CN111709292B - 基于递归图和深度卷积网络的压气机振动故障检测法 - Google Patents
基于递归图和深度卷积网络的压气机振动故障检测法 Download PDFInfo
- Publication number
- CN111709292B CN111709292B CN202010419501.9A CN202010419501A CN111709292B CN 111709292 B CN111709292 B CN 111709292B CN 202010419501 A CN202010419501 A CN 202010419501A CN 111709292 B CN111709292 B CN 111709292B
- Authority
- CN
- China
- Prior art keywords
- fault
- recursion
- dimensional
- neural network
- data
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- G06F2218/08—Feature extraction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于递归图和深度卷积网络的压气机振动故障检测法。本发明构造压气机气动失稳振动故障数据库,选取已有的实验数据,通过数据预处理获取大量的故障数据库。其次,选取二维图像转化方法,将一维振动信号转化为二维图像,最后,选取深度卷积神经网络Inception V3模型,采用迁移学习保持模型特征提取环节不变,通过调节特征整合环节结构对二维图像递归图进行故障特征提取与检测。本发明由二维图像反映时间序列内部动力学系统中的相空间流形,揭示系统的动力学特性,适合于对非平稳非线性的时间序列进行特征分析。本发明将机器视觉中的优势应用于非视觉领域,采用深度卷积神经网络Inception V3模型进行机械振动故障检测,减少手工设计特征的巨大工作量。
Description
技术领域
本发明涉及旋转机械振动信号故障诊断领域,具体涉及一种基于递归图和深度卷积神经网络的压气机振动故障检测法。
背景技术
压气机是大型民用和军用航空发动机的动力来源,其气动失稳属于一类振动故障现象。该故障不但使发动机性能(推力、经济性)大为恶化,限制发动机的工作范围,而且更严重的是它们会引起发动机突然熄火,或引起压气机叶片剧烈振动以致叶片断裂而造成整台发动机的损坏。对压气机气动失稳振动故障检测方法的研究,对提高发动机的稳定性和可靠性具有重要的科学研究意义和工程应用价值。
压气机气动失稳产生的机械振动故障信号具有非线性、非平稳的特性。针对非线性非平稳信号,常见的时频分析方法有短时傅利叶变换、经验模态分解、小波包分解等。然而,短时傅里叶变换对信号所加的窗口是固定的,无法满足非平稳信号变化的频率的要求;经验模态分解具有严重的端点效应和模态混叠现象,会影响分析结果的正确性和精确性;小波分解在选择小波基时对信号的先验知识具有极强的依赖性。更重要的是,针对机械振动故障信号,传统的信号处理方法只能通过捕捉瞬时故障频率的方法进行故障诊断,不能可视的看出故障的类型和程度。相对传统故障诊断方法,基于深度学习的故障诊断方法获得广泛关注。特别是深度学习在计算机视觉领域中的应用,深度学习在很大程度上解决了视觉对象的分类、目标检测和识别问题。
本发明提出一种基于递归图和深度卷积神经网络的压气机振动故障检测新方法,将机器视觉算法应用于非视觉领域。首先,构造压气机气动失稳振动故障数据库,选取已有的实验数据,通过数据预处理获取大量的故障数据库。其次,选取二维图像转化方法,将一维振动信号转化为二维图像(递归图),该图可以由二维图像反映时间序列内部动力学系统中的相空间流形,揭示系统的动力学特性,适合于对非平稳非线性的时间序列进行特征分析。最后,选取深度卷积神经网络Inception V3模型,采用迁移学习保持模型特征提取环节不变,通过调节特征整合(全连接层)环节结构(不同层数、不同神经元个数和dropout技术处理)对二维图像递归图进行故障特征分类,达到故障检测目的。
发明内容
本发明的目的在于将机器视觉算法引入机械振动故障诊断领域,为机械振动信号的故障特征可视化及其故障诊断提供一套新的故障诊断法。本发明的具体技术方案通过如下步骤实现:
步骤1、建立数据库:
收集压气机气动失稳数据,通过添加不同信噪比的高斯白噪声和滑动窗口方法,截取足够的气动失稳不同模式的失稳数据。
失稳数据包括失稳前的正常数据和失稳发生时的故障数据。
步骤2、一维振动故障数据转化二维递归图:
针对数据库中的每组数据,运用相空间重构及可视化方法将一维振动故障数据转换成二维递归图,构造二维递归图数据库;
步骤3、图像数据预处理:
对二维递归图数据库中的二维递归图进行尺寸缩放、归一化处理和标准化处理。并将所有处理后的二维递归图划分正常信号和故障信号两类,每类按4:1划分训练集和测试集。
步骤4、基于深度卷积神经网络的故障特征提取;
选取深度卷积神经网络Inception V3模型,采用迁移学习保持模型特征提取环节不变,直接对数据库中二维递归图训练集进行学习来提取故障特征。一维化的故障特征向量可表示为:X=[X1,X2,···,Xi],其中i是特征向量个数,X是全局特征向量,并作为全连接层的输入。
步骤5、构造三层全连接神经网络进行故障检测(二分类:正常和故障):
针对已提取的故障特征,输入神经网络结构(不同神经元个数或dropout技术处理)对故障特征进行分类,然后通过数据库中的测试集数据进行测试,获取分类准确度较高的神经网络模型并保存。最后利用保存的神经网络模型,对新的试验数据进行故障检测。
进一步的,步骤2所述的相空间重构及其可视化方法包括:
(1)相空间重构,通过使用关联积分同时估计延迟时间和嵌入维数的C-C方法(KimH S,Eykholt R,Salas J D.Nonlinear dynamics,delay times and embeddingwindows.1999),重构一个与时序序列uk,k=1,2,…,N所表示的动态系统在拓扑意义,下一样的相空间:
xi=(ui,ui+τ,···,ui+(m-1)τ),i=1,2,···,N-(m-1)τ
其中,m是嵌入维数,τ是延迟时间;
(2)可视化,构造以i为横坐标和j为纵坐标的直角坐标系,分别计算两组向量之间和的距离R(i,j)=||xi-xj||,i=1,2,···,N-(m-1)τ,j=1,2,···,N-(m-1)τ。并在直角坐标系上以对应的能量显示来获取递归图。
由R(i,j)=R(j,i)和R(i,j)=1,i=j可知,该递归图是关于主对角线对称的。此外,传统的递归图是通过选取一个合适的阈值获取R(i,j)为0或1来构造的二值递归图。即R(i,j)=H(εi-Sij),i=1,2,···,N-(m-1)τ,其中εi为阈值,H(r)为Heaviside单位函数。与传统递归图不同,本发明避免了R矩阵二值化造成的信息丢失,直接采用两个向量的距离(相关性)进行可视化。
进一步的,步骤4所述的迁移学习具体是指:将Inception V3模型全连接网络层之前的网络层视作为瓶颈层,冻结其在大规模源域训练过的全部权重参数,迁移到小规模目标域中,利用冻结的模型提取故障特征。
进一步的,步骤5所述的构建三层全连接神经网络,具体步骤如下:
(1)构建输入层,并采用relu激活,以设定的概率Dropout丢弃部分网络节点,防止过拟合;
(2)构建隐含层,并采用relu激活;
(3)构建输出层,并采用softmax分类;
(4)选取适当的学习参数和优化算法进行全连接神经网络模型训练。
进一步的,步骤5所述的故障检测策略为:将一组时序失稳数据通过滑动窗口不断进行截取并分别生成相应的按照时间序列排列的二维递归图,通过已训练好的深度卷积神经网络模型进行特征提取和故障分类。具体为:当随时间排列的某一个二维递归图分类为故障类别时,则认为此阶段故障发生。通过该二维递归图与之前的二维递归图的平均间隔时间作为故障发生时刻。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明将一维故障信号转化为二维图像,通过递归图从一维故障信号相关性来表现故障信号更丰富的特征。
2、本发明方法将机器视觉中的优势尝试应用于非视觉领域,计算机视觉领域中的深度学习在很大程度上解决了视觉对象的分类、目标检测和识别问题。在这些领域,深度卷积神经网络的表现要胜过人类。
3、本发明采用深度卷积神经网络Inception V3模型进行机械振动故障检测,相比于传统的方法,深度卷积神经网络学习能力强,自动将故障特征选择过程和分类过程融合于一起,减少手工设计特征的巨大工作量,避免特征选择过程可能出现的偏差。从而能够学习到更好的故障特征,可以达到更好的故障检测效果。
附图说明
图1是本发明实施例中基于递归图和深度卷积神经网络的压气机振动故障检测法的流程图。
图2是本发明实施例中压气机气动失稳数据。(横坐标表示时间(转),纵坐标表示流量,图中标注的黑点是故障发生点)
图3是本发明实施例中压气机正常信号的递归图和故障信号的递归图。(左边部分表示正常信号转化的递归图,其特征结构属于均匀结构;右边部分表示故障信号转化的递归图,其特征结构属于漂移结构)
图4是本发明实施例中Inception V3模型。
(左边部分:横坐标是迭代次数,纵坐标是准确率,浅色、深色线分别代表训练、测试准确率;右边部分:横坐标是迭代次数,纵坐标是误差,浅色、深色线分别代表训练、测试误差)
图5是本发明实施例中改进的Inception V3模型的准确率和训练代价。
图6是本发明实施例中测试数据中判定为故障所对应的递归图。
具体实施方式
下面结合实施例及附图对本发明的具体实施方式作进一步详细的描述,但本发明的实施和保护范围不限于此。
本发明方法提出了一种基于递归图和深度卷积神经网络的压气机振动故障检测法,创造性地采用递归图技术将压气机气动失稳信号转化为机器视觉算法处理的二维图像,然后运用深度学习框架下的深度卷积神经网络Inception V3模型实现对机械振动故障的检测。本发明方法适用于机械振动信号的故障检测,应用于压气机气动失稳信号的气动失稳检测。
实施例
下面以具体实施例对本发明做出进一步说明,需要指出的是,以下说明仅仅用于解释本发明的上述方法,而不是用来限定本发明的上述方法。
本发明的具体实施例选取一台单级低速压气机试验台气动失稳数据(王聪,等.轴流压气机旋转失速建模与检测Ⅱ:基于北航低速压气机试验台的实验研究.控制理论与应用,2014.)。基于递归图和深度卷积神经网络的振动故障检测流程图如图1所示,包括以下步骤:
步骤1、建立数据库
原始数据是96组时序信号(失稳发展过程故障数据),每组试信号时长为8500转,如图2所示。本发明对原始数据添加不同程度的高斯白噪声(SNR=37-45)。采用滑动窗口截取信号,设置窗口长度:250,步长:25(周期长度)。最终截取68136个单段信号,其中,正常信号50184个,失速数据17952个。
步骤2.生成递归图
将每组所截取的正常和故障信号依次采用相空间重构及其可视化方法进行处理。
2.1相空间重构
针对时间序列uk(k=1,2,···,250),通过C-C法得到嵌入维数m=5,延迟时间τ=3的相空间:xi=(ui,ui+3,···,ui+12),i=1,2,···,238。
2.2可视化
递归图中的细节纹理体现了对应系统包含的时间相关信息,整幅图展现了系统的全局性质。因此,递归图可以用来描述系统的平稳度。当系统处于非稳态结构时,时间相关信息在递归图上就会表现出细微的纹理结构,随着不平稳性的增加,其在递归图表现出的纹理结构也更加突出。
常见递归图既包含单点纹理、对角线,又包含垂直线和水平线。递归图所表现特征分为:均匀结构、周期结构、漂移结构和突变结构。
图3为压气机正常信号的递归图和故障信号的递归图。如图所示,正常信号对应的递归图,其特征表现为均匀分布属于均匀结构;故障信号对应的递归图,其特征表现为有明显的垂直线和水平线且出现漂移现象,属于漂移结构。
步骤3.图像数据预处理
步骤3所述的进行图像预处理是指进行图片的尺寸缩放、归一化处理和标准化处理。由于Inception V3模型的输入图片的大小要求为299*299,所以将递归图尺寸由242*242统一调整为299*299。
为了让神经网络激活函数的梯度不致于过小,加快收敛,对图片进行归一化操作,把像素值的区间从[0,255]归一化到[0,1],所采用的方法是min-max方法。其计算方法如下:y=(x-min(x))/(max(x)-min(x)),x、y分别为图片像素值转换前、后的值,max(x)、min(x)分别为样本的最大值和最小值。
为了提高网络训练的泛化能力,对图片进行标准化操作,使数据符合标准正态分布(均值变为0,标准差变为1),所采用的方法是Z-score方法。其计算方法如下:x=(x-mean(x))/stddev(x)。设置数据均值mean=[0.485,0.456,0.406]和标准差std=[0.229,0.224,0.225]。
将所有递归图分正常信号和故障信号两类,每类按4:1划分训练集和测试集。
步骤4.利用Inception V3模型进行故障特征提取
图4为Inception V3模型。读取该模型,将Inception V3模型全连接网络层之前的网络层视作为瓶颈层,冻结其在大规模源域训练过的全部权重参数,迁移到小规模目标域中。将预处理后的压气机递归图训练集输入所述Inception V3网络模型中,其卷积层的输出即为自动提取的图像特征。
为了利用所有的提取到的特征,将池化层的输出传到flatten层中,把多维的输入一维化,一维化的特征向量可表示为:X=[X1,X2,···,X2048],其中X是全局特征向量,并作为全连接层的输入。
步骤5.构造三层全连接神经网络进行故障检测
5.1构建输入层,设置的神经元个数为2048,采用的激活函数为Relu函数,其表达式为:f(x)=max(0,x)。以Dropout=50%的概率丢弃部分网络节点,防止过拟合;
5.2构建隐含层,设置的神经元个数为1000,用的激活函数为Relu函数,其表达式为:f(x)=max(0,x)。
5.3构建输出层,设置的神经元个数为2,采用softmax分类器来计算每个类的预测概率。在全连接层中执行矩阵乘法,最终输出C个元素向量,其中C是类别的数量,这里C=2。
5.4训练深度卷积神经网络,设置学习率为0.001,代价函数为交叉熵,Adma优化算法作为优化器,将冻结的模型所提取的递归图训练集特征作为输入,进行200次迭代后得到训练好的全连接网络。
5.5深度卷积神经网络模型准确性测试,利用训练好的神经网络模型,选取多组测试集实验数据进行深度卷积神经网络模型准确性测试。通过多组测试数据结果显示,本发明所提出的压气机气动故障检测方法能够准确地估计检测故障发生时间范围,其中准确率约为82%,所图5所示列举其中一组测试数据的检测结果,相应的故障信号所对应的递归图如图6所示,该递归图所对应的时间序列为8100-8125转,与所标注的气动失稳故障点8125相比,本发明所给出的故障检测时间能够较为准确地逼近故障发生时刻,为压气机气动失稳故障检测提供一种新方法。
Claims (4)
1.基于递归图和深度卷积网络的压气机振动故障检测法,其特征在于,包含如下步骤:
步骤1,建立数据库:收集压气机气动失稳数据,通过添加不同信噪比的高斯白噪声和滑动窗口方法截取足够的气动失稳不同模式的失稳数据:包括失稳前的正常数据和失稳发生时的故障数据;
步骤2、一维振动故障数据转化二维递归图:
针对数据库中的每组数据,运用相空间重构及可视化方法将一维振动故障数据转换成二维递归图,构造二维递归图数据库;
步骤3、图像数据预处理:
对二维递归图数据库中的二维递归图进行尺寸缩放、归一化处理和标准化处理;并将所有处理后的二维递归图划分正常信号和故障信号两类,每类按4:1划分训练集和测试集;
步骤4、基于深度卷积神经网络的故障特征提取;
选取深度卷积神经网络Inception V3模型,采用迁移学习保持模型特征提取环节不变,直接对数据库中二维递归图训练集进行学习来提取故障特征;一维化的故障特征向量可表示为:X=[X1,X2,···,Xi],其中i是特征向量个数,X是全局特征向量,并作为全连接层的输入;
步骤5、构造三层全连接神经网络进行故障检测;
将提取的故障特征,输入神经网络结构对故障特征进行分类,然后通过数据库中的测试集数据进行测试,获取分类准确度较高的神经网络模型并保存;最后利用保存的神经网络模型,对新的试验数据进行故障检测;
步骤2所述的相空间重构及其可视化方法实现包括:
(1)相空间重构:通过使用关联积分同时估计延迟时间和嵌入维数的C-C方法,重构一个与时序序列uk,k=1,2,…,N所表示的动态系统在拓扑意义下一样的相空间:
xi=(ui,ui+τ,···,ui+(m-1)τ),i=1,2,···,N-(m-1)τ
其中,m是嵌入维数,τ是延迟时间;
(2)可视化:构造以i为横坐标和j为纵坐标的直角坐标系,分别计算两组向量之间和的距离R(i,j)=||xi-xj||,i=1,2,···,N-(m-1)τ,j=1,2,···,N-(m-1)τ;并在直角坐标系上以对应的能量显示来获取递归图;
由R(i,j)=R(j,i)和R(i,j)=1,i=j可知,该递归图是关于主对角线对称的;且直接采用两个向量的距离进行可视化。
2.根据权利要求1所述的基于递归图和深度卷积网络的压气机振动故障检测法,其特征在于步骤4所述的迁移学习具体是指:将Inception V3模型全连接网络层之前的网络层视作为瓶颈层,冻结其在大规模源域训练过的全部权重参数,迁移到小规模目标域中,利用冻结的模型提取故障特征。
3.根据权利要求1所述的基于递归图和深度卷积网络的压气机振动故障检测法,其特征在于步骤5所述的构造三层全连接神经网络,具体步骤如下:
(1)构建输入层,并采用relu激活,以设定的概率Dropout丢弃部分网络节点,防止过拟合;
(2)构建隐含层,并采用relu激活;
(3)构建输出层,并采用softmax分类;
(4)选取适当的学习参数和优化算法进行全连接神经网络模型训练。
4.根据权利要求3所述的基于递归图和深度卷积网络的压气机振动故障检测法,其特征在于步骤5所述的故障检测策略为:将一组时序失稳数据通过滑动窗口不断进行截取并分别生成相应的按照时间序列排列的二维递归图,通过已训练好的深度卷积神经网络模型进行特征提取和故障分类;具体为:当随时间排列的某一个二维递归图分类为故障类别时,则认为此阶段故障发生;通过该二维递归图与之前的二维递归图的平均间隔时间作为故障发生时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419501.9A CN111709292B (zh) | 2020-05-18 | 2020-05-18 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419501.9A CN111709292B (zh) | 2020-05-18 | 2020-05-18 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709292A CN111709292A (zh) | 2020-09-25 |
CN111709292B true CN111709292B (zh) | 2023-05-26 |
Family
ID=72538028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419501.9A Active CN111709292B (zh) | 2020-05-18 | 2020-05-18 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709292B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146882B (zh) * | 2020-10-12 | 2022-08-30 | 中国人民解放军海军工程大学 | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
CN112668200B (zh) * | 2021-01-06 | 2023-08-29 | 西安理工大学 | 一种特种设备安全性分析的方法及系统 |
CN112348003A (zh) * | 2021-01-11 | 2021-02-09 | 航天神舟智慧系统技术有限公司 | 基于深度卷积神经网络的飞机加油场景识别方法及系统 |
CN112819093B (zh) * | 2021-02-24 | 2024-02-06 | 浙江工业大学 | 基于小数据集与卷积神经网络的人机不同步识别方法 |
CN113759320A (zh) * | 2021-07-07 | 2021-12-07 | 中国人民解放军国防科技大学 | 基于递归图和深度学习的雷达有源干扰信号识别方法 |
CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及系统 |
CN114152442B (zh) * | 2021-12-24 | 2024-05-24 | 杭州电子科技大学 | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 |
CN114358091B (zh) * | 2022-03-03 | 2022-06-10 | 中山大学 | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 |
CN114722952B (zh) * | 2022-04-20 | 2023-05-26 | 哈尔滨工业大学 | 一种基于表示学习的轴承故障检测和分类的一体化方法 |
CN114821187A (zh) * | 2022-05-19 | 2022-07-29 | 济南大学 | 一种基于判别学习的图像异常检测和定位方法及系统 |
CN117636253A (zh) * | 2023-11-30 | 2024-03-01 | 江苏圣创半导体科技有限公司 | 一种智能灯故障识别方法及系统 |
CN117633520B (zh) * | 2024-01-26 | 2024-04-05 | 西安理工大学 | 基于递归图像的轴流式水轮机空化初生检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243139A (zh) * | 2015-10-10 | 2016-01-13 | 天津大学 | 一种基于深度学习的三维模型检索方法及其检索装置 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN109800796A (zh) * | 2018-12-29 | 2019-05-24 | 上海交通大学 | 基于迁移学习的船舶目标识别方法 |
CN110347851A (zh) * | 2019-05-30 | 2019-10-18 | 中国地质大学(武汉) | 基于卷积神经网络的图像检索方法及系统 |
CN110443276A (zh) * | 2019-06-30 | 2019-11-12 | 天津大学 | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11119235B2 (en) * | 2017-08-25 | 2021-09-14 | Exxonmobil Upstream Research Company | Automated seismic interpretation using fully convolutional neural networks |
-
2020
- 2020-05-18 CN CN202010419501.9A patent/CN111709292B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243139A (zh) * | 2015-10-10 | 2016-01-13 | 天津大学 | 一种基于深度学习的三维模型检索方法及其检索装置 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN109800796A (zh) * | 2018-12-29 | 2019-05-24 | 上海交通大学 | 基于迁移学习的船舶目标识别方法 |
CN110347851A (zh) * | 2019-05-30 | 2019-10-18 | 中国地质大学(武汉) | 基于卷积神经网络的图像检索方法及系统 |
CN110443276A (zh) * | 2019-06-30 | 2019-11-12 | 天津大学 | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709292A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709292B (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
Ahmed et al. | Intelligent condition monitoring method for bearing faults from highly compressed measurements using sparse over-complete features | |
Qin et al. | DTCNNMI: A deep twin convolutional neural networks with multi-domain inputs for strongly noisy diesel engine misfire detection | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
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 | |
Li et al. | Multiscale dynamic fusion prototypical cluster network for fault diagnosis of planetary gearbox under few labeled samples | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
He et al. | MTAD-TF: Multivariate time series anomaly detection using the combination of temporal pattern and feature pattern | |
CN114548190A (zh) | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法 | |
CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN117421667A (zh) | 基于改进灰狼算法优化的Attention-CNN-LSTM工业过程故障诊断方法 | |
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 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
Qi et al. | A new deep fusion network for automatic mechanical fault feature learning | |
CN114781427A (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
CN115017939A (zh) | 一种飞机燃油泵故障智能诊断方法、装置和存储介质 |
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 |