CN111767521A - 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 - Google Patents
一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 Download PDFInfo
- Publication number
- CN111767521A CN111767521A CN202010571879.0A CN202010571879A CN111767521A CN 111767521 A CN111767521 A CN 111767521A CN 202010571879 A CN202010571879 A CN 202010571879A CN 111767521 A CN111767521 A CN 111767521A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural network
- long
- term memory
- short term
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 58
- 238000005096 rolling process Methods 0.000 title claims abstract description 40
- 230000015654 memory Effects 0.000 title claims abstract description 30
- 238000012546 transfer Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000006403 short-term memory Effects 0.000 claims abstract description 28
- 230000007787 long-term memory Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000001537 neural effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，包括以下步骤：获取振动数据；根据已有的滚动轴承的全寿命周期数据对滚动轴承的状态进行划分；获取振动数据时域特征、频域特征和时频域特征；数据预处理，构造训练集，测试集；构建卷积神经网络‑长短期记忆网络模型；前向传播训练网络，反向传播更新网络参数；判断模型精度是否符合要求；输出模型，用于状态评估；在进行了大量实验的基础上，发现卷积神经网络的精确度较高，长短期记忆网络，泛化能力较高，将两个方法的模型进行融合得到了最终精确度达到95％，泛化能力达到78％的模型。应用一维卷积神经网络，省去了将数据转换为图像的过程，提高了效率。
Description
技术领域
本发明涉及一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，属于旋转机械关键部件滚动轴承的状态评估领域。
背景技术
滚动轴承是旋转机械中的关键部件，根据数据统计，在旋转机械的故障中，由于滚动轴承引起的高达30％以上。输油泵作为远距离管道运输的关键设备，这其中，滚动轴承又起到至关重要的作用。对于大型的旋转机械，通常采用定期维护的方式进行，这就造成了设备过早或不及时的维护，带来一定的经济损失。因此对于滚动轴承的状态评估可以帮助企业对输油泵有一个及时准确的评估，以便制定合理的维护和维修计划，达到经济效益最大化。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，能对输油泵有一个及时准确的评估，以便制定合理的维护和维修计划，达到经济效益最大化。
为了实现上述目的，本发明采用的技术方案是：一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，包括以下步骤；
步骤1：获取振动数据；通过在线监测系统，应用传感器获取输油泵运行过程的劣化数据；
步骤2：根据已有的滚动轴承的全寿命周期数据对滚动轴承的状态进行划分，将滚动轴承的运行状态划分为4个阶段，利用划分好的阶段，对数据集进行打标签；作为后续模型的数据；
步骤3：获取振动数据的时域特征、频域特征和时频域特征，并将三者进行特征混合；
步骤4：数据预处理，构造训练集，测试集；
步骤5：构建卷积神经网络-长短期记忆网络模型，并且进行参数初始化；
步骤6：前向传播训练网络，反向传播更新网络参数；
步骤7：判断模型精度是否符合要求，达到要求则终止训练，否则重新进行训练；
步骤8:输出模型，用于状态评估；
优选的，所述的步骤1根据采集的到的振动数据，获取振动数据的特征，特征主要包括时域，频域，时频域，用来表征滚动轴承的运行特征，对振动数据进行了傅立叶变换，获取振动数据在频域上的特征。
优选的，所述的步骤3中时域特征获取方法通过EEMD算法计算。
优选的，所述的EEMD算法原理为,信号极值点影响IMF,若分布不均匀时会出现模态混叠；把白噪声引入要分析的信号中,白噪声的频谱均勾分布,白噪声使得信号会自动分布到合适的参考尺度上；由于零均值噪声的特性,噪音经过多次的平均计算后会相互抵消,这样集成均值的计算结果就可以直接视作最终结果；集成均值的计算结果与原始信号的差值随着集成平均的次数增加而减少。
优选的，所述的EEMD算法步骤如下：
步骤一：将正态分布的白噪声加到原始信号；
步骤二：将加入白噪声的信号作为一个整体,然后进行EMD分解,得到各IMF
分量；
步骤三：重复步骤一和二,每次加入新的正态分布白噪声序列；
步骤四：将每次得到的IMF做集成平均处理后作为最终结果。
优选的，所述的步骤五所述卷积神经网络-长短期记忆网络模型包括两部分，第一部分为特征提取部分，利用卷积神经网络实现，第二部分为评估部分，利用长短期记忆网络实现。
优选的，所述的卷积神经网络模型将步骤一处理得到的特征数据作为整个模型的输入，首先进行了特征预处理，将特征数据构造为卷积神经网络可以接受的输入，并且对数据集进行划分，获取训练集，测试集，作为模型的训练和评估数据集；卷积神经网络采用一维卷积神经网络。
优选的，所述的长短期记忆网络模型将卷积神经网络的全连接层更换为长短期记忆网络，通过长短期记忆网络的训练，得到最终的模型；采用了两个不同工况下的数据集，其中一个作为测试集，一个作为训练集，并且对于最终的验证，采用交叉验证方法。
优选的，所述的步骤2的滚动轴承的状态划分，采用了PCA降维的方法，对降维后的数据求了较大的拐点，得出不同的状态划分。根据计算结果，将状态分为四种，依次为正常，早期退化，中期退化，快速失效。
本发明的有益效果是：本发明的方法不需要依据先验知识。
在进行了大量实验的基础上，发现卷积神经网络的精确度较高，但是泛化能力较差，长短期记忆网络，精度较低，但是泛化能力较高，因此，将两个方法的模型进行了融合，得到了最终精确度达到95％，泛化能力达到78％的模型。
应用一维卷积神经网络，省去了将数据转换为图像的过程，提高了效率。
附图说明
图1为滚动轴承原始数据振动图像。
图2为卷积神经网络-长短期记忆网络结构。
图3为卷积神经网络-长短期记忆网络训练结果。
图4为长短期记忆网络的结构。
图5为长短期记忆网络训练结果。
图6为卷积神经网络结构。
图7为卷积神经网络结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。
除非另有定义，本文所使用的所有的技术术语和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
如图1-图7所示，一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，包括以下步骤；
步骤1：获取振动数据；通过在线监测系统，应用传感器获取输油泵运行过程的劣化数据；
步骤2：根据已有的滚动轴承的全寿命周期数据对滚动轴承的状态进行划分，将滚动轴承的运行状态划分为4个阶段，利用划分好的阶段，对数据集进行打标签；作为后续模型的数据；
步骤3：获取振动数据的时域特征、频域特征和时频域特征，并将三者进行特征混合；
步骤4：数据预处理，构造训练集，测试集；
步骤5：构建卷积神经网络-长短期记忆网络模型，并且进行参数初始化；
步骤6：前向传播训练网络，反向传播更新网络参数；
步骤7：判断模型精度是否符合要求，达到要求则终止训练，否则重新进行训练；
步骤8:输出模型，用于状态评估；
所述的步骤1根据采集的到的振动数据，获取振动数据的特征，特征主要包括时域，频域，时频域，用来表征滚动轴承的运行特征，对振动数据进行了傅立叶变换，获取振动数据在频域上的特征。
1)时域特征：
表一 时域特征
2)频域特征：
对振动数据进行了傅立叶变换，获取振动数据在频域上的特征。
表二 频域特征
3)时频域特征：
所述的步骤3中时域特征获取方法通过EEMD算法计算。
所述的EEMD算法原理为,信号极值点影响IMF,若分布不均匀时会出现模态混叠；把白噪声引入要分析的信号中,白噪声的频谱均勾分布,白噪声使得信号会自动分布到合适的参考尺度上；由于零均值噪声的特性,噪音经过多次的平均计算后会相互抵消,这样集成均值的计算结果就可以直接视作最终结果；集成均值的计算结果与原始信号的差值随着集成平均的次数增加而减少。
所述的EEMD算法步骤如下：
步骤一：将正态分布的白噪声加到原始信号；
步骤二：将加入白噪声的信号作为一个整体,然后进行EMD分解,得到各IMF分量；
步骤三：重复步骤一和二,每次加入新的正态分布白噪声序列；
步骤四：将每次得到的IMF做集成平均处理后作为最终结果。
获取到时域，频域，时频域特征之后，将特征进行混合，共得到41个特征。
所述的步骤五所述卷积神经网络-长短期记忆网络模型包括两部分，第一部分为特征提取部分，利用卷积神经网络实现，第二部分为评估部分，利用长短期记忆网络实现。
所述的卷积神经网络模型将步骤一处理得到的特征数据作为整个模型的输入，首先进行了特征预处理，将特征数据构造为卷积神经网络可以接受的输入，并且对数据集进行划分，获取训练集，测试集，作为模型的训练和评估数据集；卷积神经网络采用一维卷积神经网络。
所述的长短期记忆网络模型将卷积神经网络的全连接层更换为长短期记忆网络，通过长短期记忆网络的训练，得到最终的模型；采用了两个不同工况下的数据集，其中一个作为测试集，一个作为训练集，并且对于最终的验证，采用交叉验证方法。
所述的步骤2的滚动轴承的状态划分，采用了PCA降维的方法，对降维后的数据求了较大的拐点，得出不同的状态划分。根据计算结果，将状态分为四种，依次为正常，早期退化，中期退化，快速失效。
如图1-图7所示，作为一种实施例，步骤二：利用卷积神经网络和长短期记忆网络进行建模。
整个模型包括两部分，第一部分为特征提取部分，利用卷积神经网络实现，第二部分为评估部分，利用长短期记忆网络实现。
1)构建卷积神经网络模型：
卷积神经网络在图像识别领域应用非常广泛，并且因为良好的自提取特征能力减少了人为进行特征提取的步骤，大大提高了效率。在本方法中，由于原始的振动数据纬度过大，不适合直接利用卷积神经网络进行训练，所以首先进行了特征提取，将得到的41个特征作为卷积神经网络的输入，由卷积神经网络在41个特征中自动提取特征。
将步骤一处理得到的特征数据作为整个模型的输入，首先进行了特征预处理，将特征数据构造为卷积神经网络可以接受的输入，并且对数据集进行划分，获取训练集，测试集，作为模型的训练和评估数据集。
卷积神经网络应用了一维卷积神经网络，相比于传统的二维卷积神经网络，
这样可以省去将数据转换为图像的过程，从而提高效率。
2)构建卷积-长短期记忆网络模型
将卷积神经网络的全连接层更换为长短期记忆网络，通过长短期记忆网络的训练，得到最终的模型。
考虑到模型的泛化能力，这里采用了两个不同工况下的数据集，其中一个作为测试集，一个作为训练集，并且对于最终的验证，采用交叉验证方法。
基于不同模型的状态评估实验：
表三 状态划分
| 数据集 | 样本编号 | 标签 |
| 2 | 0-530 | 1 |
| 2 | 530-696 | 2 |
| 2 | 696-890 | 3 |
| 2 | 890-977 | 4 |
对于滚动轴承的状态划分，采用了PCA降维的方法，对降维后的数据求了较大的拐点，得出不同的状态划分。根据计算结果，将状态分为四种，依次为正常，早期退化，中期退化，快速失效。
表四 不同模型的比较
| 模型 | 迭代次数 | 精确度 | 测试集准确度 |
| 长短期记忆网络 | 500 | 0.78 | 0.77 |
| 卷积神经网络 | 500 | 0.89 | 0.71 |
| 卷积-长短期记忆网络 | 500 | 0.94 | 0.78 |
通过表四可以看到，采用长短期记忆网络模型在使用相同的特征作为输入的情况下，模型的精确度相较卷积神经网络和卷积-长短期记忆网络低，但是测试集精确度比较高；而卷积神经网络的精确度相比长短期记忆网络较高，但是测试集的精确度不高；采用卷积-长短期记忆网络的模型，将两个模型的优势结合了起来，既达到了高精确度，又有不错的测试集准确度。说明了本方法的实用性。长短期记忆网络的结构见图4，卷积神经网络的结构见图6，卷积-长短期记忆网络的结构见图2。
采用长短期记忆网络模型在使用相同的特征作为输入的情况下，模型的精确度相较卷积神经网络和卷积-长短期记忆网络低，但是测试集精确度比较高；而卷积神经网络的精确度相比长短期记忆网络较高，但是测试集的精确度不高；采用卷积-长短期记忆网络的模型，将两个模型的优势结合了起来，既达到了高精确度，又有不错的测试集准确度。
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、等同替换或改进等，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与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，包括以下步骤；
步骤1：获取振动数据；通过在线监测系统，应用传感器获取输油泵运行过程的劣化数据；
步骤2：根据已有的滚动轴承的全寿命周期数据对滚动轴承的状态进行划分，将滚动轴承的运行状态划分为4个阶段，利用划分好的阶段，对数据集进行打标签；作为后续模型的数据；
步骤3：获取振动数据的时域特征、频域特征和时频域特征，并将三者进行特征混合；
步骤4：数据预处理，构造训练集，测试集；
步骤5：构建卷积神经网络-长短期记忆网络模型，并且进行参数初始化；
步骤6：前向传播训练网络，反向传播更新网络参数；
步骤7：判断模型精度是否符合要求，达到要求则终止训练，否则重新进行训练；
步骤8:输出模型，用于状态评估。
2.根据权利要求1所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的步骤1根据采集的到的振动数据，获取振动数据的特征，特征主要包括时域，频域，时频域，用来表征滚动轴承的运行特征，对振动数据进行了傅立叶变换，获取振动数据在频域上的特征。
3.根据权利要求1所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的步骤3中时域特征获取方法通过EEMD算法计算。
4.根据权利要求3所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的EEMD算法原理为,信号极值点影响IMF,若分布不均匀时会出现模态混叠；把白噪声引入要分析的信号中,白噪声的频谱均勾分布,白噪声使得信号会自动分布到合适的参考尺度上；由于零均值噪声的特性,噪音经过多次的平均计算后会相互抵消,这样集成均值的计算结果就可以直接视作最终结果；集成均值的计算结果与原始信号的差值随着集成平均的次数增加而减少。
5.根据权利要求4所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的EEMD算法步骤如下：
步骤一：将正态分布的白噪声加到原始信号；
步骤二：将加入白噪声的信号作为一个整体,然后进行EMD分解,得到各IMF分量；
步骤三：重复步骤一和二,每次加入新的正态分布白噪声序列；
步骤四：将每次得到的IMF做集成平均处理后作为最终结果。
6.根据权利要求1所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的步骤五所述卷积神经网络-长短期记忆网络模型包括两部分，第一部分为特征提取部分，利用卷积神经网络实现，第二部分为评估部分，利用长短期记忆网络实现。
7.根据权利要求1所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的卷积神经网络模型将步骤一处理得到的特征数据作为整个模型的输入，首先进行了特征预处理，将特征数据构造为卷积神经网络可以接受的输入，并且对数据集进行划分，获取训练集，测试集，作为模型的训练和评估数据集；卷积神经网络采用一维卷积神经网络。
8.根据权利要求1所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的长短期记忆网络模型将卷积神经网络的全连接层更换为长短期记忆网络，通过长短期记忆网络的训练，得到最终的模型；采用了两个不同工况下的数据集，其中一个作为测试集，一个作为训练集，并且对于最终的验证，采用交叉验证方法。
9.根据权利要求1所述的一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法，其特征在于，所述的步骤2的滚动轴承的状态划分，采用了PCA降维的方法，对降维后的数据求了较大的拐点，得出不同的状态划分；根据计算结果，将状态分为四种，依次为正常，早期退化，中期退化，快速失效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571879.0A CN111767521A (zh) | 2020-06-22 | 2020-06-22 | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010571879.0A CN111767521A (zh) | 2020-06-22 | 2020-06-22 | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767521A true CN111767521A (zh) | 2020-10-13 |
Family
ID=72721550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010571879.0A Pending CN111767521A (zh) | 2020-06-22 | 2020-06-22 | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767521A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
| CN112784791A (zh) * | 2021-01-29 | 2021-05-11 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频事件判断方法、装置、设备及介质 |
| CN113297792A (zh) * | 2021-05-26 | 2021-08-24 | 浙江大学 | 一种基于振动数据的离心泵能效评估方法 |
| CN113496312A (zh) * | 2021-07-05 | 2021-10-12 | 山东大学 | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 |
| CN113786205A (zh) * | 2021-11-17 | 2021-12-14 | 华南理工大学 | 基于卷积网络和长短期记忆网络的二便预警系统及方法 |
| CN112784791B (zh) * | 2021-01-29 | 2024-06-21 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频事件判断方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020073737A1 (zh) * | 2018-10-10 | 2020-04-16 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
| CN111060316A (zh) * | 2019-12-10 | 2020-04-24 | 华南理工大学 | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 |
-
2020
- 2020-06-22 CN CN202010571879.0A patent/CN111767521A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020073737A1 (zh) * | 2018-10-10 | 2020-04-16 | 浙江大学 | 一种基于深度学习的定量光谱数据分析处理方法 |
| CN111060316A (zh) * | 2019-12-10 | 2020-04-24 | 华南理工大学 | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 唐赛: "基于长短期记忆网络的轴承故障诊断算法研究", 中国优秀硕士论文电子期刊数据库, pages 2 - 4 * |
| 王奉涛等: "基于长短期记忆网络的滚动轴承寿命预测方法", 振动、测试与诊断, pages 2 - 6 * |
| 石朝: "基于力和振动融合的刀具磨损状态辨识方法研究", 中国优秀硕士论文电子期刊数据库, pages 4 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
| CN112784791A (zh) * | 2021-01-29 | 2021-05-11 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频事件判断方法、装置、设备及介质 |
| CN112784791B (zh) * | 2021-01-29 | 2024-06-21 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频事件判断方法、装置、设备及介质 |
| CN113297792A (zh) * | 2021-05-26 | 2021-08-24 | 浙江大学 | 一种基于振动数据的离心泵能效评估方法 |
| CN113496312A (zh) * | 2021-07-05 | 2021-10-12 | 山东大学 | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 |
| CN113786205A (zh) * | 2021-11-17 | 2021-12-14 | 华南理工大学 | 基于卷积网络和长短期记忆网络的二便预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767521A (zh) | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 | |
| CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
| CN112364567B (zh) | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 | |
| CN112906892A (zh) | 一种基于深度学习与知识图谱的设备故障智能诊断方法 | |
| CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
| CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
| CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
| CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
| CN115271225A (zh) | 一种基于小波降噪和神经网络的风力-风功率建模方法 | |
| CN117113264B (zh) | 一种实时在线的污水厂溶解氧仪表异常检测的方法 | |
| 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 | |
| CN114964776A (zh) | 基于mse和pso-svm的轮对轴承故障诊断方法 | |
| CN111382792B (zh) | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 | |
| CN117407665A (zh) | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 | |
| CN109632081B (zh) | 风力发电机组振动特征提取与差异性判别的方法 | |
| CN115100451B (zh) | 一种用于液压泵漏油监控的数据扩充方法 | |
| CN114970698B (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
| CN114780609A (zh) | 基于电力大数据与时间序列的区域碳排放量计算方法 | |
| CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和系统 | |
| CN111144910B (zh) | 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置 | |
| CN108764624A (zh) | 一种工作人员工作饱和程度分析方法 | |
| CN116007938B (zh) | 一种轴承劣化分析和故障诊断方法及系统 | |
| CN117093854B (zh) | 变压器机械故障诊断方法、设备及存储介质 | |
| CN107918828B (zh) | 基于最小充分统计量模式分析的给水泵故障检测方法 | |
| Cao et al. | The software reliability model based on fractals |
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 |