CN111914703A - 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 - Google Patents

一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 Download PDF

Info

Publication number
CN111914703A
CN111914703A CN202010697580.XA CN202010697580A CN111914703A CN 111914703 A CN111914703 A CN 111914703A CN 202010697580 A CN202010697580 A CN 202010697580A CN 111914703 A CN111914703 A CN 111914703A
Authority
CN
China
Prior art keywords
fault
rotating part
mechanical rotating
data set
time
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
Application number
CN202010697580.XA
Other languages
English (en)
Inventor
杨京礼
崔成竹
高天宇
尹双艳
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010697580.XA priority Critical patent/CN111914703A/zh
Publication of CN111914703A publication Critical patent/CN111914703A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

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)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，属于故障诊断技术领域。所述故障诊断方法包括以下步骤：S100采集机械旋转部件在已知各种故障下的振动信号，形成数据集A；S200将数据集A中的振动数据经小波变换处理，构建小波变换时频图数据集B，并将数据集按8:1:1的比例随机划分为训练集、验证集和测试集；S300基于数据集B的训练集和验证集，构建迁移学习GoogLeNet故障分类模型；S400使用迁移学习GoogLeNet故障分类模型对小波变换时频图数据集B的测试集数据进行诊断分类，得到机械旋转部件的故障分类结果。本发明能较好地提升了机械旋转部件故障诊断准确率。

Description

一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故 障诊断方法
技术领域
本发明涉及一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，属于故障诊断技术领域。
背景技术
机械旋转部件是机械设备中最基本、最关键的重要部件之一，由于存在着材料缺陷、制造误差、清洁不及时、润滑不当、装位不正确以及老化、疲劳使用等情况，因此在日常的使用中，机械旋转部件或多或少会产生一些不可避免的损伤。一旦从损伤演变为故障，机械旋转部件的振动和噪声水平就会发生变化，可能导致机械设备故障甚至报废，进而减少企业的经济效益，乃至产生人员伤亡。因此，精确定位故障位置和故障类型对于保障机械设备的安全性和可靠性具有重要意义。
在过去的数十年中，虽然基于智能算法的各种诊断方法屡见不鲜，但由机械旋转部件故障导致的重大事故依然难以完全避免。种种迹象表明，在机械旋转部件领域故障诊断相关技术还有待改进。若可以提出一套将信号处理技术与智能算法相结合的故障诊断方法，尽早实现对机械旋转部件的故障诊断，那么在提高生产率及增加经济效益上将会有着良好的积极意义。目前，机械旋转部件故障诊断方法大多数仍侧重于对故障信号的频率进行分析，并辅以SVM等浅层机器学习方法进行故障分类。虽然上述方法一定程度上提高了故障分类精度，但是其所依托的一维信号特征提取技术难以精确刻画信号的时频域综合特征，因此在机械旋转部件故障诊断精度方面尚存在一定缺陷。还有许多利用卷积神经网络进行故障分类的方法，虽然提高了诊断精度，但由于卷积神经网络自身复杂的网络结构，致使整个诊断时间大大增加，对硬件配置也提出了不小的要求。
发明内容
本发明的目的是提出一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，针对上述在机械旋转部件故障诊断领域中存在的问题，本发明尝试研究时频分析与基于迁移学习的卷积神经网络相结合的机械旋转部件故障诊断方法，利用小波变换这种时频分析方法，精确地刻画出机械旋转部件的故障特征，基于迁移学习GoogLeNet深度学习方法提取深层次的故障特征，从而提高机械旋转部件故障诊断的准确率，提高旋转机械类系统的可靠性与安全性。
一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，所述故障诊断方法包括以下步骤：
S100采集机械旋转部件在已知各种故障下的振动信号，形成数据集A；
S200将数据集A中的振动数据经小波变换处理，构建小波变换时频图数据集B，并将数据集按8:1:1的比例随机划分为训练集、验证集和测试集；
S300基于数据集B的训练集和验证集，构建迁移学习GoogLeNet故障分类模型；
S400使用迁移学习GoogLeNet故障分类模型对小波变换时频图数据集B的测试集数据进行诊断分类，得到机械旋转部件的故障分类结果。
进一步的，在S100中，具体的，使用传感器将机械旋转部件的各种故障下的振动信号进行采集，并按故障类型整理为振动信号数据集A。
进一步的，在S200中，具体包括以下步骤：
S210将数据集A中时域振动信号按固定点数划分为若干时域振动信号样本；
S220将每个时域振动信号样本经小波变换处理后变为时频图样本，并按故障类型整理成时频图数据集B；
S230定义对函数x(t)∈L2(R)进行连续小波变换为：
Figure BDA0002591868080000021
其中
Figure BDA0002591868080000022
代表母小波，a是伸缩因子，b是平移因子，W(a,b)为小波变换系数，小波变换的逆变换为：
Figure BDA0002591868080000031
Cφ的具体表达式为：
Figure BDA0002591868080000032
其中，φ(ω)为
Figure BDA0002591868080000033
的傅里叶变换；
S240将小波变换时频图数据集B中各故障时频图样本按8:1:1的比例随机划分为训练集、验证集和测试集。
进一步的，在S300中，具体包括以下步骤：
S310选择Google在ImageNet上训练的GoogLeNet作为迁移学习的预训练模型，保留模型中所有卷积层的参数，只将最后一层全连接层进行替换；
S320首先使用Google训练好GoogLeNet的瓶颈层对输入图像进行特征提取，再将提取出的瓶颈层特征向量经由一个全新的全连接层进行分类；
S330基于数据集B中的训练集和验证集对迁移学习GoogLeNet模型进行训练。
进一步的，在S330中，具体包括以下步骤：
S331将训练集、验证集时频图经GoogLeNet的瓶颈层处理后，得出对应的特征向量；
S332利用前向传播公式，将特征向量作为输入对最后一层全连接层进行前向训练；
S333利用反向传播公式更新全连接层的权重参数。
进一步的，在S332中，前向传播公式为：
al＝σ(al-1*Wl+bl)
其中，al代表第l层的特征图，al-1代表第l-1层的特征图，Wl代表第l层产生特征图时所使用的卷积核，σ(t)是该层选择的激活函数，bl代表对第l层特征图所加的偏移量。
进一步的，在S333中，反向传播公式为：
wnew＝w-l*(Lout-y')*k*(x1+x2)
其中，全连接层的输出Lout＝k*xi＝k*Fout，Fout＝w1*x1+w2*x2，假设使用的激活函数为ReLU函数，x1和x2分别为全连接层的输入，那么损失函数
Figure BDA0002591868080000041
其中，y'为实际样本标签。
进一步的，在S400中，具体的，利用构建完成的迁移学习GoogLeNet故障分类模型对测试集数据进行诊断分类，获得机械旋转部件故障诊断准确率。
本发明的主要优点是：本发明利用小波变换对原始信号进行时频域特征提取，可以最大限度地保留旋转部件振动信号中的时频域信息，再利用迁移学习GoogLeNet模型对时频图进行故障分类，在充分采集时频图特征的同时压缩了故障诊断时间。实验表明，本发明提出的迁移学习GoogLeNet方法(99.67％)比经典的SVM方法(93.53％)在故障诊断准确率上提升了6％左右，较好地提升了机械旋转部件故障诊断准确率。
附图说明
图1是迁移学习GoogLeNet模型的框架图；
图2是本发明中机械旋转部件故障诊断的流程图；
图3是不同故障条件下的小波变换时频图，其中，图3(a)为无故障时的小波变换时频图；图3(b)至图3(j)为对应9个故障类别标签的不同故障条件下的小波变换时频图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，所述故障诊断方法包括以下步骤：
S100采集机械旋转部件在已知各种故障下的振动信号，形成数据集A；
S200将数据集A中的振动数据经小波变换处理，构建小波变换时频图数据集B，并将数据集按8:1:1的比例随机划分为训练集、验证集和测试集；
S300基于数据集B的训练集和验证集，构建迁移学习GoogLeNet故障分类模型；
S400使用迁移学习GoogLeNet故障分类模型对小波变换时频图数据集B的测试集数据进行诊断分类，得到机械旋转部件的故障分类结果。
在S100中，具体的，使用传感器将机械旋转部件的各种故障下的振动信号进行采集，并按故障类型整理为振动信号数据集A。
在S200中，具体包括以下步骤：
S210将数据集A中时域振动信号按固定点数划分为若干时域振动信号样本；
S220将每个时域振动信号样本经小波变换处理后变为时频图样本，并按故障类型整理成时频图数据集B；
S230定义对函数x(t)∈L2(R)进行连续小波变换为：
Figure BDA0002591868080000051
其中
Figure BDA0002591868080000052
代表母小波，a是伸缩因子，b是平移因子，W(a,b)为小波变换系数，小波变换的逆变换为：
Figure BDA0002591868080000053
Cφ的具体表达式为：
Figure BDA0002591868080000061
其中，φ(ω)为
Figure BDA0002591868080000062
的傅里叶变换；在小波时频变换中，系数b控制了频窗在时间上的移动，所以参数b也就决定了时频窗的不同位置。而系数a决定了在频率上面时频窗的位置，也决定了时频窗的外形；
S240将小波变换时频图数据集B中各故障时频图样本按8:1:1的比例随机划分为训练集、验证集和测试集。
在S300中，具体包括以下步骤：
S310选择Google在ImageNet上训练的GoogLeNet作为迁移学习的预训练模型，保留模型中所有卷积层的参数，只将最后一层全连接层进行替换；
S320定义瓶颈层为除去最后一层全连接层外的神经网络，那么可以将瓶颈层视为一个巨大的图像特征提取器。首先使用Google训练好GoogLeNet的瓶颈层对输入图像进行特征提取，再将提取出的瓶颈层特征向量经由一个全新的全连接层进行分类；具体框架如图1 所示。
S330基于数据集B中的训练集和验证集对迁移学习GoogLeNet模型进行训练。
在S330中，具体包括以下步骤：
S331将训练集、验证集时频图经GoogLeNet的瓶颈层处理后，得出对应的特征向量；
S332利用前向传播公式，将特征向量作为输入对最后一层全连接层进行前向训练；
S333利用反向传播公式更新全连接层的权重参数。
在S332中，前向传播公式为：
al＝σ(al-1*Wl+bl)
其中，al代表第l层的特征图，al-1代表第l-1层的特征图，Wl代表第l层产生特征图时所使用的卷积核，σ(t)是该层选择的激活函数，bl代表对第l层特征图所加的偏移量。
在S333中，反向传播公式为：
wnew＝w-l*(Lout-y')*k*(x1+x2)
其中，全连接层的输出Lout＝k*xi＝k*Fout，Fout＝w1*x1+w2*x2，假设使用的激活函数为ReLU函数，x1和x2分别为全连接层的输入，那么损失函数
Figure BDA0002591868080000071
其中，y'为实际样本标签。
参照图2所示，在S400中，具体的，利用构建完成的迁移学习GoogLeNet故障分类模型对测试集数据进行诊断分类，获得机械旋转部件故障诊断准确率。
下面提出一具体实施事例：
在机械系统故障诊断领域，凯斯西储大学的轴承数据集是全球最权威的滚动轴承故障振动信号数据集之一。因此，本发明选择使用凯斯西储大学(CWRU)的滚动轴承数据中心提供的数据集作为研究对象进行仿真验证。
本发明将SKF6205深沟球轴承作为故障数据采集轴承，在该轴承的滚动体、内直径和外直径上布置了单点故障，使用安全、精准的电火花技术在每个故障位置分别制作了故障直径为0.007inch,0.014inch和0.021inch的故障点，合计9种故障类型。故障振动信号传感器分别为驱动端及风扇端，实验中数据采集系统的采样频率为12kHz。详细故障设置见
表1：
Figure BDA0002591868080000072
Figure BDA0002591868080000081
表1不同故障类型和标签设置
实验中，每次使用4096个数据点作为一个样本进行小波变换，并采用重叠采样的方法进行数据增强。将偏移量设为114，每种故障类型下制作1000个时频图样本，整个数据集的总样本数为10000；
使用稳定且易区分特征的cmor3-3小波,使用长度为256的尺寸序列，得到上述十种故障的小波变换时频图如图3所示；
将小波变换时频图数据集B中各故障时频图样本按8:1:1的比例随机划分为训练集、验证集和测试集，总入迁移学习GoogLeNet模型中进行训练；
本发明采用方法与传统SVM方法对旋转部件分类效果的对比如表2所示，为减少实验过程中随机因素对实验的干扰，分别对每种方法进行了15次实验。
Figure BDA0002591868080000082
表2本发明方法与SVM方法对比。

Claims (8)

1.一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，所述故障诊断方法包括以下步骤：
S100采集机械旋转部件在已知各种故障下的振动信号，形成数据集A；
S200将数据集A中的振动数据经小波变换处理，构建小波变换时频图数据集B，并将数据集按8:1:1的比例随机划分为训练集、验证集和测试集；
S300基于数据集B的训练集和验证集，构建迁移学习GoogLeNet故障分类模型；
S400使用迁移学习GoogLeNet故障分类模型对小波变换时频图数据集B的测试集数据进行诊断分类，得到机械旋转部件的故障分类结果。
2.根据权利要求1所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S100中，具体的，使用传感器将机械旋转部件的各种故障下的振动信号进行采集，并按故障类型整理为振动信号数据集A。
3.根据权利要求1所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S200中，具体包括以下步骤：
S210将数据集A中时域振动信号按固定点数划分为若干时域振动信号样本；
S220将每个时域振动信号样本经小波变换处理后变为时频图样本，并按故障类型整理成时频图数据集B；
S230定义对函数x(t)∈L2(R)进行连续小波变换为：
Figure FDA0002591868070000011
其中
Figure FDA0002591868070000013
代表母小波，a是伸缩因子，b是平移因子，W(a,b)为小波变换系数，小波变换的逆变换为：
Figure FDA0002591868070000012
Cφ的具体表达式为：
Figure FDA0002591868070000021
其中，φ(ω)为
Figure FDA0002591868070000022
的傅里叶变换；
S240将小波变换时频图数据集B中各故障时频图样本按8:1:1的比例随机划分为训练集、验证集和测试集。
4.根据权利要求1所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S300中，具体包括以下步骤：
S310选择Google在ImageNet上训练的GoogLeNet作为迁移学习的预训练模型，保留模型中所有卷积层的参数，只将最后一层全连接层进行替换；
S320首先使用Google训练好GoogLeNet的瓶颈层对输入图像进行特征提取，再将提取出的瓶颈层特征向量经由一个全新的全连接层进行分类；
S330基于数据集B中的训练集和验证集对迁移学习GoogLeNet模型进行训练。
5.根据权利要求4所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S330中，具体包括以下步骤：
S331将训练集、验证集时频图经GoogLeNet的瓶颈层处理后，得出对应的特征向量；
S332利用前向传播公式，将特征向量作为输入对最后一层全连接层进行前向训练；
S333利用反向传播公式更新全连接层的权重参数。
6.根据权利要求5所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S332中，前向传播公式为：
al＝σ(al-1*Wl+bl)
其中，al代表第l层的特征图，al-1代表第l-1层的特征图，Wl代表第l层产生特征图时所使用的卷积核，σ(t)是该层选择的激活函数，bl代表对第l层特征图所加的偏移量。
7.根据权利要求5所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S333中，反向传播公式为：
wnew＝w-l*(Lout-y')*k*(x1+x2)
其中，全连接层的输出Lout＝k*xi＝k*Fout，Fout＝w1*x1+w2*x2，假设使用的激活函数为ReLU函数，x1和x2分别为全连接层的输入，那么损失函数
Figure FDA0002591868070000031
其中，y'为实际样本标签。
8.根据权利要求1所述的一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法，其特征在于，在S400中，具体的，利用构建完成的迁移学习GoogLeNet故障分类模型对测试集数据进行诊断分类，获得机械旋转部件故障诊断准确率。
CN202010697580.XA 2020-07-20 2020-07-20 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 Pending CN111914703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697580.XA CN111914703A (zh) 2020-07-20 2020-07-20 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697580.XA CN111914703A (zh) 2020-07-20 2020-07-20 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法

Publications (1)

Publication Number Publication Date
CN111914703A true CN111914703A (zh) 2020-11-10

Family

ID=73280056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697580.XA Pending CN111914703A (zh) 2020-07-20 2020-07-20 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法

Country Status (1)

Country Link
CN (1) CN111914703A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307586A (zh) * 2020-11-20 2021-02-02 哈尔滨工业大学 基于分布式架构的装备退化状态故障预测系统
CN112733612A (zh) * 2020-12-18 2021-04-30 华中科技大学 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN112763214A (zh) * 2020-12-31 2021-05-07 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN112884070A (zh) * 2021-03-17 2021-06-01 云南电网有限责任公司电力科学研究院 一种基于迁移学习的高压开关故障诊断方法
CN113537044A (zh) * 2021-07-14 2021-10-22 哈尔滨理工大学 基于STFT与改进DenseNet的航空发动机故障诊断方法
CN113988189A (zh) * 2021-10-29 2022-01-28 燕山大学 一种跨风电机组的迁移故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN109489946A (zh) * 2018-09-21 2019-03-19 华中科技大学 一种旋转机械的故障诊断方法及系统
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN110472530A (zh) * 2019-07-29 2019-11-19 中山大学 基于小波变换和迁移学习的视网膜oct图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN109489946A (zh) * 2018-09-21 2019-03-19 华中科技大学 一种旋转机械的故障诊断方法及系统
CN110472530A (zh) * 2019-07-29 2019-11-19 中山大学 基于小波变换和迁移学习的视网膜oct图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUANNAN CAO 等: "A Feature Transferring Fault Diagnosis based on WPDR，FSWT and GoogleNet", 《2020 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE》 *
黄驰城: "结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究", 《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 (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307586A (zh) * 2020-11-20 2021-02-02 哈尔滨工业大学 基于分布式架构的装备退化状态故障预测系统
CN112307586B (zh) * 2020-11-20 2022-08-26 哈尔滨工业大学 基于分布式架构的装备退化状态故障预测系统
CN112733612A (zh) * 2020-12-18 2021-04-30 华中科技大学 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN112763214A (zh) * 2020-12-31 2021-05-07 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN112763214B (zh) * 2020-12-31 2022-07-01 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN112884070A (zh) * 2021-03-17 2021-06-01 云南电网有限责任公司电力科学研究院 一种基于迁移学习的高压开关故障诊断方法
CN113537044A (zh) * 2021-07-14 2021-10-22 哈尔滨理工大学 基于STFT与改进DenseNet的航空发动机故障诊断方法
CN113988189A (zh) * 2021-10-29 2022-01-28 燕山大学 一种跨风电机组的迁移故障诊断方法
CN113988189B (zh) * 2021-10-29 2024-05-07 燕山大学 一种跨风电机组的迁移故障诊断方法

Similar Documents

Publication Publication Date Title
CN111914703A (zh) 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法
CN109946389B (zh) 基于总体经验模态分解与卷积神经网络的结构损伤识别法
Zhang et al. Fault state recognition of rolling bearing based fully convolutional network
CN109460618B (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN108318249B (zh) 一种旋转机械轴承的故障诊断方法
CN107066759B (zh) 一种汽轮机转子振动故障诊断方法及装置
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
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
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN110657985B (zh) 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统
CN112418013A (zh) 一种小样本下基于元学习的复杂工况轴承故障诊断方法
CN113176092B (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN112067294A (zh) 基于深度学习的滚动轴承智能故障诊断方法
CN110705525A (zh) 一种诊断滚动轴承故障的方法及装置
CN113158984B (zh) 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
CN112541511A (zh) 基于卷积神经网络的多通道时间序列数据故障诊断方法
CN111753891A (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN112146882B (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
CN110487547A (zh) 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN112541510A (zh) 基于多通道时间序列数据的智能故障诊断方法
CN113390631A (zh) 一种柴油机齿轮箱故障诊断方法
CN112465124A (zh) 孪生深度时空神经网络模型获取/故障诊断方法、装置
CN113865872B (zh) 基于小波包重构成像和cnn的轴承故障诊断方法
CN112146880B (zh) 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201110

RJ01 Rejection of invention patent application after publication