池化层对不同样本间错位的特征进行位置无关化;
(4)使用训练集中的样本对构建的网络进行加权训练,使用选优策略获取训练好的模型;
(5)将测试集样本输入训练好的网络,得到诊断结果。
优选地,在步骤(1)中,多种健康状态指正常与多种故障状态;
所述将信号制作成等长样本并给定健康状态标签,具体为:以设定的重叠率对信号进行等长滑窗取样,使用one-hot编码方式对轴承健康状态进行编码,并为样本设置健康状态标签。
优选地,步骤(2)中,为训练集中的所有样本设定样本权重,为训练集中的所有样本设定样本权重,具体设定过程为:
设正常样本个数为a,各类故障样本个数为b1,b2,…,bc,其中c为故障类别数,单个正常样本和故障样本的权值计算公式分别如下:
其中,wnormal为单个正常样本的权值,wfault,i表示第i类故障单个样本的权值,i=1,2,...,c。
优选地,步骤(3)中所述特征对齐结构中的单步多尺度卷积层和整周期最大池化层分别有1个,所述特征对齐结构还包括1个多周期平均池化层和1个自适应通道池化层,
所述多周期平均池化层用于消除单个异常特征的影响,所述自适应通道池化层将多个卷积核提取的多特征进行融合,加强模型的表达能力。
优选地,所述单步多尺度卷积层的卷积步长为1,卷积核尺寸包括多种,填充方式使用“same padding”。
优选地,多周期平均池化层的池化步长设定为整周期最大池化层输出特征向量的长度,池化方式使用“valid padding”,本层输出的特征向量长度为1。
优选地,自适应通道池化层的池化的方式是,对多周期平均池化层输出的多通道上的单个特征进行线性组合相加,每个特征的组合系数由模型的学习得到。
优选地,在步骤(4)中,从训练集中随机选择预设比例的样本作为验证集,使用“early stopping”策略进行网络选优,当网络训练次数达到预设值或者网络在验证集上的损失在一定次数内未降低,则停止训练。
本发明所述的基于特征对齐卷积神经网络的滚动轴承故障诊断方法,与现有的技术相比具有如下有益效果:
1.本发明提出的特征对齐结构,使用单步多尺度卷积方案,一方面使网络能以不同感受野观察信号,提升了特征的多样性;另一方面保证了输入输出的平移等变性,防止因输入平移导致的输出失真。
2.本发明提出的特征对齐结构,使用整周期最大池化和多周期平均池化方案,充分利用周期信号的特点,先从信号的每一个周期选出一个特征值,实现特征位置的对齐,然后对多个周期的特征值平均,消除特征的偶发波动带来的干扰。上述结构中每一个卷积核仅获取样本中的一个特征,而丢弃周期信号中的冗余信息,使特征更加鲁棒。
3.本发明提出的训练策略,充分利用到原始转速下的故障样本。为了保证模型训练时各类别权重平衡,为每一个训练样本设定一个训练权值,而不用规定每类样本数量相等,因此可以极大化利用现有的样本,提高样本丰富度,有助于模型分类性能的提升。
4、以信号整个旋转周期长度作为特征选择区域,消除样本平移导致的特征错位,使特征对齐卷积神经网络学习到更加鲁棒的特征,从而提高泛化性能。
附图说明
图1是本发明方法的算法流程图;
图2是本发明实施例中基于特征对齐卷积神经网络原理示意图;
图3是本发明单步长卷积层中单步长的作用示意图;
图4是本发明单步长卷积层中多尺度卷积核的作用示意图;
图5是本发明中整周期最大池化的原理示意图;
图6是本发明实施例中工况变化对两种模型特征的影响结果;
图7是本发明实施例中样本平移对两种模型特征的影响结果。
具体实施方式
下面结合附图和具体实施步骤对本发明进行详细说明。
如图1所示为一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法的流程图,该方法的具体实施步骤如下:
(1)获取滚动轴承多种健康状态下的加速度信号,将信号制作成等长样本并给定健康状态标签;
(2)将样本划分为训练集和测试集,并以各类别权重平衡原则为训练集中的所有样本设定样本权重;
(3)搭建特征对齐卷积神经网络,包括:特征对齐结构,特征映射层以及分类器,所述特征对齐结构包括单步多尺度卷积层和整周期最大池化层,所述单步多尺度卷积层从样本中提取多样且与输入平移等变的特征,所述整周期最大池化层对不同样本间错位的特征进行位置无关化;
(4)使用训练集中的样本对构建的网络进行加权训练,使用选优策略获取训练好的模型;
(5)将测试集样本输入训练好的网络,得到诊断结果。
具体而言,在步骤(1)中,多种健康状态指正常与多种故障状态;将信号制作成等长样本并给定健康状态标签的具体过程为:以0.9的重叠率对信号滑窗取样,并使用one-hot编码方式为样本设定健康状态标签。
具体而言,在步骤(2)中,为训练集中的所有样本设定样本权重,使得每个类别的总权重相等。样本权重的设定过程如下:设正常样本个数为a,各类故障样本个数为b1,b2,…,bc,其中c为故障类别数,单个正常样本和故障样本的权值计算公式分别如下:
其中,wnormal为单个正常样本的权值,wfault,i表示第i类故障单个样本的权值,i=1,2,...,c。
具体而言,步骤(3)中所述特征对齐结构中的单步多尺度卷积层和整周期最大池化层分别有1个,特征对齐结构还包括1个多周期平均池化层和1个自适应通道池化层,多周期平均池化层用于消除单个异常特征的影响,所述自适应通道池化层将多个卷积核提取的多特征进行融合以加强模型的表达能力。
具体而言,在步骤(4)中,从训练集中随机选择30%的样本作为验证集,使用“early stopping”策略进行网络选优,当网络训练次数达到预设值或者网络在验证集上的损失在一定次数内未降低,则停止训练。
训练集的样本在经过特征对齐结构后可以得到对平移不敏感的融合特征,之后在特征映射层的作用下,这些融合特征被映射至更有利于分类的特征空间,使用全连接层与Softmax函数的组合作为分类器对新空间内的特征进行分类,针对每个样本输出预测健康状态标签。取训练样本预测标签与真实标签的交叉熵作为网络的分类误差,使用误差反向传播算法更新网络可训练参数,循环执行训练样本分类以及网络参数更新的过程。在每次更新网络参数之前,同时计算网络对验证集的分类误差,当网络在连续2次更新过程中验证集的分类误差未发生下降,或者网络的迭代次数达到预设值500次时停止网络训练,保存网络模型。
图2为本发明所用的网络原理示意图,网络的输入是长度为N的单通道样本,单步多尺度卷积层使用M个尺寸不一的卷积核对输入进行步长为1,填充为“same padding”的卷积操作,输出M个通道的长度为N的特征向量;整周期最大池化层对卷积层输出的特征向量进行长度和步长均为轴承旋转周期长的池化,将样本的长度压缩至n,通道数仍未M;多周期平均池化层对整周期最大池化输出进行样本长度方向的平均,输出长度为1,通道数为M的特征向量;自适应通道池化层使用L个长度为1的卷积核对多周期平均池化层输出进行通道间的自适应池化,输出长度为1,通道数为L的特征向量;使用特征映射层将特征映射至K维的特征空间,其中特征映射层可以选用任何可以进行非线性映射的网络层;使用全连接层与Softmax函数组合作为分类器将K维特征转换为C个分类类别概率,概率最大者即为网络预测的类别。图中特征对齐结构的最大特点是单个样本的特征向量长度为1,但是通道数较多,特征对齐结构仅关心样本中是否有某些特征,但是并不关心这些特征在样本中出现的位置。
具体而言,步骤(3)所述的特征对齐结构,单步多尺度卷积层中,卷积步长为1,卷积核尺寸包括多种,卷积方式使用“same padding”。
图3为本发明单步长卷积层中单步长的作用示意图,当卷积步长为1时,卷积输出与输入具有平移等变性,即输入平移对应输出相同尺度的平移,当卷积步长为2时,输入平移尺寸1后新的输出与原来输出不再一致,即输入的平移在一定情况下导致了特征的失真。因此,步长为1的卷积核可以保证相同的样本取到相同的特征。
图4为本发明单步长卷积层中多尺度卷积核的作用示意图,图中l1、l2分别代表卷积核的尺寸大小,两个不同尺寸的卷积核①和②对样本具有不同感受野,可以从样本中提取到更加多样化的特征。
具体而言,步骤(3)的特征对齐结构中,整周期最大池化层的池化窗长度和步长均为取值时向上取整,池化方式使用“valid padding”。其中,fs为信号采样频率,n为样本对应的轴承转速,单位为rpm。
图5为本发明整周期最大池化的原理示意图,两个输入特征向量之间存在一定的位置差异,其中随轴承旋转而周期出现的显著特征(即特征值最大处,图中以深色标记)没有对齐。假设输入的周期长度为8,当使用长度为2的、步长为2的池化窗进行最大池化时,输出的特征向量仍然存在位置差异。而当使用长度和步长均为旋转周期长的池化窗进行最大池化时,输出的特征向量已经不存在位置差异了。
具体而言,步骤(3)中,多周期平均池化层的池化步长设定为整周期最大池化层输出特征向量的长度,池化方式使用“valid padding”,本层输出的特征向量长度为1。
具体而言,步骤(3)中,自适应通道池化的方式是,对多周期平均池化层输出的多通道上的单个特征进行线性组合相加,每个特征的组合系数由网络训练过程学习得到。
实验案例
为了验证本发明所提方法的有效性,以某轴承数据集进行故障识别实验。
1.实验数据
实验数据中包括不同工况下和不同轴承状态下的加速度信号,实验工况包括4组:
工况A:载荷0hp,转速1797rpm
工况B:载荷1hp,转速1772rpm
工况C:载荷2hp,转速1750rpm
工况D:载荷3hp,转速1730rpm
轴承健康状态类型包括正常、内圈故障7mils、内圈故障14mils、内圈故障21mils、外圈故障7mils、外圈故障14mils、外圈故障21mils、滚动体故障7mils、滚动体故障14mils和滚动体故障21mils共10种,采样频率为12kHz。
设定样本长度为2048,重叠率为0.9进行样本提取,选择正常、7mils的所有故障和14mils的所有故障共7种轴承状态的数据进行诊断实验。
分别从单工况诊断和跨工况诊断性能进行对比,单工况诊断即网络的训练和测试均针对同一个工况下的数据,跨工况诊断即使用某一个工况下(后称原始工况)的数据进行网络训练,使用另一个工况(后称目标工况)的数据进行网络测试。
实验分组如表1所示,其中,实验组1、6、11和16为单工况诊断,其他12组为跨工况诊断。
表1.轴承故障诊断实验分组
组别 | 原始工况 | 目标工况 |
1 | A | A |
2 | A | B |
3 | A | C |
4 | A | D |
5 | B | A |
6 | B | B |
7 | B | C |
8 | B | D |
9 | C | A |
10 | C | B |
11 | C | C |
12 | C | D |
13 | D | A |
14 | D | B |
15 | D | C |
16 | D | D |
2.网络训练
为验证特征对齐网络(后称对齐网络)的诊断性能,以普通的卷积神经网络(后称原始网络)同时进行实验。本案例中使用全连接层作为原始网络和对齐网络的特征映射层,为了满足全连接层对输入数据尺寸的要求,在其之前添加一个Flatten层,将自适应通道池化层的二维输出特征向量按通道展开为一维特征集。此外,为了便于对比特征对齐结构对诊断效果的影响,使对齐网络与原始网络仅特征对齐结构处不一致,其他结构均相同,做出以下限定:
(1)在原始网络中,用1卷积层、1个池化层、1个批归一化层和1个1×1卷积层代替特征对齐结构(即对齐网络Flatten层之前的结构);
(2)在原始网络中,卷积核个数与对齐网络中一致,卷积核尺寸取对齐网络卷积核尺寸的平均值;
(3)原始网络与对齐网络的Flatten层操作后输出特征数量相等;
以第1组实验为例,对齐网络的结构如表2所示。
表2.第1组实验特征对齐模型结构
在表2中,单步多尺度卷积层卷积核尺寸范围为[9,81],每隔8取一个数作为卷积核尺寸,因此有10种不同的尺寸;每个尺寸包括10个卷积核,因此共有100个卷积核。
3.实验结果与分析
当卷积神经网络接受了存在错位的样本时,其卷积核提取到的局部特征也存在错位,如果强制使错位的特征映射至同一个标签,那么反向传播过程会削弱这些特征的重要性,而促使网络学习位置无关的特征。对于本身就存在相位偏差的信号样本,位置无关的要求反而会弱化特征的有效性,表现为特征在同类样本中不稳定,且模型泛化能力差。因此,分别从模型的诊断和泛化性能以及特征的稳定性两方面对比前述两模型的效果。
(1)诊断和泛化性能分析
以目标转速下诊断准确率为模型诊断性能的评价指标,重复5次实验取平均值。实验结果如表2所示,每组实验的加粗数字为该组最高的诊断准确率值。
表3.轴承故障诊断实验结果(%)
组别 | 原始网络 | 对齐网络 |
1 | 100.00 | 100.00 |
2 | 95.36 | 97.34 |
3 | 93.77 | 94.70 |
4 | 86.97 | 92.89 |
5 | 96.83 | 99.61 |
6 | 100.00 | 100.00 |
7 | 99.62 | 100.00 |
8 | 95.30 | 99.39 |
9 | 98.98 | 99.59 |
10 | 99.79 | 100.00 |
11 | 100.00 | 100.00 |
12 | 98.39 | 99.79 |
13 | 94.71 | 99.43 |
14 | 90.61 | 99.54 |
15 | 96.26 | 100.00 |
16 | 100.00 | 100.00 |
平均 | 96.66 | 98.89 |
从表3中可以看出,在4组单工况诊断任务中,原始网络和对齐网络均能达到100%的诊断准确率,说明两个模型都有一定的特征学习和分类能力;在12组跨工况诊断任务中,两个模型的整体平均准确率都高于95%,说明两个模型都具有较为优秀的工况泛化能力,但是对齐网络在每一组实验中均有更好的表现,说明特征对齐结构有助于提高网络的工况泛化能力。
(2)特征对齐能力分析
以Flatten层的输出(63维)作为特征的表示,分别从两个方面讨论特征对对齐性能:特征对工况变化的稳定性以及特征对样本平移的稳定性。
①对工况变化的稳定性
以工况A样本进行训练,针对每类轴承状态,从A、B、C和D工况下各取1个样本,获取它们从Flatten的输出。其中,内圈故障7mils的特征如图6所示。
从图6中可以看出,原始模型从4种工况种提取的特征稳定性较差,而对齐模型的特征较为稳定。分别考察其他6类样本的特征,也可得出同样的结论。
②对样本平移的稳定性
取实验组1的结果进行分析,两模型均在工况A训练和测试,且测试准确率都达到了100%。从测试集中每类取4个样本(因滑窗取样而存在相位偏差),并获取每类样本在两模型Flatten层的输出。其中,内圈故障14mils的特征如图7所示。
从图7中可以看出,原始模型提取的特征在同类的不同样本之间波动较大,而对齐模型的特征具有较好的稳定性。分别考察其他6类样本的特征,也可得出同样的结论。
因此,本实施例提供的滚动轴承故障诊断方法能够有效提高诊断准确性和工况泛化性能。
最后需要说明的是,上述实施方式只是对本发明一个优选实施例所作的描述,并非对本发明保护范围进行的限定,在不脱离本发明设计精神的前提下,本领域技术人员对本发明的技术方案做出的各种等效的变化、修饰和改进,均应包括在本发明申请专利范围内。
Claims (5)
1.基于特征对齐卷积神经网络的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
(1)获取滚动轴承多种健康状态下的加速度信号,将信号制作成等长样本并给定健康状态标签;
(2)将样本划分为训练集和测试集,并以各类别权重平衡原则为训练集中的所有样本设定样本权重;
(3)搭建特征对齐卷积神经网络,包括:特征对齐结构,特征映射层以及分类器,所述特征对齐结构包括以下网络层:
a.单步多尺度卷积层:卷积步长为1,卷积核尺寸包括多种,输入填充方式使用“samepadding”;
c.多周期平均池化层:池化步长设定为整周期最大池化层输出特征向量的长度,池化方式使用“valid padding”,本层输出的特征向量长度为1;
d.自适应通道池化层:其池化的方式是,对多周期平均池化层输出的多通道上的单个特征进行线性组合相加,每个特征的组合系数由模型的学习得到;
(4)使用训练集中的样本对构建的网络进行加权训练,使用选优策略获取训练好的模型;
(5)将测试集样本输入训练好的网络,得到诊断结果。
2.根据权利要求1所述的基于特征对齐卷积神经网络的滚动轴承故障诊断方法,其特征在于,步骤(1)中,所述多种健康状态指正常与多种故障状态;
所述将信号制作成等长样本并给定健康状态标签,具体为:以设定的重叠率对信号进行等长滑窗取样,使用one-hot编码方式对轴承健康状态进行编码,并为样本设置健康状态标签。
4.根据权利要求1所述的基于特征对齐卷积神经网络的滚动轴承故障诊断方法,其特征在于,步骤(3)中所述特征对齐结构中的单步多尺度卷积层和整周期最大池化层分别有1个,所述特征对齐结构还包括1个多周期平均池化层和1个自适应通道池化层,所述单步多尺度卷积层用于从样本中提取多样且与输入平移等变的特征,所述整周期最大池化层用于对不同样本间错位的特征进行位置无关化,所述多周期平均池化层用于消除单个异常特征的影响,所述自适应通道池化层将多个卷积核提取的多特征进行融合。
5.根据权利要求1所述的基于特征对齐卷积神经网络的滚动轴承故障诊断方法,其特征在于:所述步骤(4)中,从训练集中随机选择预设比例的样本作为验证集,使用“earlystopping”策略进行网络选优,当网络训练次数达到预设值或者网络在验证集上的损失在一定次数内未降低,则停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010204597.7A CN111397902B (zh) | 2020-03-22 | 2020-03-22 | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010204597.7A CN111397902B (zh) | 2020-03-22 | 2020-03-22 | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111397902A CN111397902A (zh) | 2020-07-10 |
CN111397902B true CN111397902B (zh) | 2021-10-26 |
Family
ID=71429099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010204597.7A Active CN111397902B (zh) | 2020-03-22 | 2020-03-22 | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111397902B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091553A (zh) * | 2020-08-06 | 2022-02-25 | 长沙理工大学 | 一种滚动轴承故障的诊断方法 |
CN111964908B (zh) * | 2020-08-17 | 2022-03-04 | 天津大学 | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 |
CN112231137B (zh) * | 2020-12-14 | 2021-03-30 | 广东睿江云计算股份有限公司 | 一种分布式存储数据的重平衡方法及其系统 |
CN112597705B (zh) * | 2020-12-28 | 2022-05-24 | 哈尔滨工业大学 | 一种基于scvnn的多特征健康因子融合方法 |
CN112990259B (zh) * | 2021-02-04 | 2023-12-26 | 西交利物浦大学 | 基于改进迁移学习的旋转机械轴承的早期故障诊断方法 |
CN113324754B (zh) * | 2021-05-27 | 2022-05-06 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
CN113720605B (zh) * | 2021-07-26 | 2022-05-20 | 中国中材国际工程股份有限公司 | 一种基于机器学习的水泥生产旋转设备故障诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
US11899774B2 (en) * | 2018-03-01 | 2024-02-13 | Infotoo International Limited | Method and apparatus for determining authenticity of an information bearing device |
CN109858352B (zh) * | 2018-12-26 | 2020-09-18 | 华中科技大学 | 一种基于压缩感知与改进多尺度网络的故障诊断方法 |
CN109902399B (zh) * | 2019-03-01 | 2022-07-19 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110595775B (zh) * | 2019-09-19 | 2021-03-30 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN110579354B (zh) * | 2019-10-16 | 2020-11-06 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
-
2020
- 2020-03-22 CN CN202010204597.7A patent/CN111397902B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111397902A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
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 | |
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 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN106555788B (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
CN106895975A (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN115046766A (zh) | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 | |
CN115204272A (zh) | 基于多采样率数据的工业系统故障诊断方法与设备 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
US20240184678A1 (en) | Deep Learning Method Integrating Prior Knowledge for Fault Diagnosis |
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 |