CN112113755A - 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 - Google Patents

一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 Download PDF

Info

Publication number
CN112113755A
CN112113755A CN202010911939.9A CN202010911939A CN112113755A CN 112113755 A CN112113755 A CN 112113755A CN 202010911939 A CN202010911939 A CN 202010911939A CN 112113755 A CN112113755 A CN 112113755A
Authority
CN
China
Prior art keywords
kurtosis
neural network
fault
layer
mechanical
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
CN202010911939.9A
Other languages
English (en)
Other versions
CN112113755B (zh
Inventor
徐自力
王存俊
辛存
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010911939.9A priority Critical patent/CN112113755B/zh
Publication of CN112113755A publication Critical patent/CN112113755A/zh
Application granted granted Critical
Publication of CN112113755B publication Critical patent/CN112113755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明一种基于深度卷积‑峭度神经网络的机械故障智能诊断方法，利用时域信号峭度特征对冲击成分敏感的特性，提出一种新型的可嵌入神经网络的峭度池化操作，并建立其梯度反向传播算法，可在神经网络中实现对振动信号的冲击特征提取；基于深层结构的卷积神经网络，嵌入所提出的峭度池化操作，建立深度卷积‑峭度神经网络。机械故障智能诊断步骤为：首先利用振动传感器对机械结构进行振动监测，获取机械设备各运行状态下的振动数据集；利用机械振动数据集对所提出的深度卷积‑峭度神经网络进行监督训练，诊断模型输出为各类故障概率，实现机械故障智能诊断。

Description

一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
技术领域
本发明属于机械设备故障诊断技术领域，特别涉及一种基于深度卷积-峭度神经网络的机械故障智能诊断方法。
背景技术
随着科学技术的发展，动力机械装备越来越大型化、精细化、复杂化。轴承作为动力机械装备中旋转部件的主要受力单元，极易受到损伤，其健康状况直接关系到动力装备的安全运行。建立可靠、准确的机械设备故障诊断系统，对保证动力装备安全运行至关重要。随着传感技术和大数据技术的发展，对机械的监测产生了海量的监测数据，为机械故障诊断智能化奠定了基础。
传统机械故障诊断，利用小波包变换、包络谱、经验模式分解等时域、频域、时频域信号处理方法进行故障特征提取。但该特征工程方法大量依靠专家知识，一方面对使用者提出了较高的专业知识要求，难以进行推广应用；另一方面，随着传感技术的进步，产生了海量的监测数据，传统特征工程的方法难以对这些海量数据进行有效的利用。
机械故障智能诊断逐渐受到学术界和工业界的关注，但现有的基于深度神经网络的故障诊断模型，多为黑箱模型，即输入原始信号，输出故障类别，实现端到端的故障诊断。但传统故障诊断中对故障的认知没有被有效的运用，如轴承损伤会造成信号中的冲击成分，导致模型泛化能力、可解释性不强。
发明内容
为了解决现有智能故障诊断泛化能力不强、可解释性弱的问题，本发明的目的在于提供一种基于深度卷积-峭度神经网络的机械故障智能诊断方法，利用峭度池化提取信号中冲击特征，建立深度神经网络模型进行高维特征提取与分类。该方法能够强化对故障特征中冲击成分的学习，方法具有一定的通用性，可提高模型的泛化能力和故障识别精度。
为了实现上述目的，本发明采用的技术方案是：
一种基于深度卷积-峭度神经网络的机械故障智能诊断方法，包括如下步骤：
步骤1：利用加速度传感器对机械设备进行振动监测，建立机械各运行状态下的振动信号数据库；
步骤2：利用1-D卷积层、峭度池化层以及批正则化层构建深度卷积-峭度神经网络；
步骤3：利用振动信号数据库的振动信号和机械状态信息，对深度卷积-峭度神经网络进行分类监督训练，实现各类故障概率预测；
步骤4：使用步骤3中训练完成的神经网络模型进行机械故障智能诊断。
所述步骤2中深度卷积-峭度神经网络包括故障信息提取模块和故障分类模块，其中：
故障信息提取模块以原始振动信号为输入，即深度神经网络模型第一层y1；通过1-D卷积层对原始振动信号进行初步的故障信息提取，输出为y2；然后利用峭度池化层对y2进行峭度池化操作，获取反映冲击信号特征的输出y3；再利用多个卷积层、批正则化层、重整线性化组合，进行故障信息的进一步提取；
故障分类模块对故障信息提取模块输出进行扁平化操作，利用全连接层、重整线性化和丢弃正则化输出各故障类别分数；再通过Softmax函数计算各类别后验概率：
Figure BDA0002663615030000021
其中，sz为z类故障分数，pz为z类故障后验概率。
所述峭度池化层前向传递公式为(为提取反映故障信号中的冲击特征，提出一种可嵌入任意神经网络的峭度池化层，其前向传递公式为)：
Figure BDA0002663615030000022
其中，
Figure BDA0002663615030000031
表示第l+1层第j个特征元素，
Figure BDA0002663615030000032
表示第l层第i个特征元素，w是表示池化窗口，即
Figure BDA0002663615030000033
n为窗口内特征元素个数且为奇数，μ为窗口内特征元素均值，即
Figure BDA0002663615030000034
所述步骤3，根据故障分类模块输出的各类故障概率，计算交叉熵损失函数，作为模型训练的目标函数E：
Figure BDA0002663615030000035
其中，N为每一个迭代步样本数量，lt为第t个样本的真实故障类别，通过梯度下降算法最小化目标函数，完成深度卷积-峭度神经网络的分类监督训练过程。
建立峭度池化反向传播算法，使峭度池化操作能够嵌入任意神经网络中，并保障神经网络仍能够使用梯度下降方法进行优化，而无需额外的优化设计，峭度池化层的反向传播算法中，梯度反向传播公式为：
Figure BDA0002663615030000036
其中，m表示第l+1层元素个数，
Figure BDA0002663615030000037
表示第l层第k个特征元素，i表示池化窗口内特征元素下标，δki定义为
Figure BDA0002663615030000038
本发明针对轴承故障诊断任务，以卷积神经网络和峭度池化操作搭建智能诊断模型，泛化能力强，收敛速度快，可以准确、可靠的完成机械装备智能诊断。
与现有技术相比，本发明的有益效果是：
(1)基于峭度池化、卷积网络的智能诊断模型，可以摆脱传统智能诊断方法对大量信号无法有效利用的困难，成分利用故障数据集进行模型监督训练，实现故障特征的自动提取和故障分类。
(2)机械旋转部件发生剥落、裂纹等损伤时，运行至损伤处会产生冲击成分；本发明利用峭度池化方法对轴承加速度信号中的冲击特征进行针对性提取，提升模型训练效率，同时提高模型的泛化能力。
(3)本发明无需专家知识，便于工程实践应用；同时，具有一定的通用性，可扩展至任意故障信号中含冲击特征的诊断对象。
附图说明
图1为一种基于深度卷积-峭度神经网络的机械故障智能诊断方法流程图。
图2为轴承智能诊断深度神经网络模型示意图。
图3为峭度池化示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明一种基于深度卷积-峭度神经网络的机械故障智能诊断方法，利用时域信号峭度特征对冲击成分敏感的特性，提出可嵌入神经网络的峭度池化操作，并建立其梯度反向传播算法，可在神经网络中实现对振动信号的冲击特征提取；基于深层结构的卷积神经网络，嵌入所提出的峭度池化操作，建立深度卷积-峭度神经网络。机械故障智能诊断步骤为：首先利用振动传感器对机械结构进行振动监测，获取机械设备各运行状态下的振动数据集；利用机械振动数据集对所提出的深度卷积-峭度神经网络进行监督训练，诊断模型输出为各类故障概率，实现机械故障智能诊断。本发明的特色在于峭度池化能够强化振动信号冲击特征，提升诊断模型泛化能力，且可嵌入任意神经网络中，提升模型故障诊断的准确率。
以对某轴承进行智能故障诊断为例，该智能诊断方法具体检测流程如图1所示，包括以下步骤：
步骤1：将加速度传感器固定在轴承盖处，连接数据采集器和计算机；利用故障注入分别对轴承外圈、轴承内圈、滚珠进行故障注入；在轴承试验台上进行振动测量，采集不同故障时的振动数据，并保存形成轴承故障数据库。
步骤2：建立包括故障信息提取模块和故障分类模块的神经网络模型。其中，在故障信息提取模块，原始信号作为输入，即神经网络模型第一层y1；利用一个1-D的卷积层对原始信号进行初步的特征(故障信息)提取，获取轴承低维特征y2；然后利用峭度池化方法对y2进行池化，获取峭度特征层y3(反映冲击信号特征)。峭度池化前向传递如图3所示，具体公式如下
Figure BDA0002663615030000051
其中，
Figure BDA0002663615030000052
表示第3层第j个特征元素，w是表示池化窗口，n＝5为窗口内特征元素个数，即池化窗口包含元素
Figure BDA0002663615030000053
μ为窗口内特征元素均值，即
Figure BDA0002663615030000054
再利用3个卷积层、批正则化、重整线性化组合，进行故障信息的进一步提取，输出故障信息y5；
故障分类模块，对故障信息提取模块输出y5进行扁平化操作，利用全连接层、重整线性化和丢弃正则化输出各故障类别分数；并通过Softmax函数计算各类别后验概率：
Figure BDA0002663615030000055
其中，sz为z类故障分数，pz为z类故障后验概率。
由此得到深度卷积-峭度神经网络模型如图2所示。
步骤3：利用步骤1采集的故障数据库样本-标签信息，划分训练集、验证集和测试集；利用训练集中的样本及其故障类别信息，计算交叉熵损失函数，作为模型训练的目标函数
Figure BDA0002663615030000056
其中，N为每一个迭代步样本数量，lt为第t个样本的真实故障类别，通过梯度下降算法最小化目标函数，完成深度卷积-峭度神经网络的分类监督训练过程。
建立峭度池化反向传播算法，使峭度池化操作能够嵌入任意神经网络中，并保障神经网络仍能够使用梯度下降方法进行优化，而无需额外的优化设计。峭度池化梯度反向传播如图3所示，具体公式如下：
Figure BDA0002663615030000061
其中，m表示第l+1层元素个数，
Figure BDA0002663615030000062
表示第l层第k个特征元素，i表示池化窗口内特征元素下标，δki定义为
Figure BDA0002663615030000063
当验证集准确率开始下降时停止训练，取最大准确率的模型作为最终智能故障诊断模型。
步骤4：使用步骤3中训练完成的神经网络模型进行测试集的测试，获得故障预测准确率如表1所示；对比无峭度池化的智能故障诊断模型，所提出的模型具有更高的测试准确率。
表1
Figure BDA0002663615030000064

Claims (5)

1.一种基于深度卷积-峭度神经网络的机械故障智能诊断方法，其特征在于，包括如下步骤：
步骤1：利用加速度传感器对机械设备进行振动监测，建立机械各运行状态下的振动信号数据库；
步骤2：利用1-D卷积层、峭度池化层以及批正则化层构建深度卷积-峭度神经网络；
步骤3：利用振动信号数据库的振动信号和机械状态信息，对深度卷积-峭度神经网络进行分类监督训练，实现各类故障概率预测；
步骤4：使用步骤3中训练完成的神经网络模型进行机械故障智能诊断。
2.根据权利要求1所述基于深度卷积-峭度神经网络的机械故障智能诊断方法，其特征在于，所述步骤2中深度卷积-峭度神经网络包括故障信息提取模块和故障分类模块，其中：
故障信息提取模块以原始振动信号为输入，即深度神经网络模型第一层y1；通过1-D卷积层对原始振动信号进行初步的故障信息提取，输出为y2；然后利用峭度池化层对y2进行峭度池化操作，获取反映冲击信号特征的输出y3；再利用多个卷积层、批正则化层(BN)、重整线性化(ReLU)组合，进行故障信息的进一步提取；
故障分类模块对故障信息提取模块输出进行扁平化操作，利用全连接层、重整线性化和丢弃正则化(Dropout)输出各故障类别分数；再通过Softmax函数计算各类别后验概率：
Figure FDA0002663615020000011
其中，sz为z类故障分数，pz为z类故障后验概率。
3.根据权利要求2所述基于深度卷积-峭度神经网络的机械故障智能诊断方法，其特征在于，所述峭度池化层前向传递公式为(为提取反映故障信号中的冲击特征，提出一种可嵌入任意神经网络的峭度池化层，其前向传递公式为)：
Figure FDA0002663615020000021
其中，
Figure FDA0002663615020000022
表示第l+1层第j个特征元素，
Figure FDA0002663615020000023
表示第l层第i个特征元素，w是表示池化窗口，即
Figure FDA0002663615020000024
n为窗口内特征元素个数且为奇数，μ为窗口内特征元素均值，即
Figure FDA0002663615020000025
4.根据权利要求2所述基于深度卷积-峭度神经网络的机械故障智能诊断方法，其特征在于，所述步骤3，根据故障分类模块输出的各类故障概率，计算交叉熵损失函数，作为模型训练的目标函数E：
Figure FDA0002663615020000026
其中，N为每一个迭代步样本数量，lt为第t个样本的真实故障类别，通过梯度下降算法最小化目标函数，完成深度卷积-峭度神经网络的分类监督训练过程。
5.根据权利要求4所述基于深度卷积-峭度神经网络的机械故障智能诊断方法，其特征在于，建立峭度池化反向传播算法，使峭度池化操作能够嵌入任意神经网络中，并保障神经网络仍能够使用梯度下降方法进行优化，而无需额外的优化设计，峭度池化层的反向传播算法中，梯度反向传播公式为：
Figure FDA0002663615020000027
其中，m表示第l+1层元素个数，
Figure FDA0002663615020000028
表示第l层第k个特征元素，i表示池化窗口内特征元素下标，δki定义为
Figure FDA0002663615020000029
CN202010911939.9A 2020-09-02 2020-09-02 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 Active CN112113755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010911939.9A CN112113755B (zh) 2020-09-02 2020-09-02 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010911939.9A CN112113755B (zh) 2020-09-02 2020-09-02 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法

Publications (2)

Publication Number Publication Date
CN112113755A true CN112113755A (zh) 2020-12-22
CN112113755B CN112113755B (zh) 2021-06-22

Family

ID=73804017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010911939.9A Active CN112113755B (zh) 2020-09-02 2020-09-02 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN112113755B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112820321A (zh) * 2021-03-05 2021-05-18 河北雄安友平科技有限公司 一种抽油机远程智能音频诊断系统、方法、设备及介质
CN113324759A (zh) * 2021-06-01 2021-08-31 西安交通大学 基于振动能量梯度分解的旋转设备状态监测指标提取方法
CN113792602A (zh) * 2021-08-13 2021-12-14 西安交通大学 一种基于多传感器信息融合的机械故障智能诊断方法
CN115060495A (zh) * 2022-06-02 2022-09-16 重庆大学 基于深度插值网络的智能轴承边缘诊断方法及系统
CN115859091A (zh) * 2022-11-01 2023-03-28 哈尔滨工业大学 一种轴承故障特征的提取方法、电子设备及存储介质
CN115951002A (zh) * 2023-03-10 2023-04-11 山东省计量科学研究院 一种气质联用仪故障检测装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334948A (zh) * 2018-02-09 2018-07-27 武汉理工大学 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN109029974A (zh) * 2018-06-22 2018-12-18 上海电力学院 一种基于一维卷积神经网络的行星齿轮箱故障检测方法
CN109765053A (zh) * 2019-01-22 2019-05-17 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110017991A (zh) * 2019-05-13 2019-07-16 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及系统
CN110033021A (zh) * 2019-03-07 2019-07-19 华中科技大学 一种基于一维多路卷积神经网络的故障分类方法
CN110455530A (zh) * 2019-09-18 2019-11-15 福州大学 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法
JP2020064021A (ja) * 2018-10-19 2020-04-23 カヤバ システム マシナリー株式会社 ダンパの振動試験装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334948A (zh) * 2018-02-09 2018-07-27 武汉理工大学 一种基于宽残差网络学习模型的机械轴承故障诊断技术
CN109029974A (zh) * 2018-06-22 2018-12-18 上海电力学院 一种基于一维卷积神经网络的行星齿轮箱故障检测方法
JP2020064021A (ja) * 2018-10-19 2020-04-23 カヤバ システム マシナリー株式会社 ダンパの振動試験装置
CN109765053A (zh) * 2019-01-22 2019-05-17 中国人民解放军海军工程大学 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110033021A (zh) * 2019-03-07 2019-07-19 华中科技大学 一种基于一维多路卷积神经网络的故障分类方法
CN110017991A (zh) * 2019-05-13 2019-07-16 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及系统
CN110455530A (zh) * 2019-09-18 2019-11-15 福州大学 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUNZHI WU: "Intelligent fault diagnosis of rotating machinery based on one-dimensional convolutional neural network", 《COMPUTERS IN INDUSTRY》 *
李俊: "卷积神经网络和峭度在轴承故障诊断中的应用", 《航空动力学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112820321A (zh) * 2021-03-05 2021-05-18 河北雄安友平科技有限公司 一种抽油机远程智能音频诊断系统、方法、设备及介质
CN113324759A (zh) * 2021-06-01 2021-08-31 西安交通大学 基于振动能量梯度分解的旋转设备状态监测指标提取方法
CN113324759B (zh) * 2021-06-01 2022-08-05 西安交通大学 基于振动能量梯度分解的旋转设备状态监测指标提取方法
CN113792602A (zh) * 2021-08-13 2021-12-14 西安交通大学 一种基于多传感器信息融合的机械故障智能诊断方法
CN113792602B (zh) * 2021-08-13 2022-12-09 西安交通大学 一种基于多传感器信息融合的机械故障智能诊断方法
CN115060495A (zh) * 2022-06-02 2022-09-16 重庆大学 基于深度插值网络的智能轴承边缘诊断方法及系统
CN115859091A (zh) * 2022-11-01 2023-03-28 哈尔滨工业大学 一种轴承故障特征的提取方法、电子设备及存储介质
CN115951002A (zh) * 2023-03-10 2023-04-11 山东省计量科学研究院 一种气质联用仪故障检测装置

Also Published As

Publication number Publication date
CN112113755B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN112113755B (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN111830408B (zh) 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
Li et al. A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery
CN111709448A (zh) 一种基于迁移关系网络的机械故障诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN113505664B (zh) 一种风电机组行星齿轮箱故障诊断方法
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
CN113188794B (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
CN113469230A (zh) 一种转子系统深度迁移故障诊断方法、系统及介质
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN113850161A (zh) 基于lstm深度降噪自编码器的飞轮故障识别方法
Wang et al. Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
Xu et al. CapsFormer: A Novel Bearing Intelligent Fault Diagnosis Framework With Negligible Speed Change Under Small-Sample Conditions
CN113657520A (zh) 一种基于深度置信网络和长短时记忆网络的入侵检测方法
CN117451360A (zh) 一种基于自注意力机制的变工况小样本滚动轴承故障诊断方法及系统
CN116304789A (zh) Vp倾斜仪故障诊断方法及装置
CN115374829A (zh) 一种基于深度学习的轴承故障诊断方法及系统
CN114139598A (zh) 基于深度代价敏感卷积网络的故障诊断方法及诊断框架
He et al. BP-AdaBoost algorithm based on variational mode decomposition optimized by envelope entropy for diagnosing the working conditions of a slideway seedling-picking mechanism
Zhao et al. A Small-sample Intelligent Fault Diagnosis Method Based on Deep Transfer Learning
Liu et al. Noisy labels co-detection and co-relabeling twin prototype networks for fault diagnosis of wind turbine gearboxes

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