CN112378660A - 一种基于数据驱动的航空发动机轴承智能故障诊断方法 - Google Patents
一种基于数据驱动的航空发动机轴承智能故障诊断方法 Download PDFInfo
- Publication number
- CN112378660A CN112378660A CN202011176396.7A CN202011176396A CN112378660A CN 112378660 A CN112378660 A CN 112378660A CN 202011176396 A CN202011176396 A CN 202011176396A CN 112378660 A CN112378660 A CN 112378660A
- Authority
- CN
- China
- Prior art keywords
- neural network
- bearing
- convolutional neural
- fault diagnosis
- data
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 8
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于数据驱动的航空发动机轴承智能故障诊断方法,将卷积神经网络与支持向量机相结合,提出一种基于数据驱动的航空发动机轴承故障诊断方法;卷积神经网络的具体结构设计,对惩罚因子、核函数、隐藏层神经元、最优的网络深度等超参数进行调整;对原始的CWRU数据集进行预处理,并对每种类别的数据进行分割处理,以得到用于训练模型参数的训练集和评价模型准确性的测试集。本发明可以达到较高的识别准确率,为进一步开展人工智能技术与航空发动机轴承故障诊断的联合研究提供了一定的经验,同时本发明也具有一定的实际工程应用价值。
Description
技术领域
本发明属于航空发动机轴承故障诊断方法,涉及一种基于数据驱动的航空发动机轴承智能故障诊断方法。
背景技术
航空发动机作为飞机心脏为其提供前进的动力,一旦发生故障将会造成机毁人亡的重大事故,而轴承作为其核心部件,决定着发动机的性能,也直接影响发动机的使用寿命。在航空发动机实际工作中,其运行环境非常恶劣,长期高温、高压、高转速的极端条件使得发动机轴承故障的可能性越来越大。因此针对航空发动机轴承开展故障检测与诊断研究可以有效减少发动机故障率,对飞行器的安全飞行具有重要意义。
由于航空发动机轴承在转动过程中产生的信号属于非平稳信号,同时也是典型的小样本问题,在这样的信号上进行分析并提取能体现轴承健康特征的信息,从而进行故障模式的判定具有一定的挑战。目前工程上主流采用的固有时间尺度、最小熵解卷积、频谱分析、快速谱峭度图、共振解调等现代信号处理方法。
当前针对轴承信号的处理大都基于已知的理论推论和分析,从获取的轴承信号中提取能够表示故障发生与否的特征量,传统的方法在实验环境和模型结构较为简单的情况下,基本上能够达到工程上的要求。但是滚动轴承的振动信号由于经历复杂传递路径所带来的干扰,往往造成故障信息淹没在背景噪声和干扰之中,从而使信号特征提取变得异常困难。而如何克服这种在实际条件下未知不确定因素的干扰,也正是轴承故障诊断算法的改进方向。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于数据驱动的航空发动机轴承智能故障诊断方法
技术方案
一种基于数据驱动的航空发动机轴承智能故障诊断方法,其特征在于步骤如下:
步骤1:对轴承故障信号x(n)做归一化处理:
其中:mean(x(n))为x(n)的均值,std(x(n))为x(n)的标准差;
步骤2:利用短时傅里叶变换STFT对轴承故障信号x(n)进行时频特征分析获得时频图;
其中:g(n)为窗函数;
步骤3:对获得的时频图做边缘剪裁和下采样处理以满足卷积神经网络处理的像素,作为模型训练和测试的数据集;
步骤4:将模型训练的数据集作为CNN-SVM模型的输入,得到训练好的卷积神经网络;
所述卷积神经网络的主体采用LeNet-5网络,整个网络利用Adam优化器,在LeNet-5网络最后两个全连接层的后面进一步添加dropout层防止过拟合,将提取到的轴承故障特征输入到支持向量机进行最后的分类判别,CNN-SVM模型结构参数为:
步骤5:将测试数据集输入训练好的卷积神经网络,实现航空发动机轴承故障与否有着良好的诊断。
有益效果
本发明提出的一种基于数据驱动的航空发动机轴承智能故障诊断方法,将卷积神经网络与支持向量机相结合,提出一种基于数据驱动的航空发动机轴承故障诊断方法;卷积神经网络的具体结构设计,对惩罚因子、核函数、隐藏层神经元、最优的网络深度等超参数进行调整;对原始的CWRU数据集进行预处理,并对每种类别的数据进行分割处理,以得到用于训练模型参数的训练集和评价模型准确性的测试集。
本发明将卷积神经网络与支持向量机相结合,利用卷积神经网络强大的特征提取能力对实测轴承故障信号进行处理,可以达到较高的识别准确率,为进一步开展人工智能技术与航空发动机轴承故障诊断的联合研究提供了一定的经验,同时本发明也具有一定的实际工程应用价值。
附图说明
图1:航空发动机轴承故障诊断流程图
图2:CNN-SVM模型结构
图3:训练损失曲线
图4:正确率曲线
具体实施方式
现结合实施例、附图对本发明作进一步描述:
航空发动机轴承故障诊断的流程如图1所示,接下来对每个模块的重点步骤进行详细解释。
1)时频分析
a)轴承故障信号预处理
为了便于利用短时傅里叶变换(STFT)对轴承故障信号x(n)进行时频特征分析,对x(n)做归一化处理,如下式所示:
其中mean(x(n))为x(n)的均值,std(x(n))为x(n)的标准差。
b)短时傅里叶变换(STFT,Short time Fourier TransForm)
短时傅里叶变换在信号时域加窗函数,并通过移动窗函数进行傅里叶变换以获得信号的时变频率特性。STFT定义如下式所示:
其中:y(n)为经过归一化的轴承故障信号,g(n)为窗函数。
通过上式对y(n)做短时傅里叶变换获得时频图,然后对获得的时频图做边缘剪裁和下采样处理以达到卷积神经网络可以处理的像素大小。
2)卷积神经网络和支持向量机
卷积神经网络的主体采用LeNet-5网络,并进行了网络改进,同时整个网络利用Adam优化器,在LeNet-5网络最后两个全连接层的后面进一步添加dropout层防止过拟合,将提取到的轴承故障特征输入到支持向量机进行最后的分类判别。
CNN-SVM模型结构如图2所示:输入图像大小为128*128的3通道RGB图像,卷积层C1的滤波器大小为5*5,输出为32通道,步长为1,经过卷积层1获得大小为32*128*128的特征层,再通过2*2的最大池化层P1获得32*64*64的特征层,之后进入第二个卷积层,卷积层C2的滤波器大小为5*5,输入为32通道,输出为16通道,步长为1,上一个特征层经过卷积层2获得大小为16*64*64的特征层,之后再进入2*2 的最大池化层P2获得16*32*32的特征层,后面是两个全连接层分别是16384*128,128*64,将提取到的特征64维特征作为SVM的输入,SVM的核函数采用高斯核函数,经过测试,确定惩罚因子C=7.62、核参数γ=2.67。网络参数如表1所示。
表1 CNN-SVM模型结构参数
3)训练集和测试集数据获取
本文选取CWRU滚动轴承数据集中负载为2hp(马力)、采样率为48k的驱动端故障数据验证算法的准确性。在进行轴承故障数据采集时,试验人员为模拟真实的轴承故障状态,分别在轴承滚动体、外圈和内圈利用电火花加工直径大小分别为 0.007inch,0.014inch,0.021inch的损伤,这3个不同的缺陷位置与3种不同的故障直径大小组成了9种轴承故障类型,加上轴承正常工作状态一共有十种模式需要识别。对每种状态的原始数据每次截取1024个数据点,截取步长为1024。一共截取1000个样本数据,此时共获取10000组数据。对裁剪得到的轴承信号进行归一化处理,并利用短时傅里叶变换得到对应的图像数据,建立用于模型训练和测试的数据集。按照训练集:测试集=4:1的比例对其进行划分,可得到8000张训练样本与2000张测试样本,具体的数据集如表1(应为表2)所示:
表2负载为2hp,采样率为48k的驱动端故障数据集
4)数据训练与测试结果分析
图3是学习率设为0.00001,经过500次迭代的训练损失曲线。为防止训练过拟合,在全连接层之后设置了dropout层,将dropout的值设为0.5。图4是学习率设为0.00001,经过500次迭代的故障诊断正确率变换曲线。从图中可以看出,在训练集和测试集故障诊断准确率均可达到99%以上,分类效果较好,说明该模型对于航空发动机轴承故障与否有着良好的诊断能力。
本方案提出了一种将短时傅里叶时频分析、CNN特征提取和多分类SVM相结合的航空发动机轴承故障诊断模型。在搭建的模型中,时频分析模块可以用小波变换、 Wiger-Ville分布、S变换以及广义S变换进行尝试,特征提取模块可以利用其它的神经网络结构如循环神经网络(RNN)、对抗神经网络(GAN),最后的分类模块可以用其它的机器学习算法如决策树、朴素贝叶斯、逻辑回归等进行探索。
Claims (1)
1.一种基于数据驱动的航空发动机轴承智能故障诊断方法,其特征在于步骤如下:
步骤1:对轴承故障信号x(n)做归一化处理:
其中:mean(x(n))为x(n)的均值,std(x(n))为x(n)的标准差;
步骤2:利用短时傅里叶变换STFT对轴承故障信号x(n)进行时频特征分析获得时频图;
其中:g(n)为窗函数;
步骤3:对获得的时频图做边缘剪裁和下采样处理以满足卷积神经网络处理的像素,作为模型训练和测试的数据集;
步骤4:将模型训练的数据集作为CNN-SVM模型的输入,得到训练好的卷积神经网络;
所述卷积神经网络的主体采用LeNet-5网络,整个网络利用Adam优化器,在LeNet-5网络最后两个全连接层的后面进一步添加dropout层防止过拟合,将提取到的轴承故障特征输入到支持向量机进行最后的分类判别,CNN-SVM模型结构参数为:
步骤5:将测试数据集输入训练好的卷积神经网络,实现航空发动机轴承故障与否有着良好的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011176396.7A CN112378660A (zh) | 2020-10-28 | 2020-10-28 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011176396.7A CN112378660A (zh) | 2020-10-28 | 2020-10-28 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112378660A true CN112378660A (zh) | 2021-02-19 |
Family
ID=74576300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011176396.7A Pending CN112378660A (zh) | 2020-10-28 | 2020-10-28 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112378660A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282000A (zh) * | 2021-04-30 | 2021-08-20 | 科华数据股份有限公司 | 数据中心的故障诊断方法、装置及动环监控系统 |
CN113379030A (zh) * | 2021-05-19 | 2021-09-10 | 北京创安恒宇科技有限公司 | 一种基于多维安全控制措施模型识别的比对方法 |
CN113537044A (zh) * | 2021-07-14 | 2021-10-22 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
CN113902745A (zh) * | 2021-12-10 | 2022-01-07 | 山东捷瑞数字科技股份有限公司 | 基于图像处理的商用车变速箱精准故障识别方法及装置 |
CN114169385A (zh) * | 2021-09-28 | 2022-03-11 | 北京工业大学 | 基于混合数据增强的mswi过程燃烧状态识别方法 |
CN115083395A (zh) * | 2022-08-23 | 2022-09-20 | 聊城大学 | 基于卷积神经网络与支持向量机的发动机声音检测系统 |
CN117091848A (zh) * | 2023-10-20 | 2023-11-21 | 潍柴动力股份有限公司 | 一种基于声信号的发动机异响识别方法、装置及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN110108486A (zh) * | 2018-01-31 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及系统 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111707472A (zh) * | 2020-06-08 | 2020-09-25 | 王萌 | 基于fft和全连接层-svm的滚动轴承故障诊断方法 |
-
2020
- 2020-10-28 CN CN202011176396.7A patent/CN112378660A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN110108486A (zh) * | 2018-01-31 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及系统 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
CN111707472A (zh) * | 2020-06-08 | 2020-09-25 | 王萌 | 基于fft和全连接层-svm的滚动轴承故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
刘炳集 等: "基于时频图和CNN的滚动轴承故障诊断", 《南昌航空大学学报:自然科学版》, vol. 32, no. 2 * |
李恒 等: "基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法", 《振动与冲击》, vol. 37, no. 19 * |
胡晓依 等: "基于CNN-SVM的深度卷积神经网络轴承故障识别研究", 《振动与冲击》 * |
胡晓依 等: "基于CNN-SVM的深度卷积神经网络轴承故障识别研究", 《振动与冲击》, vol. 38, no. 18, 31 December 2019 (2019-12-31), pages 174 - 177 * |
饶雷等: "基于CNN-SVM和特征融合的齿轮箱故障诊断", 《组合机床与自动化加工技术》 * |
饶雷等: "基于CNN-SVM和特征融合的齿轮箱故障诊断", 《组合机床与自动化加工技术》, no. 08, 31 August 2020 (2020-08-31) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282000A (zh) * | 2021-04-30 | 2021-08-20 | 科华数据股份有限公司 | 数据中心的故障诊断方法、装置及动环监控系统 |
CN113379030A (zh) * | 2021-05-19 | 2021-09-10 | 北京创安恒宇科技有限公司 | 一种基于多维安全控制措施模型识别的比对方法 |
CN113537044A (zh) * | 2021-07-14 | 2021-10-22 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
CN113567131B (zh) * | 2021-07-29 | 2024-05-03 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
CN114169385A (zh) * | 2021-09-28 | 2022-03-11 | 北京工业大学 | 基于混合数据增强的mswi过程燃烧状态识别方法 |
CN114169385B (zh) * | 2021-09-28 | 2024-04-09 | 北京工业大学 | 基于混合数据增强的mswi过程燃烧状态识别方法 |
CN113902745A (zh) * | 2021-12-10 | 2022-01-07 | 山东捷瑞数字科技股份有限公司 | 基于图像处理的商用车变速箱精准故障识别方法及装置 |
CN115083395A (zh) * | 2022-08-23 | 2022-09-20 | 聊城大学 | 基于卷积神经网络与支持向量机的发动机声音检测系统 |
CN117091848A (zh) * | 2023-10-20 | 2023-11-21 | 潍柴动力股份有限公司 | 一种基于声信号的发动机异响识别方法、装置及系统 |
CN117091848B (zh) * | 2023-10-20 | 2024-02-20 | 潍柴动力股份有限公司 | 一种基于声信号的发动机异响识别方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
CN110595775B (zh) | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
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 | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
Yuan et al. | Intelligent fault diagnosis of rolling element bearings based on HHT and CNN | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN106650071A (zh) | 用于滚动轴承智能故障诊断的方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
CN113962264A (zh) | 一种基于深度学习的航空发动机转子系统故障诊断算法 | |
CN112070104A (zh) | 主变压器局部放电识别方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
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 | |
CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
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 | |
Yi et al. | A bearing fault diagnosis method based on an improved depth residual network | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN113869358A (zh) | 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法 | |
Sun et al. | Fault diagnosis of planetary gearbox based on signal denoising and convolutional neural network | |
Zhao et al. | A fault diagnosis approach for rolling element bearing based on S-transform and artificial neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |