CN112504678A - 一种基于知识蒸馏的电机轴承故障诊断方法 - Google Patents
一种基于知识蒸馏的电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112504678A CN112504678A CN202011258352.9A CN202011258352A CN112504678A CN 112504678 A CN112504678 A CN 112504678A CN 202011258352 A CN202011258352 A CN 202011258352A CN 112504678 A CN112504678 A CN 112504678A
- Authority
- CN
- China
- Prior art keywords
- frequency
- characteristic
- parameters
- bpo
- bpi
- 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
Links
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
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于知识蒸馏的电机轴承故障诊断方法,包括以下步骤,S1:构建教师网络;S2:构建学生网络;S3训练教师‑学生异构网络。本发明的有益效果是,利用振动信号训练模型做教师模型,利用电流信号和转速信号输入作为学生模型,利用教师模型带来的暗知识,训练学生模式,使得学生模型能稳定收敛,进行有效的诊断。
Description
技术领域
本发明涉及电机领域,具体涉及一种基于知识蒸馏的电机轴承故障诊断方法。
背景技术
电机因为结构简单、使用方便、价位不高、坚固耐用且对各种复杂工况能够进行良好适应等优点,广泛应用于当代社会的生产和生活中。电机的安全运行是工程中非常重要和关键的,在电机故障中,有近乎80%的高几率会体现为轴承故障,占据了很高的比例,所以对电机轴承的运行情况进行准确的诊断,即能解决大部分的电机故障。
电机里面的轴承一般为滚动轴承。仅有不到十分之一的滚动轴承能够使用到既定的年限,大约一半的轴承会因为润滑不足而发生故障,三分之一左右的轴承会因为装配失误而失去作用,剩下的十分之一会因为在制造时便有缺陷或在过载情况下使用等情况得到更换。因此,电机轴承的精确诊断具有非常重要的意义。
在电机轴承故障诊断中,基于振动参数的诊断方法研究较多。基于振动参数的振动方法主要是以电机振动信号为基础,采用时域参数、频域参数、时频参数等为特征参数,方法采用各种机器学习的方法,获得了较好的诊断效果。由于振动信号体现了轴承故障时其动力学的特征,不同的故障对应产生了不同的动态响应,只要选用适当的特征参数,设计可行的诊断模型,就能达到良好的诊断效果;尤其当前深度学习方法可以使得诊断结果达到很高的正确率。
振动法也受到一些限制,如电机处于非常密闭狭小的空间,安装传感器不便,且需要另外建立系统对振动信号进行处理,这将造成诊断系统的复杂度大大增加。
针对上述问题,基于电气参数的诊断方法得到了人们的重视,利用电机本身的电流参数、转速参数、电磁参数进行诊断,取得一定的效果,但主要问题是电气参数的维度和敏感度很低,无论采用有教师监督类型和无教师监督类型去训练诊断模型,都很不容易收敛,尤其面对轴承初期故障,其动力特征不明显,数据样本就算很大,模型也非常不容易收敛。
发明内容
本发明要解决的技术问题是,现有技术中的电机轴承故障诊断方法电气参数的维度和敏感度很低,无论采用有教师监督类型和无教师监督类型去训练诊断模型,都很不容易收敛,尤其面对轴承初期故障,其动力特征不明显,数据样本就算很大,模型也非常不容易收敛。
本发明提供一种基于知识蒸馏的电机轴承故障诊断方法,包括以下步骤,
S1:构建教师网络;
S2:构建学生网络;
S3:训练教师-学生异构网络。
进一步的,所述步骤S1包括,
设采样频率为Fs,轴承的转频为n,轴承滚珠直径为d,轴承的节圆直径为D,压力角为α,基于频域的用于教师网络的特征向量制作包括以下步骤:
S11生成的频谱采用去除直流分量、加汉宁窗、频率分辨率大于0.1Hz,采用3根相邻谱线值进行线性平均的方法设置为特征频率的值;
S12确定第一组特征参数:
设特征频率频谱的一倍频为1X,其频谱幅值为f1X,则频谱中一倍频到10 倍频的谱线值:1X-10X频谱幅值fX为第一组特征参数:
T1={t10,t11,t12,t13,t14,t15,t16,t17,t18,t19}={f1X,f2X,f3X,f4X,f5X,f6X,f7X,f8X,f9X,f10X}
t表示特征参数;
S13确定第二组特征参数
第二组特征参数考虑内圈故障及其边频,
对每个内圈特征频率计算2次边频:
t211=f1BPI+1x=1fBPI+f1X,t212=f1BPI-1x=1fBPI-f1X
t221=f2BPI+1x=2fBPI+f1X,t222=f2BPI-1x=2fBPI-f1X
t231=f3BPI+1x=3fBPI+f1X,t232=f3BPI-1x=3fBPI-f1X
t241=f4BPI+1x=4fBPI+f1X,t242=f4BPI-1x=4fBPI-f1X
t251=f5BPI+1x=5fBPI+f1X,t252=f5BPI-1x=5fBPI-f1X
第二组特征参数共有11个参数:
T2={t20,t211,t212,t221,t222,t231,t232,t241,t242,t251,t252}
S14确定第三组特征参数
对每个外圈特征频率计算2次边频:
t311=f1BPO+1x=fBPO+f1X,t312=f1BPO-1x=fBPO-f1X
t321=f2BPO+1x=2fBPO+f1X,t322=f2BPO-1x=2fBPO-f1X
t331=f3BPO+1x=3fBPO+f1X,t332=f3BPO-1x=3fBPO-f1X
t341=f4BPO+1x=4fBPO+f1X,t342=f4BPO-1x=4fBPO-f1X
t351=f5BPO+1x=5fBPO+f1X,t352=f5BPO-1x=5fBPO-f1X
第三组特征参数共有11个参数:
T3={t30,t311,t312,t321,t322,t331,t332,t341,t342,t351,t352}
S15确定第四组特征参数
对每个内圈特征频率计算2次边频:
t411=f1FT+1x=fFT+f1X,t412=f1FT-1x=fFT-f1X
t421=f2FT+1x=2fFT+f1X,t422=f2FT-1x=2fFT-f1X
t431=f3FT+1x=3fFT+f1X,t432=f3FT-1x=3fFT-f1X
t451=f5FT+1x=5fFT+f1X,t452=f5FT-1x=5fFT-f1X
四组特征参数共有11个参数:
T4={t40,t411,t412,t421,t422,t431,t432,t441,t442,t451,t452}
S16确定第五组特征参数
对每个滚珠特征频率计算2次边频:
t511=f1BS+1x=fBS+f1X,t312=f1BS-1x=fBS-f1X
t521=f2BS+1x=2fBS+f1X,t522=f2BS-1x=2fBPO-f1X
t531=f3BS+1x=3fBS+f1X,t532=f3BS-1x=3fBS-f1X
t541=f4BS+1x=4fBS+f1X,t542=f4BS-1x=4fBS-f1X
t551=f5BS+1x=5fBS+f1X,t552=f5BS-1x=5fBS-f1X
第五组特征参数共有11个参数:
T5={t50,t511,t512,t521,t522,t531,t532,t541,t542,t551,t552}
利用64个特征参数构建教师网络的输入向量。
进一步的,所述步骤S2包括,
发生故障时,同时接受振动数据和电流数据,利用已经训练好的教师网络作为部分分类目标,诱导学生网络的模型收敛,直到最后完全放弃教师网络,建立学生网络模型。
本发明的有益效果是,利用振动信号训练模型做教师模型,利用电流信号和转速信号输入作为学生模型,利用教师模型带来的暗知识,训练学生模式,使得学生模型能稳定收敛,进行有效的诊断。
附图说明
图1为本发明中基于知识蒸馏的训练模式示意图。
图2为本发明流程图。
具体实施方式
本发明的发明构思是,利用教师-学生网络,构架敏感有效的教师网络,当教师网络达到良好的分类的时候,将损失函数引入学生网络进行训练,动态调整比重,让学生网络逐步适应并最终形成收敛模型。当学生网络收敛时,即可利用学生网络进行诊断或预测。
本发明提供一种基于知识蒸馏的电机轴承故障诊断方法包括以下步骤,
1.教师网络的构建。
教师网络应该是一个大型的复杂网络。虽然教师网络可以设置为超大型的超多参数的网络,但其参数不宜太多,否则转移到学生网络时,容易出现知识迁移困难,学生网络不收敛等问题。且教师网络也应该具有和学生网络相似的结构,这样知识迁移相对容易。
1.1教师网络的特征参数
利用振动信号作为教师网络的特征参数,时域采用3个参数,分别是峭度因子、峰值因子和脉冲因子作为时域参数:
设信号的峭度因子值为V1,峰值因子为V2,脉冲因子为V3;
T1={t01,t02,t03}={V1,V2,V3}
频域参数:
假设采样频率为Fs,轴承的转频为n,轴承的结构参数和几何参数已知,轴承滚珠直径为d,轴承的节圆直径是D,压力角α,故障划分为轴承的内圈故障、外圈故障、滚动体故障、保持架故障及其任意组合;基于频域的用于教师网络的特征向量制作如下:
1)生成的频谱采用去除直流分量、加汉宁窗、并进行谱校正,为了保证有一定的谱精度,频率分辨率不得小于0.1Hz;虽然经过了谱校正,但其精度有时候会出现偏差。本方法采用3根相邻谱线值进行线性平均的方法设置为某特征频率的值:
如,假设转频为50Hz,但实际在50.1Hz的谱线上,则49.9Hz,50Hz,50. 1Hz三根谱线的幅值进行平均来作为50Hz的特征谱线值,以消除谱线的漂移。
2)第一组特征参数:
假设频谱的一倍频为1X,其频谱幅值为f1X,则频谱中一倍频到10倍频的谱线值:1X-10X频谱幅值fX为第一组特征参数:
T1={t10,t11,t12,t13,t14,t15,t16,t17,t18,t19}={f1X,f2X,f3X,f4X,f5X,f6X,f7X,f8X,f9X,f10X}
3)第二组特征参数
第二组特征参数考虑内圈故障及其边频,
考虑到内圈特征频率的1-5倍频,及其各自的1-2次边频,对每个内圈特征频率计算2次边频:
t211=f1BPI+1x=1fBPI+f1X,t212=f1BPI-1x=1fBPI-f1X
t221=f2BPI+1x=2fBPI+f1X,t222=f2BPI-1x=2fBPI-f1X
t231=f3BPI+1x=3fBPI+f1X,t232=f3BPI-1x=3fBPI-f1X
t241=f4BPI+1x=4fBPI+f1X,t242=f4BPI-1x=4fBPI-f1X
t251=f5BPI+1x=5fBPI+f1X,t252=f5BPI-1x=5fBPI-f1X
共有11个参数:
T2={t20,t211,t212,t221,t222,t231,t232,t241,t242,t251,t252}
4)第三组特征参数
第三组特征参数考虑球过外圈故障及其边频,
考虑到外圈特征频率的1-5倍频,及其各自的1次边频,对每个外圈特征频率计算2次边频:
t311=f1BPO+1x=fBPO+f1X,t312=f1BPO-1x=fBPO-f1X
t321=f2BPO+1x=2fBPO+f1X,t322=f2BPO-1x=2fBPO-f1X
t331=f3BPO+1x=3fBPO+f1X,t332=f3BPO-1x=3fBPO-f1X
t341=f4BPO+1x=4fBPO+f1X,t342=f4BPO-1x=4fBPO-f1X
t351=f5BPO+1x=5fBPO+f1X,t352=f5BPO-1x=5fBPO-f1X
共有11个参数:
T3={t30,t311,t312,t321,t322,t331,t332,t341,t342,t351,t352}
5)第四组特征参数
第四组特征参数考保持架特征频率及其边频,
考虑到保持架特征频率的1-5倍频,及其各自的1次边频,对每个内圈特征频率计算2次边频:
t411=f1FT+1x=fFT+f1X,t412=f1FT-1x=fFT-f1X
t421=f2FT+1x=2fFT+f1X,t422=f2FT-1x=2fFT-f1X
t431=f3FT+1x=3fFT+f1X,t432=f3FT-1x=3fFT-f1X
t451=f5FT+1x=5fFT+f1X,t452=f5FT-1x=5fFT-f1X
共有11个参数:
T4={t40,t411,t412,t421,t422,t431,t432,t441,t442,t451,t452}
6)第五组特征参数
第五组特征参数考虑滚珠的特征频率及其边频,
考虑到滚珠特征频率的1-5倍频,及其各自的1次边频,对每个滚珠特征频率计算2次边频:
t511=f1BS+1x=fBS+f1X,t312=f1BS-1x=fBS-f1X
t521=f2BS+1x=2fBS+f1X,t522=f2BS-1x=2fBPO-f1X
t531=f3BS+1x=3fBS+f1X,t532=f3BS-1x=3fBS-f1X
t541=f4BS+1x=4fBS+f1X,t542=f4BS-1x=4fBS-f1X
t551=f5BS+1x=5fBS+f1X,t552=f5BS-1x=5fBS-f1X
共有11个参数:
T5={t50,t511,t512,t521,t522,t531,t532,t541,t542,t551,t552}
由此,在教师网络里面共有64个特征参数,利用64个特征参数构建教师网络的输入向量。
2.学生网络的构建
学生网络来自电机的电流参数,也就是发生故障时,同时接受振动数据和电流数据,利用已经训练好的教师网络作为部分分类目标,诱导学生网络的模型收敛,直到最后完全放弃教师网络,学生网络模型建立。
2.1学生网络的特征参数
学生网络主要来自于电机的电流信号。由于电机的电流信号不仅包含提供动力的电流,其微小变化来自于轴承的故障。利用DNN进行模型训练,学生网络拟对5种状态,即正常、内圈故障、外圈故障、滚动体故障、保持架故障进行识别和判断。由于电机电流的变化包含了轴承的某些故障,为了利用教师网络的指导能力,采用了教师网络相同的64个特征参数同样的特征参数作为特征参数。
3.教师-学生异构网络的训练
本发明中基于知识蒸馏的训练模式如图1所示:
根据上述流程,本专利的工作流程是:
1)分别让电机安装上正常、内圈故障、外圈故障、保持架故障和滚动体故障的轴承。同时采集振动信号和电机电流信号;获得振动和电流时域信号;样本数分别在30000-50000;
2)对采集到的振动样本进行前面所示的64个特征参数计算,归一化以后形成样本;采集到的电流信号做同样处理;
3)将采集到的1/3的振动信号进行样本训练,训练模型可以是AlexNet、 ResNet、ResNet1001(pre-activation)、Hourglass、Inception、Xceptio n、SENet等,或者其他网络,其中关键的参数为:
其他参数可以根据情况选择,由于参数靶向明显,收敛较快,收敛后固定教授网络参数;输出采用独热编码;
4)将采集到的另外1/3作为教师网络与学生网络共同训练的样本。振动信号的1/3,带入上述教师网络,采用温度参数,softmax处理后形成软目标,每个样本生成5个参数的向量T1;
5)同样序号的1/3的学生网络,64电流特征参数,训练模型可以是Ale xNet、ResNet、ResNet1001(pre-activation)、Hourglass、Inception、X ception、SENet等,或者其他网络,其中关键的参数为:
考虑到学生网络不敏感,最小误差减少一个数量级;
通过这个学生网络形成的输出经过温度变换,形成softmax表示,也是5 个参数的向量T2;
6)计算T1和T2的交叉熵作为损失函数L1;
7)计算在5-6步骤种使用的学生网络的样本,softmax表示,和五类的独热硬目标的交叉熵为损失函数L2;
8)设计总的损失函数:
L=αL1+(1-α)L2
这里的L1和L2分别是6和7计算得到。这里的α为一个0-1之间的浮点数。
9)本发明的α策略为动态调整。在最开始教师网络开始指导时,α=0.9;
随着总的损失函数L的梯度变化,L逐渐变小;每当总损失下降到目标的 10%时,以Δα=0.1减少α;
10)当达到α=0.2,总损失函数将变为随机的添加L1,随机率为10个样本中随机1-2个样本添加L1的损失函数,直到总的损失函数收敛;
11)固定学生网络,用剩余1/3的电流样本进行学生网络测试,若测试达到5种状态识别准确性90%,认为学生网络构建成功。
本发明利用基于振动信号的教师网络去训练基于电流信号的子网络,优势在于:
1)振动信号知识清晰、教师网络收敛速度快,诊断精确;
2)基于电流信号的子网络,对故障反应较为迟钝;单独诊断结果很差;
3)利用教师网络的知识迁移,尤其是教师指导强度逐次下降,可有效增强学生网络的接受学习能力;
4)诊断发现按照上述方法,其准确率可达到90%,以上。
本发明的有益效果是,利用振动信号训练模型做教师模型,利用电流信号和转速信号输入作为学生模型,利用教师模型带来的暗知识,训练学生模式,使得学生模型能稳定收敛,进行有效的诊断。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于知识蒸馏的电机轴承故障诊断方法,其特征在于,包括以下步骤,
S1:构建教师网络;
S2:构建学生网络;
S3训练教师-学生异构网络。
2.如权利要求1所述的一种基于知识蒸馏的电机轴承故障诊断方法,其特征在于,所述步骤S1包括,
设采样频率为Fs,轴承的转频为n,轴承滚珠直径为d,轴承的节圆直径为D,压力角为α,基于频域的用于教师网络的特征向量制作包括以下步骤:
S11生成的频谱采用去除直流分量、加汉宁窗、频率分辨率大于0.1Hz,采用3根相邻谱线值进行线性平均的方法设置为特征频率的值;
S12确定第一组特征参数:
设特征频率频谱的一倍频为1X,其频谱幅值为f1X,则频谱中一倍频到10倍频的谱线值:1X-10X频谱幅值fX为第一组特征参数:
T1={t10,t11,t12,t13,t14,t15,t16,t17,t18,t19}={f1X,f2X,f3X,f4X,f5X,f6X,f7X,f8X,f9X,f10X}
t表示特征参数;
S13确定第二组特征参数
第二组特征参数考虑内圈故障及其边频,
对每个内圈特征频率计算2次边频:
t211=f1BPI+1x=1fBPI+f1X,t212=f1BPI-1x=1fBPI-f1X
t221=f2BPI+1x=2fBPI+f1X,t222=f2BPI-1x=2fBPI-f1X
t231=f3BPI+1x=3fBPI+f1X,t232=f3BPI-1x=3fBPI-f1X
t241=f4BPI+1x=4fBPI+f1X,t242=f4BPI-1x=4fBPI-f1X
t251=f5BPI+1x=5fBPI+f1X,t252=f5BPI-1x=5fBPI-f1X
第二组特征参数共有11个参数:
T2={t20,t211,t212,t221,t222,t231,t232,t241,t242,t251,t252}
S14确定第三组特征参数
对每个外圈特征频率计算2次边频:
t311=f1BPO+1x=fBPO+f1X,t312=f1BPO-1x=fBPO-f1X
t321=f2BPO+1x=2fBPO+f1X,t322=f2BPO-1x=2fBPO-f1X
t331=f3BPO+1x=3fBPO+f1X,t332=f3BPO-1x=3fBPO-f1X
t341=f4BPO+1x=4fBPO+f1X,t342=f4BPO-1x=4fBPO-f1X
t351=f5BPO+1x=5fBPO+f1X,t352=f5BPO-1x=5fBPO-f1X
第三组特征参数共有11个参数:
T3={t30,t311,t312,t321,t322,t331,t332,t341,t342,t351,t352}
S15确定第四组特征参数
对每个内圈特征频率计算2次边频:
t411=f1FT+1x=fFT+f1X,t412=f1FT-1x=fFT-f1X
t421=f2FT+1x=2fFT+f1X,t422=f2FT-1x=2fFT-f1X
t431=f3FT+1x=3fFT+f1X,t432=f3FT-1x=3fFT-f1X
t451=f5FT+1x=5fFT+f1X,t452=f5FT-1x=5fFT-f1X
四组特征参数共有11个参数:
T4={t40,t411,t412,t421,t422,t431,t432,t441,t442,t451,t452}
S16确定第五组特征参数
对每个滚珠特征频率计算2次边频:
t511=f1BS+1x=fBS+f1X,t312=f1BS-1x=fBS-f1X
t521=f2BS+1x=2fBS+f1X,t522=f2BS-1x=2fBPO-f1X
t531=f3BS+1x=3fBS+f1X,t532=f3BS-1x=3fBS-f1X
t541=f4BS+1x=4fBS+f1X,t542=f4BS-1x=4fBS-f1X
t551=f5BS+1x=5fBS+f1X,t552=f5BS-1x=5fBS-f1X
第五组特征参数共有11个参数:
T5={t50,t511,t512,t521,t522,t531,t532,t541,t542,t551,t552}
利用64个特征参数构建教师网络的输入向量。
3.如权利要求1所的一种基于知识蒸馏的电机轴承故障诊断方法,其特征在于,所述步骤S2包括,
发生故障时,同时接受振动数据和电流数据,利用已经训练好的教师网络作为部分分类目标,诱导学生网络的模型收敛,直到最后完全放弃教师网络,建立学生网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258352.9A CN112504678B (zh) | 2020-11-12 | 2020-11-12 | 一种基于知识蒸馏的电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258352.9A CN112504678B (zh) | 2020-11-12 | 2020-11-12 | 一种基于知识蒸馏的电机轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112504678A true CN112504678A (zh) | 2021-03-16 |
CN112504678B CN112504678B (zh) | 2022-12-23 |
Family
ID=74957178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011258352.9A Active CN112504678B (zh) | 2020-11-12 | 2020-11-12 | 一种基于知识蒸馏的电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112504678B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269266A (zh) * | 2021-06-08 | 2021-08-17 | 清华大学 | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
CN113281048A (zh) * | 2021-06-25 | 2021-08-20 | 华中科技大学 | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976021A (zh) * | 2016-05-24 | 2016-09-28 | 北京工业大学 | 一种带式输送机滚筒组件故障诊断方法 |
US20180336465A1 (en) * | 2017-05-18 | 2018-11-22 | Samsung Electronics Co., Ltd. | Apparatus and method for student-teacher transfer learning network using knowledge bridge |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
JP6507297B1 (ja) * | 2018-09-07 | 2019-04-24 | オークマ株式会社 | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム |
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
CN111680665A (zh) * | 2020-06-28 | 2020-09-18 | 湖南大学 | 基于数据驱动的采用电流信号的电机机械故障诊断方法 |
US20200302295A1 (en) * | 2019-03-22 | 2020-09-24 | Royal Bank Of Canada | System and method for knowledge distillation between neural networks |
-
2020
- 2020-11-12 CN CN202011258352.9A patent/CN112504678B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976021A (zh) * | 2016-05-24 | 2016-09-28 | 北京工业大学 | 一种带式输送机滚筒组件故障诊断方法 |
US20180336465A1 (en) * | 2017-05-18 | 2018-11-22 | Samsung Electronics Co., Ltd. | Apparatus and method for student-teacher transfer learning network using knowledge bridge |
JP6507297B1 (ja) * | 2018-09-07 | 2019-04-24 | オークマ株式会社 | 転がり軸受の異常診断方法及び異常診断装置、異常診断プログラム |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
US20200302295A1 (en) * | 2019-03-22 | 2020-09-24 | Royal Bank Of Canada | System and method for knowledge distillation between neural networks |
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
CN111579243A (zh) * | 2020-06-17 | 2020-08-25 | 大连理工大学 | 一种基于深度迁移学习的滚动轴承智能诊断系统 |
CN111680665A (zh) * | 2020-06-28 | 2020-09-18 | 湖南大学 | 基于数据驱动的采用电流信号的电机机械故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
ZIA ULLAH 等: "Detection and identification of demagnetization and bearing faults in PMSM using tansfer learning-based VGG", 《ENERGIES》 * |
王凡重: "基于小波神经网络和支持向量机的电机故障诊断与研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269266A (zh) * | 2021-06-08 | 2021-08-17 | 清华大学 | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
CN113269266B (zh) * | 2021-06-08 | 2023-09-19 | 清华大学 | 多故障模式下基于知识蒸馏的晶圆制造过程故障检测方法 |
CN113281048A (zh) * | 2021-06-25 | 2021-08-20 | 华中科技大学 | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统 |
CN113281048B (zh) * | 2021-06-25 | 2022-03-29 | 华中科技大学 | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112504678B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Low-speed rolling bearing fault diagnosis based on EMD denoising and parameter estimate with alpha stable distribution | |
CN112036547B (zh) | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 | |
CN112504678B (zh) | 一种基于知识蒸馏的电机轴承故障诊断方法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN114705426A (zh) | 一种滚动轴承早期故障诊断方法 | |
CN112308038B (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
CN110646199B (zh) | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 | |
Cui et al. | Spectrum-based, full-band preprocessing, and two-dimensional separation of bearing and gear compound faults diagnosis | |
Kannan et al. | Demodulation band optimization in envelope analysis for fault diagnosis of rolling element bearings using a real-coded genetic algorithm | |
Guo et al. | Fault characteristic frequency analysis of elliptically shaped bearing | |
Hines et al. | Bending-fatigue damage-detection on notched-tooth spiral-bevel gears using the average-log-ratio, ALR, algorithm | |
Hou et al. | Acoustic feature enhancement in rolling bearing fault diagnosis using sparsity-oriented multipoint optimal minimum entropy deconvolution adjusted method | |
CN115876507A (zh) | 基于换流阀冷却系统的故障诊断系统 | |
CN110196165B (zh) | 一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Zhao et al. | Research on constructing a degradation index and predicting the remaining useful life for rolling element bearings of complex equipment | |
CN111220388B (zh) | 一种基于时域分析的滚动轴承故障诊断方法 | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
CN113758708B (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 | |
Cui et al. | Synchronous odd symmetric transform for rolling bearing fault diagnosis | |
CN114894479A (zh) | 一种基于vmd参数优化的风机主轴轴承故障诊断方法 | |
CN112393907B (zh) | 基于扫频分析技术的风电机组轴承典型故障自动诊断方法 | |
CN112161805A (zh) | 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法 | |
CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 |
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 |