CN112347898B - 一种基于dcae神经网络的滚动轴承健康指标构建方法 - Google Patents
一种基于dcae神经网络的滚动轴承健康指标构建方法 Download PDFInfo
- Publication number
- CN112347898B CN112347898B CN202011210629.0A CN202011210629A CN112347898B CN 112347898 B CN112347898 B CN 112347898B CN 202011210629 A CN202011210629 A CN 202011210629A CN 112347898 B CN112347898 B CN 112347898B
- Authority
- CN
- China
- Prior art keywords
- bearing
- neural network
- characteristic index
- rolling bearing
- dcae
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 42
- 238000005096 rolling process Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 230000015556 catabolic process Effects 0.000 claims abstract description 6
- 238000006731 degradation reaction Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000012887 quadratic function Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000935372 Tisias Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- 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
- G06N3/045—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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于DCAE神经网络的滚动轴承健康指标构建方法，属于滚动轴承检测技术领域。该方法是将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：首先，利用加速度传感器采集滚动轴承的振动信号，然后对采集到的振动信号进行低通滤波预处理来排除噪声的干扰；其次，将训练集中的轴承振动信号输入到构建的DCAE网络中进行权重迭代更新训练；最后，将测试集中的轴承数据输入到训练好的DCAE网络中进行健康特征指标构建。本发明能够在没有先验知识的情况下充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标，从而提高轴承剩余寿命预测的精度。
Description
技术领域
本发明属于滚动轴承检测技术领域，涉及一种基于DCAE神经网络的滚动轴承健康指标构建方法。
背景技术
滚动轴承广泛应用于机械设备中，是应用最为广泛的机械零部件之一。在过载、冲击、磨损等复杂的工作环境下，滚动轴承会出现不同程度损坏的问题，这会导致整个机械设备出现停机、损坏，严重情况下还会给生产活动带来极大危害，引发人身安全问题。所以，滚动轴承的健康状况制约着整个机械设备的可靠性、安全性和生产效率。因此，对滚动轴承的健康指标构建十分有必要。有效的健康指标能够提高轴承剩余寿命预测的精度，确保机械设备可以安全高效的工作。
滚动轴承的健康特征指标构建方法大部分是通过提取振动信号的时域、频域、时频域特征，然后利用降维算法来融合特征进而得到轴承的健康特征指标，或者是仅仅通过单一的特征指标来表征轴承的健康退化趋势。但是，这些方法需要一定的先验知识来提取相关的特征，得到的健康特征指标也未能充分利用振动信号中的信息，存在一定的局限性。
因此，亟需一种在没有先验知识的情况下，能够充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标的方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于DCAE神经网络的滚动轴承健康指标构建方法，能够在没有先验知识的情况下充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标，从而提高轴承剩余寿命预测的精度。
为达到上述目的，本发明提供如下技术方案：
一种基于DCAE神经网络的滚动轴承健康指标构建方法，将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：首先，利用安装在PRONOSTIA实验台上的水平和垂直加速度传感器采集滚动轴承的振动信号，然后对采集到的振动信号进行低通滤波预处理来排除噪声的干扰；其次，将训练集中的轴承振动信号输入到构建的深度卷积自编码器(Deep convolutionalauto-encoder,DCAE)网络中进行权重迭代更新训练；最后，将测试集中的轴承数据输入到训练好的DCAE网络中进行健康特征指标构建。
进一步，构建的DCAE网络包含有二十七层，具体为：输入层、输出层、十三个卷积层(C1-C13)、六个池化层(P1-P6)和六个上采样层(U1-U6)。
进一步，构建的DCAE网络具体结构为：假设Hp,q表示第q层中第p个数据列，Nq为该数据列的长度；将Hp,q划分为多个其中，L为每个/>的长度，i为序号数；则卷积操作的定义为：
其中，*表示一维卷积，wk,p,q为权重矩阵，bp,q为偏置矩阵，为卷积后的结果，s表示非线性激活函数；
经过卷积操作后，对卷积结果进行最大池化操作，最大池化操作的定义为：
其中，Lp为池化长度，为第m层中第n个数据列中第i点的池化结果。
进一步，将预处理后的原始振动信号s＝[s1 s2 … sN]输入到构建好的DCAE网络中，利用构建好的标签L＝[l1 l2 … lN]对DCAE网络进行迭代更新训练；目标函数为：
其中，L'＝[l′1 l′2 … l'N]为编码器的输出，y＝[y1 y2 … yN]为解码器的输出，w为比例系数，N为样本长度，si表示预处理后的第i个原始振动信号。
本发明的有益效果在于：本发明能够在没有先验知识的情况下充分利用原始振动信号中的信息来自动的构建滚动轴承的健康特征指标，相比于现有模型，其构建的健康特征指标更加优越，进而提高轴承剩余寿命预测的精度。
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为本发明的滚动轴承健康指标构建方法流程图；
图2为DCAE神经网络结构图；
图3为DCAE神经网络具体参数结构图；
图4为PRONOSTIA试验台的简化结构图；
图5为对不同工况下测试集中轴承的健康特征指标构建结果图；
图6为采用不同方法构建的测试集轴承的三个评价指标结果图；
图7为采用不同方法对不同工况构建的测试集轴承的综合指标结果图。
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。
请参阅图1～图7，图1为本发明提供的基于DCAE神经网络的轴承健康特征指标构建方法的流程图，该方法的具体步骤如下：
步骤1：通过加速度传感器采集轴承全生命周期中的振动信号。假设x＝[x1 x2 …xN]表示轴承的原始振动信号，N为样本长度，其中，M为每个样本中的采样点数。
步骤2：利用低通滤波预处理方法来排除原始振动信号中的噪声的干扰，获得预处理后的原始振动信号s＝[s1 s2 … sN]，其中，
步骤3：通过二次函数f(x)＝-(1/N2*x2)+1来构建标签L＝[l1 l2 … lN]，使其能够确保构建的健康特征指标的趋势符合轴承的退化趋势。
步骤4：构建深度卷积自编码器网络(Deep convolutional auto-encoder,DCAE),输入层单元数为M，编码器最后一层单元数为1，输出层单元数为M。
步骤5：将预处理后的原始振动信号s＝[s1 s2 … sN]输入到构建好的DCAE网络中，利用构建好的标签对DCAE网络进行迭代更新训练。目标函数为其中，L'＝[l′1 l′2 … l'N]为编码器的输出，y＝[y1 y2 … yN]为解码器的输出，w为比例系数。
步骤6：经过多次迭代训练，误差曲线趋于稳定，DCAE网络训练完成，训练好的DCAE网络将用于测试集轴承的健康特征指标构建。
步骤7：同理，将测试轴承的原始振动信号经过低通滤波预处理，得到z＝[z1 z2 …zK]；并将z输入到训练好的DCAE网络中，获得编码器输出h＝[h1 h2 … hK]，即测试轴承的健康特征指标。其中，K为测试集的样本长度，
上述步骤4中，构建的DCAE神经网络模型是在普通三层卷积自编码器的基础上增加网络的层数构成的深度卷积自编码器，其结构如图2所示，具体参数结构如图3所示。DCAE网络包含二十七层：输入层、输出层、十三个卷积层(C1-C13)、六个池化层(P1-P6)、六个上采样层(U1-U6)。
假设Hp,q表示第q层中第p个数据列，Nq为该数据列的长度；将Hp,q划分为多个其中，L为每个/>的长度，i为序号数；则卷积操作的定义为：
其中，*表示一维卷积，wk,p,q为权重矩阵，bp,q为偏置矩阵，为卷积后的结果，s表示非线性激活函数；
经过卷积操作后，对卷积结果进行最大池化操作，最大池化操作的定义为：
其中，Lp为池化长度，为第m层中第n个数据列中第i点的池化结果。
实验：
本次实验采用的轴承数据来自PRONOSTIA试验台，该试验台简化结构如图4所示。PRONOSTIA试验台主要由旋转部分、加载部分及测量部分组成。旋转部分主要包括电机、加速器、齿轮箱及相应的转轴四部分，轴承的转速和方向可以通过人为对电机的设定。加载部分是试验台的重要组成部分，该部分为了加速轴承的衰退过程，达到缩短其寿命周期的目的，对滚动轴承的径向载荷不断增加直至达到轴承的最大额定值。测量部分利用加速度传感器和温度传感器来测量轴承的振动信号和温度两种状态指标。加速度传感器可以测量水平和垂直方向的加速度，采样频率为25.6kHz，采样间隔时间为10s，采样时间为0.1s。温度传感器的采样频率为10Hz。
三个工况下训练集和测试集的划分如表1所示。
表1不同工况下轴承训练集和测试集的划分
对不同工况下测试集中轴承的健康特征指标构建结果图5所示，五个轴承的样本数分别为2761，2325，1420，687，425，对应图5(a)～图5(e)。
对比实验：
为了充分的证明本发明的优势，从单调性、相关性、鲁棒性三个评价指标出发，分别与现有的健康特征指标构建模型进行对比。对比结果如图6所示，图6(a)～图6(e)分别表示不同健康特征指标构建模型下测试轴承健康特征指标的单调性、相关性、鲁棒性。同时，为了更加全面的评价提取的健康特征指标，运用一个综合指标来对不同特征指标构建方法提取的健康特征指标进行评价。对比结果如图7所示。从图6和图7可以看出DCAE神经网络比现有的模型更具有优越性，单调性、时间相关性更好，综合指标也更高。
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 (1)
1.一种基于深度卷积自编码器神经网络的滚动轴承健康指标构建方法，其特征在于，该方法是将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：
S1：利用加速度传感器采集滚动轴承全生命周期中的振动信号；假设x＝[x1 x2…xN]表示轴承的原始振动信号，N为样本长度，其中，M为每个样本中的采样点数；
S2：对采集到的振动信号进行低通滤波预处理来排除噪声的干扰，获得预处理后的原始振动信号s＝[s1 s2…sN]，其中，
S3：通过二次函数f(x)＝-(1/N2*x2)+1来构建标签L＝[l1 l2…lN]，使其能够确保构建的健康特征指标的趋势符合轴承的退化趋势；
S4：构建深度卷积自编码器神经网络，入层单元数为M，编码器最后一层单元数为1，输出层单元数为M；
步骤S4中，构建的深度卷积自编码器神经网络包含有二十七层，具体为：输入层、输出层、十三个卷积层、六个池化层和六个上采样层；
构建的深度卷积自编码器神经网络具体结构为：假设Hp,q表示第q层中第p个数据列，Nq为该数据列的长度；将Hp,q划分为多个其中，L为每个/>的长度，i为序号数；则卷积操作的定义为：
其中，*表示一维卷积，wk,p,q为权重矩阵，bp,q为偏置矩阵，为卷积后的结果，s表示非线性激活函数；
经过卷积操作后，对卷积结果进行最大池化操作，最大池化操作的定义为：
其中，Lp为池化长度，为第m层中第n个数据列中第i点的池化结果；
S5：将预处理后的原始振动信号s＝[s1 s2…sN]输入到构建好的深度卷积自编码器神经网络中，利用构建好的标签L＝[l1 l2…lN]对深度卷积自编码器神经网络进行迭代更新训练；目标函数为：
其中，L'＝[l'1 l'2…l'N]为编码器的输出，y＝[y1 y2…yN]为解码器的输出，w为比例系数，N为样本长度，si表示预处理后的第i个原始振动信号；
S6：经过多次迭代训练，误差曲线趋于稳定，深度卷积自编码器神经网络训练完成，训练好的深度卷积自编码器神经网络将用于测试集轴承的健康特征指标构建；
S7：同理，将测试轴承的原始振动信号经过低通滤波预处理，得到z＝[z1 z2…zK]；并将z输入到训练好的深度卷积自编码器神经网络中，获得编码器输出h＝[h1 h2…hK]，即测试轴承的健康特征指标；其中，K为测试集的样本长度，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210629.0A CN112347898B (zh) | 2020-11-03 | 2020-11-03 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210629.0A CN112347898B (zh) | 2020-11-03 | 2020-11-03 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112347898A CN112347898A (zh) | 2021-02-09 |
| CN112347898B true CN112347898B (zh) | 2024-04-09 |
Family
ID=74356858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011210629.0A Active CN112347898B (zh) | 2020-11-03 | 2020-11-03 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347898B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926505B (zh) * | 2021-03-24 | 2022-11-11 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
| CN113092115B (zh) * | 2021-04-09 | 2022-10-11 | 重庆大学 | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 |
| CN113125095B (zh) * | 2021-04-19 | 2022-03-22 | 河北工业大学 | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 |
| CN112966400B (zh) * | 2021-04-23 | 2023-04-18 | 重庆大学 | 一种基于多源信息融合的离心风机故障趋势预测方法 |
| CN113255209B (zh) * | 2021-04-27 | 2022-06-07 | 燕山大学 | 一种齿轮箱轴承剩余寿命的预测方法 |
| CN113505535B (zh) * | 2021-07-08 | 2023-11-10 | 重庆大学 | 基于门控自适应分层注意力单元网络的电机寿命预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
| CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
| CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN110672323A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
| CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| CN111504680A (zh) * | 2020-04-30 | 2020-08-07 | 东华大学 | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 |
| CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
| CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
| CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11188065B2 (en) * | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
-
2020
- 2020-11-03 CN CN202011210629.0A patent/CN112347898B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
| CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
| CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
| CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
| CN110672323A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
| CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
| CN111504680A (zh) * | 2020-04-30 | 2020-08-07 | 东华大学 | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 |
| CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
| CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Health indicator construction by quadratic function-based deep convolutional auto-encoder and its application into bearing RUL prediction;Dingling Chen等;ISA Transactions;20201230;第44-56页 * |
| Intelligent fault diagnosis of rolling bearing via deep layerwise feature extraction using deep belief network;Tongyang Pan等;IEEE xplore;20181231;第 509-514页 * |
| 水润滑橡胶轴承动态刚度和阻尼测试方法研究;秦毅 等;四川大学学报（工程科学版）;20140531;第46卷(第3期);第193-198页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112347898A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112347898B (zh) | 一种基于dcae神经网络的滚动轴承健康指标构建方法 | |
| CN111581892B (zh) | 基于gdau神经网络的轴承剩余寿命的预测方法 | |
| CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
| CN111595583B (zh) | 基于gau神经网络的轴承剩余寿命的预测方法 | |
| CN107991097A (zh) | 一种基于多尺度符号动力学熵的轴承故障诊断方法 | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN113095413A (zh) | 变工况故障诊断方法、系统、存储介质及设备 | |
| CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN111562109A (zh) | 一种机械设备深度学习状态识别与诊断方法 | |
| CN110887664B (zh) | 建立轴承故障识别模型的方法和装置 | |
| Yu et al. | Fault diagnosis of rolling element bearing using multi-scale Lempel-Ziv complexity and mahalanobis distance criterion | |
| CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
| CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
| CN114021275A (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 |
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 |