CN112697435B - 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 - Google Patents
一种基于改进seld-tcn网络的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112697435B CN112697435B CN202110104796.5A CN202110104796A CN112697435B CN 112697435 B CN112697435 B CN 112697435B CN 202110104796 A CN202110104796 A CN 202110104796A CN 112697435 B CN112697435 B CN 112697435B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- network
- convolution
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005096 rolling process Methods 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012886 linear function Methods 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
- G01M13/04—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
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于故障检测技术领域，具体涉及一种基于改进SELD‑TCN网络的滚动轴承故障诊断方法，包括如下步骤：数据采集、数据集构建、数据增强、数据集划分、模型构建、模型评价；数据采集用于网络训练；数据集构建，构建可用于深度神经网络训练的数据集；数据增强，防止数据欠拟合与过拟合，增强模型泛化能力与鲁棒性；数据集划分，用于模型训练与模型评价；模型构建以SELD‑TCN网络为基础，对最终结果使用Softmax进行输出；通过对轴承振动数据进行采集与处理，构建可以智能识别轴承故障信息的深度神经网络，网络对原始SELD‑TCN网络进行了改进，拥有更优秀的识别效果，且模型泛化能力强，鲁棒性高，可以对高噪声情况下的数据进行有效的识别分类。
Description
技术领域
本发明涉及故障检测技术领域，具体涉及一种基于改进SELD-TCN网络的滚动轴承故障诊断方法。
背景技术
列车长时间高速重载运行难免会导致列车滚动轴承产生缺陷或故障，若没有被及时发现并处理，会导致滚动轴承功能失效，进而引发事故，现有滚动轴承故障诊断技术多是基于支撑向量机、逻辑回归等传统机器学习算法，此类方法需人工进行特征选取，这会导致部分数据特征被遗漏，影响诊断效果。现有的深度学习诊断方法中CNN方法较为落后，识别准确率较低，RNN方法多使用LSTM等计算速度较慢的网络结构，无法满足滚动轴承诊断的时效要求。
存在问题或缺陷的原因：目前的滚动轴承故障检测传统方法需人工干预，存在主观隐患，容易导致特征提取不完全，识别准确率低，现有深度学习识别方法存在识别准确率与识别速度无法满足实际需求等问题。
发明内容
本发明的目的在于提供一种基于改进SELD-TCN网络的滚动轴承故障诊断方法。
为实现上述目的，本发明提供如下技术方案：一种基于改进SELD-TCN网络的滚动轴承故障诊断方法，包括下列步骤：
S100、数据采集：获取正常轴承及3种故障轴承的序列数据，用于网络训练；
S200、数据集构建：处理采集数据，对数据与标签进行处理，构建用于深度神经网络训练的数据集；
S300、数据增强：对数据进行扩增处理；
S400、数据集划分：将数据集划分为训练集与测试集；
S500、模型构建：以SELD-TCN网络为基础，使用H-Swish函数对网络进行改进，对最终结果使用Softmax进行输出；
S600、模型评价：使用F1-Score对模型的识别效果进行评价。
所述数据采集获取正常轴承及3种故障轴承的序列数据，用于网络训练；所述数据集构建处理采集到的数据，对数据与标签进行处理，构建可用于深度神经网络训练的数据集；所述数据增强扩增数据，防止数据欠拟合与过拟合，增强模型泛化能力与鲁棒性；所述数据集划分将数据集划分为训练集与测试集，用于模型训练与模型评价；所述模型构建以SELD-TCN网络为基础，使用H-Swish函数对网络进行改进，对最终结果使用Softmax进行输出；所述模型评价：使用F1-Score对模型的识别效果进行评价。
进一步的，步骤S100中，对列车运行时产生的轴承振动数据进行采集，采样频率为10000Hz，速度分别为80km/h、120km/h和160km/h，采集类别为轴承正常运转数据、内圈故障数据、外圈故障数据和滚子故障数据共四类，对采集得到的数据进行其对应类别的标注。
进一步的，步骤S200中，将采集到的数据以0.1s长度的时窗进行切割，即每段数据包含1000个数据点，将数据对应标签转换为ONE-HOT形式，正常运转数据、内圈故障数据、外圈故障数据、滚子故障数据分别对应One-Hot标签0-3列，即正常运转数据标签为[1,0,0,0]，内圈故障数据标签为[0,1,0,0]，外圈故障数据标签为[0,0,1,0]，滚子故障数据标签为[0,0,0,1]。
进一步的，步骤S300中，采用加噪方式进行数据增强；加噪方式为：数据每个时间步分别增加其振幅最大值5％与10％的噪声，x＝(1+α)·xmax，其中x为该条数据的每个时间步，α为噪声增加尺度，取5％与10％，xmax为该条数据的最大振幅，扩增同时保存数据对应的标签；其中，将数据归一化到(0,1)范围内，加速网络收敛，方式为Min-Max归一化
进一步的，步骤S400中，将扩增后数据进行随机打乱，使无噪声原始数据与加噪后数据进行随机混合，以1:1:1:1:1的比例，根据每个类别的数据量，采集5种数据，构建等比例数据集，之后以8：2的比例构建训练集与测试集。
进一步的，步骤S500中，基于SELD-TCN结构进行构建，网络分为两部分，分别为1D卷积网络部分与TCN膨胀卷积部分，使用1D卷积网络为3层，卷积核大小均为5，步长为2的1D卷积层，第一层卷积的卷积核个数为8*1，第二层卷积的卷积核个数为16*8，第三次卷积的卷积核个数为32*16，通过卷积层，将单通道轴承振动数据升维到16维，展示数据细节，并对数据时间步进行提取，减少时间步数量，剔除无关特征；
TCN膨胀卷积部分由6层膨胀卷积构成，每2层的膨胀卷积尺度相同，卷积核大小均为3，1-2层膨胀卷积尺度为2，3-4层膨胀卷积尺度为4，5-6层膨胀卷积尺度为8，卷积核个数同为16*16，将TCN网络提取到的特征使用FC层进行全连接分类，使用Softmax函数进行输出运算，得到分类结果，采用H-Swish激活函数对数据进行非线性映射，计算方式如下：
其中a为输入激活函数的特征，其中，
模型参数：模型训练采用Adam优化器，学习率初始设置为0.01，每100个epoch学习率衰减50％，Batch_size大小为128，损失函数使用softmax_cross_entropy，设定训练1000个epoch，连续30个epoch模型损失值无下降则停止训练，保存模型；
模型训练：将训练集数据输入搭建好的模型中，进行参数模型迭代训练，待到模型损失值不再下降，停止训练，保存模型，若1000个epoch后损失值仍继续下降，继续模型训练，直到得到最佳状态的参数模型。
进一步的，步骤S600中，使用训练好的模型对测试集数据进行轴承故障分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1-score，F1-Score值越高，表示识别效果越好，方式如下：
其中，F1为F1-score，A为准确率，R为召回率，TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
本发明的技术效果如下：本发明通过对轴承振动数据进行采集与处理，构建可以智能识别轴承故障信息的深度神经网络，网络对原始SELD-TCN网络进行了改进，拥有更优秀的识别效果，且模型泛化能力强，鲁棒性高，可以对高噪声情况下的数据进行有效的识别分类。
附图说明
图1为实施例中主要步骤流程图；
图2为实施例中模型识别流程图。
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。
实施例
一种基于改进SELD-TCN网络的滚动轴承故障诊断方法，如图1所示，包括下列步骤：
S100、数据采集：获取正常轴承及3种故障轴承的序列数据，用于网络训练；
S200、数据集构建：处理采集数据，对数据与标签进行处理，构建用于深度神经网络训练的数据集；
S300、数据增强：对数据进行扩增处理；
S400、数据集划分：将数据集划分为训练集与测试集；
S500、模型构建：以SELD-TCN网络为基础，使用H-Swish函数对网络进行改进，对最终结果使用Softmax进行输出；
S600、模型评价：使用F1-Score对模型的识别效果进行评价。
所述数据采集获取正常轴承及3种故障轴承的序列数据，用于网络训练；所述数据集构建处理采集到的数据，对数据与标签进行处理，构建可用于深度神经网络训练的数据集；所述数据增强扩增数据，防止数据欠拟合与过拟合，增强模型泛化能力与鲁棒性；所述数据集划分将数据集划分为训练集与测试集，用于模型训练与模型评价；所述模型构建以SELD-TCN网络为基础，使用H-Swish函数对网络进行改进，对最终结果使用Softmax进行输出；所述模型评价：使用F1-Score对模型的识别效果进行评价。
步骤S100中，对列车运行时产生的轴承振动数据进行采集，采样频率为10000Hz，速度分别为80km/h，120km/h和160km/h，采集类别为轴承正常运转数据、内圈故障数据、外圈故障数据、滚子故障数据共四类，对采集得到的数据进行其对应类别的标注。
步骤S200中，将采集到的数据以0.1s长度的时窗进行切割，即每段数据包含1000个数据点，将数据对应标签转换为ONE-HOT形式，正常运转数据、内圈故障数据、外圈故障数据、滚子故障数据分别对应One-Hot标签0-3列，即正常运转数据标签为[1,0,0,0]，内圈故障数据标签为[0,1,0,0]，外圈故障数据标签为[0,0,1,0]，滚子故障数据标签为[0,0,0,1]。
步骤S300中，由于数据量过少会导致所训练的模型发生欠拟合或过拟合，无法达到预期效果，因此采用数据增强方式扩增数据集，采用加噪声的方式进行数据增强，具体加噪方式为数据每个时间步分别增加其振幅最大值5％与10％的噪声，x＝(1+α)·xmax，其中x为该条数据的每个时间步，α为噪声增加尺度，取5％与10％，xmax为该条数据的最大振幅，扩增同时保存数据对应的标签，经过数据增强后，数据量扩增为原数据的3倍；其中，由于数据振幅不一会影响网络训练速度与识别效果，因此对数据进行归一化处理，数据归一化将数据归一化到(0,1)范围内，加速网络收敛，方式为Min-Max归一化
步骤S400中，将扩增后数据进行随机打乱，使无噪声原始数据与加噪后数据进行随机混合，以1:1:1:1:1的比例，根据每个类别的数据量，最大限度的采集5种数据，构建等比例数据集，之后以8：2的比例构建训练集与测试集。
步骤S500中，基于SELD-TCN结构进行构建，如图2所示，网络分为两部分，分别为1D卷积网络部分与TCN膨胀卷积部分，使用1D卷积网络为3层，卷积核大小均为5，步长为2的1D卷积层，第一层卷积的卷积核个数为8*1，第二层卷积的卷积核个数为16*8，第三次卷积的卷积核个数为32*16，通过卷积层，将单通道轴承振动数据升维到16维，以更高的维度展示数据细节，并对数据时间步进行了提取，减少了时间步数量，剔除了无关特征，TCN膨胀卷积部分由6层膨胀卷积构成，每2层的膨胀卷积尺度相同，卷积核大小均为3，1-2层膨胀卷积尺度为2，3-4层膨胀卷积尺度为4，5-6层膨胀卷积尺度为8，卷积核个数同为16*16；将TCN网络提取到的特征使用FC层进行全连接分类，使用Softmax函数进行输出运算，得到分类结果；
原始的SELD-TCN网络采用ReLU作为网络激活函数，Swish函数可以看作是介于线性函数与ReLU函数之间的平滑函数，beta是个常数或者可以训练的参数，其具有无上界有下界、平滑、非单调的特性。其在模型效果上优于ReLU，Swish非线性提高了精度，但是在嵌入式环境中，它的成本是非零的，因此采用H-Swish激活函数对数据进行非线性映射，计算方式如下：
其中a为输入激活函数的特征，其中，
模型参数：模型训练采用Adam优化器，学习率初始设置为0.01，每100个epoch学习率衰减50％，Batch_size大小为128，损失函数使用softmax_cross_entropy，设定训练1000个epoch，连续30个epoch模型损失值无下降则停止训练，保存模型；
模型训练：将训练集数据输入搭建好的模型中，进行参数模型迭代训练，待到模型损失值不再下降，停止训练，保存模型，若1000个epoch后损失值仍继续下降，继续模型训练，直到得到最佳状态的参数模型。
步骤S600中，使用训练好的模型对测试集数据进行轴承故障分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1-score，F1-Score值越高，表示识别效果越好，方式如下：
其中，F1为F1-score，A为准确率，R为召回率，TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于改进SELD-TCN网络的滚动轴承故障诊断方法，其特征在于，包括下列步骤：
S100、数据采集：获取正常轴承及3种故障轴承的序列数据，用于网络训练；
S200、数据集构建：处理采集数据，对数据与标签进行处理，构建用于深度神经网络训练的数据集；
S300、数据增强：对数据进行扩增处理；步骤S300中，采用加噪方式进行数据增强；加噪方式为：数据每个时间步分别增加其振幅最大值5％与10％的噪声，x＝(1+α)·xmax，其中x为该条数据的每个时间步，α为噪声增加尺度，取5％与10％，xmax为该条数据的最大振幅，扩增同时保存数据对应的标签；其中，将数据归一化到(0,1)范围内，加速网络收敛，方式为Min-Max归一化
S400、数据集划分：将数据集划分为训练集与测试集；步骤S400中，将扩增后数据进行随机打乱，使无噪声原始数据与加噪后数据进行随机混合，以1:1:1:1:1的比例，根据每个类别的数据量，采集5种数据，构建等比例数据集，之后以8：2的比例构建训练集与测试集；S500、模型构建：以SELD-TCN网络为基础，使用H-Swish函数对网络进行改进，对最终结果使用Softmax进行输出；步骤S500中，基于SELD-TCN结构进行构建，网络分为两部分，分别为1D卷积网络部分与TCN膨胀卷积部分，使用1D卷积网络为3层，卷积核大小均为5，步长为2的1D卷积层，第一层卷积的卷积核个数为8*1，第二层卷积的卷积核个数为16*8，第三次卷积的卷积核个数为32*16，通过卷积层，将单通道轴承振动数据升维到16维，展示数据细节，并对数据时间步进行提取，减少时间步数量，剔除无关特征；
TCN膨胀卷积部分由6层膨胀卷积构成，每2层的膨胀卷积尺度相同，卷积核大小均为3，1-2层膨胀卷积尺度为2，3-4层膨胀卷积尺度为4，5-6层膨胀卷积尺度为8，卷积核个数同为16*16，将TCN网络提取到的特征使用FC层进行全连接分类，使用Softmax函数进行输出运算，得到分类结果，采用H-Swish激活函数对数据进行非线性映射，计算方式如下：
其中a为输入激活函数的特征，其中，
模型参数：模型训练采用Adam优化器，学习率初始设置为0.01，每100个epoch学习率衰减50％，Batch_size大小为128，损失函数使用softmax_cross_entropy，设定训练1000个epoch，连续30个epoch模型损失值无下降则停止训练，保存模型；
模型训练：将训练集数据输入搭建好的模型中，进行参数模型迭代训练，待到模型损失值不再下降，停止训练，保存模型，若1000个epoch后损失值仍继续下降，继续模型训练，直到得到最佳状态的参数模型；
S600、模型评价：使用F1-Score对模型的识别效果进行评价。
2.根据权利要求1所述的一种基于改进SELD-TCN网络的滚动轴承故障诊断方法，其特征在于，步骤S100中，对列车运行时产生的轴承振动数据进行采集，采样频率为10000Hz，速度分别为80km/h、120km/h和160km/h，采集类别为轴承正常运转数据、内圈故障数据、外圈故障数据和滚子故障数据共四类，对采集得到的数据进行其对应类别的标注。
3.根据权利要求2所述的一种基于改进SELD-TCN网络的滚动轴承故障诊断方法，其特征在于：步骤S200中，将采集到的数据以0.1s长度的时窗进行切割，即每段数据包含1000个数据点，将数据对应标签转换为ONE-HOT形式，正常运转数据、内圈故障数据、外圈故障数据、滚子故障数据分别对应One-Hot标签0-3列，即正常运转数据标签为[1,0,0,0]，内圈故障数据标签为[0,1,0,0]，外圈故障数据标签为[0,0,1,0]，滚子故障数据标签为[0,0,0,1]。
4.根据权利要求1所述的一种基于改进SELD-TCN网络的滚动轴承故障诊断方法，其特征在于：步骤S600中，使用训练好的模型对测试集数据进行轴承故障分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1-score，F1-Score值越高，表示识别效果越好，方式如下：
其中，F1为F1-score，A为准确率，R为召回率，TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110104796.5A CN112697435B (zh) | 2021-01-26 | 2021-01-26 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110104796.5A CN112697435B (zh) | 2021-01-26 | 2021-01-26 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112697435A CN112697435A (zh) | 2021-04-23 |
| CN112697435B true CN112697435B (zh) | 2022-09-09 |
Family
ID=75516209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110104796.5A Active CN112697435B (zh) | 2021-01-26 | 2021-01-26 | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112697435B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033786B (zh) * | 2021-05-21 | 2021-08-13 | 北京航空航天大学 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
| CN114638256B (zh) * | 2022-02-22 | 2024-05-31 | 合肥华威自动化有限公司 | 基于声波信号及注意力网络的变压器故障检测方法及其系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858345A (zh) * | 2018-12-25 | 2019-06-07 | 华中科技大学 | 一种适用于胀管设备的智能故障诊断方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107526853B (zh) * | 2016-06-22 | 2018-09-21 | 北京航空航天大学 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
| CN108344564B (zh) * | 2017-12-25 | 2019-10-18 | 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 |
| US11521044B2 (en) * | 2018-05-17 | 2022-12-06 | International Business Machines Corporation | Action detection by exploiting motion in receptive fields |
| US10859657B2 (en) * | 2018-05-31 | 2020-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
| CN109029993A (zh) * | 2018-06-20 | 2018-12-18 | 中国计量大学 | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 |
| WO2020095321A2 (en) * | 2018-11-06 | 2020-05-14 | Vishwajeet Singh Thakur | Dynamic structure neural machine for solving prediction problems with uses in machine learning |
| CN111553178A (zh) * | 2019-02-12 | 2020-08-18 | 斯凯孚公司 | 转动机械振动特性的智能识别方法 |
| CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
| US11486925B2 (en) * | 2020-05-09 | 2022-11-01 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
| CN111985533B (zh) * | 2020-07-14 | 2023-02-03 | 中国电子科技集团公司第三十六研究所 | 一种基于多尺度信息融合的增量式水声信号识别方法 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 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 |
| US12062369B2 (en) * | 2020-09-25 | 2024-08-13 | Intel Corporation | Real-time dynamic noise reduction using convolutional networks |
-
2021
- 2021-01-26 CN CN202110104796.5A patent/CN112697435B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109858345A (zh) * | 2018-12-25 | 2019-06-07 | 华中科技大学 | 一种适用于胀管设备的智能故障诊断方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112697435A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021135630A1 (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
| CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
| CN110210381B (zh) | 一种域分离自适应一维卷积神经网络智能故障诊断方法 | |
| CN112697435B (zh) | 一种基于改进seld-tcn网络的滚动轴承故障诊断方法 | |
| CN113375941B (zh) | 高速动车组轴承的开集故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
| CN113392881A (zh) | 一种基于迁移学习的旋转机械故障诊断方法 | |
| CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
| CN114861719A (zh) | 基于集成学习的高速列车轴承故障诊断方法 | |
| CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
| Yeh et al. | Using convolutional neural network for vibration fault diagnosis monitoring in machinery | |
| CN115147439A (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
| CN117668689A (zh) | 基于元学习算法的轨道交通列车轴承故障诊断方法及装置 | |
| CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
| CN116952586A (zh) | 基于1d-dcnn的车轴疲劳裂纹识别方法 | |
| CN117191396A (zh) | 一种基于两阶段迁移的齿轮箱故障诊断方法 | |
| Lin et al. | Novel aeroengine fault diagnosis method based on feature amplification | |
| CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231204 Address after: 045000 Xueyuan Road Development Zone, Yangquan, Shanxi Patentee after: SHANXI INSTITUTE OF TECHNOLOGY Address before: 030000, 160 meters southeast of Huajian Building, No. 9 Xieyuan Road, Jinyuan District, Taiyuan City, Shanxi Province Patentee before: Shanxi Chuangxin Artificial Intelligence Industry Technology Research Institute Effective date of registration: 20231204 Address after: 030000, 160 meters southeast of Huajian Building, No. 9 Xieyuan Road, Jinyuan District, Taiyuan City, Shanxi Province Patentee after: Shanxi Chuangxin Artificial Intelligence Industry Technology Research Institute Address before: 030006 room a118, No.15, Keji street, high tech Zone, Taiyuan City, Shanxi Province Patentee before: Shanxi Sanyouhuo Intelligence Information Technology Co.,Ltd. |