CN112577736A - 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 - Google Patents
基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112577736A CN112577736A CN202011397747.7A CN202011397747A CN112577736A CN 112577736 A CN112577736 A CN 112577736A CN 202011397747 A CN202011397747 A CN 202011397747A CN 112577736 A CN112577736 A CN 112577736A
- Authority
- CN
- China
- Prior art keywords
- lstm
- cnn
- sanc
- planetary gearbox
- wind turbine
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 230000000737 periodic effect Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于SANC和1D‑CNN‑LSTM的风电机组行星齿轮箱故障诊断方法,采集行星齿轮箱的振动信号输入至训练好的1D‑CNN‑LSTM混合神经网络中得到故障诊断结果;训练步骤包括:利用SANC将行星齿轮箱的历史振动信号分离为周期性信号分量和随机信号分量,保留分离出地周期性信号分量;周期性信号分量按照设定的比例分为训练集、验证集和测试集;将训练集样本输入到1D‑CNN‑LSTM混合神经网络进行训练,利用验证集验证对模型进行评估,并开始下一轮次训练,重复该过程进行直至所有轮次迭代完毕,利用测试集测试模型诊断的精确度。与现有技术相比,本发明可有效滤除噪声,提取更多的故障特征,从而精准地对风电机组行星齿轮箱进行故障。
Description
技术领域
本发明涉及风电机组的故障诊断领域,尤其是涉及一种基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法。
背景技术
风能是当前最有发展前景的新能源之一,行星齿轮箱作为风力发电机重要的传动装置,它由行星轮、太阳轮、齿圈和行星架组成,可以在紧凑的空间中获得高的扭矩比。由于其振动传输路径复杂、多齿的啮合效应、信号的非平稳性以及工作背景噪声大等原因,导致其故障诊断具有自身的特点和难点,传统方法对其进行时域或频域分析很难提取有效故障信息,因此需要结合适合的降噪技术。随着Internet技术、物联网技术的发展,数据的获取和存储更为方便,基于数据驱动的故障诊断成为一个新的发展方向。和传统方法不同,数据驱动方法无需进行物理建模,直接对获取的数据进行适当的处理和分析来提取信息特征,从而发现故障规律。在数据驱动方法中,如何有效对数据进行处理,从而有效地提取数据的代表性特征,对诊断的精度起到至关重要的作用。因此,对于风电机组行星齿轮箱的故障诊断,如何降低外界噪声的干扰,如何更多的提取故障特征是非常重要的研究方向。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于SANC(自参考自适应噪声消除技术)和1D-CNN-LSTM(一维卷积混合神经网络)的风电机组行星齿轮箱故障诊断方法,包括:采集行星齿轮箱的振动信号作为采集数据;将采集数据输入至训练好的1D-CNN-LSTM混合神经网络中,输出得到故障诊断结果;
所述1D-CNN-LSTM混合神经网络的训练步骤包括:
S1、采集行星齿轮箱的历史振动信号作为诊断样本;
S2、利用SANC将行星齿轮箱的历史振动信号分离为周期性信号分量和随机信号分量,保留分离出地周期性信号分量,并对其进行归一化处理;
S3、将归一化处理后的周期性信号分量按照设定的比例分为训练集、验证集和测试集;
S4、将训练集样本输入到1D-CNN-LSTM混合神经网络进行训练,利用验证集验证对模型进行评估,并开始下一轮次训练,重复该过程进行直至所有轮次迭代完毕,利用测试集测试模型诊断的精确度。
进一步地,所述的步骤S2中对原始信号,即历史振动信号施加延迟获得参考信号;对参考信号进行自相关分析提取出周期信号分量;用原始信号减去提取的周期信号分量得到原始信号中的随机信号分量。
进一步地,SANC的自适应滤波器使用最小均方算法,其通过最小化误差来使自相关分析后的周期信号分量逼近原始信号,其表达式为:
J=E[e2(n)]
进一步地,所述的步骤S2中归一化处理为:利用Z-score标准化,将不同量级的数据转换成同一量级的数据,减小各类数据的差异性,其计算表达式为:
进一步地,所述的步骤S3中,训练集、验证集和测试集的比例为0.6:0.3:0.1。
进一步地,所述的步骤S4中,1D-CNN-LSTM由3个卷积层、3个池化层、1层长短期记忆网络、2层全连接层和1个Softmax分类器组成。
进一步地,在每个卷积层与池化层之间引入批归一化层,并对第一层卷积核进行0.5的Dropout处理。
进一步地,所述1D-CNN-LSTM中一维卷积层的计算公式为:
进一步地,所述1D-CNN-LSTM中的第一层卷积核尺寸为1×64,包含卷积核16个;第二层卷积核尺寸为1×3,包含卷积核32个;第三层卷积核尺寸为1×3,包含卷积核32个;LSTM隐藏层节点数为32,时间步长为10,两个全连接层分别包含512和64个单元。
进一步地,所述1D-CNN-LSTM训练使用Adam优化算法,设置学习率为0.001,输入采用shuffle batch打乱样本,损失函数选取为交叉熵损失函数。
与现有技术相比,本发明具有以下有益效果:
1、本发明利用自参考自适应噪声消除技术(SANC)将原始故障信号分解为周期信号分量和非周期信号分量,保留包含大量齿轮箱故障特征的周期信号成分,滤除包含大量噪声的非周期信号成分,降低了风电机组行星齿轮箱故障过程中外界干扰对诊断结果的影响。
2、本发明搭建了一维卷积混合神经网络(1D-CNN-LSTM),结合CNN的空间特征提取和学习能力和LSTM时序特征提取能力,可以从故障信号中提取出更多的故障特征。
3、本发明在神经网络卷积操作与激活操作之间添加批归一化层,用于减少干扰的影响;在卷积层与池化层之间添加Dropout层,用于防止网络过拟合。
4、本发明采用Adam优化算法,设置学习率为0.001,输入采用shuffle batch打乱样本,避免梯度下降的过程中在局部最优解处震荡,可以降低收敛到局部最优的风险。
附图说明
图1为本发明的结构示意图。
图2为自参考自适应噪声消除技术(SANC)原理图。
图3为一维卷积混合神经网络结构图。
图4为长短期记忆网络结构图。
图5为齿轮箱故障模拟实验平台。
图6为故障行星轮。
图7为行星齿轮箱不同故障下振动的时域波形图。
图8为训练过程中损失函数变化趋势。
图9为第1组实验测试集验证模型得到的混淆矩阵。
图10为对测试集分类效果的t-SNE可视化结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供了一种基于SANC和1D-CNN-LSTM混合神经网络风电机组行星齿轮箱故障诊断方法,包括:采集行星齿轮箱的振动信号作为采集数据;将采集数据输入至训练好的1D-CNN-LSTM混合神经网络中,输出得到故障诊断结果。
如图1所示,1D-CNN-LSTM混合神经网络的训练步骤包括:
步骤S1、采集行星齿轮箱的历史振动信号作为诊断样本。
步骤S2、利用SANC将行星齿轮箱的历史振动信号分离为周期性信号分量和随机信号分量,保留分离出地周期性信号分量,并对其进行归一化处理。
步骤S3、将归一化处理后的周期性信号分量按照设定的比例分为训练集、验证集和测试。
步骤S4、将训练集样本输入到1D-CNN-LSTM混合神经网络进行训练,利用验证集验证对模型进行评估,并开始下一轮次训练,重复该过程进行直至所有轮次迭代完毕,利用测试集测试模型诊断的精确度。
本实施例旨在针对风电机组行星齿轮箱故障信号易受到较强干扰,导致其故障特征难以通过浅层网络表达,以及卷积神经网络(CNN)易发生特征冗余等问题,结合SANC对周期信号的分离能力,CNN空间特征提取和学习能力和LSTM时序特征提取能力,对风电机组行星齿轮箱的故障信号进行特征提取,做到故障类别的精确识别。
自参考自适应噪声消除技术(SANC)原理如图2所示,具体步骤为:对原始信号施加延迟获得参考信号;对参考信号进行自相关分析提取出周期信号成分;用原始信号减去提取的周期信号得到原始信号中的随机信号。
SANC的自适应滤波器使用最小均方算法(LMS),其通过最小化误差来使自相关分析后的周期信号逼近原始信号,其表达式为:
J=E[e2(n)]
对提取出的周期分量归一化处理,利用Z-score标准化,将不同量级的数据转换成同一量级的数据,减小各类数据的差异性,其计算公式如下:
一维卷积混合神经网络结构如图3所示,由3个卷积层、3个池化层、1层长短期记忆网络、2层全连接层和1个Softmax分类器组成。此外,在每个卷积层与池化层之间引入批归一化层,并对第一层卷积核进行0.5的Dropout处理。
批归一化在神经网络训练的过程中,通过计算每个批次数据的均值和标准差,将输入数据进行归一化处理,使其均值为0,标准差为1。批归一化利用规范化和线性变换来降低模型中每层输入量分布的差异度,可以提高模型的计算速度与准确度。批归一化公式为:
一维混合神经网络中,一维卷积层的计算公式为:
池化层的计算公式为:
Hi=down(Hi-1)
其中,Hi-1和Hi分别表示经过池化层前后的特征量,down()表示池化函数,采用最大池化函数。
长短期记忆网络结构如图4所示,细胞状态通过三个门控结构控制,分别是输入门、输出门和遗忘门。在t时刻,状态计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
Ct=tanh(Wc·[ht-1,xt]+bc)
Ct=ft*Ct-1+it*Ct
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,ft、it、ot分别为三个门控结构的计算结果;xt为t时刻输入;ht为t时刻LSTM输出;Ct为t时刻细胞状态;Ct为候选值向量;Wf、Wt、Wo为对应门控结构的权重;bf、bt、bo为其偏置;Wc是候选值向量的权重,其偏置用bc表示;σ和tanh为激活函数。
所述1D-CNN-LSTM的第一层卷积核尺寸为1×64,包含卷积核16个;第二层卷积核尺寸为1×3,包含卷积核32个;第三层卷积核尺寸为1×3,包含卷积核32个;LSTM隐藏层节点数为32,时间步长为10,两个全连接层分别包含512和64个单元。训练使用Adam优化算法,设置学习率为0.001,输入采用shuffle batch打乱样本,损失函数选取为交叉熵损失函数。
所述网络训练步骤为:初始化模型参数;开始第一轮次训练,当所有批样本训练完后用验证集对模型进行初步评估;开始下一轮次训练并重复该过程直至所有轮次迭代完毕;使用测试集评估模型最终训练效果。
具体验证方案:
如图5所示,本实施例首先建立了一个风机齿轮箱模拟平台。测试行星齿轮安装在变速箱齿轮箱内,加速度计安装在齿轮箱壳体上以测量振动信号。可以通过速度控制器来改变电动机转速,旋转频率可设定范围是0~60Hz。信号的采样频率为12kHz。故障行星齿轮如图6所示,从左往右依次为磨损、点蚀、断齿故障。行星齿轮的健康状况包括:正常、磨损、点蚀以及断齿状况,当驱动电机转速为30Hz,采集的行星轮时域波形如图7所示。
1)利用风机齿轮箱模拟平台采集数据,过程中设定电动机旋转频率分别为30Hz,40Hz和50Hz。每种转速下不同健康状况均采集800个样本,共包含9600个样本,每个样本包含2000个数据点。
2)使用SANC将所有数据样本分解为周期信号分量和非周期信号分量,保留周期信号分量,滤去非周期信号分量,并对周期信号分量进行标准化处理,使其各个指标处于同一数量级和量纲,得到9600个待诊断样本。
3)将9600个样本随机按0.6:0.3:0.1的比例分为训练集、验证集和测试集。
4)将训练集样本输入到1D-CNN-LSTM中,开始第一轮次训练,当所有批样本训练完后用验证集对模型进行初步评估,并开始下一轮次训练,重复该过程进行直至所有轮次迭代完毕。训练完成,使用测试集评估模型最终训练效果。
为了排除实验的随机性,本实施例分别进行了10组实验,测试集平均精度为98.85%,并对第一组实验训练过程中损失函数变化趋势如图8所示,迭代到500次以后损失函数趋于稳定;对第一组实验结果绘制混淆矩阵如图9所示;对第一组实验测试集分类结果进行t-SNE可视化如图10所示。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,包括:采集行星齿轮箱的振动信号作为采集数据;将采集数据输入至训练好的1D-CNN-LSTM混合神经网络中,输出得到故障诊断结果;
所述1D-CNN-LSTM混合神经网络的训练步骤包括:
S1、采集行星齿轮箱的历史振动信号作为诊断样本;
S2、利用SANC将行星齿轮箱的历史振动信号分离为周期性信号分量和随机信号分量,保留分离出地周期性信号分量,并对其进行归一化处理;
S3、将归一化处理后的周期性信号分量按照设定的比例分为训练集、验证集和测试集;
S4、将训练集样本输入到1D-CNN-LSTM混合神经网络进行训练,利用验证集验证对模型进行评估,并开始下一轮次训练,重复该过程进行直至所有轮次迭代完毕,利用测试集测试模型诊断的精确度。
2.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,所述的步骤S2中对原始信号,即历史振动信号施加延迟获得参考信号;对参考信号进行自相关分析提取出周期信号分量;用原始信号减去提取的周期信号分量得到原始信号中的随机信号分量。
5.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,所述的步骤S3中,训练集、验证集和测试集的比例为0.6:0.3:0.1。
6.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,所述的步骤S4中,1D-CNN-LSTM由3个卷积层、3个池化层、1层长短期记忆网络、2层全连接层和1个Softmax分类器组成。
7.根据权利要求6所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,在每个卷积层与池化层之间引入批归一化层,并对第一层卷积核进行0.5的Dropout处理。
9.根据权利要求7所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,所述1D-CNN-LSTM中的第一层卷积核尺寸为1×64,包含卷积核16个;第二层卷积核尺寸为1×3,包含卷积核32个;第三层卷积核尺寸为1×3,包含卷积核32个;LSTM隐藏层节点数为32,时间步长为10,两个全连接层分别包含512和64个单元。
10.根据权利要求1所述的基于SANC和1D-CNN-LSTM的风电机组行星齿轮箱故障诊断方法,其特征在于,所述1D-CNN-LSTM训练使用Adam优化算法,设置学习率为0.001,输入采用shuffle batch打乱样本,损失函数选取为交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397747.7A CN112577736A (zh) | 2020-12-04 | 2020-12-04 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011397747.7A CN112577736A (zh) | 2020-12-04 | 2020-12-04 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112577736A true CN112577736A (zh) | 2021-03-30 |
Family
ID=75127841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011397747.7A Pending CN112577736A (zh) | 2020-12-04 | 2020-12-04 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112577736A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111467A (zh) * | 2021-05-11 | 2021-07-13 | 上海同岩土木工程科技股份有限公司 | 一种基于混合神经网络的掘进参数预测方法、介质及设备 |
CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
CN113887702A (zh) * | 2021-09-10 | 2022-01-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
CN115481662A (zh) * | 2022-09-19 | 2022-12-16 | 重庆忽米网络科技有限公司 | 一种旋转机械设备早期故障诊断方法 |
CN115859090A (zh) * | 2023-02-23 | 2023-03-28 | 华东交通大学 | 基于1dcnn-lstm的道岔故障诊断方法及系统 |
CN113887702B (zh) * | 2021-09-10 | 2024-06-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
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 |
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
-
2020
- 2020-12-04 CN CN202011397747.7A patent/CN112577736A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
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 |
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
高佳豪等: "基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断", 《振动与冲击》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111467A (zh) * | 2021-05-11 | 2021-07-13 | 上海同岩土木工程科技股份有限公司 | 一种基于混合神经网络的掘进参数预测方法、介质及设备 |
CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
CN113469281B (zh) * | 2021-07-22 | 2023-11-24 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
CN113887702A (zh) * | 2021-09-10 | 2022-01-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
CN113887702B (zh) * | 2021-09-10 | 2024-06-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
CN115481662A (zh) * | 2022-09-19 | 2022-12-16 | 重庆忽米网络科技有限公司 | 一种旋转机械设备早期故障诊断方法 |
CN115859090A (zh) * | 2023-02-23 | 2023-03-28 | 华东交通大学 | 基于1dcnn-lstm的道岔故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577736A (zh) | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 | |
CN104792522B (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
CN111337243B (zh) | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 | |
Zou et al. | Bearing fault diagnosis method based on EEMD and LSTM | |
CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN103398843B (zh) | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 | |
CN104714925B (zh) | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 | |
CN111089720B (zh) | 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 | |
CN110598593B (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
Yang et al. | Fault diagnosis of harmonic drive with imbalanced data using generative adversarial network | |
CN110617960A (zh) | 一种风电机组齿轮箱故障诊断方法及系统 | |
Zhong et al. | Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine | |
CN110398364B (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN114199570B (zh) | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 | |
Song et al. | A study on fault diagnosis method of rolling bearing based on wavelet packet and improved BP neural network | |
Li et al. | Deep learning based end-to-end rolling bearing fault diagnosis | |
CN114897292A (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
CN118171152A (zh) | 基于匹配追踪网络的齿轮局部故障信号稀疏时频表示方法 | |
CN110646188A (zh) | 一种旋转式机械设备故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |