CN112418267B - 一种基于多尺度可视图和深度学习的电机故障诊断方法 - Google Patents
一种基于多尺度可视图和深度学习的电机故障诊断方法 Download PDFInfo
- Publication number
- CN112418267B CN112418267B CN202011106735.4A CN202011106735A CN112418267B CN 112418267 B CN112418267 B CN 112418267B CN 202011106735 A CN202011106735 A CN 202011106735A CN 112418267 B CN112418267 B CN 112418267B
- Authority
- CN
- China
- Prior art keywords
- graph
- fault
- scale
- motor
- visual
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 235000019580 granularity Nutrition 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于多尺度可视图和深度学习的电机故障诊断方法,通过将故障转速加速度时序数据规约成不同粒度的维度特征,得到不同尺度的数据,然后数据转化为多尺度图结构,通过在所生成的图上提取深度特征,并通过Softmax线性分类器训练得到故障分类器,本发明能够同时考虑故障转速加速度信号的全局和局部故障特性,从而实现了高效的电机故障诊断。
Description
技术领域
本发明属于电机运行与分析领域,涉及了一种基于多尺度可视图和深度学习的电机故障诊断方法。
背景技术
随着电力需求的的迅猛发展,国内的发电量需求越来越大,电机已被广泛应用于电厂生产的各个领域。由于电机工作过程中,发生故障或失效的潜在可能性随着运行时间的增长逐渐增大。往往部件的故障就能引起链式反应,导致整个设备系统不能正常运行,甚至瘫痪。因此,提高设备系统的安全性和可靠性已成为刻不容缓的问题,而及时准确地发现电厂电机潜在的或现有的故障正是保证设备安全运行的重要措施,研究不同条件、不同运行状态下电厂电机故障诊断的理论方法和技术策略正是提高设备系统可靠运行的保证。
传统的电机故障诊断方法,需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等,这些前提条件使得传统的电机故障诊断具有相当的局限性。而人工智能控制方法,如神经网络、模糊逻辑、模糊神经和遗传算法等,能够处理传统故障诊断方法所无法解决的问题,具有传统诊断方法无以比拟的优越性,因而使得电机故障诊断的人工智能方法在近几年得到广泛的认可和应用,已被认为是电机诊断技术的重要发展方向。
Hinton等提出了深度学习理论,开启了深度学习在学术界和工业界的浪潮。深度学习可以通过组合低层特征形成更加抽象的高层特征表示,从而发现数据的分布式特征表达。深度学习非线性表达能力强,判别能力好,已经在语音识别、图像识别等领域取得了突破性进展。
对于电厂电机而言,其运行环境和工况复杂多变,存在电气量(各相电压,电流,功率)和非电气量(温度,湿度,振动位移)等高维时间信号,运行模态也不尽相同,与常规信号差异很大,同时,运行状态也没有标签可用,因此要提高电机故障预警的可靠性,不能套用原始的深度学习网络,为此,本专利提出了将故障转速加速度时序序数据做不同粒度的维度规约,得到不同尺度的数据,然后数据转化为多尺度图结构,通过在所生成的图上提取深度特征,并通过Softmax线性分类器训练得到故障分类器,由于该方法能够同时考虑全局(global)和局部(local)故障特性,从而实现了高效的电机故障诊断。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于多尺度可视图和深度学习的电机故障诊断方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于多尺度可视图和深度学习的电机故障诊断方法,通过将故障转速加速度时序序数据规约不同粒度的维度特征,得到不同尺度的数据,然后数据转化为多尺度图结构,通过在所生成的图上提取深度特征,并通过Softmax线性分类器训练得到故障分类器,具体包括以下步骤:
任意图表示为G=(V,E),V为该图的边的集合,E为该图的边的集合,该图具有n个顶点V=(1,...,n),边e=(i,j)∈E,i∈V,j∈V。
步骤1,获取K电机不同故障类型,并进行标注;
步骤2,对故障进行one-hot编码,得到故障样本的标记y;
步骤3,获取电机不同故障类型下加速度时间序列T=(v1,…,vK),其中K表示故障类型总数,vi为第i种故障的加速度序列;
步骤4,将加速度时间序列划分成训练集和测试集;
步骤5,设延迟步长为τ∈Z,延迟长度为m∈Z,构建多尺度时间序列:
其中,T表示加速度时间序列,Z表示正整数集合;
步骤6,分别对多尺度序列构建可视图,利用可见性图将转速加速度多尺度时间序列转换为图结构。
步骤7,分别找到多尺度序列的可视图所有顶点最大为4的子图;
步骤8,在每个子图中计算子图密度、K核、分类系数以及度的统计量,记这些特征量为xi;
步骤9,构建三层Softmax线性分类器,损失函数为:
其中,
W=(vec(W1),vec(W2),vec(W3),b1,b2,b3),vec表示按列把矩阵拉成向量,σ(·)为神经网络的激活函数,激活函数为Relu函数,R(W)为网络的正则化项,λ=0.1为正则化系数,L表示损失函数,yi表示第i种故障状态的one-hot编码,fi表示分类器的中间层的输出层结果,j=1,2,W1、W2、W表示第一层、第二层和最后一层的权重值,b1、b2、b3表示第一层、第二层和最后一层的偏置值,xi表示分类器的中间层的输入;
优选的:步骤6中,将故障转速加速度时间序列中的每个点都被视为垂直的矩形,其高度是相应的数值;每个时间步均是图形中的顶点,则如果垂直矩阵的顶部彼此可见,则连接两个顶点,即从两个条的顶部开始存在一条直线,且与其他矩形不相交,则可视图表示为G=(V,E),该图具有n个顶点V=(1,...,n),V为该图的边的集合,E为该图的边的集合,边e=(i,j)∈E当且仅当对i<k<j,1≤i,j≤n使其中,i∈V,j∈Vk∈V;
优选的:步骤8中子图密度计算公式如下:
其中,p表示图密度,|E|表示图的边数,|V|表示图的顶点数。
优选的:步骤8中分类系数计算公式如下:
其中,r表示分类系数,ax和by分别代表在顶点处以x和y开头和终止的边的比例,而exy是分类性的度量,σa,σb是分布ax和by的标准偏差。
优选的:步骤8中可视图G=(V,E)的K核是最大子图H=(V',E'),其中每个顶点具有至少为K的度数,该特征是连通子图的内聚性度量。
优选的:步骤8中度统计包括每个顶点的最大、最小和平均度。
优选的:步骤9中Softmax线性分类器的每层的节点数为50-100-20。。
本发明相比现有技术,具有以下有益效果:
本发明能够同时考虑全局(global)和局部(local)故障特性,从而实现了高效的电机故障诊。
附图说明
附图1-可视图构建过程;
附图2-最大节点数为4的子图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于多尺度可视图和深度学习的电机故障诊断方法,如图1、2所示,设有时间长度为N的电机运行转速加速度原始信号。
为了利用图论作为表征故障时间序列的一种方法,本专利利用可见性图将转速加速度时间序列转换为图结构。通过将故障转速加速度时间序列中的每个点都被视为垂直的矩形,其高度是相应的数值。考虑由这些矩阵组成的图时,很容易从其他矩形图的顶部看到矩形的顶部。假设每个时间步均是图形中的顶点,则如果垂直矩阵的顶部彼此可见,则连接两个顶点,即从两个条的顶部开始存在一条直线,且与其他矩形不相交,具体的,给定时间序列T=(v1,...,vn),其可视图表示为G=(V,E),该图具有n个顶点V=(1,...,n)。边e=(i,j)∈E当且仅当对i<k<j(1≤i,j≤n),使
由于时间序列可视图始终处于连接状态,图中的簇将始终与原始时间序列的子序列相对应,图中的小图是整个图形中的子图,具有周期性且具有统计意义,可以表征电机不同故障下加速度的特征。但由于子图的数量随可视图的大小呈指数增加,因此,本专利通过顶点数为小于等于4的的子图上提取深度特征,所提取的特征如下:
特征1:
子图密度,即边数与所有可能边数之比,计算公式如下:
特征2:
K核,即图G=(V,E)的K核是最大子图H=(V',E'),其中每个顶点具有至少为K的度数,该特征是连通子图的内聚性度量。
特征3:
分类系数,即通过计算连接的成对顶点之间的度的皮尔逊相关程度系数来测量图中顶点的相关性,其计算公式如下:
其中ax和by分别代表在顶点处以x和y开头和终止的边的比例,而exy是分类性的度量,σa,σb是分布ax和by的标准偏差。
特征4:
度统计,即包括每个顶点的最大,最小和平均度。
电机故障转速加速度时间序列数据的特征差异很大,具体取决于如何捕获,采样和应用目的:在故障中,全局特征可能会有所帮助,而在另一种故障中,局部特征对于分类而言可能变得更加重要,为解决这个问题,本专利利用多尺度可见度图表示,以便将每个时间序列转换为一组降维近似值,具体过程如下:
设故障转速加速度时间序列为T=(v1,...,vk),设延迟步长为τ∈Z,延迟长度为m∈Z,构建新的多尺度时间序列:
这样即构建了多个不同时间序列,可以构建不同的可视图,然后提取不同的故障特征,然后将不同的可视图作为Softmax线性分类器的输入,通过对不同的故障样本进行训练即可得到故障分类器。
综上,本专利的电机故障诊断方法流程如下:
1、获取K电机不同故障类型,并进行标注,如内圈故障、外圈故障、转轴故障等。
2、对故障进行one-hot编码,得到故障样本的标记y。
3、获取电机不同故障类型下转速加速度样本T=(v1,...,vN)。
4、将转速加速度划分成训练集和测试集,两者比例为7:3。
5、设置设延迟步长为τ∈Z,延迟长度为m∈Z,构建如下多尺度序列:
6、分别对多尺度序列构建可视图。
7、分别找到多尺度序列的可视图所有顶点最大为4的子图。
8、在每个子图中计算子图密度、K核、分类系数以及度的统计量,记这些特征量为x。
9、构建三层Softmax线性分类器,每层的节点数为50-100-20,,损失函数为:
其中W=(vec(W1),vec(W2),vec(W3),b1,b2,b3),vec表示按列把矩阵拉成向量,σ(·)为神经网络的激活函数,本专利的激活函数为/>R(W)=||W||2为网络的正则化项,λ=0.1为正则化系数。
10、将某故障对应的转速加速度训练样本和标签输入Softmax线性分类器,并采用随机梯度下降算法训练网络直至收敛。
11、在测试集上测试所训练的Softmax线性分类器的性能。如果测试集上精度高于95%,网络训练结束。否则返回步骤10继续训练,直至测试集精度高于95%。
12、获取待诊断电机运行加速度时间序列,将待诊断电机运行加速度时间序列导入训练好的分类器中进行分类诊断。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于,包括以下步骤:
步骤1,获取电机K种不同故障类型,并进行标注;
步骤2,对每一种故障进行one-hot编码,得到故障样本的标记y;
步骤3,获取电机不同故障类型下加速度时间序列T=(v1,...,vK),其中K表示故障类型总数,vi为第i种故障的加速度序列;
步骤4,将故障转速加速度时间序列按7:3划分成训练集和测试集;
步骤5,设延迟步长为τ∈Z,延迟长度为m∈Z,构建如下多尺度时间序列:
其中,T表示加速度时间序列,Z表示正整数集合,取τ=4;
步骤6,分别对多尺度序列构建可视图,将转速加速度多尺度时间序列转换为图结构;
步骤7,分别找到多尺度序列的可视图所有顶点最大为4的子图;
步骤8,在每个子图中计算子图密度、K核、分类系数以及度,并记为xi;
步骤9,构建三层Softmax线性分类器,损失函数L为:
其中,
W=(vec(W1),vec(W2),vec(W3),b1,b2,b3),vec表示按列把矩阵拉成向量,σ(·)为Relu函数,R(W)为网络的正则化项,λ=0.1为正则化系数,yi表示第i种故障状态的one-hot编码,fi表示分类器的中间层的输出层结果,W1,W2,W3表示第一层、第二层和最后一层的权重值,b1、b2、b3表示第一层、第二层和最后一层的偏置值,xi表示分类器的中间层的输入;
步骤10,将某故障类型对应的转速加速度训练样本和标签输入Softmax线性分类器,并采用随机梯度下降算法训练网络直至收敛;
步骤11,在测试集上测试所训练的Softmax线性分类器的性能;如果测试集上精度高于95%,网络训练结束;否则返回步骤10继续训练,直至测试集精度高于95%;
步骤12,实时故障诊断阶段,获取待诊断电机运行加速度时间序列,将待诊断电机运行加速度时间序列导入训练好的分类器中进行分类诊断。
2.根据权利要求1所述基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于:步骤8中子图密度计算公式如下:
其中,p表示图密度,|E|表示图的边数,|V|表示图的顶点数。
3.根据权利要求2所述基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于:
步骤6中分别对多尺度序列构建可视图,将转速加速度多尺度时间序列转换为图结构的方法:故障转速加速度多尺度时间序列中的每个点都被视为垂直的矩形,其高度是相应的数值;每个时间步均是图形中的顶点,则如果垂直矩阵的顶部彼此可见,则连接两个顶点,即从两个条的顶部开始存在一条直线,且与其他矩形不相交,则可视图表示为G=(V,E),该图具有n个顶点V=(1,...,n),V为该图的边的集合,E为该图的边的集合,边e=(i,j)∈E当且仅当对i<k<j,1≤i,j≤n使
其中,i∈V,j∈V,k∈V。
4.根据权利要求3所述基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于:
步骤8中分类系数计算公式如下:
其中,r表示分类系数,ax和by分别代表在顶点处以x和y开头和终止的边的比例,而exy是分类性的度量,σa,σb是分布ax和by的标准偏差。
5.根据权利要求4所述基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于:步骤8中可视图G=(V,E)的K核是最大子图H=(V',E'),其中每个顶点具有至少为K的度数,该特征是连通子图的内聚性度量。
6.根据权利要求5所述基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于:步骤8中度统计包括每个顶点的最大、最小和平均度。
7.根据权利要求6所述基于多尺度可视图和深度学习的电机故障诊断方法,其特征在于:步骤9中Softmax线性分类器的每层的节点数为50-100-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106735.4A CN112418267B (zh) | 2020-10-16 | 2020-10-16 | 一种基于多尺度可视图和深度学习的电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106735.4A CN112418267B (zh) | 2020-10-16 | 2020-10-16 | 一种基于多尺度可视图和深度学习的电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418267A CN112418267A (zh) | 2021-02-26 |
CN112418267B true CN112418267B (zh) | 2023-10-24 |
Family
ID=74855018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011106735.4A Active CN112418267B (zh) | 2020-10-16 | 2020-10-16 | 一种基于多尺度可视图和深度学习的电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418267B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935351B (zh) * | 2021-11-22 | 2023-12-19 | 山西警察学院 | 一种非接触式振动频率检测与正反转识别的系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
CN106096650A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于收缩自编码器的sar图像分类方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN108388651A (zh) * | 2018-02-28 | 2018-08-10 | 北京理工大学 | 一种基于图核和卷积神经网络的文本分类方法 |
CN109615116A (zh) * | 2018-11-20 | 2019-04-12 | 中国科学院计算技术研究所 | 一种电信诈骗事件检测方法和检测系统 |
CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
CN111458145A (zh) * | 2020-03-30 | 2020-07-28 | 南京机电职业技术学院 | 一种基于路图特征的缆车滚动轴承故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11853903B2 (en) * | 2017-09-28 | 2023-12-26 | Siemens Aktiengesellschaft | SGCNN: structural graph convolutional neural network |
CN110132554B (zh) * | 2019-04-17 | 2020-10-09 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN110361176B (zh) * | 2019-06-05 | 2021-11-19 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN111103139A (zh) * | 2019-12-31 | 2020-05-05 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
-
2020
- 2020-10-16 CN CN202011106735.4A patent/CN112418267B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105910827A (zh) * | 2016-04-25 | 2016-08-31 | 东南大学 | 基于判别性卷积特征学习的感应电机故障诊断方法 |
CN106096650A (zh) * | 2016-06-12 | 2016-11-09 | 西安电子科技大学 | 基于收缩自编码器的sar图像分类方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN108388651A (zh) * | 2018-02-28 | 2018-08-10 | 北京理工大学 | 一种基于图核和卷积神经网络的文本分类方法 |
CN109615116A (zh) * | 2018-11-20 | 2019-04-12 | 中国科学院计算技术研究所 | 一种电信诈骗事件检测方法和检测系统 |
CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
CN111458145A (zh) * | 2020-03-30 | 2020-07-28 | 南京机电职业技术学院 | 一种基于路图特征的缆车滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Extracting Statistical Graph Features for Accurate and Efficient Time Series Classification;Daoyuan Li 等;《21st International Conference on Extending Database Technology》;1-12 * |
基于时序数据的设备故障检测与故障因子分析 方法研究;关凤伟;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;I138-1033 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418267A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
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 | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Wang et al. | Convolutional neural network-based hidden Markov models for rolling element bearing fault identification | |
Zhao et al. | Deep multi-scale adversarial network with attention: A novel domain adaptation method for intelligent fault diagnosis | |
Xie et al. | End to end multi-task learning with attention for multi-objective fault diagnosis under small sample | |
Yang et al. | Interpretability of deep convolutional neural networks on rolling bearing fault diagnosis | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
Rengasamy et al. | Deep learning approaches to aircraft maintenance, repair and overhaul: A review | |
Miao et al. | A novel real-time fault diagnosis method for planetary gearbox using transferable hidden layer | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN112418267B (zh) | 一种基于多尺度可视图和深度学习的电机故障诊断方法 | |
Ge et al. | A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
Zhang et al. | MS-TCN: A multiscale temporal convolutional network for fault diagnosis in industrial processes | |
Zhang et al. | Few-shot bearing fault diagnosis based on meta-learning with discriminant space optimization | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
Wang et al. | An imbalanced semi-supervised wind turbine blade icing detection method based on contrastive learning | |
Xu et al. | A broad learning model guided by global and local receptive causal features for online incremental machinery fault diagnosis | |
Zhang et al. | Transformer-enabled cross-domain diagnostics for complex rotating machinery with multiple sensors | |
CN115664970A (zh) | 基于双曲空间的网络异常点检测方法 | |
Zhang et al. | A Flexible Monitoring Framework via Dynamic-Multilayer Graph Convolution Network | |
Wang et al. | Few‐shot multiscene fault diagnosis of rolling bearing under compound variable working conditions | |
CN115184015A (zh) | 自适应参数高斯卷积核神经网络的滚动轴承故障诊断方法 |
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 |