CN111553297B - 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 - Google Patents

一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 Download PDF

Info

Publication number
CN111553297B
CN111553297B CN202010372329.6A CN202010372329A CN111553297B CN 111553297 B CN111553297 B CN 111553297B CN 202010372329 A CN202010372329 A CN 202010372329A CN 111553297 B CN111553297 B CN 111553297B
Authority
CN
China
Prior art keywords
fault
characteristic parameter
data
parameter data
cnn
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
CN202010372329.6A
Other languages
English (en)
Other versions
CN111553297A (zh
Inventor
周武能
龙云瑶
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN202010372329.6A priority Critical patent/CN111553297B/zh
Publication of CN111553297A publication Critical patent/CN111553297A/zh
Application granted granted Critical
Publication of CN111553297B publication Critical patent/CN111553297B/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
    • G06F2218/12—Classification; Matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于2D‑CNN和DBN的涤纶长丝生产故障诊断方法和系统，方法流程如下：(1)分别训练2D‑CNN模型和DBN模型得到2D‑CNN分类器和DBN分类器；(2)将2D‑CNN分类器和DBN分类器结合；(3)采集多组故障特征参数数据并进行预处理后将其输入到DBN分类器中，由其输出各组数据及其对应的故障诊断(故障、正常)；(4)将故障诊断标签为故障的数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D‑CNN分类器中确定故障类型标签，同时将故障诊断标签为正常的数据对应的故障类型标签记为正常合格后输出；系统包括数据获取模块、2D‑CNN模型训练模块、DBN模型训练模块和故障诊断初筛模块。本发明的方法和系统预测精度较高。

Description

一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法和系统
技术领域
本发明属于化纤生产故障诊断技术领域，涉及一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法和系统。
背景技术
近年来，随着智能制造技术的发展，基于工业大数据的故障诊断得到了越来越多的关注。
因为对复杂系统中出现的故障问题进行及时的检测可以节约宝贵的时间和成本，所以故障诊断技术在以涤纶长丝生产为例的制造系统中至关重要。然而传统的故障诊断技术依赖于专家提取的特征，且处理海量的故障数据耗时长久，故障诊断的效率和准确度都难以达到预期。
深度学习算法的出现为高效准确地提取原始数据的特征并进行模式分类提供了一种有效的方法。
深度置信神经网络(DBN)和卷积神经网络(CNN)因其学习复杂非线性、稀疏连接和权值共享等特征，在涤纶长丝生产等工业领域的故障诊断上有很大的应用前景。
然而现有的故障诊断算法中，仅使用单个DBN的故障诊断方法其准确度有待提高，而仅使用2D-CNN的故障诊断方法随着数据量的递增，显现出结构复杂度和计算耗时成倍增长的缺点。而在相关的多个神经网络结合应用于故障诊断方面，近日有学者提出了基于DBNs的故障诊断方法应用于电机的故障诊断，该方案中将两个DBN网络分别用于电机的旋转加速度信号和电力强度信号的特征提取，一个DBN网络用于特征提取后的分类，但该方案仅在获得特征数据上做出了改进，增加了数据集的多样性，在对特征数据进行处理和分类的关键步骤上仍使用单个DBN网络，且仍是同种类神经网络的简单结合，受限于单个DBN简单结构下特征提取能力上明显的不足，故障诊断的精度还有待提升。
发明内容
本发明的目的是解决现有技术中存在的问题，提供一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法和系统，本发明在数据处理和分类上首次将DBN与其他神经网络模型结合，也首次使用另一神经网络模型为2D-CNN模型做特征数据的初步处理，融合了这两种神经网络的优点，最大程度上缓解2D-CNN计算资源庞大问题的基础上保留并提升了故障诊断的预测精度，本发明系统可应用于工业大数据环境下涤纶长丝生产过程中的设备故障诊断。
为达到上述目的，本发明采用的技术方案如下：
一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，流程如下：
(1)分别训练2D-CNN(二维卷积神经网络)模型和DBN(深度置信网络)模型得到2D-CNN分类器和DBN分类器；
(2)将2D-CNN分类器和DBN分类器结合，即将DBN分类器的部分输出数据经转换后作为2D-CNN分类器的输入数据输入到2D-CNN的输入层；
(3)采集多组故障特征参数数据并进行预处理后将其输入到DBN分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共两类，分别为：故障、正常；
(4)将故障诊断标签为故障的几组故障特征参数数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D-CNN分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，即DBN分类器的“故障”数据经2D-CNN分类器处理后即能区分具体的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；
训练DBN模型的过程为：
(a)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理；
(b)以各组故障特征参数数据为输入(例如“4500m/min，0.14MPa，6°”)，各组故障特征参数数据及其对应的故障诊断标签为理论输出(例如“4500m/min，0.14MPa，6°，正常”)，训练DBN模型，确定各神经元的连接权值及偏差，即得到DBN分类器；
训练2D-CNN模型的过程为：
(i)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理；
(ii)将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像(一组故障特征参数数据对应一个一维时域信号和一张二维的图像)；
(iii)以各组故障特征参数数据对应的二维的图像为输入(例如故障特征参数为“4500m/min，0.14MPa，6°”)，以各组故障特征参数数据及其对应的故障类型标签为理论输出(例如“4500m/min，0.14MPa，6°，正常合格”)，训练2D-CNN模型，确定各神经元的连接权值及偏差，即得到2D-CNN分类器。
作为优选的技术方案：
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，故障特征参数为纺丝速度、接触压力和卷绕角，对应的单位分别为m/min、MPa和°；纺丝速度为卷绕机摩擦锟的速度μ，由速度传感器采集得到；接触压力为卷绕机的压锟接触压力P，由压力传感器采集得到；卷绕角
Figure BDA0002478610350000021
的计算公式如下：
Figure BDA0002478610350000031
式中，D为横动导丝器往复动程的距离，由距离传感器采集得到；
纺丝速度、接触压力和卷绕角会极大程度上综合影响涤纶长丝的主要物理指标(纤度、断裂强度、弹性回复率等)，因此本发明的故障类型标签为正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格；
采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据是指采集四类数据，分别为：故障类型标签为正常合格的故障特征参数数据、故障类型标签为纤度不合格的故障特征参数数据、故障类型标签为断裂强度不合格的故障特征参数数据和故障类型标签为弹性回复率不合格的故障特征参数数据，并按照无替换抽样原则，随机抽取每类数据中的q组数据(q＝200，q的取值也可根据实际需求进行调整)。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，预处理即归一化处理，归一化处理的公式如下：
Figure BDA0002478610350000032
式中，x*为归一化处理后的数据，x为归一化处理前的数据，xmin为x的最小值，xmax为x的最大值。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，训练DBN模型的具体流程如下：
(1)初始化学习率为0.02、训练步长为2、每批训练样本集的大小为256，输入层神经元个数为1024，三层隐藏层神经网络的神经元个数分别为512、256和128；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；初始化隐藏层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数；
(2)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，得到训练样本集，并以故障特征参数数据及其对应的故障诊断标签作为输入数据；
(3)对输入数据中的故障特征参数数据进行预处理；
(4)使用对比散度法充分训练第一个RBM，具体如下：
(a)将输入数据输入到RBM的显层v(0)，计算它使隐层神经元开启的概率P1：
P1＝σ(v(0)TW+b)；
式中，W是RBM的权重，b是RBM的偏移量，v(0)T为v(0)的转置，σ(·)为随机概率函数；
(b)从计算出的概率分布中随即抽取一个样本h；
(c)用h重构显层，并随机抽取重构显层的一个样本v(1)；
(d)用重构后的显层神经元计算隐藏神经元被开启的概率P2：
P2＝σ(v(1)TW+b)；
式中，v(1)T为v(1)的转置；
(e)依照上述已得到的v(0)、v(1)、P1、P2，按如下公式更新RBM的权重W和偏移量b：
W←W+λ(P1v(0)T-P2v(1)T)
b←b+(P1-P2)
式中，λ为学习率；
(f)重复步骤(a)～(e)ξ次(ξ取1-10的整数，通常取1即可得到较好的效果，本发明中ξ取1)，即完成第一个RBM的充分训练；
(5)固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入数据，仍使用对比散度法充分训练第二个RBM；
(6)充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；
(7)重复以上步骤直至充分训练完每一个RBM，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差，需要特别说明的是，由于在发明提出的DBN模型运行过程中，训练样本集数据为带标签的数据，因此在顶层的RBM训练时，这个RBM的显层中除了普通的显性神经元，还有代表分类标签的神经元一起进行训练，即假设顶层RBM的显层有500个显性神经元，而本发明中使用DBN分类的训练数据分类标签一共分成了2类，则顶层RBM的显层有502个显性神经元，输入的训练数据为某一类型时，相应的标签神经元被打开设为1，而其他的标签神经元则被关闭设为0。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，训练2D-CNN模型的具体流程如下：
(1)初始化学习率为0.02、训练步长为2、每批训练样本集的大小为256；初始化第一层卷积层卷积核大小为32*32，共8个卷积核，第二层卷积层卷积核大小为16*16，共16个卷积核，第三层卷积层卷积核大小为8*8，共32个卷积核，第一层池化层过滤器大小为16*16，通道数为8，第二层池化层过滤器大小为8*8，通道数为16，全连接层神经元个数为2048；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；
(2)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，得到训练样本集；
(3)对训练样本集中的故障特征参数数据进行预处理，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像，并以故障特征参数数据、其对应的二维的图像和其对应的故障类型标签作为输入数据；
(4)输入数据，使用Adam优化器进行训练，在每一步迭代过程中调整每层神经网络的权值和偏差使得网络诊断的故障分类结果与数据的故障诊断标签尽可能一致；
(5)计算每一次迭代结束后故障诊断结果的预测精度，即经模型分类后赋给输出数据的故障诊断类型标签和采集的故障类型标签一致的数据个数和总样本数据个数的比值；
(6)判断是否达到终止条件，如果是，则停止训练；反之，则返回步骤(4)，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，在初始化的训练步长(即卷积核每次移动像素的数量)和输入的图像大小不匹配，即卷积核按步长逐行平移进行卷积计算的过程中卷积核越过图像边缘的情况下，在2D-CNN模型上引入零填充方法在图像边缘使用0值进行填充，以防止时域信号向图像信号转换过程中可能发生的尺寸损失问题，设δ为输入尺寸，ε为输出尺寸，γ为滤波器宽度，η为跨距，左侧零填充数PL和右侧零填充数PR可以通过以下公式计算：
Figure BDA0002478610350000051
PT＝(ε-1)×η+γ-δ；
Figure BDA0002478610350000052
PR＝PT-PL；
式中，ceil(·)是向上取整函数，floor(·)向下取整函数，PT为零填充数上限，零填充方法中将自动添加零以顺利完成卷积过程。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，在2D-CNN模型的训练阶段和训练结束后，在2D-CNN模型的顶层先叠加一个softmax层，即将2D-CNN的原输出层输出数据输入到softmax层，softmax层的输出作为2D-CNN分类器最终输出结果，softmax层的作用旨在于对2D-CNN全连接层输出的一组代表分类概率的向量转化为具体的故障诊断类型标签，例如，按照“正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格”的故障诊断类型标签顺序，2D-CNN全连接层除原输入数据外应输出一组概率向量“[0.1，0.7，0.15，0.05]”，softmax层取这组概率向量中的最大值“0.7”对应的故障诊断类型标签“纤度不合格”，将其作为2D-CNN分类器最终输出数据的故障诊断类型标签，和原数据一起输出，用于进行故障诊断结果的预测精度的计算，根据预测精度的变化判定训练过程中的迭代是否终止。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，训练2D-CNN模型的终止条件为：迭代次数达到预设上限值(根据训练样本集大小进行预设，训练样本集越大结果达到稳定所需的迭代次数越多，在训练样本集的样本数量为1000～3000时，可预设迭代次数上限为800)或在20次迭代中故障诊断结果的预测精度的变化小于0.1。
如上所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像的过程如下：
(1)将每组故障特征参数数据的特征参数按照“纺丝速度、接触压力、卷绕角”的顺序排列，每个特征参数的大小作为一个长度单位的分段信号的值，将三个分段信号值依次复制多次直到长度为M2，即排列构成一维时域原始信号，其中，M的取值依照2D-CNN网络适用的图像数据的大小调整，由于本发明中已预先使用DBN网络进行降维处理，M取16，2D-CNN网络处理的图像大小为16×16；
(2)将一维时域信号按顺序填充图像的像素即转换为二维图像数据，即为了获取尺寸为M×M的图像，原始信号从第一个信号起，每隔M2个长度单位视为一组分段信号，随机地从原始信号中取一组分段信号，以L(i)，i＝1，...，M2表示该组分段信号中第i个分段信号的值，以Q(j，k)，j＝1，...，M，k＝1，...，M表示第j行k列的图像的像素强度，如下式所示：
Figure BDA0002478610350000061
式中，j为该像素点的行数，k为该像素点的列数，函数Max(L)为取该组分段信号中的最大值，函数Min(L)为取该组分段信号中的最小值，函数round(·)是舍入函数，图像的像素值标准化为0到255，这也正是灰度图像的像素强度。
一种基于2D-CNN和DBN的涤纶长丝生产过程的故障诊断系统，包括数据获取模块、2D-CNN模型训练模块、DBN模型训练模块和故障诊断初筛模块；
所述数据获取模块用于采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理后，将其发送至DBN模型训练模块，同时用于采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理后，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像发送至2D-CNN模型训练模块；
所述DBN模型训练模块用于训练DBN模型，得到DBN分类器；
所述2D-CNN模型训练模块用于训练2D-CNN模型，得到2D-CNN分类器；
所述数据获取模块还用于采集多组故障特征参数数据并进行预处理后，将其输入到DBN分类器中；
所述DBN分类器用于输出各组故障特征参数数据及其对应的故障诊断标签，并发送至故障诊断初筛模块；
所述故障诊断初筛模块用于将故障诊断标签为故障的几组故障特征参数数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D-CNN分类器中，同时用于将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；
所述2D-CNN分类器用于输出各组故障特征参数数据及其对应的故障类型标签。
测试本发明提出的故障诊断模型时，采集带故障诊断标签的数据每种故障诊断类型200组，仅将每组数据的故障特征参数作为无标签输入数据，使用组合好的DBN分类器和2D-CNN分类器进行分类测试，故障诊断结果即整个模型输出的最终结果，测试中的终止条件和训练2D-CNN模型的终止条件一致，最终分类结果和采集数据的原故障诊断标签对比计算预测精度。测试时的预测精度与2D-CNN模型训练时的预测精度差值在十个百分比以内则视为测试合格，否则应根据测试结果微调DBN模型和2D-CNN模型的超参数，例如将学习率从0.02减少至0.01或将训练步长调整为3，再次测试。
有益效果：
(1)本发明采用DBN进行故障数据的初步特征提取和降维，降低了后续进行信号转换后输入二维卷积神经网络的数据维度，减少了整个系统所需的计算资源，提高了故障分类的效率，相较于已有的基于2D-CNN的故障诊断方法，很好地解决了卷积神经网络所需计算资源庞大的问题；
(2)本发明采用了2D-CNN对转换后的图像信息进行进一步的特征提取，极大的提高了系统进行故障诊断的准确度，此外，也提高了系统对噪声影响的抵抗力，提高了系统的鲁棒性，相较于DBN网络，2D-CNN网络在特征提取上有着显著优势，本发明提出的技术方案，克服了多个DBN收集数据后仍由单个DBN进行故障数据处理和分类的情况下，由于深度置信神经网络本身结构的限制而导致的故障诊断精度的不足，在故障诊断的效率相差不大的前提下，对故障诊断的分类精度有了明显改善；
(3)本发明将DBN与2D-CNN相结合，最后通过softmax分类器能够准确诊断出传入数据的健康状况，在数据处理和分类上首次将DBN与其他神经网络模型结合，也首次使用另一神经网络模型为2D-CNN模型做特征数据的初步处理，创造性的在两种适用于不同输入数据形式的神经网络之间加入由数据点向二维图像转换的数据处理方式，融合了这两种神经网络的优点，同时也保证了系统的故障诊断效率，相较于基于DBN的故障诊断方法，极大地提升了工业大数据背景下故障诊断的准确度；
(4)现有的故障诊断算法大多利用于电机等旋转机械的轴承故障诊断，本发明首次将故障诊断算法应用于涤纶长丝工艺流程，利用容易收集的卷绕机工艺参数对涤纶长丝的质量作出较为准确的判断，有很好的工业实用性。
附图说明
图1和图2为一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法的流程图；
图3为训练2D-CNN模型和DBN模型的流程图；
图4为DBN模型的结构示意图；
图5为2D-CNN模型的结构示意图；
图6为训练DBN模型的示意图；
图7为一个顶层RBM带标签神经元(y1)的已训练的DBN模型的结构示意图；
图8为一种基于2D-CNN和DBN的涤纶长丝生产故障诊断系统的结构示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，如图1和图2所示，流程如下：
(1)分别训练2D-CNN(二维卷积神经网络)模型(结构如图5所示)和DBN(深度置信网络)模型(结构如图4所示)得到2D-CNN分类器和DBN分类器；
如图3和图6所示，训练DBN模型的具体流程如下：
(1.a.1)初始化学习率为0.02、训练步长为2、每批训练样本集的大小为256，输入层神经元个数为1024，三层隐藏层神经网络的神经元个数分别为512、256和128；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；初始化隐藏层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数；
(1.a.2)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，得到训练样本集，并以故障特征参数数据及其对应的故障诊断标签作为输入数据；
故障特征参数为纺丝速度、接触压力和卷绕角，对应的单位分别为m/min、MPa和°；纺丝速度为卷绕机摩擦锟的速度μ，由速度传感器采集得到；接触压力为卷绕机的压锟接触压力P，由压力传感器采集得到；卷绕角
Figure BDA0002478610350000093
的计算公式如下：
Figure BDA0002478610350000091
式中，D为横动导丝器往复动程的距离，由距离传感器采集得到；
(1.a.3)对输入数据中的故障特征参数数据进行预处理；预处理即归一化处理，归一化处理的公式如下：
Figure BDA0002478610350000092
式中，x*为归一化处理后的数据，x为归一化处理前的数据，xmin为x的最小值，xmax为x的最大值；
(1.a.4)使用对比散度法充分训练第一个RBM，具体如下：
(a)将输入数据输入到RBM的显层v(0)，计算它使隐层神经元开启的概率P1：
P1＝σ(v(0)TW+b)；
式中，W是RBM的权重，b是RBM的偏移量，v(0)T为v(0)的转置，σ(·)为随机概率函数；
(b)从计算出的概率分布中随即抽取一个样本h；
(c)用h重构显层，并随机抽取重构显层的一个样本v(1)；
(d)用重构后的显层神经元计算隐藏神经元被开启的概率P2：
P2＝σ(v(1)TW+b)；
式中，v(1)T为v(1)的转置；
(e)依照上述已得到的v(0)、v(1)、P1、P2，按如下公式更新RBM的权重W和偏移量b：
W←W+λ(P1v(0)T-P2v(1)T)
b←b+(P1-P2)
式中，λ为学习率；
(f)重复步骤(a)～(e)ξ次(ξ取1-10的整数，通常取1即可得到较好的效果，本发明中ξ取1)，即完成第一个RBM的充分训练；
(1.a.5)固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入数据，仍使用对比散度法充分训练第二个RBM；
(1.a.6)充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；
(1.a.7)重复以上步骤直至充分训练完每一个RBM，一个顶层RBM带标签神经元(y1)的已训练的DBN模型的结构如图7所示；
如图3所示，训练2D-CNN模型的具体流程如下：
(1.b.1)初始化学习率为0.02、训练步长为2、每批训练样本集的大小为256；初始化第一层卷积层卷积核大小为32*32，共8个卷积核，第二层卷积层卷积核大小为16*16，共16个卷积核，第三层卷积层卷积核大小为8*8，共32个卷积核，第一层池化层过滤器大小为16*16，通道数为8，第二层池化层过滤器大小为8*8，通道数为16，全连接层神经元个数为2048；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；
(1.b.2)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，得到训练样本集；
即采集四类数据，分别为：故障类型标签为正常合格的故障特征参数数据、故障类型标签为纤度不合格的故障特征参数数据、故障类型标签为断裂强度不合格的故障特征参数数据和故障类型标签为弹性回复率不合格的故障特征参数数据，并按照无替换抽样原则，随机抽取每类数据中的q组数据(q＝200，q的取值也可根据实际需求进行调整)；
故障类型标签为正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格；
(1.b.3)对训练样本集中的故障特征参数数据进行预处理(同(1.a.3))，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像，并以故障特征参数数据、其对应的二维的图像和其对应的故障类型标签作为输入数据；
(1.b.4)输入数据，使用Adam优化器进行训练，在每一步迭代过程中调整每层神经网络的权值和偏差使得网络诊断的故障分类结果与数据的故障诊断标签尽可能一致；
(1.b.5)计算每一次迭代结束后故障诊断结果的预测精度，即经模型分类后赋给输出数据的故障诊断类型标签和采集的故障类型标签一致的数据个数和总样本数据个数的比值；
(1.b.6)判断是否达到终止条件(迭代次数达到预设上限值或在20次迭代中故障诊断结果的预测精度的变化小于0.1)，如果是，则停止训练；反之，则返回步骤(1.b.4)；
在初始化的训练步长(即卷积核每次移动像素的数量)和输入的图像大小不匹配，即卷积核按步长逐行平移进行卷积计算的过程中卷积核越过图像边缘的情况下，在2D-CNN模型上引入零填充方法在图像边缘使用0值进行填充，以防止时域信号向图像信号转换过程中可能发生的尺寸损失问题，设δ为输入尺寸，ε为输出尺寸，γ为滤波器宽度，η为跨距，左侧零填充数PL和右侧零填充数PR可以通过以下公式计算：
Figure BDA0002478610350000111
PT＝(ε-1)×η+γ-δ；
Figure BDA0002478610350000112
PR＝PT-PL；
式中，ceil(·)是向上取整函数，floor(·)向下取整函数，PT为零填充数上限，零填充方法中将自动添加零以顺利完成卷积过程；
在2D-CNN模型的训练阶段和训练结束后，在2D-CNN模型的顶层先叠加一个softmax层，即将2D-CNN的原输出层输出数据输入到softmax层，softmax层的输出作为2D-CNN分类器最终输出结果；
(2)将2D-CNN分类器和DBN分类器结合，即将DBN分类器的部分输出数据经转换后作为2D-CNN分类器的输入数据输入到2D-CNN的输入层；
(3)采集多组故障特征参数数据并进行预处理(同(1.a.3))后将其输入到DBN分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共两类，分别为：故障、正常；
(4)将故障诊断标签为故障的几组故障特征参数数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D-CNN分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，即DBN分类器的“故障”数据经2D-CNN分类器处理后即能区分具体的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签。
上述过程中，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像的过程如下：
(1)将每组故障特征参数数据的特征参数按照“纺丝速度、接触压力、卷绕角”的顺序排列，每个特征参数的大小作为一个长度单位的分段信号的值，将三个分段信号值依次复制多次直到长度为M2，即排列构成一维时域原始信号，其中，M的取值依照2D-CNN网络适用的图像数据的大小调整，由于本发明中已预先使用DBN网络进行降维处理，M取32，2D-CNN网络处理的图像大小为32×32；
(2)将一维时域信号按顺序填充图像的像素即转换为二维图像数据，即为了获取尺寸为M×M的图像，原始信号从第一个信号起，每隔M2个长度单位视为一组分段信号，随机地从原始信号中取一组分段信号，以L(i)，i＝1，...，M2表示该组分段信号中第i个分段信号的值，以Q(j，k)，j＝1，...，M，k＝1，...，M表示第j行k列的图像的像素强度，如下式所示：
Figure BDA0002478610350000121
式中，j为该像素点的行数，k为该像素点的列数，函数Max(L)为取该组分段信号中的最大值，函数Min(L)为取该组分段信号中的最小值，函数round(·)是舍入函数，图像的像素值标准化为0到255，这也正是灰度图像的像素强度。
本发明的核心是提供一种基于2D-CNN和DBN的故障诊断方法，涤纶长丝生产仅仅为其中一个应用示例，本发明还将本发明的故障诊断方法与现有技术(基于2D-CNN的故障诊断方法、基于DBN的故障诊断方法、基于DBNs的故障诊断方法)进行了比较，具体使用美国西储大学收集的旋转机械的滚动轴承故障数据作为训练和测试数据，在这个数据集中，可通过机械的振动加速度信号加以区别的共有10种健康状态，分别为9种故障状态和1种正常状态，故障状态有三种故障类型，每种故障类型有三种不同的损坏大小，3种故障类型分别为滚珠故障(RF)、外周故障(OF)和内周故障(IF)，故障直径分别为0.18mm、0.36mm和0.54mm(故障直径越大则可视为故障越严重)。实验结果表明，基于2D-CNN的故障诊断方法需要迭代100次以上才能达到较为良好的故障诊断准确度；基于DBNs的故障诊断准确率达到了95％左右，但在准确度和诊断效率上都还有很大的上升空间；基于DBN的故障诊断方法的仅为91.6％；本发明的故障诊断方法的准确率为97％左右，同现有技术相比，本发明显著提高了故障诊断的准确率。
基于一种基于2D-CNN和DBN的涤纶长丝生产过程的故障诊断方法，本发明还提供了一种基于2D-CNN和DBN的涤纶长丝生产过程的故障诊断系统，如图8所示，包括数据获取模块、2D-CNN模型训练模块、DBN模型训练模块和故障诊断初筛模块；
所述数据获取模块用于采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理后，将其发送至DBN模型训练模块，同时用于采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理后，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像发送至2D-CNN模型训练模块；
所述DBN模型训练模块用于训练DBN模型，得到DBN分类器；
所述2D-CNN模型训练模块用于训练2D-CNN模型，得到2D-CNN分类器；
所述数据获取模块还用于采集多组故障特征参数数据并进行预处理后，将其输入到DBN分类器中；
所述DBN分类器用于输出各组故障特征参数数据及其对应的故障诊断标签，并发送至故障诊断初筛模块；
所述故障诊断初筛模块用于将故障诊断标签为故障的几组故障特征参数数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D-CNN分类器中，同时用于将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；
所述2D-CNN分类器用于输出各组故障特征参数数据及其对应的故障类型标签。

Claims (10)

1.一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征是，流程如下：
(1)分别训练2D-CNN模型和DBN模型得到2D-CNN分类器和DBN分类器；
(2)将2D-CNN分类器和DBN分类器结合，即将DBN分类器的部分输出数据经转换后作为2D-CNN分类器的输入数据输入到2D-CNN的输入层；
(3)采集多组故障特征参数数据并进行预处理后将其输入到DBN分类器中，由其输出各组故障特征参数数据及其对应的故障诊断标签，故障诊断标签共两类，分别为：故障、正常；
(4)将故障诊断标签为故障的几组故障特征参数数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D-CNN分类器中，由其输出各组故障特征参数数据及其对应的故障类型标签，同时将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；
训练DBN模型的过程为：
(a)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理；
(b)以各组故障特征参数数据为输入，各组故障特征参数数据及其对应的故障诊断标签为理论输出，训练DBN模型，确定各神经元的连接权值及偏差，即得到DBN分类器；
训练2D-CNN模型的过程为：
(i)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理；
(ii)将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像；
(iii)以各组故障特征参数数据对应的二维的图像为输入，以各组故障特征参数数据及其对应的故障类型标签为理论输出，训练2D-CNN模型，确定各神经元的连接权值及偏差，即得到2D-CNN分类器。
2.根据权利要求1所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，故障特征参数为纺丝速度、接触压力和卷绕角，对应的单位分别为m/min、MPa和°；纺丝速度为卷绕机摩擦锟的速度μ，由速度传感器采集得到；接触压力为卷绕机的压锟接触压力P，由压力传感器采集得到；卷绕角
Figure FDA0002478610340000011
的计算公式如下：
Figure FDA0002478610340000021
式中，D为横动导丝器往复动程的距离，由距离传感器采集得到；
故障类型标签为正常合格、纤度不合格、断裂强度不合格和弹性回复率不合格；
采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据是指采集四类数据，分别为：故障类型标签为正常合格的故障特征参数数据、故障类型标签为纤度不合格的故障特征参数数据、故障类型标签为断裂强度不合格的故障特征参数数据和故障类型标签为弹性回复率不合格的故障特征参数数据，并按照无替换抽样原则，随机抽取每类数据中的q组数据。
3.根据权利要求2所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，预处理即归一化处理，归一化处理的公式如下：
Figure FDA0002478610340000022
式中，x*为归一化处理后的数据，x为归一化处理前的数据，xmin为x的最小值，xmax为x的最大值。
4.根据权利要求3所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，训练DBN模型的具体流程如下：
(1)初始化学习率为0.02、训练步长为2、每批训练样本集的大小为256，输入层神经元个数为1024，三层隐藏层神经网络的神经元个数分别为512、256和128；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；初始化隐藏层的激活函数为ReLU函数，输出层的激活函数为sigmoid函数；
(2)采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据，得到训练样本集，并以故障特征参数数据及其对应的故障诊断标签作为输入数据；
(3)对输入数据中的故障特征参数数据进行预处理；
(4)使用对比散度法充分训练第一个RBM，具体如下：
(a)将输入数据输入到RBM的显层υ(0)，计算它使隐层神经元开启的概率P1：
P1＝σ(υ(0)TW+b)；
式中，W是RBM的权重，b是RBM的偏移量，υ(0)T为υ(0)的转置，σ(·)为随机概率函数；
(b)从计算出的概率分布中随即抽取一个样本h；
(c)用h重构显层，并随机抽取重构显层的一个样本υ(1)；
(d)用重构后的显层神经元计算隐藏神经元被开启的概率P2：
P2＝σ(υ(1)TW+b)；
式中，υ(1)T为υ(1)的转置；
(e)依照上述已得到的υ(0)、υ(1)、P1、P2，按如下公式更新RBM的权重W和偏移量b：
W←W+λ(P1υ(O)T-P2υ(1)T)
b←b+(P1-P2)
式中，λ为学习率；
(f)重复步骤(a)～(e)ξ次，即完成第一个RBM的充分训练；
(5)固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入数据，仍使用对比散度法充分训练第二个RBM；
(6)充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；
(7)重复以上步骤直至充分训练完每一个RBM，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差。
5.根据权利要求3所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，训练2D-CNN模型的具体流程如下：
(1)初始化学习率为0.02、训练步长为2、每批训练样本集的大小为256；初始化第一层卷积层卷积核大小为32*32，共8个卷积核，第二层卷积层卷积核大小为16*16，共16个卷积核，第三层卷积层卷积核大小为8*8，共32个卷积核，第一层池化层过滤器大小为16*16，通道数为8，第二层池化层过滤器大小为8*8，通道数为16，全连接层神经元个数为2048；初始化每层神经网络的权值为维数和输入数据维数相同的单位向量，偏差为0；
(2)采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据，得到训练样本集；
(3)对训练样本集中的故障特征参数数据进行预处理，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像，并以故障特征参数数据、其对应的二维的图像和其对应的故障类型标签作为输入数据；
(4)输入数据，使用Adam优化器进行训练，在每一步迭代过程中调整每层神经网络的权值和偏差使得网络诊断的故障分类结果与数据的故障诊断标签尽可能一致；
(5)计算每一次迭代结束后故障诊断结果的预测精度，即经模型分类后赋给输出数据的故障诊断类型标签和采集的故障类型标签一致的数据个数和总样本数据个数的比值；
(6)判断是否达到终止条件，如果是，则停止训练；反之，则返回步骤(4)，训练终止时每层神经网络的神经元的连接权值及偏差即为所述的各神经元的连接权值及偏差。
6.根据权利要求5所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，在初始化的训练步长和输入的图像大小不匹配，即卷积核按步长逐行平移进行卷积计算的过程中卷积核越过图像边缘的情况下，在2D-CNN模型上引入零填充方法在图像边缘使用0值进行填充，以防止时域信号向图像信号转换过程中可能发生的尺寸损失问题，设δ为输入尺寸，ε为输出尺寸，γ为滤波器宽度，η为跨距，左侧零填充数PL和右侧零填充数PR可以通过以下公式计算：
Figure FDA0002478610340000041
PT＝(ε-1)×η+γ-δ；
Figure FDA0002478610340000042
PR＝PT-PL；
式中，ceil(·)是向上取整函数，floor(·)向下取整函数，PT为零填充数上限，零填充方法中将自动添加零以顺利完成卷积过程。
7.根据权利要求5所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，在2D-CNN模型的训练阶段和训练结束后，在2D-CNN模型的顶层先叠加一个softmax层，即将2D-CNN的原输出层输出数据输入到softmax层，softmax层的输出作为2D-CNN分类器最终输出结果。
8.根据权利要求5所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，训练2D-CNN模型的终止条件为：迭代次数达到预设上限值或在20次迭代中故障诊断结果的预测精度的变化小于0.1。
9.根据权利要求5所述的一种基于2D-CNN和DBN的涤纶长丝生产故障诊断方法，其特征在于，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像的过程如下：
(1)将每组故障特征参数数据的特征参数按照“纺丝速度、接触压力、卷绕角”的顺序排列，每个特征参数的大小作为一个长度单位的分段信号的值，将三个分段信号值依次复制多次直到长度为M2，即排列构成一维时域原始信号，其中，M的取值依照2D-CNN网络适用的图像数据的大小调整；
(2)将一维时域信号按顺序填充图像的像素即转换为二维图像数据，即为了获取尺寸为M×M的图像，原始信号从第一个信号起，每隔M2个长度单位视为一组分段信号，随机地从原始信号中取一组分段信号，以L(i)，i＝1，...，M2表示该组分段信号中第i个分段信号的值，以Q(j，k)，j＝1，...，M，k＝1，...，M表示第j行k列的图像的像素强度，如下式所示：
Figure FDA0002478610340000051
式中，j为该像素点的行数，k为该像素点的列数，函数Max(L)为取该组分段信号中的最大值，函数Min(L)为取该组分段信号中的最小值，函数round(·)是舍入函数，图像的像素值标准化为0到255，这也正是灰度图像的像素强度。
10.一种基于2D-CNN和DBN的涤纶长丝生产过程的故障诊断系统，其特征是：包括数据获取模块、2D-CNN模型训练模块、DBN模型训练模块和故障诊断初筛模块；
所述数据获取模块用于采集多组故障诊断标签为故障的故障特征参数数据和多组故障诊断标签为正常的故障特征参数数据并进行预处理后，将其发送至DBN模型训练模块，同时用于采集故障类型标签已知且包含所有故障类型的多组故障特征参数数据并进行预处理后，将各组故障特征参数数据排列成一维时域信号，将一维的时域信号转化为二维的图像发送至2D-CNN模型训练模块；
所述DBN模型训练模块用于训练DBN模型，得到DBN分类器；
所述2D-CNN模型训练模块用于训练2D-CNN模型，得到2D-CNN分类器；
所述数据获取模块还用于采集多组故障特征参数数据并进行预处理后，将其输入到DBN分类器中；
所述DBN分类器用于输出各组故障特征参数数据及其对应的故障诊断标签，并发送至故障诊断初筛模块；
所述故障诊断初筛模块用于将故障诊断标签为故障的几组故障特征参数数据整合为新的输入数据集，并各自排列成一维时域信号，将一维的时域信号转化为二维的图像后，输入到2D-CNN分类器中，同时用于将故障诊断标签为正常的几组故障特征参数数据对应的故障类型标签记为正常合格后，输出各组故障特征参数数据及其对应的故障类型标签；
所述2D-CNN分类器用于输出各组故障特征参数数据及其对应的故障类型标签。
CN202010372329.6A 2020-05-06 2020-05-06 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 Active CN111553297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010372329.6A CN111553297B (zh) 2020-05-06 2020-05-06 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010372329.6A CN111553297B (zh) 2020-05-06 2020-05-06 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统

Publications (2)

Publication Number Publication Date
CN111553297A CN111553297A (zh) 2020-08-18
CN111553297B true CN111553297B (zh) 2022-03-15

Family

ID=72004604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010372329.6A Active CN111553297B (zh) 2020-05-06 2020-05-06 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN111553297B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000084B (zh) * 2020-09-07 2022-11-15 华北电力大学 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法
CN112329650A (zh) * 2020-11-09 2021-02-05 中国兵器工业集团第二一四研究所苏州研发中心 一种基于卷积神经网络的加速度计故障诊断方法
CN112766702A (zh) * 2021-01-13 2021-05-07 广东能源集团科学技术研究院有限公司 一种基于深度置信网络的分布式电站故障分析方法及系统
CN114332531B (zh) * 2021-12-23 2023-07-25 南京航空航天大学 一种基于2D-CNN和t-SNE的机械设备快速故障诊断方法及装置
CN114544172A (zh) * 2022-01-19 2022-05-27 武汉理工大学 基于深度置信网络的旋转机械故障诊断方法、系统及介质
CN114782441B (zh) * 2022-06-21 2022-09-30 深圳市鼎合丰科技有限公司 一种电子元器件生产流水线故障信息识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107449994A (zh) * 2017-07-04 2017-12-08 国网江苏省电力公司电力科学研究院 基于cnn‑dbn网络的局放故障诊断方法
CN107729393A (zh) * 2017-09-20 2018-02-23 齐鲁工业大学 基于混合自动编码器深度学习的文本分类方法及系统
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108427958A (zh) * 2018-02-02 2018-08-21 哈尔滨工程大学 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法
CN109765333A (zh) * 2018-12-05 2019-05-17 国网辽宁省电力有限公司信息通信分公司 一种基于GoogleNet模型的变压器故障诊断方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107449994A (zh) * 2017-07-04 2017-12-08 国网江苏省电力公司电力科学研究院 基于cnn‑dbn网络的局放故障诊断方法
CN107729393A (zh) * 2017-09-20 2018-02-23 齐鲁工业大学 基于混合自动编码器深度学习的文本分类方法及系统
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108427958A (zh) * 2018-02-02 2018-08-21 哈尔滨工程大学 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法
CN109765333A (zh) * 2018-12-05 2019-05-17 国网辽宁省电力有限公司信息通信分公司 一种基于GoogleNet模型的变压器故障诊断方法
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 (3)

* Cited by examiner, † Cited by third party
Title
" 基于深度学习理论与相速度的电缆故障在线诊断方法研究";张一哲;《万方》;20180627;全文 *
"A generic intelligent bearing fault diagnosis systemusing compact adaptive 1D CNN classifier";L. Eren et al;《 J. Signal Process. Syst. Signal ImageVideo Technol》;20191231;全文 *
"Hybrid model for data imputation: Using fuzzy c means and multi layer perceptron";S Azim et al;《IEEE》;20140527;全文 *

Also Published As

Publication number Publication date
CN111553297A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553297B (zh) 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统
CN111369563B (zh) 一种基于金字塔空洞卷积网络的语义分割方法
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
CN114048568B (zh) 一种基于多源迁移融合收缩框架的旋转机械故障诊断方法
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN112084974A (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN113865868B (zh) 基于时频域表达的滚动轴承故障诊断方法
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN110473140B (zh) 一种基于图嵌入的极限学习机的图像降维方法
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
CN107633272B (zh) 一种基于小样本下压缩感知的dcnn纹理疵点识别方法
CN111504680B (zh) 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统
CN114091504B (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
CN113869208A (zh) 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN102262736A (zh) 空间目标图像分类与识别方法
CN115905976B (zh) 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备
Tao et al. Fault diagnosis of rolling bearing using deep belief networks
CN115358259A (zh) 一种基于自学习的无监督跨工况轴承故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
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
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN114354195A (zh) 一种深度域自适应卷积网络的滚动轴承故障诊断方法
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN112149804B (zh) 一种新型卷积神经网络模型及应用

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