CN112146880B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112146880B CN112146880B CN202010982293.3A CN202010982293A CN112146880B CN 112146880 B CN112146880 B CN 112146880B CN 202010982293 A CN202010982293 A CN 202010982293A CN 112146880 B CN112146880 B CN 112146880B
- Authority
- CN
- China
- Prior art keywords
- convolution
- matrix
- multiplied
- feature
- vectors
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 9
- 238000005096 rolling process Methods 0.000 title claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 13
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了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,利用希尔伯特—黄变换与卷积神经网络融合在一起构成新的信号处理模型。通过对原始信号进行特征提取,得到若干特征分量,再利用神经网络权重学习的方式对特征分量进行筛选,运用卷积计算对特征进行融合,得到故障识别模型及诊断结果。本发明的特点是:将神经网络与信号处理深度结合,提高了运算效率,减少了计算耗时。不需要加入大量的超参数,区别于传统信号处理中人工数学模型的特征分量筛选方式,自适应的对原始信号进行诊断。利用深度学习方法提取对象深层次特征,达到故障识别目标。用卷积计算进行的特征融合,提高了特征融合的效果,有很高的实用价值。
Description
技术领域
本发明属于电子信息处理技术,具体涉及到对机械轴承故障的诊断方法。
背景技术
传统信号处理方法通常是通过各种数学模型和人工参数设置,来减少多余信号和滤除噪声及干扰,实现特征信号的显示和易于识别的目的。这种方法要求信号处理人员具备较高的专业知识和技能,特别是其中一些超参数的设置,使得同一模型往往只能处理某一特定工况下的问题,自适应性较差。如常见的希尔伯特—黄变换信号处理方法,该方法处理后的结果存在干扰的特征信息,使得希尔伯特—黄变换模型准确率较低。针对这一问题,当前的主流做法是对希尔伯特—黄变换进行优化,过程中加入超参数,但这样会导致希尔伯特—黄变换模型失去了自适应性。为了克服这一缺陷,考虑利用神经网络权重学习的方式,来建立一种新的信号处理模型,则可使其应用范围加宽,准确性提高。因此,将希尔伯特—黄变换(Hilbert-Huang Transform,HHT)信号处理算法与卷积神经网络(Convolutional Neural Network,CNN)的融合,可以实现故障信号的自适应选择参数的智能化诊断。该模型一方面利用神经网络权重学习的功能可对希尔伯特—黄变换后分解出的特征分量进行筛选,另一方面运用卷积计算的特性对特征进行提取与融合。可对变速条件下轴承故障进行自动化智能分类与诊断,并得到较高的准确率。
发明内容
本发明的目的是,针对传统信号处理方法自适应性不足的问题,提出了一种基于希尔伯特—黄变换(HHT)和卷积神经网络(CNN)的故障信号处理方法。该方法利用神经网络权重学习的功能,实现本征模函数(Intrinsic Mode Function,IMF)分量的筛选和特征的融合,较好的解决经验模态分解(Empirical Mode Decomposition,EMD)带来的误差问题。利用卷积计算的特性,对希尔伯特—黄变换(HHT)后得到的特征向量进行自适应特征融合,提高了融合效率。
本发明的技术方法通过以下步骤实现:
(1)对滚动轴承运行中的振动信号进行采集,并进行经验模态分解分解,得到若干个本征模函数(IMF)分量:IMF1,IMF2,IMF3,…。设分解后本征模函数的个数为m,长度为w,之后对本征模函数进行希尔伯特—黄变换,分别得到个数为m,长度为w的瞬时频率向量和瞬时能量向量,将本征模函数(IMF)分量、瞬时频率向量和瞬时能量向量拼接成一个尺寸为3×w×m的矩阵x,作为卷积层的输入。
(2)在卷积层中,用通道数为c的m个3×3×c的卷积核ω1,ω2,ω3……ωm对x进行卷积运算,用m个卷积核分别对HHT分解后的m个分量进行卷积。如果某个分量包含的特征信息少,则其对应的卷积核里的权重参数也会被训练的小,实现了对特征分量的筛选。同时,与3×3的卷积核的计算也实现了三个特征向量的融合,其公式如下:
z=x*ωT (1)
其中x为本征模函数(IMF)分量、瞬时频率向量和瞬时能量向量拼接而成的3×w×m的矩阵,*为卷积求和运算符,ωT为m个卷积核ω1,ω2,ω3……ωm拼接成3×3×c×m的矩阵后,将其第三、第四维转置,得到3×3×m×c的矩阵,卷积运算中进行0填充,得到尺寸为3×w×c的矩阵z。
(3)将z输入到RELU函数relu(z)中,得到3×w×c的输出矩阵α:
a=relu(z) (2)
(4)将α作为下一卷积层的输入,重复步骤(2)~(3)步卷积层运算。卷积核的通道数c为可调参数。
(5)将多层卷积运算后的输出矩阵转换为一维向量,输入到全连接层,得到输出结果,并通过神经网络反向传播算法,训练全连接层和卷积核的参数,得到优化后的识别模型。
本发明将IMF筛选计算单元加入到神经网络中,通过反向传播梯度下降方法训练权重,自动的把含特征信息比较少的IMF分量减少,由此进行筛选。再将计算单元组成多层的网络,进一步识别IMF分量中深层的特征。即:将基础的计算单元需要连接成多层的神经网络才能识别模型的深层特征。计算单元如附图1所示。
原始信号经希尔伯特—黄变换后可以得到三个长度相同的特征向量:本征模函数向量、瞬时频率向量、和瞬时能量向量,将三个向量延纵向拼接,并进行长度为1的0填充后,与3×3的卷积核进行卷积计算,得到融合后的特征矩阵,然后通过神经网络对卷积核中的参数进行优化训练,得到优化后的特征融合模型。特征融合原理如附图2所示。
基于上述步骤,本发明提出了一种希尔伯特—黄变换(HHT)与卷积神经网络(CNN)融合在一起的新的信号处理模型,它由HHT层、卷积层和全连接层组成。首先HHT层对原始信号进行特征提取,得到若干特征分量;之后用卷积层对得到的特征分量进行筛选,确定特征含量较高的分量,并同时进行特征融合;最后由全连接层输出故障的判别诊断结果。希尔伯特—黄变换(HHT)信号处理过程中不需添加人为设置的超参数。
本发明的特点和有益的效果在于:
(1)将神经网络与信号处理深度结合,提高了运算效率,减少了计算耗时。(2)不需要加入大量的超参数,通过HHT算法和神经网络权重学习,自动筛选。(3)区别于传统信号处理中人工数学模型的特征分量筛选方式,自适应的对原始信号进行诊断。(4)利用深度学习方法提取对象深层次特征,达到故障识别目标。用卷积计算进行的特征融合,提高了特征融合的效果,有很高的实用价值。
附图说明
图1为运用权重学习筛选IMF分量计算单元示意图。
图2为运用卷积运算实现特征融合原理示意图。
图3为本发明的HHT-CNN网络示意图。
图4为实施例验证结果。
具体实施方式
以下结合附图并通过实施例对本发明的技术方案做进一步的说明。需要说明的是,尽管说明书附图对实施例进行了描述,但是本发明并不局限于所述的具体实施方式,实施方式仅仅是示意性的,并不是限制性的。本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以改变各组成部分的材料和尺寸参数,这些均属于本发明的保护范围之内。
根据本发明提出的对不同转速下滚动轴承内部结构故障的智能化诊断方法,构建希尔伯特—黄变换和卷积神经网络模型,对轴承故障进行诊断,其网络参数如表1所示,它由HHT层、卷积层和全连接层组成。其网络示意图见附图3。
表1网络参数
网络结构 | 具体参数 |
输入 | 1×1024的原始信号 |
HHT层 | 输出3×1024×10的特征向量 |
卷积层C1 | 3×3×20的卷积核,pad=1 |
卷积层C2 | 3×3×20的卷积核,pad=1 |
卷积层C3 | 3×3×10的卷积核,pad=1 |
卷积层C4 | 3×3×1的卷积核,pad=0 |
全连接层 | 100个节点 |
输出 | 4×1的向量 |
输入尺寸为1×1024的原始信号,在HHT层中,对原始信号进行经验模态分解(EMD)运算,得到10个长度为1024的本征模函数(IMF)分量,并对这些IMF分量进行希尔伯特变换,分别得到10个长度为1024的瞬时频率向量(imfinsf)和瞬时能量向量(imfinse);然后将IMF向量、瞬时频率向量和瞬时能量向量拼接成一个3×1024×10的三维矩阵x。
在卷积层1中,用10个3×3×20的卷积核ω1,ω2,ω3……ω10进行卷积运算,即用10个卷积核分别对HHT分解后的10个分量进行卷积。如果某个分量包含的特征信息较少,则其对应的卷积核里的权重参数也会被训练的较小,实现了对特征分量的筛选。同时,3×3的卷积核计算也实现了三个特征向量的融合,其公式如下:
z=x*ωT (1)
a=relu(z) (2)
其中x为本征模函数(IMF)分量、瞬时频率向量(imfinsf)和瞬时能量向量(imfinse)拼接而成的3×1024×10的矩阵,ωT为10个3×3×20的卷积核ω1,ω2,ω3……ω10拼接成3×3×20×10的矩阵后,为方便与x的卷积计算,将其第三、第四维转置后的矩阵,尺寸为3×3×10×20,卷积运算后得到尺寸为3×1024×20的矩阵z,将z输入到RELU函数relu(z)中,得到3×1024×20的输出矩阵a,作为下一卷积层的输入。
在卷积层C2—C4中重复上述操作,最后通过全连接层输出4×1的标签向量,分别对应四种类别(正常、轴承内圈故障、轴承外圈故障、滚珠故障)的概率。
以××大学轴承数据库中的实验数据为例进行实施例验证。
数据库中采集滚动轴承数据的采样频率为12KHz,故障直径为0.1778mm,电机转速分别有1797r/min、1772r/min、1750r/min、1730r/min,将所有这些转速的数据混合,并分为4类标签(正常、轴承内圈故障、轴承外圈故障、滚珠故障)。每类有960个样本,4类共计3840个样本,样本特征向量长度为1024。从样本中随机抽取75%(2880个)组成训练集,剩余25%(960个)组成测试集,测试结果准确率达到94.68%,实验结果如图4所示。
Claims (2)
1.一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,其特征是:该方法通过以下步骤实现:
(1)对滚动轴承运行中的振动信号进行采集,并进行经验模态分解分解,得到若干个本征模函数分量:IMF1,IMF2,IMF3,…,设分解后本征模函数的个数为m,长度为w,之后对本征模函数进行希尔伯特—黄变换,分别得到个数为m,长度为w的瞬时频率向量和瞬时能量向量,将本征模函数分量、瞬时频率向量和瞬时能量向量拼接成一个尺寸为3×w×m的矩阵x,作为卷积层的输入,
(2)在卷积层中,用通道数为c的m个3×3×c的卷积核ω1,ω2,ω3……ωm进行卷积运算,用m个卷积核分别对希尔伯特—黄变换分解后的m个分量进行卷积,如果某个分量包含的特征信息少,则其对应的卷积核里的权重参数也会被训练的小,实现对特征分量的筛选,通过3×3的卷积核的计算实现三个特征向量的融合,其公式如下:
z=x*ωT (1)
其中x为本征模函数分量、瞬时频率向量和瞬时能量向量拼接而成的3×w×m的矩阵,*为卷积求和运算符,ωT为m个卷积核ω1,ω2,ω3……ωm拼接成3×3×c×m的矩阵后,将其第三、第四维转置,得到3×3×m×c的矩阵,卷积运算中进行0填充,得到尺寸为3×w×c的矩阵z,
(3)将z输入到RELU函数relu(z)中,得到3×w×c的输出矩阵a:
a=relu(z) (2)
(4)将a作为下一卷积层的输入,重复步骤(2)~(3)步卷积层运算,卷积核的通道数c为可调参数,
(5)将多层卷积运算后的输出矩阵转换为一维向量,输入到全连接层,得到输出结果,并通过神经网络反向传播算法,训练全连接层和卷积核的参数,得到优化后的识别模型。
2.根据权利要求1所述的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,其特征是:希尔伯特—黄变换信号处理过程中不需添加人为设置的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010982293.3A CN112146880B (zh) | 2020-09-17 | 2020-09-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010982293.3A CN112146880B (zh) | 2020-09-17 | 2020-09-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112146880A CN112146880A (zh) | 2020-12-29 |
CN112146880B true CN112146880B (zh) | 2022-03-29 |
Family
ID=73893090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010982293.3A Expired - Fee Related CN112146880B (zh) | 2020-09-17 | 2020-09-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112146880B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159226B (zh) * | 2021-05-18 | 2021-11-16 | 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 |
CN117290640B (zh) * | 2023-11-27 | 2024-01-26 | 天津领语未来智能科技有限公司 | 用于非线性信号处理的奇异谱谐波分解方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
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 |
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 |
CN109374323A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 基于振动信号指标能量的变压器机械故障检测方法 |
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN109887510A (zh) * | 2019-03-25 | 2019-06-14 | 南京工业大学 | 一种基于经验模态分解与mfcc的声纹识别方法及装置 |
CN111094927A (zh) * | 2017-09-26 | 2020-05-01 | 舍弗勒技术股份两合公司 | 轴承故障诊断方法及装置、可读存储介质及电子设备 |
CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI542887B (zh) * | 2014-07-10 | 2016-07-21 | 國立成功大學 | 馬達故障檢測方法與馬達故障檢測系統 |
US11486925B2 (en) * | 2020-05-09 | 2022-11-01 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
-
2020
- 2020-09-17 CN CN202010982293.3A patent/CN112146880B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
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 |
CN111094927A (zh) * | 2017-09-26 | 2020-05-01 | 舍弗勒技术股份两合公司 | 轴承故障诊断方法及装置、可读存储介质及电子设备 |
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 |
CN109374323A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 基于振动信号指标能量的变压器机械故障检测方法 |
CN109800700A (zh) * | 2019-01-15 | 2019-05-24 | 哈尔滨工程大学 | 一种基于深度学习的水下声信号目标分类识别方法 |
CN109887510A (zh) * | 2019-03-25 | 2019-06-14 | 南京工业大学 | 一种基于经验模态分解与mfcc的声纹识别方法及装置 |
CN111458142A (zh) * | 2020-04-02 | 2020-07-28 | 苏州智传新自动化科技有限公司 | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
A Novel HVDC Double-Terminal Non-Synchronous Fault Location Method Based on Convolutional Neural Network;Sheng Lan 等;《IEEE Transactions on Power Delivery》;20190225;第34卷(第3期);全文 * |
基于EMD的滚动轴承故障特征提取方法;夏均忠 等;《噪声与振动控制》;20130418(第2期);全文 * |
基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估;黄文艺;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20200715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112146880A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
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 | |
CN112084974A (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
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 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
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 | |
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 | |
CN112308147A (zh) | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 | |
CN111562110B (zh) | 基于卷积神经网络的故障诊断模型及跨部件故障诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN114997211A (zh) | 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法 | |
Deng et al. | Rolling bearing fault diagnosis based on Deep Boltzmann machines | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN109816048A (zh) | 一种基于属性迁移的图像合成方法 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
CN112146882A (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |