CN111723658B - 基于卷积神经网络的旋转机械故障征兆识别方法 - Google Patents

基于卷积神经网络的旋转机械故障征兆识别方法 Download PDF

Info

Publication number
CN111723658B
CN111723658B CN202010401002.7A CN202010401002A CN111723658B CN 111723658 B CN111723658 B CN 111723658B CN 202010401002 A CN202010401002 A CN 202010401002A CN 111723658 B CN111723658 B CN 111723658B
Authority
CN
China
Prior art keywords
vibration
information matrix
neural network
convolutional neural
domain information
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
CN202010401002.7A
Other languages
English (en)
Other versions
CN111723658A (zh
Inventor
何小锋
杨涛
刘晓锋
卢修连
张恩先
卢承斌
陈波
陈华桂
何利鹏
马运翔
张耀华
彭辉
张泰岩
姚永灵
郭盛
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.)
Huazhong University of Science and Technology
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
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 Huazhong University of Science and Technology, State Grid Jiangsu Electric Power Co Ltd, Jiangsu Fangtian Power Technology Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202010401002.7A priority Critical patent/CN111723658B/zh
Publication of CN111723658A publication Critical patent/CN111723658A/zh
Application granted granted Critical
Publication of CN111723658B publication Critical patent/CN111723658B/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
    • 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
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于卷积神经网络的旋转机械故障征兆识别方法，包括以下步骤：（1）采集旋转机械的轴心对的振动信号；（2）对采集到的轴心对的振动信号进行傅里叶变换，获得振动信号的频域信息矩阵；对采集到的轴心对的两个振动信号进行组合，获得振动信号的时域信息矩阵；（3）按照预先训练过的卷积神经网络模型的输入形式，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵；（4）将振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的振动综合信息矩阵进行诊断分析，得到旋转机械的故障征兆结果。采用本发明的方法，可以得到旋转机械的故障征兆，辅助实现旋转机械故障的实时智能诊断。

Description

基于卷积神经网络的旋转机械故障征兆识别方法
技术领域
本发明属于旋转机械故障诊断技术相关领域，更具体地，涉及一种基于卷积神经网络的旋转机械故障征兆识别方法。
背景技术
随着现代工业技术的迅速发展，大型的机械设备越来越多地应用在了工业生产之中，这些旋转机械的技术水平和复杂性都在不断提高运行工况也日益复杂多变。大型旋转机械如果发生故障将可能导致机组意外停机，从而提高运行和维护成本，还有可能造成巨大的经济损失和安全事故。旋转机械故障诊断的目的在于故障劣化前对其进行检测、识别和定位，对于确保大型旋转机械的安全可靠运行至关重要，并有助于制定合理的维修计划，降低设备维修费用。
现有的旋转机械诊断方法，大多是对振动信号进行特征提取，然后对特征进行判断。然而很多机械故障具有类似的振动的时频域表现形式，仅依靠振动信号的时频域信息很难准确判断故障类型，易造成误诊断，因此需要结合其他征兆进行综合判断。故障诊断专家系统可以根据多种故障征兆的发生情况，进行综合推理，进而实现旋转机械的故障诊断。然而其中一些重要的故障特征，如轴心轨迹、进动方向等，无法直接观测得到。对这些征兆的判断需要综合多个振动信号，在对其进行适当的处理后，根据专家经验进行判断，无法实现征兆的自动识别，因此无法利用专家系统实现旋转机械实时智能的故障诊断。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于卷积神经网络的旋转机械故障征兆识别方法，其基于卷积神经网络和振动信号的特点，针对旋转机械故障征兆识别方法进行了设计。所述基于卷积神经网络的旋转机械故障征兆识别方法采用时频域分析方法对旋转机械的振动信号进行处理，以得到所述振动信号对应的处理结果，并采用训练好的卷积神经网络对其中的故障特征进行分析，进而得到所述旋转机械的故障征兆，有助于实现旋转机械实时智能的故障诊断。
为实现上述目的，本发明提供了一种基于卷积神经网络的旋转机械故障故障征兆识别方法，其包括以下步骤：
(1)采集旋转机械的轴心对的振动信号；
(2)对采集到的轴心对的振动信号进行傅里叶变换，获得振动信号的频域信息矩阵；
对采集到的轴心对的两个振动信号进行组合，获得振动信号的时域信息矩阵；
(3)按照预先训练过的卷积神经网络模型的输入形式，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵；
(4)将振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的振动综合信息矩阵进行诊断分析，得到旋转机械的故障征兆结果。
进一步的，由设置在所述旋转机械上的振动位移传感器形成对轴心对的振动信号进行采集。
进一步的，所述振动位移传感器沿所述旋转机械的轴向和径向分别设置。
进一步的，所述振动位移传感器以预定采样方式对所述旋转机械进行所述振动信号的采集。
所述预定采样方式为同步整周期采样，采样频率是所述旋转机械转速的2n倍，n为大于等于6的正整数；采样长度为2k个旋转周期，k为大于等于3的正整数。
进一步的，步骤(2)中，获得振动信号的频域信息矩阵的具体步骤包括：
(a1)对X方向的振动信号进行傅里叶变换，得到频率为转速的8倍频以内的振动信息；
(b1)将转速的8倍频以内的振动信息拓展为长度为2n的一维数组，n为大于等于6的正整数；
(c1)将所述一维数组拓展为2k×2n大小的矩阵，作为X方向振动信号的频域信息矩阵Fx，k为大于等于3的正整数；
(d1)对Y方向振动信号进行同样的处理得到Y方向振动信号的频域信息矩阵FY，进而获得轴心对的频域信息矩阵
Figure BDA0002489468440000031
进一步的，步骤(b1)中，将转速的8倍频以内的振动信号拓展为长度为2n的一维数组，具体步骤为：
转速的8倍频以内的谱线数为2n/2k*8，将数组中的每个元素2k/8-1次得到拓展后的长度为2n的一维数组。
进一步的，步骤(2)中，获得振动信号的时域信息矩阵的步骤如下：
(a2)将X方向的振动信号按时序依次截取为2k个长度为2n的行向量，分别记为x1,x2,x3,…,x2k；k为大于等于3的正整数，n为大于等于6的正整数；
(b2)将这些行向量组合为X方向的振动信号的时域信息矩阵
Figure BDA0002489468440000032
(c2)对Y方向的振动信号进行同样的处理得到Y方向的振动信号的时域信息信息矩阵PY；
(d2)将X方向和Y方向的振动信号的时域信息矩阵组合为该轴心对的振动信号的时域信息矩阵
Figure BDA0002489468440000041
进一步的，步骤(3)中，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵的具体步骤包括：
将频域信息矩阵F和时域信息矩阵P矩阵叠加为一个大小为2n×2k×2×2的三维矩阵，即为振动综合信息矩阵，k为大于等于3的正整数，n为大于等于6的正整数。
进一步的，步骤(3)中，所述卷积神经网络模型的预先训练过程包括以下步骤：
(31)对所述旋转机械进行故障实验，对不同的故障实验分别采集振动位移信号，以得到多组不同故障情况下的故障信号，并分析其故障征兆；
(32)对多组故障情况下所述轴心对故障信号进行频域信息和时域信息获取，得到轴心对的振动综合信息矩阵，作为卷积神经网络模型的输入；
(33)将频域信息和轴心对信息作为所述卷积神经网络的输入矩阵同时根据故障实验中每种故障征兆的发生情况，构造对应的输出矩阵；
(34)设置所述卷积神经网络模型的参数，将输入矩阵及输出矩阵输入所述卷积神经网络进行训练，得到用于所述旋转机械故障征兆识别的预先训练的卷积神经网络模型。
故障信号进行频域信息分析获取的步骤与上述步骤(2)和步骤(3)同理。
进一步的，所述故障征兆包括频谱征兆、轴心轨迹征兆、相位征兆、进动征兆。
进一步的，所述频谱征兆的发生情况包括1倍频大、2倍频大、3倍频大、频谱呈纵树形。所述轴心轨迹征兆的发生情况包括圆形、椭圆形、八字形、紊乱。所述相位征兆的发生情况包括稳定、不稳定。所述进动征兆的发生情况包括正进动、反近动、紊乱。
进一步的，所述卷积神经网络模型包括第一卷积层、第一下采样层、第二卷积层、第二下采样层、全连接神经网络及多个分类器，所述第一卷积层、所述第一下采样层、所述第二卷积层、所述第二下采样层及所述全连接神经网络依次相连接。分类器的个数和故障征兆的种类相同，每个分类器判断一种征兆的发生情况。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于卷积神经网络的旋转机械故障征兆识别方法，其采用时频域分析方法对旋转机械的振动信号进行处理，并采用训练好的卷积神经网络模型对所述处理结果进行故障征兆分析，进而得到所述旋转机械的故障征兆，以辅助实现旋转机械故障的实时智能诊断。
附图说明
图1是本发明较佳实施方式提供的基于卷积神经网络的旋转机械故障征兆识别方法的流程图。
图2是图1中的基于卷积神经网络的旋转机械故障征兆识别方法涉及的卷积神经网络的结构示意图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：10-卷积神经网络，11-第一卷积层，12-第一池化层，13-第二卷积层，14-第二池化层，15-全连接神经网络。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1及图2，本发明较佳实施方式提供的基于卷积神经网络的旋转机械故障征兆识别方法，其包括以下步骤：
步骤一，采集旋转机械的振动信号。具体地，在所述旋转机械上设置振动位移传感器，形成轴心对，在所述旋转机械的运动过程中，所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号采集。
所述振动位移传感器设置两个，沿所述旋转机械的轴的径向的水平和垂直方向分别设置，以检测所述旋转机械沿所述径向的振动。本实施方式中，所述振动位移传感器为电涡流位移传感器，其沿所述轴的径向的水平和垂直方向设置。
所述采样方式包括采样长度及采样频率。本实施方式中，采用同步整周期采样，用来减小转速变化对采样集的影响，n取值为8，k取值为4。则同步整周期采样的采样频率是所述旋转机械转速的256倍，每次采集16个周期的振动信号。
步骤二，对采集到的所述轴心对的振动信号进行傅里叶变换，获得信号的频域信息。具体地，对所述轴心对的振动信号进行傅里叶变换以得到频域信息的步骤如下：
(a)对X方向的振动信号进行傅里叶变换，得到频率为转速的8倍频以内的振动信息；
(b)将转速的8倍频以内的振动信息拓展为长度为256的一维数组：根据傅里叶变换原理，转速的8倍频以内的谱线数为256/16*8＝128，记为A＝[a1 a2 a3 ... a128]，为了构成长度为256的数组，将每个元素重复一次得到A′＝[a1 a1 a2 a2 ... a128 a128]，即为拓展后的一维数组A′。
(c)将所述一维数组拓展为16×256大小的矩阵，作为X方向振动信号的频域信息矩阵Fx，
Figure BDA0002489468440000061
(d)对Y方向振动信号进行同样的处理得到FY，进而获得轴心对振动信号的频域信息矩阵
Figure BDA0002489468440000071
对轴心对的两个位移传感器振动信号进行组合，获取轴心对振动信号的时域信息，具体步骤如下：
(a)将X方向位移传感器的振动信号按时序依次截取为16个长度为256的行向量，分别记为x1,x2,x3,…,x16；
(b)将这些行向量组合为X方向位移传感器的振动信号的时域信息矩阵
Figure BDA0002489468440000072
(c)采用同样的方式得到Y方向位移传感器的振动信号的时域信息矩阵PY；
(d)将X方向和Y方向位移传感器的振动信号的时域信息矩阵组合为该轴心对的振动信号的时域信息矩阵
Figure BDA0002489468440000073
步骤三，按照预先训练过的卷积神经网络模型的输入形式，对所述频域信息矩阵和轴心对振动信号的时域信息矩阵进行预处理，得到振动综合信息矩阵。具体地，按照所述卷积神经网络模型的输入形式将频域信息矩阵和时域信息矩阵组合作为所述卷积神经网络的输入。本实施方式中，将F和P矩阵叠加为一个大小为256×32×2三维矩阵，即为振动综合信息矩阵，作为所述卷积神经网络的输入。
步骤四，将预处理后的所述振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的所述振动综合信息矩阵进行诊断分析，以得到所述旋转机械的故障征兆识别结果。
所述卷积神经网络模型10的训练过程包括以下步骤：
(1)对所述旋转机械进行故障实验，对不同的故障实验分别采集轴心对的振动位移信号，以得到多组不同故障情况下的故障信号。
(2)对多组故障情况下轴心对振动位移信号进频域和时域分析，得到轴心对的振动综合信息矩阵，以得到所述卷积神经网络模型的输入。
(3)根据故障实验中每种故障征兆的发生情况，构造对应的输出矩阵。
(4)设置所述卷积神经网络模型的参数，将输入及输出矩阵输入所述卷积神经网络模型进行训练，以得到用于所述旋转机械故障征兆识别的卷积神经网络模型。
本实施方式中，采用转子故障模拟试验台的数据作为卷积神经网络模型的训练数据，对4种故障(转子不平衡、转子不对中、轴承座松动、动静碰摩)和1种正常情况进行多组升速试验，以获取大量的故障数据；所选用的卷积神经网络模型10包括有依次相连接的2个卷积层、2个池化层和4个全连接神经网络，两个所述卷积层分别为第一卷积层11及第二卷积层13；两个所述池化层分别为第一池化层12及第二池化层14；最后通过所述4个全连接神经网络15对四种故障征兆分别进行聚类训练，分别得到频谱征兆、轴心轨迹征兆、相位征兆、进动征兆的识别结果。
本发明提供的基于卷积神经网络的旋转机械故障征兆识别方法，其采用时、频域分析方法对旋转机械的振动信号进行处理，并采用训练好的卷积神经网络模型对所述处理结果进行故障征兆分析，进而得到所述旋转机械的故障征兆，以辅助实现旋转机械故障的实时智能诊断。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，包括以下步骤：
(1)采集旋转机械的轴心对的振动信号；
(2)对采集到的轴心对的振动信号进行傅里叶变换，获得振动信号的频域信息矩阵；
对采集到的轴心对的两个振动信号进行组合，获得振动信号的时域信息矩阵；
(3)按照预先训练过的卷积神经网络模型的输入形式，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵；
(4)将振动综合信息矩阵输入到所述卷积神经网络模型，所述卷积神经网络模型对接收到的振动综合信息矩阵进行诊断分析，得到旋转机械的故障征兆结果；
步骤(2)中，获得振动信号的频域信息矩阵的具体步骤包括：
(a1)对X方向的振动信号进行傅里叶变换，得到频率为转速的8倍频以内的振动信号；
(b1)将转速的8倍频以内的振动信号拓展为长度为2n的一维数组，n为大于等于6的正整数；
(c1)将所述一维数组拓展为2k×2n大小的矩阵，作为X方向振动信号的频域信息矩阵Fx，k为大于等于3的正整数；
(d1)对Y方向的振动信号进行同样的处理得到Y方向振动信号的频域信息矩阵FY，获得振动信号的频域信息矩阵
Figure FDA0003582085360000011
2.根据权利要求1所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，步骤(1)中，由设置在所述旋转机械上的振动位移传感器形成对轴心对的振动信号进行采集。
3.根据权利要求2所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，所述振动位移传感器沿旋转机械的轴向和径向分别设置。
4.根据权利要求2所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，所述振动位移传感器以预定采样方式对所述旋转机械进行振动信号的采集。
5.根据权利要求4所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，所述预定采样方式为同步整周期采样，采样频率为所述旋转机械转速的2n倍，n为大于等于6的正整数；采样时间长度为2k个旋转周期，k为大于等于3的正整数。
6.根据权利要求1所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，步骤(b1)中，将转速的8倍频以内的振动信号拓展为长度为2n的一维数组，具体步骤为：
转速的8倍频以内的谱线数为2n/2k*8，将数组中的每个元素重复2k/8-1次得到拓展后的长度为2n的一维数组。
7.根据权利要求1所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，步骤(2)中，获得振动信号的时域信息矩阵的具体步骤包括：
(a2)将X方向的振动信号按时序依次截取为2k个长度为2n的行向量，分别记为x1,x2,x3,…,
Figure FDA0003582085360000021
k为大于等于3的正整数，n为大于等于6的正整数；
(b2)将这些行向量组合为X方向的振动信号的时域信息矩阵
Figure FDA0003582085360000031
(c2)对Y方向的振动信号进行同样的处理得到Y方向的振动信号的时域信息矩阵PY；
(d2)将X方向和Y方向的振动信号的时域信息矩阵组合为振动信号的时域信息矩阵
Figure FDA0003582085360000032
8.根据权利要求1或7所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，步骤(3)中，对频域信息矩阵和时域信息矩阵进行预处理，得到振动综合信息矩阵的具体步骤包括：
将频域信息矩阵F和时域信息矩阵P矩阵叠加为一个大小为2n×2k×2×2的三维矩阵，即为振动综合信息矩阵，k为大于等于3的正整数，n为大于等于6的正整数。
9.根据权利要求1或7所述的基于卷积神经网络的旋转机械故障征兆识别方法，其特征是，步骤(3)中，卷积神经网络模型的预先训练过程包括以下步骤：
(31)对所述旋转机械进行故障实验，对不同的故障实验分别采集轴心对的振动位移信号，得到多组不同故障情况下的故障信号；
(32)对多组故障情况下轴心对故障信号进行频域和时域信息分析获取，得到轴心对的振动综合信息矩阵，作为卷积神经网络模型的输入；
(33)根据故障实验中每种故障征兆的发生情况，构造对应的输出矩阵；
(34)设置卷积神经网络模型的参数，将输入及输出矩阵输入卷积神经网络模型进行训练，得到用于所述旋转机械故障征兆识别的预先训练的卷积神经网络模型。
CN202010401002.7A 2020-05-13 2020-05-13 基于卷积神经网络的旋转机械故障征兆识别方法 Active CN111723658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010401002.7A CN111723658B (zh) 2020-05-13 2020-05-13 基于卷积神经网络的旋转机械故障征兆识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010401002.7A CN111723658B (zh) 2020-05-13 2020-05-13 基于卷积神经网络的旋转机械故障征兆识别方法

Publications (2)

Publication Number Publication Date
CN111723658A CN111723658A (zh) 2020-09-29
CN111723658B true CN111723658B (zh) 2022-06-10

Family

ID=72564344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010401002.7A Active CN111723658B (zh) 2020-05-13 2020-05-13 基于卷积神经网络的旋转机械故障征兆识别方法

Country Status (1)

Country Link
CN (1) CN111723658B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226074A (zh) * 2016-09-22 2016-12-14 华中科技大学 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226074A (zh) * 2016-09-22 2016-12-14 华中科技大学 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法

Also Published As

Publication number Publication date
CN111723658A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Sun et al. Convolutional discriminative feature learning for induction motor fault diagnosis
Wang et al. Cascade convolutional neural network with progressive optimization for motor fault diagnosis under nonstationary conditions
CN110132598A (zh) 旋转设备滚动轴承故障噪声诊断算法
Geng et al. Bogie fault diagnosis under variable operating conditions based on fast kurtogram and deep residual learning towards imbalanced data
CN104697767B (zh) 一种基于振动分析的转子系统故障诊断方法及装置
CN206504869U (zh) 一种滚动轴承故障诊断装置
CN108510153A (zh) 一种多工况旋转机械故障诊断方法
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN112329329B (zh) 仿真数据驱动的旋转机械深度半监督迁移诊断方法
Zhang et al. Multi-model ensemble deep learning method for intelligent fault diagnosis with high-dimensional samples
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN112257767B (zh) 针对类不均衡数据的产品关键零部件状态分类方法
Lee et al. Identifying faults of rolling element based on persistence spectrum and convolutional neural network with ResNet structure
Tao et al. Fault diagnosis of rolling bearing using deep belief networks
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
CN111458145A (zh) 一种基于路图特征的缆车滚动轴承故障诊断方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN111723658B (zh) 基于卷积神经网络的旋转机械故障征兆识别方法
Oh et al. Fault detection for lubricant bearing with cnn
Yu et al. Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN
CN117076935A (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN116484258A (zh) 电梯曳引机轴承故障诊断方法
CN113962289B (zh) 面向终身学习的旋转机械在线智能故障诊断方法及系统
CN114298110B (zh) 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统

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