CN112949402A - 极小故障样本量下行星齿轮箱故障诊断方法 - Google Patents
极小故障样本量下行星齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112949402A CN112949402A CN202110137087.7A CN202110137087A CN112949402A CN 112949402 A CN112949402 A CN 112949402A CN 202110137087 A CN202110137087 A CN 202110137087A CN 112949402 A CN112949402 A CN 112949402A
- Authority
- CN
- China
- Prior art keywords
- sample
- fault
- samples
- network
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 59
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
- 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
- G06N3/045—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
- G06N3/08—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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
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)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了在极小故障样本量下行星齿轮箱的故障诊断方法,具体步骤为:利用齿轮箱实验平台模拟出行星齿轮箱实际出现的正常情况以及各种故障模式,获得多方向的状态监测信号,对其进行FFT变换得到频谱数据,按照一定长度划分出样本,根据模式的异同对样本按两两一组形成样本对,送入两个权置共享的SDAE中进行特征提取,采用度量学习方法度量SDAE的输出矢量完成分类训练;使用经FFT处理的正常情况及已知故障模式的真实行星齿轮箱振动信号数据对模型进行微调,完成孪生SDAE的训练;选取每种模式极小样本量的真实数据作为支持集,与待诊断信号组成样本对输入到训练好的孪生SDAE网络,用于真实行星齿轮箱的自动特征提取与故障分类。本发明解决了在极小故障样本量下的行星齿轮箱故障诊断问题。
Description
技术领域
本发明涉及一种在极小故障样本量下的行星齿轮箱故障诊断方法,属于旋转机械故障诊断与健康管理领域。
背景技术
行星齿轮箱以其所具有的传动比大、承载能力强以及效率高等特点,被广泛应用于航空工业、风力发电、船舶等涉及国计民生的大型机械传动系统中。行星齿轮箱长期工作在恶劣的环境下,表面承受交变载荷的影响,容易导致构成行星齿轮箱的关键部件如行星轮、太阳轮等发生故障。行星齿轮箱一旦发生故障,会造成设备及整个传动系统的损坏。正因为如此,这些设备往往受到精密的人工维护,所能够收集到的状态监测数据多数为正常状况下的数据,故障样本数据量极少,而这类机械的人工维护成本较高且对维护者先验知识的要求也较高,不利于推广。因而,这种在故障样本量极小的情况下的行星齿轮箱系统故障诊断成为目前迫切需要解决的难题。
目前在旋转机械故障诊断领域,针对这种极少故障样本量下的故障诊断问题多数是在数据增强层面上解决问题。传统机器学习方法是采用SMOTE算法对故障样本进行随机插值得到大量样本用于训练分类模型,但这种方法容易产生大量无效样本,造成分类精度的降低。随着生成对抗网络(Generative Adversarial Network,GAN)的发展,样本生成技术被广泛应用于旋转机械故障诊断领域,然而通过GAN所学习到的更多的是样本分布上的特点,并没有触及其本质,当面对部分故障模式样本量极小这样的情况,GAN很难甚至无法生成所需的样本。因此,必须构建起一个适用于在极小故障训练样本下的故障诊断模型。
本发明结合深度神经网络、度量学习以及迁移学习这三个方面技术,首先,在实验平台上采集各种模式数据,利用堆栈抗噪自动编码器SDAE提取不同模式的信号特征,然后使用孪生网络对故障样本进行分类。将该模型迁移到真实研究对象数据集上,用真实系统数据微调精细微调系统模型,将真实监测样本数据与待诊断样本形成样本对送入孪生SDAE网络进行分类,解决了在故障样本极小的情况下的行星齿轮箱故障诊断问题。
发明内容
本发明的目的在于提供一种在故障样本极小量的情况下的行星齿轮箱故障诊断方法,通过齿轮箱实验平台模拟实际行星齿轮箱实际运行环境,获取不同模式(如齿轮磨损、裂纹、点蚀、断齿等)的齿轮箱实验平台状态监测振动信号,计算不同模式下的频谱数据;训练基于度量学习的孪生堆栈去噪自动编码器SDAE网络作为诊断模型,其中深度SDAE用于提取频域信号特征,孪生网络通过对特征进行距离度量完成故障分类;将该模型迁移到真实场景下行星齿轮箱故障诊断上来,使用真实场景下的行星齿轮箱极少量真实数据对模型进行精细微调;选用真实数据集种的极少量样本作为支持集,与待诊断样本组成样本对,输入到训练好的孪生SDAE网络,用于行星齿轮箱的振动信号自动特征提取与故障分类。
为了实现上述目的,本发明的极小故障样本量下行星齿轮箱故障诊断方法具体包括以下几个步骤:
步骤1:采集齿轮箱实验平台模拟的各种模式下的监测振动信号,具体过程为:在变转速、变负载环境下,通过更换不同部件如正常齿轮、磨损齿轮、点蚀齿轮以及断齿齿轮来获取不同模式下的齿轮箱的状态监测的轴向、径向、竖直方向的振动信号;
步骤2:对所采集到的三个方向上的振动信号进行FFT频谱分析,FFT分析点数设置为采样频率大小,防止样本长度过长及训练时间较长,将三个方向的信号进行信息融合,根据模式的异同组成样本对;
步骤3:利用步骤2所得到的样本对作为诊断网络的输入,输入到孪生SDAE网络进行训练,在这其中,用于提取特征的两个SDAE网络是权置共享的,其提取每个去噪自动编码器DAE的编码矢量,合并构建成一个神经网络,训练过程通过已知样本对的类别、度量样本间的距离来确定度量样本分类的距离标准,以此作为样本分类的标准,根据训练样本对数量循环重复该步骤;
步骤4:利用实际行星齿轮箱正常数据与极少量故障样本数据对预训练网络模型进行精细微调;在各种模式下的真实样本中选取一部分样本孪生SDAE网络诊断模型的支持集,同时和待诊断样本一起送入经过精调的网络当中,完成故障的分类诊断。
附图说明
图1是所提在极小故障样本下行星齿轮箱故障诊断流程。
图2是用于故障诊断特征提取的SDAE网络结构。
图3是孪生SDAE网络训练过程示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案进行详细说明。
如图1所示,分别采集实验平台以及实际行星齿轮箱的多方向振动信号,进行FFT变换,得到频域信号;用实验平台数据按照类别的异同组成样本对对孪生堆栈去噪自动编码器 SDAE网络进行预训练,之后取每个DAE的隐含层组成神经网络,将SDAE输入编码矢量进行距离度量,根据训练样本类别与度量距离确定故障分类标准;将预训练的模型迁移到实际行星齿轮箱的故障诊断上来,采用极少量真实数据对预训练的模型进行精细微调;测试过程中,在真实数据中选取极少量样本组成支持集,与待诊断样本组成输入到孪生SDAE当中的样本对,选取样本对间的相似度中匹配值最大的作为待诊断样本的故障分类诊断结果,从而建立起在极小故障样本下行星齿轮箱的故障诊断模型。
极小故障样本下行星齿轮箱故障诊断方法,具体实施方式如下:
步骤1:采集齿轮箱实验平台模拟的各种模式下的监测振动信号,具体过程为:在变转速、变负载环境下,通过更换不同部件如正常齿轮、磨损齿轮、点蚀齿轮以及断齿齿轮来获取不同模式下的齿轮箱的状态监测的轴向、径向、竖直方向的振动信号;
步骤2:对所采集到的三个方向上的振动信号进行FFT频谱分析,FFT分析点数设置为采样频率大小,防止样本长度过长及训练时间较长,将三个方向的信号进行信息融合,根据模式的异同组成样本对;具体步骤为:
将所采集到的三个方向的时域信号进行划分后,对其做FFT变化,并对三个方向上的频谱信号进行整合,得到每个样本长度为l0,最终输入到诊断网络的单个样本形状大小为(l0,3),将划分出的样本按照模式的异同,以每个样本对数量为2,构建输入诊断网络的样本对;
步骤3:利用步骤2所得到的样本对作为诊断网络的输入,输入到孪生SDAE网络进行训练,在这其中,用于提取特征的两个SDAE网络是权置共享的,其提取每个去噪自动编码器DAE的编码矢量,合并构建成一个神经网络,训练过程通过已知样本对的类别、度量样本间的距离来确定度量样本分类的距离标准,以此作为样本分类的标准,根据训练样本对数量循环重复该步骤,如图2和图3所示,具体描述为:
步骤3.1如图2所示,在SDAE训练过程中,将样本对输入SDAE特征提取网络,以其中的第i个样本对的一个输入为例进行分析,首先将样本输入值DAE1,含噪声样本的编码为再利用训练DAE2,得到编码矢量将其作为下一个DAE的输入矢量。重复这一过程,直到DAEN训练完毕,将输入编码为
其中,N为预训练DAE的个数,θN为DAEN编码网络的参数集合,且θN={WN,bN},WN是编码网络的权重矩阵,bN是编码网络的偏置矩阵;
步骤3.2如图3所示,提取步骤3.1中每个去噪自动编码器的编码矢量组成合并构建一个神经网络,将最后一层的输入编码矢量作为孪生网络距离度量的输入,使用欧式距离度量该样本对之间的距离,距离定义为
步骤3.3使用Sigmoid激活函数作为激活函数来判定该样本对两个个样本之间的相似的概率,以完成如图3所示的根据类别相似度度量的程序,损失函数上则采用二分类交叉熵损失函数来保证模型的训练质量,完成对整个训练网络的微调,具体定义为
步骤4:利用实际行星齿轮箱正常数据与极少量故障样本数据对预训练网络模型进行精细微调;在各种模式下的真实样本中选取一部分样本孪生SDAE网络诊断模型的支持集,同时和待诊断样本一起送入经过精调的网络当中,完成故障的分类诊断;具体步骤如下:
步骤4.1利用现实中的行星齿轮箱样本进行FFT变换后,选取其中极少量的样本,送入步骤3所训练的诊断系统当中,对模型整体进行精细微调;
步骤4.2在实际样本中每类选择一个样本构成支持集,如下所示
S={(x1,y1),...,(xk,yk)}
其中,xm为样本数据,ym为样本标签,k为健康状态的类别数;
步骤4.4为了防止单样本本身出现的偶然性影响,在这里,以真实数据样本数量最少的类别为基准,其他类别也引入同样数量的样本,组成样本集S,而后模型会根据待诊断样本与每一类故障样本之间相似概率的情况,确定待测样本所属类别,具体如下式所示
其中,S1,...,SN是与步骤4.2所列支持集格式相同的由样本和标签所组成的集合。支持集中每类仅引入一个样本,容易受异常样本的影响,通过这样调整,可以提高模型的诊断可靠性和准确性。
Claims (3)
1.在极小故障样本量下的行星齿轮箱故障诊断方法,其特征在于,故障诊断的整体思路,具体包括以下步骤:
步骤1:采集齿轮箱实验平台模拟的各种模式下的监测振动信号,具体过程为:在变转速、变负载环境下,通过更换不同部件如正常齿轮、磨损齿轮、点蚀齿轮以及断齿齿轮来获取不同模式下的齿轮箱的状态监测的轴向、径向、竖直方向的振动信号;
步骤2:对所采集到的三个方向上的振动信号进行FFT频谱分析,FFT分析点数设置为采样频率大小,防止样本长度过长及模型训练时间较长,将三个方向的信号进行信息融合,根据类别组成样本对;
步骤3:利用步骤2所得到的样本对作为诊断网络的输入,输入到孪生SDAE网络进行训练,在这其中,用于提取特征的两个SDAE网络是权置共享的,其提取每个去噪自动编码器DAE的编码矢量,合并构建成一个神经网络,训练过程通过已知样本对的类别、度量样本间的距离来确定度量样本分类的距离标准,以此作为样本分类的标准,根据训练样本对数量循环重复该步骤;
步骤4:利用实际行星齿轮箱正常数据与极少量故障样本数据对预训练网络模型进行精细微调;在各种模式下的真实样本中选取一部分样本孪生SDAE网络诊断模型的支持集,同时和待诊断样本一起送入经过精调的网络当中,完成故障的分类诊断。
3.根据权利要求1所述的极小故障样本量下行星齿轮箱故障诊断该方法,其特征在于,所述步骤4中,在故障样本极小的情况下的测试方法,具体描述如下:
(1)在有标签故障样本极小的情况下,在每种模式中选择一个样本组成支持集S,S定义为S={(x1,y1),…,(xk,yk)},其中xm,ym为第m类故障样本数据和标签;
(3)当真实样本集中故障样本最少的一类数量依然极小可不止一个,考虑建立起支持样本空间,{S1,S2,...,SN},样本空间所包含的样本集形式上与(1)相同,与支持样本空间内的同类样本比较确定待诊断样本类别,
这样在有条件的情况下实现了样本的精确诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137087.7A CN112949402A (zh) | 2021-02-01 | 2021-02-01 | 极小故障样本量下行星齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137087.7A CN112949402A (zh) | 2021-02-01 | 2021-02-01 | 极小故障样本量下行星齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949402A true CN112949402A (zh) | 2021-06-11 |
Family
ID=76240779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137087.7A Pending CN112949402A (zh) | 2021-02-01 | 2021-02-01 | 极小故障样本量下行星齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949402A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469256A (zh) * | 2021-07-06 | 2021-10-01 | 吉林大学重庆研究院 | 一种齿轮类零件机械损伤节点预测方法 |
CN113627317A (zh) * | 2021-08-06 | 2021-11-09 | 安徽工业大学 | 一种基于单样本学习的电机轴承故障诊断方法 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
CN115659224A (zh) * | 2022-11-07 | 2023-01-31 | 苏州大学 | 概率引导的域对抗轴承故障诊断方法及系统 |
CN118375711A (zh) * | 2024-06-20 | 2024-07-23 | 摩多利智能传动(江苏)有限公司 | 用于行星齿轮减速装置的磨损检测方法及报警装置 |
CN118375711B (zh) * | 2024-06-20 | 2024-09-27 | 摩多利智能传动(江苏)有限公司 | 用于行星齿轮减速装置的磨损检测方法及报警装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682596A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
KR102026065B1 (ko) * | 2018-05-28 | 2019-09-27 | 서울대학교 산학협력단 | 유성 기어박스의 고장 진단을 위한 진동 특성 데이터 맵 처리장치 |
CN111337243A (zh) * | 2020-02-27 | 2020-06-26 | 上海电力大学 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
-
2021
- 2021-02-01 CN CN202110137087.7A patent/CN112949402A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102026065B1 (ko) * | 2018-05-28 | 2019-09-27 | 서울대학교 산학협력단 | 유성 기어박스의 고장 진단을 위한 진동 특성 데이터 맵 처리장치 |
CN109682596A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
CN111337243A (zh) * | 2020-02-27 | 2020-06-26 | 上海电力大学 | 基于acgan的风电机组行星轮齿轮箱故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469256A (zh) * | 2021-07-06 | 2021-10-01 | 吉林大学重庆研究院 | 一种齿轮类零件机械损伤节点预测方法 |
CN113469256B (zh) * | 2021-07-06 | 2022-09-30 | 吉林大学重庆研究院 | 一种齿轮类零件机械损伤节点预测方法 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
CN113655348B (zh) * | 2021-07-28 | 2023-12-08 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
CN113627317A (zh) * | 2021-08-06 | 2021-11-09 | 安徽工业大学 | 一种基于单样本学习的电机轴承故障诊断方法 |
CN115659224A (zh) * | 2022-11-07 | 2023-01-31 | 苏州大学 | 概率引导的域对抗轴承故障诊断方法及系统 |
CN115659224B (zh) * | 2022-11-07 | 2023-08-25 | 苏州大学 | 概率引导的域对抗轴承故障诊断方法及系统 |
CN118375711A (zh) * | 2024-06-20 | 2024-07-23 | 摩多利智能传动(江苏)有限公司 | 用于行星齿轮减速装置的磨损检测方法及报警装置 |
CN118375711B (zh) * | 2024-06-20 | 2024-09-27 | 摩多利智能传动(江苏)有限公司 | 用于行星齿轮减速装置的磨损检测方法及报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Intelligent fault diagnosis via semisupervised generative adversarial nets and wavelet transform | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
Dai et al. | Machinery health monitoring based on unsupervised feature learning via generative adversarial networks | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
Lu et al. | Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition | |
CN111626345A (zh) | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 | |
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 | |
CN110375987A (zh) | 一种基于深度森林机械轴承故障检测方法 | |
CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
Zhou et al. | A multistage deep transfer learning method for machinery fault diagnostics across diverse working conditions and devices | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN112132102A (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
CN114861349B (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
Kerboua et al. | Fault diagnosis in an asynchronous motor using three-dimensional convolutional neural network | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN114548153B (zh) | 基于残差-胶囊网络的行星齿轮箱故障诊断方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和系统 | |
Joshi et al. | Soft computing methods and its applications in condition monitoring of dgs—a review | |
CN114970598B (zh) | 机械健康状态监测方法及装置 | |
CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、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 |