CN112766200A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112766200A CN112766200A CN202110106972.9A CN202110106972A CN112766200A CN 112766200 A CN112766200 A CN 112766200A CN 202110106972 A CN202110106972 A CN 202110106972A CN 112766200 A CN112766200 A CN 112766200A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- fault diagnosis
- convolutional neural
- small sample
- 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 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000011176 pooling Methods 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 235000004257 Cordia myxa Nutrition 0.000 claims description 3
- 244000157795 Cordia myxa Species 0.000 claims description 3
- 206010044048 Tooth missing Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G01M13/021—Gearings
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种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,主要包括数据采集、数据处理、训练模型和测试模型。考虑到目前行星齿轮箱故障依赖于信号处理或大量的数据,而生产实际中大量的数据又难以获得,故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。本发明的目的是为解决现有技术中存在的不便和弊端,而提供一种可以仅使用小样本数据,并且无需任何信号处理的端到端行星齿轮箱故障诊断方法。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及一种基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法,主要包括数据采集、数据处理、训练模型和测试模型。
背景技术
目前行星齿轮箱故障依赖于信号处理或大量的数据,而生产实际中大量的数据又难以获得,故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。
相比于定轴齿轮箱,行星齿轮箱的结构更加复杂,它通常由行星轮、太阳轮、行星架和齿圈组成。在行星齿轮箱中,太阳轮与行星轮啮合,行星轮同时与太阳轮和齿圈啮合。行星轮自转的同时还围绕着太阳轮公转。在如此复杂的运动特点与环境激励下,所采集的信号通常具有非线性、复杂性等特点。
目前行星齿轮箱小样本故障诊断主要是基于信号处理的方法和基于浅层机器学习的方法。基于信号处理的行星齿轮箱故障诊断依赖于诊断人员手工提取特征,而特征提取所用的方法以及参数调整需要大量的专业知识。并且,由于行星齿轮箱的结构复杂、安装误差以及制造误差等影响,人工进行特征提取和故障诊断的难度也将增大。基于浅层机器学习的行星齿轮箱故障诊断使用分类器进行模式识别。虽然一定程度上减少了诊断人员的工作量,但是还是没有弥补依赖人工提取特征的不足。并且,浅层机器学习的网络结构相对简单,学习能力较弱,十分依赖提取到的特征。基于深度学习的行星齿轮箱故障诊断,弥补了上述故障诊断的不足,可直接将原始信号输入深度学习模型进行学习。而目前深度学习方法依赖于大量的数据,而大量数据在实际中不易获得。
发明内容
有鉴于此,本发明的目的在于提供一种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,主要包括数据采集、数据处理、训练模型和测试模型。考虑到目前行星齿轮箱故障依赖于信号处理或大量的数据,而生产实际中大量的数据又难以获得,故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。本发明的目的是为解决现有技术中存在的不便和弊端,而提供一种可以仅使用小样本数据,并且无需任何信号处理的端到端行星齿轮箱故障诊断方法。
本发明具体采用以下技术方案:
一种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,其特征在于,包括以下步骤:
步骤S1:搭建行星齿轮箱故障试验台,使用加速度传感器采集行星齿轮箱的正常状态与故障状态的振动信号;
步骤S2:将采集到的信号进行归一化处理;
步骤S3:归一化后的数据进行分段,并打上相应的标签;
步骤S4:将处理完的每类数据随机选取A个样本作为训练样本,B个样本作为测试样本;
步骤S5:确定一维卷积神经网络的初始参数;所述一维卷积神经网络为改进的一维卷积神经网络,依次为输入层、卷积层1、卷积层2、池化层1、卷积层3、卷积层4、池化层2、全局平均池化层和Softmax分类层;
其中,为了适应小样本故障诊断,将常用的卷积层-池化层的两层卷积结构改为卷积层-卷积层-池化层的三层卷积结构,增强网络的特征提取能力。此外,为了减少计算量及过拟合,采用全局平均池化层(GAP)代替全连接层(FC)。
步骤S6:将训练样本输入网络进行训练,并保存训练好的模型;
步骤S7:将测试样本输入训练好的模型,判断行星齿轮箱状态。
优选地,所述输入层用于接收一维数组,对应信号的时域采样。输入层是整个卷积神经网络的输入,可以处理多维数据。在故障诊断中,一维卷积神经网络的输入层接收一维数组,例如信号的时域采样。
优选地,卷积层为特征提取层,通过卷积核扫描输入数据提取特征;提取到的特征表示如下:
优选地,池化层为降采样层,其计算公式为:
在卷积层提取完特征后,将得到的特征传递给池化层。池化层为降采样层,它能够减小前面卷积层提取的特征,在一定程度上也能抑制过拟合。CNN中最常用的池化方法为最大池化和平均池化。
优选地,Softmax层用于分类问题,将提取的特征经过Softmax层,得到不同类别的概率分布情况,输出的分类结果为:
优选地,为了验证所提方法的有效性,使用动力传动故障诊断综合实验台(DDS)数据验证。在步骤S1中,将加速度传感器安装在所述设备的行星齿轮箱箱体上,采样频率为12800HZ,转速为1800r/min,每组样本选取4096个点;采集8种不同行星齿轮箱状态的数据,分别为正常、齿根裂纹、断齿、缺齿、齿面磨损,轴承外圈、内圈、滚动体故障。
优选地,激活函数采用Selu激活函数。
优选地,模型编译优化器选择RMSprop,迭代次数为300次。
本发明在网络进行训练前,需要预先设定参数。选择一些参数组合进行训练,得到的最优结果的参数组合作为模型的初始参数。
与现有技术相比,本发明及其优选方案提供了一种可以仅使用小样本数据,并且无需任何信号处理的端到端行星齿轮箱故障诊断方法。相比于现有技术具有以下优势:
1.本发明方法操作简单、精度高、易于实现,成功应用在复杂的行星齿轮箱信号模式识别中,对设备状态监测与故障诊断具有一定的启示性;
2.本发明方法无需任何信号处理,大大降低了对操作人员的先验知识需求;
3.本发明方法可以使用小样本达到较高的诊断精度,避免了对大量数据的需求,更加贴近生产实际。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例方法流程示意图;
图2为本发明实施例改进的一维卷积神经网络结构示意图;
图3为本发明实施例8种行星齿轮箱状态时域示意图;
图4为本发明实施例一维卷积神经网络的部分层输出示意图;
图5为本发明实施例测试结果混淆矩阵示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图1所示,本实施例提供的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,具体包括以下步骤。
步骤S1:搭建行星齿轮箱故障试验台,设置行星齿轮箱不同状态,分别为正常、齿根裂纹、断齿、缺齿、齿面磨损,轴承外圈、内圈、滚动体故障。使用加速度传感器采集行星齿轮箱的正常状态与故障状态的振动信号,采样频率为12800HZ,转速为1800r/min。,其采集到的时域图如图3所示。
步骤S2:将采集到的信号进行归一化处理,归一化公式可表示为:
其中,x'为归一化后的数据,x为归一化前的数据。
步骤S3:归一化后的数据进行分段,并打上相应的标签。每个样本选取4096个数据点。相应的标签序号与所对应的行星齿轮箱状态如下:0-正常、1-齿根裂纹、2-断齿、3-缺齿、4-齿面磨损,5-轴承外圈、6-内圈、7-滚动体故障。
步骤S4:所提方法为小样本故障诊断方法,因此每种状态仅采用25组,共200组数据。将处理完的每类数据随机选取15个样本作为训练样本,10个样本作为测试样本,将其划分为训练集和测试集如表1所示。
表1 DDS实验台信号数据划分
步骤S5:确定一维卷积神经网络的初始参数。在网络进行训练前,需要预先设定参数。选择一些参数组合进行训练,得到的结果如表2所示。从表2可以看出,选择序号6的参数组合得到最高的准确率。因此,设定卷积层1和卷积层2的数量为32,卷积核大小为13,卷积层3和卷积层4的数量为64,卷积核大小为13。此外,激活函数选择Selu激活函数,模型编译优化器选择RMSprop,迭代次数为300次。
表2不同参数准确率
在以上步骤中,本实施例所采用的模型为改进的一维卷积神经网络,其结构如图2所示,依次为输入层、卷积层1、卷积层2、池化层1、卷积层3、卷积层4、池化层2、全局平均池化层、Softmax分类层。其中,为了适应小样本故障诊断,将常用的卷积层-池化层的两层卷积结构改为卷积层-卷积层-池化层的三层卷积结构,增强网络的特征提取能力。此外,为了减少计算量及过拟合,采用全局平均池化层(GAP)代替全连接层(FC)。
步骤S6:将训练样本输入网络进行训练,并保存训练好的模型。处理好的训练样本经输入层输入。然后到达卷积层,卷积层为模型的特征提取层,它通过卷积核扫描输入数据提取特征。提取到的特征表示如下:
在卷积层提取完特征后,将得到的特征传递给池化层。池化层为降采样层,它能够减小前面卷积层提取的特征,在一定程度上也能抑制过拟合。CNN中最常用的池化方法为最大池化和平均池化。其计算公式为:
Softmax层主要用于分类问题。将提取的特征经过Softmax层,即可得到不同类别的概率分布情况。输出的分类结果为:
步骤S7:将测试样本输入训练好的模型,判断行星齿轮箱状态。为了便于理解一维卷积神经网络的分类过程,采用t-SNE技术将部分层进行可视化,可视化结果如图4所示。从图中可以看出,8种状态的混乱原始数据经过模型处理后,区分效果十分明显。
为了避免实验的偶然性,将实验结果运行5次取平均作为最终的结果。得到8种状态测试数据的分类结果混淆矩阵图如图5所示。在图中可以观察到,测试样本的分类准确率达到了100%,从而证明了本发明方法对于行星齿轮箱小样本故障诊断是有效的。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的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,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (8)
1.一种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,其特征在于,包括以下步骤:
步骤S1:搭建行星齿轮箱故障试验台,使用加速度传感器采集行星齿轮箱的正常状态与故障状态的振动信号;
步骤S2:将采集到的信号进行归一化处理;
步骤S3:归一化后的数据进行分段,并打上相应的标签;
步骤S4:将处理完的每类数据随机选取A个样本作为训练样本,B个样本作为测试样本;
步骤S5:确定一维卷积神经网络的初始参数;所述一维卷积神经网络依次为输入层、卷积层1、卷积层2、池化层1、卷积层3、卷积层4、池化层2、全局平均池化层和Softmax分类层;
步骤S6:将训练样本输入网络进行训练,并保存训练好的模型;
步骤S7:将测试样本输入训练好的模型,判断行星齿轮箱状态。
2.根据权利要求1所述的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,其特征在于:所述输入层用于接收一维数组,对应信号的时域采样。
6.根据权利要求1所述的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,其特征在于:在步骤S1中,将加速度传感器安装在所述设备的行星齿轮箱箱体上,采样频率为12800HZ,转速为1800r/min,每组样本选取4096个点;采集8种不同行星齿轮箱状态的数据,分别为正常、齿根裂纹、断齿、缺齿、齿面磨损,轴承外圈、内圈、滚动体故障。
7.根据权利要求1-6其中任一所述的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,其特征在于:激活函数采用Selu激活函数。
8.根据权利要求1-6其中任一所述的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,其特征在于:模型编译优化器选择RMSprop,迭代次数为300次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110106972.9A CN112766200A (zh) | 2021-01-26 | 2021-01-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110106972.9A CN112766200A (zh) | 2021-01-26 | 2021-01-26 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766200A true CN112766200A (zh) | 2021-05-07 |
Family
ID=75705894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110106972.9A Pending CN112766200A (zh) | 2021-01-26 | 2021-01-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766200A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627375A (zh) * | 2021-08-16 | 2021-11-09 | 北京信息科技大学 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
CN113624466A (zh) * | 2021-07-08 | 2021-11-09 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
CN114462443A (zh) * | 2021-10-22 | 2022-05-10 | 中煤平朔发展集团有限公司 | 基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002310854A (ja) * | 2001-04-10 | 2002-10-23 | Nkk Corp | 増・減速機歯車の損傷歯の検出方法および装置 |
CN109029974A (zh) * | 2018-06-22 | 2018-12-18 | 上海电力学院 | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110991295A (zh) * | 2019-11-26 | 2020-04-10 | 电子科技大学 | 一种基于一维卷积神经网络的自适应故障诊断方法 |
-
2021
- 2021-01-26 CN CN202110106972.9A patent/CN112766200A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002310854A (ja) * | 2001-04-10 | 2002-10-23 | Nkk Corp | 増・減速機歯車の損傷歯の検出方法および装置 |
CN109029974A (zh) * | 2018-06-22 | 2018-12-18 | 上海电力学院 | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 |
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110991295A (zh) * | 2019-11-26 | 2020-04-10 | 电子科技大学 | 一种基于一维卷积神经网络的自适应故障诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624466A (zh) * | 2021-07-08 | 2021-11-09 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
CN113624466B (zh) * | 2021-07-08 | 2023-10-03 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
CN113627375A (zh) * | 2021-08-16 | 2021-11-09 | 北京信息科技大学 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
CN114462443A (zh) * | 2021-10-22 | 2022-05-10 | 中煤平朔发展集团有限公司 | 基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866365B (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN109596326B (zh) | 基于优化结构卷积神经网络的旋转机械故障诊断方法 | |
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 | |
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
Wang et al. | Intelligent rolling bearing fault diagnosis via vision ConvNet | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN110455530B (zh) | 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
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 | |
CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114626625B (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 |
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 |
Application publication date: 20210507 |
|
RJ01 | Rejection of invention patent application after publication |