CN112633371A - 一种基于vmd-msst的轴承故障诊断方法 - Google Patents
一种基于vmd-msst的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112633371A CN112633371A CN202011524778.4A CN202011524778A CN112633371A CN 112633371 A CN112633371 A CN 112633371A CN 202011524778 A CN202011524778 A CN 202011524778A CN 112633371 A CN112633371 A CN 112633371A
- Authority
- CN
- China
- Prior art keywords
- model
- signal
- vmd
- bearing
- msst
- 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
Images
Classifications
-
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于VMD‑MSST的轴承故障诊断方法,包括以下步骤:首先,采用VMD‑MSST作为振动信号的预处理器,对轴承的原始振动信号进行VMD分解,得到若干个固有模态函数IMF,然后根据峭度值和互信息选择有效的IMF,得到重构信号并消除了噪声干扰;其次,将MSST应用于重构信号以获得能量聚集度较高的时频图,然后采用信号重构和脊检测算法估计轴承的瞬时频率和振幅信号;最后,通过1D‑CNN‑LSTM网络提取特征完成轴承故障的智能分类和识别。本发明在识别精度和识别类型上均有良好的效果,能够准确的识别和分类轴承故障,具有较强的泛化能力,实现滚动轴承的智能故障诊断。
Description
技术领域
本发明属于设备维护技术领域,尤其涉及一种基于VMD-MSST的轴承故障诊断方法。
背景技术
随着我国经济的不断发展,社会对于电力工业的需求也不断增加,而在我国电力机构中,火力发电依然具有十分重要的地位。
然而随着火力发电机组的大规模投入运行,故障诊断越来越受到人们的重视。为了减少机组故障带来的损失,必须建立一个完善的火力发电机组故障诊断系统。齿轮箱是火力发电机的重要组成部分,其结构复杂,十分容易发生故障,一旦发生故障应及时迅速的做出反应,避免造成更大的损失。所以,精确高效的轴承故障诊断系统不仅可以降低维修成本,而且可以提高发电机组齿轮箱的可靠性和稳定性。
因此,亟需一种齿轮箱滚动轴承故障智能诊断方法。
发明内容
为了解决现有技术的上述问题,本发明提供了一种基于VMD-MSST的轴承故障诊断方法。可以高效准确的进行火电机组齿轮箱的故障诊断。
具体包括如下步骤:
S1.基于目标转子轴承,获得初始信号数据,所述初始信号数据包括若干样本数据,基于所述样本数据的总长度、单个样本数据长度、单个样本数据步长,获得所述样本数据的样本数量,构建目标信号数据模型;
S2.基于所述目标信号数据模型,获得若干个不同特征尺度的平稳信号单元,构建平稳信号数据模型,所述平稳信号数据模型包括峭度值单元和互信息单元,对所述平稳信号数据模型进行重构,得到重构信号模型;
S3.基于同步压缩变换的时频分析方法,依据所述重构信号模型,得到时频图像模型,通过信号重构和脊检测算法,获得所述时频图像模型的瞬时频率数据单元和瞬时幅值信号数据单元,构建目标输入数据模型;
S4.构建1D-CNN-LSTM网络模型,通过所述目标输入数据模型,对所述1D-CNN-LSTM网络模型进行训练,得到所述目标转子轴承的故障诊断模型,用于诊断转子轴承的组合故障类型。
优选地,所述目标转子轴承的故障为外圈故障,包括故障位置点和故障损伤直径;
优选地,所述故障位置点包括,3点钟、6点钟、9点钟和12点钟4种不同位置的故障;
优选地,所述故障损伤直径包括,0.007inch,0.014inch,0.021inch和0.028inch四种不同直径的故障。
优选地,基于VMD算法,对所述平稳信号单元进行分解,包括如下步骤:
S21.基于所述VMD算法的变分框架,依据所述目标信号数据模型,构建变分模型,其中,所述变分模型包括若干个分量,基于所述变分模型的最优解,确定所述分量的分量频率中心和分量带宽;
S22.基于逆傅里叶变换,将所述分量返回到所述初始信号数据的信号时域;
S23.所述初始信号数据的信号频域分解为若干个窄带模态分量,通过所述信号时域,构建所述平稳信号单元。
优选地,所述峭度值单元的峭度值小于等于2.74;
优选地,所述互信息单元的互信息值大于等于0.1。
优选地,所述1D-CNN-LSTM网络包括2个一维卷积层、2个最大池化层,2个LSTM层,1个全连接层和1个输出层。
优选地,所述一维卷积层采用Delude作为激活函数;
优选地,所述全连接层用于对训练结果进行分类。
与现有技术相比,本发明的有益效果为:
本发明提供的轴承智能故障诊断方法,该方法通过VMD-MSST方法对信号进行过滤消除了噪声干扰和时频能量发散,得到了包含明显故障特征的信号,提高了1D-CNN-LSTM网络模型的准确性,可以有效的对火电机组齿轮箱进行故障诊断,以便技术人员能够及时发现处理故障,提高锅炉的运行的安全性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是基于VMD-MSST和1D-CNN-LSTM网络相结合的轴承故障诊断方法流程图;
图2是网络模型迭代损失和准确率图;
图3是1D-CNN-LSTM网络连接图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于VMD-MSST的轴承故障诊断方法,如图1所示,包括以下步骤,首先,采用VMD-MSST作为振动信号的预处理器,对信号进行VMD分解,通过峭度值和互信息选择有效的IMF,得到重构信号并消除了噪声干扰。然后,对重构信号进行MSST可以极大程度地消除时频能量发散,得到有效的时频表达。最后,利用信号重构和脊检测算法从时频图中提取瞬时频率和幅值信号,通过1D-CNN-LSTM网络提取特征完成轴承故障的智能分类和识别。
步骤一:实验数据划分:实验采用的滚动轴承数据集由凯斯西储的轴承数据中心提供,该数据集广泛用来做轴承故障诊断的判别数据,此次实验对象为轴承的驱动端。轴承数据由加速度传感器在四种负载条件下采集,采集频率为12KHz。根据负载的不同,电机转速在1730rpm和1797rpm之间变化,驱动端轴承有三种故障类型,即内圈故障(IF),滚珠故障(BF)和外圈故障(OF),其中外圈故障包含3点钟、6点钟和9点钟、12点钟4个不同故障位置点,每种故障类型有四种不同的损伤直径分别为0.007inch,0.014inch,0.021inch和0.028inch,根据以上情况将轴承健康状况划分为16种类别。
为了在有限的数据中获得更多的训练数据,本文采取数据重叠分割的数据划分方法。样本之间存在部分重叠,固定了分割的步长也就固定了相邻两个样本之间重叠的点数,具体计算方法如下所示:
其中L1为样本的总长度,L2为单个样本的长度,D为步长,N则为获得的样本数量。
步骤二:VMD分解:考虑到滚动轴承故障信号在复杂条件下表现出强非平稳性,是一种受强噪声干扰的复杂多变分量信号,即使具有很高的时频分析方法,也很难单独对瞬时频率进行估计,因此有必要对信号进行预处理,对原始信号进行去噪和分解,VMD方法摒弃了EMD中模态分量的循环筛选过程,将固有模态函数重新定义为幅频调制信号,其表达式如下:
uk=Ak(t)cosφk(t)
式中Ak(t)是uk(t)的瞬时振幅。
式中ωk(t)是uk(t)的瞬时频率,在[t-δ,t+δ](δ=2π/φ′k(t))时,uk(t)被视为振幅为Ak(t)频率为ωk(t)的谐波信号。
VMD算法的本质是使用交替方向乘数来求解约束变分问题的最优值。首先,将信号分解过程转移到变分框架,并通过迭代搜索变分模型的最优解来确定每个分量的频率中心和带宽。然后,使用逆傅里叶变换将各个分量返回到时域。最后,原始信号的频域可以自适应地分解为K个窄带模态分量。VMD的分解过程是解决变分问题的过程,包括变分问题的构造和求解。变分问题的构建模型可以描述如下:
其中,{uk}={u1,…,uk}表示通过分解获得的K模态分量,{ωk}={ω1,…,ωk}表示模态分量的频率中心。
为了得到变分问题的最优解,引入了增广拉格朗日函数。用乘子交替方向法求出增广Lagrange函数的鞍点,是个模态分量的带宽之和最小,约束条件是各模态分量之和等于原始输入信号。具体步骤如下:
Step2:n=m+1,执行整个周期。
2.最终输出的最优解是每个模态分量{uk}的中心频率{ωk}。
步骤三:信号过滤与重构:轴承振动信号经过VMD分解后不同的IMF分量包含不同的指标,然而并不是所有的IMF都是有效的。根据实验表明,当轴承处于正常工作状态时,振动信号的振幅概率密度接近于正态分布,这时的峭度值为2.74,这是一个平稳或若平稳的过程。然而,当轴承发生故障时,振幅概率密度偏离正态分布,峰值越大,即信号的脉冲越强。当互信息大于0.1时,信号能够保留最有效信息和消除噪声。因此,根据峭度值和互信息选择有效的IMF,计算各分量与原始信号之间的互信息和每个分量的峭度值,去掉互信息小于0.1且峭度值大于2.74的分量,剩余为有效分离,这样不仅消除了噪声干扰,而且获得了包含完备故障信息的单分量信号;通过对IMF分量的峭度值和互信息的分析,选取个具有明显故障特征信息的IMF分量,将故障特征明显的个IMF分量进行重构。
步骤四:MSST处理:对过滤后的信号进行MSST变换,MSST是一种基于同步压缩变换的时频分析方法,它不仅可以产生更好的能量集中并抑制交叉项,而且可以保留信号重建能力。时变强烈的信号可以定义为冲击和震动:
其中G(t,w)是s(t)的STFT,w是角频率,δ()表示狄拉克三角函数,N是表示执行SST次数的迭代次数,N的值会影响时频图的能量聚集和对应项抑制的能力,应在操作MSST之前人为设置为N≥2,并且MSST的瞬时频率估计(IF),可以定义为:
构建了新的IF估计,以通过每个迭代过程重新分配模糊的STFT能量。通过多次迭代,MSST方法的IF估计越来越接近信号真实IF,因此可以获得具有高度时变信号的高分辨率的时频图像。
步骤五:提取瞬时频率和幅值:采用信号重构和脊检测算法从时频图中提取瞬时频率和幅值信息,MSST仅在频率方向上重新分配TF系数,并且不丢失任何信息,通过以下公式可以获得瞬时幅值信号:
采用脊检测算法从时频图中提取出瞬时频率,其计算公式如下:
步骤六:搭建网络模型:为实现对轴承不同故障的智能诊断,搭建1D-CNN-LSTM网络,该网络中,有2个一维卷积和最大池化层,2个LSTM层,1个全连接层和1个输出层。第一个卷积层和池化层神经元个数为16个,第二个卷积层神经元个数为32个,第一个LSTM层的神经元个数为32个,第二个LSTM层的神经元个数为64个,第一个全连接层的神经元个数为2048个,最后一层全连接层神经元个数为16个。训练过程中的学习率为0.0003,批处理个数为64,该网络通过卷积层和池化层减少了网络设计,增加了模型泛化能力,在卷积层采用Delude作为激活函数,最后使用全连接层对训练结果进行分类,采用Adam优化算法更新网络参数,选用10次实验结果的平均值作为最终结果,结果表明,该模型故障诊断正确率为98.7%。
综上所述,本发明提供的轴承智能故障诊断方法,通过VMD-MSST方法对信号进行过滤,消除了噪声干扰和时频能量发散,得到了包含明显故障特征的信号,提高了1D-CNN-LSTM网络模型的准确性,可以有效的对火电机组齿轮箱进行故障诊断,识别和分类轴承故障类型,以便技术人员能够及时发现处理故障,提高锅炉的运行的安全性,具有较强泛化能力,极大地满足实际工程需要。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于VMD-MSST的轴承故障诊断方法,其特征在于,包括以下步骤:
S1.基于目标转子轴承,获得初始信号数据,所述初始信号数据包括若干样本数据,基于所述样本数据的总长度、单个样本数据长度、单个样本数据步长,获得所述样本数据的样本数量,构建目标信号数据模型;
S2.基于所述目标信号数据模型,获得若干个不同特征尺度的平稳信号单元,构建平稳信号数据模型,所述平稳信号数据模型包括峭度值单元和互信息单元,对所述平稳信号数据模型进行重构,得到重构信号模型;
S3.基于同步压缩变换的时频分析方法,依据所述重构信号模型,得到时频图像模型,通过信号重构和脊检测算法,获得所述时频图像模型的瞬时频率数据单元和瞬时幅值信号数据单元,构建目标输入数据模型;
S4.构建1D-CNN-LSTM网络模型,通过所述目标输入数据模型,对所述1D-CNN-LSTM网络模型进行训练,得到所述目标转子轴承的故障诊断模型,用于诊断转子轴承的组合故障类型。
2.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法,其特征在于,
所述目标转子轴承的故障为外圈故障,包括故障位置点和故障损伤直径;
所述故障位置点包括,3点钟、6点钟、9点钟和12点钟4种不同位置的故障;
所述故障损伤直径包括,0.007inch,0.014inch,0.021inch和0.028inch四种不同直径的故障。
3.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法,其特征在于,
基于VMD算法,对所述平稳信号单元进行分解,包括如下步骤:
S21.基于所述VMD算法的变分框架,依据所述目标信号数据模型,构建变分模型,其中,所述变分模型包括若干个分量,基于所述变分模型的最优解,确定所述分量的分量频率中心和分量带宽;
S22.基于逆傅里叶变换,将所述分量返回到所述初始信号数据的信号时域;
S23.所述初始信号数据的信号频域分解为若干个窄带模态分量,通过所述信号时域,构建所述平稳信号单元。
4.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法,其特征在于,
所述峭度值单元的峭度值小于等于2.74;
所述互信息单元的互信息值大于等于0.1。
5.根据权利要求1所述的一种基于VMD-MSST的轴承故障诊断方法,其特征在于,
所述1D-CNN-LSTM网络包括1D-CNN模块、LSTM模块、全连接层模块和输出层模块;
所述1D-CNN模块包括两个卷积层单元和两个最大池化层单元;
所述卷积层单元包括若干个卷积层;
所述最大池化层单元包括若干个最大池化层;
所述卷积层与所述最大池化层的层数相同;
所述LSTM模块包括两个LSTM层单元;
所述LSTM层单元包括若干个LSTM层;
所述1D-CNN模块通过所述LSTM模块与所述全连接层模块连接;
所述LSTM模块通过所述全连接层模块与所述输出层模块连接。
6.根据权利要求5所述的一种基于VMD-MSST的轴承故障诊断方法,其特征在于,
所述一维卷积层采用Delude作为激活函数;
所述全连接层用于对训练结果进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524778.4A CN112633371A (zh) | 2020-12-22 | 2020-12-22 | 一种基于vmd-msst的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524778.4A CN112633371A (zh) | 2020-12-22 | 2020-12-22 | 一种基于vmd-msst的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633371A true CN112633371A (zh) | 2021-04-09 |
Family
ID=75320760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524778.4A Pending CN112633371A (zh) | 2020-12-22 | 2020-12-22 | 一种基于vmd-msst的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633371A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462452A (zh) * | 2022-01-27 | 2022-05-10 | 浙江浙能兰溪发电有限责任公司 | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 |
CN114462452B (zh) * | 2022-01-27 | 2024-05-10 | 浙江浙能兰溪发电有限责任公司 | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN109145727A (zh) * | 2018-07-11 | 2019-01-04 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
CN111189639A (zh) * | 2020-01-08 | 2020-05-22 | 重庆交通大学 | 一种基于瞬时频率优化vmd的轴承故障诊断方法 |
-
2020
- 2020-12-22 CN CN202011524778.4A patent/CN112633371A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
CN109145727A (zh) * | 2018-07-11 | 2019-01-04 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
CN111189639A (zh) * | 2020-01-08 | 2020-05-22 | 重庆交通大学 | 一种基于瞬时频率优化vmd的轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
XIN GU,ETC.: "Adaptive fault diagnosis method for rolling bearings based on 1-DCNN-LSTM", 《MACHINE TOOL & HYDRAULICS》 * |
李艺伟: "基于改进 CNN 的变工况下滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
禇东亮: "《旋转机械非平稳信号分析及故障诊断技术》", 30 November 2019, 首都经济贸易大学出版社 * |
裔隽等: "《Python机器学习实战》", 28 February 2018, 科学技术文献出版社 * |
阮婉莹: "基于同步压缩变换的变转速滚动轴承瞬时频率估计", 《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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462452A (zh) * | 2022-01-27 | 2022-05-10 | 浙江浙能兰溪发电有限责任公司 | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 |
CN114462452B (zh) * | 2022-01-27 | 2024-05-10 | 浙江浙能兰溪发电有限责任公司 | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM | |
CN109977920B (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
Yu et al. | Vibration signal fusion using improved empirical wavelet transform and variance contribution rate for weak fault detection of hydraulic pumps | |
Frei et al. | Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals | |
Staszewski et al. | Time–frequency analysis in gearbox fault detection using the Wigner–Ville distribution and pattern recognition | |
CN111307453A (zh) | 一种基于多信息融合的传动系统故障诊断方法 | |
Luo et al. | A dual-tree complex wavelet enhanced convolutional LSTM neural network for structural health monitoring of automotive suspension | |
Singh et al. | Gearbox fault diagnosis under non-stationary conditions with independent angular re-sampling technique applied to vibration and sound emission signals | |
McCormick et al. | Real-time classification of rotating shaft loading conditions using artificial neural networks | |
CN107884190A (zh) | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 | |
Li et al. | Explainable graph wavelet denoising network for intelligent fault diagnosis | |
Pan et al. | Research on gear fault diagnosis based on feature fusion optimization and improved two hidden layer extreme learning machine | |
Zhang et al. | A novel intelligent fault diagnosis method based on variational mode decomposition and ensemble deep belief network | |
CN114838936B (zh) | 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统 | |
Zhang et al. | Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network | |
Kim et al. | Deep learning-based explainable fault diagnosis model with an individually grouped 1-D convolution for three-axis vibration signals | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
Zhang et al. | State of the art on vibration signal processing towards data‐driven gear fault diagnosis | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
Li et al. | A classification algorithm of fault modes-integrated LSSVM and PSO with parameters’ optimization of VMD | |
Feng et al. | A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network | |
Yuan et al. | Noise reduction and feature enhancement of hob vibration signal based on parameter adaptive VMD and autocorrelation analysis | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
Sun et al. | Role of image feature enhancement in intelligent fault diagnosis for mechanical equipment: A review |
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 |