CN111911579B - 一种油压减振活塞阀系统、计算机设备、可读存储介质 - Google Patents

一种油压减振活塞阀系统、计算机设备、可读存储介质 Download PDF

Info

Publication number
CN111911579B
CN111911579B CN202010820102.3A CN202010820102A CN111911579B CN 111911579 B CN111911579 B CN 111911579B CN 202010820102 A CN202010820102 A CN 202010820102A CN 111911579 B CN111911579 B CN 111911579B
Authority
CN
China
Prior art keywords
oil pressure
valve
piston
damping
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
Application number
CN202010820102.3A
Other languages
English (en)
Other versions
CN111911579A (zh
Inventor
李娜
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010820102.3A priority Critical patent/CN111911579B/zh
Publication of CN111911579A publication Critical patent/CN111911579A/zh
Application granted granted Critical
Publication of CN111911579B publication Critical patent/CN111911579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16F—SPRINGS; SHOCK-ABSORBERS; MEANS FOR DAMPING VIBRATION
    • F16F9/00—Springs, vibration-dampers, shock-absorbers, or similarly-constructed movement-dampers using a fluid or the equivalent as damping medium
    • F16F9/32—Details
    • F16F9/34—Special valve constructions; Shape or construction of throttling passages
    • F16F9/3405—Throttling passages in or on piston body, e.g. slots
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16F—SPRINGS; SHOCK-ABSORBERS; MEANS FOR DAMPING VIBRATION
    • F16F9/00—Springs, vibration-dampers, shock-absorbers, or similarly-constructed movement-dampers using a fluid or the equivalent as damping medium
    • F16F9/32—Details
    • F16F9/3207—Constructional features
    • F16F9/3214—Constructional features of pistons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16F—SPRINGS; SHOCK-ABSORBERS; MEANS FOR DAMPING VIBRATION
    • F16F2230/00—Purpose; Design features
    • F16F2230/24—Detecting or preventing malfunction, e.g. fail safe
    • 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)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (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)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid-Damping Devices (AREA)

Abstract

本发明公开一种油压减振活塞阀系统、计算机设备、可读存储介质，涉及减振活塞阀技术领域，通过采集油压减振活塞阀系统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号；运用卷积神经网络对样本数据进行训练、测试，引入宽残差网络模型，通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中；提取各种信号的经典的时域统计学特征、频域特征等，对油压减振活塞阀系统故障进行分类识别。本发明解决了现有技术对于高速动车用油压减振活塞阀系统长期运行中，不能对于各结构的工作中是否有效实施或可能出现的故障预警缺乏有效检测的问题。

Description

一种油压减振活塞阀系统、计算机设备、可读存储介质
技术领域
本发明公开涉及减振活塞阀技术领域，尤其涉及一种油压减振活塞阀系统、计算机设备、可读存储介质。
背景技术
目前，油压减振器是轨道车辆上的重要零部件，具有较高的技术含量，其工作中拉伸和压缩方向的力值主要是通过对减振器活塞中的四组或六组弹簧进行预紧产生，预紧方法通常采用人工预拧调整螺钉后用弹簧试验机检测弹簧预紧力，根据测量结果与工艺要求的偏差值进行调整，调整方法是再次旋转调整螺钉，再检测的循环，直至将弹簧调整到合格预紧力范围内，在生产过程中对操作人员的调整经验有很高的要求，由于每个活塞上有四组或六组弹簧，每次调整时由于弹簧的反作用力使得芯阀与调整螺钉承受越来越大的阻尼力，因此对人员的体力和注意力要求也较高，这个工序通常也是生产过程中的瓶颈工序，会造成生产效率下降，工序人员培训和熟练程度时间较长。
因此如何设计一种高效和操作简单的减振器活塞预紧力调节系统成为本领域亟需解决的技术问题。
为解决上述技术问题，现有技术提供一种用于高速动车油压减振器活塞预紧力的自动调节系统及方法，包括：活塞装置和调节装置，其中，
所述活塞装置包括：活塞、芯阀弹簧、芯阀和调整螺钉，其中，所述活塞包括：芯阀弹簧安装孔、芯阀安装孔和调整螺钉安装孔，所述芯阀安装孔位于所述活塞的一端，用于安装所述芯阀，且所述芯阀一端从所述芯阀安装孔内部延伸至外部，用于与测量杆接触，另一端设有环形托盘；所述调整螺钉安装孔位于所述芯阀安装孔的外侧且位于所述环形托盘的上方，用于安装所述调整螺钉；所述芯阀弹簧安装孔沿竖直方向位于所述环形托盘的下方，用于安装所述芯阀弹簧，所述芯阀弹簧一端与所述环形托盘的底部相连，另一端与所述活塞内壁相连；所述调整螺钉位于所述调整螺钉安装孔内，用于与旋杆接触；
所述调节装置包括：旋杆、设有测量杆的压力传感器、控制器和控制所述旋杆和测量杆移动的伺服电机，其中，所述旋杆位于所述调整螺钉的上方，用于压缩所述芯阀弹簧，调节预紧力；所述测量杆贯穿所述旋杆的内部且其两端均延伸至所述旋杆的外部，一端与所述压力传感器相连，另一端位于所述芯阀的上方，用于压缩所述芯阀进而压缩芯阀弹簧产生预紧力；所述压力传感器分别与所述测量杆和控制器相连，用于将信号发送给控制器；所述控制器分别与所述压力传感器和伺服电机相连，用于接收所述压力传感器发出的信号和发送控制指令给伺服电机。
利用所述的系统对减振器活塞预紧力调节的方法，包括以下步骤：
1)启动所述伺服电机控制所述测量杆向下移动，压缩所述芯阀，所述芯阀上的环形托盘进而压缩所述芯阀弹簧，使得所述调整螺钉与环形托盘产生间隙，产生向上的芯阀弹簧预定预紧力值；
2)所述压力传感器获取所述预定预紧力值后，向所述控制器发送相应信号，所述控制器接收到信号后发送指令给所述伺服电机，控制所述伺服电机停止运行，所述测量杆停止向下移动，待所述测量杆稳定；
3)所述测量杆稳定后，启动所述伺服电机控制所述旋杆向下移动，当所述旋杆与所述调整螺钉的一字槽卡接后，带动所述调整螺钉一起向下旋转移动，调节所述预定预紧力值，所述调整螺钉接触到所述芯阀上的环形托盘时，产生一个下压的力值，此时所述测量杆传递到所述压力传感器的所述预定预紧力值呈现减小的趋势；
4)当所述预定预紧力值减小了2％时，所述压力传感器发送相应的信号所述控制器，所述控制器发出所述伺服电机停止转动的控制指令，此时所述旋杆停止移动，一段时间后，启动所述伺服电机控制所述旋杆与测量杆退回原位；
5)所述活塞装置的预紧力调节完成，取出所述活塞装置，进行下一组活塞装置的预紧力调节，重复上述步骤。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术对减振器活塞预紧力检测中，一定程度满足了实际需要，但是高速列车运行的安全性及舒适性得尤为重要，这就对减振器性能设计提出了更高的要求。而减振器性能的设计的一个重要手段就是调整内部各个阀系相关参数。为此，国内外已经有众多学者对减振器阀系参数对其性能影响做了研究。但是，在他们的研究中都是仅仅分析单一或个别参数的影响，而且没有对各个参数的影响主次顺序及最佳参数组合做分析。
现有技术通过建立铁道车辆液压减振器模型，借助正交试验的分析方法通过数值计算分析了阀系结构参数对其性能的影响以期为减振器的参数设计提供理论方法。具体包括：选取高速列车车辆上常用的横向减振器作为建模对象。根据阻尼调节阀总成所示，利用提升阀元件与可变节流孔元件串联与较小节流孔元件并联模拟减振器阻尼调节阀。提升阀元件内部结构，出口压力可由下列公式描述。
当入口处面积比单向阀开口面积大的时候阻力Ff表现为闭阀压力:
Figure BDA0002634143390000031
式中:h表示球体移动距离，D表示入口直径，α表示斜面角度，ΔP表示入口和开口处压差，ΔP＝Pin－Pout，Cd表示流量系数，Cv表示速度系数。
Figure BDA0002634143390000032
当阀处于开启状态时，油液流动表现出了拉力和压力两种力，其中油液拉力为:
Figure BDA0002634143390000041
压力为:
Figure BDA0002634143390000042
当阀处于关闭状态时，油液压力为:
Figure BDA0002634143390000043
由式(1)、(3)、(4)、(5)可得开口处压力：
Figure BDA0002634143390000044
可变节流孔流量特性描述为:
Figure BDA0002634143390000045
式中:Δp表示节流口两端压差，AT表示节流口的通流截面积，φ表示节流口形状决定的节流阀指数，C表示节流口形状、液体流态、油液性质等决定的系数。
工作缸阻尼力产生原理：DV_Negative分别表示拉伸腔和压缩腔体积变化率FC表示作用于活塞两端的压力差，即所要求的液压减振器的阻尼力，P_Positive、P_Negative分别表示拉伸腔压强和压缩腔压强，AX表示活塞移动的位移，它通过信号发生器AF元件来控制，AV表示活塞移动的速度，它也通过信号发生器AF元件来控制。
根据减振器结构及各个结构初始值(包括阻尼阀孔径、常通孔径、活塞单向阀孔径、弹簧刚度、预紧力、底阀孔径等基本参数值)在Easy5环境下建立了减振器液压控制模型所示。
现有技术取得积极效果为：(1)减振器各个阀系结构参数对阻尼力的影响从主到次顺序依次为阻尼阀孔径(D1)、弹簧刚度(K1)、预紧力(F1)、活塞单向阀孔径(D3)、常通孔径(D2)、底阀孔径(D4)。
(2)以减振器最大阻尼力为评价指标，在减振器各个结构参数取值范围内取阻尼孔径(D1)一水平，常通孔径(D2)二水平，活塞单向阀孔径(D3)一水平，弹簧刚度(K1)三水平，预紧力(F1)三水平，底阀孔径(D4)三水平为最佳参数组合。
(3)在各自的取值范围内，随着阻尼孔径的增大最大阻尼力逐渐减小；常通孔径D2＜0.1cm时其变化对最大阻尼力影响较小当D2＞0.1cm时最大阻尼力逐渐减小；随着活塞单向阀孔径增大最大阻尼力逐渐减小。
但是现有技术对于高速动车用油压减振活塞阀系统长期运行中，对于各结构的工作中是否有效实施或可能出现的故障预警缺乏有效检测。
油压减振活塞阀是高速动车的易损伤的部件之一，为了提高高速动车运行可靠性和安全性，有必要通过监控手段，对高速动车进行预测性维护，尤其是针对油压减振活塞阀进行监测与故障诊断，采用故障诊断技术，跟踪状态特征，对油压减振活塞阀进行健康状态诊断，是确保高速动车可靠运行的有效措施。目前油压减振活塞阀的故障诊断中，常用的单一模态的状态特征，很难完全体现复杂的早期油压减振活塞阀故障状态信息。高速动车油压减振活塞阀的状态信息蕴藏在阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号等状态信号中。
虽然每一种模态的状态信息都在一定程度上能够反映油压减振活塞阀系统故障信息，但是其普适性和鲁棒性仍然有待提升。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种高速动车用油压减振活塞阀系统。所述技术方案如下：
根据本发明公开实施例的第一方面，提供一种高速动车用油压减振活塞阀系统，包括阻尼调节阀、活塞单向阀和底阀，所述阻尼调节阀、活塞单向阀和底阀各个结构初始值包括阻尼阀孔径、活塞单向阀孔径、弹簧刚度、预紧力、底阀孔径基本参数值；所述高速动车用油压减振活塞阀系统通过采集油压减振活塞阀系统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号；
采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据时采样频率大于信号频率的两倍；单位时间采样所选取的采样点的数量等于采样频率；
单位时间采样选择1024个采样点，即采样频率为1024Hz>2*137.48Hz，为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征，单个学习样本设置为32*32大小，把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式，通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度，然后把数据集按一定比例进行分割，分为训练集和测试集；
运用卷积神经网络对样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用数据可视化技术，完成阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和卷积神经网络模型结合的初步应用场景构建；
引入宽残差网络模型，通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中；
卷积神经网络有L层，其中第i层(i∈1,2,...,L)的输入为xi，参数为wi，该层的输出yi＝xi+1；忽略层数和偏置，它们之间的关系表示如下：
y＝F(x,wf)；
其中，F为非线性激活函数，参数wf的下标表明该操作对应于F。深度残差网络用下公式表示：
y＝F(x,w)+x；
变形，得：
F(x,w)＝y-x；
网络需要学习的函数F为公式右侧的残差项(y-x)，称之为残差函数；残差学习模块有两个分支，包括左侧的残差函数，右侧的对输入的恒等映射；两个分支经过一个简单整合后，再经过一个非线性的变换ReLU激活函数，形成整个残差学习模块；由多个残差模块堆叠而成的网络结构称作残差网络；
提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；
分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；
最后将融合后的特征参数作为分类器支持向量机的输入，对油压减振活塞阀系统故障进行分类识别。
优选地，运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失进行统计；随着训练步数的增多，模型总体呈收敛状态；为了增加诊断准确率，采取增加网络深度的方法。
所述宽残差网络是在原始的残差模块的基础上增加一个系数k，从而拓宽卷积核的个数；具体包括：
(1)包含L2正则化，解决阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差问题；在代价函数后加一个权值W平方和相关的正则化项；
(2)对源数据做数据增强，把源数据图片压缩为28*28的大小然后做位置移动起到数据扩充增强的效果，同时水平翻转；
(3)替换ReLU激活函数为ELU激活函数。
优选地，所述时域统计学特征包括：
有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度。
无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。
所述频域特征提取包括：应用快速傅里叶变换到时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；
所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得26个小波系数；每个小波系数的能量被计算，每个母小波共计26能量组成一个特征向量，表征故障状态特征。
所述特征学习过程包括：
步骤一，将特征数据输入第一个受限玻尔曼兹机RBM1，假设其可视层为v，采用一步对比散度算法,基于重构的可视层矢量中场值，学习计算得到隐藏层第一层h(1)、层间自顶向下的连接权值W(1)，层间自底向上的连接权值矩阵为2W(1)；
步骤二，冻结RBM1的自底向上的连接权值矩阵为2W(1)，按照条件概率P(h(1)|v；2W(1))抽样，提取特征h(1)作为第一个受限玻尔曼兹机RBM2的输入；RBM2自顶向下和自底向上两个方向的连接权值都为2W(2)，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM2；
步骤三，冻结RBM2的连接权值矩阵为2W(2),按照条件概率P(h(2)|v；2W(1),2W(2))抽样提取特征h(2)，作为RBM3的输入，训练方式同步骤b)；
步骤四，步骤步骤三进行递归处理，直到L-1层，L指深度波尔曼兹机的隐藏层数；
步骤五，使用一步对比散度算法训练顶层的受限玻尔曼兹机RBM，约束条件为：自底向上的连接权重为W(L)，自顶向下的连接权重为2W(L)；
步骤六，使用连接权值{W(1)，W(2)，…,W(L)},构建一个深度波尔曼兹机；
步骤七，利用构建好的深度波尔曼兹机进行特征提取。
采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。
根据本发明公开实施例的第二方面，提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述高速动车用油压减振活塞阀系统的检测功能。
根据本发明公开实施例的第三方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述高速动车用油压减振活塞阀系统的检测功能。
本发明公开的实施例提供的技术方案可以包括以下有益效果：本发明解决了现有技术对于高速动车用油压减振活塞阀系统长期运行中，不能对于各结构的工作中是否有效实施或可能出现的故障预警缺乏有效检测的问题。
本发明运用多伦多大学RuslanSalakhutdinov和Geoffrey Hinton提出的深度波尔曼兹机，来进行特征提取。与传统的特征提取方法相比，通过构建多隐层网络模型和海量数据训练，提升分类和预测的准确性。本发明采用数据融合技术，对各状态下的特征状态信息进行融合，可以有效提高提取的状态特征参数的有效性和稳定性，有利于更精确的识别故障。
采用多源特征融合数据，较之单源特征状态数据，效果明显，提升了油压减振活塞阀系统的轴承故障的识别精度和稳定性；区别于传统的时域、频域、时频域的信号特征提取方法，本发明利用深度波尔曼兹机方法直接对各种模态原始数据进行重构，在保留数据原始信息的同时，有效的挖掘了数据的本质特征；将无监督学习到的多源特征，进行数据融合之后，输入到支持向量机模型，并对深度波尔曼兹机进行微调，极大的提高了油压减振活塞阀系统故障精度。
本发明解决了基于传统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号时频分析技术所带来的人工信任危机以及基于浅层机器学习的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号处理过程中特征表达能力有限、训练易陷入局部极值的缺陷，探寻一种类似计算机视觉任务、基于阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据驱动的故障识别模型，为机械振动分析在深度学习中的应用提供一种有益的思路与方法。该技术通过运用宽残差网络，核心是解决了增加深度带来的副作用(退化问题)，同时在保持对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据故障诊断准确率基本不变的情况下做到了深度学习过程中对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中。
本发明机械故障诊断在宽残差网络的应用可行、准确率高。
当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的现有技术提升阀内部结构。
图2是本发明实施例提供的现有技术工作缸阻尼力产生原理图。
图3是本发明实施例提供的现有技术减振器液压控制模型图。
图中：1.活塞单向阀；2、压缩腔；3、底阀单向阀；4、储油缸；5、阻尼调节阀；6、拉伸腔；7、活塞。
图4是本发明实施例提供的高速动车用油压减振活塞阀系统的的检测方法流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下面结合具体实施例对本发明作详细描述。
本发明公开实施例所提供的高速动车用油压减振活塞阀系统，包括阻尼调节阀、活塞单向阀和底阀，所述阻尼调节阀、活塞单向阀和底阀各个结构初始值包括阻尼阀孔径、活塞单向阀孔径、弹簧刚度、预紧力、底阀孔径基本参数值；所述高速动车用油压减振活塞阀系统的检测方法包括：
S101，通过采集油压减振活塞阀系统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号；
S102，采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据时采样频率大于信号频率的两倍；单位时间采样所选取的采样点的数量等于采样频率；
单位时间采样选择1024个采样点，即采样频率为1024Hz>2*137.48Hz，为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征，单个学习样本设置为32*32大小，把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式，通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度，然后把数据集按一定比例进行分割，分为训练集和测试集；
S103，运用卷积神经网络对样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用数据可视化技术，完成阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和卷积神经网络模型结合的初步应用场景构建；
引入宽残差网络模型，通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中；
卷积神经网络有L层，其中第i层(i∈1,2,...,L)的输入为xi，参数为wi，该层的输出yi＝xi+1；忽略层数和偏置，它们之间的关系表示如下：
y＝F(x,wf)；
其中，F为非线性激活函数，参数wf的下标表明该操作对应于F。深度残差网络用下公式表示：
y＝F(x,w)+x；
变形，得：
F(x,w)＝y-x；
网络需要学习的函数F为公式右侧的残差项(y-x)，称之为残差函数；残差学习模块有两个分支，包括左侧的残差函数，右侧的对输入的恒等映射；两个分支经过一个简单整合后，再经过一个非线性的变换ReLU激活函数，形成整个残差学习模块；由多个残差模块堆叠而成的网络结构称作残差网络；
S104，提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；
S105，分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；
S106，最后将融合后的特征参数作为分类器支持向量机的输入，对油压减振活塞阀系统故障进行分类识别。
在本发明中，运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失进行统计；随着训练步数的增多，模型总体呈收敛状态；为了增加诊断准确率，采取增加网络深度的方法。
所述宽残差网络是在原始的残差模块的基础上增加一个系数k，从而拓宽卷积核的个数；具体包括：
(1)包含L2正则化，解决阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差问题；在代价函数后加一个权值W平方和相关的正则化项；
(2)对源数据做数据增强，把源数据图片压缩为28*28的大小然后做位置移动起到数据扩充增强的效果，同时水平翻转；
(3)替换ReLU激活函数为ELU激活函数。
在本发明中，所述时域统计学特征包括：
有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度。
无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。
所述频域特征提取包括：应用快速傅里叶变换到时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；
所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得26个小波系数；每个小波系数的能量被计算，每个母小波共计26能量组成一个特征向量，表征故障状态特征。
所述特征学习过程包括：
步骤一，将特征数据输入第一个受限玻尔曼兹机RBM1，假设其可视层为v，采用一步对比散度算法,基于重构的可视层矢量中场值，学习计算得到隐藏层第一层h(1)、层间自顶向下的连接权值W(1)，层间自底向上的连接权值矩阵为2W(1)；
步骤二，冻结RBM1的自底向上的连接权值矩阵为2W(1)，按照条件概率P(h(1)|v；2W(1))抽样，提取特征h(1)作为第一个受限玻尔曼兹机RBM2的输入；RBM2自顶向下和自底向上两个方向的连接权值都为2W(2)，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM2；
步骤三，冻结RBM2的连接权值矩阵为2W(2),按照条件概率P(h(2)|v；2W(1),2W(2))抽样提取特征h(2)，作为RBM3的输入，训练方式同步骤b)；
步骤四，步骤步骤三进行递归处理，直到L-1层，L指深度波尔曼兹机的隐藏层数；
步骤五，使用一步对比散度算法训练顶层的受限玻尔曼兹机RBM，约束条件为：自底向上的连接权重为W(L)，自顶向下的连接权重为2W(L)；
步骤六，使用连接权值{W(1)，W(2)，…,W(L)},构建一个深度波尔曼兹机；
步骤七，利用构建好的深度波尔曼兹机进行特征提取。
采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。
下面结合实验验证对本发明作进一步描述。
本发明进行如下内容：
1.采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据。由采样定理知，采样频率要大于信号频率的两倍。这里单位时间采样选择1024个采样点，即采样频率为1024Hz>2*137.48Hz，此采样频率对其他故障也是符合的。为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征，单个学习样本设置为32*32大小(1024个采样点)，把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式，通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度，然后把数据集按一定比例进行分割，分为训练集和测试集。
2.首先运用卷积神经网络(CNN)对做了相应数据扩充的样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用了数据可视化技术，并运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失(loss)做了统计，做到了阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和CNN这一经典深度学习模型结合的初步应用场景构建。随着训练步数的增多，模型总体呈收敛状态。为了增加诊断准确率通常采取增加网络深度的做法。
3.为了克服深度增加带来的训练困难，受LSTM中“gate”机制的启发，通过对传统的前馈神经网络加以修正以至于信息能够在多个神经网络层之间高效流动引入了宽残差网络模型(Wide Residual Networks)，它是残差网络(Residual Networks)的一种变体，是在残差网络的基础上拓宽了残差块(Residual Blocks)卷积核的个数，这样做降低了网络层数，但并没有减少模型参数，既加快了计算速度又做到了通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号、低频相似的过滤折中。具体包括：
(1)包含进了L2正则化，此方法解决了阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差的问题。L2正则化方法是在代价函数后加一个权值W平方和相关的正则化项，在代价函数迭代过程中L2正则化项对权值W的更新是有影响的，它的效果是减小W，实现了权值的衰减，由奥卡姆剃刀法则可知更小的权值可以降低网络的复杂度，做到对数据的拟合恰到好处，特别是阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据在深度学习过程中。L2正则化抗扰动性强，可以获得一个很小的参数，数据适应能力强。
(2)对源数据做了数据增强，把源数据图片压缩为28*28的大小然后做位置移动起到了数据扩充增强的效果，同时也做了水平翻转。
(3)替换ReLU激活函数为ELU激活函数。由于在WRN中F不是恒等映射时将阻塞正向、反向传播，导致误差增加。ReLU的输出值没有负值，所以输出的均值会大于0，当激活值的均值非0时，就会对下一层造成一个bias，如果激活值之间不会相互抵消(即均值非0)，会导致下一层的激活单元有bias shift。如此叠加，单元越多时，bias shift就会越大。相比ReLU，ELU可以取到负值，这让单元激活均值可以更接近0，类似于Batch Normalization的效果但是只需要更低的计算复杂度。
本技术通过实验验证时的超参数中，深度为16，k＝4，残差块类型为3*3，batchsize＝120，达到了96.5％的准确率。通过实验验证，机械轴承的故障诊断在宽残差网络的应用可行、准确率高。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。

Claims (10)

1.一种高速动车用油压减振活塞阀系统，包括阻尼调节阀、活塞单向阀和底阀，所述阻尼调节阀、活塞单向阀和底阀各个结构初始值包括阻尼阀孔径、活塞单向阀孔径、弹簧刚度、预紧力、底阀孔径基本参数值；其特征在于，所述高速动车用油压减振活塞阀系统通过采集油压减振活塞阀系统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号；
采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据时采样频率大于信号频率的两倍；单位时间采样所选取的采样点的数量等于采样频率；
单位时间采样选择1024个采样点，即采样频率为1024Hz>2*137.48Hz，为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征，单个学习样本设置为32*32大小，把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式，通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度，然后把数据集按一定比例进行分割，分为训练集和测试集；
运用卷积神经网络对样本数据进行训练、测试，对卷积神经网络结构中的各层数据运用数据可视化技术，完成阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和卷积神经网络模型结合的初步应用场景构建；
引入宽残差网络模型，通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中；
卷积神经网络有L层，其中第i层(i∈1,2,...,L)的输入为xi，参数为wi，该层的输出yi＝xi+1；忽略层数和偏置，它们之间的关系表示如下：
y＝F(x,wf)；
其中，F为非线性激活函数，参数wf的下标表明该操作对应于F，深度残差网络用下公式表示：
y＝F(x,w)+x；
变形，得：
F(x,w)＝y-x；
网络需要学习的函数F为公式右侧的残差项(y-x)，称之为残差函数；残差学习模块有两个分支，包括左侧的残差函数，右侧的对输入的恒等映射；两个分支经过一个简单整合后，再经过一个非线性的变换ReLU激活函数，形成整个残差学习模块；由多个残差模块堆叠而成的网络结构称作残差网络；
提取各种信号的经典的时域统计学特征、频域特征，以及基于小波包分解获得时频域特征；
分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习；接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合；
最后将融合后的特征参数作为分类器支持向量机的输入，对油压减振活塞阀系统故障进行分类识别。
2.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失进行统计；随着训练步数的增多，模型总体呈收敛状态；为了增加诊断准确率，采取增加网络深度的方法。
3.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述宽残差网络是在原始的残差模块的基础上增加一个系数k，从而拓宽卷积核的个数；具体包括：
(1)包含L2正则化，解决阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差问题；在代价函数后加一个权值W平方和相关的正则化项；
(2)对源数据做数据增强，把源数据图片压缩为28*28的大小然后做位置移动起到数据扩充增强的效果，同时水平翻转；
(3)替换ReLU激活函数为ELU激活函数。
4.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述时域统计学特征包括：
有量纲参数，包括：平均值、均方根值、方差、方根幅值、峰值、峭度、偏度。
5.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，无量纲参数，包括：波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。
6.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述频域特征提取包括：应用快速傅里叶变换到时域信号，获得频域参数；频域特征参数包括：均值、方差、标准方差、偏度、峭度、中心频率、均方根值；均方根值，指的是在指定频带的频率幅值均方根值；
所述基于小波包分解提取时频域特征：每个小波包分解中，分解级数为6，也就是说获得26个小波系数；每个小波系数的能量被计算，每个母小波共计26能量组成一个特征向量，表征故障状态特征。
7.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，所述特征学习过程包括：
步骤一，将特征数据输入第一个受限玻尔曼兹机RBM1，假设其可视层为v，采用一步对比散度算法,基于重构的可视层矢量中场值，学习计算得到隐藏层第一层h(1)、层间自顶向下的连接权值W(1)，层间自底向上的连接权值矩阵为2W(1)；
步骤二，冻结RBM1的自底向上的连接权值矩阵为2W(1)，按照条件概率P(h(1)|v；2W(1))抽样，提取特征h(1)作为第一个受限玻尔曼兹机RBM2的输入；RBM2自顶向下和自底向上两个方向的连接权值都为2W(2)，基于重构的可视层矢量中场值，采用一步对比散度算法，训练RBM2；
步骤三，冻结RBM2的连接权值矩阵为2W(2),按照条件概率P(h(2)|v；2W(1),2W(2))抽样提取特征h(2)，作为RBM3的输入，训练方式同步骤二；
步骤四，步骤三进行递归处理，直到L-1层，L指深度波尔曼兹机的隐藏层数；
步骤五，使用一步对比散度算法训练顶层的受限玻尔曼兹机RBM，约束条件为：自底向上的连接权重为W(L)，自顶向下的连接权重为2W(L)；
步骤六，使用连接权值{W(1)，W(2)，…,W(L)},构建一个深度波尔曼兹机；
步骤七，利用构建好的深度波尔曼兹机进行特征提取。
8.如权利要求1所述的高速动车用油压减振活塞阀系统，其特征在于，采用多特征参数数据融合算法，对提取的各种模态特征进行特征融合。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～8任意一项所述高速动车用油压减振活塞阀系统的检测功能。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～8任意一项所述高速动车用油压减振活塞阀系统的检测功能。
CN202010820102.3A 2020-08-14 2020-08-14 一种油压减振活塞阀系统、计算机设备、可读存储介质 Active CN111911579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010820102.3A CN111911579B (zh) 2020-08-14 2020-08-14 一种油压减振活塞阀系统、计算机设备、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010820102.3A CN111911579B (zh) 2020-08-14 2020-08-14 一种油压减振活塞阀系统、计算机设备、可读存储介质

Publications (2)

Publication Number Publication Date
CN111911579A CN111911579A (zh) 2020-11-10
CN111911579B true CN111911579B (zh) 2022-09-06

Family

ID=73283126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010820102.3A Active CN111911579B (zh) 2020-08-14 2020-08-14 一种油压减振活塞阀系统、计算机设备、可读存储介质

Country Status (1)

Country Link
CN (1) CN111911579B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114404878B (zh) * 2022-03-07 2022-07-22 浙江飞神车业有限公司 一种跑步机上的自动保护机构
CN115562133A (zh) * 2022-11-10 2023-01-03 浙江大学 一种轴向柱塞泵智能网关

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7016885B1 (en) * 2001-08-28 2006-03-21 University Of Central Florida Research Foundation, Inc. Self-designing intelligent signal processing system capable of evolutional learning for classification/recognition of one and multidimensional signals
KR101762069B1 (ko) * 2016-05-20 2017-08-07 이종고 감쇠곡선 특성 조절이 가능한 Digressive Piston이 적용된 기능성 쇽업소버
CN107036816A (zh) * 2016-11-17 2017-08-11 重庆工商大学 一种航空发动机轴承故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3060144A1 (en) * 2018-10-26 2020-04-26 Royal Bank Of Canada System and method for max-margin adversarial training

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7016885B1 (en) * 2001-08-28 2006-03-21 University Of Central Florida Research Foundation, Inc. Self-designing intelligent signal processing system capable of evolutional learning for classification/recognition of one and multidimensional signals
KR101762069B1 (ko) * 2016-05-20 2017-08-07 이종고 감쇠곡선 특성 조절이 가능한 Digressive Piston이 적용된 기능성 쇽업소버
CN107036816A (zh) * 2016-11-17 2017-08-11 重庆工商大学 一种航空发动机轴承故障诊断方法

Also Published As

Publication number Publication date
CN111911579A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN104155968B (zh) 一种针对高速列车悬架系统执行器的微小故障诊断方法
CN111911579B (zh) 一种油压减振活塞阀系统、计算机设备、可读存储介质
CN106980822B (zh) 一种基于选择性集成学习的旋转机械故障诊断方法
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN108334948B (zh) 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及系统
CN110455537A (zh) 一种轴承故障诊断方法及系统
CN109858104A (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN109583092A (zh) 一种多层次多模式特征提取的智能机械系统故障诊断方法
CN105095918A (zh) 一种多机器人系统故障诊断方法
CN109491338A (zh) 一种基于稀疏gmm的多模过程质量相关的故障诊断方法
Di et al. Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions
Wu et al. Detecting unexpected faults of high-speed train bogie based on Bayesian deep learning
CN104458252A (zh) 一种高速列车齿轮箱运行状态监测方法
CN111581880A (zh) 基于apso-dbn的滚动轴承剩余寿命预测方法
Shang et al. Fault diagnosis method of rolling bearing based on deep belief network
CN113188794A (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
Liang et al. 1d convolutional neural networks for fault diagnosis of high-speed train bogie
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
CN115758083A (zh) 一种基于时域和时频域融合的电机轴承故障诊断方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Yan et al. Digital twin-assisted imbalanced fault diagnosis framework using subdomain adaptive mechanism and margin-aware regularization
Zhao et al. A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox
CN117312962A (zh) 基于迁移学习和数据驱动的长期服役电梯导轨故障诊断方法
CN115545101A (zh) 一种基于残差神经网络的高速列车转向架故障诊断方法

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