CN112487890B - 一种基于并行稀疏滤波的轴承声信号故障诊断方法 - Google Patents
一种基于并行稀疏滤波的轴承声信号故障诊断方法 Download PDFInfo
- Publication number
- CN112487890B CN112487890B CN202011285521.8A CN202011285521A CN112487890B CN 112487890 B CN112487890 B CN 112487890B CN 202011285521 A CN202011285521 A CN 202011285521A CN 112487890 B CN112487890 B CN 112487890B
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- fault
- sparse filtering
- acoustic signal
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
Abstract
本发明提供了一种基于并行稀疏滤波的轴承声信号故障诊断方法,A、建立用于故障诊断结果的分类样本:选取若干不同健康状态的轴承作为训练样本,对各种状况轴承署名相应状况标签,通过非接触式的声传感器采集不同状况轴承旋转时的声信号;采用固定步长的卷积操作对声信号样本做逐步取段处理,组成训练样本集;将训练样本集输入并行稀疏滤波模型中训练出权值矩阵;将所有提取的最终特征及其相应状况标签,输入到softmax分类器中得出用于故障诊断结果的分类样本;B、对检测工件进行状况类型诊断:将检测样本通过softmax回归模型与全部分类样本进行一一对照拟合,对比出最相似的分类样本,相应的状况标签即为检测样本的状况类型。
Description
技术领域
本发明涉及旋转机械振动信号的故障诊断技术,特别是一种基于并行稀疏滤波的轴承声信号故障诊断方法。
背景技术
旋转机械在现代工业生产中起着重要的作用。轴承作为主要的旋转部件,在连续工作状态下容易发生故障,对设备造成损坏,造成经济损失或人员伤亡。为了保证机械的稳定运行,避免故障的发生,智能故障诊断引起了广泛的关注。
在这些方法中,振动信号可以清晰地描述故障特征,因此经常被许多学者分析。基于振动信号的技术称为接触式故障诊断技术。振动信号的分析需要正确安装加速度传感器,这就要求传感器的位置不能发生过大改变,否则就不能准确地诊断出故障。声信号是一种非接触信号,广泛应用于振动信号难以测量的场合。声信号的采集相对简单,不需要预先粘贴传感器。因此,在不影响设备的正常工作的同时,也容易实现故障的早期预测和在线监测。然而传声器测得的声信号通常含有大量的环境噪声。也就是说,表示机器运行状态的有用信号被环境噪声污染了。因此,有效的特征提取是基于声学信号进行故障诊断的关键。
稀疏表示是特征提取过程中的一个重要原则,为了准确地识别不同类型的故障,所期望的特征分布必须表现出种群稀疏性和存在稀疏性。稀疏滤波是一种以优化特征的稀疏分布为目标的有效的无监督学习方法,在接触式的故障诊断中得到了广泛应用。然而通过声学信号很难达到较高的精度。此外,稀疏滤波需要先对特征矩阵的每一行进行归一化,然后再对每一列进行列归一化。这可能会导致一些固有特性的泄漏,也就是说一些特征应该保留在列规范化中,但是通过行规范化被规范化为零。
综上所述,轴承声信号是一种噪声成分更复杂的信号。因此,如何通过更加先进的信号处理技术对声信号的噪声进行有效抑制,提取稀疏特征,是当前故障诊断领域中的热点和难点问题。因此开展非接触式的轴承声信号的智能故障诊断技术是一项急迫发展,也是十分具有挑战的技术。
发明内容
本发明的目的是针对现有的技术存在上述问题,提出了一种通过两种不同的归一化方向相结合,以保留更多的输入信息,优化特征提取的基于并行稀疏滤波的轴承声信号故障诊断方法。
本发明的目的可通过下列技术方案来实现:一种基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,包括以下内容:
A、建立用于故障诊断结果的分类样本:
1)、选取若干不同健康状态的轴承作为训练样本,对各种状况轴承署名相应状况标签,通过非接触式的声传感器采集不同状况轴承旋转时的声信号;
2)、采用固定步长的卷积操作对声信号样本做逐步取段处理,组成训练样本集;
3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W;
a、训练样本集矩阵的第一个方向化为:先行至列,再列至行,将其中每个训练样本按L2范数归一化,即
其中,i表示矩阵的第i列,j表示矩阵的第j行;
b、训练样本集矩阵的第二个方向化为:先列至行,再行至列,将其中每个训练样本按L2范数归一化,即
其中,i表示矩阵的第i列,j表示矩阵的第j行;
c、利用L1惩罚对归一化特征进行稀疏性优化,即
其中,N表示样本维度;
d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值:
其中,λ≥0控制两项之间的权重;
其中,ε=1×10-8;
5)、样本的最终特征fi通过使用全局平均池化来组合局部特征获得,即
6)、将所有提取的最终特征fi及其相应状况标签,输入到softmax分类器中得出用于故障诊断结果的分类样本;
B、对检测工件进行状况类型诊断:
1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号;
2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理,组成检测样本集;
3)、按照步骤A中3)至5),采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习,并对学习到的特征进行取平均值;
4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合,对比出与检测样本最相似的分类样本,与该分类样本相应的状况标签即为检测样本的状况类型。
在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中,设定yi∈{1,2,...,k}为含有k个类型的标签集,p(yi=j|x)为每一个样本的条件概率;设定函数用于计算归于每一个分类样本j的概率,输出hθ(xi)为一个k维向量:
其中m为训练样本个数,λ为权重惩罚项,用于对较大值的参数进行惩罚,并通过全局优化达到更高的精度。
在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中,采用L-BFGS算法对目标函数进行优化,梯度函数为:
在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中,轴承的不同健康状态包括正常、滚珠故障、内圈故障、外圈故障,其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度:0.2mm、0.4mm、0.6mm。
在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中,轴承由转速为1500r/min的电机驱动旋转。
在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中,对轴承的数据采样频率为25.6kHz,每种状况包含100个样本,每个样本包含1200个数据点。
在上述的基于并行稀疏滤波的轴承声信号故障诊断方法中,通过卷积取段法从训练样本中采集Z段信号,这些分段组成训练集其中是第j个取段包含Nin个数据点,Nin用于表示稀疏滤波的输入维数,Nout表示输出维数。
8、如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,选择100作为并行稀疏滤波的输入和输出维数,设置卷积尺寸为100、卷积步长为10,对每个样本采集100段。
与现有技术相比,本基于并行稀疏滤波的轴承声信号故障诊断方法具有以下优点:
本发明直接采用并行稀疏滤波网络从轴承的声信号中自动提取故障的稀疏特征,并基于该故障特征对轴承的健康状况进行智能诊断,消除了声信号的噪声成分对特征提取的影响,学习到更加稀疏的特征向量,更有利于进行故障识别和分类,精准智能地实现了声信号下轴承的故障诊断,拥有处理声信号下轴承故障诊断问题的优越性能。
附图说明
图1是本发明的方法流程图。
图2是本发明中并行稀疏滤波的算法结构图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
如图1和图2所示,本基于并行稀疏滤波的轴承声信号故障诊断方法,包括以下内容:
A、建立用于故障诊断结果的分类样本:
1)、选取若干不同健康状态的轴承作为训练样本,对各种状况轴承署名相应状况标签,不同健康状态包括正常、滚珠故障、内圈故障、外圈故障,其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度:0.2mm、0.4mm、0.6mm。通过非接触式的声传感器采集不同状况轴承在电机转速1500r/min下的声信号;其数据的采样频率为25.6kHz,每种状况包含100个样本,每个样本包含1200个数据点。
2)、采用固定步长的卷积操作对声信号样本做逐步取段处理,组成训练样本集;通过卷积取段法从训练样本中采集Z段信号,这些分段组成训练集其中是第j个取段包含Nin个数据点,Nin用于表示稀疏滤波的输入维数,Nout表示输出维数。具体选择100作为并行稀疏滤波的输入和输出维数,设置卷积尺寸为100、卷积步长为10,对每个样本采集100段。
3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W;
a、训练样本集矩阵的第一个方向化为:先行至列,再列至行,将其中每个训练样本按L2范数归一化,即
其中,i表示矩阵的第i列,j表示矩阵的第j行;
b、训练样本集矩阵的第二个方向化为:先列至行,再行至列,将其中每个训练样本按L2范数归一化,即
其中,i表示矩阵的第i列,j表示矩阵的第j行;
c、利用L1惩罚对归一化特征进行稀疏性优化,即
其中N表示样本维度;
d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值:
其中,λ≥0控制两项之间的权重;
其中,ε=1×10-8;
5)、样本的最终特征fi通过使用全局平均池化来组合局部特征获得,即
6)、将所有提取的最终特征fi及其相应状况标签,输入到softmax分类器中得出用于故障诊断结果的分类样本;
B、对检测工件进行状况类型诊断:
1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号;
2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理,组成检测样本集;
3)、按照步骤A中3)至5),采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习,并对学习到的特征进行取平均值;
4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合,对比出与检测样本最相似的分类样本,与该分类样本相应的状况标签即为检测样本的状况类型。该状况类型包括正常、滚珠故障、内圈故障、外圈故障,其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度:0.2mm、0.4mm、0.6mm。
设定yi∈{1,2,...,k}为含有k个类型的标签集,p(yi=j|x)为每一个样本的条件概率;设定函数用于计算归于每一个分类样本j的概率,输出hθ(xi)为一个k维向量:
其中m为训练样本个数,λ为权重惩罚项,用于对较大值的参数进行惩罚,并通过全局优化达到更高的精度。
采用L-BFGS算法对目标函数进行优化,梯度函数为:
使用本发明方法,可以达到100%的训练准确率和99.03%的测试准确率。为验证本发明方法的有效性,将传统稀疏滤波模型进行对比,比较结果如下表所示:
表1
从表中的对比结果可以看出,传统稀疏滤波方法的训练精度为96.40%,测试精度为92.96%,低于本发明方法的诊断精度。
本发明直接采用并行稀疏滤波网络从轴承的声信号中自动提取故障的稀疏特征,并基于该故障特征对轴承的健康状况进行智能诊断,消除了声信号的噪声成分对特征提取的影响,学习到更加稀疏的特征向量,更有利于进行故障识别和分类,精准智能地实现了声信号下轴承的故障诊断,拥有处理声下轴承故障诊断问题的优越性能。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (8)
1.一种基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,包括以下内容:
A、建立用于故障诊断结果的分类样本:
1)、选取若干不同健康状态的轴承作为训练样本,对各种状况轴承署名相应状况标签,通过非接触式的声传感器采集不同状况轴承旋转时的声信号;
2)、采用固定步长的卷积操作对声信号样本做逐步取段处理,组成训练样本集;
3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W;
a、训练样本集矩阵的第一个方向化为:先行至列,再列至行,将其中每个训练样本按L2范数归一化,即
其中,i表示矩阵的第i列,j表示矩阵的第j行;
b、训练样本集矩阵的第二个方向化为:先列至行,再行至列,将其中每个训练样本按L2范数归一化,即
其中,i表示矩阵的第i列,j表示矩阵的第j行;
c、利用L1惩罚对归一化特征进行稀疏性优化,即
其中,N表示样本维度;
d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值:
其中,λ≥0控制两项之间的权重;
其中,ε=1×10-8;
5)、样本的最终特征fi通过使用全局平均池化来组合局部特征获得,即
6)、将所有提取的最终特征fi及其相应状况标签,输入到softmax分类器中得出用于故障诊断结果的分类样本;
B、对检测工件进行状况类型诊断:
1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号;
2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理,组成检测样本集;
3)、按照步骤A中3)至5),采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习,并对学习到的特征进行取平均值;
4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合,对比出与检测样本最相似的分类样本,与该分类样本相应的状况标签即为检测样本的状况类型。
4.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,轴承的不同健康状态包括正常、滚珠故障、内圈故障、外圈故障,其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度:0.2mm、0.4mm、0.6mm。
5.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,轴承由转速为1500r/min的电机驱动旋转。
6.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,对轴承的数据采样频率为25.6kHz,每种状况包含100个样本,每个样本包含1200个数据点。
8.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法,其特征在于,选择100作为并行稀疏滤波的输入和输出维数,设置卷积尺寸为100、卷积步长为10,对每个样本采集100段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285521.8A CN112487890B (zh) | 2020-11-17 | 2020-11-17 | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285521.8A CN112487890B (zh) | 2020-11-17 | 2020-11-17 | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487890A CN112487890A (zh) | 2021-03-12 |
CN112487890B true CN112487890B (zh) | 2022-03-04 |
Family
ID=74930722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011285521.8A Active CN112487890B (zh) | 2020-11-17 | 2020-11-17 | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487890B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034465B (zh) * | 2021-03-23 | 2023-09-01 | 国网湖南省电力有限公司 | 一种基于红外图像的电力设备热故障监测方法、装置及介质 |
CN113076844B (zh) * | 2021-03-26 | 2022-05-20 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
CN113299298B (zh) * | 2021-05-06 | 2022-09-13 | 成都数联云算科技有限公司 | 残差单元及网络及目标识别方法及系统及装置及介质 |
CN115014765B (zh) * | 2022-07-11 | 2023-04-07 | 浙江大学 | 一种通过声信号提取滚动轴承保持架故障特征的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN108827605A (zh) * | 2018-03-20 | 2018-11-16 | 南京航空航天大学 | 一种基于改进稀疏滤波的机械故障特征自动提取方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
-
2020
- 2020-11-17 CN CN202011285521.8A patent/CN112487890B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN108827605A (zh) * | 2018-03-20 | 2018-11-16 | 南京航空航天大学 | 一种基于改进稀疏滤波的机械故障特征自动提取方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
Non-Patent Citations (3)
Title |
---|
"A SPARSE ADAPTIVE FILTERING USING TIME-VARYING SOFT-THRESHOLDING TECHNIQUES";Yukihiro Murakami等;《ICASSP》;20101231;第3734-3737页 * |
"An intelligent fault diagnosis framework for raw vibration signals: adaptive overlapping convolutional neural network";Weiwei Qian等;《Measurement Science and Technology》;20180803;第1-14页 * |
"深度学习在故障诊断与预测中的应用";余萍;《计算机工程与应用》;20200103;第56卷(第3期);第1-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112487890A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
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 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
CN111222458A (zh) | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 | |
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 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Sun et al. | Curvature enhanced bearing fault diagnosis method using 2D vibration signal | |
Li et al. | An orthogonal wavelet transform-based K-nearest neighbor algorithm to detect faults in bearings | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN113569990A (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 | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN116380466A (zh) | 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240426 Address after: 272000 Wangyin Industrial Park, high tech Zone, Jining City, Shandong Province Patentee after: SHANDONG KEDA ELECTROMECHANICAL TECHNOLOGY CO.,LTD. Country or region after: China Address before: 579 qianwangang Road, Huangdao District, Qingdao City, Shandong Province Patentee before: SHANDONG University OF SCIENCE AND TECHNOLOGY Country or region before: China |