CN112446326A - 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 - Google Patents

基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 Download PDF

Info

Publication number
CN112446326A
CN112446326A CN202011353822.XA CN202011353822A CN112446326A CN 112446326 A CN112446326 A CN 112446326A CN 202011353822 A CN202011353822 A CN 202011353822A CN 112446326 A CN112446326 A CN 112446326A
Authority
CN
China
Prior art keywords
convolution
rewinding
pump
dimensional
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
Application number
CN202011353822.XA
Other languages
English (en)
Other versions
CN112446326B (zh
Inventor
罗能
彭翠云
刘才学
黄彦平
何攀
杨泰波
段智勇
艾琼
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.)
Nuclear Power Institute of China
Original Assignee
Nuclear Power Institute of China
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 Nuclear Power Institute of China filed Critical Nuclear Power Institute of China
Priority to CN202011353822.XA priority Critical patent/CN112446326B/zh
Publication of CN112446326A publication Critical patent/CN112446326A/zh
Application granted granted Critical
Publication of CN112446326B publication Critical patent/CN112446326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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 Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明公开了基于深度复卷积网络的屏蔽泵故障模式识别方法及系统，该方法包括：S1：采样屏蔽泵运转时的初始数据，即屏蔽泵运转时的屏蔽泵上下部分的振动传感器数据；S2：把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中进行模型训练；S3：采用训练好的模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。本发明所构建模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K‑MaxPooling层来实现。本发明屏蔽泵故障模式识别精度高，效率高。

Description

基于深度复卷积网络的屏蔽泵故障模式识别方法及系统
技术领域
本发明涉及屏蔽泵故障模式识别技术领域，具体涉及基于深度复卷积网络的屏蔽泵故障模式识别方法及系统。
背景技术
随着工业规模的不断扩大，现代系统设备故障发生数量和严重程度都有一定攀升，给机械设备实时监测和故障智能化诊断提出了迫切的需求。早期故障智能化诊断主要是通过传统特征提取方法，如傅里叶变换、小波变换等变换核函数
Figure BDA0002802047390000014
将故障的原始空间变换x到特征空间
Figure BDA0002802047390000011
在特征空间上利用智能分类算法，对机械设备故障进行诊断，公式为：
Figure BDA0002802047390000012
Figure BDA0002802047390000013
由于这种方法结果准确性比较依赖于特征空间提取的完备性，需要一定的人类知识的积累和特征量筛选，筛选结果同时也具有一定主观性，因此专家知识和特征筛选工作量是该方法继续发展的主要瓶颈。
深度学习提出了一种端到端的学习范式，即不通过中间的特征提取过程，直接由原始数据通过预先定义好的深度学习网络层，最终直接获得模式识别结果。但是当前大多数故障模式识别领域的深度学习网络层是从其他领域移植过来，通过盲目调整参数或者自适应寻优方式对深度学习网络进行优化，使之适应当前故障模式识别任务。但是该方法仍然存在参数寻优的工作量大或者调参盲目的缺点，导致对屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
因此，我们亟待一种用于屏蔽泵故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测。
发明内容
本发明所要解决的技术问题是现有技术中针对屏蔽泵故障模式识别方法中，人工识别方法主观性强，工作量大；传统深度学习的屏蔽泵故障模式识别方法基于参数寻优的工作量大或者调参盲目导致对屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。本发明目的在于提供基于深度复卷积网络的屏蔽泵故障模式识别方法及系统，本发明的屏蔽泵故障模式识别方法采用一种无需提取特征、参数寻优具有方向性的深度学习的故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测，降低模型训练的难度，从而解决传统基于机器学习的故障诊断特征空间建立困难以及现有基于深度学习的故障模式识别调参难度大、盲目性弊端而到导致的屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
本发明通过下述技术方案实现：
基于一维深度复卷积网络的屏蔽泵故障模式识别方法，该方法包括以下步骤：
S1：采样屏蔽泵运转时的初始数据，所述初始数据为屏蔽泵运转时的屏蔽泵上下部分的振动传感器数据；
S2：根据采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
S3：采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。
工作原理是：基于现有技术中针对屏蔽泵故障模式识别方法中，人工识别方法主观性强，工作量大；传统深度学习的屏蔽泵故障模式识别方法基于参数寻优的工作量大或者调参盲目导致对屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。本发明设计了一种基于一维深度复卷积网络的屏蔽泵故障模式识别方法，首先，对屏蔽泵运转时的屏蔽泵上下部分的振动数据进行采集，作为下一步模型的训练数据及测试数据；其次，构建基于一维深度复卷积网络的屏蔽泵深度学习模型，并采用上述采集的振动传感器数据输入到该模型中进行模型训练；尤其在此过程中，相比传统基于机器学习的故障模式识别思想，本发明所构建的维深度复卷积网络的屏蔽泵深度学习模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型；最后，采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。
本发明方法流程合理，屏蔽泵故障模式识别精度高，效率高，且能够快速实现。本发明识别方法的过程中，提供了一种无需提取特征、参数寻优具有方向性的深度学习的故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测，降低模型训练的难度，从而解决传统基于机器学习的故障诊断特征空间建立困难以及现有基于深度学习的故障模式识别调参难度大、盲目性弊端而到导致的屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
进一步地，步骤S1中所述屏蔽泵上下部分的振动传感器采用5个加速度传感器，所述5个加速度传感器均匀布置于所述屏蔽泵上下导轴承附近的外围耐压壳上，且所述5个加速度传感器采集的采样率为50000Hz，采样长度为1s。
进一步地，基于屏蔽泵额定转速为3000r/min，其基础频率为50Hz，通过对屏蔽泵原始数据的频域特性进行分析，其分析范围为25Hz～10000Hz，进而步骤S1中采样屏蔽泵运转时的初始数据，其中采样频率为50000Hz。
进一步地，步骤S2中构建基于一维深度复卷积网络的屏蔽泵深度学习模型，采用上述采集的运动传感器数据输入到该模型中进行模型训练；在此过程中，相比传统基于机器学习的故障模式识别思想，本发明所构建的维深度复卷积网络的屏蔽泵深度学习模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型；具体地：步骤S2中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
S21：通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果，实现基函数的自适应选择；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出1个实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
S22：采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
S23：利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
具体地：
(1)一维复卷积层
一维复卷积层主要采用在卷积层的过滤器个数进行翻倍，利用一半的卷积过滤器表示实卷积核A，利用一半的卷积过滤器表示虚卷积核B，总的卷积核W＝A+jB，当卷积层输入表示为v＝x+jy，x为输入的实部，y为输入的虚部。因此复卷积操作可以表示为：
Figure BDA0002802047390000031
式中，Re(W*v)是卷积核操作后的实部，Im(W*v)是卷积核操作后的虚部。
(2)复K-MaxPooling层
目前比较成熟的深度卷积模型如AlexNet、VGG等在1～2步卷积操作之后往往要跟上池化操作，一方面为了对数据进行降维，提高卷积网络感受野，另一方面也是为了对卷积获取的特征中的噪声成分进行抑制，通过平均或最大化方式，消除原始信号中不同强度噪声的干扰。但是池化层在处理过程中，位置靠的比较近显著特征容易被湮没，容易损失信息，同时池化层输出特征的长度比较依赖于原始数据长度和池化核大小以及池化方式，不利于后续浅层机器学习的输入。在自然语言处理领域提出了一种K-MaxPooling的思想，它主要是在全局特征空间上选择最显著的K个特征，与传统池化层比，该方法能标准化池化层输出，减少相邻特征信息的丢失。但是该方法一方面主要应用在实数领域，没有扩展到复数域中，另一方面该方法无法获悉特征的位置信息。
本发明借鉴SegNet提出的返回池化索引思想，提出一种复K-MaxPooling层，作为复卷积层的自适应特征筛选操作。主要想法是对于复卷积网络的输出值In由实-虚通道x+jy转换为幅度-相位rejθ形式，对In求取幅度r最大的K个索引，根据索引返回对应的K个幅度r和相位θ，最终将幅度、相位以及索引组合输出结果Out。
步骤S22中所述复K-MaxPooling层的执行过程如下：
步骤1：划分实-虚通道x,y＝split(In,axis＝′channel_axis′)；
步骤2：实-虚通道转换为幅度-相位形式，
Figure BDA0002802047390000041
步骤3：选择幅度最大的K个索引
Figure BDA0002802047390000042
步骤4：根据K索引，返回索引对应的幅度和相位
{r}k＝r[{index}k]；{θ}k＝θ[{index}k]；
步骤5：将幅度、相位和索引连接起来，作为复K-MaxPooling层的输出
Out＝concat([{r}k,{θ}k,{index}k],axis＝′channel_axis′)。
其中，x，y分别是原始输入In的实部和虚部，r，θ分别是原始输入In的幅值和相位，index为最大幅值对应的索引值。
进一步地，所述基于一维深度复卷积网络的屏蔽泵深度学习模型的构建过程还包括参数选择，所述参数选择的方法采用以下策略：
根据信号采样定律，工程中要求选择采样频率为信号分析频率的(2.5～5)倍，即：
fs≥(2.5～5)fmax
但是在卷积网络训练中，本发明不需要精确知道每个特征频率对应的幅值信息，只用确保经过卷积运算之后所获得的特征信息能将所有分类完全区分开。
假定原始信号长度为N，信号采样率为fs，卷积核长度为n，定义S＝{ei|i∈[1,n]}为Hilbert空间Cn上定义的完备正交三角基，对于任意卷积核W∈Cn，有：
W＝∑<W，ei>ei
因此，对于原始信号的卷积操作可以看成是由多个不同时窗长度的三角基函数与原始信号进行卷积操作结果的加权和。
Figure BDA0002802047390000051
式中
Figure BDA0002802047390000052
为原始数据的傅里叶变换，
Figure BDA0002802047390000053
为原始数据的傅里叶逆变换，
Figure BDA0002802047390000054
相当于在不同频域位置的脉冲峰。因此原始信号的卷积操作结果表示原始信号和卷积核的时频信息的相关性。
为了将所有类完全分开，需要不同类的卷积操作结果不同，即确定一个分析频率范围，使得各个类与类之间频域差异大。根据屏蔽泵设备特点及故障响应，我们往往能够得出我们需要重点关注的频率段的频率范围(fmin,fmax)，因此需要卷积核的频域范围能够囊括分析频段的频率范围。结合原始信号的采样频率fs和卷积参数性质，可以确定卷积核长度(size)、步长(stride)和卷积空洞率(dilation_rate)。
首先，卷积步长相当于对原始信号的卷积结果进行降采样，因此步长(stride)的选择对卷积核的时频信息影响不大，但是由于对卷积结果进行降采样将会损失一部分信息，在工程背景下的原始信号一般包含噪声，频域信息不再聚集，因此需要尽可能保留原有信息，使步长为1。
其次，空洞卷积是在保持原有卷积核参数数目的基础上，通过在卷积核之间扩充零的方式提升卷积核的感受野，但是另一方面，扩充零后相当于对原始信号进行降采样，因此，为了保证信号最高分析频率，需要对卷积空洞率(dilation_rate)进行限制，即：
Figure BDA0002802047390000055
最后，卷积核长度与正交三角基除了零频率外的最低分析频率有关，同时由于卷积核中可以有一位或几位为零，因此卷积核的分析频率范围为
Figure BDA0002802047390000056
空洞卷积的引入后，卷积核长度n相当于变为(size-1)×dilation_rate+1，因此，为了保证信号最低分析频率，需要对卷积空洞率(dilation_rate)和核长度(size)进行限制，即：。
Figure BDA0002802047390000057
卷积通道数主要考虑最终分类的类别个数，考虑到不同的类别对应的卷积核的形状不同，通道数目(filters)需要大于分类的类别个数numclass。
filters≥numclass
复K-MaxPooling层的提取特征数目K通常需要考虑每一种卷积核进行卷积变换所需要的特征数目，通常每个卷积通道计算特征提取(5～10)个。
K＝(5～10)×filters
进一步地，通过上述参数选择方法得到的所述基于一维深度复卷积网络的屏蔽泵深度学习模型的参数为：卷积核长度取1000，步长取1，卷积空洞率取2；卷积核通道数取20，提取特征数取100。
进一步地，通过python+tensorflow深度学习框架将训练好的所述基于一维深度复卷积网络的屏蔽泵深度学习模型保存为模型文件，封装至python程序模块中。
另一方面，本发明还提供了基于一维深度复卷积网络的屏蔽泵故障模式识别系统，该系统支持所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，该系统包括：
采集及输入单元，用于采样屏蔽泵运转时的初始数据，并输出至处理单元中；
处理单元，用于根据所述采集及输入单元采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
识别单元，用于采用所述处理单元训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式；
输出及显示单元，用于输出所述识别单元识别出的屏蔽泵的14类故障种类和损伤程度模式，并进行显示。
进一步地，所述处理单元中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果，实现基函数的自适应选择；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出1个实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明构建基于一维深度复卷积网络的屏蔽泵深度学习模型的过程中，相比传统基于机器学习的故障模式识别思想，本发明将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型。
2、本发明方法能有效利用深度学习端到端学习的优势，避免了特征提取以及筛选过程中的复杂尝试过程以及完备的专业知识，同时避免了参数调整的盲目性，最终在屏蔽泵故障模式识别过程中准确率达到99.90％±0.03％。
3、本发明方法流程合理，屏蔽泵故障模式识别精度高，效率高，且能够快速实现。本发明识别方法的过程中，提供了一种无需提取特征、参数寻优具有方向性的深度学习的故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测，降低模型训练的难度，从而解决传统基于机器学习的故障诊断特征空间建立困难以及现有基于深度学习的故障模式识别调参难度大、盲目性弊端而到导致的屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于一维深度复卷积网络的屏蔽泵故障模式识别方法流程图。
图2为传统机器学习诊断方法思想示意图。
图3为本发明屏蔽泵故障模式识别方法中使用的一维复卷积网络诊断方法思想示意图。
图4为本发明一维复卷积网络诊断方法网络结构图。
图5为本发明一维复卷积网络训练过程误差及准确率趋势图。
图6为本发明一维复卷积网络预测结果混淆矩阵图。
图7为本发明编写的核反应堆屏蔽泵故障模式智能识别软件。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”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，因此不能理解为对本发明保护范围的限制。
实施例1
如图1至图7所示，本发明基于一维深度复卷积网络的屏蔽泵故障模式识别方法，该方法包括以下步骤：
S1：采样屏蔽泵运转时的初始数据，所述初始数据为屏蔽泵运转时的屏蔽泵上下导轴承的运动传感器数据；
S2：根据采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
S3：采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。本实施例识别出屏蔽泵的14类故障种类和损伤程度模式见表1所示。
本实施例中，屏蔽泵原始数据分析：
(1)屏蔽泵故障源项分析
屏蔽泵与常见电机泵相比，屏蔽泵是全密封结构，其叶轮与转子共用同一个轴上，由上下导轴承及上下推力轴承共4个轴承支撑。导轴承及推力轴承在正常运行或安装异常状态下造成的磨损，给屏蔽泵正常运转带来挑战。同时由于屏蔽泵长期工作在高温、高压、腐蚀的环境下，屏蔽泵的旋转件和静止件容易产生变形，且由于存在加工或安装误差，使叶轮转动受阻，给屏蔽泵的运转埋了一定隐患。第三屏蔽泵的转子和定子都由耐腐蚀材料的屏蔽套包裹，定子屏蔽套与转子屏蔽套之间的间隙非常小，并且屏蔽套都非常薄，在运行过程中，一旦定子或转子鼓包，导致屏蔽套刮磨，严重的情况会使屏蔽套磨穿导致定子转子短路，使电机烧毁。
综上所述，屏蔽泵的主要故障集中在轴承部件磨损、动静部件变形以及屏蔽套磨损，本发明主要是对上述故障种类和损伤程度开展模式识别，主要故障种类和损伤程度模式如表1所示，共14类，利用本发明构建的基于一维深度复卷积网络的屏蔽泵深度学习模型实现数据特征的自适应提取和模式的自动化分类。
表1屏蔽泵主要故障种类和损伤程度模式
序号 状态种类 故障程度
00 正常
10 下导轴承均磨 轻度
11 下导轴承均磨 中度
12 下导轴承均磨 重度
20 下止推轴承偏磨 轻度
21 下止推轴承偏磨 中度
22 下止推轴承偏磨 重度
30 屏蔽套刮磨 轻度
31 屏蔽套刮磨 中度
32 屏蔽套刮磨 重度
41 口环刮磨 中度
42 口环刮磨 重度
51 转子偏心 中度
52 转子偏心 重度
因此，本实施例步骤S1中采集是采用5个加速度传感器，所述5个加速度传感器均匀布置于所述屏蔽泵上下导轴承的外围耐压壳上，后后续识别模型训练及测试使用，且所述5个加速度传感器采集的是5组一维数据。
(2)采集参数分析：基于屏蔽泵额定转速为3000r/min，其基础频率为50Hz，通过对屏蔽泵原始数据的频域特性进行分析，需要分析的屏蔽泵的频率范围为25Hz～10000Hz，根据步骤S1中采样屏蔽泵运转时的初始数据，其中采样频率为50000Hz。
本实施例中，步骤S2中构建基于一维深度复卷积网络的屏蔽泵深度学习模型，如图4所示，图4为一维复卷积网络诊断方法网络结构图，采用上述采集的运动传感器数据输入到该模型中进行模型训练；在此过程中，相比传统基于机器学习的故障模式识别思想，本发明所构建的维深度复卷积网络的屏蔽泵深度学习模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型；具体地：步骤S2中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
S21：通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果，实现基函数的自适应选择；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出1个实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
S22：采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
S23：利用展平层(即图4中的Flattern层)和批归一化层(即图4中的BatchNormalization层)将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
本实施例模型输入为5个通道，每个通道50000个点的二维数据，输出层为14个点的一维数据。
具体地：步骤S22中所述复K-MaxPooling层的执行过程如下：
步骤1：划分实-虚通道x,y＝split(In,axis＝′channel_axis′)；
步骤2：实-虚通道转换为幅度-相位形式，
Figure BDA0002802047390000101
步骤3：选择幅度最大的K个索引
Figure BDA0002802047390000102
步骤4：根据K索引，返回索引对应的幅度和相位{r}k＝r[{index}k]；{θ}k＝θ[{index}k]；
步骤5：将幅度、相位和索引连接起来，作为复K-MaxPooling层的输出
Out＝concat([{r}k,{θ}k,{index}k],axis＝′channel_axis′)。
其中，x，y分别是原始输入In的实部和虚部，r，θ分别是原始输入In的幅值和相位，index为最大幅值对应的索引值。
本实施例中，所述基于一维深度复卷积网络的屏蔽泵深度学习模型的构建过程还包括参数选择，所述参数选择的方法采用以下策略：
对于一维复卷积网络参数包括卷积核相关参数、卷积通道数、复K-MaxPooling层的提取特征数目。
卷积核相关参数主要考虑被测信号的频率分析范围，根据屏蔽泵设备特点及故障响应，我们往往能够得出我们需要重点关注的频率段的频率范围(fmin,fmax)以及采样频率fs，根据采样定律确定卷积核长度(size)、步长(stride)和卷积空洞率(dilation_rate)。
Figure BDA0002802047390000103
Figure BDA0002802047390000104
式中，fΔ为fmin和fmax的最大公约数。
卷积通道数主要考虑最终分类的类别个数，考虑到不同的类别对应的卷积核的形状不同，通道数目(filters)需要大于分类的类别个数numclass。
filters≥numclass
复K-MaxPooling层的提取特征数目K通常需要考虑每一种卷积核进行卷积变换所需要的特征数目，通常每个卷积通道计算特征提取(5～10)个。
K＝(5～10)×filters
本实施例中，通过上述参数选择方法得到的所述基于一维深度复卷积网络的屏蔽泵深度学习模型的参数为：卷积核的步长取1，卷积空洞率取
Figure BDA0002802047390000111
长度取
Figure BDA0002802047390000112
卷积核通道数取20，提取特征数取100(20×5)。
本实施例中，将屏蔽泵故障模式采集的数据按照7：3比例划分为训练集和测试集，其中训练集用于训练模型，测试集用于验证模型的准确率，同时再将训练集按照5：2的比例划分为模型训练集和模型验证集，模型训练集用于训练模型，改变模型权重，模型验证集用于验证模型预测准确率，辅助调整模型参数。本项目未涉及参数调整，直接将模型训练集和模型验证集灌入一维复卷积网络模型中，模型训练完成后利用测试集进行测试。
多次重复上述过程，最终在模型验证集上，模型准确率达到99.99％±0.01％，在测试数据集上，模型准确率达到99.90％±0.03％，模型训练过程中误差(loss)以及准确率(accuracy)变化如图5所示，图5中val_loss为验证误差，val_accuracy为验证准确率；图5中的横坐标代表训练的迭代次数；模型最终混淆矩阵如图6所示。
本实施例中，通过python+tensorflow深度学习框架将训练好的所述基于一维深度复卷积网络的屏蔽泵深度学习模型保存为模型文件，封装至python程序模块中；并利用数据采集软件labview将实时采集相同采样率和相同时间长度的数据灌入至封装好的python程序模块，最终测出诊断结果，返回labview进行实时显示，实现故障模式实时智能诊断功能。
实施时：本发明设计了一种基于一维深度复卷积网络的屏蔽泵故障模式识别方法，首先，采集屏蔽泵运转时的屏蔽泵上下导轴承的运动传感器数据，作为下一步模型的训练数据及测试数据；其次，构建基于一维深度复卷积网络的屏蔽泵深度学习模型，并采用上述采集的运动传感器数据输入到该模型中进行模型训练；尤其在此过程中，如图2、图3所示，图2为传统机器学习诊断方法思想示意图，图3为本发明屏蔽泵故障模式识别方法中使用的一维复卷积网络诊断方法思想示意图，相比传统基于机器学习的故障模式识别思想，本发明所构建的维深度复卷积网络的屏蔽泵深度学习模型中，将求特征的内积变换步骤转换为一维复卷积层，实现基函数的自适应选择；同时将特征筛选过程利用复K-MaxPooling层来实现，同样使用传统的浅层神经网络加softmax激活函数，对特征空间进行有监督分类，从而最终获取智能化故障诊断模型；最后，采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。
本发明方法流程合理，屏蔽泵故障模式识别精度高，效率高，且能够快速实现。本发明识别方法的过程中，提供了一种无需提取特征、参数寻优具有方向性的深度学习的故障模式识别方法，实现对屏蔽泵故障模式的智能化、自动化监测，降低模型训练的难度，从而解决传统基于机器学习的故障诊断特征空间建立困难以及现有基于深度学习的故障模式识别调参难度大、盲目性弊端而到导致的屏蔽泵故障模式识别不精准，效率不高，工作难度大等问题。
实施例2
如图1至图6所示，本实施例与实施例1的区别在于，本实施例提供了基于一维深度复卷积网络的屏蔽泵故障模式识别系统，该系统支持实施例1所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，该系统包括：
采集及输入单元，用于采样屏蔽泵运转时的初始数据，并输出至处理单元中；
处理单元，用于根据所述采集及输入单元采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
识别单元，用于采用所述处理单元训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式；
输出及显示单元，用于输出所述识别单元识别出的屏蔽泵的14类故障种类和损伤程度模式，并进行显示。
本实施例中，所述处理单元中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果，实现基函数的自适应选择；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出1个实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
本发明基于一维深度复卷积网络的屏蔽泵故障模式识别系统中的各个单元的执行流程，按照实施例1中的流程执行即可。在此实施例中不再一一赘述。
本发明系统通过端到端的学习思想，避免了传统机器学习诊断思想中特征提取和特征筛选的复杂过程，同时利用传统机器学习诊断思想中时间分辨率和频率分辨率的概念，提出了一维复卷积网络参数选择的方法，实现了在屏蔽泵故障模式识别14类故障模式，故障模式识别的精准度高。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，该方法包括以下步骤：
S1：采样屏蔽泵运转时的初始数据，所述初始数据为屏蔽泵运转时的屏蔽泵泵壳上下部的振动传感器数据；
S2：根据采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
S3：采用训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式，并输出识别结果进行显示。
2.根据权利要求1所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S1中所述屏蔽泵泵壳上下部分的振动传感器采用5个加速度传感器，所述5个加速度传感器布置于所述屏蔽泵上下导轴承附近的外围耐压壳上。
3.根据权利要求1或2所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S1中采样屏蔽泵运转时的初始数据，其中采样率为50000Hz，采样长度为1s。
4.根据权利要求1所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S2中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
S21：通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
S22：采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
S23：利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
5.根据权利要求4所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，步骤S22中所述复K-MaxPooling层的执行过程如下：
步骤1：划分实-虚通道x,y＝split(In,axis＝′channel_axis′)；
步骤2：实-虚通道转换为幅度-相位形式，
Figure FDA0002802047380000011
步骤3：选择幅度最大的K个索引
Figure FDA0002802047380000021
步骤4：根据K个索引，返回索引对应的幅度和相位
{r}k＝r[{index}k]；{θ}k＝θ[{index}k]；
步骤5：将幅度、相位和索引连接起来，作为复K-MaxPooling层的输出
Out＝concat([{r}k,{θ}k,{index}k],axis＝′channel_axis′)；
其中，x，y分别是原始输入In的实部和虚部，r，θ分别是原始输入In的幅值和相位，index为最大幅值对应的索引值。
6.根据权利要求4所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，所述基于一维深度复卷积网络的屏蔽泵深度学习模型的构建过程还包括参数选择，所述参数选择的方法采用以下策略：
卷积核相关参数主要考虑被测信号的频率分析范围，根据屏蔽泵设备特点及故障响应，得出需要重点关注的频率段的频率范围fmaxmin以及采样频率fs，根据采样定律确定卷积核长度size、步长stride和卷积空洞率dilation_rate；
Figure FDA0002802047380000022
Figure FDA0002802047380000023
卷积通道数主要考虑最终分类的类别个数，考虑到不同的类别对应的卷积核的形状不同，通道数目filters需要大于分类的类别个数numclass，filters≥numclass；
复K-MaxPooling层的提取特征数目K需要考虑每一种卷积核进行卷积变换所需要的特征数目，每个卷积通道计算特征提取5～10个，K＝(5～10)×filters。
7.根据权利要求6所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，所述基于一维深度复卷积网络的屏蔽泵深度学习模型的卷积核长度取1000，步长取1，卷积空洞率取2；卷积核通道数取20，提取特征数取100。
8.根据权利要求1所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，其特征在于，通过python+tensorflow深度学习框架将训练好的所述基于一维深度复卷积网络的屏蔽泵深度学习模型保存为模型文件，封装至python程序模块中。
9.基于一维深度复卷积网络的屏蔽泵故障模式识别系统，其特征在于，该系统支持如权利要求1至8中任意一项所述的基于一维深度复卷积网络的屏蔽泵故障模式识别方法，该系统包括：
采集及输入单元，用于采样屏蔽泵运转时的初始数据，并输出至处理单元中；
处理单元，用于根据所述采集及输入单元采集的屏蔽泵运转时的初始数据，把所述初始数据作为输入参数，输入至基于一维深度复卷积网络的屏蔽泵深度学习模型中，进行模型训练；
识别单元，用于采用所述处理单元训练好的基于一维深度复卷积网络的屏蔽泵深度学习模型，对实时采集的屏蔽泵运转数据进行屏蔽泵故障模式识别，识别出屏蔽泵的14类故障种类和损伤程度模式；
输出及显示单元，用于输出所述识别单元识别出的屏蔽泵的14类故障种类和损伤程度模式，并进行显示。
10.根据权利要求9所述的基于一维深度复卷积网络的屏蔽泵故障模式识别系统，其特征在于，所述处理单元中的基于一维深度复卷积网络的屏蔽泵深度学习模型的执行过程包括：
通过一维复卷积对初始数据进行卷积，提取特征并得到原始数据的复卷积结果；具体地：输入初始数据分别通过单个一维复卷积层进行卷积操作，每个一维卷积通道输出1个实虚通道的复卷积结果，实虚通道的复卷积结果通过极坐标变换层转换为幅值相位通道的复卷积结果；
采用复K-MaxPooling层对所述复卷积结果进行一维复卷积层的自适应特征筛选，得到筛选后的特征提取结果；具体地：利用复K-MaxPooling层提取出复卷积结果中幅值最大的K个特征，并返回其相位和索引信息，得到特征提取结果；
利用展平层和批归一化层将所述特征提取结果转换为标准3K长度的输入数据，灌入浅层机器学习层；其中浅层机器学习层采用全连接神经网络层，输出层采用softmax将结果转换为one-hot编码。
CN202011353822.XA 2020-11-26 2020-11-26 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 Active CN112446326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011353822.XA CN112446326B (zh) 2020-11-26 2020-11-26 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011353822.XA CN112446326B (zh) 2020-11-26 2020-11-26 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统

Publications (2)

Publication Number Publication Date
CN112446326A true CN112446326A (zh) 2021-03-05
CN112446326B CN112446326B (zh) 2022-04-01

Family

ID=74737748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011353822.XA Active CN112446326B (zh) 2020-11-26 2020-11-26 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN112446326B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859145A (zh) * 2022-11-18 2023-03-28 昆山广联发通信服务有限公司 一种基于电梯物联网的故障预测的方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834747A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 基于卷积神经网络的短文本分类方法
CN107133481A (zh) * 2017-05-22 2017-09-05 西北工业大学 基于dcnn‑dnn和pv‑svm的多模态抑郁症估计和分类方法
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
KR101963404B1 (ko) * 2018-06-14 2019-03-28 가천대학교 산학협력단 2-단계 최적화 딥 러닝 방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체 및 딥 러닝 시스템
CN109635677A (zh) * 2018-11-23 2019-04-16 华南理工大学 基于多标签分类卷积神经网络的复合故障诊断方法及装置
CN110610214A (zh) * 2019-09-23 2019-12-24 桂林电子科技大学 基于dcnn的晶圆图故障模式识别方法及系统
CN110852288A (zh) * 2019-11-15 2020-02-28 苏州大学 一种基于两阶段卷积神经网络的细胞图像分类方法
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN111340238A (zh) * 2020-03-12 2020-06-26 中南大学 一种工业系统的故障诊断方法、装置、设备及存储介质
CN111507884A (zh) * 2020-04-19 2020-08-07 衡阳师范学院 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834747A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 基于卷积神经网络的短文本分类方法
CN107133481A (zh) * 2017-05-22 2017-09-05 西北工业大学 基于dcnn‑dnn和pv‑svm的多模态抑郁症估计和分类方法
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
KR101963404B1 (ko) * 2018-06-14 2019-03-28 가천대학교 산학협력단 2-단계 최적화 딥 러닝 방법, 이를 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체 및 딥 러닝 시스템
CN109635677A (zh) * 2018-11-23 2019-04-16 华南理工大学 基于多标签分类卷积神经网络的复合故障诊断方法及装置
CN110610214A (zh) * 2019-09-23 2019-12-24 桂林电子科技大学 基于dcnn的晶圆图故障模式识别方法及系统
CN110852288A (zh) * 2019-11-15 2020-02-28 苏州大学 一种基于两阶段卷积神经网络的细胞图像分类方法
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111046945A (zh) * 2019-12-10 2020-04-21 北京化工大学 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111277312A (zh) * 2020-02-26 2020-06-12 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN111340238A (zh) * 2020-03-12 2020-06-26 中南大学 一种工业系统的故障诊断方法、装置、设备及存储介质
CN111507884A (zh) * 2020-04-19 2020-08-07 衡阳师范学院 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BAGHERI A等: "A robust transform-domain deep convolutional network for voltage dip classification", 《IEEE TRANSACTIONS ON POWER DELIVERY》 *
BODAPATI J D等: "Feature extraction and classification using deep convolutional neural networks", 《JOURNAL OF CYBER SECURITY AND MOBILITY》 *
TRABELSI C等: "Deep complex networks", 《ARXIV:1705.09792V4[CS.NE]》 *
刘子铭等: "基于频域数据注意力机制的核电厂水泵故障模式识别模型研究", 《核动力工程》 *
顾鑫等: "基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究(英文)", 《机床与液压》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859145A (zh) * 2022-11-18 2023-03-28 昆山广联发通信服务有限公司 一种基于电梯物联网的故障预测的方法及系统
CN115859145B (zh) * 2022-11-18 2024-02-20 昆山广联发通信服务有限公司 一种基于电梯物联网的故障预测的方法及系统

Also Published As

Publication number Publication date
CN112446326B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
Surendran et al. Deep learning based intelligent industrial fault diagnosis model.
Lei et al. A review on empirical mode decomposition in fault diagnosis of rotating machinery
CN110595780B (zh) 基于振动灰度图像和卷积神经网络的轴承故障识别方法
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
CN113567131B (zh) 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
CN114705426A (zh) 一种滚动轴承早期故障诊断方法
CN107506710A (zh) 一种滚动轴承复合故障提取方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN112446326B (zh) 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统
CN110398362B (zh) 一种机器人rv减速器故障诊断和定位方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
CN112686181B (zh) 一种基于插值轴心轨迹的水轮机故障诊断方法
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
CN117828350A (zh) 跨工况不平衡数据的轴承故障诊断方法及系统
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
CN114486252B (zh) 一种矢量模极大值包络的滚动轴承故障诊断方法
Li et al. Research on rolling bearing fault diagnosis based on DRS frequency spectrum image and deep learning
CN115326396A (zh) 一种轴承故障的诊断方法及装置
CN112633371A (zh) 一种基于vmd-msst的轴承故障诊断方法
CN117708574B (zh) 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法
Jiang et al. Rolling Bearing Fault Diagnosis
Chen et al. Noise-robust adaptive feature mode decomposition method for accurate feature extraction in rotating machinery fault diagnosis
Zhang et al. A novel weighted sparsity index based on multichannel fused graph spectra for machine health monitoring

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