CN113008559A - 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 - Google Patents
基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113008559A CN113008559A CN202110201225.3A CN202110201225A CN113008559A CN 113008559 A CN113008559 A CN 113008559A CN 202110201225 A CN202110201225 A CN 202110201225A CN 113008559 A CN113008559 A CN 113008559A
- Authority
- CN
- China
- Prior art keywords
- encoder
- sparse self
- softmax
- training set
- local
- 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.)
- Granted
Links
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于稀疏自编码器和Softmax的轴承故障诊断方法及系统,在原始稀疏自编码器中引入局部约束,得到改进的稀疏自编码器,在改进的稀疏自编码模型局部约束体现在编码器权重矩阵的归一化以及只保留隐藏层余弦相似度最大的k个激活单元形成原始样本的局部子空间,其对应的特征是样本x的k近邻,解码器通过保留的k个编码单元来重构输入。采集滚动轴承不同运行状态的振动信号作为训练集,用训练集训练局部稀疏自编码器模型和Softmax分类器模型,得到模型参数从而完成故障诊断分类模型的建立,由于考虑了振动信号的局部特征,因此局部稀疏自编码器学习到的特征更加完备,训练完后的模型准确率更高。
Description
技术领域
本发明属于故障诊断方法,尤其涉及基于稀疏自编码器和Softmax的轴承故障诊断方法及系统。
背景技术
近年来,机械设备正朝着高度集成化和自动化得方向发展。其中滚动轴承作为旋转机械、电气设备的重要部件,素有“工业的关节”之称,为了确保设备的生产效率和安全可靠运行,对滚动轴承的状态监测显得十分重要。由于滚动轴承运行时,其振动信号中富含丰富的反映运行状态的信息,因此在一些大型工业设备如航空发动机、燃气轮机中通常会布置大量的传感器获取滚动轴承的监测数据,但是如何从大量振动信号中获取滚动轴承的运行信息,提早发现故障,成为轴承故障诊断领域面临的新问题。近年来各种信号处理技术,如时域分析、频域分析、小波变换、经验模式分解等从原始振动信号中提取信号特征如均值、峰峰值、均方根值等用于诊断轴承故障得到了广泛的研究和应用。但是,基于信号处理技术的故障特征提取方法需要工作人员掌握和精通一定的信号处理知识,同时由于需要人工进行操作,所以需要耗费大量的人力来提取和分析区分性特种,此外由于是人工选择所以很难确定最适合提取的特征,导致诊断结果不稳定。因此如何设计一种方法能从滚动轴承振动信号中自动地学习出丰富的故障特征则显得尤为重要。
滚动轴承的故障诊断属于模式识别问题,通常包括特征提取和模式分类两个阶段。在特征提取阶段,无监督特征学习代替了人工设计的方式,能够在未知数据标签的情况下,直接将原始振动信号作为输入,通过一系列的线性或非线性变换得到相应的特征表征。在模式分类阶段,将提取到的特征表征直接送入训练好的分类器中实现故障分类,Softmax分类器作为一种经典的分类器,因其参数简单、训练速度快和分类精度高等优点而被广泛应用。在这两个阶段中,特征提取最为关键,也是国内外众多学者主要研究的内容。可以这么说,好的特征直接决定故障诊断的精度。因此,故障诊断方法重点在于设计一种基于无监督特征学习的特征提取器。稀疏自编码器(SAE)是一种典型的无监督特征学习方法,其优点在于能够自动从原始振动信号中学习特征、模型结构简单(三层网络结构)、学习的特征具有高稀疏性等。然而,原始的SAE不足之处在于仅仅考虑了特征的稀疏性,而忽略了输入样本的内在结构信息,从而难以从输入数据中充分挖掘出有用的故障信息,进而向Softmax分类器的最终分类结果。
发明内容
针对现有技术中存在的问题,本发明提供一种基于稀疏自编码器和Softmax的轴承故障诊断方法及系统,实现对轴承故障的准确识别。
本发明是通过以下技术方案来实现:
一种基于稀疏自编码器和Softmax的轴承故障诊断方法,包括以下步骤:
步骤1、采集滚动轴承不同运行状态下的时域振动信号,并根据时域振动信号构建无标签训练集和有标签训练集;
步骤2、对无标签训练集和有标签训练集进行预处理;
步骤3、根据预处理后的无标签训练集构建局部稀疏自编码器模型并训练;
对原始稀疏自编码器隐层节点的输出采用ReLU函数进行激活得到激活响应,之后通过计算余弦相似度保留激活响应的前k个分量作为解码器的输入,从而得到局部稀疏自编码器模型;
步骤4、将步骤2预处理后的有标签训练集输入至局部稀疏自编码器模型中,局部稀疏自编码器模型输出振动信号的特征表征;
步骤5、利用振动信号的特征表征训练Softmax分类器,然后采用训练后的局部稀疏自编码器模型和Softmax分类器确定振动信号对应的故障类型。
优选的,步骤2中无标签训练集和有标签训练集的预处理包括训练集的标准化、数据分片和ZCA白化处理。
优选的,步骤3中局部稀疏自编码器的建模方法具体如下:
在原始稀疏自编码器的基础上,令为矩阵的列向量,为变换矩阵,通过对矩阵W的每一列w(n)做归一化,得到归一化后的矩阵在ReLU函数的映射s(x)=max(0,x)下将每一个M维振动信号x(l)变换成其对应的特征表征z(l),之后选择特征表征余弦相似度最大的前k项作为译码器的输入。
优选的,选择前k项的方法具体如下:
首先,通过计算每个样本x(l)在W中的余弦相似度,得到输入信号x(l)在W中的向量投影,计算公式如下:
优选的,步骤3中局部稀疏自编码器模型的代价函数包括重构误差和正则项,所述局部稀疏自编码器的模型公式如下:
其中,E1(W)为样本重构误差,E2(W)为正则项,λ>0用来平衡E1(W)和E2(W)的正则项参数。
优选的,所述重构误差E1(W)的表达式如下:
其中,L为样本数量,x(l)为M维样本,W为权重矩阵,z(l)为样本的特征表征,bd输出层偏置项。
优选的,所述正则项使用l1范数来替代原始稀疏自编码器的KL散度,具体表达式如下:
优选的,所述步骤5中Softmax分类器的训练方法如下:
对特征表征进行平均池化,采用平均池化后的特征表征和对应的标签训练Softmax分类器;
则代价函数计算公式如下:
其中,c为故障类别,θ为Softmax分类器权重矩阵,p(y(j)=c|a(j);θ)为故障为c类别的概率,在[0,1]区间内,使用梯度下降算法最小化代价函数,得到训练后的Softmax分类器。
一种基于稀疏自编码器和Softmax的轴承故障诊断方法的系统,包括,
信号采集模块,用于采集滚动轴承不同运行状态下的时域振动信号,并根据时域振动信号构建无标签训练集和有标签训练集;
预处理模块,用于对无标签训练集和有标签训练集进行预处理;
特征提取模块,对于已经进行数据预处理的原始信号,使用训练好的局部稀疏自编码器模型对信号进行特征提取并进行平均池化后,将信号对应的特征表征输入到Softmax分类器模块。
Softmax分类器模块,特征提取模块提取到的特征作为Softmax分类器模块的输入,对于已经训练好的Softmax分类器可以直接确定振动信号对应的故障类型。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供的一种结合局部稀疏自编码器与Softmax的轴承故障诊断方法,由引入局部约束的稀疏自编码器和Softmax分类器组成,其中改进的稀疏自编码器是一个特征提取器,它通过保留输入样本x的k近邻来刻画原始稀疏自编码器忽略的振动信号局部特征,基于这种操作,局部稀疏自编码器能够学习到稀疏特征的同时,保留振动信号中的内在结构信息,使得特征能够完整的描述原始信号。提取完的特征需要送到模式分类器中进行分类,由于Softmax分类器结构简单、易于训练、分类准确率高的优点,因此选用Softmax分类器作为模式分类器对提取到的特征进行分类。从一个标准的滚动轴承数据中选取两个训练集,一个是无标签的,用来训练局部稀疏自编码器模型,另一个是有标签的,用来训练Softmax分类器模型,两个模型训练完毕,则轴承故障诊断模型即可建立。与原始稀疏自编码器相比,由于考虑了振动信号的局部特征,因此局部稀疏自编码器学习到的特征更加完备,训练完后的模型准确率更高。
附图说明
图1为本发明的故障诊断方法训练流程图;
图2为局部稀疏自编码器的结构图;
图3利用训练好的故障诊断方法诊断滚动轴承故障的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参阅图1-3,一种结合局部稀疏自编码器与Softmax的轴承故障诊断方法,包括以下步骤:
S1、采集滚动轴承不同运行状态下的时域振动信号,并根据采集的时域振动信号构建无标签训练集和有标签训练集。
具体的,以凯斯西储大学轴承数据中心提供的数据集为例,该中心的数据是在一个试验台上采集得到,该试验台由发动机、扭矩传感器、测力计等组成。使用电火花加工向SKF型测试轴承引入单点故障,故障直径为7mils、14mils和21mils(1mils=0.001inches),使用16通道DAT记录器采集振动信号,并用连接在壳上6点钟位置的加速度计收集振动数据,采样频率为12kHZ,电机转速为1797rpm。
采集到的信号共包括10种轴承运行状态,分别为正常状态(标签1),滚体轻微损伤(故障直径7mils,标签2),滚体中度损伤(故障直径14mils,标签3),滚体严重损伤(故障直径21mils,标签4),内圈轻微损伤(故障直径7mils,标签5),内圈中度损伤(故障直径14mils,标签6),内圈严重损伤(故障直径21mils,标签7),外圈轻微损伤(故障直径7mils,标签8),外圈中度损伤(故障直径14mils,标签9)和外圈严重损伤(故障直径21mils,标签10)。
假设每个样本含有1200个数据点,每种状态采集80个样本组成无标签训练集T1,然后每种状态再采集50个样本连同标签组成有标签训练集T2,这样共得到一个含有800个样本的无标签训练集含有500个样本的有标签训练集其中xd∈R1200、af∈R1200是原始的振动信号,表示相应的标签编码,如表示此时的样本af对应滚动轴承正常状态。
然后将训练集T1中的每个样本xd划分为M维,其中M为局部稀疏自编码器的输入层节点数。例如M为50,训练集T1每个样本进行划分,则每个样本可以划分为个,800个样本总共可以划分为24×800=19200个样本,则划分后为了方便表示使用x(l)表示划分后的每个样本,则
最后对划分好的训练集TS1进行ZCA白化处理。首先计算训练集T1样本X∈R50×19200的协方差矩阵,计算公式如下:
其中L为样本个数,这里应该取TS1中的样本个数为800个;C为协方差矩阵且C∈R50 ×50。
然后对训练集的协方差矩阵C进行奇异值分解,得到协方差矩阵C的特征向量矩阵U∈R50×50以及特征值矩阵S∈R50×50。从而计算得到训练集TS1的PCA白化矩阵XPCA∈R50×19200,计算公式如下:
最终得到训练集的ZCA白化矩阵XZCA∈R50×19200,计算方式如下:
XZCA=UXPCA
S3、根据步骤S2预处理后的无标签数据集构建原始稀疏自编码器模型,对原始稀疏自编码器隐层节点的输出hc使用ReLU函数进行激活,得到激活响应z∈RN×1。之后通过计算余弦相似度保留激活响应zi的前k个分量作为解码器的输入,从而得到局部稀疏自编码器模型,局部稀疏自编码器模型中代价函数包含两部分:重构误差和l1正则项。
具体的,参阅图2,首先构建稀疏自编码器模型,包含输入层、隐藏层、输出层三层网络,其中输入层和隐藏层构成编码器,隐藏层和输出层构成解码器。输入层和输出层节点数都为M,隐藏层节点数为N,权重矩阵为W∈RM×N。假设,设置输入层节点数为50,隐藏层节点数为75,则W∈R50×75。
然后计算x(l)在权重矩阵W中的余弦相似度,可以得到输入x(l)在W中的向量投影,计算公式如下:
例如z(l)=[0.2 0.4 0.1 0.3 0.5]T,如果取k=2,则经过选择后z(l)变为z(l)=[00.4 0 0 0.5]T,如果取k=3,则经过选择后z(l)变为z(l)=[0 0.4 0 0.3 0.5]T。
除了重构误差外,局部稀疏自编码器使用l1范数作为正则项来替代原始稀疏自编码器的KL散度,正则项的建模方法具体如下:
改进稀疏滤自编码器的模型公式如下:
S4、采用有标签训练集对局部稀疏自编码器模型进行训练,训练完毕后,固定局部稀疏自编码器模型参数;
具体如,将有标签训练集经过和T1相同的预处理后成为数据集以上面的例子为例则将数据集TS2中的M维振动信号输入训练好的局部稀疏自编码器中,得到M维振动信号的特征表征之后对特征表征进行平均池化。平均池化就是把属于原始样本局部片段的特征表征进行平均,计算公式如下:
其中,表示对于每一个P维原始样本af,经过步骤3中的数据划分后,原始样本会被划分为M维样本局部片段的个数。例如,上述例子中原始样本为1200维,进行数据分片后将样本划分为了50维的样本局部片段,则这种情况下之后用特征表征和对应的标签训练Softmax分类器。
Softmax分类器结构和自编码器的编码器类似,其输出层为对应的类别数,按照上面的例子,这里为10输出层节点数为10。
假设Softmax分类器中激活函数如下:
使用常用的梯度下降算法如L-BFGS算法训练模型参数θ来最小化代价函数,计算公式如下:
得到训练后的Softmax分类器的参数θ即可。其中c为故障类别,p(y(j)=c|a(j);θ)为故障为c类别的概率在[0,1]区间内。
对于给定的样本bj,用假设函数hθ(x)针对每一个类别c估算出样本属于类别c的概率值p(y(j)=c|b(j);θ),即估计样本bj的每一种分类结果出现的概率,之后找到概率最大的类别即判定为输入样本的类别。假设我们输出层只有两个结果0和1,即是一个二分类问题,Softmax分类器能够计算输入的样本属于类别0的概率p1和属于1的概率p2且p1+p2=1,如果p1>p2则样本属于类别0,否则属于类别1。
S5、当局部稀疏自编码器和Softmax分类器训练完毕后,故障诊断模型得以建立,利用训练好的局部稀疏自编码器模型对一个未知类别的原始振动信号提取其对应的特征表征,将提取的特征表征输入训练好的Softmax分类器中,确定该振动信号对应的故障类型。
对于一个新采集的原始振动信号xtest∈RP,首先经过数据预处理后得到原始样本局部片段对于每一个局部片段首先经过训练好的局部稀疏自编码器得到对应的特征表征然后将所有进行平均池化后得到池化后的特征表征ztest,将ztest输入训练好的Softmax分类器中得到相应的标签信息ytest,最大概率值对应的类别就是该时刻滚动轴承的运行状态。
本发明具有如下优点:
1、整个故障诊断过程不需要进行人力的消耗并且不需要有相应的工程经验。传统的信号处理技术,如时域分析、频域分析、小波变换、经验模式分解等需要从原始振动信号中提取信号特征如均值、峰峰值、均方根值等用于诊断轴承故障。但是,这种方法需要工作人员掌握和精通一定的信号处理知识,同时由于需要人工进行操作,所以需要耗费大量的人力来提取和分析区分性特征,此外由于是人工选择所以很难确定最适合提取的特征,导致诊断结果不稳定。所提方法,能够在未知数据标签的情况下,直接将原始振动信号作为输入,通过一系列的线性或非线性变换得到相应的特征表征。该特征表征可以直接输入分类器中进行分类,使用改进的稀疏自编码器提取特征的优点在于:特征的提取是一种自适应的过程,无需大量的人力和丰富的先验知识,可以大范围使用。
2、对滚动轴承原始振动信号能够学习到稀疏性之外的局部性特征表征。原始稀疏自编码器(SAE)虽然具有能够自动从原始振动信号中学习特征、模型结构简单(三层网络结构)、学习的特征具有高稀疏性等优点。但是,原始的SAE仅仅考虑了特征的稀疏性,而忽略了原始信号的局部性特征。而改进的稀疏自编码器通过引入局部约束和l1正则化,使得特征在具有高稀疏性的同时保留了原始信号的内在结构信息,使得学习到的特征更加完备,从而表现效果更好。
本发明公开了一种结合局部稀疏自编码器与Softmax的轴承故障诊断方法。原始的稀疏自编码器是一个特征提取器,其仅能从原始数据中学习高稀疏性的特征,而忽略了原始数据的局部性特征,这将使得原始稀疏自编码器无法刻画原始数据的内在结构信息,使得特征不完备,影响模型精度。为此,在原始稀疏自编码器中引入局部约束,得到改进的稀疏自编码器,局部约束可以保留原始稀疏自编码器忽略的振动信号的局部结构信息,得到原始振动信号更加完备的特征表示。在改进的稀疏自编码模型局部约束体现在编码器权重矩阵W的归一化以及只保留隐藏层余弦相似度最大的k个激活单元形成原始样本的局部子空间,其对应的特征是输入样本x的k近邻,解码器通过保留的k个编码单元来重构输入。采集滚动轴承不同运行状态的振动信号作为训练集,用训练集训练局部稀疏自编码器模型和Softmax分类器模型,得到模型参数从而完成故障诊断分类模型的建立。对于新的测试数据,直接输入故障诊断模型即可准确识别滚动轴承故障类型,由于考虑了振动信号的局部特征,因此局部稀疏自编码器学习到的特征更加完备,训练完后的模型准确率更高。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种基于稀疏自编码器和Softmax的轴承故障诊断方法,其特征在于,包括以下步骤:
步骤1、采集滚动轴承不同运行状态下的时域振动信号,并根据时域振动信号构建无标签训练集和有标签训练集;
步骤2、对无标签训练集和有标签训练集进行预处理;
步骤3、根据预处理后的无标签训练集构建局部稀疏自编码器模型并训练;
对原始稀疏自编码器隐层节点的输出采用ReLU函数进行激活得到激活响应,之后通过计算余弦相似度保留激活响应的前k个分量作为解码器的输入,从而得到局部稀疏自编码器模型;
步骤4、将步骤2预处理后的有标签训练集输入至局部稀疏自编码器模型中,局部稀疏自编码器模型输出振动信号的特征表征;
步骤5、利用振动信号的特征表征训练Softmax分类器,然后采用训练后的局部稀疏自编码器模型和Softmax分类器确定振动信号对应的故障类型。
2.根据权利要求1所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法,其特征在于,步骤2中无标签训练集和有标签训练集的预处理包括训练集的标准化、数据分片和ZCA白化处理。
9.基于权利要求1-8任一项所述的一种基于稀疏自编码器和Softmax的轴承故障诊断方法的系统,其特征在于,包括,
信号采集模块,用于采集滚动轴承不同运行状态下的时域振动信号,并根据时域振动信号构建无标签训练集和有标签训练集;
预处理模块,用于对无标签训练集和有标签训练集进行预处理;
特征提取模块,对于已经进行数据预处理的原始信号,使用训练好的局部稀疏自编码器模型对信号进行特征提取并进行平均池化后,将信号对应的特征表征输入到Softmax分类器模块;
Softmax分类器模块,特征提取模块提取到的特征作为Softmax分类器模块的输入,对于已经训练好的Softmax分类器可以直接确定振动信号对应的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201225.3A CN113008559B (zh) | 2021-02-23 | 2021-02-23 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201225.3A CN113008559B (zh) | 2021-02-23 | 2021-02-23 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113008559A true CN113008559A (zh) | 2021-06-22 |
CN113008559B CN113008559B (zh) | 2022-02-22 |
Family
ID=76407476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110201225.3A Active CN113008559B (zh) | 2021-02-23 | 2021-02-23 | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113008559B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378778A (zh) * | 2021-06-30 | 2021-09-10 | 东南大学 | 一种基于自编码器的有载分接开关故障诊断方法 |
CN114077850A (zh) * | 2021-11-22 | 2022-02-22 | 西安交通大学 | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
CN117232841A (zh) * | 2022-12-27 | 2023-12-15 | 西安交通大学 | 基于非线性稀疏的航空中介轴承瞬时动频故障诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN107911755A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种基于稀疏自编码器的多视频摘要方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN112115922A (zh) * | 2020-09-27 | 2020-12-22 | 天津工业大学 | 一种增强深度特征学习的旋转机械故障诊断方法 |
CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
WO2021049005A1 (ja) * | 2019-09-13 | 2021-03-18 | 三菱電機株式会社 | 情報処理装置およびそれを備えた電子機器 |
-
2021
- 2021-02-23 CN CN202110201225.3A patent/CN113008559B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682606A (zh) * | 2016-12-23 | 2017-05-17 | 湘潭大学 | 一种人脸确认方法及安全认证装置 |
CN107911755A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种基于稀疏自编码器的多视频摘要方法 |
CN109781411A (zh) * | 2019-01-28 | 2019-05-21 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
WO2021049005A1 (ja) * | 2019-09-13 | 2021-03-18 | 三菱電機株式会社 | 情報処理装置およびそれを備えた電子機器 |
CN110779746A (zh) * | 2019-10-24 | 2020-02-11 | 西安理工大学 | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
CN112115922A (zh) * | 2020-09-27 | 2020-12-22 | 天津工业大学 | 一种增强深度特征学习的旋转机械故障诊断方法 |
CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
SHAO HAIDONG: "A novel deep autoencoder feature learning method for rotating machinery fault diagnosis", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
王黎阳: "一种基于稀疏自编码器的电机故障诊断方法", 《噪声与振动控制》 * |
黄立威: "基于深度学习的推荐系统研究综述", 《计算机学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378778A (zh) * | 2021-06-30 | 2021-09-10 | 东南大学 | 一种基于自编码器的有载分接开关故障诊断方法 |
CN113378778B (zh) * | 2021-06-30 | 2024-03-29 | 东南大学 | 一种基于自编码器的有载分接开关故障诊断方法 |
CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
CN114152825B (zh) * | 2021-11-16 | 2023-11-14 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
CN114077850A (zh) * | 2021-11-22 | 2022-02-22 | 西安交通大学 | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
CN114077850B (zh) * | 2021-11-22 | 2023-06-20 | 西安交通大学 | 一种变工况下的基于图数据的旋转机械设备状态监测方法 |
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
CN117232841A (zh) * | 2022-12-27 | 2023-12-15 | 西安交通大学 | 基于非线性稀疏的航空中介轴承瞬时动频故障诊断方法 |
CN117232841B (zh) * | 2022-12-27 | 2024-05-28 | 西安交通大学 | 基于非线性稀疏的航空中介轴承瞬时动频故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113008559B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
Wang et al. | Fault diagnosis of bearings based on multi-sensor information fusion and 2D convolutional neural network | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm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 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
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 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
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 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN113139278A (zh) | 一种基于深度学习的轴承剩余寿命预测方法及系统 | |
CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
CN113790890A (zh) | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
CN113033683B (zh) | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
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 |