CN112861903B - 一种基于改进深度森林的齿轮箱故障诊断方法 - Google Patents
一种基于改进深度森林的齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112861903B CN112861903B CN202011406391.9A CN202011406391A CN112861903B CN 112861903 B CN112861903 B CN 112861903B CN 202011406391 A CN202011406391 A CN 202011406391A CN 112861903 B CN112861903 B CN 112861903B
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- feature
- vector
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 claims description 25
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000036541 health Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G01M13/02—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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于改进深度森林的齿轮箱故障诊断方法,涉及机械装备故障诊断领域,针对齿轮箱故障多模态与模态混叠带来的诊断难题,本发明有效解决深度森林结构中数据传递与处理过程中的计算冗余问题,提高诊断效率与稳定性。首先,对采集的振动信号数据进行预处理,获得数据样本,并将其输入改进的多粒度扫描结构,完成数据的多尺度特征增强;其次,提出基于PCA的特征降维算法,优化多尺度特征的数据代表性;然后,在级联森林中,将降维特征与级联森林各层次输出特征进行级联;最后,完成模型训练,并输入测试数据,完成对齿轮箱的故障诊断。本发明能够准确提取有效特征,增加特征代表性,解决向量冗余问题,提高齿轮箱故障诊断准确率与稳定性。
Description
技术领域
本发明涉及齿轮箱故障诊断领域,具体涉及一种基于改进深度森林的齿轮箱故障诊断方法。
背景技术
齿轮箱作为机械系统中的主要传动装置,主要由齿轮、轴承、旋转轴等振动部件组成,具有传动转矩大、结构紧凑等优点,广泛应用在航空机械、农业机械中,用来传递动力和改变转速。作为机械系统的重要组成设备,齿轮箱通常工作在高速、重载等环境下,导致齿轮箱发生问题的概率大大增加,因此,对齿轮箱进行健康状态的监控以及故障诊断研究十分必要。
深度森林模型的提出为故障诊断领域的研究提供了一种新的思路,成为了当前研究的前沿与热点,是一种有前途的算法。与深度神经网络相比较,深度森林在齿轮箱故障诊断领域表现出极佳的优势:超参数少、在小的训练集上也能有较高的诊断精度、训练速度快。然而,深度森林模型也存在着一定的不足。首先,深度森林方法在处理一维时序信号时,通过滑窗的方式增加单个样本的多样性,以便提取更为有效的信号特征。然而,对于单个样本数据的情形具有较好的处理能力,但是对于诸如振动信号的长时序数据将导致计算量激增,严重消耗内存而制约其应用。其次,在级联森林流程中,将一个滑窗下的单一尺度特征输入至级联中代表性不强,而且,模型直接将生成的类向量聚合到变换特征向量作为下一级输入特征向量会造成特征向量的冗余,增加算法的空间复杂度,降低算法的运行效率。并且,多粒度扫描生成的变换特征向量的维数远远大于级联森林生成的类向量,会在一定程度上造成对级联森林生成的类向量特征的掩盖,降低算法的精度。
齿轮箱通常工作在高速、重载等环境下,导致齿轮箱发生问题的概率大大增加,针对齿轮箱的故障诊断问题,对齿轮箱进行健康状态的监控以及故障诊断研究十分必要。基于深度森林的齿轮箱故障诊断方法可以很好的弥补深度神经网络模型的不足,但却也产生了一些新的问题,比如向量冗余导致的内存消耗、变换特征向量代表性不高在一定程度上遮盖增强类向量特征,输入级联森林的变换特征向量代表性不高等;这些都将降低模型的诊断效率,制约模型的诊断精度。因此,如何快速有效地处理多余的向量,增强变换特征向量的代表性,减少原始变换特征向量对生成类向量的掩盖,实现更准确、高效的故障诊断,这是当前研究的重点与难点。
发明内容
针对上述背景技术中存在的问题,本发明通过对多粒度扫描产生的变换特征向量按一定比例进行降维,进而输入级联森林,解决了原始深度森林向量冗余的问题,减少了计算量,提高了故障诊断的效率。
本发明提出一种基于改进深度森林的齿轮箱故障诊断方法,首先,对采集的振动信号数据进行预处理,获得数据样本,并将其输入改进的多粒度扫描结构,完成数据的多尺度特征增强;其次,提出基于PCA的特征降维算法,优化多尺度特征的数据代表性;然后,在级联森林中,将降维特征与级联森林各层次输出特征进行级联;最后,完成模型训练,并输入测试数据,完成对齿轮箱的故障诊断。
本发明与现有技术相比的优点在于:
1)本发明通过对多粒度扫描产生的变换特征向量按一定比例进行降维,进而输入级联森林,解决了原始深度森林向量冗余的问题。这在一定程度上缓解了模型对内存的占用问题,减少了计算量,提高了故障诊断的效率。
2)本发明将变换特征向量的维数大幅减少,改善了变换特征向量在一定程度上掩盖增强类向量特征的问题,提高了模型的诊断精度。
3)本发明将多尺度的特征向量进行融合然后输入级联森林,增强了特征的代表性,提高了模型的诊断精度。
4)本发明所提的技术方法能够应用在有关齿轮箱的生产作业领域,实现工业生产中对齿轮箱健康状态的监测,延长齿轮箱的使用寿命,保证装备的持续适航。
附图说明
图1为本发明基于改进深度森林的齿轮箱故障诊断方法中改进的多粒度扫描策略示意图;
图2为改进的级联森林;
图3为8种故障模式的诊断精度对比图;
图4为平均诊断精度对比图;
图5为不同数据集下的平均诊断精度对比图
图6为本发明基于改进深度森林的齿轮箱故障诊断方法的应用场景结构图。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明采用的技术方案为:一种基于改进深度森林的齿轮箱故障诊断方法,该方法包括如下步骤:
步骤(1)、改进的多粒度扫描;
步骤(2)、基于PCA的变换特征向量降维;
步骤(3)、改进的级联森林。
其中,步骤(1)具体包括以下步骤:
1)数据特征多尺度采样
假设输入多粒度扫描流程中的原始特征向量为N维,通过滑动三个窗口大小的ni将其分解为三个子样本Mi:
Mi=N-ni+1,i=(1,2,3)
2)基于池化的特征增强
对三个子样本进行池化处理,将其维数从Mi降到Mi/2,然后将池化处理后的三个子样本输入至一个随机森林和一个完全随机森林中,其中,假设存在C类故障,那么每个子样本将会产生的变换特征向量为Li:
3)多尺度特征融合
将生成的三个变换特征向量进行融合得到一个K维向量:
其中,步骤(2)具体为:
首先,计算变换后的特征矩阵Li的协方差矩阵A,计算公式如下所示:
其中,是Li的均值向量,l为Li的维数。
其次,计算协方差矩阵的特征向量和特征值,计算公式如下所示,其中,A为协方差矩阵,为协方差举证A的特征向量,λ为协方差矩阵A的特征值。
最后,对特征值按照大小进行排列,这将给出重要级别。然后自定义地选择更重要的特征向量,得到最终的模式向量作为PCA的输出结果Pi,其中i取1至3。
其中,步骤(3)具体包括以下步骤:
1)每层输出与降维特征的拼接与传递
首先,将多尺度特征融合的K维向量与经过PCA降维处理的第一部分变换特征向量P1进行拼接,输入m个随机森林中,记为Y1:
Y1=Concatenate(K,P1)
其次,随机森林团将输出Ri=m×C维的类向量,将其再与经过PCA降维处理的第一部分变换特征向量P1进行拼接,用于训练第一层级联森林。
最后,第二部分、第三部分经过PCA降维处理的变换特征向量P2、P3与上一层生成的类向量相结合,分别训练第2层和第3层级联森林。此过程将重复,直到验证性能收敛。记Yj为第二层以后的级联,则存在:
Yj=Concatenate(Ri,Pi),j>1,i=(1,2,3)
2)扩展级联层次并输出结果
级联森林的每一层级都由m个随机森林组成。每个森林都包含若干个决策树,每个决策树都输出一个以类向量为形式的结果,然后对每个决策树的输出类向量取均值,生成一个m维类向量,即为每个随机森林的最终输出结果。最后,再对每一级中所有森林决策出的m维向量取均值,最后取最大值对应的类别作为预测结果。
为了防止过拟合问题,每个森林产生的类向量都是经过k折交叉折叠验证的。具体来说,每个实例将被用作训练数据k-1次,生成k-1个类向量,然后对其进行平均,以生成最终类向量作为下一级级联的增强特征。扩展一个新的级联层之后,整个级联的性能将在验证集上进行估计,如果没有显著的性能增益,则训练过程将终止,因此,级联森林的层数将自动确定而得出最终的预测结果。
本发明针对机械系统中齿轮箱故障诊断的需求,以解决原始深度森林存在的向量冗余与特征值掩盖、特征代表性不强的问题为目标,提出了一种基于改进深度森林的齿轮箱故障诊断方法。
为了具体说明本发明的方法,本发明对2009年PHM数据挑战赛的数据进行分析。数据采集自一个二级标准圆柱直齿轮减速器。减速器包括输入轴、惰轮轴和输出轴。一级减速比为1.5,二级减速比为1.667。数据采集采用输入轴转速为30Hz。采样的频率为66.7KHz,采样时间为4s,一共采集了8种故障模式的振动信号。对每种故障模式的具体描述如表1所示。采集到的振动信号每类有26万个点,以1024个点作为一个输入样本,对获得的数据进行数据增强处理,最终研究所用的数据集为8个故障模式,每个故障模式500个样本,每个样本长度为1024。
表1.齿轮的故障模式
本发明中的实验数据为一维振动信号,相比于高维数据,一维振动信号不需要太多的决策树进行特征关系处理。
步骤(1)、改进的多粒度扫描;
首先,输入长度为1024的一维样本数据;其次,设置多粒度扫描的滑窗大小为64、128、256,对输入的原始样本数据进行多粒度扫描,分别获得长度为961、897、769维的特征向量。为提高计算的效率,将这三个特征向量输入池化层进行降维,得到长度分别为481、449、385维的类向量,然后将其分别输入到一个随机森林和一个完全随机森林中,在8种故障类别下,最终得到一个长度为7696、7184、6160维的变换特征向量。最后,将变换特征向量进行融合,生成一个长度为21040维的向量,为输入级联森林做准备。图2为改进的多粒度扫描。
步骤(2)、改进的级联森林;
将三个滑窗下多粒度扫描产生的变换特征向量基于PCA模型进行降维,分别得到长度为770、719、616维的特征向量,然后输入级联森林。在级联森林中,首先,将多粒度扫描生成的21040维特征向量与经过PCA降维的第一部分变换特征向量进行拼接,输入至2个随机森林和2个完全随机森林中;其次,2个随机森林和2个完全随机森林将输出一个32维的类向量,将其再与经过PCA降维的第一部分变换特征向量进行拼接,用于训练第一层级联森林。最后,第二部分、第三部分经过PCA降维的变换特征向量与上一层生成的类向量相连接,分别训练第2层和第3层级联森林。期间为了避免过拟合问题,需要对输入原始特征进行k折交叉验证,最后当迭代的精确度不再变化,级联森林停止生长,获得模型。图3为改进的级联森林。
步骤(3)、基于改进深度森林的齿轮箱故障诊断方法。
采用本发明提出的基于改进深度森林的齿轮箱故障诊断方法,为比较验证所提方法的有效性与优越性,CNN、LSTM及原始深度森林模型被用以完成对比分析,本发明将进行两部分的对比实验:第一部分通过固定某一数据集,比较诊断精度等特性,来验证改进的深度森林方法的优越性;第二部分通过调整训练、测试集的比例进行试验,比较各个模型的诊断精度,来验证深度森林模型对数据集要求少的特性。实验中所用的数据集如表2中所示,其中各模型所涉及到的超参数设置如表3、4、5所示,从表中可以明显看出,深度森林模型所需的超参数个数更少。
表2.6类数据集
表3.改进深度森林模型与深度森林的超参数
表4.CNN超参数
表5.LSTM超参数
首先应用改进的深度森林算法对数据集E进行诊断,并用CNN、LSTM及传统深度森林模型进行对比,结果如图4和图5所示。图4为各个模型在数据集E上8个故障模式的分类精度,图5为平均诊断精度。从图中可以看出LSTM-初始方法在第1,2,3,4和7类健康状态下,诊断精度均在2%以下,且平均诊断精度仅为20.2%。这表明该方法完全无法完成故障诊断任务。同时,这也说明由于多种健康状态且存在混合的故障状态,齿轮箱的故障诊断难度大。同样未调优CNN在第1,3,6和8类健康状态下,诊断精度均为个位数,且平均诊断精度仅为29.6%,也无法完成故障诊断任务。通过长时间多轮迭代参数调优之后,LSTM对8类健康状态的诊断精度依然在70%到90%之间波动,平均精度提高到81.15%。而经过调试超参数后的CNN方法能够实现最低83%(第5健康状态)和最高96%(第1类健康状态)的诊断精度,平均精度得到大幅提升,达到95.05%。由此,可以指出以LSTM和CNN为代表的深度神经网络的应用效果严重依赖于超参数的调优。与此同时,原始深度森林方法与本发明方法均采用默认超参数进行故障诊断,结果表明两种方法均能实现高精度的诊断,平均诊断精度达到95.15%和97.3%。这表明深度森林方法对超参数的敏感性低,结构智能程度高。其中,本发明所提方法对于每类健康状态的诊断精度均优于其他诊断方法,且每类诊断精度均在95%以上,这表明本发明方法能够精准的识别8种齿轮箱的健康状态。此外,相较于原始深度森林方法,本发明通过改进多粒度扫描与级联森林,增强了特征值的代表性,从而将诊断精度在95%以上的基础上,仍然提高了2.15%。由此可见,改进后的深度森林可以提高故障诊断正确率。
其次,验证数据集中训练集大小对改进的深度森林模型性能的影响。本实验中应用改进的深度森林模型对不同训练测试比的数据集进行诊断,并用CNN、LSTM及传统深度森林模型进行对比,结果如图6所示。图6为四个模型在不同训练测试比的数据集上的平均诊断精度。由图中可以看出,在训练集逐渐减小的情况下,改进的深度森林的平均诊断精度下降的斜度相较于其他模型更小,并且测试集越小,改进的深度森林与其他模型的诊断精度差异越大。由图6中可以看到,在最小训练集上,即训练集占数据集比例10%时,改进的深度森林的平均诊断精度仍然在80%以上,而其他的模型诊断精度都在80%之下,LSTM的平均诊断精度甚至在60%左右。很好的验证了前文所说的,深度森林对于数据集的要求少,即使在小训练集上,也能拥有比其他模型更优异的性能。
由此,通过数据分析实施了本发明的应用过程,并且验证了本发明方法的有效性与优越性。
本发明有诸多应用途径,上述实施例仅是本发明的一种优选实施方式,因此本发明并不局限于上述实施方式。在不脱离本发明原理的情况下,本技术领域的技术人员可能在本发明的启示下设计出其他实施方式,这些也应视为本发明的保护范围。
Claims (4)
1.一种基于改进深度森林的齿轮箱故障诊断方法,其特征在于:该方法包括如下步骤:
步骤一,对采集的振动信号数据进行预处理,获得数据样本,并将所述数据样本输入改进的多粒度扫描结构,完成数据的多尺度特征增强;
步骤二,基于PCA的特征降维算法,优化多尺度特征的数据代表性;
步骤三,在级联森林中,将降维特征与级联森林各层次输出特征进行级联;步骤三具体步骤为:
步骤3.1,每层输出与降维特征的拼接与传递;
步骤3.2,扩展级联层次并输出结果;
所述步骤3.1具体为:
首先,K维向量与经过PCA降维处理的第一部分变换特征向量P1进行拼接,输入m个随机森林中,记为Y1:
Y1=Concatemate(K,P1)
其次,假设存在C类故障,那么随机森林团将输出Ri=m×C维的类向量,将所述类向量再与经过PCA降维处理的第一部分变换特征向量P1进行拼接,用于训练第一层级联森林;
最后,第二部分、第三部分经过PCA降维处理的原始变换特征向量P2、P3与上一层生成的类向量相结合,分别训练第2层和第3层级联森林;
此过程将重复,直到验证性能收敛,记Yj为第二层以后的级联,则存在:
Yj=Concatenate(Ri,Pi),j>1,i=(1,2,3);
步骤四,完成模型训练,并输入测试数据,完成对齿轮箱的故障诊断。
2.根据权利要求1所述的一种基于改进深度森林的齿轮箱故障诊断方法,其特征在于:步骤一中将所述数据样本输入改进的多粒度扫描结构,完成数据的多尺度特征增强,具体步骤为:
步骤1.1,数据特征多尺度采样;
步骤1.2,对多粒度扫描生成的3个变换特征向量Mi进行池化,降低特征维度,并获得3个变换后的特征向量Li;
步骤1.3,多尺度特征融合。
3.根据权利要求2所述的一种基于改进深度森林的齿轮箱故障诊断方法,其特征在于:所述步骤1.3中,多尺度特征融合,具体为:
为了提高特征的多样性,将多粒度扫描生成的三个变换特征向量Li进行拼接得到一个K维向量:
4.根据权利要求1所述的一种基于改进深度森林的齿轮箱故障诊断方法,其特征在于:步骤二具体为:
步骤2.1,计算变换后的特征向量Li的协方差矩阵A,所述协方差矩阵A的计算公式如下所示:
其中,是Li的均值向量,l为Li的维数;
步骤2.2,计算协方差矩阵的特征向量和特征值,计算公式如下所示,其中,A为协方差矩阵,为协方差举证A的特征向量,λ为协方差矩阵A的特征值:/>
步骤2.3,计算协方差矩阵的特征向量和特征值后,按照特征值的大小进行排列,给出重要级别,然后自定义地选择更重要的特征向量,得到最终的模式向量作为PCA的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011406391.9A CN112861903B (zh) | 2020-12-03 | 2020-12-03 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011406391.9A CN112861903B (zh) | 2020-12-03 | 2020-12-03 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861903A CN112861903A (zh) | 2021-05-28 |
CN112861903B true CN112861903B (zh) | 2023-07-25 |
Family
ID=75996943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011406391.9A Active CN112861903B (zh) | 2020-12-03 | 2020-12-03 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861903B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019282A (zh) * | 2021-11-04 | 2022-02-08 | 云南电网有限责任公司电力科学研究院 | 基于主成分分析和随机森林相融合的变压器故障诊断方法 |
CN115078552B (zh) * | 2022-07-06 | 2023-09-08 | 江南大学 | 一种倒装焊芯片缺陷检测方法及系统 |
CN117647367B (zh) * | 2024-01-29 | 2024-04-16 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN109903852A (zh) * | 2019-01-18 | 2019-06-18 | 杭州电子科技大学 | 基于pca-lda用户定制的智能癫痫预测方法 |
CN110375987B (zh) * | 2019-06-24 | 2021-10-22 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN111680446B (zh) * | 2020-01-11 | 2022-11-15 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
CN111722046B (zh) * | 2020-07-01 | 2021-05-18 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
-
2020
- 2020-12-03 CN CN202011406391.9A patent/CN112861903B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112861903A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861903B (zh) | 一种基于改进深度森林的齿轮箱故障诊断方法 | |
Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
Jiang et al. | Few-shot fault diagnosis of rotating machinery with two-branch prototypical networks | |
CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
Zheng et al. | Research on rolling bearing fault diagnosis of small dataset based on a new optimal transfer learning network | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
Grover et al. | A novel fault diagnostic system for rolling element bearings using deep transfer learning on bispectrum contour maps | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
Zhang et al. | An intelligent fault diagnosis method of rolling bearings based on short-time Fourier transform and convolutional neural network | |
CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN114626435A (zh) | 一种高准确率的滚动轴承智能故障特征选择方法 | |
Luo et al. | An intelligent method for early motor bearing fault diagnosis based on Wasserstein distance generative adversarial networks meta learning | |
CN114692488A (zh) | 一种超临界翼型的生成方法、装置、电子设备及存储介质 | |
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 | |
Yang et al. | A novel convolutional neural network with interference suppression for the fault diagnosis of mechanical rotating components | |
Shang et al. | A novel small samples fault diagnosis method based on the self-attention wasserstein generative adversarial network | |
Wang et al. | Application of an oversampling method based on GMM and boundary optimization in imbalance-bearing fault diagnosis | |
Shang et al. | A Domain Adversarial Transfer Model with Inception and Attention Network for Rolling Bearing Fault Diagnosis Under Variable Operating Conditions | |
CN112200252A (zh) | 基于概率盒全局灵敏度分析和主动子空间的联合降维方法 | |
Liang et al. | Intelligent fault diagnosis of rotating machinery using lightweight network with modified tree‐structured parzen estimators | |
CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
Gao et al. | An ensemble classifier learning approach to ROC optimization |
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 |