CN111539381A - 风力发电机轴承故障分类诊断模型的构建方法 - Google Patents
风力发电机轴承故障分类诊断模型的构建方法 Download PDFInfo
- Publication number
- CN111539381A CN111539381A CN202010416866.6A CN202010416866A CN111539381A CN 111539381 A CN111539381 A CN 111539381A CN 202010416866 A CN202010416866 A CN 202010416866A CN 111539381 A CN111539381 A CN 111539381A
- Authority
- CN
- China
- Prior art keywords
- fault type
- data
- classification
- training
- fault
- 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
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
- G06F2218/12—Classification; Matching
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电机轴承故障分类诊断模型的构建方法,具体风力发电机轴承故障分类诊断模型的构建方法。本发明的目的在于使用低成本传感器数据驱动的机器学习与深度学习融合的机制,来提供一种风力发电机轴承故障分类诊断模型的构建方法。为风力发电机轴承健康监测提供了一种自底向上解决方案新范式,可用于实时正常状态监测或失效后故障检测。该方法由如下步骤实现:步骤1、预置轴承故障类型及数量,步骤2、原始信号采集与预处理,步骤3、提取特征建立机器学习分类器,步骤4、通过深度学习网络建立深度学习分类器,步骤5、验证融合模型分类结果。
Description
技术领域
本发明涉及电机轴承故障分类诊断模型的构建方法,具体为风力发电机轴承故障分类诊断模型的构建方法。
背景技术
随着现代技术能力的进步,拥有一个集成的健康管理和诊断策略成为系统运行生命周期的重要组成部分。随着传感器、传感器网络和计算系统的发展,数据驱动的机器健康监测模型变得越来越有吸引力。从大数据中提取有用的知识并做出合适的决策,机器学习技术被认为是一种强大的解决方案。深度学习作为机器学习中最热门的子领域,能够作为连接大量机械数据和智能机器健康监测的桥梁。通过使用状态数据和现场反馈,结合机器学习和深度学习训练数据的模型可实现实时的健康评估和分析。
现代风力发电机组的运行和维护所花费的费用相当可观。为了保持竞争力,必须最小化故障风险,降低维护成本以及提高系统的可用性和效能,这正是状态监测功能的用武之地。风力发电机作为风力发电系统的核心部件,我们需要对其运行状态以及轴承或电机的附加传感器信号进行监测,通过对信号的分析、统计和分类来实现对故障的诊断和预测。因此对数据的处理和故障分类诊断模型的训练显得尤为重要。
现有技术方案一:在针对风力发电机轴承的故障信号处理时,除了通过时域信号特征提取,还需要进行频域特征提取,如傅里叶变换(FFT)或包络谱分析等,为了更好分别旋转机械类部件的故障类别有时候还需要提取时-频域的特征,如频域峰度(pkurtosis)或是频域熵(pentropy)。通过人工特征提取和选择,形成一种比较精准的机器学习分类模型。
现有技术方案一存在的缺点:对风电电机轴承或电机加速度传感器数据进行模型训练时,需要加速度传感器三轴信号来进行特征的提取,分类模型提取特征相对明显,无法发掘出数据中的隐含非线性特征。而且当算法工程师轴承专业知识比较匮乏、轴承故障类型分类较多,及噪声干扰等情况下,往往模型的分类效果更差,分类精度不高,存在误判及漏判的隐患,模型泛化能力较差。
现有技术方案二:对风力发电机加速度传感器信号进行训练时,一种常见方法是使用频谱图一类的转换技术将一维信号转换为二维表示形式。此类变换突出信号最主要的频率,并使用转换的特征“图像”作为卷积神经网络(CNN)输入进行深度神经网络的训练。
现有技术方案二存在的缺点:卷积神经网络层级架构和非线性特性提取过程中,传感器信号一维转二维的过程,相当于数据由简单变复杂,且卷积过程的运算量会骤增,不符合数据特征分析由繁至简的规律,会浪费大量的计算资源,而且会增加故障辨识的计算时间,造成故障无法被实时的识别。当故障分类类别过多,训练数据较少时很容易出现过拟合现象,造成测试集准确率下降,训练模型无法泛化的问题。
发明内容
大型风力发电机复杂而嘈杂的工作环境阻碍了其物理模型的构建,使得复杂动力系统的建模非常困难。本发明的目的在于使用低成本传感器数据驱动的机器学习与深度学习融合的机制,来提供一种风力发电机轴承故障分类诊断模型的构建方法。为风力发电机轴承健康监测提供了一种自底向上解决方案新范式,可用于实时正常状态监测或失效后故障检测。
本发明是采用如下技术方案实现的:风力发电机轴承故障分类诊断模型的构建方法,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
预置的轴承故障数量为A。
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速n1、n2、n3、……、nm下的T时间范围内的连续的Z轴方向加速度信号,而得到A×m个原始信号,每个原始信号被分割成B份,每份的时间间隔t等于T/B,并对每份添加故障类型标签,使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集;
从每个原始信号数据集中随机抽出B×a%个数据,共计得到A×m×B×a%个数据作为训练样本,其余的A×m×B×(1-a%)个数据作为测试样本。
步骤3、提取特征建立机器学习分类器
将步骤2中生成的训练样本分别提取六个时域特征值:偏度(Skewness)、峰度(Kurtosis)、形状系数(ShapeFactor)、峰值(PeakValue)、标准差(Std)和均方根(RMS);将训练样本的时域特征值数据按照比例分割为训练集和验证集,使用训练集进行支持向量机SVM算法模型训练,使用验证集测试模型准确性,得到模型对特定故障类型的所需分类准确度。对特定故障类型之外的其它故障类型分类准确度较低,分类结果相互混淆。随后评估模型时,对测试样本均提取六个时域特征值,并将测试样本的时域特征值数据导入已训练的SVM模型中进行验证,得到模型对特定故障类型的分类准确度仍达到99%以上,最后保存这个SVM模型作为区分特定故障类型的机器学习模型。
其中,时域特征值形状系数(ShapeFactor)的定义如下公式所示:其中,RMS代表均方根值,Mean代表平均值,
步骤4、通过深度学习网络建立深度学习分类器
使用步骤1的训练样本中与步骤3中特定故障类型之外的其它故障类型对应的数据,训练一个长短期记忆(LSTM)的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤1的训练样本中与步骤3中特定故障类型之外的其它故障类型对应的数据按照不同采集转速划分成两部分,一部分数据输入长短期记忆网络进行训练,并指定网络的训练参数;另一部分数据作为验证数据对网络的识别准确率和泛化能力进行验证,并达到所需准确率,保存此时刻LSTM深度网络模型。
步骤5、验证融合模型分类结果
将步骤2中生成的测试样本分别提取六个时域特征值:偏度(Skewness)、峰度(Kurtosis)、形状系数(ShapeFactor)、峰值(PeakValue)、标准差(Std)和均方根(RMS),将测试样本的时域特征值数据导入步骤3中保存的SVM模型中进行分类;将分类结果中分到特定故障类型之外的其它故障类型的测试样本数据,再导入步骤4中保存的LSTM深度学习网络中进行特定故障类型之外的其它故障类型分类,最终就会得到全部故障类型的分类结果,并得到分类结果的总体准确率;若分类总体准确率不满足客户指标要求,则返回步骤4中对深度网络的训练参数进行修改,直至分类总体准确率满足达到要求。
本发明通过机器学习模型与深度学习网络分开训练和融合验证,给出了一种风力发电机轴承故障分类诊断模型的构建方法,其具有如下有益效果:(1)大幅度提高了风力发电机轴承故障的辨识准确率和故障识别实时性,而且有效降低了深度学习中网络训练对算力资源的浪费;(2)数据来源由三轴加速度传感器变为单轴加速度传感器,可以有效降低数据采集的硬件成本,带来可观的经济效益。(3)方案中采用的机器学习模型可部署在信号采集终端实时进行故障诊断,节省了数据回传服务器进行判断的时间。
附图说明
图1为本发明所述方法的步骤示意图;
图2为机器学习模型的训练步骤示意图;
图3为长短期记忆网络的架构示意图;
图4为长短期记忆网络的训练过程图。
具体实施方式
风力发电机轴承故障分类诊断模型的构建方法,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
故障类型一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
故障类型二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
故障类型三:传动端轴承状态为正常,非传动端轴承状态为正常;
故障类型四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
故障类型五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速1000 rpm、1370rpm、1750 rpm、1870 rpm和2000 rpm下的5分钟内的连续的Z轴方向加速度信号,而得到25个原始信号,每个原始信号被分割成3000份,每份的时间间隔t等于0.1秒,并对每份添加故障类型标签,使每个原始信号形成由3000个带故障标签时间序列数据构成的原始信号数据集;
从每个原始信号数据集中随机抽出300个数据(3000×10%),共计得到7500个数据作为训练样本,其余的67500个数据作为测试样本。
步骤3、提取特征建立机器学习分类器(如图2所示)
将步骤2中生成的训练样本分别提取六个时域特征值:偏度(Skewness)、峰度(Kurtosis)、形状系数(ShapeFactor)、峰值(PeakValue)、标准差(Std)和均方根(RMS);将训练样本的时域特征值数据按照比例8:2分割为训练集和验证集,使用训练集进行支持向量机SVM算法模型训练,使用验证集测试模型准确性,得到模型对故障类型一和故障类型二分类准确度为99.5%。对故障类型三、故障类型四、故障类型五的分类准确度较低,分类结果相互混淆。随后评估模型时,测试样本的67500个数据均提取6个时域特征值,并将特征值导入已训练的SVM模型中进行验证,得到模型对故障类型一和故障类型二的分类准确度仍达到99%以上,最后保存这个SVM模型作为区分故障类型一和故障类型二的机器学习模型。
其中,时域特征值形状系数(ShapeFactor)的定义如下公式所示:其中,RMS代表均方根值,Mean代表平均值,
步骤4、通过深度学习网络建立深度学习分类器(如图3所示)
使用步骤1的训练样本中与故障类型三、故障类型四和故障类型五对应的数据,训练一个长短期记忆(LSTM)的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤1的训练样本中与故障类型三、故障类型四和故障类型五对应且与1000 rpm、1750 rpm和2000 rpm对应的数据输入长短期记忆网络进行训练,指定网络的训练参数如下:序列输入层(sequenceInputLayer)特征数为1;长短期记忆层(lstmLayer)包含100个隐层单元;丢弃层(dropoutLayer)丢弃概率0.2;全连接层(fullyConnectedLayer)、分类函数(softmaxLayer)层和分类(classificationLayer)层将网络的输出定义为故障类型三、故障类型四和故障类型五;步骤1的训练样本中与故障类型三、故障类型四和故障类型五对应且与1370 rpm和1870 rpm对应的数据作为验证数据对网络的识别准确率和泛化能力进行验证,准确率达到99%以上,保存此时刻LSTM深度网络模型。如图4所示,网络训练时训练数据和验证数据损失函数一直在降低,同时准确率一直在上升,最终验证集准确率达到99%以上。
步骤5、验证融合模型分类结果
将步骤2中生成的测试样本分别提取六个时域特征值:偏度(Skewness)、峰度(Kurtosis)、形状系数(ShapeFactor)、峰值(PeakValue)、标准差(Std)和均方根(RMS),将测试样本的时域特征值数据导入步骤3中保存的SVM模型中进行分类;将分类结果中分到故障类型三、故障类型四和故障类型五的测试样本数据,再导入步骤4中保存的LSTM深度学习网络中进行故障类型三、故障类型四和故障类型五分类,最终就会得到一个五分类的分类结果,分类结果的总体准确率为98.7%,正常类型的误报率小于1%。
Claims (2)
1.一种风力发电机轴承故障分类诊断模型的构建方法,其特征在于,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
预置的轴承故障数量为A;
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速n1、n2、n3、……、nm下的T时间范围内的连续的Z轴方向加速度信号,而得到A×m个原始信号,每个原始信号被分割成B份,每份的时间间隔t等于T/B,并对每份添加故障类型标签,使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集;
从每个原始信号数据集中随机抽出B×a%个数据,共计得到A×m×B×a%个数据作为训练样本,其余的A×m×B×(1-a%)个数据作为测试样本;
步骤3、提取特征建立机器学习分类器
将步骤2中生成的训练样本分别提取六个时域特征值:偏度、峰度、形状系数、峰值、标准差和均方根;将训练样本的时域特征值数据按照比例分割为训练集和验证集,使用训练集进行支持向量机SVM算法模型训练,使用验证集测试模型准确性,得到模型对特定故障类型的所需分类准确度,保存这个SVM模型作为区分特定故障类型的机器学习模型;
其中,时域特征值形状系数的定义如下公式所示:其中,RMS代表均方根值,Mean代表平均值,
步骤4、通过深度学习网络建立深度学习分类器
使用步骤1的训练样本中与步骤3中特定故障类型之外的其它故障类型对应的数据,训练一个长短期记忆LSTM的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤1的训练样本中与步骤3中特定故障类型之外的其它故障类型对应的数据按照不同采集转速划分成两部分,一部分数据输入长短期记忆网络进行训练,并指定网络的训练参数;另一部分数据作为验证数据对网络的识别准确率和泛化能力进行验证,并达到所需准确率,保存此时刻LSTM深度网络模型;
步骤5、验证融合模型分类结果
将步骤2中生成的测试样本分别提取六个时域特征值:偏度、峰度、形状系数、峰值、标准差和均方根,将测试样本的时域特征值数据导入步骤3中保存的SVM模型中进行分类;将分类结果中分到特定故障类型之外的其它故障类型的测试样本数据,再导入步骤4中保存的LSTM深度学习网络中进行特定故障类型之外的其它故障类型分类,最终就会得到全部故障类型的分类结果,并得到分类结果的总体准确率;若分类总体准确率不满足客户指标要求,则返回步骤4中对深度网络的训练参数进行修改,直至分类总体准确率满足达到要求。
2.根据权利要求1所述的风力发电机轴承故障分类诊断模型的构建方法,其特征在于,是由如下步骤实现的:
步骤1、预置轴承故障类型及数量
故障类型一:传动端轴承状态为内外圈电蚀,非传动端轴承状态为正常;
故障类型二:传动端轴承状态为正常,非传动端轴承状态为内外圈电蚀;
故障类型三:传动端轴承状态为正常,非传动端轴承状态为正常;
故障类型四:传动端轴承状态为内外圈剥离,非传动端轴承状态为正常;
故障类型五:传动端轴承状态为正常,非传动端轴承状态为内外圈剥离;
步骤2、原始信号采集与预处理
风力发电机安装在试验台上,将转子短接,发电机空载运行;利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号,每个轴承故障类型下分别采集转速1000 rpm、1370rpm、1750 rpm、1870 rpm和2000 rpm下的5分钟内的连续的Z轴方向加速度信号,而得到25个原始信号,每个原始信号被分割成3000份,每份的时间间隔t等于0.1秒,并对每份添加故障类型标签,使每个原始信号形成由3000个带故障标签时间序列数据构成的原始信号数据集;
从每个原始信号数据集中随机抽出300个数据,共计得到7500个数据作为训练样本,其余的67500个数据作为测试样本;
步骤3、提取特征建立机器学习分类器
将步骤2中生成的训练样本分别提取六个时域特征值:偏度、峰度、形状系数、峰值、标准差和均方根;将训练样本的时域特征值数据按照比例8:2分割为训练集和验证集,使用训练集进行支持向量机SVM算法模型训练,使用验证集测试模型准确性,得到模型对故障类型一和故障类型二分类准确度为99.5%,保存这个SVM模型作为区分故障类型一和故障类型二的机器学习模型;
其中,时域特征值形状系数(ShapeFactor)的定义如下公式所示:其中,RMS代表均方根值,Mean代表平均值,
步骤4、通过深度学习网络建立深度学习分类器
使用步骤1的训练样本中与故障类型三、故障类型四和故障类型五对应的数据,训练一个长短期记忆LSTM的深度学习网络,长短期记忆网络由六个层组成,一个序列输入层,一个LSTM层,一个丢弃层,一个全连接层,一个分类函数层和一个分类层;将步骤1的训练样本中与故障类型三、故障类型四和故障类型五对应且与1000 rpm、1750 rpm和2000 rpm对应的数据输入长短期记忆网络进行训练,指定网络的训练参数如下:序列输入层特征数为1;长短期记忆层包含100个隐层单元;丢弃层丢弃概率0.2;全连接层、分类函数层和分类层将网络的输出定义为故障类型三、故障类型四和故障类型五;步骤1的训练样本中与故障类型三、故障类型四和故障类型五对应且与1370 rpm和1870 rpm对应的数据作为验证数据对网络的识别准确率和泛化能力进行验证,准确率达到99%以上,保存此时刻LSTM深度网络模型;
步骤5、验证融合模型分类结果
将步骤2中生成的测试样本分别提取六个时域特征值:偏度、峰度、形状系数、峰值、标准差和均方根,将测试样本的时域特征值数据导入步骤3中保存的SVM模型中进行分类;将分类结果中分到故障类型三、故障类型四和故障类型五的测试样本数据,再导入步骤4中保存的LSTM深度学习网络中进行故障类型三、故障类型四和故障类型五分类,最终就会得到一个五分类的分类结果,分类结果的总体准确率为98.7%,正常类型的误报率小于1%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416866.6A CN111539381B (zh) | 2020-05-18 | 2020-05-18 | 风力发电机轴承故障分类诊断模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416866.6A CN111539381B (zh) | 2020-05-18 | 2020-05-18 | 风力发电机轴承故障分类诊断模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539381A true CN111539381A (zh) | 2020-08-14 |
CN111539381B CN111539381B (zh) | 2022-04-05 |
Family
ID=71975990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010416866.6A Active CN111539381B (zh) | 2020-05-18 | 2020-05-18 | 风力发电机轴承故障分类诊断模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539381B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108593297A (zh) * | 2018-05-02 | 2018-09-28 | 中车永济电机有限公司 | 一种轴承的故障预制方法及系统 |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 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 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110608884A (zh) * | 2019-08-08 | 2019-12-24 | 桂林电子科技大学 | 一种基于自注意力神经网络的滚动轴承状态诊断方法 |
CN110954326A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 一种自动学习特征表达的滚动轴承在线故障诊断方法 |
US20200133255A1 (en) * | 2018-05-07 | 2020-04-30 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
-
2020
- 2020-05-18 CN CN202010416866.6A patent/CN111539381B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108593297A (zh) * | 2018-05-02 | 2018-09-28 | 中车永济电机有限公司 | 一种轴承的故障预制方法及系统 |
US20200133255A1 (en) * | 2018-05-07 | 2020-04-30 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN109765053A (zh) * | 2019-01-22 | 2019-05-17 | 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 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN110608884A (zh) * | 2019-08-08 | 2019-12-24 | 桂林电子科技大学 | 一种基于自注意力神经网络的滚动轴承状态诊断方法 |
CN110954326A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 一种自动学习特征表达的滚动轴承在线故障诊断方法 |
CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
Non-Patent Citations (4)
Title |
---|
AMIN KHORRAM等: "《End-to-End CNN+LSTM Deep Learning Approach for Bearing Fault Diagnosis》", 《ARXIV》 * |
张弘斌 等: "《采用多通道样本和深度卷积神经网络的轴承故障诊断方法》", 《西安交通大学学报》 * |
裴沛 等: "《基于组合神经网络的滚动轴承状态识别方法》", 《设备管理与维修》 * |
黄娜 等: "《大功率永磁同步风力发电机电磁与温度特性分析》", 《微电机》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
CN117516927B (zh) * | 2024-01-05 | 2024-04-05 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111539381B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Intelligent fault diagnosis method based on full 1-D convolutional generative adversarial network | |
Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
Wang et al. | Understanding and learning discriminant features based on multiattention 1DCNN for wheelset bearing fault diagnosis | |
Xu et al. | Online fault diagnosis method based on transfer convolutional neural networks | |
Liu et al. | Unsupervised fault diagnosis of rolling bearings using a deep neural network based on generative adversarial networks | |
CN109580215B (zh) | 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 | |
CN111721535B (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
Wang et al. | Feature-level attention-guided multitask CNN for fault diagnosis and working conditions identification of rolling bearing | |
Liao et al. | Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
Li et al. | Unsupervised rotating machinery fault diagnosis method based on integrated SAE–DBN and a binary processor | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN111597996B (zh) | 基于深度学习的风力发电机轴承故障辨识模型的构建方法 | |
Zhong et al. | Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine | |
Chen et al. | Deep residual network for identifying bearing fault location and fault severity concurrently | |
CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN113505664B (zh) | 一种风电机组行星齿轮箱故障诊断方法 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
CN113094978A (zh) | 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 | |
Jiang et al. | A novel gan-based fault diagnosis approach for imbalanced industrial time series | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 |
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 |