CN112200881A - 一种电机电流转化成灰度图像的方法 - Google Patents

一种电机电流转化成灰度图像的方法 Download PDF

Info

Publication number
CN112200881A
CN112200881A CN202010853770.6A CN202010853770A CN112200881A CN 112200881 A CN112200881 A CN 112200881A CN 202010853770 A CN202010853770 A CN 202010853770A CN 112200881 A CN112200881 A CN 112200881A
Authority
CN
China
Prior art keywords
data
image
motor current
original data
current signal
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
CN202010853770.6A
Other languages
English (en)
Other versions
CN112200881B (zh
Inventor
李志远
吴钦木
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN202010853770.6A priority Critical patent/CN112200881B/zh
Publication of CN112200881A publication Critical patent/CN112200881A/zh
Application granted granted Critical
Publication of CN112200881B publication Critical patent/CN112200881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明公开了一种电机电流转化成灰度图像的方法，该方法为：将电机电流信号通过其求取自相关矩阵，获得一个二维矩阵，将电机电流信号数据散落到灰度值值域，使得原始数据与图像像素值之间存在完整的映射关系，映射关系函数设定为一维高斯分布函数。本发明将原始数据转换成只有一个通道的灰度图，使得原始数据与图像之间保持严谨的映射逻辑关系，将电机电流信号转换为一个二维矩阵，实现数据升维，而高维特征包含更多数据特征，使用数据的自相关矩阵进行图像转化将占用更短的原始数据，需要的原始数据量更少，提高了诊断系统的时效性，使得原始数据与图像像素值之间存在完整的映射关系，逻辑性更严谨。

Description

一种电机电流转化成灰度图像的方法
技术领域
本发明属于电机电流信号处理方法技术领域，涉及一种电机电流转化成 灰度图像的方法。
背景技术
IPMSM故障诊断方法实现电动车工况下IPMSM的故障监测，在现有的技术 中所提出的智能诊断方法都是基于振动信号的特征提取，需要添加额外的传 感器来测量振动信号，而且检测结果受传感器安装位置的影响。此外，基于 振动信号的故障诊断方法不能应用于多振动系统的工况。电动车在行驶过程 中会产生颠簸、抖动等，会对加速度传感器等测量振动信号的传感器产生影 响，从而影响电机故障诊断的可靠性。
对于IPMSM故障诊断中采用卷积网络进行故障诊断，但对于电机信号处 理，由于卷积网络不善于处理电机电流这一类高频连续信号，因此直接从 IPMSM定子电流时域信号中提取特征比较困难。在图像识别方面，CNN有强大 特征提取能力。
当前文献中将时序数据转化为图像的方法可分为三个类别。分别归纳为 排列、填色和坐标映射。
基于数据排列的转化方法：基于数据排列的图像转化方法直接将连续数 据采样后排成矩阵，再通过一层映射关系，将矩阵中的值转换成图像中的像 素值。现有技术中采用了这种转化方法，只是将样本向量从新排列成矩阵， 没有进一步转化成图像。但是，这种转化方式可能存在一种不足，即需要较 长的样本数据。以一幅100×100的图像为例，则转化一幅图像需要10000个 数据值。若是电机状态变换过快，形成一幅图像需要电机运行好几个周期。 诊断系统必须要等到数据的量达到足够的长度才能进行特征提取。
基于填色的图像转化方法：基于填色的图像转化方法是将样本数据按照 一个函数映射到指定的颜色域。现有技术中为了将半导体制造过程中不同变 量在不同时间点的变化进行可视化，把每个变量在不同时间点的值映射到一 个颜色区域，形成一幅彩色图像。基于填色的方法实质上是一种线性变换， 可将这一过程用均匀分布表示：
Figure BDA0002645693120000021
式中，(x，y)表示图像矩阵中第x行，第y列的像素点；
a，b分别表示原始样本中的最大值和最小值。
在这个均匀分布中，概率P[(x，y)]对应颜色条的权值。也有人通过这种方 式将半导体生产过程中的变量变化进行可视化，将关键变量与次品半导体联 系起来，通过观察关键变量查找半导体次品。但是，这种线性的映射方法可 能无法表达原始数据的特征。因为，所选择颜色条之间的像素值于数据之间 不存在任何逻辑关机。而且，彩色图像用RGB值或HSB值表示一个像素点， 即一个像素点是一个3×1的张量。这样的数据到图像的转换方式实质上是一 个一到多的映射关系，而且没有逻辑关系。
基于坐标变换的图像转化方法：将频率响应分析(Frequency ResponseAnalysis)相位和幅值变换到极坐标中，获得变压器的指纹图(FingerPrint,因为 变压器的频率响应的相位和幅值在极坐标中分布成两个半圆形，形象酷似指 纹)。为了提高频率响应分析的表达(Interpretation)的准确性，又有人提出将频 率响应的特征幅值和相位变换到极坐标中，使得极坐标中的每个点与特定频 率值下的频率响应特征的相位和幅值一一对应，使得频率响应特征分布更有 辨识度。虽然提出的图像转换方式实质上是将一种变压器的匝间短路特征变 换到另一坐标系下，使得故障特征的分布更容易观察。这种方法对于人类肉 眼是一种较大的改善，但是对于机器而言，这种方法还是存在填色方法中出现的映射逻辑关系问题。
上述的三种图像转化方式都存在一些不足(需要过长的原始数据；存在逻 辑问题等)。为解决现有图像转化方法中存在的问题，本发明提出一种基于自 相关矩阵的图像转化方法。
发明内容
本发明要解决的技术问题是：提供一种电机电流转化成灰度图像的方法， 摒弃了将数据转换成三通道图像的思路，采用递归的截取方法将原始数据转 换成只有一个通道的灰度图，使得原始数据与图像之间保持严谨的映射逻辑 关系，以及数据处理的时效性更高，以解决现有技术中存在的技术问题。
本发明采取的技术方案为：一种电机电流转化成灰度图像的方法，该方 法为：将电机电流信号通过其求取自相关矩阵，获得一个二维矩阵，将电机 电流信号数据散落到灰度值值域，使得原始数据与图像像素值之间存在完整 的映射关系，映射关系函数设定为一维高斯分布函数：
Figure BDA0002645693120000031
式中，xij表示自相关矩阵中第i行、第j列的元素；
μ为原始数据的均值；
σ2为原始数据的方差。
本发明的有益效果：与现有技术相比，本发明摒弃了将数据转换成三通 道图像的思路，采用递归的截取方法将原始数据转换成只有一个通道的灰度 图，使得原始数据与图像之间保持严谨的映射逻辑关系，将电机电流信号转 换为一个二维矩阵，实现数据升维，而高维特征往往包含更多数据特征，而 且，相比于基于排列的图像转换方法，使用数据的自相关矩阵进行图像转化 将占用更短的原始数据，需要的原始数据量更少，提高了诊断系统的时效性， 与填色的转换方法相比，基于自相关矩阵的图像转换方法使得原始数据与图像像素值之间存在完整的映射关系，逻辑性更严谨。
附图说明
图1为基于自相关矩阵的图像转换流程图；
图2为25％退磁IPMSM在转速从1000rpm上升到3000rpm至稳定(空载) 运行状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm； (b)2000-3000rpm；(c)3000-3000rpm，先升后降；(d)3000rpm稳速；
图3为25％退磁IPMSM在转速从1000rpm上升到4000rpm至稳定(负载 为10N.m)运行状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm； (b)3000-4000rpm；(c)4000-4000rpm，先升后降；(d)4000rpm稳速；
图4为正常IPMSM在转速从1000rpm上升到3000rpm至稳定(空载)运行 状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm；(b)2000-3000rpm； (c)3000-3000rpm，先升后降；(d)3000rpm稳速；
图5为正常退磁IPMSM在转速从1000rpm上升到4000rpm至稳定(负载 为10N.m)运行状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm； (b)3000-4000rpm；(c)4000-4000rpm，先升后降；(d)4000rpm稳速；
图6为sequential"模型的训练轮数与训练精度和测试精度的曲线图；
图7为9层残差网络的训练过程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1-图5所示，为了使电机数据适应卷积神经网络 (ConvolutionalNeural Network，CNN)的工作机制，本发明考虑将IPMSM 定子电流信号转化成图像数据。一幅图像数据是由0-255的像素值组成的矩 阵，数据转换为图像实质上是一种将数据序列转换成多维矩阵的过程。一种 电机电流转化成灰度图像的方法，该方法为：将电机电流信号通过其求取自 相关矩阵，获得一个二维矩阵，将电机电流信号数据散落到灰度值值域，使得原始数据与图像像素值之间存在完整的映射关系，映射关系函数设定为一 维高斯分布函数：
Figure BDA0002645693120000051
式中，xij表示自相关矩阵中第i行、第j列的元素；
μ为原始数据的均值；
σ2为原始数据的方差。
将电机电流信号通过求取其自相关矩阵的方法转换为一个二维矩阵，实 质上是一种数据升维的方法，而高维特征往往包含更多数据特征。而且，使 用数据的自相关矩阵进行图像转化将占用更短的原始数据，提高了诊断系统 的时效性。如何将数据映射到灰度值域也是一个关键的图像转化因素。可将 数据样本值散落到灰度值值域看作是一个概率问题，如基于填色的图像转换 方法一样，把原始数据转化到颜色区域的权值看作是一种均匀分布。由大数 定理可知，只要数据样本量足够大，那么这些数据会服从高斯分布。
相比于基于排列的图像转换方法，本文提出的基于信号自相关矩阵的图 像转换方法需要的原始数据量更少，时效性更高；与填色的转换方法相比， 基于自相关矩阵的图像转换方法使得原始数据与图像像素值之间存在完整的 映射关系，逻辑性更严谨。
在CNN的训练中，当样本数据量较小时，可将图片一张一张地读入模型 中进行训练。但是如果可用的数据集很大时，逐张读入的方法非常浪费CPU 和GPU计算资源。因为，在读取数据时，GPU没有数据计算，处于等待状态。 为了充分利用硬件资源，需要将样本做成特定的数据格式，使得网络模型在 训练时，能够将图像呈批地输入到模型中，省去GPU等待数据的时间。在 TensorFlow框架体系中，可将样本图像制作成TFRecord格式文件，使图片被 压缩成二进制编码，在训练时，再将二进制编码解码成图片输入卷积网络模 型。这种文件的处理方法能将大量图像样本进行压缩，不仅节约了存储图像 数据的空间，而且还能加快CPU将数据读入内存的速度，减小网络训练时间。 此外，TensorFlow还能将TFrecord格式文件当作Dataset数据集处理，对样本 进行打乱，预读入，甚至是将图像旋转以扩大数据集的量，十分有助于网络 模型的训练。
将联合仿真中的电流数据转化成灰度图像。从转速1000rpm对应的时刻 起，将相电流每隔30个数据点取一个长为500个数据的样本，再按照图1所 示的算法，将各个样本转换成灰度图像。图2-5分别展示了25％故障IPMSM 和正常IPMSM在转速从1000rpm上升到不同给定转速至稳定期间各种状态下 的电流转换成的图像。
由式(1)可知，当电流幅值越大时，数据散落到灰度值值域的概率就越小， 从而转化到最终的灰度值也越小。在电机转速上升期间，需要增大电磁转矩， 电流幅值比转速稳定时要大。因此，这种状态下的图像大部分灰度值较低， 呈现出黑色，如图2中(a)和(b)所示。同理可知，带负载高的电机电流幅值要 比空载的电机电流幅值大。因此，在颜色上，带负载时的图像比空载时的图 像要“黑”，如图2中(c)和(d)所示。其他故障类型的图像在人眼视觉上大同小 异，不再一一展示。
将5种电机在不同状态下的电流转换成灰度图像，再通过数据扩充的方 法(随机选取部分图像进行旋转90度，以扩充样本)建立了一个5种类别(25％ 退磁、50％退磁、正常、10％静态偏心和20％静态偏心IPMSM的样本图像)。 数据集大小为5万个样本，每一电机样本数量分别为1万，且每一类电机数 据包含多种电机运行状态。表1展示了数据集的详情。
表1数据集的详情
Figure BDA0002645693120000071
为了验证算法的可靠性，从5万个样本中随机抽取20％的样本作为模型 测试集，每个类别包含2000个样本。
以一个简单的4层卷积神经网络为例，使用TensorFlow的Keras Sequential API建立了一个简单的CNN模型。使用Python实现CNN的构建，其中包 含4个卷积层、4个最大池化层和3个全连接层。然后，使用上文中的建立的 数据集进行训练和测试。图6展示了"sequential"模型的训练轮数与训练精度和 测试精度的曲线图。
从图6可知，仅4个卷积层的CNN模型即可获得最大测试精度值为0.8271 的正确率。
继续增加CNN的深度至9个卷积层，其中包含9个卷积层、两个池化层 和3个全连接层，其中，第一个池化层为最大池化层，第二个池化层为全局 平均池化层(Global AveragePooling)，在全连接层中加入了Dropout层，比例 为0.5。通过Keras Functional API可方便地构建由残差模块组成的CNN。同 样使用Python实现CNN的网络构建.使用阿里云云服务器搭建的Linux平台 (GPU算力为7.5)训练模型。其结果如图7所示。
其中，最低训练损失为0.0166，最低测试损失0.0423。最终训练精度为 0.9939，最终测试精度为0.9862。从图7可知，当卷积层数达到9时，CNN 模型即可获足够满足工程实用性的正确率：0.9862。
从电机转速角度考虑，在本发明建立的数据集中，包含了电机在升速、 变速(先升后降)以及稳速运行状态下PMSM电流转换成的图像样本。而且测 试集是从所有的图像中随机且均匀地抽取的。98.62％的测试正确率足以证明 本发明所提出的图像转化方法转化的图像包含了丰富电机信号特征，更充分 地表达了电机电流信号，以至于简单的CNN能够容易地从图像中提取出故障 特征。
从电机负载角度考虑，样本中包含了不同负载(空载和10N.m)的运行电流 转换的灰度图像。此外，在电机升速时，需要逐渐提高电磁转矩；电机达到 给定转速时，电磁转矩会出现骤降。因此，仅从电机的电磁转矩信号上考虑， 电机的升速过程可等效于负载逐渐增加的过程，也就是一种变化的负载。同 样，从测试结果可说明，所提出图像转化方法转化的图像包含了丰富电机信 号特征，更充分地表达了电机电流信号，以至于简单的CNN能够容易地从图 像中提取出故障特征。
所提出的诊断方法能够不受电机运行状态的影响，是因为在这个诊断方 法中，所需的原始电流数据长度较短(相对于PMSM的机械角度)，使得每一 个样本内包含电机状态可近似于稳态，这是一种极限的思想。此外，数据的 自相关矩阵是一种升维的数据表达，能包含更多的数据信息。
综上所述，所提出的诊断方法法能够精确地辨别退磁及偏心故障，所提 方法可推广至更多类型的PMSM故障诊断。同时，所提算法也能够诊断出同 种故障中不同严重程度的故障。而且，算法能够适用于非稳态运行的PMSM 故障监测，不受电机转速及负载的限制。此外，所提诊断方法是基于PMSM 定子电流监测的，且能适用于非稳态运行中PMSM的多种类型的故障诊断， 能够达到持续监测PMSM故障的目的。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限 于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易 想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护 范围应以所述权利要求的保护范围为准。

Claims (1)

1.一种电机电流转化成灰度图像的方法，其特征在于：该方法为：将电机电流信号通过其求取自相关矩阵，获得一个二维矩阵，将电机电流信号数据散落到灰度值值域，使得原始数据与图像像素值之间存在完整的映射关系，映射关系函数设定为一维高斯分布函数：
Figure FDA0002645693110000011
式中，xij表示自相关矩阵中第i行、第j列的元素；
μ为原始数据的均值；
σ2为原始数据的方差。
CN202010853770.6A 2020-08-24 2020-08-24 一种电机电流转化成灰度图像的方法 Active CN112200881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010853770.6A CN112200881B (zh) 2020-08-24 2020-08-24 一种电机电流转化成灰度图像的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010853770.6A CN112200881B (zh) 2020-08-24 2020-08-24 一种电机电流转化成灰度图像的方法

Publications (2)

Publication Number Publication Date
CN112200881A true CN112200881A (zh) 2021-01-08
CN112200881B CN112200881B (zh) 2022-08-09

Family

ID=74004966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010853770.6A Active CN112200881B (zh) 2020-08-24 2020-08-24 一种电机电流转化成灰度图像的方法

Country Status (1)

Country Link
CN (1) CN112200881B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264953A (zh) * 2021-12-01 2022-04-01 珠海格力电器股份有限公司 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271925A (zh) * 2017-06-26 2017-10-20 湘潭大学 基于深度卷积网络的模块化五电平换流器故障定位方法
CN108710205A (zh) * 2018-05-16 2018-10-26 电子科技大学 一种基于边缘灰度差异函数的光学扫描全息自聚焦方法
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110109015A (zh) * 2019-05-31 2019-08-09 中南大学 一种基于深度学习的异步电动机故障监测与诊断方法
CN110346692A (zh) * 2019-08-20 2019-10-18 国网河南省电力公司电力科学研究院 一种基于时频图像信息的配电网单相接地故障选线方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107271925A (zh) * 2017-06-26 2017-10-20 湘潭大学 基于深度卷积网络的模块化五电平换流器故障定位方法
CN108710205A (zh) * 2018-05-16 2018-10-26 电子科技大学 一种基于边缘灰度差异函数的光学扫描全息自聚焦方法
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110109015A (zh) * 2019-05-31 2019-08-09 中南大学 一种基于深度学习的异步电动机故障监测与诊断方法
CN110346692A (zh) * 2019-08-20 2019-10-18 国网河南省电力公司电力科学研究院 一种基于时频图像信息的配电网单相接地故障选线方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARTIN VALTIERRA-RODRIGUEZ 等: "Convolutional Neural Network and Motor Current Signature Analysis during the Transient State for Detection of Broken Rotor Bars in Induction Motors", 《SENSORS》 *
侯捷: "基于电机电流的转子轴承系统故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264953A (zh) * 2021-12-01 2022-04-01 珠海格力电器股份有限公司 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置
CN114264953B (zh) * 2021-12-01 2024-05-24 珠海格力电器股份有限公司 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置

Also Published As

Publication number Publication date
CN112200881B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN112200214B (zh) 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法
Meng et al. Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis
Pan et al. A novel deep learning network via multiscale inner product with locally connected feature extraction for intelligent fault detection
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN111709292B (zh) 基于递归图和深度卷积网络的压气机振动故障检测法
CN110595780B (zh) 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN109899281B (zh) 一种基于红外热像的压裂设备微弱故障诊断方法及装置
CN112200881B (zh) 一种电机电流转化成灰度图像的方法
CN112926728B (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN117269754B (zh) 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法
Zheng et al. Optimization-based improved kernel extreme learning machine for rolling bearing fault diagnosis
CN115859702A (zh) 一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统
Li et al. Diagnosis of rotor demagnetization and eccentricity faults for IPMSM based on deep CNN and image recognition
Lu et al. Vector co‐occurrence morphological edge detection for colour image
Wang et al. An improved MSCNN and GRU model for rolling bearing fault diagnosis
CN113283371A (zh) 一种基于brisk特征的局部放电特征提取及分类方法
CN117932390A (zh) 一种基于注意力机制与dcgan融合的振动信号分析诊断方法
CN113591969B (zh) 面部相似度评测方法、装置、设备以及存储介质
CN115512203A (zh) 信息检测方法、装置、设备及存储介质
CN115902620A (zh) 一种基于循环生成对抗网络的电机故障增强诊断方法及装置
Yang et al. UAV Landmark Detection Based on Convolutional Neural Network
Guo et al. Unsupervised Feature-Preserving CycleGAN for Fault Diagnosis of Rolling Bearings Using Unbalanced Infrared Thermal Imaging Sample
Ooi et al. Enhanced dense space attention network for super-resolution construction from single input image
CN111652246A (zh) 一种基于深度学习的图像自适应稀疏化表征方法及装置

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