CN111753891A - 一种无监督特征学习的滚动轴承故障诊断方法 - Google Patents

一种无监督特征学习的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN111753891A
CN111753891A CN202010530872.4A CN202010530872A CN111753891A CN 111753891 A CN111753891 A CN 111753891A CN 202010530872 A CN202010530872 A CN 202010530872A CN 111753891 A CN111753891 A CN 111753891A
Authority
CN
China
Prior art keywords
sample set
convolution
rolling bearing
weight
layer
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.)
Granted
Application number
CN202010530872.4A
Other languages
English (en)
Other versions
CN111753891B (zh
Inventor
李继猛
吴浩
姚希峰
黎芷昕
张金凤
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202010530872.4A priority Critical patent/CN111753891B/zh
Publication of CN111753891A publication Critical patent/CN111753891A/zh
Application granted granted Critical
Publication of CN111753891B publication Critical patent/CN111753891B/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
    • 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
    • G06F18/21—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM‑AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。

Description

一种无监督特征学习的滚动轴承故障诊断方法
技术领域
本发明涉及设备维护技术领域，尤其涉及一种无监督特征学习的滚动轴承故障诊断方法。
背景技术
旋转机械是工业上应用最广泛的机械，如风机、发电机、压缩机等旋转机械设备是石油、电力等现代企业中的生产工具。由于运行工况多变、工作环境复杂，故障发生几率逐渐增大，因此为其提供精准、有效的诊断具有非常重要的意义。故障诊断技术是以预报和诊断设备故障为目的较为完善的综合性技术，对旋转机械的故障预警和故障识别起到至关重要的作用。振动信号作为机械设备状态信息的重要载体，由于各种故障引起的振动信号各不相同，如何从大量复杂的振动信号中提取有价值的特征信息来评价设备的健康状况一直是研究的重点。
智能故障诊断能够快速、高效地从传感器采集得到的监测数据中自动提取隐含的故障特征，提供准确的故障诊断结果，是确保机械设备安全运行的重要手段。深度学习作为一种发展迅速的机器学习方法，凭借多个隐含层可以学习到数据中深层次的隐含特征，相比于传统的机器学习方法能够摆脱专业技术人员手动特征设计过程，通过进行复杂映射关系的拟合，自适应地从原始数据中学到抽象代表性的特征，在故障诊断领域得到了广泛的研究。卷积神经网络作为一种常用的深度学习模型，通过卷积池化结构进行特征提取，利用反向传播算法对网络参数进行调整从而实现分类或预测的功能。卷积神经网络往往需要大规模的标签数据集对其参数进行训练学习，而在机械故障诊断中的标签数据往往是有限的，直接应用有监督卷积神经网络可能难以在故障诊断中获得稳定性能，同时复杂的参数寻优过程也增加了网络训练时间。
发明内容
本发明的目的在于提供一种能够自适应地从原始振动数据中进行无监督特征学习，在保证较高精度的同时能够有效缩短模型训练时间，提高算法运行效率的一种无监督特征学习的滚动轴承故障诊断方法。
本发明采用的技术方案如下：
本发明所提出的一种无监督特征学习的滚动轴承故障诊断方法，包括以下步骤：S1、采集滚动轴承在不同健康状态下的振动信号；S2、对振动信号进行非重叠截取处理，分别构造权值训练样本集和模型训练样本集以及测试样本集，并对样本集中的数据进行标准化处理；S3、采用自编码极限学习机对权值训练样本集进行无监督学习，得到隐含层和输出层之间的权值矩阵；S4、对得到的权值矩阵进行叠加处理，得到卷积池化结构中的卷积核，并利用卷积池化结构对模型训练样本集和测试样本集进行特征提取；S5、利用从模型训练样本集中提取到特征向量集对支持向量机进行有监督训练，并将训练好的模型用于测试样本集进行滚动轴承健康状态的识别与分类。
进一步的，所述步骤S2具体包括：用长度为M的滑动窗对所述原始振动信号进行非重叠截取，从中选取若干组数据分别作为权值训练样本集Xptr、模型训练样本集Xtr以及测试样本集Xte，其中权值训练样本集Xptr用于对 ELM-AE进行权值矩阵的训练和学习；模型训练样本集Xtr以及测试样本集 Xte分别用于对支持向量机模型进行训练和测试；为增加数据间的可比性，对样本集Xptr、Xtr和Xte中的数据进行Z-score标准化处理，公式如下
Figure RE-GDA0002646904650000021
其中，xi表示样本集中第i个样本值，
Figure RE-GDA0002646904650000022
表示标准化后的样本值，μ和δ分别表示样本xi的均值和标准差。
进一步的，所述步骤S3具体包括：建立单隐含层前馈ELM-AE网络模型，对所述权值训练样本集Xptr进行无监督学习，模型输出数学表达式如下
Figure RE-GDA0002646904650000031
其中，L表示隐含层的神经元数量，g(·)表示Sigmoid激励函数，βk表示隐含层第k个神经元与输出层的输出权值向量，wk和bk分别表示输入层与隐含层第k个神经元之间的权值向量与偏置；通过ELM-AE网络模型的无监督学习获得隐含层和输出层间的权值矩阵
Figure RE-GDA0002646904650000032
其中βk的长度与样本集Xptr中的样本长度相同。
进一步的，所述步骤S4具体包括：对得到的所述权值矩阵β进行叠加处理，得到卷积层滤波器的卷积核ω，公式如下
ω＝β1+β2+…+βL
构建卷积池化网络结构，对模型训练样本集合测试样本集进行特征提取，卷积滤波的数学公式如下
c＝f(x*ω+b)
其中，*表示卷积运算；b表示偏置；ω表示卷积核；x为输入样本； f(g)表示Sigmoid激励函数，c表示卷积层输出特征；将ELM-AE所学到的权值矩阵整合成了1个滤波器权值，故卷积层滤波器个数为1个，且不再需要利用反向传播算法对滤波器权值进行调整，有效提升了模型学习效率。
将卷积滤波得到的输出特征进行池化处理，采用最大值池化，公式如下
Figure RE-GDA0002646904650000033
其中，c(i)表示输出特征中第i个数据点的值，p代表池化长度，缺省为5；o(j)代表池化层的输出值，j＝1,2…,M，M为c中特征个数与p的比值。
通过利用卷积池化结构对模型训练样本集和测试样本集进行特征提取，分别得到的特征向量集为Ftrain和Ftest。
本发明与现有技术相比具有以下有益效果：
本发明所提出的滚动轴承故障诊断方法通过利用自编码极限学习机对采集到的振动信号进行无监督学习，得到权值向量；然后，将叠加处理后的权值向量作为卷积核，利用卷积池化结构对原始数据进行特征提取；最后，将所学习到的特征输入到支持向量机进行滚动轴承健康状态分类与识别。本发明所提方法能够在保证较高诊断精度的同时，有效缩短模型训练时间，提高算法运行效率。
附图说明
图1是本发明所提出的一种无监督特征学习的滚动轴承故障诊断方法的流程示意图；
图2是本发明中“t-SNE”方法的特征可视化结果图；
图3是本发明中诊断结果分类的混淆矩阵图。
具体实施方式
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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，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讲，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。
本发明所提出的一种无监督特征学习的滚动轴承故障诊断方法，如图1 所示，所述诊断方法具体包括如下步骤：
步骤S1，首先利用振动加速度传感器采集滚动轴承在不同健康状态下的振动数据，本实施例中，所述采样频率设置为12kHz；所述滚动轴承的健康状态包含正常状态、滚动体故障、内圈故障和外圈故障等，三种故障的尺寸分别为0.18mm、0.36mm和0.53mm，共10种状态。
步骤S2，通过长度为1000数据点的滑动窗对步骤S1中采集到的滚动轴承振动数据进行截取，从中选取出800组数据作为权值训练的样本集，选取 1500组数据作为模型训练样本，选取500组数据作为模型测试样本集；并对样本集中的数据进行Z-score标准化处理：
Figure RE-GDA0002646904650000051
其中，xi表示所采集振动信号的第i的样本值，
Figure RE-GDA0002646904650000052
表示标准化后的振动信号的第i个样本值，μ，δ表示样本
Figure RE-GDA0002646904650000053
的均值和标准差。
步骤S3，利用ELM-AE对权值训练样本集进行无监督学习，本实施例中，所述ELM-AE网络的输入层长度为1000数据点，隐含层单元数L＝80；一个具有L个隐含层的ELM-AE的输出数学表达式如下：
Figure RE-GDA0002646904650000054
其中，L表示隐含层的神经元数量，g(·)表示Sigmoid激励函数，βk表示隐含层第k个神经元与输出层的输出权值向量，wk和bk分别表示输入层与隐含层第k个神经元之间的权值向量与偏置。通过ELM-AE网络模型的无监督学习获得隐含层和输出层间的权值矩阵
Figure RE-GDA0002646904650000055
其中βk的长度与样本集Xptr中的样本长度相同。
对于所有样本，令
Figure RE-GDA0002646904650000056
则上式可改写为：
Hβ＝X
其中，H表示[hT(x1)，…，hT(xN)]，X表示[x1，…，xN]。
利用正则化形式求解权值矩阵β，
Figure RE-GDA0002646904650000057
其中，σ1>0，σ2>0，u，v＝0，1，2…，+∞。σ1，σ2和C表示惩罚系数，u和v的不同组合将导致不同程度的稀疏性，达到不同的泛化程度；令σ1＝σ2＝1，u＝v＝2，则得到
Figure RE-GDA0002646904650000058
利用快速迭代收缩阈值算法求解，得到权值矩阵β，
Figure RE-GDA0002646904650000059
步骤S4，首先对权值矩阵β进行叠加处理得到卷积滤波器卷积核ω：
ω＝β1+β2+…+βL
然后将所得到的ω作为卷积池化结构中的滤波器权值，进行特征提取，利用卷积池化结构中的卷积层对模型训练样本集和测试样本集进行特征提取，其中，卷积层的激励函数选用Sigmoid函数；所述卷积层输出特征经过‘SAME’的边缘处理，使得卷积输出后的特征尺寸与输入样本维度一致，值得注意的是本方法没有偏置向量。本发明所提的方法，由于ELM-AE所学到的权值矩阵整合成1个滤波器权值，卷积层滤波器个数为1个，网络结构简单，能够有效提高模型效率。
随后，对卷积层的输出向量进行池化处理，池化方式为最大值池化，最大池化值P＝5；通过池化层后得到模型训练样本的特征向量集Ftrain和模型测试样本的特征向量集Ftest。
利用“t-SNE”方法分别对原始振动数据、模型训练样本集的卷积层输出特征和池化层输出特征进行可视化分析，得到的结果如图2所示，可以看出，与原始数据特征分布情况相比，经本发明方法的卷积层与池化层特征提取后，同种类型样本之间的分布距离逐渐缩小，不同类型样本之间的分布距离逐渐增大，池化层的输出特征聚类效果良好，具有较好的可分性。
步骤S5，本实施例选用基于高斯核函数的支持向量机作为最终分类器，采用LIBSVM工具箱实现滚动轴承健康状态的分类与识别，其中模型惩罚参数C和高斯核参数σ通过交叉验证得到，分别为15和0.25。
将本发明方法的分类结果用混淆矩阵表示，如图3所示；混淆矩阵是一种误差矩阵，通过混淆矩阵可以判断学习算法性能，清晰反映出真实值与预测值相互吻合的程度。
本发明通过采用基于ELM-AE卷积池化结构的无监督特征学习滚动轴承故障诊断方法，能够在缩短模型训练时间的基础上，成功提取数据中蕴含的有效故障特征，使研究目标更有针对性，对实现滚动轴承的故障诊断具有重要意义。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种无监督特征学习的滚动轴承故障诊断方法，其特征在于：所述方法包括以下步骤：
S1、采集滚动轴承在不同健康状态下的振动信号；
S2、对振动信号进行非重叠截取处理，分别构造权值训练样本集和模型训练样本集以及测试样本集，并对样本集中的数据进行标准化处理；
S3、采用自编码极限学习机对权值训练样本集进行无监督学习，得到隐含层和输出层之间的权值矩阵；
S4、对得到的权值矩阵进行叠加处理，得到卷积池化结构中的卷积核，并利用卷积池化结构对模型训练样本集和测试样本集进行特征提取；
S5、利用从模型训练样本集中提取到特征向量集对支持向量机进行有监督训练，并将训练好的模型用于测试样本集进行滚动轴承健康状态的识别与分类。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于：所述步骤S2具体包括：用长度为M的滑动窗对所述原始振动信号进行非重叠截取，从中选取若干组数据分别作为权值训练样本集Xptr、模型训练样本集Xtr以及测试样本集Xte，其中权值训练样本集Xptr用于对ELM-AE进行权值矩阵的训练和学习；模型训练样本集Xtr以及测试样本集Xte分别用于对支持向量机模型进行训练和测试；为增加数据间的可比性，对样本集Xptr、Xtr和Xte中的数据进行Z-score标准化处理，公式如下
Figure RE-FDA0002646904640000011
其中，xi表示样本集中第i个样本值，
Figure RE-FDA0002646904640000012
表示标准化后的样本值，μ和δ分别表示样本xi的均值和标准差。
3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于：所述步骤S3具体包括：建立单隐含层前馈ELM-AE网络模型，对所述权值训练样本集Xptr进行无监督学习，模型输出数学表达式如下
Figure RE-FDA0002646904640000021
其中，L表示隐含层的神经元数量，g(·)表示Sigmoid激励函数，βk表示隐含层第k个神经元与输出层的输出权值向量，wk和bk分别表示输入层与隐含层第k个神经元之间的权值向量与偏置；通过ELM-AE网络模型的无监督学习获得隐含层和输出层间的权值矩阵
Figure RE-FDA0002646904640000022
其中βk的长度与样本集Xptr中的样本长度相同。
4.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于：所述步骤S4具体包括：对得到的所述权值矩阵β进行叠加处理，得到卷积层滤波器的卷积核ω，公式如下
ω＝β1+β2+…+βL
构建卷积池化网络结构，对模型训练样本集合测试样本集进行特征提取，卷积滤波的数学公式如下
c＝f(x*ω+b)
其中，*表示卷积运算；b表示偏置；ω表示卷积核；x为输入样本；f(g)表示Sigmoid激励函数，c表示卷积层输出特征；将ELM-AE所学到的权值矩阵整合成了1个滤波器权值，故卷积层滤波器个数为1个，且不再需要利用反向传播算法对滤波器权值进行调整，有效提升模型学习效率。
将卷积滤波得到的输出特征进行池化处理，采用最大值池化，公式如下
Figure RE-FDA0002646904640000023
其中，c(i)表示输出特征中第i个数据点的值，p代表池化长度，缺省为5；o(j)代表池化层的输出值，j＝1,2…,M，M为c中特征个数与p的比值。
通过利用卷积池化结构对模型训练样本集和测试样本集进行特征提取，分别得到的特征向量集为Ftrain和Ftest。
CN202010530872.4A 2020-06-11 2020-06-11 一种无监督特征学习的滚动轴承故障诊断方法 Active CN111753891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010530872.4A CN111753891B (zh) 2020-06-11 2020-06-11 一种无监督特征学习的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010530872.4A CN111753891B (zh) 2020-06-11 2020-06-11 一种无监督特征学习的滚动轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111753891A true CN111753891A (zh) 2020-10-09
CN111753891B CN111753891B (zh) 2023-04-07

Family

ID=72675933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010530872.4A Active CN111753891B (zh) 2020-06-11 2020-06-11 一种无监督特征学习的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111753891B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506687A (zh) * 2020-11-24 2021-03-16 四川长虹电器股份有限公司 基于多周期分段滑动窗口标准差的故障诊断方法
CN112525505A (zh) * 2020-11-06 2021-03-19 上海电气风电集团股份有限公司 故障检测方法、系统和存储介质
CN112766219A (zh) * 2021-01-31 2021-05-07 石家庄铁道大学 基于深度可分离卷积自编码器的轴承健康评估方法和装置
CN113138080A (zh) * 2021-04-22 2021-07-20 东北大学 基于振动孪生与极限学习的滚动轴承智能故障诊断方法
CN114781551A (zh) * 2022-06-16 2022-07-22 北京理工大学 一种基于大数据的电池多故障智能分类识别方法
CN116304886A (zh) * 2023-05-12 2023-06-23 江苏网进科技股份有限公司 一种基于机器学习的元数据智能分类方法和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
CN107451278A (zh) * 2017-08-07 2017-12-08 北京工业大学 基于多隐层极限学习机的中文文本分类方法
CN109086886A (zh) * 2018-08-02 2018-12-25 工极（北京）智能科技有限公司 一种基于极限学习机的卷积神经网络学习算法
CN109782091A (zh) * 2019-01-30 2019-05-21 西华大学 基于深度小波极限学习机的多电平逆变器故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
CN107451278A (zh) * 2017-08-07 2017-12-08 北京工业大学 基于多隐层极限学习机的中文文本分类方法
CN109086886A (zh) * 2018-08-02 2018-12-25 工极（北京）智能科技有限公司 一种基于极限学习机的卷积神经网络学习算法
CN109782091A (zh) * 2019-01-30 2019-05-21 西华大学 基于深度小波极限学习机的多电平逆变器故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ATMANE ET AL: "Convolutional Neural Network Features Comparison BetweenBack-Propagation and Extreme Learning Machine", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》 *
张强等: "《智能进化算法概述及应用》", 30 September 2018 *
蒋剑: "基于深度卷积神经网络的旋转机械复合故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112525505A (zh) * 2020-11-06 2021-03-19 上海电气风电集团股份有限公司 故障检测方法、系统和存储介质
CN112506687A (zh) * 2020-11-24 2021-03-16 四川长虹电器股份有限公司 基于多周期分段滑动窗口标准差的故障诊断方法
CN112506687B (zh) * 2020-11-24 2022-03-01 四川长虹电器股份有限公司 基于多周期分段滑动窗口标准差的故障诊断方法
CN112766219A (zh) * 2021-01-31 2021-05-07 石家庄铁道大学 基于深度可分离卷积自编码器的轴承健康评估方法和装置
CN113138080A (zh) * 2021-04-22 2021-07-20 东北大学 基于振动孪生与极限学习的滚动轴承智能故障诊断方法
CN114781551A (zh) * 2022-06-16 2022-07-22 北京理工大学 一种基于大数据的电池多故障智能分类识别方法
CN116304886A (zh) * 2023-05-12 2023-06-23 江苏网进科技股份有限公司 一种基于机器学习的元数据智能分类方法和存储介质

Also Published As

Publication number Publication date
CN111753891B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
Saufi et al. Gearbox fault diagnosis using a deep learning model with limited data sample
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN112161784B (zh) 基于多传感器信息融合迁移网络的机械故障诊断方法
CN110849627B (zh) 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
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
CN109186973B (zh) 一种无监督深度学习网络的机械故障诊断方法
CN106682688B (zh) 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
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
CN111323220A (zh) 风力发电机齿轮箱故障诊断方法及系统
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
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
CN112906644A (zh) 基于深度迁移学习的机械故障智能诊断方法
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN115017945A (zh) 基于增强型卷积神经网络的机械故障诊断方法和诊断系统
CN112964469A (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
CN113203566A (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
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
CN114091504A (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
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
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN111076934A (zh) 一种基于s变换诊断轴承潜在故障的方法

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