CN112257773A - 基于无线传感器网络多测量向量的机械装备故障诊断方法 - Google Patents
基于无线传感器网络多测量向量的机械装备故障诊断方法 Download PDFInfo
- Publication number
- CN112257773A CN112257773A CN202011121385.9A CN202011121385A CN112257773A CN 112257773 A CN112257773 A CN 112257773A CN 202011121385 A CN202011121385 A CN 202011121385A CN 112257773 A CN112257773 A CN 112257773A
- Authority
- CN
- China
- Prior art keywords
- layer
- wireless sensor
- fault
- matrix
- sensor network
- 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
Links
Images
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G06N3/048—Activation functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Abstract
本发明涉及一种基于无线传感器网络多测量向量的机械装备故障诊断方法,属于深度学习技术领域。该方法包括以下步骤:S1:多测量向量的压缩采集;S2:数据处理;S3:卷积神级网络模型训练;S4:识别故障类型。本发明突破了Nyquist采样定律的限制,降低数据采集的量,从而降低无线传感器网络的负载。相比传统人工提取特征进行诊断的方式更便捷、高效,减少了对人工和专业知识的需求。采用了多测量向量MMV的进行数据压缩采集,提高采集的压缩数据量只包含更多的故障源信息,比SMV模型的故障诊断的识别率更高。
Description
技术领域
本发明属于深度学习技术领域,涉及基于无线传感器网络多测量向量的机械装备故障诊断方法。
背景技术
大型复杂的机械装备,比如:天燃气管道、桥梁、大型电机和机床等等,这些机械装备一旦发生故障且未得到能及时排除或维修,其故障可导致巨大经济损失和造成极其严重的后果。对这些机械装备健康状况进行有效评估与预测,以及进行及时故障诊断与识别是非常重要。
专利号为CN110991295公开了一种基于一维卷积神经网络的自适应故障诊断方法,将一维时序信号输入一维卷积神经网络,就能诊断结果,相比传统人工提取特征进行诊断的方式更便捷、高效,对诊断人员的专业知识经验需求更低。专利号为CN111582396A公开了一种基于改进卷积神经网络的故障诊断方法,该方法在特征提取层和全连接层之间还设置了一个新增卷积层,新增卷积层可以提取模型深层特征,有效增强模型的泛化能力,在一定程度上可以减少过拟合的风险并加快计算速度。但是这些方法并不适合大型机械装备的健康状况监控与故障诊断,因大型机械装备处于复杂环境,其数据获取比较困难。大型机械装备健康状况的监控都是采用无线传感器网络技术,但是在传统的Nyquist采样定律下,产生大量的数据需要传输,加重无线传感器网络的网络负载。专利号为CN110263767A公开了结合压缩数据采集和深度学习的智能转轴故障诊断方法,采用了非线性投影实现压缩采集,突破了Nyquist采样定律的限制,减少了包含所有故障信息的测量数据量,可以降低无线传感器网络的负载。该方法也不太合适大型机械装备,因为该方法压缩采集方式为单重测量矢量(Single Measurement Vector,SMV),其数据量只包含部分的故障源信息,导致故障识别率不高。
发明内容
有鉴于此,本发明的目的在于提供一种基于无线传感器网络多测量向量(Multiple MeasurementVectors,MMV)的机械装备故障诊断方法。首先,在大型机械装备安装在不同的位置方向安装L个无线传感器节点,然后对L个无线传感器节点对故障源信号进行压缩测量,得到L个测量值,经过无线传感器网络传输到云端,得到L个测量值向量组成的测量值矩阵,对测量值矩阵进行归一化数据处理后将其送入卷积神经网络模型进行故障识别,得到故障识别结果。
为达到上述目的,本发明提供如下技术方案:
基于无线传感器网络多测量向量的机械装备故障诊断方法,该方法包括以下步骤:
S1:多测量向量的压缩采集;
S2:数据处理;
S3:卷积神级网络模型训练;
S4:识别故障类型。
可选的,所述S1具体为:
对大型机械装备在不同的位置方向安装L个无线传感器节点,L≥2,然后对L个无线传感器节点对故障源信号进行压缩测量,得到测量值由无线传感器网络进行传输;
多测量向量模型MMV的公式为:
Y=ΦX=ΦΨX=AX (1)
其中X={x1,x2,…,xL}xL∈RN为原信号,Φ∈RM×N为测量矩阵,M<<N,Y={y1,y2,…yL}yL∈RM为测量值矩阵;原信号xL在测量矩阵Φ的线性测量值yL=ΦxL,又称y是原信号在测量矩阵的线性投影,测量矩阵Φ必须服从有限等距性质RIP;x为X经过稀疏基ΨN×N表示的稀疏系数,A=ΦΨ,∈RM×N的矩阵,称为感知矩阵求解NP问题:
min||x||ls.t.Y=AX (2)
当L=1时,该模型成为SMV模型。
可选的,所述S2具体为:
当L个传感器的测量值经过无线传感器网络出输到云端,组成测量值矩阵Y;将测量值矩阵Y做归一化处理,处理方法如下:
可选的,所述S3具体为:
将采集h种不同类型故障源的信号进行多测量向量的压缩采集的压缩采集,得到测量值矩阵经过数据归一化处理后进行标签构成数据集;数据集的80%为训练数据集,20%为测试数据集,将数据集送入卷积神经网络。
可选的,所述卷积神经网络包括:
(1)卷积层
卷积层利用卷积核对输入测量值矩阵的局部区域进行卷积运算,提取相应的特征;卷积公式为:
(2)激活层
卷积后,对每个卷积的输出值进行非线性变换;神经网络中常用的激活函数为Sigmoid函数、Tanh函数、Relu函数;利用Relu函数做激活函数,函数公式为:
式中al(i,j)为卷积层输出yl(i,j)的激活值;
(3)池化层
池化层主要就是减少神经网络的训练参数,起到数据降维为作用;采用均值池化,其公式为:
式中:pl(i,j)为第l层的池化输出值,W为池化区域的宽度,al(i,j)为卷积层输出yl(i ,j)的激活值
(4)全连接层
全连接层是将提取出来的特征进行分类;将最后一次池化层的输出值,拉伸为一维特征向量,作为全连接层的输入;全连接层中隐藏激活函数,最后一层的激活函数采用的是激活Softmax函数,将输入的神经元值转化概率分布;
全连接层的前向传播公式为:
当l+1层的隐藏层,采用Relu函数:
al+1(i)=max{0,Ol+1(j)} (7)
最后一层激活函数Softmax:
可选的,所述S4具体为:
将大型机械装备的故障源,经过多测量向量的压缩采集的压缩采集,得到多组测量值,经过无线传感器网络传输后,到达云端组成测量值矩阵,然后进行数据归一化处理后输入训练完成卷积神经网络模型,得到识别故障类型。
本发明的有益效果在于:突破了Nyquist采样定律的限制,降低数据采集的量,从而降低无线传感器网络的负载。相比传统人工提取特征进行诊断的方式更便捷、高效,减少了对人工和专业知识的需求。采用了多测量向量(MMV)的进行数据压缩采集,提高采集的压缩数据量只包含更多的故障源信息,比SMV模型的故障诊断的识别率更高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为基于无线传感器网络多测量向量的大型机械装备智能故障诊断方法的框架;
图2为卷积神经网络结构。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明提出了一种基于无线传感器网络多测量向量的大型机械装备智能故障诊断方法,其框架如图1所示。该方法主要分为四部分,分别是多传感器多测量向量的压缩采集、数据处理、卷积神级网络模型训练、识别故障类型。
第一步 多测量向量的压缩采集
对大型机械装备在不同的位置方向安装L(L≥2)个无线传感器节点,然后对L个无线传感器节点对故障源信号进行压缩测量,得到测量值由无线传感器网络进行传输。多测量向量的模型(MMV)如下:
MMV的模型公式为:
Y=ΦX=ΦΨX=AX (1)
其中X={x1,x2,…,xL}xL∈RN为原信号,Φ∈RM×N(M<<N)为测量矩阵,Y={y1,y2,…yL}yL∈RM为测量值矩阵。原信号xL在测量矩阵Φ的线性测量值yL=ΦxL,又称y是原信号在测量矩阵的线性投影,测量矩阵Φ必须服从“有限等距性质(restricted isometricproperty,RIP)”。x为X经过稀疏基ΨN×N表示的稀疏系数,A=ΦΨ,∈RM×N的矩阵,称为感知矩阵求解NP问题:
min||x||l s.t.Y=AX (2)
当L=1时,该模型成为SMV模型了。
第二步数据处理
当L个传感器的测量值经过无线传感器网络出输到云端,组成了测量值矩阵Y。将测量值矩阵Y做归一化处理,处理方法如下:
第三步卷积神级网络模型训练
将采集h种不同类型故障源的信号进行多测量向量的压缩采集的压缩采集,得到测量值矩阵经过数据归一化处理后进行标签构成数据集。数据集的80%为训练数据集,20%为测试数据集,将数据集送入卷积神经网络。
卷积神经网络结构图如图2所示。
1、卷积层
卷积层利用卷积核对输入测量值矩阵的局部区域进行卷积运算,提取相应的特征。卷积公式为:
/2、激活层
卷积后,对每个卷积的输出值进行非线性变换。神经网络中常用的激活函数为Sigmoid函数、Tanh函数、Relu函数。本方法利用是Relu函数做激活函数,函数公式为:
式中al(i,j)为卷积层输出yl(i,j)的激活值。
3、池化层
池化层主要就是减少神经网络的训练参数,起到数据降维为作用。常用的化函数为均值池化和最大池化,本方法采用的均值池化,其公式为:
式中:pl(i,j)为第l层的池化输出值,W为池化区域的宽度,al(i,j)为卷积层输出yl(i ,j)的激活值
4、全连接层
全连接层是将提取出来的特征进行分类。将最后一次池化层的输出值,拉伸为一维特征向量,作为全连接层的输入。全连接层中隐藏了激活函数,最后一层的激活函数本方法采用是激活Softmax函数,其目前是将输入的神经元值转化概率分布。
全连接层的前向传播公式为:
当l+1层的隐藏层,本方法采用是Relu函数:
al+1(i)=max{0,Ol+1(j)} (7)
最后一层激活函数Softmax:
第四步识别故障类型
将大型机械装备的故障源,经过多测量向量的压缩采集的压缩采集,得到多组测量值,经过无线传感器网络传输后,到达云端组成了测量值矩阵,然后进行数据归一化处理后输入训练完成卷积神经网络模型,得到识别故障类型。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于无线传感器网络多测量向量的机械装备故障诊断方法,其特征在于:该方法包括以下步骤:
S1:多测量向量的压缩采集;
S2:数据处理;
S3:卷积神级网络模型训练;
S4:识别故障类型。
2.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法,其特征在于:所述S1具体为:
对大型机械装备在不同的位置方向安装L个无线传感器节点,L≥2,然后对L个无线传感器节点对故障源信号进行压缩测量,得到测量值由无线传感器网络进行传输;
多测量向量模型MMV的公式为:
Y=ΦX=ΦΨX=AX (1)
其中X={x1,x2,…,xL}xL∈RN为原信号,Φ∈RM×N为测量矩阵,M<<N,Y={y1,y2,…yL}yL∈RM为测量值矩阵;原信号xL在测量矩阵Φ的线性测量值yL=ΦxL,又称y是原信号在测量矩阵的线性投影,测量矩阵Φ必须服从有限等距性质RIP;x为X经过稀疏基ΨN×N表示的稀疏系数,A=ΦΨ,∈RM×N的矩阵,称为感知矩阵求解NP问题:
min||x||l s.t.Y=AX (2)
当L=1时,该模型成为SMV模型。
4.根据权利要求1所述的基于无线传感器网络多测量向量的机械装备故障诊断方法,其特征在于:所述S3具体为:
将采集h种不同类型故障源的信号进行多测量向量的压缩采集的压缩采集,得到测量值矩阵经过数据归一化处理后进行标签构成数据集;数据集的80%为训练数据集,20%为测试数据集,将数据集送入卷积神经网络。
5.根据权利要求4所述的基于无线传感器网络多测量向量的机械装备故障诊断方法,其特征在于:所述卷积神经网络包括:
(1)卷积层
卷积层利用卷积核对输入测量值矩阵的局部区域进行卷积运算,提取相应的特征;卷积公式为:
(2)激活层
卷积后,对每个卷积的输出值进行非线性变换;神经网络中常用的激活函数为Sigmoid函数、Tanh函数、Relu函数;利用Relu函数做激活函数,函数公式为:
式中al(i,j)为卷积层输出yl(i,j)的激活值;
(3)池化层
池化层主要就是减少神经网络的训练参数,起到数据降维为作用;采用均值池化,其公式为:
式中:pl(i,j)为第l层的池化输出值,W为池化区域的宽度,al(i,j)为卷积层输出yl(i,j)的激活值
(4)全连接层
全连接层是将提取出来的特征进行分类;将最后一次池化层的输出值,拉伸为一维特征向量,作为全连接层的输入;全连接层中隐藏激活函数,最后一层的激活函数采用的是激活Softmax函数,将输入的神经元值转化概率分布;
全连接层的前向传播公式为:
当l+1层的隐藏层,采用Relu函数:
al+1(i)=max{0,Ol+1(j)} (7)
最后一层激活函数Softmax:
6.根据权利要求5所述的基于无线传感器网络多测量向量的机械装备故障诊断方法,其特征在于:所述S4具体为:
将大型机械装备的故障源,经过多测量向量的压缩采集的压缩采集,得到多组测量值,经过无线传感器网络传输后,到达云端组成测量值矩阵,然后进行数据归一化处理后输入训练完成卷积神经网络模型,得到识别故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121385.9A CN112257773B (zh) | 2020-10-19 | 2020-10-19 | 基于无线传感器网络多测量向量的机械装备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011121385.9A CN112257773B (zh) | 2020-10-19 | 2020-10-19 | 基于无线传感器网络多测量向量的机械装备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257773A true CN112257773A (zh) | 2021-01-22 |
CN112257773B CN112257773B (zh) | 2022-06-10 |
Family
ID=74245638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011121385.9A Active CN112257773B (zh) | 2020-10-19 | 2020-10-19 | 基于无线传感器网络多测量向量的机械装备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257773B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186617A (zh) * | 2021-11-23 | 2022-03-15 | 浙江大学 | 一种基于分布式深度学习的机械故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259590A1 (en) * | 2011-04-11 | 2012-10-11 | Jong Chul Ye | Method and apparatus for compressed sensing with joint sparsity |
CN107111311A (zh) * | 2014-09-10 | 2017-08-29 | 西门子能源公司 | 利用稀疏编码方法的燃气涡轮机传感器故障检测 |
CN107680036A (zh) * | 2017-08-15 | 2018-02-09 | 湖北工业大学 | 基于卷积深度堆叠网络的联合稀疏向量并行重建方法 |
CN107689795A (zh) * | 2017-07-10 | 2018-02-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
US20180310870A1 (en) * | 2017-05-01 | 2018-11-01 | The Charles Stark Draper Laboratory, Inc. | Deep learning architecture for cognitive examination subscore trajectory prediction in alzheimer's disease |
CN109618311A (zh) * | 2019-01-17 | 2019-04-12 | 南京邮电大学 | 基于m2m通信频谱共享与共存的盲检测算法 |
CN110166055A (zh) * | 2019-05-09 | 2019-08-23 | 安徽大学 | 一种基于压缩感知的多通道压缩传感优化方法及系统 |
CN110175971A (zh) * | 2019-05-27 | 2019-08-27 | 大连海事大学 | 一种多光谱单像素成像的深度学习图像重构方法 |
US20200285983A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Data compression and communication using machine learning |
-
2020
- 2020-10-19 CN CN202011121385.9A patent/CN112257773B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259590A1 (en) * | 2011-04-11 | 2012-10-11 | Jong Chul Ye | Method and apparatus for compressed sensing with joint sparsity |
CN107111311A (zh) * | 2014-09-10 | 2017-08-29 | 西门子能源公司 | 利用稀疏编码方法的燃气涡轮机传感器故障检测 |
US20180310870A1 (en) * | 2017-05-01 | 2018-11-01 | The Charles Stark Draper Laboratory, Inc. | Deep learning architecture for cognitive examination subscore trajectory prediction in alzheimer's disease |
US20200229753A1 (en) * | 2017-05-01 | 2020-07-23 | The Charles Stark Draper Laboratory, Inc. | Deep learning architecture for cognitive examination subscore trajectory prediction in alzheimer's disease |
CN107689795A (zh) * | 2017-07-10 | 2018-02-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
CN107680036A (zh) * | 2017-08-15 | 2018-02-09 | 湖北工业大学 | 基于卷积深度堆叠网络的联合稀疏向量并行重建方法 |
CN109618311A (zh) * | 2019-01-17 | 2019-04-12 | 南京邮电大学 | 基于m2m通信频谱共享与共存的盲检测算法 |
US20200285983A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Data compression and communication using machine learning |
CN110166055A (zh) * | 2019-05-09 | 2019-08-23 | 安徽大学 | 一种基于压缩感知的多通道压缩传感优化方法及系统 |
CN110175971A (zh) * | 2019-05-27 | 2019-08-27 | 大连海事大学 | 一种多光谱单像素成像的深度学习图像重构方法 |
Non-Patent Citations (5)
Title |
---|
S. CHAN, I.: ""Convolutional_Adversarial_Neural_Network_CANN_for_Fault_Diagnosis_within_a_Power_System__Addressing_the_Challenge_of_Event_Correlation_for_Diagnosis_by_Power_Disturbance_Monitoring_Equipment_in_a"", <2019 INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATIONS TECHNOLOGY> * |
SHUAIYONG LI, WEIPEI MAO,: ""Leak Location Based on PDS-VMD of Leakage-Induced Vibration Signal Under Low SNR in Water-Supply Pipelines"", 《IEEE ACCESS ( VOLUME: 8)》 * |
ZHONG-XU HU: ""Data-Driven Fault Diagnosis Method Based on Compressed Sensing and Improved Multiscale Network"", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
李婉: ""基于结构稀疏和卷积网络的压缩感知方法研究"", 《中国优秀博士学位论文全文数据库-信息科技辑》 * |
李帅永: ""基于VMD和K-SVD学习的供水管道泄漏振动信号压缩感知方法"", 《仪器仪表学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186617A (zh) * | 2021-11-23 | 2022-03-15 | 浙江大学 | 一种基于分布式深度学习的机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112257773B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
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 | |
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
CN110509109B (zh) | 基于多尺度深度卷积循环神经网络的刀具磨损监测方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
Su et al. | A novel method based on deep transfer unsupervised learning network for bearing fault diagnosis under variable working condition of unequal quantity | |
CN108319962A (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN107688856B (zh) | 基于深度强化学习的室内机器人场景主动识别方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN112257773B (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
Zhang et al. | Multi-scale and multi-pooling sparse filtering: a simple and effective representation learning method for intelligent fault diagnosis | |
CN112163630A (zh) | 一种基于不平衡学习的复合故障诊断方法及装置 | |
CN110554667A (zh) | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 | |
Zhang et al. | Discriminative feature learning and selection with label-induced sparse filtering for intelligent fault diagnosis of rotating machinery |
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 |