CN112036301A - 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 - Google Patents

一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 Download PDF

Info

Publication number
CN112036301A
CN112036301A CN202010895235.7A CN202010895235A CN112036301A CN 112036301 A CN112036301 A CN 112036301A CN 202010895235 A CN202010895235 A CN 202010895235A CN 112036301 A CN112036301 A CN 112036301A
Authority
CN
China
Prior art keywords
fault diagnosis
fusion
driving motor
original
mstl
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
CN202010895235.7A
Other languages
English (en)
Other versions
CN112036301B (zh
Inventor
俞啸
刘诗源
任晓红
董飞
陈伟
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202010895235.7A priority Critical patent/CN112036301B/zh
Publication of CN112036301A publication Critical patent/CN112036301A/zh
Application granted granted Critical
Publication of CN112036301B publication Critical patent/CN112036301B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D‑S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D‑S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。

Description

一种基于类内特征迁移学习与多源信息融合的驱动电机故障 诊断模型构建方法
技术领域
本发明涉及故障诊断领域，尤其涉及一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法。
背景技术
驱动电机是旋转机械设备系统的重要组成部分，驱动电机的状态监测对设备的安全运行具有重要意义，设备状态监测和故障诊断可以分为三个步骤：信号采集、特征提取、状态识别。分析设备振动信号是最常用的故障诊断手段，如何从非线性、非平稳特性的振动信号中提取出表征驱动电机故障状态的特征信息是实现轴承故障诊断的关键。时频分析方法是非线性、非平稳信号分析的有力工具。
经时频分析方法处理后提取出的原始特征集往往是高维度特征集，其中存在冗余以及干扰特征，将其直接用于故障诊断，计算复杂度较高，且会导致故障诊断效果不佳。在基于数据驱动的故障诊断方法中，常利用降维方法对高维特征集进行维度约减，尽量减少干扰以及冗余特征的影响，实现故障模式识别准确率的提高。姜姗利用PCA对高维特征集进行降维，将得到的低维特征集作为输入，训练ANFIS模型，用于驱动电机轴承故障诊断。范春旸采用线性局部切空间排列算法(Linear Local Tangent Space Alignment,LLTSA)对原特征集进行降维，最后基于多种机器学习分类器，实现皮带机驱动电机故障诊断。旋转机械设备的运行环境中干扰信号较多，驱动电机的工况多变，会造成测试数据与训练数据间分布差异，但是，目前大多数基于数据驱动的故障诊断模型的构建，是在训练数据集与测试数据集之间具有相同分布的假设下进行的。因此，传统故障诊断模型在变工况下要保证理想的故障诊断性能是比较困难的。由于旋转机械设备运行环境中干扰信号较多，工况复杂多变，因此，单个传感器采集信号会存在一定的不确定因素，例如测量误差导致的片面性。另外传感器之间对于设备的敏感性也是不同的，故采集到的数据本身也是会有矛盾的情况存在。因此在使用传感器针对井下复杂的工作环境进行检测时，仅使用并依靠单一种类传感器对状态进行监测具有片面性。因此如何设计出一种故障识别率高和抗片面性能好的驱动电机故障诊断方法是业界亟需解决的课题。
发明内容
发明目的：为了解决上述现有的技术问题，本发明提出一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法。
技术方案：本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，具体包含如下：
过程1.原始特征集提取
在训练与测试阶段，将获取到的驱动电机振动信号或电流信号经EEMD分解，得到一系列IMF分量。采用集合经验模态分解EEMD对驱动电机振动信号或电流信号分析，以n个采样点的振动信号或电流信号序列为一个原始信号样本，一个样本经过EEMD分解可以得到多阶(一般8阶左右)本征模态函数(Intrinsic Mode Function,IMF)，每一个IMF分量也是n个点的序列，前4阶IMF分量中包含了原始信号的主要信息，取前4阶IMF分量，计算每一个IMF分量Hilbert包络谱(也是n个点的序列)，并通过前4阶IMF分量计算原始信号的边际谱(也是n个点的序列)，通过上述过程，一个n个采样点的原始信号样本，可以得到4阶IMF分量，4个Hilbert包络谱，1个边际谱，共9个序列(每个序列都是n个点)，利用表1的统计参数计算公式，计算每一个序列的11个统计参数，获得原始信号的99个统计特征，构建原始特征集。
表1统计参数
Figure BDA0002658243430000021
Figure BDA0002658243430000031
过程2.特征降维
利用迁移学习方法完成低维迁移特征集的构建，迁移学习的可以将源域数据集(已知空间数据集)和目标域数据集(未知空间数据集)通过变换矩阵映射到相同或相近的分布空间，以提升判识模型的泛化能力，具体步骤如下：
获取过程1中得到的训练和测试阶段原始特征集，这里的训练阶段原始特征集是已知空间，是迁移学习中的源域数据集，记为Ds，Ds中包含nS个样本，每一个样本都是m维，这里m＝99；测试阶段原始特征集是未知空间，是迁移学习中的目标域数据集，记为Xcan，Xcan中包含nT个样本，每一个样本都是m维。以源域和目标域数据集为输入，利用MSTL方法可以得到用于空间映射的矩阵记为变换矩阵W，变换矩阵W可以将源域和目标域数据集映射到近似的分布的空间。这里将源域和目标域数据集中每一个原始特征样本的核变换(m维)与W矩阵(m*r维)相乘后，可以得到映射后的r维新特征样本(r<＝m)，一方面可以将源域和目标域数据映射到相近的概率和条件分布空间，另一方面可以实现特征降维的目的。这里核函数φ(x)可以选用线性核函数、多项式核函数或径向基函数等。
优选地，MSTL特征迁移学习方法具体步骤包含：
步骤2.1输入源域数据集Ds，源域标签，目标域数据集Xcan与输出维度r；
步骤2.2对目标域数据集采用大数投票方法，获得目标数据集的伪类别标签
Figure BDA0002658243430000041
Figure BDA0002658243430000042
表示样本的伪类别标签。
步骤2.3计算类内MMD矩阵；
基于步骤2.2中获得的目标域伪类别标签，候选者样本与源域样本的类内MMD(Maximum Mean Discrepancy)距离为：
Figure BDA0002658243430000043
其中，c＝{1,2,…,C}表示类别标签，φ(x)是核函数。
Figure BDA0002658243430000044
与
Figure BDA0002658243430000045
分别表示源域和目标域中标签为c的样本，nS (c)与nT (c)为对应样本的数量。STL的目标是最小化所有类别的类内MMD距离之和，对应的优化目标1如公式(2)所示，
Figure BDA0002658243430000046
式中，
Figure BDA0002658243430000047
是核矩阵，KS,S(i,j)＝φ(xi)Tφ(xj),xi,xj∈DS，KS,can(i,j)＝φ(xi)Tφ(xj),xi∈DS,xj∈Xcan，Kcan,S(i,j)＝φ(xi)Tφ(xj),xi∈Xcan,xj∈DS，Kcan,can(i,j)＝φ(xi)Tφ(xj),xi,xj∈Xcan，
Figure BDA0002658243430000048
表示源域与目标域之间每一类样本间MMD距离和，tr(WTW)为正则项，用于保证优化问题是良好定义的，λ是一个权衡参数。式(2)中的约束项是用于保证经变换后数据能够保持原始数据的结构特性。I∈Rm×m表示单位矩阵。
Figure BDA0002658243430000051
为中心矩阵，
Figure BDA0002658243430000052
为1的列向量，Lc为类内MMD矩阵，其表达式如下：
Figure BDA0002658243430000053
本发明中增加了对同类样本内部距离的考虑，尽可能缩小映射后的类内距离，借助于类内散度矩阵，构建优化目标2：
Figure BDA0002658243430000054
其中
Figure BDA0002658243430000055
式中，xi,xj∈[DS,Xcan]，
Figure BDA0002658243430000056
Aij∈[0,1]的定义如下：
Figure BDA0002658243430000057
式中，γi，γj是本地缩放比例，可以根据实际数据定义。
综合上述两个方面优化目标，根据式(2)与(4)，MSTL的优化目标为：
Figure BDA0002658243430000058
式中tr(WTW)为正则项，用于保证优化问题是良好定义的，λ是一个权衡参数，a为平衡系数。利用拉格朗日法，对于式(6)的优化目标求解，Φ表示拉格朗日乘子，因此可定义如下拉格朗日函数：
Figure BDA0002658243430000061
令偏导
Figure BDA0002658243430000062
则式(7)的优化问题可变换为迹优化问题：
Figure BDA0002658243430000063
通过求解特征向量，选取前r(r<＝m)个最小特征值对应的特征向量构成W，W是m*r维的矩阵。
步骤2.5，计算Ds与Xcan的核空间KS与Kcan，KS与Kcan中的每一个样本也是m维，与W相乘，就得到了r维的低维特征；
过程3.故障模式识别
将过程2得到的训练阶段r维特征集输入SVM分类器或随机森林(RF)分类器，训练故障诊断模型，再利用训练后的模型对过程2得到的测试阶段的r维特征集进行故障模式识别。这里基于SVM的诊断模型记为OFS-MSTL-SVM，基于随机森林的诊断模型记为OFS-RF-SVM。
过程4.构建D-S证据融合理论的驱动电机故障诊断框架
在故障诊断模型OFS-MSTL-SVM与OFS-MSTL-RF基础上，提出一种基于D-S证据融合理论的驱动电机故障诊断框架，用于提高驱动电机故障诊断准确率，诊断框架如图2所示，具体步骤如下：
步骤4.1，将获取到的驱动电机振动信号或电流信号经EEMD分解，得到一系列IMF分量，计算各IMF分量与原始信号间的相关系数，选取前4阶的IMF分量；针对所选取的IMF分量和对应的Hilbert包络谱，以及信号的边际谱，计算99个统计特征，构建原始特征集；
步骤4.2，将步骤4.1中得到的训练和测试阶段原始特征集分别作为源域与目标域数据集，利用提出的改进分层迁移学习方法MSTL对其进行迁移学习降维，输出低维特征集；
步骤4.3，对于电流信号，利用步骤4.2得到的训练阶段低维特征集分别训练故障诊断模型OFS-MSTL-SVM与OFS-MSTL-RF，并利用测试集数据进行测试，分别输出两种模型的故障诊断结果。对两种模型得到的诊断结果进行DS证据融合，得到电流信号的融合诊断结果；对振动信号进行相同的处理得到振动信号的融合诊断结果。
步骤4.4，在步骤4.3的诊断结果融合基础上，基于DS证据融合规则，再执行二级融合，对振动信号融合诊断结果和电流信号融合诊断结果进行融合，得到驱动电机故障状态识别的最终结果。一级、二级融合流程如图3所示。
有益技术效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明提出一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。在此基础上，提出一种基于D-S证据融合理论的驱动电机故障诊断模型，首先对不同机器学习方法的诊断结果进行一级融合，然后对振动和电流两种信的诊断结果进行二级融合，可以明显的提高识别准确率，本发明具有故障识别率高和场景适应能力强的优点。
附图说明
图1是本发明的方法流程图；
图2本发明基于类内特征迁移学习的驱动电机故障诊断流程框图；
图3基于D-S证据融合理论的驱动电机故障诊断框架
图4 1300r/min转速下的电机定子绕组故障振动信号样本；
图5 EEMD分解电机定子绕组故障振动信号得到的IMF分量；
图6电机定子绕组故障振动信号与其IMF分量间相关系数曲线图；
图7驱动电机定子电流信号(转速：1300r/min)；
图8电机定子电流信号经EEMD分解后的IMF分量；
图9使用STL、MSTL、以及不同降维方法的驱动电机故障诊断结果对比(振动信号)；
图10使用STL、MSTL、以及不同降维方法的驱动电机故障诊断结果对比(振动信号)；
图11使用STL、MSTL、以及不同降维方法的驱动电机故障诊断结果对比(电流信号)；
图12使用STL、MSTL、以及不同降维方法的驱动电机故障诊断结果对比(电流信号)。
具体实施方式
1实验数据介绍
采用美国SpectraQuest公司的SQI-MFS机械故障综合模拟试验台采集电机振动信号与定子电流信号进行故障诊断。试验台由驱动电机、变频器、轴承部件与底座支架等构成，SQI-MFS试验台使用的电机主要参数如表2所示。
表2 SQI-MFS实验台驱动电机参数
Figure BDA0002658243430000081
Figure BDA0002658243430000091
为验证所提出的驱动电机故障诊断框架在不同工况下故障诊断的有效性、适应性与实用价值，利用SQI-MFS试验台采集8种电机状态分别在3种电机转速下的样本数据进行验证，所选用的共有8种状态，1种正常状态和7种故障状态。电机转速为1300r/min、1500r/min与1700r/min。在试验台电机的驱动端和风扇段分别安装加速度传感器，用于采集振动信号，采样频率为64K。利用电流互感器采集电机定子电流信号，采样频率为32K。将振动信号或定子电流信号分成若干数据段，每个数据段即为一个样本，有2000个数据点(n＝2000)。每种电机状态包含60个样本，其中40个随机样本作为测试样本，20个随机样本作为训练样本。在这些样本的基础上，设置三个实验案例，Case 1，2与3，这三个案例均采用1300r/min下的电机故障信号样本作为训练数据集，Case 1,2与3的测试数据集分别为1300r/min，1500r/min与1700r/min下的电机故障信号样本，故障信号样本为振动信号或电流信号。实验数据集的详细信息见表3。表中将故障类别标签设置为1-8，用于状态识别结果的匹配。
表3实验样本说明
Figure BDA0002658243430000101
2实施步骤
2.1基于EEMD的电机故障信号分析与特征提取实验分析
采用振动信号与定子电流信号进行驱动电机故障诊断，下面分别针对振动信号与定子电流信号进行分析。
2.1.1电机振动信号分析与特征提取
图4的波形是电机定子绕组故障试验中的原始数据，通过EEMD进行分解得到的分量如图5所示。IMF分量可以反映原始信号不同时间尺度的模态特征，但并非每个IMF都能表征原始信号的特征信息，需从中选取有效的IMF分量，剔除虚假分量。虚假分量的产生主要和EEMD分解算法、有限的信号长度以及筛选方法有关，理论上，分解后的分量和原信号的特征成分是相互对应的，信号成分越真实，则相关程度越高。各分量ci(t)和原始信号x(t)的相关系数如下：
Figure BDA0002658243430000111
E(·)表示信号期望值，D(·)表示信号均方值，10个IMF分量与原始信号的相关系数如表4与图6所示，根据图表能够看出，前4阶IMF分量与其余分量有较大差异，因此本文选择在经过EEMD分解后的前4个IMF分量用于原始特征集提取。基于前4个IMF分量，为每个样本提取发明内容过程1中描述的99种特征。
表4电机定子绕组故障振动信号与其各IMF分量间相关系数
Figure BDA0002658243430000112
2.1.2电机定子电流信号分析与特征提取
驱动电机定子电流信号的信号分析与振动信号的处理过程相同，以转子弯曲故障下的定子电流信号为例，电机转速为1300r/min。首先，对原始信号进行分解，得到如图7与8所示的电流信号和它的IMF分量。各阶IMF分量与原始信号的相关系数见表5所示，根据表中数据，发现10个IMF分量中前四个IMF分量与原始信号的相关系数与其他分量相比有明显差异，故选取前四个IMF分量用于特征提取。基于前4个IMF分量，为每个样本提取发明内容过程1中描述的99种特征。
表5电机定子电流信号与其各IMF分量间相关系数
Figure BDA0002658243430000113
Figure BDA0002658243430000121
2.2基于EEMD与MSTL的驱动电机故障诊断实验分析
2.2.1基于电机振动信号的故障诊断实验分析
为了验证提出的基于MSTL驱动电机故障诊断方法对跨域数据故障诊断的有效性和适应性，开展了三个案例数据(Cases 1,2和3)验证实验。基于三个案例数据，设置了两组实验，第一组实验是在SVM作为故障识别分类器基础上，构建多个对比故障诊断模型，用于对比的方法有MSTL和多种降维方法(分层迁移学习方法STL、线性判别分析LDA、局部Fisher判别分析LFDA与最大边界准则MMC)，并且还构建了不使用降维方法的OFS-SVM模型。构建的故障诊断模型具体如表6所示，以OFS-MSTL-SVM为例，首先将原始振动信号或电流信号经EEMD处理与特征提取得到的99个原始特征作为原始特征集(Original Feature Set,OFS)，然后将训练集OFS与测试集OFS经MSTL处理，将得到的低维训练特征集作为SVM的输入，训练故障诊断模型，最后利用已训练模型对低维测试特征集进行故障识别与分类。第二组实验是在随机森林分类器(RF)作为故障识别分类器基础上，构建一系列对比模型，具体见表6所示。
表6故障诊断模型(振动信号)
Figure BDA0002658243430000122
Figure BDA0002658243430000131
表7 OFS-SVM模型的驱动电机故障诊断准确率(振动信号)
Figure BDA0002658243430000132
表8 OFS-STL-SVM与OFS-MSTL-SVM模型的驱动电机故障诊断准确率(振动信号)
Figure BDA0002658243430000133
第一组实验结果：表7所示为OFS-SVM模型的故障诊断准确率，Case 1的故障诊断准确率明显高于Case 2和3，这种差异原因主要在于Case 1的测试集与训练集属于同工况下的样本数据，因此，数据集间分布差异较小，故障诊断准确率较高。Case 2和Case 3的训练集是电机转速在1300r/mim下的样本数据，测试集分别为1500r/min和1700r/min下的样本年数据，导致与训练集样本间存在分布差异，从而影响了故障诊断准确率。在OFS-SVM基础上，引入STL或MSTL来降低训练集与测试集间分布差异，OFS-STL-SVM与OFS-MSTL-SVM模型的故障诊断结果如表8所示，将实验结果与OFS-SVM模型的诊断结果比对可知，使用了STL与MSTL的故障诊断模型，能够明显提升在三个案例下的故障诊断性能，诊断准确率明显提高。将OFS-STL-SVM模型与OFS-MSTL-SVM模型进行故障诊断结果对比可知，使用MSTL的故障诊断模型的性能优于使用STL的故障诊断模型，OFS-MSTL-SVM模型对Cases 1，2和3的最大故障诊断准确率分别为94.17％，83.13％和82.50％。为进一步证明所提出MSTL方法对于跨域故障诊断的优越性，构建了使用不同降维方法的故障诊断模型用于对比，各模型的故障诊断结果对比如图9所示。根据图9中的实验结果，对于Case 1，所有的模型均能取得理想的故障诊断能准确率，使用了STL、MSTL与其他降维方法的故障诊断模型的诊断结果均优于OFS-SVM模型，验证了使用这些方法对于故障诊断的有效性。对于Case 2与Case 3，OFS-STL-SVM与OFS-MSTL-SVM模型的故障诊断结果明显优于其他模型。
第二组实验结果：表9所示为OFS-RF模型的故障诊断准确率，Case 1的故障诊断准确率明显高于Cases 2和3。在OFS-RF基础上，引入STL或MSTL来降低训练集与测试集间分布差异，OFS-STL-RF与OFS-MSTL-RF模型的故障诊断结果如表10所示，将实验结果与OFS-RF模型的诊断结果比对可知，使用了STL与MSTL的故障诊断模型，能够明显提升在三个案例下的故障诊断性能，诊断准确率明显提高。将OFS-STL-RF模型与OFS-MSTL-RF模型进行故障诊断结果对比可知，使用MSTL的故障诊断模型的性能优于使用STL的故障诊断模型，OFS-MSTL-RF模型对Cases 1，2和3的最大故障诊断准确率分别为99.50％，88.96％和86.88％。与第一组实验相同，为进一步验证本发明所提出MSTL方法对于跨域故障诊断的优越性，对其他多种基于降维方法的故障诊断模型进行实验，与OFS-MSTL-RF模型对比，各模型的故障诊断结果对比如图10所示。实验结果表明，对于Case 1，所有的模型均能取得理想的故障诊断能准确率，使用了STL、MSTL与其他降维方法的故障诊断模型的诊断结果均优于OFS-SVM模型，验证了使用这些方法对于故障诊断的有效性。对于Case 2与Case 3，OFS-STL-SVM与OFS-MSTL-SVM模型的故障诊断结果明显优于其他模型。
表9 OFS-RF模型的驱动电机故障诊断准确率(振动信号)
Figure BDA0002658243430000151
表10 OFS-STL-RF与OFS-MSTL-RF模型的驱动电机故障诊断准确率(振动信号)
Figure BDA0002658243430000152
2.2.2基于电机定子电流信号的故障诊断实验分析
利用表6中的故障诊断模型进行基于电机定子电流信号的故障诊断实验。实验流程与基于振动信号的实验流程完全相同，进行了两组实验。
第一组实验结果如表11，12与图11所示，根据表11中的实验结果可知，原始特征集不经过任何处理的OFS-SVM模型对于同工况下的Case 1的故障诊断准确率可达91.08％，但对于不同工况下数据(Case 1与Case 2)的故障诊断性能不佳，诊断准确率分别为57.33％与55.00％。根据表12中的实验结果可知，STL与MSTL方法的使用，明显提升了故障诊断准确率。通过与使用降维方法的故障诊断模型对比，实验结果如图11所示，OFS-MSTL-SVM模型的故障诊断性能最优，对于Case 1，2和3的最大故障诊断准确率分别可达93.67％，74.50％和73.50％。
第二组实验结果如表13，14与图12所示，根据实验结果，发现第一组实验的结果普遍比第二组实验的结果差一些，表明故障诊断结果在一定程度上受故障模式识别分类器性能的影响。实验结果还表明，与其他模型相比，使用了MSTL方法的故障诊断模型对跨域数据的故障诊断有更优的性能，最大故障诊断准确率明显高于其他模型。
综合上述实验分析结果，可以得出：
(1)故障诊断模型对于同工况数据(Case 1)的故障诊断结果明显优于不同工况下(Case 2与Case 3)的故障诊断结果。表明，由于驱动电机所处工况不同，导致用于测试的样本数据与训练集样本数据存在分布差异，进而影响故障诊断准确率。
(2)使用迁移学习方法处理原始高维特征集，即训练集(源域)与测试集(目标域)，能够明显提高故障诊断准确率，表明通过降低源域与目标域间分布差异，能够提升故障诊断模型跨域故障诊断的性能。
(3)使用迁移学习方法的故障诊断模型，对三个案例的故障诊断结果，明显优于使用降维方法的故障诊断模型，其中，使用本章提出的MSTL方法的故障诊断模型性能最佳，说明MSTL在降低源域与目标域数据间分布差异同时，充分利用类别信息，保持类内数据的局部几何结构，提升了数据的可分性，进而提高了故障模式识别与分类的准确率。
(4)源域与目标域数据经迁移学习后，输出特征集的维度对于故障诊断结果有一定影响；不同分类器下，所构建的故障诊断模型的性能也存在一定程度差异。
表11 OFS-SVM模型的驱动电机故障诊断准确率(电流信号)
Figure BDA0002658243430000161
Figure BDA0002658243430000171
表12 OFS-STL-SVM与OFS-MSTL-SVM模型的驱动电机故障诊断准确率(电流信号)
Figure BDA0002658243430000172
表13 OFS-RF模型的驱动电机故障诊断准确率(电流信号)
Figure BDA0002658243430000173
表14 OFS-STL-RF与OFS-MSTL-RF模型的驱动电机故障诊断准确率(电流信号)
Figure BDA0002658243430000174
Figure BDA0002658243430000181
2.3基于D-S证据融合理论的驱动电机故障诊断
为验证基于D-S证据融合理论的驱动电机故障诊断方法的有效性与适应性，本节进行三组跨域数据故障诊断实验。第一组实验，利用电机振动信号在OFS-MSTL-SVM与OFS-MSTL-RF故障诊断模型下的实验结果，进行D-S证据融合。第二组实验，利用电机定子电流信号在OFS-MSTL-SVM与OFS-MSTL-RF故障诊断模型下的实验结果，进行D-S证据融合。第三组实验，是在前两组实验结果基础上，进行二级融合。
第一组实验中，三个案例的结果分别如表15，表16与表17所示。根据D-S证据融合实验结果，在Case 1，2，3的测试集数据下，基于OFS-MSTL-SVM与OFS-MSTL-RF模型进行D-S证据融合得到的故障诊断准确率均高于OFS-MSTL-SVM，OFS-MSTL-RF。其中，对于Case 1，D-S证据融合得到的故障诊断准确率最高，可达99.97％。对于Case 2，D-S证据融合得到的故障诊断准确率可达92.67％。对于Case 3，D-S证据融合得到的故障诊断准确率可达90.17％。
表15基于D-S证据融合的驱动电机振动信号故障诊断准确率(Case 1)
Figure BDA0002658243430000182
表16基于D-S证据融合的驱动电机振动信号故障诊断准确率(Case 2)
Figure BDA0002658243430000191
表17基于D-S证据融合的驱动电机振动信号故障诊断准确率(Case 3)
Figure BDA0002658243430000192
第二组实验中，三个案例的结果分别如表18，表19与表20所示。根据D-S证据融合实验结果，在Case 1，2，3的测试集数据下，基于OFS-MSTL-SVM与OFS-MSTL-RF模型进行D-S证据融合得到的故障诊断准确率均高于OFS-MSTL-SVM，OFS-MSTL-RF，OFS-SVM与OFS-RF模型的诊断结果。其中，对于Case 1，D-S证据融合得到的故障诊断准确率最高，可达99.83。对于Case 2，D-S证据融合得到的故障诊断准确率可达87.67％。对于Case 3，D-S证据融合得到的故障诊断准确率可达86.88％。
第三组实验中，三个案例的结果分别如表21所示。Case 1采用的与训练数据集同工况的测试数据的故障诊断准确率达到100％，Case 2与Case 3分别采用的与训练集不同工况的测试数据的故障诊断准确率分别可达到94.75％与92.18％。
综合三组实验分析的结果，可以得到：
(1)基于不同模式识别分类器构建的故障诊断模型之间存在诊断性能差异，在不同故障诊断模型基础上，利用D-S证据融合理论，能够提高故障诊断准确率，尤其在不同工况下的故障诊断，诊断准确率明显提高。
(2)根据本节提出的基于D-S证据融合理论的驱动电机故障诊断框架，将不同种类信号下故障模式识别的结果进行决策层融合，能够进一步提高故障诊断准确率，实验结果验证了该框架对于提高故障诊断准确率的有效性与适应性。
表18基于D-S证据融合的驱动电机定子电流信号故障诊断准确率(Case 1)
Figure BDA0002658243430000201
表19基于D-S证据融合的驱动电机定子电流信号故障诊断准确率(Case 2)
Figure BDA0002658243430000202
表20基于D-S证据融合的驱动电机定子电流信号故障诊断准确率(Case 3)
Figure BDA0002658243430000203
表21基于D-S证据理论的驱动电机多源信息融合故障诊断准确率
Figure BDA0002658243430000204
综上实验结果分析可得出：
提出了基于类内特征迁移学习的驱动电机故障诊断方法，采用美国SpectraQuest公司的SQI-MFS机械故障综合模拟试验台驱动电机故障数据进行实验，验证使用了所提出的MSTL的故障诊断模型对不同工况下驱动电机故障状态识别的性能。实验设置包含同工况与不同工况下的三个案例(Case 1，Case 2与Case 3)，分别基于SVM与随机森林分类器(RF)构建故障诊断模型，进行两组实验，通过实验分析，可得如下结论：
(1)故障诊断模型对于同工况数据(Case 1)的故障诊断结果明显优于不同工况下(Case 2与Case 3)的故障诊断结果。通过本发明提出的MSTL迁移学习方法，能够降低测试集样本数据(目标域)与训练集样本数据(源域)之间分布差异，保持类内样本的局部流形结构，提高不同类数据的可分性，进而提升故障诊断模型的性能。因此，所提出的OFS-MSTL-SVM与OFS-MSTL-RF模型的跨域故障诊断性能明显优于OFS-SVM与OFS-RF模型。为进一步验证所提出MSTL方法的优越性，与使用不同线性降维方法的传统故障诊断模型进行对比实验，实验结果表明，使用本发明提出的MSTL方法的故障诊断模型性能最佳。
(2)不同故障诊断模型利用不同源信号进行故障诊断的性能不同。根据实验结果可知，利用电机振动信号进行故障诊断的结果普遍优于使用电流信号的故障诊断结果。基于不同模式识别分类器构建的故障诊断模型，对驱动电机故障诊断的结果有一定程度差异，实验结果表明，使用RF分类器构建的故障诊断模型的性能要优于SVM构建的诊断模型。
针对不同故障诊断模型利用不同源信号进行故障诊断的性能不同，提出基于D-S证据融合理论的驱动电机故障诊断框架，该框架在OFS-MSTL-SVM与OFS-MSTL-RF模型基础上，利用D-S证据理论进行决策级融合，利用三个案例(Case 1，Case 2与Case 3)进行实验。实验结果表明，将不同种类信号利用不同故障诊断模型进行故障状态识别的结果进行决策层融合，故障诊断准确率明显高于一种信号在一种故障诊断模型下的诊断准确率。
相较于现有技术，本发明提供了一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断方法，该方法采用经验模态分解法EEMD对信号进行处理，提取统计特征构建原始高维特征集。然后，将训练集与测试集数据分别作为源域与目标域数据集，提出一种改进STL的特征迁移学习方法，处理有标签源域与无标签目标域数据集，输出低维特征集。最后，输入SVM分类器和随机森林分类器，训练故障诊断模型，再进行故障模式识别。此外，针对单个传感器采集信号会存在一定的不确定因素，采用D-S证据理论进行驱动电机多源信息决策层融合，对不同源信号在模型上的诊断结果进行二级D-S证据融合。实验结果表明，本发明所提出的多源信息融合框架能够进一步提高故障诊断准确率，具有一定的实用价值。以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，其特征在于，具体包含如下步骤：
步骤1，采用集合经验模态分解EEMD对驱动电机振动信号或电流信号分析，构建原始特征集；
步骤2，将步骤1中得到的训练和测试阶段原始特征集分别作为源域与目标域数据集，并对其进行迁移学习降维，输出低维特征集；
步骤3，将步骤2得到的训练阶段低维特征集输入SVM分类器或随机森林分类器，训练故障诊断模型，再利用训练后的模型对过程2得到的测试阶段的低维特征集进行故障模式识别，基于SVM的诊断模型记为OFS-MSTL-SVM，基于随机森林的诊断模型记为OFS-RF-SVM，其中，OFS代表获取原始数据集的过程，MSTL改进分层迁移学习方法，SVM为支持向量机方法，RF为随机森林方法；
步骤4，在上述三个步骤的基础上，构建基于D-S证据融合理论的驱动电机故障诊断模型。
2.根据权利要求1所述的一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，其特征在于，在步骤1中，原始特征集构建，具体步骤如下：采用集合经验模态分解EEMD对驱动电机振动信号或电流信号分析，以n个采样点的振动信号或电流信号序列为一个原始信号样本，一个样本经过EEMD分解可以得到多阶本征模态函数，每一个本征模态函数分量也是n个点的序列，前4阶IMF分量中包含了原始信号的信息，取前4阶IMF分量，计算每一个IMF分量Hilbert包络谱，也是n个点的序列，并通过前4阶IMF分量计算原始信号的边际谱，也是n个点的序列，通过上述过程，一个n个采样点的原始信号样本，可以得到4阶IMF分量，4个Hilbert包络谱，1个边际谱，共9个序列，每个序列都是n个点，计算每一个序列的N个统计特征，获得原始信号的9*N个统计特征，构建原始特征集。
3.根据权利要求2所述的一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，其特征在于，步骤2中，将步骤1中得到的训练和测试阶段原始特征集分别作为源域与目标域数据集，并对其进行迁移学习降维，输出低维特征集，具体步骤如下：获取步骤1中得到的训练和测试阶段原始特征集，训练阶段原始特征集是已知空间，是迁移学习中的源域数据集，测试阶段原始特征集是未知空间，是迁移学习中的目标域数据集，以源域和目标域数据集为输入，利用MSTL方法得到用于空间映射的矩阵记为变换矩阵W，变换矩阵W可以将源域和目标域数据集映射到近似的分布的空间，将源域和目标域数据集中每一个原始特征样本的核变换和W矩阵相乘后，可以得到映射后的r维新特征样本，原始样本和核变换均为m维，并且r<＝m，一方面可以将源域和目标域数据映射到相近的概率和条件分布空间，另一方面可以实现特征降维的目的。
4.根据权利要求3所述的一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，其特征在于，在上述三个步骤的基础上，构建基于D-S证据融合理论的驱动电机故障诊断模型，具体步骤如下：
步骤4.1，将获取到的驱动电机振动信号或电流信号经EEMD分解，得到一系列IMF分量，计算各IMF分量与原始信号间的相关系数，选取前4阶的IMF分量；针对所选取的IMF分量和对应的Hilbert包络谱，以及信号的边际谱，计算9*N个统计特征，构建原始特征集；
步骤4.2，将步骤4.1中得到的训练和测试阶段原始特征集分别作为源域与目标域数据集，利用分层迁移学习方法MSTL对其进行迁移学习降维，输出低维特征集；
步骤4.3，对于电流信号，利用步骤4.2得到的训练阶段低维特征集分别训练故障诊断模型OFS-MSTL-SVM与OFS-MSTL-RF，并利用测试集数据进行测试，分别输出两种模型的故障诊断结果，对两种模型得到的诊断结果进行DS证据融合，得到电流信号的融合诊断结果，对振动信号进行相同的处理得到振动信号的融合诊断结果；
步骤4.4，在步骤4.3的诊断结果融合基础上，基于DS证据融合规则，再执行二级融合，对振动信号融合诊断结果和电流信号融合诊断结果进行融合，得到驱动电机故障状态识别的最终结果。
CN202010895235.7A 2020-08-31 2020-08-31 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 Active CN112036301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010895235.7A CN112036301B (zh) 2020-08-31 2020-08-31 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010895235.7A CN112036301B (zh) 2020-08-31 2020-08-31 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法

Publications (2)

Publication Number Publication Date
CN112036301A true CN112036301A (zh) 2020-12-04
CN112036301B CN112036301B (zh) 2021-06-22

Family

ID=73587674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010895235.7A Active CN112036301B (zh) 2020-08-31 2020-08-31 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法

Country Status (1)

Country Link
CN (1) CN112036301B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819059A (zh) * 2021-01-26 2021-05-18 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN113159226A (zh) * 2021-05-18 2021-07-23 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN113241123A (zh) * 2021-04-19 2021-08-10 西安电子科技大学 一种融合多种特征识别增强子及其强度的方法、系统
CN113326896A (zh) * 2021-06-25 2021-08-31 国网上海市电力公司 一种基于多类型传感器的融合感知方法
CN113435327A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种电主轴状态评估方法、系统、设备及可读存储介质
CN114648044A (zh) * 2022-03-18 2022-06-21 江苏迪普勒信息科技有限公司 基于eemd和深度域对抗网络的振动信号诊断分析方法
CN115618202A (zh) * 2022-10-17 2023-01-17 徐州徐工随车起重机有限公司 一种基于流形嵌入和关键特征选取的机械故障诊断方法
CN116597167A (zh) * 2023-06-06 2023-08-15 中国人民解放军92942部队 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统
CN116910573A (zh) * 2023-09-13 2023-10-20 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
CN117077505A (zh) * 2023-06-14 2023-11-17 中国人民解放军海军航空大学 一种基于测试性评价的装备机内故障诊断器设计方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196872A (zh) * 2007-11-19 2008-06-11 清华大学 基于压力和声波信息融合的泄漏检测定位方法
CN107491792A (zh) * 2017-08-29 2017-12-19 东北大学 基于特征映射迁移学习的电网故障分类方法
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN108446711A (zh) * 2018-02-01 2018-08-24 南京邮电大学 一种基于迁移学习的软件缺陷预测方法
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
CN110346736A (zh) * 2019-08-14 2019-10-18 合肥工业大学 基于改进小树变换的npc三电平逆变器故障诊断方法
CN110849625A (zh) * 2019-10-10 2020-02-28 淮阴工学院 基于混合熵与联合分布适配的变工况下轴承故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196872A (zh) * 2007-11-19 2008-06-11 清华大学 基于压力和声波信息融合的泄漏检测定位方法
CN107491792A (zh) * 2017-08-29 2017-12-19 东北大学 基于特征映射迁移学习的电网故障分类方法
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN108229547A (zh) * 2017-12-27 2018-06-29 东南大学 一种基于局部模型迁移学习的齿轮故障识别方法
CN108446711A (zh) * 2018-02-01 2018-08-24 南京邮电大学 一种基于迁移学习的软件缺陷预测方法
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
CN110346736A (zh) * 2019-08-14 2019-10-18 合肥工业大学 基于改进小树变换的npc三电平逆变器故障诊断方法
CN110849625A (zh) * 2019-10-10 2020-02-28 淮阴工学院 基于混合熵与联合分布适配的变工况下轴承故障诊断方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819059B (zh) * 2021-01-26 2022-03-29 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN112819059A (zh) * 2021-01-26 2021-05-18 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN113241123A (zh) * 2021-04-19 2021-08-10 西安电子科技大学 一种融合多种特征识别增强子及其强度的方法、系统
CN113241123B (zh) * 2021-04-19 2024-02-02 西安电子科技大学 一种融合多种特征识别增强子及其强度的方法、系统
CN113159226A (zh) * 2021-05-18 2021-07-23 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN113435327B (zh) * 2021-06-25 2023-12-19 西安交通大学 一种电主轴状态评估方法、系统、设备及可读存储介质
CN113326896A (zh) * 2021-06-25 2021-08-31 国网上海市电力公司 一种基于多类型传感器的融合感知方法
CN113435327A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种电主轴状态评估方法、系统、设备及可读存储介质
CN114648044A (zh) * 2022-03-18 2022-06-21 江苏迪普勒信息科技有限公司 基于eemd和深度域对抗网络的振动信号诊断分析方法
CN115618202A (zh) * 2022-10-17 2023-01-17 徐州徐工随车起重机有限公司 一种基于流形嵌入和关键特征选取的机械故障诊断方法
CN116597167A (zh) * 2023-06-06 2023-08-15 中国人民解放军92942部队 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统
CN116597167B (zh) * 2023-06-06 2024-02-27 中国人民解放军92942部队 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统
CN117077505A (zh) * 2023-06-14 2023-11-17 中国人民解放军海军航空大学 一种基于测试性评价的装备机内故障诊断器设计方法
CN116910573A (zh) * 2023-09-13 2023-10-20 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质
CN116910573B (zh) * 2023-09-13 2023-12-05 中移(苏州)软件技术有限公司 异常诊断模型的训练方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112036301B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN109582003B (zh) 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法
Zhang et al. Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks
CN110792563B (zh) 基于卷积生成对抗网络的风电机组叶片故障音频监测方法
CN105275833B (zh) 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
US8630962B2 (en) Error detection method and its system for early detection of errors in a planar or facilities
Udmale et al. A bearing data analysis based on kurtogram and deep learning sequence models
Maurya et al. Condition monitoring of machines using fused features from EMD-based local energy with DNN
Gangsar et al. Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions
CN112819059B (zh) 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN112729835B (zh) 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置
CN115221930B (zh) 一种滚动轴承的故障诊断方法
CN112577743B (zh) 一种基于最大局部边界准则的滚动轴承故障诊断方法
Wu et al. A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application
Ganesan et al. Fault detection in satellite power system using convolutional neural network
Zhang et al. A novel intelligent method for bearing fault diagnosis based on Hermitian scale-energy spectrum
CN115758200A (zh) 一种基于相似度度量的振动信号故障识别方法及系统
CN112541524B (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
Dong et al. Rolling bearing fault diagnosis using modified neighborhood preserving embedding and maximal overlap discrete wavelet packet transform with sensitive features selection
Wei et al. Intelligent fault diagnosis of rotating machinery using composite multivariate-based multi-scale symbolic dynamic entropy with multi-source monitoring data
Jianhui et al. New fault diagnosis method for rolling bearing based on PCA
Xiao et al. Health assessment for piston pump using LSTM neural network
Cui et al. Aero-engine fault diagnosis using improved local discriminant bases and support vector machine
Shi et al. An imbalanced data augmentation and assessment method for industrial process fault classification with application in air compressors

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yu Xiao

Inventor after: Chen Wei

Inventor after: Liu Shiyuan

Inventor after: Ren Xiaohong

Inventor after: Dong Fei

Inventor before: Yu Xiao

Inventor before: Liu Shiyuan

Inventor before: Ren Xiaohong

Inventor before: Dong Fei

Inventor before: Chen Wei