CN111562108A - 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 - Google Patents
一种基于cnn和fcmc的滚动轴承智能故障诊断方法 Download PDFInfo
- Publication number
- CN111562108A CN111562108A CN202010387072.1A CN202010387072A CN111562108A CN 111562108 A CN111562108 A CN 111562108A CN 202010387072 A CN202010387072 A CN 202010387072A CN 111562108 A CN111562108 A CN 111562108A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- cnn
- membership
- rolling bearing
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Abstract
本发明公开了一种基于CNN和FCMC的滚动轴承智能故障诊断方法,克服现有技术的滚动轴承震动信号具有非平稳性、非线性和特征提取困难的问题,首先利用构建的卷积神经网络模型对原始振动信号进行特征提取,并通过主成分分析法对提取出的特征进行降维,然后将已知故障样本的特征输入模糊C均值聚类模型,对模糊C均值聚类模型进行训练,最后根据训练好的模糊C均值聚类模型,对待测故障样本进行故障识别,从而实现对滚动轴承的故障诊断。本发明通过将卷积神经网络和模糊C均值聚类算法进行结合,既发挥出了卷积神经网络在特征提取方面的优势,也弥补了传统硬性聚类算法对故障类别无法进行有效划分的不足,并能够有效且准确的实现滚动轴承的故障检测。
Description
技术领域
本发明涉及滚动轴承的故障诊断技术领域,尤其是涉及一种应用于解决现代机械设备中滚动轴承故障诊断问题的基于CNN和FCMC的滚动轴承智能故障诊断方法。
背景技术
近年来,深度学习(deep learning,DL)体系结构吸引了各个领域的研究人员。卷积神经网络(convolutional neural network,CNN)、深度置信网络、稀疏自编码器、递归神经网络等各种DL架构广泛应用于机械设备故障诊断领域。与传统的故障诊断方法相比,基于深度学习的故障诊断方法更快、更准确。其中,CNN表现最好。CNN是一种典型的有监督学习深度神经网络,可以从原始数据集中提取隐藏的特征。目前,大部分基于CNN的故障诊断模型都是通过CNN直接进行分类。为了使深度神经网络更好地发挥预测功能,研究人员将其与其他领域的先进算法或统计方法相结合。一些经典的组合模型,如神经网络与支持向量机的组合、神经网络与经验模态分解方法的组合、BP神经网络与最优小波树的组合、神经网络与小波变换的组合、神经网络与粒子群优化算法的组合等。由于这些组合模型相对于单一模型往往具有更高的预测精度,因此组合模型成为了当前的研究焦点,并逐渐应用于故障诊断领域。
虽然DL已被证明是建模和预测复杂场景的强大新工具,但这些模型仍然难以捉摸,这是深度学习技术广泛应用的关键障碍,也是深度学习技术进一步发展的瓶颈。研究表明,用户永远不会相信一个不能合理解释解决方案的模型。另一方面,模糊系统在设计上更容易理解,模糊理论与分类算法的结合逐渐进入人们的视野。模糊C均值聚类算法是一种无监督聚类技术,是目前应用最广泛的模糊聚类模型之一。模糊C均值聚类算法简称FCMC,模糊C均值聚类算法通过确定样本对类别的隶属度,实现样本对类别的模糊分类,使目标数据的分类结果更加合理。在众多故障诊断研究工作中,基于模糊C均值聚类算法的故障诊断的精度得到了很大的提高,但仍存在无法有效提取和区分原始信号特征的问题,大大降低了故障诊断的质量。针对一些原始信号的特征不能有效提取的问题,已有研究人员采用经验模态分解,集合经验模态分解(ensemble empirical mode decomposition,EEMD),变分模态分解等方法对原始信号进行特征提取,取得了不错的效果,但对于个别信号还是无法进行有效区分。综上,如何建立一个综合的预测模型来提高模型预测的准确性成为了研究的重点。
机械工业一直以来都是关系整个国民经济的基础工业。滚动轴承是旋转机械中最重要、最常见的部件之一,在整个机械系统中起着重要的作用。然而,机械设备在运行过程中会受到不同类型的不良故障的影响,造成额外的成本和生产时间的损失。其中,滚动轴承故障导致的机械故障约占总故障的30%。滚动轴承的失效是由多种因素引起的,如设计或安装不正确、酸性液体腐蚀、缺乏润滑油和塑性变形。利用状态监测技术进行滚动轴承故障识别是近20年来的一个研究课题。在轴承运行过程中,当滚子以轴速、轴承几何形状和缺陷位置确定的频率通过缺陷时,会产生脉冲振动信号,基于振动的状态监测一直是该领域中最常用的技术。滚动轴承故障检测的难点是滚动轴承的特征信号分布在,一个较宽的频段内,容易被噪声和低频覆盖。针对滚动轴承振动信号具有非平稳、非线性特征和特征提取困难的问题,如何设计合理的故障检测与诊断方法成为学者们研究的重点。
例如,一种在中国专利文献上公开的“早期故障状态下滚动轴承振动信号特征提取和分析方法”,其公告号CN102840907B,包括以下步骤:安装振动加速度传感器,由振动测试仪器采集振动信号;振动测试仪器中的处理器对振动信号进行自相关函数分析;提取信号中局部极大点及其对应的采样点序号,得到包络信号;对所求得包络信号,用插值的方法按等采样间隔重新采样,最后进行快速傅里叶变换,得到信号的包络谱。本发明提供的振动信号分析方法,能突出反映早期故障状态下振动信号中的调制特征,尤其适用于滚动轴承早期微弱故障下含噪振动信号中调制特征的分析和特征提取。尽管该方案利用插值法等间隔采样后进行快速傅里叶变换得到信号的包络频谱,但这并不能消除滚动轴承震动信号中的噪声,因为滚动轴承振动信号并不低持续平稳的,而是非线性的,该方案中的方法只能够适用于线性的信号提取,在一个较宽的频带内,目标信号仍然容易被噪声和低频信号覆盖,这会造成滚动轴承振动信号提取困难的问题。
发明内容
本发明是为了克服现有技术的滚动轴承震动信号具有非平稳性、非线性和特征提取困难的问题,提供一种基于CNN和FCMC的滚动轴承智能故障诊断方法,本方案利用CNN对滚动轴承原始振动信号进行自动特征提取,并利用主成分分析法对提取到的特征进行降维操作,最后通过模糊C均值聚类算法实现故障诊断,达到提高滚动轴承故障诊断准确率的目的。
本发明的第二个发明目的是为了克服现有技术故障识别构建模型复杂检测速度慢的问题,提供一种一种基于CNN和FCMC的滚动轴承智能故障诊断方法,具有检测速度快、分类效率高、所需训练样本少的优点并实现不同状态下的滚动轴承的故障检测的功能。
为了实现上述目的,本发明采用以下技术方案:
一种基于CNN和FCMC的滚动轴承智能故障诊断方法,包括以下步骤:
S1:采集滚动体故障BF状态下、内圈故障IRF状态下、外圈故障ORF状态下,故障直径分别为0.18mm、0.36mm和0.54mm和正常状态下的滚动轴承振动信号作为数据集,并对采集到的滚动轴承的振动信号进行适当的预处理,作为原始信号对模型进行训练和测试;
S2:将原始信号分为已知故障样本和待测故障样本,输入到训练好的CNN模型中,对其进行特征提取,构建的卷积神经网络由5个卷积层和一个Global Average-pooling层组成,每个卷积层后都紧跟一个Max-pooling层和一个Batch Normalization层;并利用主成分分析法PCA,对提取出的特征进行PCA降维操作;
S3:通过已知故障样本的特征集对模糊C均值聚类模型的聚类中心和隶属度矩阵进行更新,当目标函数Jm满足迭代终止条件时,停止更新,输出聚类中心和隶属度矩阵;
S4:采用最大隶属度法对隶属度矩阵U进行硬化处理;
S5:根据已知故障样本的聚类中心和隶属度矩阵,对待测故障样本进行故障识别,判断待测故障样本的故障种类。
本发明首先利用构建的卷积神经网络模型对原始振动信号进行特征提取,并通过主成分分析法对提取出的特征进行降维。然后,将已知故障样本的特征输入模糊C均值聚类模型,对模糊C均值聚类模型进行训练,最后,根据训练好的模糊C均值聚类模型,对待测故障样本进行故障识别,从而实现对滚动轴承的故障诊断。
本发明采用模糊C均值聚类算法和卷积神经网络结合的故障诊断方法,这种方法具有检测速度快、分类效率高、所需训练样本少等优点,且可实现对原始振动信号的关键特征进行有效提取的目的,达到比现有方法更高的分类准确率和实现不同状态下的滚动轴承的故障检测的功能。
作为优选,所述S2包括以下步骤:
S21:对数据集进行标准化转换,得到均值和方差:
S23:求解协方差矩阵Cov的特征方程|Cov-λIm|=0,得m个特征根,对每个λj,j=1,2,...,m,解方程组Covb=λjb得单位特征向量bj;
S24:构建降维转换矩阵:
bj为单位特征向量。
作为优选,所述S3包括以下步骤:
S31:确定聚类中心个数c,模糊系数m=2,初始化聚类中心和隶属度矩阵;
S32:计算聚类中心C=[cj],公式如下:
其中,m是模糊系数;i,j是类标号;uij表示样本xi属于j类的隶属度;
i表示第i个样本,x是具有d维特征的一个样本;
cj是j簇的中心,也具有d维度;
S33:计算样本点与聚类中心之间的欧氏距离来更新隶属度uij;
S34:计算目标函数Jm;
其中1≤m≤∞;
S35:判断是否满足迭代终止条件,若满足则返回S32,所不满足则停止迭代。
作为优选,更新隶属度uij由以下公式进行:
其中,||*||可以是任意表示距离的度量。
作为优选,所述S35中判断方法为以下公式:
其中k是迭代步数,ε是误差阈值,ε=0.0001。
作为优选,所述S4具体步骤为:采用最大隶属度法对U进行硬化处理,将U中每一行的最大隶属度值设为1,将该行的其他项设为0。
作为优选,所述S5具体内容如下:将已知故障样本和待测故障样本的隶属度矩阵合并,形成一个N+1行,10列的矩阵,经过硬化处理后的隶属度矩阵中第N+1行所有元素与第m行(1≤m≤N)的所有元素相同,则表明待测故障样本与第m个已知故障样本属于同一类。
作为优选,所述CNN的训练方法采用的是Adam梯度下降方法,批量大小为128。
因此,本发明具有如下有益效果:
1.本发明首先利用构建的卷积神经网络模型对原始振动信号进行特征提取,并通过主成分分析法对提取出的特征进行降维;然后,将已知故障样本的特征输入模糊C均值聚类模型,对模糊C均值聚类模型进行训练;最后,根据训练好的模糊C均值聚类模型,对待测故障样本进行故障识别,从而实现对滚动轴承的故障诊断;
2.本发明采用模糊C均值聚类算法和卷积神经网络结合的故障诊断方法,这种方法具有检测速度快、分类效率高、所需训练样本少等优点,且可实现对原始振动信号的关键特征进行有效提取的目的,达到比现有方法更高的分类准确率和实现不同状态下的滚动轴承的故障检测的功能;
3.本发明相比于现有方法提高了故障识别的准确率和可靠性,通过卷积神经网络对原始信号进行特征提取,可以对不同故障类型的数据进行有效区分,同时利用模糊C均值聚类算法对卷积神经网络提取出的特征进行分类,不仅其解释性更强,而且能够有效且准确地诊断出滚动轴承的故障类别。
附图说明
图1是滚动轴承不同故障状态下的振动信号时域波形图。
图2是本发明的流程图。
图3是本发明的CNN网络结构图。
图4是本发明模糊C均值聚类算法的流程图。
图5是本发明的聚类结果图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例:
本实施例一种基于CNN和FCMC的滚动轴承智能故障诊断方法,本发明首先利用构建的卷积神经网络模型对原始振动信号进行特征提取,并通过主成分分析法对提取出的特征进行降维;然后,将已知故障样本的特征输入模糊C均值聚类模型,对模糊C均值聚类模型进行训练;最后,根据训练好的模糊C均值聚类模型,对待测故障样本进行故障识别,从而实现对滚动轴承的故障诊断;如图1-5所示,包括以下步骤:
S1:采集滚动体故障BF状态下、内圈故障IRF状态下、外圈故障ORF状态下,故障直径分别为0.18mm、0.36mm和0.54mm和正常状态下的滚动轴承振动信号作为数据集,并对采集到的滚动轴承的振动信号进行适当的预处理,作为原始信号对模型进行训练和测试;
数据采用的是美国凯斯西储大学(CWRU)的滚动轴承数据中心的标准数据,采样频率为12000Hz,负载为735w;在电机传动轴末端的SKF6205-2RSJEM轴承中人为引入0.1778mm的故障点;采集正常数据(NR)和三种故障数据,内圈故障(IRF)、外圈故障(ORF)和滚动体故障(BF),故障直径分别为0.18mm(1hp),0.36mm(2hp)和0.54mm(3hp);其中电机负载为:负载0(1797r/min)、负载1(1772r/min)、负载2(1750r/min)、负载3(1730r/min),分别对应表1中的A、B、C、D四个数据集,每个数据集包含十个不同状态的滚动轴承数据;滚动轴承不同故障状态下的振动信号时域波形图如图1所示。
其中,故障样本数据组成见表一:
表1
S2:将原始信号分为已知故障样本和待测故障样本,输入到训练好的CNN模型中,对其进行特征提取,构建的卷积神经网络由5个卷积层和一个Global Average-pooling层组成,每个卷积层后都紧跟一个Max-pooling层和一个Batch Normalization层,并利用主成分分析法PCA,对提取出的特征进行PCA降维操作。
其中,S2包括以下步骤:
S21:对数据集进行标准化转换,得到均值和方差:
S23:求解协方差矩阵Cov的特征方程|Cov-λIm|=0,得m个特征根,对每个λj,j=1,2,...,m,解方程组Covb=λjb得单位特征向量bj;
S24:构建降维转换矩阵:
bj为单位特征向量。
S3:通过数据集A的已知故障样本对FCM模型的聚类中心和隶属度矩阵进行更新。当目标函数Jm满足迭代终止条件时,停止更新,输出聚类中心和隶属度矩阵,训练FCM模型的流程图如图4所示。
其中,S3操作步骤具体如下:
S31:确定聚类中心个数c,模糊系数m=2,初始化聚类中心和隶属度矩阵;
S32:计算聚类中心C=[cj],公式如下:
其中,m是模糊系数;i,j是类标号;uij表示样本xi属于j类的隶属度;
i表示第i个样本,x是具有d维特征的一个样本;
cj是j簇的中心,也具有d维度;
S33:计算样本点与聚类中心之间的欧氏距离来更新隶属度uij:
其中,||*||可以是任意表示距离的度量;
S34:计算目标函数Jm;
其中1≤m≤∞;
S35:判断是否满足迭代终止条件,若满足则返回S32,所不满足则停止迭代;迭代步骤条件为:
其中k是迭代步数,ε是误差阈值,ε=0.0001。
S4:采用最大隶属度法对隶属度矩阵U进行硬化处理。
S5:根据已知故障样本的聚类中心和隶属度矩阵,对数据集B,C,D的待测故障样本进行故障识别,判断待测故障样本属于哪一类已知故障。
本发明中所提出的CNN-PCA-FCM模型与现有EEMD-SVD-FCM模型的故障诊断结果见表2:
表2
通过对表2故障诊断准确率的对比,可以看出本发明相比于现有方法提高了故障识别的准确率和可靠性。通过卷积神经网络对原始信号进行特征提取,可以对不同故障类型的数据进行有效区分。同时利用模糊C均值聚类算法对卷积神经网络提取出的特征进行分类,不仅其解释性更强,而且能够有效且准确地诊断出滚动轴承的故障类别。
上述实施例对本发明的具体描述,只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限定,本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。
Claims (8)
1.一种基于CNN和FCMC的滚动轴承智能故障诊断方法,其特征是,包括以下步骤:
S1:采集滚动体故障BF状态下、内圈故障IRF状态下、外圈故障ORF状态下,故障直径分别为0.18mm、0.36mm和0.54mm和正常状态下的滚动轴承振动信号作为数据集,并对采集到的滚动轴承的振动信号进行适当的预处理,作为原始信号对模型进行训练和测试;
S2:将原始信号分为已知故障样本和待测故障样本,输入到训练好的CNN模型中,对其进行特征提取,构建的卷积神经网络由5个卷积层和一个Global Average-pooling层组成,每个卷积层后都紧跟一个Max-pooling层和一个Batch Normalization层;并利用主成分分析法PCA,对提取出的特征进行PCA降维操作;
S3:通过已知故障样本的特征集对模糊C均值聚类模型的聚类中心和隶属度矩阵进行更新,当目标函数Jm满足迭代终止条件时,停止更新,输出聚类中心和隶属度矩阵;
S4:采用最大隶属度法对隶属度矩阵U进行硬化处理;
S5:根据已知故障样本的聚类中心和隶属度矩阵,对待测故障样本进行故障识别,判断待测故障样本的故障种类。
6.根据权利要求1所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法,其特征是,所述S4具体步骤为:采用最大隶属度法对U进行硬化处理,将U中每一行的最大隶属度值设为1,将该行的其他项设为0。
7.根据权利要求1所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法,其特征是,所述S5具体内容如下:将已知故障样本和待测故障样本的隶属度矩阵合并,形成一个N+1行,10列的矩阵,经过硬化处理后的隶属度矩阵中第N+1行所有元素与第m行(1≤m≤N)的所有元素相同,则表明待测故障样本与第m个已知故障样本属于同一类。
8.根据权利要求7所述的一种基于CNN和FCMC的滚动轴承智能故障诊断方法,其特征是,所述CNN的训练方法采用的是Adam梯度下降方法,批量大小为128。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387072.1A CN111562108A (zh) | 2020-05-09 | 2020-05-09 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387072.1A CN111562108A (zh) | 2020-05-09 | 2020-05-09 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111562108A true CN111562108A (zh) | 2020-08-21 |
Family
ID=72074623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387072.1A Pending CN111562108A (zh) | 2020-05-09 | 2020-05-09 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111562108A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
CN112632466A (zh) * | 2020-11-26 | 2021-04-09 | 江苏科技大学 | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 |
CN112816195A (zh) * | 2021-01-04 | 2021-05-18 | 安徽容知日新科技股份有限公司 | 往复式机械设备故障诊断方法及装置 |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN112924177A (zh) * | 2021-04-02 | 2021-06-08 | 哈尔滨理工大学 | 一种改进深度q网络的滚动轴承故障诊断方法 |
CN113204738A (zh) * | 2021-04-30 | 2021-08-03 | 山东大学 | 一种基于小波变换与拓扑数据分析的机械故障特征提取方法 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113447813A (zh) * | 2020-09-03 | 2021-09-28 | 鲁能集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN113469107A (zh) * | 2021-07-16 | 2021-10-01 | 辽宁大学 | 一种融合空间密度分布的轴承故障诊断方法 |
CN114743039A (zh) * | 2022-05-17 | 2022-07-12 | 合肥工业大学 | 一种基于特征约简的模糊聚类的轴承故障检测方法 |
CN115791174A (zh) * | 2022-12-29 | 2023-03-14 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
CN116150635A (zh) * | 2023-04-18 | 2023-05-23 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
CN117056402A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110544196A (zh) * | 2019-08-30 | 2019-12-06 | 杭州电子科技大学 | 基于pca和fcm聚类算法的三维模型可逆水印嵌入及提取方法 |
-
2020
- 2020-05-09 CN CN202010387072.1A patent/CN111562108A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110544196A (zh) * | 2019-08-30 | 2019-12-06 | 杭州电子科技大学 | 基于pca和fcm聚类算法的三维模型可逆水印嵌入及提取方法 |
Non-Patent Citations (1)
Title |
---|
张晗: "基于改进深度学习的聚类模型及其在旋转机械故障诊断中的应用", 《万方数据》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447813B (zh) * | 2020-09-03 | 2022-09-13 | 中国绿发投资集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN113447813A (zh) * | 2020-09-03 | 2021-09-28 | 鲁能集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
CN112632466A (zh) * | 2020-11-26 | 2021-04-09 | 江苏科技大学 | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 |
CN112632466B (zh) * | 2020-11-26 | 2024-01-23 | 江苏科技大学 | 一种基于深度双向长短时记忆网络的轴承故障预测方法 |
CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
CN112816195A (zh) * | 2021-01-04 | 2021-05-18 | 安徽容知日新科技股份有限公司 | 往复式机械设备故障诊断方法及装置 |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN112924177A (zh) * | 2021-04-02 | 2021-06-08 | 哈尔滨理工大学 | 一种改进深度q网络的滚动轴承故障诊断方法 |
CN113204738A (zh) * | 2021-04-30 | 2021-08-03 | 山东大学 | 一种基于小波变换与拓扑数据分析的机械故障特征提取方法 |
CN113204738B (zh) * | 2021-04-30 | 2022-04-08 | 山东大学 | 一种基于小波变换与拓扑数据分析的机械故障特征提取方法 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113469107A (zh) * | 2021-07-16 | 2021-10-01 | 辽宁大学 | 一种融合空间密度分布的轴承故障诊断方法 |
CN114743039A (zh) * | 2022-05-17 | 2022-07-12 | 合肥工业大学 | 一种基于特征约简的模糊聚类的轴承故障检测方法 |
CN114743039B (zh) * | 2022-05-17 | 2024-02-13 | 合肥工业大学 | 一种基于特征约简的模糊聚类的轴承故障检测方法 |
CN115791174A (zh) * | 2022-12-29 | 2023-03-14 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
CN115791174B (zh) * | 2022-12-29 | 2023-11-21 | 南京航空航天大学 | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 |
CN116150635A (zh) * | 2023-04-18 | 2023-05-23 | 中国海洋大学 | 基于跨域关联性表示的滚动轴承未知故障检测方法 |
CN117056402A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
CN117056402B (zh) * | 2023-10-12 | 2024-04-02 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
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 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
Yao et al. | Improving rolling bearing fault diagnosis by DS evidence theory based fusion model | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
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 | |
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 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN115288994B (zh) | 一种基于改进dcgan的压缩机异常状态检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |
|
RJ01 | Rejection of invention patent application after publication |