CN111707458B - 一种基于深度学习信号重构的转子监测方法 - Google Patents
一种基于深度学习信号重构的转子监测方法 Download PDFInfo
- Publication number
- CN111707458B CN111707458B CN202010421585.XA CN202010421585A CN111707458B CN 111707458 B CN111707458 B CN 111707458B CN 202010421585 A CN202010421585 A CN 202010421585A CN 111707458 B CN111707458 B CN 111707458B
- Authority
- CN
- China
- Prior art keywords
- rotor
- monitoring
- reconstruction
- deep learning
- vibration
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度学习信号重构的转子监测方法,包括以下步骤:步骤1,获得转子初始振动信号数据;步骤2,将信号数据整理成矩阵形式并标准化,划分获得训练集和验证集;步骤3,搭建获得深度学习神经网络模型;步骤4,训练深度学习神经网络模型,获得训练后的重构及分类模型;步骤5,根据与实际监测信号的误差继续进行训练,直至模型所输出的振动信号与监测信号误差满足预设要求,获得训练好的重构及分类模型;步骤6,利用步骤5获得的训练好的重构及分类模型实现转子监测。本发明能够依靠少数测点的监测信号,获得精确的转子全测点信号,能够实现对转子整体及重点部位的监测,提高转子故障识别的准确率。
Description
技术领域
本发明属于机械运行监测技术领域,特别涉及一种基于深度学习信号重构的转子监测方法。
背景技术
转子是工业生产过程中的重要部件,其结构及工作环境均较为复杂,容易发生故障;一旦发生故障而不能及时排查,会引发极大的经济损失甚至安全事故。因此,转子的实时监测及故障预警具有十分重要的意义。
目前的实时监测由于测点数量缺失、设置困难、位置存在偏差等原因,常常存在所监测的数据不能真实反映转子振动状态,尤其是不能反映核心部位的振动情况,从而导致故障诊断准确性下降。总结而言,现在的转子监测及故障诊断存在以下问题:
1、测点个数有限,监测情况往往难以反映整个转子的运行状况;
2、测点难以布置在转子易损处等核心部位,监测存在一定的盲区;
3、利用监测数据进行故障诊断往往会由于上述问题导致分类诊断效果不理想。
近年来,深度学习被广泛应用于物理场重构等领域,可以实现基于较少的信息对真实物理场的还原。
综上,亟需一种新的基于深度学习信号重构的转子监测方法。
发明内容
本发明的目的在于提供一种基于深度学习信号重构的转子监测方法,以解决上述存在的一个或多个技术问题。本发明所要解决的核心问题是,现有的转子监测技术难以对转子整体情况以及关键部位进行实时有效的监测,从而降低了故障识别的准确率;本发明能够依靠少数测点的监测信号,获得精确的转子全测点信号,能够实现对转子整体及重点部位的监测,提高转子故障识别的准确率。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于深度学习信号重构的转子监测方法,包括以下步骤:
步骤1,获得转子初始振动信号数据,包括:改变转子尺寸信息,获得不同的转子模型;在每个转子模型上设置多个测点,利用不同的转子模型针对不同运行工况,进行数值计算,获得不同测点的转子初始振动信号数据;
步骤2,将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化;根据转子监测问题规整输入输出,划分获得训练集和验证集;
步骤3,搭建获得深度学习神经网络模型,包括:使用CNN网络架构,建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型;
步骤4,使用步骤2获得的训练集和验证集,训练步骤3获得的深度学习神经网络模型,获得训练后的重构及分类模型;
步骤5,将采集到的测点转子振动数据,利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型,模型输出测点的振动信号;根据与实际监测信号的误差继续进行训练,直至模型所输出的振动信号与监测信号误差满足预设要求,获得训练好的重构及分类模型;
步骤6,利用步骤5获得的训练好的重构及分类模型实现转子监测。
本发明的进一步改进在于,步骤1中,转子尺寸信息包括:圆盘直径、宽度、数量,转子轴的长度、直径;
运行工况包括:正常工况,裂纹、不平衡、不对中、碰摩、油膜失稳、松动故障工况,不同激励形式下的运行工况。
本发明的进一步改进在于,步骤1中,转子尺寸信息表示为Parmn;其中,n=1,2,3,...,N,N为获得的转子模型总数;每个转子尺寸信息均包括长度为m的参数信息,表示为Parmn=[parmn1,parmn2,...,parmnm],m为改变的参数总个数;获得的转子初始振动信号数据表示为Xn,i,j,i=1,2,3,...,I,I为设置的测点总数;j=1,2,3,...,J,J为所计算的工况类别总数;每个振动信号Xn,i,j均包括长度为t的时序信号,表示为Xn,i,j=[xn,i,j,1,xn,i,j,2,...,xn,i,j,t],t为采集振动信号的长度。
本发明的进一步改进在于,步骤2具体包括:
步骤2.1,将转子初始振动信号数据Xn,i,j按测点位置进行排序,转化为规则的矩阵形式XG n,j;其中,XG n,j包括I个长度为t的时序信号,XG n,j形状为I×t;
选择预设数量测点,数量为Q,将其振动信号转化为矩阵形式XD n,j,;其中,XD n,j,包括预设数量个长度为t的时序信号;
步骤2.2,对步骤2.1处理后获得的两个矩阵形式数据进行标准化处理,获得标准化处理后的矩阵形式XG、XD,获得样本总数共计N×J个;
步骤2.3,规整输入输出包括:
输入Input,包括:Parmn及预设数量测点的振动信息XD;
重构信息Recon,包括:全部测点的振动信息XG;
输出Output,包括:不同类别的工况;
步骤2.4,进行训练集和验证集的划分,包括:将总数共计N×J的样本打乱,按预设比例获得训练集(InputN×J×0.8)train和验证集(InputN×J×0.2)validation;其中,每个Input包括:Parm,形状为1×m;XD,形状为Q×t;对应的重构信息为训练集(XG)N×J×0.8,train和验证集(XG)N×J×0.8,validation,每个XG形状为I×t;对应的输出类别标签为label。
本发明的进一步改进在于,步骤2.2中,标准化处理方法采用minmax标准化,将所有数据标准化至(0,1)区间内。
本发明的进一步改进在于,步骤3具体包括:
步骤3.1,建立从转子自身信息及监测点获得的振动信号,到全部测点振动信号XG的重构网络G_Net;
步骤3.2,建立从全部测点振动信号XG到运行工况标签label的分类神经网络D_Net,用于判断振动信号发生时的转子状态;
步骤3.3,确定深度学习神经网络模型的损失函数,包括:重构损失函数MSEloss与分类损失函数Logloss;
其中,重构损失函数表达式为:
分类损失函数表达式为:
深度学习神经网络模型的总损失函数表达式为:
Loss=w1 MSEloss+w2 Logloss;
其中,w1为重构损失函数的权值,而w2为分类损失函数的权值。
本发明的进一步改进在于,步骤3.1中,先建立转子自身信息从长度m至长度为t的映射;若m>t,则使用一维卷积,若m<t,则使用一维解卷积。
本发明的进一步改进在于,步骤3.3中,w1=1-4×10-3×epoch,w2=1-w1;其中,epoch为训练步。
本发明的进一步改进在于,步骤4中,初始学习率设为0.01,每训练50步后将其降低为原来的1/10,训练200步后或预设次迭代loss变化小于等于1%时收敛。
本发明的进一步改进在于,步骤5中,重构的振动信号与监测信号的相对误差低于10%时,满足要求。
与现有技术相比,本发明具有以下有益效果:
目前深度学习技术用于转子监测及故障诊断领域主要局限在对转子信号的分析以及分类上,未对少测点信息重构多测点信息进行相关应用。本发明的方法,能够依靠少数测点的监测信号还原出转子全测点的振动信号,从而获得转子重点区域的振动信号,由此可以进行更精准有效的故障识别。具体的,本发明方法的优势在于,一方面传统的转子监测方案效果往往和测点数量关系较大,而本发明通过对监测点信号进行重构获得全部测点信息即可降低测点数量且不会影响监测效果;另一方面传统的转子由于重点部位难以布置测点,或者布置测点后由于运行环境恶劣而降低监测设备寿命,而本发明可以对某些信号重构获得其他测点信息,从而可以依靠普通位置测点的监测数据获得重点部位的振动状态,从而降低测点布置及使用的成本。此外,本发明将故障诊断加入该转子监测方法中,从而以低监测成本实现对转子状态的有效诊断,有利于工业使用。本发明能够解决目前转子监测效果依赖测点数量、真实工业场景测点布置难以满足诊断需求等弊端,通过少量测点的监测信号获得整体转子的运行状态,实现高效低成本的实时监测及故障诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于深度学习信号重构的转子监测方法的流程示意框图;
图2是本发明实施例中,构建的深度学习神经网络模型的结构示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
请参阅图1,本发明实施例的一种基于深度学习信号重构的转子监测方法,具体包括以下步骤:
步骤1,获得转子初始振动信号数据;其中,获取的过程包括:改变转子尺寸信息(如圆盘直径、宽度、数量、转子轴的长度及直径等),获得不同的转子模型,在每个转子模型上设置多个测点;利用不同的转子模型针对不同运行工况,进行数值计算,获得不同测点的转子初始振动信号数据;其中,不同运行工况包括:正常工况;裂纹、不平衡、不对中、碰摩、油膜失稳、松动等故障工况以及不同激励形式下的运行工况。
步骤1中,转子尺寸信息表示为,Parmn,其中n=1,2,3,...,N,N为获得的转子模型总数,每个转子尺寸信息包括长度为m的参数信息,即Parmn=[parmn1,parmn2,...,parmnm],这里m为改变的参数总个数;获得的转子初始振动信号数据表示为Xn,i,j,i=1,2,3,...,I,I为所设置的测点总数;j=1,2,3,...,J,J为所计算的工况类别总数;其中,每个振动信号Xn,i,j包括长度为t的时序信号,即Xn,i,j=[xn,i,j,1,xn,i,j,2,...,xn,i,j,t],这里t为采集振动信号的长度。
步骤2,将步骤1获得的转子初始振动信号数据整理成规则的矩阵形式,进行标准化,规整输入输出,划分获得训练集和验证集;
本发明实施例中,步骤2具体包括:
步骤2.1,将转子振动信号Xn,i,j按测点位置进行排序转化为规则的矩阵形式即XG n,j;其中,XG n,j包括I个长度为t的时序信号,即XG n,j形状为I×t。
再选择部分测点,本实施例以2个为例分别为测点a,b,其中I≥a,b≥1,实际过程中可视情况改变,将振动信号转化为矩阵形式XD n,j,其中XD n,j,包括2个长度为t的时序信号,即第一行为a测点的振动信号,第二行为b测点的振动信号。
步骤2.2,对步骤2.1处理后获得的矩阵形式数据进行标准化处理,获得标准化处理后的矩阵形式XG、XD,样本总数共计N×J个;其中,标准化处理方法可以采用minmax标准化,将所有数据标准化至(0,1)区间内;
步骤2.3,规整输入输出即明确本发明问题的输入输出,包括:
输入Input,包括:Parm及部分测点即监控点的振动信息XD;
重构信息Recon,包括:全部测点的振动信息XG;
输出Output,包括:不同类别的工况即j,此时需对j做one-hot编码,将其转化为长度为J的标签向量label:[0,0,...,1,...,0],其中仅在第j位为1,其余为0;
步骤2.4,进行训练集和验证集的划分,经过步骤2.2后可以获得样本总数共计N×J个,将其打乱,按4:1的比例获得训练集即(InputN×J×0.8)train和验证集(InputN×J×0.2)validation,其中每个Input包括:Parm,形状为1×m;XD,形状为2×t;对应的重构信息为训练集(XG)N×J×0.8,train和验证集(XG)N×J×0.8,validation,其中每个XG形状为I×t;对应的输出类别标签为label;
步骤3,搭建深度学习神经网络模型。主要包括建立基于反卷积神经网络的重构模型,以及基于卷积神经网络的分类模型,以上模型架构均使用CNN网络架构。请参阅图2,本发明所构建的深度学习神经网络模型的结构示意图。
本发明实施例中,步骤3具体包括:
3.1,建立从已知信息Input(即转子自身信息及监测点获得的振动信号)到全部测点振动信号XG的重构网络G_Net;其中,为了适应本发明的转子监测问题,需要先建立转子自身信息从长度m至长度为t的映射,若m>t,则使用一维卷积,若m<t,则使用一维解卷积。
3.2,建立从全部测点振动信号XG到运行工况标签label的分类神经网络D_Net,用于判断振动信号发生时的转子状态。
3.3,确定深度学习神经网络模型的损失函数,为了适应本发明的转子监测问题,损失函数主要由两部分组成,包括重构损失函数MSEloss与分类损失函数Logloss。
重构损失函数表示如下:
分类损失函数表示如下:
深度学习神经网络模型的总损失函数为:
Loss=w1 MSEloss+w2 Logloss;
其中,w1为重构损失函数的权值,而w2为分类损失函数的权值。结合本发明的转子监测问题,权值采用自适应更新方法,即w1=1-4×10-3×epoch,w2=1-w1,其中epoch为训练步。
步骤4,训练网络:根据上述策略,设置可变学习率来训练神经网络,优化Loss,获得可用的重构及分类模型;
本发明实施例中,初始学习率设为0.01,每训练50步后将其降低为原来的1/10,训练200步后或多次迭代loss变化小于1%时收敛。
步骤5,模型应用,利用该模型,输入实际采集到的部分测点转子振动数据,利用步骤1的方式进行预处理及归一化,模型输出所有测点的振动信号,再根据与实际监测信号的误差继续进行训练,直至模型所输出的振动信号与监测信号误差满足要求。
其中,重构的振动信号与监测信号的相对误差不大于10%方为满足要求。
本发明实施例中,训练后该模型即可用于真实转子的全测点振动信号重构及故障识别。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种基于深度学习信号重构的转子监测方法,其特征在于,包括以下步骤:
步骤1,获得转子初始振动信号数据,包括:改变转子尺寸信息,获得不同的转子模型;在每个转子模型上设置多个测点,利用不同的转子模型针对不同运行工况,进行数值计算,获得不同测点的转子初始振动信号数据;
步骤2,将步骤1获得的转子初始振动信号数据整理成矩阵形式并标准化;根据转子监测问题规整输入输出,划分获得训练集和验证集;
步骤3,搭建获得深度学习神经网络模型,包括:使用CNN网络架构,建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型;
步骤4,使用步骤2获得的训练集和验证集,训练步骤3获得的深度学习神经网络模型,获得训练后的重构及分类模型;
步骤5,将采集到的测点转子振动数据,利用步骤2的方式进行处理后输入步骤4获得的训练后的重构及分类模型,模型输出测点的振动信号;根据与实际监测信号的误差继续进行训练,直至模型所输出的振动信号与监测信号误差满足预设要求,获得训练好的重构及分类模型;
步骤6,利用步骤5获得的训练好的重构及分类模型实现转子监测;
其中,步骤3中使用CNN网络架构,建立基于反卷积神经网络的重构模型和基于卷积神经网络的分类模型的步骤包括:
建立从转子自身信息及监测点获得的振动信号,到全部测点振动信号的重构网络;
建立从全部测点振动信号到运行工况标签的分类神经网络,用于判断振动信号发生时的转子状态;
确定深度学习神经网络模型的损失函数,包括:重构损失函数与分类损失函数。
2.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤1中,转子尺寸信息包括:圆盘直径、宽度、数量,转子轴的长度、直径;
运行工况包括:正常工况,裂纹、不平衡、不对中、碰摩、油膜失稳、松动故障工况,不同激励形式下的运行工况。
3.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤1中,转子尺寸信息表示为Parmn;其中,n=1,2,3,...,N,N为获得的转子模型总数;每个转子尺寸信息均包括长度为m的参数信息,表示为Parmn=[parmn1,parmn2,...,parmnm],m为改变的参数总个数;获得的转子初始振动信号数据表示为Xn,i,j,i=1,2,3,...,I,I为设置的测点总数;j=1,2,3,...,J,J为所计算的工况类别总数;每个振动信号Xn,i,j均包括长度为t的时序信号,表示为Xn,i,j=[xn,i,j,1,xn,i,j,2,...,xn,i,j,t],t为采集振动信号的长度。
4.根据权利要求3所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤2具体包括:
步骤2.1,将转子初始振动信号数据Xn,i,j按测点位置进行排序,转化为规则的矩阵形式XG n,j;其中,XG n,j包括I个长度为t的时序信号,XG n,j形状为I×t;
选择预设数量测点,数量为Q,将其振动信号转化为矩阵形式XD n,j;其中,XD n,j包括预设数量个长度为t的时序信号;
步骤2.2,对步骤2.1处理后获得的两个矩阵形式数据进行标准化处理,获得标准化处理后的矩阵形式XG、XD,获得样本总数共计N×J个;
步骤2.3,规整输入输出包括:
输入Input,包括:Parmn及预设数量测点的振动信息XD;
重构信息Recon,包括:全部测点的振动信息XG;
输出Output,包括:不同类别的工况;
步骤2.4,进行训练集和验证集的划分,包括:将总数共计N×J的样本打乱,按预设比例获得训练集(InputN×J×0.8)train和验证集(InputN×J×0.2)validation;其中,每个Input包括:Parm,形状为1×m;XD,形状为Q×t;对应的重构信息为训练集(XG)N×J×0.8,train和验证集(XG)N×J×0.8,validation,每个XG形状为I×t;对应的输出类别标签为label。
5.根据权利要求4所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤2.2中,标准化处理方法采用minmax标准化,将所有数据标准化至(0,1)区间内。
6.根据权利要求4所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤3具体包括:
步骤3.1,建立从转子自身信息及监测点获得的振动信号,到全部测点振动信号XG的重构网络G_Net;
步骤3.2,建立从全部测点振动信号XG到运行工况标签label的分类神经网络D_Net,用于判断振动信号发生时的转子状态;
步骤3.3,确定深度学习神经网络模型的损失函数,包括:重构损失函数MSEloss与分类损失函数Logloss;
其中,重构损失函数表达式为:
分类损失函数表达式为:
深度学习神经网络模型的总损失函数表达式为:
Loss=w1 MSEloss+w2 Logloss;
其中,w1为重构损失函数的权值,而w2为分类损失函数的权值。
7.根据权利要求6所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤3.1中,先建立转子自身信息从长度m至长度为t的映射;若m>t,则使用一维卷积,若m<t,则使用一维解卷积。
8.根据权利要求6所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤3.3中,w1=1-4×10-3×epoch,w2=1-w1;其中,epoch为训练步。
9.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤4中,初始学习率设为0.01,每训练50步后将其降低为原来的1/10,训练200步后或预设次迭代loss变化小于等于1%时收敛。
10.根据权利要求1所述的一种基于深度学习信号重构的转子监测方法,其特征在于,步骤5中,重构的振动信号与监测信号的相对误差低于10%时,满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421585.XA CN111707458B (zh) | 2020-05-18 | 2020-05-18 | 一种基于深度学习信号重构的转子监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010421585.XA CN111707458B (zh) | 2020-05-18 | 2020-05-18 | 一种基于深度学习信号重构的转子监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707458A CN111707458A (zh) | 2020-09-25 |
CN111707458B true CN111707458B (zh) | 2021-05-28 |
Family
ID=72538294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010421585.XA Active CN111707458B (zh) | 2020-05-18 | 2020-05-18 | 一种基于深度学习信号重构的转子监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707458B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656919B (zh) * | 2021-09-17 | 2024-04-02 | 西安交通大学 | 一种基于深度卷积神经网络的非对称转子位移场重构方法 |
CN114782778B (zh) * | 2022-04-25 | 2023-01-06 | 广东工业大学 | 一种基于机器视觉技术的装配状态监控方法及系统 |
CN115017121B (zh) * | 2022-08-05 | 2022-10-25 | 山东天意机械股份有限公司 | 一种混凝土生产设备数据存储系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408088B (zh) * | 2016-11-22 | 2019-05-24 | 周孝忠 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
CN107066759B (zh) * | 2017-05-12 | 2020-12-01 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN107179194A (zh) * | 2017-06-30 | 2017-09-19 | 安徽工业大学 | 基于卷积神经网络的旋转机械故障定性诊断方法 |
CN108344564B (zh) * | 2017-12-25 | 2019-10-18 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN110595780B (zh) * | 2019-09-20 | 2021-12-14 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
CN110705525A (zh) * | 2019-10-24 | 2020-01-17 | 北京建筑大学 | 一种诊断滚动轴承故障的方法及装置 |
-
2020
- 2020-05-18 CN CN202010421585.XA patent/CN111707458B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111707458A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707458B (zh) | 一种基于深度学习信号重构的转子监测方法 | |
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
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 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN108171263A (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN113011085A (zh) | 一种设备数字孪生建模方法及系统 | |
CN111224840A (zh) | 具有故障诊断性能的网关系统及其方法 | |
CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
CN109635358A (zh) | 一种基于滑动窗口多尺度主元分析的机组故障检测方法 | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
CN112651491B (zh) | 基于cnn卷积模型的工业机器人故障预测方法 |
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 |