CN112148517A - 一种面向转动设备的故障诊断方法 - Google Patents

一种面向转动设备的故障诊断方法 Download PDF

Info

Publication number
CN112148517A
CN112148517A CN202011120089.7A CN202011120089A CN112148517A CN 112148517 A CN112148517 A CN 112148517A CN 202011120089 A CN202011120089 A CN 202011120089A CN 112148517 A CN112148517 A CN 112148517A
Authority
CN
China
Prior art keywords
data
fault
generator
discriminator
fault diagnosis
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.)
Withdrawn
Application number
CN202011120089.7A
Other languages
English (en)
Inventor
孙灵芳
孙守娟
李鑫林
马乐
祝国强
冯国亮
李霞
付春阳
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli 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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN202011120089.7A priority Critical patent/CN112148517A/zh
Publication of CN112148517A publication Critical patent/CN112148517A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural 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
    • G06N3/044—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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种面向转动设备的故障诊断方法，包括以下步骤：利用长短期记忆网络算法对原始数据进行时间关联信息提取；把步骤一输出的数据，内积成特征矩阵；把高斯噪声输入到辅助分类生成式对抗网络算法的生成器网络中；生成器生成的人工故障数据和步骤2输出的数据一起输入到鉴别器；对抗训练生成器和鉴别器。用生成的人工故障数据扩充原始故障数据，然后用其训练鉴别器。本发明的方法，生成器可以生成带有时间序列的人工故障数据，扩充了转动设备的时间序列故障数据集，有效地提高了故障诊断的准确率，对于时间序列故障样本不平衡下的故障诊断更具有优势。

Description

一种面向转动设备的故障诊断方法
技术领域
本发明涉及故障诊断，具体涉及一种面向转动设备的故障诊断方法。
背景技术
目前，电动机等转动设备发生故障不仅影响生产的正常运行，甚至酿成人员与设备严重事故。为保证生产的可靠性，对于转动设备参数状态需要进行实时监测，这样会产生大量的多变量时间序列数据， 根据这些数据的异常变化对设备进行故障诊断与预测，对保证生产的安全可靠具有重要意义。
转动设备故障一般时间短暂，导致故障数据较少，存在故障数据的不平衡性，制约着基于故障数据分类的故障诊断技术的发展。ACGAN算法学习故障数据的真实分布，生成与真实数据等效的人工故障数据。人工故障数据和真实故障数据一起训练分类器，达到增强故障数据的目的，进而提高故障诊断的可靠性。
故障状态常常可以通过多个传感器信息得到反映，即故障的状态可由多条时间序列表示，且不同的时间序列对之间存在一定的相关性。
由于设备运行产生的数据为时间序列数据，当故障发生时，数据的异常随时间的变化而变化，因此时序故障数据对时间具有依赖性，即故障诊断时，时间因素是不可忽视的一部分。
发明内容
本发明的主要目的在于提供一种可以通过生成带有时间序列的故障数据，进而扩充原始故障数据，达到提高故障诊断准确率目标的方法，解决由于故障数据的不平衡性影响故障诊断准确率的问题。
本发明采用的技术方案是：一种面向转动设备的故障诊断方法，包括以下步骤：
步骤1：利用长短期记忆网络算法对原始数据进行时间关联信息提取；
步骤2：基于
Figure 59916DEST_PATH_IMAGE001
这段时间序列中两个时间序列对内积构造了一个
Figure 634380DEST_PATH_IMAGE002
特征矩阵
Figure 461390DEST_PATH_IMAGE003
；通过自定义
Figure 619839DEST_PATH_IMAGE004
的大小，选取不同长度的时间片段，进行内积；
步骤3：把随机高斯噪声输入到辅助分类生成式对抗网络算法的生成器网络中；
步骤4：生成器生成的人工故障数据和LSTM算法提取的时间序列数据一起输入到鉴别器网络中；
步骤5：对抗训练生成器和鉴别器，鉴别器判断故障的类别，生成器生成人工故障数据；
步骤6：用生成的人工故障数据扩充原始故障数据，然后使用扩充数据集训练鉴别器，提高故障诊断的准确率。
进一步地，所述步骤1中，利用LSTM算法的输入门、遗忘门、输出门的门控提取时间特征，包括：
遗忘单元状态中需要丢弃的信息，由sigmoid函数决定；输入
Figure 597022DEST_PATH_IMAGE005
，遗忘门对应单元状态
Figure 25992DEST_PATH_IMAGE006
中每条信息输出一个0到1之间的数字；1代表“完全保持”，0表示“完全遗忘”；
Figure 492745DEST_PATH_IMAGE007
（1）
决定要在神经元细胞中需要记忆的信息，利用两层函数层实现，其中sigmoid层决定更新的数值；tanh层生成候选值
Figure 341753DEST_PATH_IMAGE008
，并把它增加到神经元的状态中：
Figure 653785DEST_PATH_IMAGE009
（2）
Figure 733999DEST_PATH_IMAGE010
（3）
Figure 106074DEST_PATH_IMAGE011
Figure 35853DEST_PATH_IMAGE012
（4）
输出门使用sigmoid层决定哪一部分的神经元状态需要被输出；然后神经元状态经过tanh层并且乘上sigmoid门限的输出，就可以得到我们想要的输出信息；
Figure 354839DEST_PATH_IMAGE013
（5）
Figure 23980DEST_PATH_IMAGE014
（6） 。
更进一步地，所述步骤2中，基于
Figure 566957DEST_PATH_IMAGE015
这段时间序列中两个时间序列对内积构造了一个
Figure 390556DEST_PATH_IMAGE016
特征矩阵
Figure 513233DEST_PATH_IMAGE017
；通过自定义的大小，选取不同长度的时间片段，包括：
取出两条时间序列i和j:
Figure 738678DEST_PATH_IMAGE018
（7）
Figure 219600DEST_PATH_IMAGE019
（8）
进行内积：
Figure 796075DEST_PATH_IMAGE020
（9）
式中，
Figure 456864DEST_PATH_IMAGE021
为缩放因子，其中的物理含义是转动设备时间序列数据截取的时间片段。
更进一步地，所述步骤3中，把随机高斯噪声输入到ACGAN算法的生成器网络中，生成器通过学习原始故障数据分布特性，生成与其相似分布的人工故障数据。
更进一步地，所述步骤4中，生成器生成的人工故障数据和LSTM算法提取的原始数据随机分为训练集和测试集，把训练集输入到鉴别器网络中进行训练，调整网络参数；测试集验证模型的生成能力以及故障诊断能力。
更进一步地，所述步骤5包括：
Figure 536815DEST_PATH_IMAGE022
（10）
Figure 156015DEST_PATH_IMAGE023
（11）
式（10）为数据真伪的损失函数，鉴别器的目标是极大化
Figure 750945DEST_PATH_IMAGE024
，生成器的目标是极小化
Figure 215424DEST_PATH_IMAGE025
；式（11）为数据类别的损失的函数，生成器和鉴别器的共同目标都是提高模型的分类准确率，二者的目标均是最小化式
Figure 651347DEST_PATH_IMAGE026
；
鉴别器的目标函数最大化
Figure 238186DEST_PATH_IMAGE027
，生成器的目标函数是最大化
Figure 523674DEST_PATH_IMAGE028
；二者对抗训练，直到达到纳什平衡，此时生成的人工数据和原始数据的分布特性基本一致。
本发明的优点：
本发明基于改进的ACGAN算法，针对实际转动设备故障数据的不平衡性对故障诊断结果的影响问题，用LSTM算法对转动设备时间序列数据进行时间关联信息的提取，然后采用内积特征矩阵的方法将时间序列数据进行预处理，最后生成器和鉴别器根据目标函数不断迭代更新参数，生成器可以生成带有时间序列的人工故障数据，扩充了转动设备的时间序列故障数据集，有效地提高了故障诊断的准确率，对于时间序列故障样本不平衡下的故障诊断更具有优势。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明的流程示意图；
图2为本发明的LSTM算法的单元结构图；
图3为本发明的内积特征矩阵的结构图；
图4为本发明的辅助分类生成式对抗网络框图；
图5为本发明根据西储大学轴承故障数据集，生成的带有时间序列的数据图；
图6为本发明的辅助分类生成式对抗网络对西储大学轴承故障数据集的故障诊断结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1至图4，一种面向转动设备的故障诊断方法，包括以下步骤：
步骤1：利用长短期记忆网络（Long Short-Term Memory, LSTM）算法对原始数据进行时间关联信息提取；
步骤2：基于
Figure 526265DEST_PATH_IMAGE001
这段时间序列中两个时间序列对内积构造了一个
Figure 580809DEST_PATH_IMAGE002
特征矩阵
Figure 338549DEST_PATH_IMAGE003
；通过自定义
Figure 69921DEST_PATH_IMAGE004
的大小，选取不同长度的时间片段，进行内积；
步骤3：把随机高斯噪声输入到辅助分类生成式对抗网络（Auxiliary ClassifierGenerative Adversarial Network, ACGAN）算法的生成器网络中；
步骤4：生成器生成的人工故障数据和LSTM算法提取的时间序列数据一起输入到鉴别器网络中；
步骤5：对抗训练生成器和鉴别器，鉴别器判断故障的类别，生成器生成人工故障数据；
步骤6：用生成的人工故障数据扩充原始故障数据，然后使用扩充数据集训练鉴别器，提高故障诊断的准确率。
本发明基于改进的ACGAN算法，针对实际转动设备故障数据的不平衡性对故障诊断结果的影响问题，用LSTM算法对转动设备时间序列数据进行时间关联信息的提取，然后采用内积特征矩阵的方法将时间序列数据进行预处理，最后生成器和鉴别器根据目标函数不断迭代更新参数，生成器可以生成带有时间序列的人工故障数据，扩充了转动设备的时间序列故障数据集，有效地提高了故障诊断的准确率，对于时间序列故障样本不平衡下的故障诊断更具有优势。本发明在美国西储大学公开的轴承故障数据集的基础上进行了模型的验证。
本实施例中，所述步骤1中，利用LSTM算法的输入门、遗忘门、输出门的门控提取时间特征，包括：
遗忘单元状态中需要丢弃的信息，由sigmoid函数决定；输入
Figure 141782DEST_PATH_IMAGE005
，遗忘门对应单元状态
Figure 316411DEST_PATH_IMAGE006
中每条信息输出一个0到1之间的数字；1代表“完全保持”，0表示“完全遗忘”；
Figure 979474DEST_PATH_IMAGE007
（1）
决定要在神经元细胞中需要记忆的信息，利用两层函数层实现，其中sigmoid层决定更新的数值；tanh层生成候选值
Figure 239554DEST_PATH_IMAGE008
，并把它增加到神经元的状态中：
Figure 849527DEST_PATH_IMAGE009
（2）
Figure 613083DEST_PATH_IMAGE010
（3）
Figure 151774DEST_PATH_IMAGE011
Figure 899150DEST_PATH_IMAGE012
（4）
输出门使用sigmoid层决定哪一部分的神经元状态需要被输出；然后神经元状态经过tanh层并且乘上sigmoid门限的输出，就可以得到我们想要的输出信息；
Figure 109552DEST_PATH_IMAGE013
（5）
Figure 993194DEST_PATH_IMAGE014
（6） 。
本实施例中，所述步骤2中，基于
Figure 201322DEST_PATH_IMAGE015
这段时间序列中两个时间序列对内积构造了一个
Figure 170415DEST_PATH_IMAGE016
特征矩阵
Figure 122190DEST_PATH_IMAGE017
；通过自定义的大小，选取不同长度的时间片段，包括：
取出两条时间序列i和j:
Figure 158542DEST_PATH_IMAGE018
（7）
Figure 537570DEST_PATH_IMAGE019
（8）
进行内积：
Figure 790697DEST_PATH_IMAGE020
（9）
式中，
Figure 546164DEST_PATH_IMAGE021
为缩放因子，其中的物理含义是转动设备时间序列数据截取的时间片段。
本实施例中，所述步骤3中，把随机高斯噪声输入到ACGAN算法的生成器网络中，生成器通过学习原始故障数据分布特性，生成与其相似分布的人工故障数据。
本实施例中，所述步骤4中，生成器生成的人工故障数据和LSTM算法提取的原始数据随机分为训练集和测试集，把训练集输入到鉴别器网络中进行训练，调整网络参数；测试集验证模型的生成能力以及故障诊断能力。
本实施例中，所述步骤5包括：
Figure 138819DEST_PATH_IMAGE022
（10）
Figure 954328DEST_PATH_IMAGE023
（11）
式（10）为数据真伪的损失函数，鉴别器的目标是极大化
Figure 399478DEST_PATH_IMAGE024
，生成器的目标是极小化
Figure 693056DEST_PATH_IMAGE025
；式（11）为数据类别的损失的函数，生成器和鉴别器的共同目标都是提高模型的分类准确率，二者的目标均是最小化式
Figure 202535DEST_PATH_IMAGE026
；
鉴别器的目标函数最大化
Figure 188946DEST_PATH_IMAGE027
，生成器的目标函数是最大化
Figure 354348DEST_PATH_IMAGE028
；二者对抗训练，直到达到纳什平衡，此时生成的人工数据和原始数据的分布特性基本一致。
本实施例中，所述步骤6用生成的人工故障数据扩充原始故障数据，使原本不平衡的故障数据，达到平衡状态，然后训练鉴别器，克服了由于数据不平衡影响故障诊断准确率的问题。
本发明的具体实现方式：
一种面向转动设备的故障诊断方法，如图1所示，具体步骤如下：
（1）利用LSTM算法进行时间信息提取。如图2所示，遗忘门利用sigmoid函数决定数据信息的遗忘程度，输入门利用sigmoid层和tanh层结合上一时刻的神经元状态，实现神经元的状态更新，输出门通过将状态设置为tanh并乘上sigmoid门的输出，以此决定输出的内容。
（2）将时间序列数据进行内积，生成特征矩阵，如图3所示。
（3）把高斯噪声输入到生成器网络中，并把生成的数据和步骤2处理后数据混合在一起，然后随机分为训练集和测试集。并把训练集输入到鉴别器网络中进行训练，生成器和鉴别器根据目标函数不断迭代更新参数。如图4所示。
（4）生成器生成带有时间序列的人工故障数据，结果如图5所示。
（5）使用扩充后的故障数据集，鉴别器可以准确的分类，判断出故障的类别，结果如图6所示。
本发明使用长短期记忆网络LSTM算法对原始数据进行时间关联信息的提取；采用内积特征矩阵的方法将步骤1输出的数据进行预处理，在保持原始数据波形的基础上，把原始时间序列数据进行内积，生成特征矩阵，此时的特征矩阵包含了序列对之间的相关性；把高斯噪声输入到生成器网络中，并把生成的数据和步骤2生成的数据混合在一起，然后随机分为训练集和测试集；将步骤3生成的训练集输入到鉴别器网络中进行训练，生成器和鉴别器根据目标函数不断迭代更新参数。
将训练好的网络参数用于测试集，生成器可以生成带有时间序列的人工故障数据，有效地扩充了转动设备的故障数据集，对于转动设备时间序列故障样本不平衡下的故障诊断更具有优势，此时，鉴别器可以准确，及时的作出故障诊断结果，更符合实际生产的运行需求。
参考图5和图6，本发明的模型是在西储大学公开的轴承故障数据集上进行的验证，该数据集由凯斯西储大学轴承数据中心网站提供，其中数据包括正常和故障轴承测试数据，故障数据包括外圈损伤、内圈损伤及滚动体损伤。使用一个1.5kW（2马力）的电动机进行实验，在电动机的风扇端和驱动端的轴承位置测量加速度数据。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向转动设备的故障诊断方法，其特征在于，包括以下步骤：
步骤1：利用长短期记忆网络算法对原始数据进行时间关联信息提取；
步骤2：基于
Figure 746014DEST_PATH_IMAGE002
这段时间序列中两个时间序列对内积构造了一个
Figure 866417DEST_PATH_IMAGE004
特征矩阵
Figure 849416DEST_PATH_IMAGE006
；通过自定义
Figure 182308DEST_PATH_IMAGE008
的大小，选取不同长度的时间片段，进行内积；
步骤3：把随机高斯噪声输入到辅助分类生成式对抗网络算法的生成器网络中；
步骤4：生成器生成的人工故障数据和LSTM算法提取的时间序列数据一起输入到鉴别器网络中；
步骤5：对抗训练生成器和鉴别器，鉴别器判断故障的类别，生成器生成人工故障数据；
步骤6：用生成的人工故障数据扩充原始故障数据，然后使用扩充数据集训练鉴别器，提高故障诊断的准确率。
2.根据权利要求1所述的面向转动设备的故障诊断方法，其特征在于，
所述步骤1中，利用LSTM算法的输入门、遗忘门、输出门的门控提取时间特征，包括：
遗忘单元状态中需要丢弃的信息，由sigmoid函数决定；输入
Figure 698478DEST_PATH_IMAGE010
，遗忘门对应单元状态
Figure 724203DEST_PATH_IMAGE012
中每条信息输出一个0到1之间的数字；1代表“完全保持”，0表示“完全遗忘”；
Figure 194499DEST_PATH_IMAGE014
（1）
决定要在神经元细胞中需要记忆的信息，利用两层函数层实现，其中sigmoid层决定更新的数值；tanh层生成候选值
Figure 596661DEST_PATH_IMAGE016
，并把它增加到神经元的状态中：
Figure 468802DEST_PATH_IMAGE018
（2）
Figure 665428DEST_PATH_IMAGE020
（3）
Figure 136204DEST_PATH_IMAGE022
Figure 76478DEST_PATH_IMAGE024
（4）
输出门使用sigmoid层决定哪一部分的神经元状态需要被输出；然后神经元状态经过tanh层并且乘上sigmoid门限的输出，就可以得到我们想要的输出信息；
Figure 803125DEST_PATH_IMAGE026
（5）
Figure 436232DEST_PATH_IMAGE028
（6） 。
3.根据权利要求1所述的面向转动设备的故障诊断方法，其特征在于，
所述步骤2中，基于
Figure 881120DEST_PATH_IMAGE030
这段时间序列中两个时间序列对内积构造了一个
Figure 858041DEST_PATH_IMAGE032
特征矩阵
Figure 704774DEST_PATH_IMAGE034
；通过自定义的大小，选取不同长度的时间片段，包括：
取出两条时间序列i和j:
Figure 243203DEST_PATH_IMAGE036
（7）
Figure 175387DEST_PATH_IMAGE038
（8）
进行内积：
Figure DEST_PATH_IMAGE040
（9）
式中，
Figure DEST_PATH_IMAGE042
为缩放因子，其中的物理含义是转动设备时间序列数据截取的时间片段。
4.根据权利要求1所述的面向转动设备的故障诊断方法，其特征在于，
所述步骤3中，把随机高斯噪声输入到ACGAN算法的生成器网络中，生成器通过学习原始故障数据分布特性，生成与其相似分布的人工故障数据。
5.根据权利要求1所述的面向转动设备的故障诊断方法，其特征在于，
所述步骤4中，生成器生成的人工故障数据和LSTM算法提取的原始数据随机分为训练集和测试集，把训练集输入到鉴别器网络中进行训练，调整网络参数；测试集验证模型的生成能力以及故障诊断能力。
6.根据权利要求1所述的面向转动设备的故障诊断方法，其特征在
于，所述步骤5包括：
Figure DEST_PATH_IMAGE044
（10）
Figure DEST_PATH_IMAGE046
（11）
式（10）为数据真伪的损失函数，鉴别器的目标是极大化
Figure DEST_PATH_IMAGE048
，生成器的目标是极小化
Figure DEST_PATH_IMAGE050
；式（11）为数据类别的损失的函数，生成器和鉴别器的共同目标都是提高模型的分类准确率，二者的目标均是最小化式
Figure DEST_PATH_IMAGE052
；
鉴别器的目标函数最大化
Figure DEST_PATH_IMAGE054
，生成器的目标函数是最大化
Figure DEST_PATH_IMAGE056
；二者对抗训练，直到达到纳什平衡，此时生成的人工数据和原始数据的分布特性基本一致。
CN202011120089.7A 2020-10-19 2020-10-19 一种面向转动设备的故障诊断方法 Withdrawn CN112148517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011120089.7A CN112148517A (zh) 2020-10-19 2020-10-19 一种面向转动设备的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011120089.7A CN112148517A (zh) 2020-10-19 2020-10-19 一种面向转动设备的故障诊断方法

Publications (1)

Publication Number Publication Date
CN112148517A true CN112148517A (zh) 2020-12-29

Family

ID=73953279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011120089.7A Withdrawn CN112148517A (zh) 2020-10-19 2020-10-19 一种面向转动设备的故障诊断方法

Country Status (1)

Country Link
CN (1) CN112148517A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505876A (zh) * 2021-06-11 2021-10-15 国网浙江省电力有限公司嘉兴供电公司 一种基于生成式对抗网络的高压断路器故障诊断方法
CN114913396A (zh) * 2022-07-15 2022-08-16 西北工业大学 一种电机轴承故障诊断方法
CN117034157A (zh) * 2023-10-08 2023-11-10 广州健新科技有限责任公司 一种结合多模态运行数据的水电设备故障识别方法与系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505876A (zh) * 2021-06-11 2021-10-15 国网浙江省电力有限公司嘉兴供电公司 一种基于生成式对抗网络的高压断路器故障诊断方法
CN114913396A (zh) * 2022-07-15 2022-08-16 西北工业大学 一种电机轴承故障诊断方法
CN117034157A (zh) * 2023-10-08 2023-11-10 广州健新科技有限责任公司 一种结合多模态运行数据的水电设备故障识别方法与系统
CN117034157B (zh) * 2023-10-08 2024-01-12 广州健新科技有限责任公司 一种结合多模态运行数据的水电设备故障识别方法与系统

Similar Documents

Publication Publication Date Title
CN112148517A (zh) 一种面向转动设备的故障诊断方法
Zhang et al. Prior knowledge-augmented self-supervised feature learning for few-shot intelligent fault diagnosis of machines
CN110276416B (zh) 一种滚动轴承故障预测方法
Zhou et al. Bearing fault recognition method based on neighbourhood component analysis and coupled hidden Markov model
CN106980822B (zh) 一种基于选择性集成学习的旋转机械故障诊断方法
Saucedo-Dorantes et al. Industrial data-driven monitoring based on incremental learning applied to the detection of novel faults
CN113949549B (zh) 一种面向入侵和攻击防御的实时流量异常检测方法
CN106849069A (zh) 一种基于Pin‑SVM的电力系统暂态稳定评估方法
Zhu et al. Decoupled feature-temporal CNN: Explaining deep learning-based machine health monitoring
Jiang et al. A feature fusion deep belief network method for intelligent fault diagnosis of rotating machinery
Nath et al. Improved structural rotor fault diagnosis using multi-sensor fuzzy recurrence plots and classifier fusion
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
Huang et al. A novel intelligent fault diagnosis approach for early cracks of turbine blades via improved deep belief network using three-dimensional blade tip clearance
Kumar et al. Fault diagnosis of bearings through vibration signal using Bayes classifiers
Cao et al. Method to enhance deep learning fault diagnosis by generating adversarial samples
CN113469230A (zh) 一种转子系统深度迁移故障诊断方法、系统及介质
Delgado et al. A novel condition monitoring scheme for bearing faults based on curvilinear component analysis and hierarchical neural networks
CN114046993A (zh) 一种基于多特征参数融合与fcm-hmm的回转支承状态评估方法
Chen et al. Deep residual shrinkage relation network for anomaly detection of rotating machines
Huang et al. A novel multi-scale competitive network for fault diagnosis in rotating machinery
Han et al. Feature‐based fault diagnosis system of induction motors using vibration signal
CN115935187B (zh) 基于核敏感度对齐网络的变工况下机械故障诊断方法
Jiang et al. Multiscale one-class classification network for machine health monitoring
Yan et al. Multisensor Fusion on Hypergraph for Fault Diagnosis
Ghate et al. Induction machine fault detection using support vector machine based classifier

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201229