CN112257528B - 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 - Google Patents

一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 Download PDF

Info

Publication number
CN112257528B
CN112257528B CN202011082932.7A CN202011082932A CN112257528B CN 112257528 B CN112257528 B CN 112257528B CN 202011082932 A CN202011082932 A CN 202011082932A CN 112257528 B CN112257528 B CN 112257528B
Authority
CN
China
Prior art keywords
layer
convolution
pooling
fault
wind power
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.)
Active
Application number
CN202011082932.7A
Other languages
English (en)
Other versions
CN112257528A (zh
Inventor
陈捷
温竹鹏
杨贵超
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.)
NANJING GONGDA CNC TECHNOLOGY CO LTD
Nanjing Tech University
Original Assignee
NANJING GONGDA CNC TECHNOLOGY CO LTD
Nanjing Tech 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 NANJING GONGDA CNC TECHNOLOGY CO LTD, Nanjing Tech University filed Critical NANJING GONGDA CNC TECHNOLOGY CO LTD
Priority to CN202011082932.7A priority Critical patent/CN112257528B/zh
Publication of CN112257528A publication Critical patent/CN112257528A/zh
Application granted granted Critical
Publication of CN112257528B publication Critical patent/CN112257528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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
    • G06F18/2415—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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

为了解决传统诊断中诊断效果差，精度低的问题，本发明提出一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法。主要步骤包括：1、从风电齿轮箱中采集不同故障类型的振动信号；2、将每一个故障类型的一维振动信号通过小波变换得到小波时频图，得到风电齿轮箱的故障样本集；3、将样本集中的小波时频图进行灰度处理，并且对图像大小进行调整，将灰度处理后的图像调整为P*P，P为图像像素大小；4、将处理后的样本集中的70％作为训练集进行模型训练，另外30％作为测试集对模型进行测试。本发明可以更加有效的利用小波时频图中的故障信息，自动提取时频图中有效的特征，实现更加准确的故障分类。

Description

一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮 箱故障诊断方法
技术领域
本发明涉及一种风电齿轮箱的故障诊断方法，特别是关于一种在风电机械领域可以准确分类故障类别的基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法。
背景技术
风电行业的迅速发展已经让很多国家将风电作为新型能源的重要组成部分。但是风电机组在运维方面面临巨大的挑战，而齿轮箱作为风电机组中最为关键的部分，一旦出现故障，将会导致长时间的停机维护，带来严重的经济损失。如果可以建立有效的模型对风电齿轮箱进行监测和故障诊断，则会有效的减少风电机组运维的成本和延长风电齿轮箱的使用寿命。
由于风电机组齿轮箱中状态监测系统采集的监测信号数据量庞大，如何选择有效的数据，并且将其利用起来建立合理的模型进行故障诊断是目前风电齿轮箱运维面临的巨大挑战。风电齿轮箱齿轮数量多，传动结构复杂，传统的故障诊断方法存在缺陷，往往过于依赖研究者的经验，这增加了劳动强度，降低了诊断精度。吴春志等使用一维卷积神经网络进行齿轮箱故障诊断，直接从振动信号中提取特征，实现从端到端的故障诊断，胡茑庆等基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法，先对一维振动信号进行经验模态分解，再将得到的分量输入到一维卷积神经网络中提取特征进行故障分类。以上现有的方法是将一维振动信号作为输入，利用传统卷积神经网络进行诊断，存在以下缺陷：
(1)无法实现对采集到的故障信息的有效利用。
(2)传统卷积神经网络对提取的特征利用率较低，降低了诊断精度。
(3)传统卷积神经网络层数增加时，网络中的参数会极大地增长，影响了训练速度，降低了训练精度。
为了实现故障信息的自动提取，提高特征的利用率以及提高网络训练速度，基于小波变换和密集连接扩张卷积神经网络的故障诊断方法被提出，该方法利用小波变换得到故障信息更加丰富的二维图像，再利用密集连接扩张卷积神经网络自动提取特征并且对特征进行叠加输入以达到对故障特征的高效利用，从而提高故障诊断的精度，并且利用扩张卷积以达到提高故障模型训练速度地效果。
发明内容
针对上述问题，本发明提出了一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法。
为实现上述目的，本发明采取以下技术方案：一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于，包括以下步骤：
步骤1：从风电齿轮箱中采集不同故障类型的振动信号；
步骤2：将每一个故障类型的一维振动信号通过小波变换得到小波时频图，得到风电齿轮箱的故障样本集；
步骤3：将样本集中的小波时频图进行灰度处理，并且对图像大小进行调整，将灰度处理后的图像调整为P*P，P为图像像素大小；
步骤4：将处理后的样本集中的70％作为训练集进行模型训练，另外30％作为测试集对模型进行测试；
步骤5：搭建密集连接扩张卷积神经网络的故障诊断模型，并且使用训练集进行训练；
步骤6：对训练好的模型进行测试，实现故障类型的准确分类。
进一步的描述为，所述步骤2中，将振动信号进行小波变换，一维的振动信
号转换成二维的小波时频图。小波变换的公式：
其中x(t)表示时域信号，表示母小波，/>表示复共轭母小波，a表示尺度因子，b表示时移因子。
进一步的描述为，所述步骤5中，该诊断模型包括：1个输入层，6个卷积层，4个池化层，1个dropout层，1个全连接层，1个输出层。
进一步的描述为，所述步骤5中所提出的密集连接扩张卷积神经网络的建立过程包括以下步骤：
步骤5.1：输入层：故障样本集中的时频样本图进行灰度处理后，调整为P*P，输入故障诊断模型，作为整个模型的输入层。
步骤5.2：卷积层C1：采用m个3*3，扩张系数为2的卷积核，步长为2，将输入层的故障图像进行卷积操作，得到m个(P/2)*(P/2)的特征图，组成卷积层C1。
步骤5.3：池化层P1：将卷积层C1经过2*2的池化层，步长为2，采用的最大值池化,得到m*(P/4)*(P/4)的池化层P1。
步骤5.4：卷积层C2：将池化层P1的特征图，用m个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到m*(P/4)*(P/4)的卷积层C2。
步骤5.5：池化层P2：将卷积层C2经过2*2的池化层，步长为2，采用的最大值池化,得到(P/8)*(P/8)*m的池化层P2。
步骤5.6：卷积层C3：将池化层P1和池化层P2的特征图连接起来，并行使用，得到新的特征图。使用m个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到(P/8)*(P/8)*m的卷积层C3。
步骤5.7：池化层P3：将卷积层C3经过2*2的池化层，步长为2，采用的最大值池化,得到(P/16)*(P/16)*m的池化层P3。
步骤5.8：卷积层C4：将池化层P1，池化层P2和池化层P3的特征图连接起来，并行使用，得到新的特征图。使用2*m个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到(P/16)*(P/16)*(2*m)的卷积层C4。
步骤5.9：池化层P4：将卷积层C4经过2*2的池化层，步长为1，采用的最大值池化,得到(P/32)*(P/32)*(2*m)的池化层P4。
步骤5.10:卷积层C5：将池化层P4经过3*3的卷积核，步长为1，进行卷积操作，并且进行填充，得到(P/32)*(P/32)*(2*m)的卷积层C5。
步骤5.11:卷积层C6：将卷积层C5经过3*3的卷积核，进行卷积操作，得到(P/64)*(P/64)*(2*m)的特征图。
步骤5.12:Dropout层：将卷积层C6经过dropout层进行权值的筛选，设置dropout系数。
步骤5.13:全连接层：将卷积层C6的特征图转换成一维向量。
步骤5.14:输出层：将全连接层的结果经过softmax函数进行概率的计算，最终故障分类的结果。
进一步的描述为，所述步骤5.2，5.4，5.6和5.8中，在传统卷积层中加入扩张卷积，引入扩张系数。
进一步的描述为，所述步骤5.6中，在输入特征图时进行密集连接，将P1和P2的特征图并行连接起来，作为新的特征图，进行卷积操作。
进一步的描述为，所述步骤5.8中，在输入特征图时进行密集连接，将P1，P2和P3的特征图并行连接起来，作为新的特征图，进行卷积连接。
进一步的描述为，所述步骤5.12中，在整个诊断模型中加入Dropout层，进行正则化的操作，引入dropout系数。
本发明采用的以上技术方案，具备优点如下：
1.将一维振动信号通过小波变换转换成小波时频图，可以从二维故障图像上提取到更多的有效信息。
2.在卷积操作中引入扩张系数，可以在不增加参数的情况下增大感受野，加快训练速度。
3.在网络结构中采用密集连接的方式将第一层和第二层的特征进行重复的利用，这样可以提高特征的利用率，防止在训练过程中出现梯度爆炸和梯度弥散。
附图说明
图1是诊断模型的总体流程图；
图2a是扩张系数为1的示意；
图2b是扩张系数为2的示意；
图2c是扩张系数为3的示意；
图3是密集连接的示意图；
图4是诊断分类结果图；
图中：图2中(a)图表示扩张系数为1；(b)图表示扩张系数为2；(c)图表示扩张系数为3。
具体实施方式
本发明可以更加有效的利用小波时频图中的故障信息，实现更加准确的故障分类。下面结合附图和实施例对本发明进行详细的描述：
如图1所示，本发明提供了一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其包括以下步骤：
步骤1：从风电齿轮箱中采集不同故障类型的振动信号。
步骤2：将每一个故障类型的一维振动信号通过小波变换得到小波时频图，得到风电齿轮箱的故障样本集，一共是2160张故障图像，总共有六类故障。
步骤3：将样本集中的小波时频图进行灰度处理，并且对图像大小进行调整，将灰度处理后的图像调整为128*128。
步骤4：将处理后的样本集中的70％作为训练集进行模型训练，另外30％作为测试集对模型进行测试，即1800张图像进行训练，360张图像进行测试。
步骤5：搭建密集连接扩张卷积神经网络的故障诊断模型，并且使用训练集进行训练。
对训练好的模型进行测试，实现故障类型的准确分类。
将采集到的一维振动信号进行小波变换转换成小波时频图，小波变换的公式如下：
其中x(t)表示时域信号，表示母小波，/>表示复共轭母小波，a表示尺度因子，b表示时移因子。
该诊断模型中包括：1个输入层，6个卷积层，4个池化层，1个dropout层，1个全连接层，1个输出层。
其中，所提出的密集连接扩张卷积神经网络的建立过程包括以下步骤：
步骤5.1：输入层：故障样本集中的时频样本图进行灰度处理后，调整为P*P，输入故障诊断模型，作为整个模型的输入层。
步骤5.2：卷积层C1：采用32个3*3，扩张系数为2的卷积核，步长为2，将输入层的故障图像进行卷积操作，得到32个64*64的特征图，组成卷积层C1。
步骤5.3：池化层P1：将卷积层C1经过2*2的池化层，步长为2，采用的最大值池化,得到32*32*32的池化层P1。
步骤5.4：卷积层C2：将池化层P1的特征图，用32个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到32*32*32的卷积层C2。
步骤5.5：池化层P2：将卷积层C2经过2*2的池化层，步长为2，采用的最大值池化,得到16*16*32的池化层P2。
步骤5.6：卷积层C3：将池化层P1和池化层P2的特征图连接起来，并行使用，得到新的特征图。使用32个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到16*16*32的卷积层C3。
步骤5.7：池化层P3：将卷积层C3经过2*2的池化层，步长为2，采用的最大值池化,得到8*8*32的池化层P3。
步骤5.8：卷积层C4：将池化层P1，池化层P2和池化层P3的特征图连接起来，并行使用，得到新的特征图。使用64个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到8*8*64的卷积层C4。
步骤5.9：池化层P4：将卷积层C4经过2*2的池化层，步长为1，采用的最大值池化,得到4*4*64的池化层P4。
步骤5.10:卷积层C5：将池化层P4经过64个3*3的卷积核，步长为1，进行卷积操作，并且进行填充，得到4*4*64的卷积层C5。
步骤5.11:卷积层C6：将卷积层C5经过64个3*3的卷积核，进行卷积操作，得到2*2*64的特征图。
步骤5.12:Dropout层：将卷积层C6经过dropout层进行权值的筛选，设置dropout系数。
步骤5.13:全连接层：将卷积层C6的特征图转换成一维向量。
步骤5.14:输出层：将全连接层的结果经过softmax函数进行概率的计算，最终故障分类的结果。
作为一种可能的实施方式，所述步骤5.2，5.4，5.6和5.8中，在传统卷积层中加入扩张卷积，引入扩张系数。
作为一种可能的实施方式，所述步骤5.6中，在输入特征图时进行密集连接，将P1和P2的特征图并行连接起来，作为新的特征图，进行卷积操作。
作为一种可能的实施方式，所述步骤5.8中，在输入特征图时进行密集连接，将P1，P2和P3的特征图并行连接起来，作为新的特征图，进行卷积连接。
作为一种可能的实施方式，所述步骤5.12中，在整个诊断模型中加入Dropout层，进行正则化的操作，引入dropout系数，取dropout系数为0.5。
作为一种可能的实施方式，在模型设计后，将训练集输入模型进行训练，训练后通过测试集进行测试，图4为故障分类结果图，从图中可以看出仅有14个样本图片分类错误。
上述各实施例仅用于说明本发明，诊断模型各网络结构的输入的大小和参数都是可以有所变换，在本发明技术方案的基础上，凡根据本发明原理对个别部件进行改进和等同变换，均不应该排除在本发明的保护范围之外。

Claims (5)

1.一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于，包括以下步骤：
步骤1：从风电齿轮箱中采集不同故障类型的振动信号；
步骤2：将每一个故障类型的一维振动信号通过小波变换得到小波时频图，得到风电齿轮箱的故障样本集；
步骤3：将样本集中的小波时频图进行灰度处理，并且对图像大小进行调整，将灰度处理后的图像调整为P*P，P为图像像素大小；
步骤4：将处理后的样本集中的70%作为训练集进行模型训练，另外30%作为测试集对模型进行测试；
步骤5：搭建密集连接扩张卷积神经网络的故障诊断模型，并且使用训练集进行训练；
步骤6：对训练好的模型进行测试，实现故障类型的准确分类；
所述步骤5中所提出的密集连接扩张卷积神经网络的建立过程包括以下步骤：
步骤5.1：输入层：故障样本集中的时频样本图进行灰度处理后，调整为P*P，P为图像像素大小，输入故障诊断模型，作为整个模型的输入层；
步骤5.2：卷积层C1：采用m个3*3，扩张系数为2的卷积核，步长为2，将输入层的故障图像进行卷积操作，得到m个(P/2)* (P/2)的特征图，组成卷积层C1；
步骤5.3：池化层P1：将卷积层C1经过2*2的池化层，步长为2，采用的最大值池化,得到m*(P/4)* (P/4)的池化层P1；
步骤5.4：卷积层C2：将池化层P1的特征图，用m个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到m*(P/4)* (P/4)的卷积层C2；
步骤5.5：池化层P2：将卷积层C2经过2*2的池化层，步长为2，采用的最大值池化,得到(P/8)* (P/8)*m的池化层P2；
步骤5.6：卷积层C3：将池化层P1和池化层P2的特征图连接起来，并行使用，得到新的特征图；使用m个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到(P/8)* (P/8)*m的卷积层C3；在输入特征图时进行密集连接，将P1和P2的特征图并行连接起来，作为新的特征图，进行卷积操作；
步骤5.7：池化层P3：将卷积层C3经过2*2的池化层，步长为2，采用的最大值池化,得到(P/16)* (P/16)*m的池化层P3；
步骤5.8：卷积层C4：将池化层P1，池化层P2和池化层P3的特征图连接起来，并行使用，得到新的特征图；使用2*m个3*3，扩张系数为2的卷积核进行卷积操作，并且进行填充，得到(P/16)* (P/16)*(2*m)的卷积层C4；在输入特征图时进行密集连接，将P1，P2和P3的特征图并行连接起来，作为新的特征图，进行卷积连接；
步骤5.9：池化层P4：将卷积层C4经过2*2的池化层，步长为1，采用的最大值池化,得到(P/32)* (P/32)*(2*m)的池化层P4；
步骤5.10:卷积层C5：将池化层P4经过3*3的卷积核，步长为1，进行卷积操作，并且进行填充，得到(P/32)* (P/32)*(2*m)的卷积层C5；
步骤5.11:卷积层C6：将卷积层C5经过3*3的卷积核，进行卷积操作，得到(P/64)* (P/64)*(2*m)的特征图C6；
步骤5.12:Dropout层：将卷积层C6经过dropout层进行权值的筛选，设置dropout系数；
步骤5.13:全连接层：将卷积层C6的特征图转换成一维向量；
步骤5.14:输出层：将全连接层的结果经过softmax函数进行概率的计算，最终故障分类的结果。
2.根据权利要求1所述的一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于：所述步骤2中，将振动信号进行小波变换，一维的振动信号转换成二维的小波时频图；小波变换的公式：
(1)
其中表示时域信号，/>表示母小波，/>表示复共轭母小波，/>表示尺度因子，表示时移因子。
3.根据权利要求1所述的一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于：所述步骤5中，该诊断模型包括：1个输入层，6个卷积层，4个池化层，1个dropout层，1个全连接层，1个输出层。
4.根据权利要求1所述的一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于，所述步骤5.2、步骤5.4、步骤5.6和步骤5.8中，在传统卷积层中加入扩张卷积，引入扩张系数。
5.根据权利要求1所述的一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法，其特征在于，所述步骤5.12中，在整个诊断模型中加入Dropout层，进行正则化的操作，引入dropout系数。
CN202011082932.7A 2020-10-12 2020-10-12 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 Active CN112257528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011082932.7A CN112257528B (zh) 2020-10-12 2020-10-12 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011082932.7A CN112257528B (zh) 2020-10-12 2020-10-12 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法

Publications (2)

Publication Number Publication Date
CN112257528A CN112257528A (zh) 2021-01-22
CN112257528B true CN112257528B (zh) 2023-07-18

Family

ID=74243423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011082932.7A Active CN112257528B (zh) 2020-10-12 2020-10-12 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法

Country Status (1)

Country Link
CN (1) CN112257528B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113670610B (zh) * 2021-06-09 2022-10-04 广州大学 基于小波变换与神经网络的故障检测方法、系统及介质
CN113469281B (zh) * 2021-07-22 2023-11-24 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN113723592A (zh) * 2021-08-09 2021-11-30 国能云南新能源有限公司 一种基于风电齿轮箱监测系统的故障诊断方法
DE102021208836A1 (de) * 2021-08-12 2023-02-16 Zf Friedrichshafen Ag Computerimplementiertes Verfahren, Vorrichtung, Computerprogramm und computerlesbares Medium zum Identifizieren eines Zahnrads, das in einem Getriebe Vibrationen hervorruft
CN113933038B (zh) * 2021-10-11 2023-11-17 国网山东省电力公司菏泽供电公司 一种基于多源信息融合算法的gis机械性能监测方法
CN114970628B (zh) * 2022-05-26 2023-04-07 青岛酒店管理职业技术学院 样本不均衡下基于生成对抗网络的转动部件故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9953236B1 (en) * 2017-03-10 2018-04-24 TuSimple System and method for semantic segmentation using dense upsampling convolution (DUC)
CN111402203A (zh) * 2020-02-24 2020-07-10 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778354A (zh) * 2012-05-08 2012-11-14 南京工业大学 基于小波分析的风电回转支承故障诊断方法
CN105841961A (zh) * 2016-03-29 2016-08-10 中国石油大学(华东) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
WO2018052586A1 (en) * 2016-09-14 2018-03-22 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN106597260B (zh) * 2016-12-29 2020-04-03 合肥工业大学 基于连续小波分析和elm网络的模拟电路故障诊断方法
US10803378B2 (en) * 2017-03-15 2020-10-13 Samsung Electronics Co., Ltd System and method for designing efficient super resolution deep convolutional neural networks by cascade network training, cascade network trimming, and dilated convolutions
DE102017121239A1 (de) * 2017-09-13 2019-03-14 Rolls-Royce Deutschland Ltd & Co Kg Verfahren und Vorrichtung zur Überwachung der Kinematik eines epizyklischen Planetengetriebes
CN108896296A (zh) * 2018-04-18 2018-11-27 北京信息科技大学 一种基于卷积神经网络的风电齿轮箱故障诊断方法
CN109522966B (zh) * 2018-11-28 2022-09-27 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN111640120B (zh) * 2020-04-09 2023-08-29 之江实验室 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9953236B1 (en) * 2017-03-10 2018-04-24 TuSimple System and method for semantic segmentation using dense upsampling convolution (DUC)
CN111402203A (zh) * 2020-02-24 2020-07-10 杭州电子科技大学 一种基于卷积神经网络的织物表面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于一维密集连接卷积网络的风电齿轮箱智能故障分类;徐进，等;可再生能源(第02期);49-54 *
基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断;任岩，等;水电能源科学(第02期);195-198 *

Also Published As

Publication number Publication date
CN112257528A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN112257528B (zh) 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法
CN111046945B (zh) 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN112629851B (zh) 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法
CN111089720B (zh) 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法
CN111238815B (zh) 一种样本不平衡下基于数据增强的轴承故障识别方法
CN112541233A (zh) 基于改进卷积神经网络的旋转机械故障诊断方法
CN108106841A (zh) 基于内置编码器信号的行星齿轮箱智能故障诊断方法
CN109858352A (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN110991295A (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN112577748A (zh) 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法
CN113505664B (zh) 一种风电机组行星齿轮箱故障诊断方法
CN110487547A (zh) 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法
CN111444871A (zh) 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法
CN111855202A (zh) 一种齿轮箱故障诊断方法及系统
CN112329520B (zh) 基于生成对抗学习的货车轴承故障识别方法
CN110553839A (zh) 一种齿轮箱的单一和复合故障诊断方法、设备及系统
CN113095179A (zh) 元度量学习驱动的直升机行星齿轮箱故障诊断方法
CN111783941B (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN112766200A (zh) 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法
CN112146880A (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
CN116821762A (zh) 一种基于多尺度图注意力融合网络的机械故障诊断方法
CN115828088A (zh) 基于深度学习的高压并联电抗器振动异常故障诊断方法
CN113591625B (zh) 一种不平衡样本重要性加权的齿轮箱故障诊断方法
CN113673442A (zh) 一种基于半监督单分类网络的变工况故障检测方法
Yin et al. Fault Diagnosis of Planetary Gearbox Using Modal Multiscale Spectral Features and 1-D CNN

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