CN111811818B - 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 - Google Patents
基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111811818B CN111811818B CN202010489268.1A CN202010489268A CN111811818B CN 111811818 B CN111811818 B CN 111811818B CN 202010489268 A CN202010489268 A CN 202010489268A CN 111811818 B CN111811818 B CN 111811818B
- Authority
- CN
- China
- Prior art keywords
- clustering
- bearing
- characteristic data
- fault diagnosis
- sample
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,通过给未知分类的滚动轴承数据集指定一个聚类数目,并不断改变偏向度来得到不同的聚类结果,记录指定聚类数目下每一个聚类结果的轮廓系数,再选聚类结果集中轮廓系数最大的聚类结果作为滚动轴承数据集的最终聚类结果,实现滚动轴承故障的诊断分类。本发明能够实现任意指定聚类数目,并得出指定聚类数目的最佳聚类结果,并能在得到聚类数目等于指定聚类数目条件下,找出精度最高的聚类结果,以提高滚动轴承的故障诊断精度。
Description
技术领域
本发明涉及机械故障诊断技术领域,具体涉及一种基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法。
背景技术
随着现代机械装备的复杂化、精密化以及高速化,机械故障诊断遇到了前所未有的挑战,计算机科学与电子信息科学的不断发展,使得人工智能与大数据技术日趋成熟,并且广泛应用在国民经济的的各个领域。把人工智能与大数据技术引进机械故障诊断领域,发展智能故障诊断技术,是现代机械故障诊断发展的主题。
聚类算法是机器学习的一个重要分支,在数据挖掘和模式识别领域有重要作用,聚类分为有监督聚类和无监督聚类,把聚类技术应用到故障诊断领域具有很大的潜力。当前,已有将有监督聚类算法应用到机械故障诊断领域,但确存在精度不高的现象。虽然无监督聚类算法相较于有监督聚类算法具有较高精度,但是无监督聚类算法的一些参数却需要手动调整设置,采取默认的参数设置往往得不到目标聚类数目。因此,对于机械故障诊断的数据集,在无监督聚类的基础上,增加一些有监督聚类的功能,是一项十分有必要的研究。
发明内容
本发明所要解决的是现有AP聚类在滚动轴承故障诊断中聚类数目不理想,聚类精度不高的问题,提供一种基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法。
为解决上述问题,本发明是通过以下技术方案实现的:
基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,包括步骤如下:
步骤1、采集滚动轴承的样本振动数据,并对样本振动数据进行特征提取,得到轴承样本特征数据;
步骤2、利用轴承样本特征数据对基于AP聚类算法的故障诊断模型进行训练,得到训练好的故障诊断模型;
步骤2.1、设定指定聚类数目number和偏向度默认值P0,并令当前迭代次数t为1;
步骤2.2、计算当前迭代下的偏向度P:
P=t*P0
其中,t为当前迭代次数,P0为偏向度默认值;
步骤2.3、基于当前迭代下的偏向度P,基于AP聚类算法的故障诊断模型对轴承样本特征数据进行AP聚类,由此将所有轴承样本特征数据划分为n个聚类;若当前迭代下所得的聚类数目n等于指定聚类数目number,则记录下当前迭代下轴承样本特征数据的聚类结果;
步骤2.4、判断当前迭代下所得的聚类数目n是否大于等于指定聚类数目number:如果是,则令当前迭代次数t+1,并返回步骤2.2;否则,转至步骤2.5;
步骤2.5、取出整个迭代过程中,聚类数目n等于指定聚类数目number所对应的轴承样本特征数据的聚类结果,并计算该聚类结果的性能指标sc(I):
其中,sc(i)为第i个轴承样本特征数据的轮廓系数,i=1,2,…,N,N为轴承样本特征数据的个数;
步骤2.6、将性能指标sc(I)最大的聚类结果作为最终聚类结果,由此得到训练好的故障诊断模型;
步骤3、采集滚动轴承的实时振动数据,并对实时振动数据进行特征提取,得到轴承实时特征数据;
步骤4、将步骤3所得的轴承实时特征数据送入到步骤2所训练好的故障诊断模型中,由此诊断出滚动轴承的故障类型。
步骤1对样本振动数据进行特征提取的方法与步骤3对实时振动数据进行特征提取的方法相同。
步骤2.1中,指定聚类数目number为2或5。
步骤2.1中,偏向度默认值P0为相似度矩阵的中位数。
第i个轴承样本特征数据的轮廓系数sc(i)为:
其中,a(i)为第i个轴承样本特征数据与所在聚类其它样本的平均距离,b(i)为第i个轴承样本特征数据与距离最近的另一个聚类中所有样本的平均距离,i=1,2,…,N,N为轴承样本特征数据的个数。
与现有技术相比,本发明将无监督的AP聚类算法变为一个有监督的AP聚类算法,并将其运用于滚动轴承故障诊断中。通过给未知分类的滚动轴承数据集指定一个聚类数目,并不断改变偏向度来得到不同的聚类结果,记录指定聚类数目下每一个聚类结果的轮廓系数,再选聚类结果集中轮廓系数最大的聚类结果作为滚动轴承数据集的最终聚类结果,实现滚动轴承故障的诊断分类。本发明能够实现任意指定聚类数目,并得出指定聚类数目的最佳聚类结果,并能在得到聚类数目等于指定聚类数目条件下,找出精度最高的聚类结果,以提高滚动轴承的故障诊断精度。
附图说明
图1为训练故障诊断模型的流程图。
图2为滚动轴承在5种工况下的原始数据。
图3为滚动轴承数据原AP聚类算法聚类结果。
图4为iris、bearing和wine数据集中偏向度值与聚类数目、聚类精度的关系;(a)为偏向度值与聚类数目的关系,(b)为偏向度值与聚类精度的关系。
图5为滚动轴承数据指定聚类数目为2的最佳聚类结果。
图6为滚动轴承数据指定聚类数目为5的最佳聚类结果。
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白,以下结合具体实例,并参照附图,对本发明进一步详细说明。
一种基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,其具体包括步骤如下:
步骤1、采集滚动轴承的样本振动数据,并对样本振动数据进行特征提取,得到轴承样本特征数据。
所述滚动轴承特征数据集为滚动轴承各工况特征数据样本集;首先采集同一型号、转频和采样频率下滚动轴承外圈故障、内圈故障、滚动体故障、保持架故障和正常轴承五个工况的轴承振动数据。把这五个工况的数据分别划分多个样本,每个样本的采样点数为2048,对每个样本提取时域、频域和时频域特征,作为特征数据集1;对每个样本进行EMD、VMD或者小波包WPT分解,取其中的分量进行时域、频域和时频域特征提取,作为特征数据集2;对分解后的分量进行能量特征提取,作为特征数据集3。把特征1、2、3结合在一起,组成滚动轴承特征数据集。
本实施例中用到的数据集为滚动轴承特征数据集,采用美国Spectra Quest公司生产的机械综合故障模拟实验平台(MFS-MG)采集,在12.8KMz采样频率下采集了5种工况下的轴承振动数据,如图2所示,这5种工况分别是内圈故障、外圈故障、滚动体故障、保持架故障和正常的轴承。首先把5种工况的振动信号中间部分稳定信号各取30个样本数据,每个样本数据为2048个采样点的信号段,得到150个样本数据。再对每个样本数据提取时域、频域和能量三个方面的特征,对每个样本提取14种时频域特征,得到150×14的特征样本矩阵;再对每个样本进行小波包(WP)分解,对前8个分量进行时频域特征提取,得到150×112的特征样本矩阵;再对小波包分解的8个分量进行能量特征提取,得到150×8的特征样本矩阵;最后把三种特征整合到一起,得到150×134的总特征样本矩阵,这个特征矩阵就是本实施例的滚动轴承特征数据集。
步骤2、利用轴承样本特征数据对基于AP聚类算法的故障诊断模型进行训练,得到训练好的故障诊断模型。如图1所示。
AP聚类算法(Affinity propagation Clustering Algorithm)是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同,AP聚类算法不需要在运行算法之前确定聚类的个数。AP聚类算法寻找的"examplars"即聚类中心点是数据集合中实际存在的点,作为每类的代表,其原理是根据吸引度和归属度来确定聚类中心点并进行聚类。
在现有AP聚类算法中,通过吸引度R矩阵和归属度A矩阵进行交替更新来实现消息的传递,其具体如下:
样本j对成为样本i的类代表点的吸引度R(i,j)为:
样本i选择样本j作为类代表点的归属度A(i,j)为:
在迭代过程中,吸引程度R和归属程度A的更新公式如下,
R(i,j)=λR(i,j)+(1-λ)Rold(i,j)
A(i,j)=λA(i,j)+(1-λ)Aold(i,j)
式中,Rold(i,j)、Aold(i,j)分别表示R(i,j)、A(i,j)的前一次迭代值。λ为阻尼因子,其取值范围为[0.5,1]。
利用E(i,j)是用来衡量样本j是否能成为样本i类代表点的值,其公式如下:
E(i,j)=A(i,j)+R(i,j)
相似度矩阵是样本间特征点之间的相似度,假设有N个样本,则相似度矩阵如下:
式中,S(i,j)为样本i与样本j的相似度。样本i与样本j的相似度S(i,j)以欧式负距离来衡量,其公式如下:
S(i,j)=-||xi-xj||2
式中,xi为样本i,xj为样本j。
在现有AP聚类算法中,偏向度的默认值P0取相似度矩阵的中位数,其公式如下:
P0=median(S)
当偏向度取默认值P0时,其聚类结果如图3所示,由图可看出,聚类结果并不理想。
步骤2.1、设定指定聚类数目number和偏向度默认值P0,并令当前迭代次数t为1。
上述指定聚类数目number可以按工况分为5类(滚动轴承外圈故障、内圈故障、滚动体故障、保持架故障和正常轴承),也可以按故障和无故障可分为2类。
上述偏向度默认值P0为相似度矩阵的中位数。
步骤2.2、计算当前迭代下的偏向度P。
偏向度是一个与聚类结果数目密切相关的参数。总体来说,偏向度越小,其聚类结果中聚类数目越少,然而不同大小的偏向度也有可能得到同样的聚类数目,但是其精度不一样。考虑到采用固定偏向度时,所得到的聚类结果往往聚类数目偏多,在处理很多的数据集时得不到理想的聚类结果问题,本发明采用动态偏向度,并让偏向度与迭代次数相关联,其偏向度P的计算公式为:
P=t*P0
其中,t为当前迭代次数,P0为偏向度默认值。根据公式P=t*P0可知,每迭代一次就得到一个新的偏向度,新的偏向度经过AP聚类,得到一个聚类结果。
如图4所示,偏向度倍数是指默认偏向度的倍数,因为相似度矩阵是负数,所以倍数越大,偏向度越小。bearing数据集在偏向度倍数为2-6时聚类数目相同,但其聚类精度有所差别。
步骤2.3、基于当前迭代下的偏向度P,基于AP聚类算法的故障诊断模型对轴承样本特征数据进行AP聚类,由此将所有轴承样本特征数据划分为n个聚类;当聚类数目n等于指定聚类数目number时,记录下当前迭代下所有轴承样本特征数据的聚类结果。
步骤2.4、判断步骤2.3所得的当前迭代下的聚类数目n是否大于等于指定聚类数目number:如果是,则令当前迭代次数t+1,并返回步骤2.2继续迭代。否则,停止迭代。
步骤2.5、取出整个迭代过程中,聚类数目n等于指定聚类数目number所对应的所有轴承样本特征数据的聚类结果,并计算该聚类结果的性能指标sc(I):
其中,sc(i)为第i个轴承样本特征数据的轮廓系数,a(i)为第i个轴承样本特征数据与所在聚类其它样本的平均距离(欧式距离),b(i)为第i个轴承样本特征数据与距离最近的另一个聚类中所有样本的平均距离(欧式距离),i=1,2,…,N,N为轴承样本特征数据的个数。
表1为指定聚类数目为5时,所取出的聚类数目n等于指定聚类数目number所对应的所有轴承样本特征数据的聚类结果。
迭代次数t | 2 | 3 | 4 | 5 | 6 |
聚类数目 | 5 | 5 | 5 | 5 | 5 |
轮廓系数 | 0.5416 | 0.5561 | 0.5561 | 0.5416 | 0.5416 |
聚类准确率 | 0.98 | 1 | 1 | 0.98 | 0.98 |
表1指定聚类数目为5的所有聚类结果
步骤2.6、将性能指标sc(I)最大的聚类结果作为最终聚类结果,由此得到训练好的故障诊断模型。
当指定聚类数目为2时,最佳聚类结果如图5所示。当指定聚类数目为5时,最佳聚类结果如图6所示。
步骤3、采集滚动轴承的实时振动数据,并对实时振动数据进行特征提取,得到轴承实时特征数据。
步骤3对实时振动数据进行特征提取的方法与步骤1对样本振动数据进行特征提取的方法相同。
步骤4、将步骤3所得的轴承实时特征数据送入到步骤2所训练好的故障诊断模型中,由此诊断出滚动轴承的故障类型。
当指定聚类数目为2时,滚动轴承的故障类型被诊断为正常的轴承或故障的轴承这2类。当指定聚类数目为5时,滚动轴承的故障类型被诊断为内圈故障、外圈故障、滚动体故障、保持架故障或正常的轴承这5类。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (5)
1.基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,其特征是,包括步骤如下:
步骤1、采集滚动轴承的样本振动数据,并对样本振动数据进行特征提取,得到轴承样本特征数据;
步骤2、利用轴承样本特征数据对基于AP聚类算法的故障诊断模型进行训练,得到训练好的故障诊断模型;
步骤2.1、设定指定聚类数目number和偏向度默认值P0,并令当前迭代次数t为1;
步骤2.2、计算当前迭代下的偏向度P:
P=t*P0
其中,t为当前迭代次数,P0为偏向度默认值;
步骤2.3、基于当前迭代下的偏向度P,基于AP聚类算法的故障诊断模型对轴承样本特征数据进行AP聚类,由此将所有轴承样本特征数据划分为n个聚类;若当前迭代下所得的聚类数目n等于指定聚类数目number,则记录下当前迭代下轴承样本特征数据的聚类结果;
步骤2.4、判断当前迭代下所得的聚类数目n是否大于等于指定聚类数目number:如果是,则令当前迭代次数t+1,并返回步骤2.2;否则,转至步骤2.5;
步骤2.5、取出整个迭代过程中,聚类数目n等于指定聚类数目number所对应的轴承样本特征数据的聚类结果,并计算该聚类结果的性能指标sc(I):
其中,sc(i)为第i个轴承样本特征数据的轮廓系数,i=1,2,…,N,N为轴承样本特征数据的个数;
步骤2.6、将性能指标sc(I)最大的聚类结果作为最终聚类结果,由此得到训练好的故障诊断模型;
步骤3、采集滚动轴承的实时振动数据,并对实时振动数据进行特征提取,得到轴承实时特征数据;
步骤4、将步骤3所得的轴承实时特征数据送入到步骤2所训练好的故障诊断模型中,由此诊断出滚动轴承的故障类型。
2.根据权利要求1所述基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,其特征是,步骤1对样本振动数据进行特征提取的方法与步骤3对实时振动数据进行特征提取的方法相同。
3.根据权利要求1所述基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,步骤2.1中,指定聚类数目number为2或5。
4.根据权利要求1所述基于指定聚类数目AP聚类算法的滚动轴承故障诊断方法,步骤2.1中,偏向度默认值P0为相似度矩阵的中位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489268.1A CN111811818B (zh) | 2020-06-02 | 2020-06-02 | 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489268.1A CN111811818B (zh) | 2020-06-02 | 2020-06-02 | 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111811818A CN111811818A (zh) | 2020-10-23 |
CN111811818B true CN111811818B (zh) | 2022-02-01 |
Family
ID=72848202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489268.1A Active CN111811818B (zh) | 2020-06-02 | 2020-06-02 | 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111811818B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977857B (zh) * | 2023-08-07 | 2024-06-11 | 广东粤港供水有限公司 | 一种基于深度学习的隧道裂缝自动检测方法 |
CN117991082B (zh) * | 2024-04-07 | 2024-06-11 | 垣矽技术(青岛)有限公司 | 一种适用于电流频率转换芯片的故障诊断监管系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945324A (zh) * | 2012-11-13 | 2013-02-27 | 江苏科技大学 | 无刷直流电机的多模型最小二乘支持向量机建模方法 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
CN107798353A (zh) * | 2017-11-16 | 2018-03-13 | 中国民航大学 | 一种间歇过程监控数据处理方法 |
CN108090427A (zh) * | 2017-12-07 | 2018-05-29 | 上海电机学院 | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 |
CN109186973A (zh) * | 2018-08-20 | 2019-01-11 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
CN109543034A (zh) * | 2018-11-07 | 2019-03-29 | 中山大学 | 基于知识图谱的文本聚类方法、装置及可读存储介质 |
CN109582003A (zh) * | 2018-12-03 | 2019-04-05 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 |
CN110196165A (zh) * | 2019-04-29 | 2019-09-03 | 杭州电子科技大学 | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 |
CN110567721A (zh) * | 2019-10-28 | 2019-12-13 | 齐鲁工业大学 | 一种滚动轴承故障诊断方法及系统 |
CN110956210A (zh) * | 2019-11-29 | 2020-04-03 | 重庆邮电大学 | 一种基于ap聚类的半监督网络水军识别方法及系统 |
-
2020
- 2020-06-02 CN CN202010489268.1A patent/CN111811818B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945324A (zh) * | 2012-11-13 | 2013-02-27 | 江苏科技大学 | 无刷直流电机的多模型最小二乘支持向量机建模方法 |
KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN107798353A (zh) * | 2017-11-16 | 2018-03-13 | 中国民航大学 | 一种间歇过程监控数据处理方法 |
CN108090427A (zh) * | 2017-12-07 | 2018-05-29 | 上海电机学院 | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 |
CN109186973A (zh) * | 2018-08-20 | 2019-01-11 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
CN109543034A (zh) * | 2018-11-07 | 2019-03-29 | 中山大学 | 基于知识图谱的文本聚类方法、装置及可读存储介质 |
CN109582003A (zh) * | 2018-12-03 | 2019-04-05 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 |
CN110196165A (zh) * | 2019-04-29 | 2019-09-03 | 杭州电子科技大学 | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 |
CN110567721A (zh) * | 2019-10-28 | 2019-12-13 | 齐鲁工业大学 | 一种滚动轴承故障诊断方法及系统 |
CN110956210A (zh) * | 2019-11-29 | 2020-04-03 | 重庆邮电大学 | 一种基于ap聚类的半监督网络水军识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
Application of Affinity Propagation Clustering Algorithm in Fault Diagnosis of Metro Vehicle Auxiliary Inverter;J Gao.;《Lecture Notes in Electrical Engineering》;20140131;全文 * |
基于EEMD的样本熵的滚动轴承AP聚类故障诊断;许凡 等;《仪表技术与传感器》;20170615;全文 * |
基于VMD和PCT的旋转机械故障诊断方法研究;徐飞;《组合机床与自动化加工技术》;20191120;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111811818A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316046B (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
Li et al. | A new adversarial domain generalization network based on class boundary feature detection for bearing fault diagnosis | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN111811818B (zh) | 基于指定聚类数目ap聚类算法的滚动轴承故障诊断方法 | |
CN110232435B (zh) | 一种自适应深度置信网络滚动轴承故障诊断方法 | |
CN111899882B (zh) | 一种预测癌症的方法及系统 | |
CN109406118B (zh) | 一种基于层次卷积神经网络的机械故障预测方法 | |
CN111797567A (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110263119A (zh) | 一种案例推理分类器案例检索方法 | |
CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN114925809B (zh) | 基于lstm的印刷机轴承故障诊断方法及装置 | |
CN114861740A (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 | |
CN111881848A (zh) | 基于变分模态分解与改进粒子群的电机故障信号提取方法 | |
CN111368686B (zh) | 一种基于深度学习的脑电图情感分类方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
CN115326398B (zh) | 一种基于模糊宽度学习模型的轴承故障诊断方法 | |
CN116296338A (zh) | 一种旋转机械故障诊断方法 | |
CN108509735B (zh) | 一种缸套-活塞环磨合状态预测方法 | |
CN114021275B (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
CN114186593B (zh) | 噪声条件下轴承故障识别方法、装置、设备和存储介质 | |
CN114705431A (zh) | 基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法 |
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 |