CN112541510A - 基于多通道时间序列数据的智能故障诊断方法 - Google Patents
基于多通道时间序列数据的智能故障诊断方法 Download PDFInfo
- Publication number
- CN112541510A CN112541510A CN201910890281.5A CN201910890281A CN112541510A CN 112541510 A CN112541510 A CN 112541510A CN 201910890281 A CN201910890281 A CN 201910890281A CN 112541510 A CN112541510 A CN 112541510A
- Authority
- CN
- China
- Prior art keywords
- data
- channel
- training
- fault
- model
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多通道时间序列数据的智能故障诊断方法,将传感器设置在监测对象上,采集监测对象在多种健康状态下运行时产生的多通道一维时间序列数据,并进行预处理,构建多通道一维时间序列故障数据集,并划分为训练集、验证集和测试集;建立多通道深度学习故障诊断模型,包含有输入层、特征提取层、降维减参层、softmax分类层和支持向量机输出层,将所述训练集中的数据输入模型用于模型参数的训练和学习,运用验证集的数据对训练过程中的诊断模型准确率进行实时验证,模型训练结束后,保存最佳的CNN诊断模型参数,最后将测试集的样本数据输入到已训练的深度学习诊断模型中完成最终的测试,得到最终的故障诊断结果。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及一种基于多通道时间序列数据的智能故障诊断方法。
背景技术
随着智能时代的到来,越来越多的机电装备产品朝着智能化、自动化、多功能化和精密化方向发展,如今机电装备产品的应用环境复杂度逐渐增加,在复杂多变的工作环境下,机电装备的长时间连续运行易于发生各类故障,若故障无法及时的诊断和排除,一旦故障危害蔓延将可能带来重大损失,因此极有必要对机电装备提供有效的智能故障诊断方法,如今随着“互联网+”、物联网与先进智能传感器技术在机电装备上的广泛应用,反映机电装备产品运行健康状态的“大数据”被轻易获取和利用;例如,在航空发动机、电动机、发动机、滚动轴承、齿轮等机器或部件中可采集获取诸如振动加速度、噪声、转速、温度、电压或电流等多个通道的一维时间序列监测数据,这些监测数据记录了机电装备运行过程的健康状态及变化特征,通过对这些多通道一维时间序列数据进行特征提取和统计分析利用即可达到对机电装备进行故障诊断的目的。
在本发明之前,针对机电装备的故障诊断和状态监测的方法仍是以传统的“事后维修”、“计划维修”和“定时维护”的方式为主,此类方法往往效率十分低下且不具备智能性,并且以往的根据经验定期维护和定时更换部件,以经验估计零部件寿命的维护方式易于造成浪费和误判,带来安全隐患,因此不能满足技术人员智能故障诊断和在线状态监测的需求,Hinton等提出深度学习理论,它利用深层神经网络对输入样本数据逐层贪婪学习并自动提取代表性特征,它强大的特征提取能力具备识别微小故障特征的潜力,克服了传统智能诊断方法中的固有缺陷,近5年开始受到故障诊断领域学者的关注。卷积神经网络(Convolutional Neural Network, CNN)是深度学习重要的分支之一,它具有强大的特征提取能力,目前主要用于图像识别。近年来有部分学者将CNN应用于故障诊断领域,但仍然需要对原始故障数据使用传统的特征提取方法进行特征提取前处理,未能充分利用卷积神经网络强大的特征提取能力,限制了故障诊断效果的进一步提升,传统CNN中使用的Softmax分类函数在多分类功能上远不如SVM的功能强大,难以在故障智能诊断方面发挥更优越的性能,传统的卷积神经网络参数量过多的问题,占用了过多的计算资源,同时又容易引起CNN模型训练过拟合,不利于故障的实时快速诊断。
发明内容
针对现有技术存在的上述缺陷或待改进的需求,本发明的目的在于提供一种基于多通道时间序列数据的智能故障诊断方法,该方法可对机电装备在多种监测信号和多个传感器下采集的数据进行智能故障诊断,通过有效利用多个通道的数据对监测对象进行更精准的故障诊断,本发明在整个诊断过程无需任何手工特征提取操作,摆脱了现有故障诊断方法过度依赖专家先验知识的不足,使整个诊断过程自动完成,无需人工干预,具有更好的可操作性和更低的使用门槛,一方面减少模型训练参数量和计算时间,另一方面提高诊断准确率和诊断速度,更有利于故障的实时快速诊断和检测。
为实现上述目的,本发明提供了一种基于多通道时间序列数据的智能故障诊断方法,包括:
采集监测对象多通道一维时间序列故障数据;
建立多通道一维时间序列原始故障数据集;
对所述多通道一维时间序列数据进行预处理;
构建多通道二维特征图故障数据集;
划分数据集为训练集、验证集和测试集;
建立多通道深度学习故障诊断模型;
训练多通道深度学习故障诊断模型;
验证多通道深度学习故障诊断模型的诊断结果是否出现过拟合;
结束训练,保存最佳模型参数;
完成最终测试,得到最终的诊断结果。
其中,所述采集监测对象多通道一维时间序列故障数据,包括:
将传感器设置在监测对象上,利用所述传感器采集监测对象在多种健康状态下运行时产生的一维时间序列数据监测信号,所述传感器在监测对象上布置的测点个数设置为T个(即T个通道,T大于等于1),用于采集监测对象T个部位的故障数据,每个测点设置为安装一个传感器,所述每个传感器采集的数据均为一个连续的一维时间序列原始数据段;
所述监测对象的健康状态设置为N种健康状态,其中包含有一个正常状态和N-1种故障状态,从而每个健康状态均包含有T个通道的一维时间序列原始故障数据段。
其中,所述建立多通道一维时间序列原始故障数据集,包括:
运用所述N种健康状态的监测数据构建用于深度学习模型训练和测试的多通道一维时间序列原始故障数据集{φ}原,所述多通道一维时间序列原始故障数据集{φ}原设置为包含有N个子集:{φ}原={φ1,φ2, ...,φ i , ...,φN}原,对应N种健康状态,所述每个子集{φ i }原均包含有T个一维时间序列原始数据段,从而组成一个N×T×L的多维张量原始故障数据集{φ}原,即:每一个一维时间序列原始数据段的长度均为L个数据点,每个健康状态类型包含有T个一维时间序列数据段,多通道原始故障数据集{φ}原包含N个健康状态类型。
其中,所述对所述多通道一维时间序列数据进行预处理,包括:
将获取的多通道一维时间序列原始故障数据集{φ}原中的N×T个一维时间序列原始数据段进行数据预处理操作,所述预处理包括归一化和数据截断;首先,对所述N×T个一维时间序列原始数据段的数据逐一进行归一化数据处理,将每一个一维时间序列原始数据段中的所有数据点的值的量级转变为0~1之间;其次,对每个健康状态归一化处理后的T个通道中的每个通道的一维时间序列原始数据段进行分段等分截断,使每个包含有L个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段(假设每个等长的小数据段的长度为k个数据点, k×h=L, k的取值范围为100~10000之间),T个通道即可得到T×h个一维时间序列原始小数据段,从而,每个健康状态均可得到h个具有T个通道的一维时间序列原始小数据段组,每一个具有T个通道的一维时间序列原始小数据段组即构成一个故障样本,即每个故障样本均包含T个通道,其中每个通道具有k个数据点,将经过等分截断操作后的多通道一维时间序列原始故障数据集{φ}原记为{φ}截,因此{φ}截包含有N×h个具有T通道的一维时间序列小数据段组,每一个具有T通道的一维时间序列原始小数据段组记为一个故障样本{X (k)}(T),即每一个故障样本包含T个通道,每一个通道包含k个数据点。
其中,所述构建多通道二维特征图故障数据集,包括:
对所述等分截断操作后得到的{φ}截中的每一个故障样本{X (k)}(T)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图;
将所述等分截断操作后得到的{φ}截中的每一个故障样本{X (k)}(T)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图,每个故障样本{X (k)}(T)中T个通道即可得到T张尺寸为m×n的二维特征图;
{φ}截中的N×h个具有T通道的一维时间序列小数据段组故障样本{X (k)}(T)重构为N×h个具有T通道相叠加的尺寸为m×n的二维特征图{X [m×n]}(T);并将数据格式重构后的{φ}截记为多通道二维特征图故障数据集{φ}2D。
其中,所述划分数据集为训练集、验证集和测试集,包括:
将多通道二维特征图故障数据集{φ}2D中每一种健康状态类型中的h个样本划分为训练集、验证集和测试集,划分方法为:首先将多通道二维特征图故障数据集{φ}2D中的每一种健康状态类型中的h个故障样本随机的选取30%的样本数量作为测试集,再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集;最后,将多通道二维特征图故障数据集{φ}2D中的N类健康状态中的所有划为训练集的故障样本组集为总训练集{D}训、将{φ}2D的N类健康状态中所有划为验证集的故障样本组集为总验证集{D}验、将{φ}2D的N类健康状态的所有划为测试集的故障样本组集为总测试集{D}测。
其中,所述建立多通道深度学习故障诊断模型,包括:
所述输入层用于接收多通道二维特征图故障数据集{φ}2D下的总训练集{D}训、总验证集{D}验和总测试集{D}测的多通道二维特征图数据,并将数据输入给特征提取层,经过特征提取层处理后的特征图输送给降维减参层,在之后降维减参层并联了softmax分类层和支持向量机输出层;
所述多通道深度学习故障诊断模型包含有模型训练阶段模型组合和模型测试阶段模型组合两个模型组合,设计如下:在多通道深度学习故障诊断模型的训练阶段,所述降维减参层之后连接softmax分类层,用于训练卷积神经网络各层的模型参数,在多通道深度学习故障诊断模型的测试阶段,所述降维减参层之后连接支持向量机输出层,用于最终诊断结果的进一步提升和输出。
其中,所述训练多通道深度学习故障诊断模型,包括:
采用所述的多通道深度学习故障诊断模型的训练阶段的模型组合,在降维减参层之后连接softmax分类层执行CNN模型参数训练,初始化模型参数,将所述总训练集{D}训的多通道二维特征图数据样本输入到所述多通道深度学习故障诊断模型中用于深度学习模型参数的训练和学习,反复执行前向传播和反向传播迭代计算过程。
其中,所述验证多通道深度学习故障诊断模型的诊断结果是否出现过拟合,包括:
在多通道深度学习故障诊断模型训练的同时,将总验证集{D}验的多通道二维特征图样本数据用于对训练过程中的所述多通道深度学习故障诊断模型的诊断准确率进行实时验证,验证模型在验证集上的准确率以及检查是否出现过拟合;
若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存最佳的多通道深度学习故障诊断模型参数;
若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,则诊断模型出现过拟合,停止模型训练,跳转执行将所述训练集的数据重新输入多通道深度学习故障诊断模型,重新修改所述多通道深度学习故障诊断模型结构参数,若重新验证时,没有出现过拟合,则说明模型参数合理,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存最佳的多通道深度学习故障诊断模型参数,若重新验证时出现过拟合,则停止训练,再重新修改所述多通道深度学习故障诊断模型结构参数,继续验证,依此反复执行,直到验证成功。
其中,所述得到最终的诊断结果前,所述方法还包括:
将测试集中的数据输入到已通过训练的多通道深度学习故障诊断模型中完成最终的测试。
本发明提供的一种基于多通道时间序列数据的智能故障诊断方法,将传感器设置在监测上,利用传感器采集监测对象在多种健康状态下运行时产生的多通道一维时间序列数据监测信号,组成多通道一维时间序列原始故障数据集,对获取的多通道一维时间序列数据进行归一化和数据截断预处理,并将预处理后的数据构建多通道二维特征图故障数据集,然后将多通道二维特征图故障数据集的所述样本划分为训练集、验证集和测试集,建立多通道深度学习故障诊断模型,包括输入层、特征提取层、softmax分类层和支持向量机输出层,在所述特征提取层与softmax分类层之间设置了降维减参层,将所述训练集中的数据输入多通道深度学习故障诊断模型用于模型参数的训练和学习,运用验证集的样本数据对训练过程中的多通道深度学习故障诊断模型的诊断准确率进行实时验证,验证诊断结果是否出现过拟合现象,直到所述多通道深度学习故障诊断模型不出现过拟合且验证集准确率达到设定的目标值或迭代轮数为止;当验证准确率达到设定的目标值时,模型结束训练,同时保存最佳的多通道深度学习故障诊断模型参数,最后将测试集的样本数据输入到已训练的多通道深度学习故障诊断模型中完成最终的测试,得到最终的故障诊断结果,减少模型训练参数量和计算时间,有利于故障的实时快速诊断和检测。
本发明设计了,所述传感器类型设置为包含有振动加速度传感器、噪声传感器、压力传感器、位移传感器、转速传感器、电压传感器和电流传感器的一种或多种组合。
本发明设计了,用于监测对象数据采集的不同类型和数量的传感器,设置为具有相同的采样频率、采样时间。
本发明设计了,所述监测对象包括发动机、电动机、滚动轴承、齿轮等本技术领域常用的常规的旋转类机电装备。
本发明无需任何手工特征提取操作,也不需要操作人员掌握复杂的多种先进信号处理技术,本发明可以直接将原始故障数据输入到本发明所设计的多通道深度学习故障诊断模型中,诊断模型可以自动对机电装备采集的多通道一维时间序列故障数据进行数据预处理、二维特征图重构、特征自动提取和故障的自动分类诊断,最终诊断结果自动输出,整个诊断过程自动完成,无需人工干预,具有更好的可操作性和更低的使用门槛,一方面减少模型训练参数量和计算时间,另一方面提高诊断准确率和诊断速度,更有利于故障的实时快速诊断和检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于多通道时间序列数据的智能故障诊断方法的方法流程图。
图2是本发明提供的一种基于多通道时间序列数据的智能故障诊断方法的方法示意图。
图3是本发明提供的多通道深度学习故障诊断模型的结构示意图。
图4为本发明提供的多通道一维时间序列故障数据示意图。
图5为本发明提供的N种健康状态的多通道一维时间序列原始故障数据集{φ}原的示意图。
图6为本发明提供的多通道一维时间序列原始数据段进行分段等分截断操作的示意图。
图7为本发明提供的一个具有T通道的故障样本的示意图。
图8为本发明提供的一维时间序列数据重构为二维特征图的重构操作示意图。
图9为本发明提供的T通道的故障样本的T个一维时间序列数据段重构得到T张二维特征图过程的示意图。
图10为本发明提供的一个故障样本的多通道二维特征图结构示意图。
图11为本发明提供的一个较佳实施例的滚动轴承故障数据生成试验台示意图。
1-输入层、2-特征提取层、3-降维减参层、4-softmax分类层、5-支持向量机输出层、10-多通道二维特征图、21-第一卷积层、22-第一池化层、23-第二卷积层、24-第二池化层、31-过渡卷积层、32-全局均值池化层。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“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的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1至图11,本发明提供了一种基于多通道时间序列数据的智能故障诊断方法,包括:
S101、采集监测对象的多通道一维时间序列故障数据。
具体的,在监测对象上布置传感器,利用所述传感器采集监测对象在多种健康状态下运行时所产生的一维时间序列数据监测信号,所述传感器在监测对象上布置的测点个数设置为T个(即T个通道,T大于等于1),用于采集监测对象T个部位的故障数据,每个测点设置为安装一个传感器,所述每个传感器采集的数据均为一个连续的一维时间序列原始数据段,该一维时间序列原始数据段的样本长度为L,即包含有L个数据点,如图4所示;所述监测对象的健康状态设置为N种健康状态,其中包含有一个正常状态和N-1种故障状态,从而每个健康状态均包含有T个通道的一维时间序列原始故障数据段。
S102、建立多通道一维时间序列原始故障数据集{φ}原。
具体的,运用所述N种健康状态的监测数据构建用于深度学习模型训练和测试的多通道一维时间序列原始故障数据集{φ}原,如图5所示,所述多通道一维时间序列原始故障数据集{φ}原设置为包含有N个子集:{φ}原={φ1,φ2, ...,φ i , ...,φN}原,对应N种健康状态,所述每个子集{φ i }原均包含有T个一维时间序列原始数据段,从而组成一个N×T×L的多维张量数据集{φ}原,即:每一个一维时间序列原始数据段的长度均为L个数据点,每个健康状态类型包含有T个一维时间序列数据段,多通道原始故障数据集{φ}原包含N个健康状态类型(如图5所示)。
S103、对所述多通道一维时间序列数据进行预处理。
具体的,将获取的多通道一维时间序列原始故障数据集{φ}原中的N×T个一维时间序列原始数据段进行数据预处理操作,所述预处理包括归一化和数据截断;首先,对所述N×T个一维时间序列原始数据段的数据逐一进行归一化数据处理,将每一个一维时间序列原始数据段中的所有数据点的值的量级转变为0~1之间,所述归一化的方法为:X={x i }=(x i -x min)/(x max-x min);其次,对每个健康状态归一化处理后的T个通道中的每个通道的一维时间序列原始数据段进行分段等分截断,如图6所示,使每个包含有L个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段(假设每个等长的小数据段的长度为k个数据点, k×h=L, k的取值范围为100~10000之间),如图6所示,T个通道即可得到T×h个一维时间序列原始小数据段,从而,每个健康状态均可得到h个具有T个通道的一维时间序列原始小数据段组,每一个具有T个通道的一维时间序列原始小数据段组即构成一个故障样本,如图7所示,即每个故障样本均包含T个通道,其中每个通道具有k个数据点,将经过等分截断操作后的多通道一维时间序列原始故障数据集{φ}原记为{φ}截,因此{φ}截包含有N×h个具有T通道的一维时间序列小数据段组,每一个具有T通道的一维时间序列原始小数据段组记为一个故障样本{X (k)}(T),即每一个故障样本包含T个通道,每一个通道包含k个数据点(如图7所示)。
S104、构建多通道二维特征图故障数据集。
具体的,将所述等分截断操作后得到的{φ}截中的每一个故障样本{X (k)}(T)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图,如图8所示,具体数据重构方法为:首先,将故障样本{X (k)}(T)中每个通道的长度为k的一维时间序列小数据段分量x (k)的一维向量格式重构为二维特征图的矩阵形式[x]m×n(即:每张特征图的尺寸为m×n=k),构建方法设置为:将包含k个数据点的数据段等分为m份,每份包含n个数据点,排列顺序为:第1份n个数据点放在第1行,第2份n个数据点放在第2行,第3份n个数据点放在第3行,依次排序,……,第m份n个数据点放在第m行,从而得到一个m×n的二维特征图(如图8所示);按照同样的方法,每个故障样本{X (k)}(T)中T个通道即可得到T张尺寸为m×n的二维特征图,如图9所示;其次,将故障样本{X (k)}(T)中的T个二维特征图按照从通道1、通道2、……、通道T的顺序依次叠加,如图10所示,即可构建一个包含有T通道的二维特征图的故障样本{X [m×n]}(T),该样本格式即是为后续步骤中本发明设计的卷积神经网络故障诊断可读取的样本形式;按照同样的样本重构方法即可将{φ}截中的N×h个具有T通道的一维时间序列小数据段组故障样本{X (k)}(T)重构为N×h个具有T通道相叠加的尺寸为m×n的二维特征图{X [m×n]}(T);并将数据格式重构后的{φ}截记为多通道二维特征图故障数据集{φ}2D。
S105、划分数据集为训练集、验证集和测试集。
具体的,将多通道二维特征图故障数据集{φ}2D中每一种健康状态类型中的h个样本划分为训练集、验证集和测试集,划分方法为:首先将多通道二维特征图故障数据集{φ}2D中的每一种健康状态类型中的h个故障样本随机的选取30%的样本数量作为测试集,再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集;最后,将多通道二维特征图故障数据集{φ}2D中的N类健康状态中的所有划为训练集的故障样本组集为总训练集{D}训、将{φ}2D的N类健康状态中所有划为验证集的故障样本组集为总验证集{D}验、将{φ}2D的N类健康状态的所有划为测试集的故障样本组集为总测试集{D}测。
S106、建立多通道深度学习故障诊断模型。
具体的,如图3所示,所述多通道深度学习故障诊断模型包含有输入层1、特征提取层2、softmax分类层4和支持向量机输出层5,其特征在于:在特征提取层2与softmax分类层4之间设置了降维减参层3用于替代传统卷积神经网络的全连接网络层部分,所述特征提取层2包含有第一卷积层21、第一池化层22、第二卷积层23、第二池化层24,所述降维减参层3包含有一个卷积核为1×1的过渡卷积层31和一个全局均值池化层32,所述输入层1用于接收多通道二维特征图故障数据集{φ}2D下的总训练集{D}训、总验证集{D}验和总测试集{D}测的多通道二维特征图数据,并将多通道二维特征图10输入给特征提取层2内的第一卷积层21,所述1×1的过渡卷积层31用于接收特征提取层2的第二池化层24的输出特征图,所述输入层1、第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32之间依次串联,在所述全局均值池化层32之后并联了softmax分类层4和支持向量机输出层5,所述多通道深度学习故障诊断模型包含有模型训练阶段模型组合和模型测试阶段模型组合两个模型组合,如图3所示,模型组合方式设计如下:在多通道深度学习故障诊断模型的训练阶段,所述降维减参层3的全局均值池化层32之后连接softmax分类层4,用于训练卷积神经网络各层的模型参数,在多通道深度学习故障诊断模型的测试阶段,所述降维减参层3的全局均值池化层32之后连接支持向量机输出层5,用于最终诊断结果的进一步提升和输出。
S107、训练多通道深度学习故障诊断模型。
具体的,首先,采用所述的多通道深度学习故障诊断模型的训练阶段的模型组合,在述降维减参层3的全局均值池化层32之后连接softmax分类层4执行CNN模型参数训练,初始化模型参数,将所述总训练集{D}训的多通道二维特征图数据样本输入到所述多通道深度学习故障诊断模型中用于深度学习模型参数的训练和学习,反复执行前向传播和反向传播迭代计算过程,对所述第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32中每一层的模型参数进行训练。
S108、验证多通道深度学习故障诊断模型的诊断结果是否出现过拟合。
具体的,在多通道深度学习故障诊断模型训练的同时,将总验证集{D}验的多通道二维特征图样本数据用于对训练过程中的所述多通道深度学习故障诊断模型的诊断准确率进行实时验证,验证模型在验证集上的准确率以及检查是否出现过拟合,验证标准设计如下:
若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,继续执行步骤S107进行模型训练;若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,说明诊断模型出现过拟合,停止模型训练,跳转到步骤S106,重新修改所述多通道深度学习故障诊断模型的超参数,依此反复执行。
S109、结束训练,保存最佳模型参数。
具体的,当训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,同时保存最佳的所述多通道深度学习故障诊断模型中的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32的各层模型参数值。
S110、完成最终测试,得到最终的诊断结果。
具体的,首先,采用步骤S106所述的多通道深度学习故障诊断模型的测试阶段的模型组合,在降维减参层3的全局均值池化层32之后连接支持向量机输出层5,其次,将所述总训练集{D}训的多通道二维特征图数据样本输入到已训练好的多通道深度学习故障诊断模型,由已训练的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31和全局均值池化层32依次对输入样本提出特征值,然后,再将全局均值池化层32的输出值输入到支持向量机,完成支持向量机的模型参数的训练,并保存支持向量机的模型参数;最后,将总测试集{D}测的样本数据输入到已训练的所述多通道深度学习故障诊断模型的测试阶段模型组合的模型中,由已训练的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1过渡卷积层31、全局均值池化层32和支持向量机输出层5依次对输入样本提出特征,并最终由支持向量机输出层5输出最终的故障诊断结果。
在本实施例中,所述传感器类型设置为包含有振动加速度传感器、噪声传感器、压力传感器、位移传感器、转速传感器、电压传感器和电流传感器的一种或多种组合。
在本实施例中,用于监测对象数据采集的不同类型和数量的传感器,设置为具有相同的采样频率、采样时间。
在本实施例中,所述监测对象包括发动机、电动机、滚动轴承、齿轮等本技术领域常用的常规的旋转类机电装备。
为了进一步说明本发明提供的基于多通道时间序列数据的智能故障诊断方法在针对使用机电装备多通道一维时间序列数据进行故障诊断的可行性和有效性,在本实施例中,再以美国凯斯西储大学的电气工程实验室的轴承实验台(如图11所示)的多通道数据进行应用示例说明和验证。
按照本发明所提供的方法步骤依次进行:首先,本实验的监测对象是电动机的滚动轴承,采用了两个振动加速度传感器分别用磁力座安装在电机的驱动端和风扇端的正上方,用于采集电动机这两个部位的振动加速度一维时间序列信号,每个传感器即获得一个通道的数据,因此,本实验为2个通道的一维时间序列数据。
本实验的轴承选用了瑞典SKF公司生产的型号为6205-2RS JEM深沟球轴承,该轴承用于支撑电动机主轴,本轴承的故障类型包含有1个正常状态和9个故障状态,共计10种健康状态;所述9个故障状态分别是在滚动轴承的内圈、外圈和滚珠上设置的点蚀凹孔尺寸为0.18mm、0.36mm和0.53mm的凹坑,故障数量及故障大小描述如表1所示;本实验对10种健康状态的采样频率均为12KHz(每秒10,000个数据点),采样时间为10秒,即10×12,000=120,000个数据点,为了便于后续样本分割计算,本实验进行取整,仅保留120,000个数据点中的前100,000个数据点,因此,每种健康状态包含两个通道,每个通道获得一个长度为100,000个数据点的一维时间序列数据段。
其次,对10种健康状态中的每个通道的长度为100,000个数据点的一维时间序列数据段进行归一化预处理操作,使每个数据段的数据点值转变为0~1之间;
第三,对数据段进行等分截取,按照本发明提供的方法的步骤S103和图6至图7所示的方法,将本实验的每个健康状态的2个通道中的每个通道的长度为100,000个数据点的一维时间序列数据段等分为200份,每份长度为500个数据点,因此,每个健康状态均获得200个样本,每个样本包含2个通道,每个通道包含500个数据点,见表1所示;
第四,对上述的每个2通道的时间序列样本(每个通道有500个数据点)按照本发明提供的方法的步骤S104和图8至图10所述的方法重构为多通道二维特征图样本,将每个2通道的时间序列样本中的每个通道的500个数据点等分为25份,每份包含20个数据点,从而将包含500个数据点的一维时间序列数据段重构为尺寸为[25,20]矩阵形式的二维特征图;因此,每个样本即包含两张[25,20]的二维特征图相叠加的2通道二维特征图样本[25,20,2],其中2代表2通道,因此,本实验总计包含10个健康状态类型,每个健康状态包含200个样本,每个样本均为一个格式为[25,20,2]的2通道二维特征图,如表1所示。
表1 实验轴承的故障数据集。
第五,将每个健康状态类型的200个样本取30%作为测试集(200×0.3=60个),剩余的70%中取出20%作为验证集(200×0.7×0.2=28个),其余的80%作为训练集(200×0.7×0.8=112个),本实验中包含10种状态类型,因此,总的训练集样本数为1120个(10×112=1120)、总的验证集样本数为280个(10×28=280)、总的测试集样本数为720个(10×60=600)。
第六,在本实施例中,所构建多通道深度学习故障诊断模型如图3所示,包含有依次相的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1×1的过渡卷积层31、全局均值池化层32、softmax分类层4和支持向量机输出层5,本实验按照本发明提供的方法的步骤S106到步骤S110完成多通道深度学习故障诊断模型的构建、训练、验证和最终测试环节,本实验详细的多通道深度学习故障诊断模型超参数见表2所示。
表2 多通道深度学习故障诊断模型超参数。
在本实施例中,在表2所示的本实验所设计的多通道深度学习故障诊断模型的数据处理流程为:输入样本的特征图格式为[25,20,2],第一卷积层21采用了64个3×3的卷积核分别对输入特征图[25,20,2]进行同卷积运算,得到64个通道的输出特征图:[25,20,64];然后由所述第一池化层22对第一卷积层21的输出特征图[25,20,64]进行最大池化操作,所述第一池化层22的池化核为2×2,步长为[2,2],池化操作后得到[12,10,64]的特征图;然后再由第二卷积层23对第一池化层22的输出特征图[12,10,64] 进行第二次卷积操作,所述第二卷积层23采用32个3×3的卷积核分别对特征图[12,10,64]进行同卷积运算,得到32通道的输出特征图:[12,10,32];然后再由所述第二池化层24对第二卷积层23的输出特征图[12,10,32]进行最大池化操作,所述第二池化层24的池化核为2×2,步长为[2,2],池化操作后得到[6,5,32]的特征图;然后再由1×1的过渡卷积层31对第二池化层24的输出特征图[6,5,32]进行第三次卷积操作,所述第三卷积层31采用10个1×1的卷积核分别对特征图[6,5,32]进行同卷积运算,得到10通道的输出特征图:[6,5,10];然后再在第三卷积层31之后设置全局均值池化层32,所述全局均值池化层32采用10个6×5的池化核对第三卷积层31的输出特征图[6,5,10]进行全局均值池化计算,对每一个[6,5]的特征图内的所有值得一个全局平均值[1,10];在训练阶段,全局均值池化层32的输出特征向量继续输入给Softmax分类层4进行结果计算,误差计算及误差反向传播,训练CNN的特征提取层2和降维减参层3的模型参数,在测试阶段,全局均值池化层32的输出特征向量[1,10]直接输入给支持向量机输出层5进行最终诊断结果输出,如表2所示。
本发明提供的基于多通道时间序列数据的智能故障诊断方法与同规模的传统CNN相比,参数量明显减少,如表3所示,采用传统CNNs-全连接网络的模型参数总数为143,978个,而采用本发明提出的模型参数量仅为20,120个。
表3 CNN模型训练参数量对比表。
本发明提供的基于多通道时间序列数据的智能故障诊断方法与同规模的传统CNN相比,准确率有所提高,且故障的测试时间和训练时间显示减少,如表4所示。对比表4可知,本发明提供的方法相比传统的全连接CNN方法的性能得到明显提升。
表4 故障诊断结果对比表
模型名称 | 测试准确率 | 训练时间 | 测试时间 |
本发明提供的方法 | 99.89% | 340.12秒 | 0.194秒 |
传统的CNN方法 | 98.75% | 358.96秒 | 0.259秒 |
如表4所示,本发明设计的方法包含两个部分,其一是改进的CNNs与Softmax组合进行反向传播优化训练CNNs模型时得到的准确率,另一个是将训练好的CNNs模型作为特征提取器对新故障数据进行特征提取后再输入SVM进行故障分类得到的准确率;对比表4可知,在准确率方面:传统的CNNs方法准确率为98.75%,而本发明提供的方法的准确率已提升至99.89%;在时间方面,本发明提出的方法因为去除了全连接部分使模型参数量大量减少,其训练时间和测试时间明显减少,这对提出的方法应用于故障的快速诊断与在线监测具有重要意义。
为进一步验证本发明提出的方法相比当前主流智能诊断方法的有效性,本实施例将本发明的诊断结果与目前主流的支持向量机(SVM)、BP神经网络(BPNN)和K近邻法(KNN)及深层的BP神经网络(DNN)进行对比验证,结果见表5所示。
由表5可见,本发明所提供的方法的诊断准确率明显优于现行其他方法。
表5 五种方法诊断准确率数据表。
通过本发明所提供的以上技术方案与现有技术相比,本发明提供的基于多通道时间序列数据的智能故障诊断方法,通过改进传统卷积神经网络模型结构,首先采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接层结构,有效减少CNN的训练参数量,提高了模型的诊断速度,然后在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率,同时,本发明可自动对机电装备在多种监测信号和多个传感器下采集的数据进行数据融合和智能故障诊断,通过有效利用多个通道的数据对监测对象进行更精准的故障诊断。
本发明提供的一种基于多通道时间序列数据的智能故障诊断方法,将传感器设置在监测上,利用传感器采集监测对象在多种健康状态下运行时产生的多通道一维时间序列数据监测信号,组成多通道一维时间序列原始故障数据集,对获取的多通道一维时间序列数据进行归一化和数据截断预处理,并将预处理后的数据构建多通道二维特征图故障数据集,然后将多通道二维特征图故障数据集的所述样本划分为训练集、验证集和测试集,建立多通道深度学习故障诊断模型,包括输入层、特征提取层、softmax分类层和支持向量机输出层,在所述特征提取层与softmax分类层之间设置了降维减参层,将所述训练集中的数据输入多通道深度学习故障诊断模型用于模型参数的训练和学习,运用验证集的样本数据对训练过程中的多通道深度学习故障诊断模型的诊断准确率进行实时验证,验证诊断结果是否出现过拟合现象,直到所述多通道深度学习故障诊断模型不出现过拟合且验证集准确率达到设定的目标值或迭代轮数为止;当验证准确率达到设定的目标值时,模型结束训练,同时保存最佳的多通道深度学习故障诊断模型参数,最后将测试集的样本数据输入到已训练的多通道深度学习故障诊断模型中完成最终的测试,得到最终的故障诊断结果,减少模型训练参数量和计算时间,有利于故障的实时快速诊断和检测。
本发明无需任何手工特征提取操作,也不需要操作人员掌握复杂的多种先进信号处理技术,本发明可以直接将原始故障数据输入到本发明所设计的多通道深度学习故障诊断模型中,诊断模型可以自动对机电装备采集的多通道一维时间序列故障数据进行数据预处理、二维特征图重构、特征自动提取和故障的自动分类诊断,最终诊断结果自动输出,整个诊断过程自动完成,无需人工干预,具有更好的可操作性和更低的使用门槛,使故障诊断技术人员对机电装备的故障诊断更加智能方便快捷。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
还应当指出,本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,本技术领域技术人员在本发明内容的基础上作常规的显而易见的小改进或小组合,只要技术内容包含在本发明所记载的内容范围之内的技术内容均应在本发明的保护范围之内。
Claims (10)
1.一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,包括:
采集监测对象多通道一维时间序列故障数据;
建立多通道一维时间序列原始故障数据集;
对所述多通道一维时间序列数据进行预处理;
构建多通道二维特征图故障数据集;
划分数据集为训练集、验证集和测试集;
建立多通道深度学习故障诊断模型;
训练多通道深度学习故障诊断模型;
验证多通道深度学习故障诊断模型的诊断结果是否出现过拟合;
结束训练,保存最佳模型参数;
完成最终测试,得到最终的诊断结果。
2.根据权利要求1所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述采集监测对象多通道一维时间序列故障数据,包括:
将传感器设置在监测对象上,利用所述传感器采集监测对象在多种健康状态下运行时产生的一维时间序列数据监测信号,所述传感器在监测对象上布置的测点个数设置为T个(即T个通道),用于采集监测对象T个部位的故障数据,每个测点设置为安装一个传感器,所述每个传感器采集的数据均为一个连续的一维时间序列原始数据段;
所述监测对象的健康状态设置为N种健康状态,其中包含有一个正常状态和N-1种故障状态,从而每个健康状态均包含有T个通道的一维时间序列原始故障数据段。
3.根据权利要求2所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述建立多通道一维时间序列原始故障数据集,包括:
运用所述N种健康状态的监测数据构建用于深度学习模型训练和测试的多通道一维时间序列原始故障数据集{φ}原,所述多通道一维时间序列原始故障数据集{φ}原设置为包含有N个子集:{φ}原={φ1,φ2, ...,φ i , ...,φN}原,对应N种健康状态,所述每个子集{φ i }原 均包含有T个一维时间序列原始数据段,从而组成一个N×T×L的多维张量原始故障数据集{φ}原,即:每一个一维时间序列原始数据段的长度均为L个数据点,每个健康状态类型包含有T个一维时间序列数据段,多通道原始故障数据集{φ}原包含N个健康状态类型。
4.根据权利要求3所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述对所述多通道一维时间序列数据进行预处理,包括:
将获取的多通道一维时间序列原始故障数据集{φ}原中的N×T个一维时间序列原始数据段进行数据预处理操作,所述预处理包括归一化和数据截断;首先,对所述N×T个一维时间序列原始数据段的数据逐一进行归一化数据处理,将每一个一维时间序列原始数据段中的所有数据点的值的量级转变为0~1之间;其次,对每个健康状态归一化处理后的T个通道中的每个通道的一维时间序列原始数据段进行分段等分截断,使每个包含有L个数据点的一维时间序列原始数据段等分为h个等长的一维时间序列原始小数据段(假设每个等长的小数据段的长度为k个数据点, k×h=L, k的取值范围为100~10000之间),T个通道即可得到T×h个一维时间序列原始小数据段,从而,每个健康状态均可得到h个具有T个通道的一维时间序列原始小数据段组,每一个具有T个通道的一维时间序列原始小数据段组即构成一个故障样本,即每个故障样本均包含T个通道,其中每个通道具有k个数据点,将经过等分截断操作后的多通道一维时间序列原始故障数据集{φ}原记为{φ}截,因此{φ}截包含有N×h个具有T通道的一维时间序列小数据段组,每一个具有T通道的一维时间序列原始小数据段组记为一个故障样本{X (k)}(T),即每一个故障样本包含T个通道,每一个通道包含k个数据点。
5.根据权利要求4所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述构建多通道二维特征图故障数据集,包括:
对所述等分截断操作后得到的{φ}截中的每一个故障样本{X (k)}(T)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图;
将所述等分截断操作后得到的{φ}截中的每一个故障样本{X (k)}(T)中的每个通道的一维时间序列数据进一步做数据格式重构为二维特征图,每个故障样本{X (k)}(T)中T个通道即可得到T张尺寸为m×n的二维特征图;
{φ}截中的N×h个具有T通道的一维时间序列小数据段组故障样本{X (k)}(T)重构为N×h个具有T通道相叠加的尺寸为m×n的二维特征图{X [m×n]}(T);并将数据格式重构后的{φ}截记为多通道二维特征图故障数据集{φ}2D。
6.根据权利要求5所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述划分数据集为训练集、验证集和测试集,包括:
将多通道二维特征图故障数据集{φ}2D中每一种健康状态类型中的h个样本划分为训练集、验证集和测试集,划分方法为:首先将多通道二维特征图故障数据集{φ}2D中的每一种健康状态类型中的h个故障样本随机的选取30%的样本数量作为测试集,再从剩余的70%的样本中随机的取出80%划为训练集、20%为验证集;最后,将多通道二维特征图故障数据集{φ}2D中的N类健康状态中的所有划为训练集的故障样本组集为总训练集{D}训、将{φ}2D的N类健康状态中所有划为验证集的故障样本组集为总验证集{D}验、将{φ}2D的N类健康状态的所有划为测试集的故障样本组集为总测试集{D}测。
7.根据权利要求5所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述建立多通道深度学习故障诊断模型,包括:
所述输入层用于接收多通道二维特征图故障数据集{φ}2D下的总训练集{D}训、总验证集{D}验和总测试集{D}测的多通道二维特征图数据,并将数据输入给特征提取层,经过特征提取层处理后的特征图输送给降维减参层,在之后降维减参层并联了softmax分类层和支持向量机输出层;
所述多通道深度学习故障诊断模型包含有模型训练阶段模型组合和模型测试阶段模型组合两个模型组合,设计如下:在多通道深度学习故障诊断模型的训练阶段,所述降维减参层之后连接softmax分类层,用于训练卷积神经网络各层的模型参数,在多通道深度学习故障诊断模型的测试阶段,所述降维减参层之后连接支持向量机输出层,用于最终诊断结果的进一步提升和输出。
8.根据权利要求7所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述训练多通道深度学习故障诊断模型,包括:
将所述总训练集{D}训的多通道二维特征图数据样本输入到所述多通道深度学习故障诊断模型中用于深度学习模型参数的训练和学习,采用所述的多通道深度学习故障诊断模型的训练阶段的模型组合,在降维减参层之后连接softmax分类层执行CNN模型参数训练,初始化模型参数,反复执行前向传播和反向传播迭代计算过程。
9.根据权利要求6所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述验证多通道深度学习故障诊断模型的诊断结果是否出现过拟合,包括:
在多通道深度学习故障诊断模型训练的同时,将总验证集{D}验 的多通道二维特征图样本数据用于对训练过程中的所述多通道深度学习故障诊断模型的诊断准确率进行实时验证,验证模型在验证集上的准确率以及检查是否出现过拟合;
若随着模型训练迭代轮数的增加,当验证集上的准确率与训练集上的准确率持续增涨时,则模型训练正常,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存最佳的多通道深度学习故障诊断模型参数;
若随着模型训练迭代轮数的增加,当训练集上的准确率持续增涨而验证集上的准确率没有增涨,且两者准确率差达到预设值时,则诊断模型出现过拟合,停止模型训练,跳转执行将所述训练集的数据重新输入多通道深度学习故障诊断模型,重新修改所述多通道深度学习故障诊断模型结构参数,若重新验证时,没有出现过拟合,则说明模型参数合理,模型继续训练,直到训练集和验证集上的准确率达到设定的迭代轮数时,模型结束训练,保存最佳的多通道深度学习故障诊断模型参数,若重新验证时出现过拟合,则停止训练,再重新修改所述多通道深度学习故障诊断模型结构参数,继续验证,依此反复执行,直到验证成功。
10.根据权利要求1或7或9所述的一种基于多通道时间序列数据的智能故障诊断方法,其特征在于,所述得到最终的诊断结果前,所述方法还包括:
将测试集中的数据输入到已通过训练的多通道深度学习故障诊断模型中完成最终的测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890281.5A CN112541510A (zh) | 2019-09-20 | 2019-09-20 | 基于多通道时间序列数据的智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890281.5A CN112541510A (zh) | 2019-09-20 | 2019-09-20 | 基于多通道时间序列数据的智能故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541510A true CN112541510A (zh) | 2021-03-23 |
Family
ID=75012474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910890281.5A Withdrawn CN112541510A (zh) | 2019-09-20 | 2019-09-20 | 基于多通道时间序列数据的智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541510A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN113516159A (zh) * | 2021-04-15 | 2021-10-19 | 成都运达科技股份有限公司 | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 |
CN114062511A (zh) * | 2021-10-24 | 2022-02-18 | 北京化工大学 | 一种基于单传感器的航空发动机早期损伤声发射智能识别方法 |
CN115407753A (zh) * | 2022-08-18 | 2022-11-29 | 广东元梦泽技术服务有限公司 | 一种多变量加权集成学习的工业故障诊断方法 |
-
2019
- 2019-09-20 CN CN201910890281.5A patent/CN112541510A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516159A (zh) * | 2021-04-15 | 2021-10-19 | 成都运达科技股份有限公司 | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 |
CN113516159B (zh) * | 2021-04-15 | 2023-05-26 | 成都运达科技股份有限公司 | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN114062511A (zh) * | 2021-10-24 | 2022-02-18 | 北京化工大学 | 一种基于单传感器的航空发动机早期损伤声发射智能识别方法 |
CN115407753A (zh) * | 2022-08-18 | 2022-11-29 | 广东元梦泽技术服务有限公司 | 一种多变量加权集成学习的工业故障诊断方法 |
CN115407753B (zh) * | 2022-08-18 | 2024-02-09 | 广东元梦泽技术服务有限公司 | 一种多变量加权集成学习的工业故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112067916A (zh) | 基于深度学习的时间序列数据智能故障诊断方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN112541511A (zh) | 基于卷积神经网络的多通道时间序列数据故障诊断方法 | |
CN112067294A (zh) | 基于深度学习的滚动轴承智能故障诊断方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
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 | |
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 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN113158814B (zh) | 一种基于卷积自编码器的轴承健康状态监测方法 | |
CN114295377A (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
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 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114925809B (zh) | 基于lstm的印刷机轴承故障诊断方法及装置 | |
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 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210323 |
|
WW01 | Invention patent application withdrawn after publication |