CN112966560A - 基于反卷积成像的电主轴故障诊断方法和装置 - Google Patents
基于反卷积成像的电主轴故障诊断方法和装置 Download PDFInfo
- Publication number
- CN112966560A CN112966560A CN202110150893.8A CN202110150893A CN112966560A CN 112966560 A CN112966560 A CN 112966560A CN 202110150893 A CN202110150893 A CN 202110150893A CN 112966560 A CN112966560 A CN 112966560A
- Authority
- CN
- China
- Prior art keywords
- sound
- electric spindle
- gray level
- image
- fault
- 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 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003384 imaging method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001077419 Damas Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于反卷积成像的电主轴故障诊断方法和装置。包括：（1）通过麦克风阵列测量电主轴在相对应正常和故障状态下的声场信息成立正常和故障样本库；（2）利用波束形成算法对麦克风阵列采集得到的样本进行源像重构矩阵；（3）利用反卷积算法对声源面进行处理，确定噪声源具体所在位置；（4）根据声场的声压确定声源面重构矩阵的灰度等级，得到对应的声像灰度图；（5）结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到该故障诊断模型。本发明兼顾了噪声源识别定位以及故障检测的特点，拓展了声像识别的应用场景。
Description
技术领域
本发明属于声学成像及故障诊断领域，尤其是涉及一种基于反卷积成像的电主轴故障诊断方法和装置。
背景技术
电主轴作为高档数控机床的核心部件，其运行状态直接影响加工产品的质量和精度。电主轴常规故障有轴承预紧力过大导致主轴回转摩擦过大、主轴轴承损坏、主轴润滑油脏或有杂质、主轴传动齿轮磨损和主轴与床身连接的螺钉出现松动等故障，而目前对这些故障做出诊断主要是基于振动信号测量和分析的，但由于振动传感器在主轴设备上或工况环境中安装不便，使得基于振动信号的故障诊断方法的应用受到限制。电主轴是精密的高转速机电一体化产品，随着生产结构的需要越来越设计小型化和精密化，用传统的故障诊断方法难以诊断故障位置所在，并且振动特征不够明显难以进行实时诊断。机械噪声是机械振动通过弹性媒质向外界传播的结果，蕴含着丰富的机械状态信息，不同的故障类型往往伴随着不同的声压与频率，利用噪声信号进行故障诊断称为声学诊断技术，它具有非接触式测量和操作简单快捷的优点，并且能够准确定位故障位置，因此如何把声像物理特征用于传统的故障诊断方法，能够开拓新的声成像技术应用领域，为故障诊断技术提供新的思路。
电主轴不同位置处的噪声源相对应的主要声压和频段范围也不相同，但相同的是声像的分辨率越高与重构精度越好，描述出的机械状态信息就丰富。传统的波束成形算法得到的声像分辨率低，噪声源旁瓣过大，导致各声源信息相互重叠，造成机械状态信息诊断困难，效果差。因此有必要提出一种波束形成优化改进的方法提高声像分辨率和重构精度使得声像模式的故障识别更加精确。
电主轴故障工况众多且复杂，不同故障工况有其对应的故障特征，传统的机器学习方法比如贝叶斯模型，支持向量机算法等只能进行二分类，并且需要人工提取特征，不能对数据进行预处理，效率底下并缺乏优化反馈。而主轴的故障诊断往往是多分类问题，并且需要实施大规模样本训练，若构造多个分类器的组合则增加运算规模的同时降低运算精度，诊断模型改进困难，因此有必要提出一种解决多类分类问题同时自反馈改进网络结构的模型。
发明内容
本发明的目的是提供一种基于反卷积成像的电主轴故障诊断方法，以解决多类分类问题同时自反馈改进网络结构，其技术方案如下：
基于反卷积成像的电主轴故障诊断方法，其特征在于，包括：
(1)通过麦克风阵列测量电主轴在不同正常状态下声场信息建立正常样本库，测量电主轴在不同故障状态下声场信息建立故障样本库，作为状态学习样本；
(2)利用波束形成算法对所述状态学习样本进行源像重构矩阵；
(3)利用反卷积算法对声源面进行处理，确定噪声源具体所在位置；
(4)根据声场的声压确定声源面重构矩阵的灰度等级，得到对应的声像灰度图；
(5)结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到最佳的识别特征和分类器参数，从而得到该故障诊断模型。
进一步地，在步骤(1)中，麦克风阵列传感器放置应与电主轴所在竖直平面平行。
进一步地，在步骤(2)中，每一个源像重构矩阵应分别对应一个样本。
根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(3)中，还分离噪声源，并使单个声源主瓣半径r≤5mm，并引入高斯规则化滤波函数Ψ，
kx,ky分别为x,y方向的波数，kc＝hπ/Δ为滤波器截断波数，h为常数，取0.5，Δ为聚焦点间隔能够起到抑制高波数噪声，平滑声源分布。
进一步地，在步骤(4)中，先确定步骤(2)得到样本库中样本声压幅值和频率的变化范围，然后对样本库中的所有样本进行统一灰度级划分；灰度共生矩阵基于声像灰度级进行计算。
进一步地，步骤(5)中，根据步骤(4)中获得的声像灰度图计算灰度共生矩阵纹理统计特征，分别计算0°、45°、90°、和135°四个方向的特征向量，并选取距离d为1，灰度级L为8、16、32、64和128时的图像纹理统计特征输入卷积神经网络进行训练分类。
进一步地，所述的电主轴故障诊断方法的网络结构采用多层前馈神经网络搭载误差逆传播算法，将实际输出跟理想输出做对比使得误差函数最小，得到最优的网络结构和识别参数，从而得到所述故障诊断模型。
本发明的另一目的是提供一种专用于实施上述电主轴故障诊断方法的基于反卷积成像的电主轴故障诊断装置，其技术方案如下：
基于反卷积成像的电主轴故障诊断装置，包括麦克风阵列传感器、数据采集装置和阵列支架，所述数据采集装置中存储有被处理器执行时实现如上电主轴故障诊断方法的计算机程序。
进一步地，麦克风阵列支架所在平面与电主轴所在平面分布相距0.9m、1.5m和2.1m，用64个麦克风阵列传感器以圆形排列方式固定与阵列支架上，每一个麦克风阵列传感器都配一单独采集通道并与数据采集装置相连接。
本发明的有益效果：
本发明根据电主轴部件故障的出现往往伴随着噪声源的出现，根据传统的声学诊断方法，结合了波束形成和反卷积算法提高噪声源成像分辨率，并对噪声源位置进行精准定位的同时，进行图片处理和特征提取等技术成功实现了对电主轴故障的定位与诊断。该模型能够在电主轴工作状态下进行实时诊断，并能够满足非接触测量方式的故障诊断，同时对电主轴故障所在位置进行精准定位，在齿轮箱以及其他机械设备也能够推广使用，具有良好的实际工程应用价值，应用于制造业工厂也能够产生不错的经济效益。
附图说明
图1是本发明电主轴故障诊断方法的流程图；
图2是本发明电主轴故障诊断方法的反卷积算法声源定位算法流程图；
图3是本发明电主轴故障诊断方法的卷积神经网络模型训练框架。
具体实施方式
本发明基于反卷积成像的电主轴故障诊断装置专用于实施基于反卷积成像的电主轴故障诊断方法，主要由麦克风阵列传感器、数据采集装置和阵列支架组成。麦克风阵列支架所在平面与电主轴所在平面分布相距0.9m、1.5m和2.1m，用64个麦克风阵列传感器以圆形排列方式固定与阵列支架上，每一个麦克风阵列传感器都配一单独采集通道并与数据采集装置相连接，将采样得到的时域信号存储起来进行声源定位和状态检测。
参见图1至图3所示，本发明基于反卷积成像的电主轴故障诊断方法为了验证本发明模型的可行性，对电主轴在故障和正常状况下进行数据采样。电主轴结构主要功能就是实现机床和电机主轴一体化，其部件主要包括电机、主轴、轴承、主轴单元壳、驱动模块和冷却装置等组成，主轴由前后轴承支承，转子采用压配方法和主轴连成共体。主轴变速由驱动端控制，冷却装置控制主轴温升，前端内锥孔和端面用于安装刀具。
电主轴故障诊断方法的主要步骤如下：
(1)通过麦克风阵列测量电主轴在相对应状态下的声场信息成立正常和故障样本库。
麦克风阵列采用的一定的数目的声学传感器组成，该麦克风阵列放置应与电主轴所在竖直平面平行，从而能够准确测量电主轴所在平面的声压强度；信号采样时间不能过短，并尽量采用较高的采样频率，这样可以提高声压判断精度。阵列的孔径越大，波束形成后的结果分辨率越高，因此在满足话筒最小间距的同时，尽可能提高阵列孔径。测量距离越近，分辨率越高，但是可测量的视野进而缩小，因此需要在分辨率和视野之中进行取舍，尽量在满足所测部件视野情况下缩小测量距离,本方案取0.9m。
(2)利用传统的波束形成算法对麦克风阵列采集得到的样本进行源像重构矩阵。
采用beamforming技术对步骤(1)中采样得到的样本进行处理得到源像重构矩阵，单个样本有唯一的重构矩阵。
优选地，利用传统的波束形成算法将麦克风矩阵采样得到的样本进行源像重构，将源像重构矩阵进行可视化表示为声压关于位置的分布，将此重构矩阵定义为传统波束形成输出量b。构造点扩散函数A＝psf(r/r'),表示为r'位置声源强度在不同点r位置处的波束形成贡献量，相同的，在有多个噪声源的情况下，r位置处的波束形成贡献量等于各声源在该位置波束贡献的综合。
(3)利用damas(反卷积算法)对声源面进行处理，得到噪声源具体所在位置；这里特别说明的是，反卷积声源成像算法是通过优化麦克风阵列传感器接收声信号的信息，从而提高定位精度，并不会改变声源图谱信息等特征。
构造残差矩阵
c＝Aq-b，
利用二范数的方式是残差矩阵最小。
其中A是噪声源点扩散函数psf,b为传统的beamforming输出成像，q为反卷积后的噪声源位置声像重构矩阵，通过非负最小二乘法进行迭代使得残差c的二范数最小，
初始q(0)＝0，确定q(n+1)：
q(n+1)(r')＝max(q(n)(r')+λω(n)(r'),0)
λ,ω分别为最优搜索步长和搜索路径
ω(n)＝-ATr(n)
迭代次数需要满足当噪声源旁瓣半径r≤5mm时，此时已经能够准确定位噪声源位置并提高故障特征提取精度。
(4)确定声源面重构矩阵的灰度等级，得到对应的声像灰度图。
灰度共生矩阵是基于声像灰度级进行计算的，所以要先确定步骤(2)中采样得到的所有样本声压和频率的最大值与最小值的变化范围，从而便于对样本库中的所有样本进行全面灰度级划分，这样可以提高该模型的灵活适应性，才用传统的波束形成得到的是复数声压矩阵，为了便于信号特征提取需要把复数的声压矩阵转化为声压级矩阵。
(5)结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到最佳的识别特征和分类器参数，从而得到该故障诊断模型。
优选地，据步骤(4)中获得的声像灰度图计算灰度共生矩阵纹理统计特征，灰度纹理反应了图像在方向、相邻间隔和变化幅度等综合信息。为了使提取的特征更具有代表性和全面性，分别计算0°、45°、90°、和135°四个方向的特征向量，。并选取距离d为1，灰度级L为8、16、32、64和128时的图像纹理统计特征进行训练分类，得到该诊断模型。需要注意的是，灰度级大小能影响诊断识别效果，实际诊断过程并不是越大越好，需要结合识别率、灰度级和计算时间的关系。
图2为反卷积声源定位算法流程图，为了提高声源识别分辨率，降低旁瓣大小，利用反卷积算法在传统波束形成输出量、麦克风阵列点传播函数和噪声源分布之间建立线性方程组b＝Aq，采用反复迭代的方法求解q,从而有效获取声场中的噪声源信息，大大避免了噪声源旁瓣和主瓣宽度的影响。
为了提升求解速度，本发明采用二范数
最小的方式求解q,并利用空间转移不变性的原理将点扩散函数表示为噪声声源分布和麦克风阵列点传播函数的卷积，然后通过FFT将此卷积转化为波数域的乘积。传统的反卷积算法涉及多维数据的计算，网格数划分较密时运算复杂，耗费时间长，此算法引入了通过二范数求导的方式避免了多维数组的运算，并通过FFT转换和逆变换将残差分布与麦克风阵列点传播函数的卷积转换为波束域的乘积大大提高了求解速度。
F-1为傅里叶逆变换，Ψ为高斯规则化滤波函数引入高斯规则化滤波函数能够起到抑制高波数噪声，平滑声源分布，从而有利于特征提取的作用。
图3为多层前馈神经网络结构示意图，本发明在前馈神经网络的基础上搭载误差逆传播算法，输入神经元接收的数据x1,,,xi,,,xn是已经经过卷积操作后的数据，通过隐藏层和输出卷积层采用不同的连接权重wij和wjk对信号进行加工，实际输出由输出卷积层神经元输出，隐藏层和输出卷积层分别使用relu和softmax激活函数，提供更加简单的网络训练形式，方便误差逆传播的进行，利用损失函数最小的原则得到最优的网络结构参数和连接权重，从而得到该诊断模型。
本发明采用多层前馈神经网络(multi-layer feedforword neural network)结构，输入神经元接收的数据是已经经过卷积操作后的数据，通过隐藏层和输出卷积层采用不同的连接权重对信号进行加工，实际输出由输出卷积层神经元输出，隐藏层和输出卷积层分别使用relu和softmax激活函数，提供更加流畅的网络训练形式。
本发明在多层前馈神经网络的基础上，通过搭载误差逆传播算法(errorBackPropagation，BP)，使用随机梯度下降在读取整个训练集对前馈神经网络参数进行更新，使得参数更新率低解决了参数更新频繁的问题，达到损失函数最小的同时得到最佳网络结构和连接权重,通过该反馈机制可以不断对网络训练过程进行优化更新，从而达到较理想的训练结构模型。
电主轴运行过程中往往伴随着噪声的产生，发生的噪声中含有相对应的机械状态设备信息，以电主轴在正常和相对应故障状态下的噪声特征作为基准，通过波束形成反卷积成像在确定噪声源位置的同时，使用卷积神经网络进行特征提取得到敏感特征向量，最后对得到的敏感特征向量进行训练分类从而确定最佳的网络结构和权重向量从而得到该诊断模型。本发明兼顾了噪声源识别定位以及故障检测的特点，开发了一种基于波束形成反卷积成像的电主轴故障诊断模型，该模型能够确定故障所在位置的同时，又能够对故障类型进行判别，拓展了声像识别的应用场景，并进一步推动了故障诊断技术的多领域交叉发展。
以上仅就本发明应用较佳的实例做出了说明，但不能理解为是对权利要求的限制，本发明的结构可以有其他变化，不局限于上述结构。总之，凡在本发明的独立权利要求的保护范围内所作的各种变化均在发明的保护范围内。
Claims (9)
1.基于反卷积成像的电主轴故障诊断方法，其特征在于，包括：
(1)通过麦克风阵列测量电主轴在不同正常状态下声场信息建立正常样本库，测量电主轴在不同故障状态下声场信息建立故障样本库，作为状态学习样本；
(2)利用波束形成算法对所述状态学习样本进行源像重构矩阵；
(3)利用反卷积算法对声源面进行处理，确定噪声源具体所在位置；
(4)根据声场的声压确定声源面重构矩阵的灰度等级，得到对应的声像灰度图；
(5)结合声源面重构矩阵提取的奇异值特征和声像灰度图提取的灰度共生矩阵的纹理特征，输入卷积神经网络进行训练分类，得到最佳的识别特征和分类器参数，从而得到该故障诊断模型。
2.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(1)中，麦克风阵列传感器放置应与电主轴所在竖直平面平行。
3.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(2)中，每一个源像重构矩阵应分别对应一个样本。
4.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(3)中，还分离噪声源，并使单个声源主瓣半径r≤5mm，并引入高斯规则化滤波函数Ψ，
kx,ky分别为x,y方向的波数，kc＝hπ/Δ为滤波器截断波数，h为常数，取0.5，Δ为聚焦点间隔能够起到抑制高波数噪声，平滑声源分布。
5.根据权利要求1所述的电主轴故障诊断方法，其特征在于，在步骤(4)中，先确定步骤(2)得到样本库中样本声压幅值和频率的变化范围，然后对样本库中的所有样本进行统一灰度级划分；灰度共生矩阵基于声像灰度级进行计算。
6.根据权利要求1所述的电主轴故障诊断方法，其特征在于，步骤(5)中，根据步骤(4)中获得的声像灰度图计算灰度共生矩阵纹理统计特征，分别计算0°、45°、90°、和135°四个方向的特征向量，并选取距离d为1，灰度级L为8、16、32、64和128时的图像纹理统计特征输入卷积神经网络进行训练分类。
7.根据权利要求1-6中任意一项所述的电主轴故障诊断方法，其特征在于，所述的电主轴故障诊断方法的网络结构采用多层前馈神经网络搭载误差逆传播算法，将实际输出跟理想输出做对比使得误差函数最小，得到最优的网络结构和识别参数，从而得到所述故障诊断模型。
8.基于反卷积成像的电主轴故障诊断装置，其特征在于，包括麦克风阵列传感器、数据采集装置和阵列支架，所述数据采集装置中存储有被处理器执行时实现如上权利要求1-7中任一项所述的电主轴故障诊断方法的计算机程序。
9.根据权利要求8所述的电主轴故障诊断装置，其特征在于，麦克风阵列支架所在平面与电主轴所在平面分布相距0.9m、1.5m和2.1m，用64个麦克风阵列传感器以圆形排列方式固定与阵列支架上，每一个麦克风阵列传感器都配一单独采集通道并与数据采集装置相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110150893.8A CN112966560A (zh) | 2021-02-03 | 2021-02-03 | 基于反卷积成像的电主轴故障诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110150893.8A CN112966560A (zh) | 2021-02-03 | 2021-02-03 | 基于反卷积成像的电主轴故障诊断方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112966560A true CN112966560A (zh) | 2021-06-15 |
Family
ID=76274593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110150893.8A Pending CN112966560A (zh) | 2021-02-03 | 2021-02-03 | 基于反卷积成像的电主轴故障诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966560A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528979A (zh) * | 2022-02-16 | 2022-05-24 | 红相股份有限公司 | 一种基于深度学习理论的设备故障声源定位方法 |
| CN114863943A (zh) * | 2022-07-04 | 2022-08-05 | 杭州兆华电子股份有限公司 | 一种基于波束成形的环境噪声源自适应定位方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846594A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 基于波束形成声像模式识别的故障检测装置及其检测方法 |
| CN101865789A (zh) * | 2010-06-30 | 2010-10-20 | 上海交通大学 | 近场声全息声像模式识别故障检测装置及其检测方法 |
| CN106483503A (zh) * | 2016-10-08 | 2017-03-08 | 重庆大学 | 实心球阵列三维声源识别的快速反卷积方法 |
| CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
| CN112180329A (zh) * | 2020-09-07 | 2021-01-05 | 黑龙江工程学院 | 一种基于阵元随机均匀分布球阵反卷积波束形成的汽车噪声源声成像方法 |
-
2021
- 2021-02-03 CN CN202110150893.8A patent/CN112966560A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101846594A (zh) * | 2010-06-22 | 2010-09-29 | 上海交通大学 | 基于波束形成声像模式识别的故障检测装置及其检测方法 |
| CN101865789A (zh) * | 2010-06-30 | 2010-10-20 | 上海交通大学 | 近场声全息声像模式识别故障检测装置及其检测方法 |
| CN106483503A (zh) * | 2016-10-08 | 2017-03-08 | 重庆大学 | 实心球阵列三维声源识别的快速反卷积方法 |
| CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
| CN112180329A (zh) * | 2020-09-07 | 2021-01-05 | 黑龙江工程学院 | 一种基于阵元随机均匀分布球阵反卷积波束形成的汽车噪声源声成像方法 |
Non-Patent Citations (3)
| Title |
|---|
| 文远芳: "《现代振动与噪声技术》", 华中科技大学出版社, pages: 122 - 125 * |
| 李晏良等: "基于算法优化的中国高速动车组车外噪声源识别研究", 《中国铁道科学》, vol. 40, no. 01 * |
| 褚志刚等: "基于非负最小二乘反卷积波束形成的发动机噪声源识别", 《振动与冲击》, vol. 32, no. 23 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528979A (zh) * | 2022-02-16 | 2022-05-24 | 红相股份有限公司 | 一种基于深度学习理论的设备故障声源定位方法 |
| CN114863943A (zh) * | 2022-07-04 | 2022-08-05 | 杭州兆华电子股份有限公司 | 一种基于波束成形的环境噪声源自适应定位方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tran et al. | Effective multi-sensor data fusion for chatter detection in milling process | |
| Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
| Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
| Appana et al. | Reliable fault diagnosis of bearings with varying rotational speeds using envelope spectrum and convolution neural networks | |
| CN110153802B (zh) | 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法 | |
| Huang et al. | Tool wear monitoring with vibration signals based on short‐time Fourier transform and deep convolutional neural network in milling | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| Wang et al. | A non-contact fault diagnosis method for rolling bearings based on acoustic imaging and convolutional neural networks | |
| CN112966560A (zh) | 基于反卷积成像的电主轴故障诊断方法和装置 | |
| CN113032929A (zh) | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 | |
| WO2022132898A1 (en) | Monitoring system for estimating useful life of a machine component | |
| CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
| CN113567131A (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
| CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN114239810B (zh) | 一种基于改进PCANet模型的铣刀磨损预测方法 | |
| CN111272886A (zh) | 一种基于卷积神经网络的压力容器损伤定位方法 | |
| US12045047B2 (en) | Fault diagnostics systems and methods | |
| CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
| van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
| Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
| Han et al. | A novel intelligent fault diagnosis method based on dual convolutional neural network with multi-level information fusion | |
| CN114707551A (zh) | 面向工业互联网设备故障诊断的多模态数据融合方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |
|
| RJ01 | Rejection of invention patent application after publication |