CN113111752B - 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 - Google Patents
针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 Download PDFInfo
- Publication number
- CN113111752B CN113111752B CN202110356774.8A CN202110356774A CN113111752B CN 113111752 B CN113111752 B CN 113111752B CN 202110356774 A CN202110356774 A CN 202110356774A CN 113111752 B CN113111752 B CN 113111752B
- Authority
- CN
- China
- Prior art keywords
- rolling mill
- fault
- diagnosis
- rsrbm
- enhanced extended
- 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
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
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Discrete Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种针对样本不均衡的轧机故障诊断方法,该方法搭建于轧机的领域,利用振动信号数据和增强扩展深度置信网络进行轧机的故障诊断;轧机设备诊断系统在获取各种故障状态下的振动信号数据后,然后在PC端利用快速傅里叶变换(FFT)能够实现信号时域到频域的快速变换,从而实现振动信号特征的提取,然后在利用提取的所有类别的故障振动信号训练一个增强扩展深度置信网络,用于后续轧机的故障诊断。该方法在每一个RBM的可见层单元增加了上一个RBM的可见层单元,构成了RSRBM;由RSRBM组成的RSDBN可以对遗漏的有用信息提取,在一定的程度上可以减少样本不均衡带来的诊断率过低的问题,实现高诊断率并且可以加快诊断速度。
Description
技术领域
本发明涉及轧机的故障诊断技术领域,具体涉及一种针对样本不均衡的增强扩展深度置信网络的故障诊断方法。
背景技术
随着我国制造业的快速发展,对钢铁的需求量持续增加,轧机的健康状况也因此受到广泛关注。其中轧机作为冶铁业的重要设备之一,由于其结构复杂,工作环境恶劣等原因,其(齿轮箱和轧辊轴承)很容易出现故障,严重时造成轧机停机,增加企业生产成本,造成巨大的经济损失。因此,及时地对轧机(齿轮箱和轧辊轴承)的工作状态进行检测,研究解决轧机的诊断技术和方法,确保轧机正常工作是非常具有实际意义的。
随着科学技术的进步与发展,轧机朝着高速化、自动化及智能化的方向发展,但也会使轧机出现许多故障。因此,传统的故障诊断技术已经难以满足现代生产发展的需要,机器学习在故障诊断领域的应用愈加广泛,基本达到商业化的要求。作为机器学习的分支,深度学习解决了机器学习需要手动提取特征、耗时等缺点,而且随着对这些诊断方法的深入研究和不断完善,最后的诊断效果也愈加趋于理想。因此,对故障诊断方法进行多方面、深层次的研究和改进是十分有必要的。
作为深度学习模型中的一种。DBN(深度置信网络)在故障诊断方面应用广泛,它具有强大的数据提取和近似连续函数的能力,因此能够对多变量非线性网络进行建模和监控。其次,DBN是一种非参数数据驱动模型,可以很好地对轧机(齿轮箱和轧辊轴承)的故障进行诊断。
训练DBN网络需要大量的训练数据,但是在实际生产中,轧机长期处于正常状态且有关轧机(齿轮箱和轧辊轴承)不同类型故障的数据也不太容易获得,这使得轧机容易受到损害,并使数据采集过程耗时耗力。样本的不均衡同样也会使DBN模型产生过拟合,反而使诊断效果不佳。
发明内容
针对现有技术的不足,本发明提供了一种针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法,高效准确的判断出轧机齿轮箱和轧辊轴承运行过程中的故障类型,并取得理想的诊断识别效果。该方法在每一个RBM(限制玻尔兹曼向量机)的可见层单元增加了上一个RBM的可见层单元,构成了RSRBM(增强扩展玻尔兹曼向量机);由RSRBM组成的RSDBN(增强扩展深度置信网络)可以对遗漏的有用信息提取,在一定的程度上可以减少样本不均衡带来的诊断率过低的问题,实现高诊断率并且可以加快诊断速度。
具体地,本发明提供一种增强扩展深度置信网络的轧机故障诊断方法,其包括如下步骤:
S1、采集轧机的齿轮箱和轧辊轴承的故障振动信号:
通过轧机设备诊断系统获取轧机各种故障状态下的齿轮箱和轧辊轴承的故障振动信号;
S2、对采集的故障振动信号进行快速傅里叶变换:
利用快速傅里叶变换实现故障振动信号从时域到频域的快速变换,以进行后续的故障振动信号特征的提取;
S3、利用频谱图中的傅里叶系数作为输入,相应的齿轮箱和轧辊轴承的故障诊断信号作为输出,进行增强扩展深度置信网络的训练,得到神经网络故障诊断模型;
其中增强扩展深度置信网络的训练具体包括以下子步骤:
S31、在预训练阶段:将特征向量输入第一个增强扩展玻尔兹曼向量机RSRBM,通过条件概率和CD-k采样逐层训练每一个增强扩展玻尔兹曼向量机RSRBM,从而输出得到较优参数,具体计算公式如下:
W(0)←W(0)+α(<v(0)h(0)>0-<v(0)h(0)>1)
a0←a0+α(<v(0)>0-<v(0)>1)
b0←b0+α(<h(0)>0-<h(0)>1)
W(i)←W(i)+α(<(v(i)+v(i-1))h(i)>0-<(v(i)+v(i-1))h(i)>1)
ai←ai+α(<v(i)+v(i-1)>0-<v(i)+v(i-1)>1)
bj←bj+α(<h(i)>0-<h(i)>1)
式中,h(0)是第一个RSRBM的隐藏层,v(0)是第一个RSRBM的可见层,W(0)是隐藏层和可见层的权重,b(0)是隐藏层的偏置,h(1)是第i个RSRBM的隐藏层,v(i)是第i个RSRBM的可见层,W(i)是隐藏层和可见层的权重,b(i)是隐藏层的偏置,<>0是RSRBM的原始数据,<>1是CD-k采样后的RSRBM的真实数据;
S32:对步骤S31得到的输出参数进行精调后得到神经网络故障诊断模型:在RSDBN的顶层加入Softmax分类器,通过BP神经网络算法,结合数据标签对整个RSDBN网络进行自上而下的有效监督训练,同时根据结果实时微调各层RSRBM的权重矩阵与偏置矩阵,保证全局参数最优;
S4、获取待诊断的轧机齿轮箱和轧辊轴承的故障振动信号,将其执行步骤S1-S3后得到的齿轮箱和轧辊轴承的频谱图中的傅里叶系数输入步骤S3中得到的神经网络故障诊断模型中,得到轧机齿轮箱和轧辊轴承的诊断结果;
S5、对步骤S4得到的诊断结果进行对比,判断诊断结果的准确率,其包括以下子步骤:
S51、将增强扩展深度置信网络与其他深度学习网络在相同的输入特征向量下,比较诊断结果的准确率,
所述轧机中齿轮箱的故障状态包括大齿轮点蚀且小齿轮磨损、大齿轮断齿且小齿轮磨损、大齿轮正常且小齿轮磨损、大齿轮正常且小齿轮正常4种状态;所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障和正常3种状态;
S52、使用RSDBN与深度学习结构进行比较,深度学习结构包括深度置信网络、卷积神经网络、深度神经网络和支持向量机,使用轧机齿轮箱和轧辊轴承的不均衡样本中采集的训练集和测试集进行准确率比较,用RSDBN计算出的Acc的结果能够表明每个故障类别诊断结果的准确率;
式中结果TP为预测正确,且预测为正面,FP为预测错误,且预测为正面;FN为预测错误,且预测为负面;Acc的值越高,则准确率越高。
优选地,所述步骤S3中训练增强扩展深度置信网络时,使用轧机齿轮箱和轧辊轴承的训练集为300到500个。
优选地,所述步骤S4中测试已经训练的增强扩展深度置信网络时,使用轧机齿轮箱和轧辊轴承的测试集为600到1000个。
优选地,步骤S52中,训练集样本为180个,测试集分别为Dataset A、DatasetB和Dataset C,每个测试集的样本数分别为600、800、1000个。
优选地,所述的增强扩展深度置信网络为多输入多输出的神经网络,其网络结构分为三层,三层网络结构分别为输入层、隐藏层和输出层,选择逻辑斯谛函数作为隐含层的激活函数,逻辑斯谛函数具体为:
其中,x是神经网络的输入,e是指数函数exp的缩写,f(x)是神经网络的输出。
优选地,所述增强扩展深度置信网络针对轧机中齿轮箱时输出采用四个二进制元素组成的向量,(1 0 0 0)表示大齿轮点蚀和小齿轮磨损故障,(0 1 0 0)表示大齿轮断齿和小齿轮磨损故障,(0 0 1 0)表示大齿轮正常和小齿轮磨损故障,(0 0 0 1)表示大齿轮正常和小齿轮正常状态。
优选地,针对轧机中轧辊轴承时输出采用三个二进制元素组成的向量,(1 0 0)表示内圈故障,(0 1 0)表示外圈故障,(0 0 1)表示正常状态。
与现有技术相比,本发明的有益效果如下:
(1)本发明通过增强扩展深度置信网络可以有效地提取数据中的有效信息,防止提取特征过程中,有效信息的遗漏。
(2)本发明通过增强扩展深度置信网络可以有效地界解决样本不均衡的问题,实现高的准确率。可以及时查询到轧机故障的位置,进行部件调换。可以极大地降低了轧机故障率,减少了轧机停机带来的经济损失和人生安全风险。
附图说明
图1a是本发明的增强扩展深度置信网络的轧机故障诊断方法的流程图;
图1b是本发明实施例中轧机故障诊断方法的流程图;
图2a是本发明轧机故障中轴承内圈故障的原始信号时域波形图;
图2b是本发明轧机故障中齿轮箱大齿轮点蚀和小齿轮磨损故障原始信号时域波形图;
图3a是本发明轧机故障中轧辊轴承内圈故障的频域波形图;
图3b是本发明轧机故障中齿轮箱大齿轮点蚀和小齿轮磨损故障的频域波形图;
图4是本发明中的增强扩展深度置信网络;
图5是本发明中的增强扩展深度置信网络的预训练阶段;
图6a是本发明中轧机故障中齿轮箱故障诊断准确率,增强扩展深度置信网络与其他神经网络的准确率比较示意图;
图6b是本发明中轧机故障中轧辊轴承故障诊断准确率,增强扩展深度置信网络与其他神经网络的准确率比较示意图。
具体实施方式
以下,参照附图对本发明的实施方式进行说明。
如图1a所示,本发明提供一种针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法,包括如下步骤:
S1、采集轧机(齿轮箱和轧辊轴承)的故障振动信号:
通过轧机设备诊断系统在获取各种故障状态下的(齿轮箱和轧辊轴承)振动信号,如图1b所示。
S2、PC端故障振动信号的特征提取:
通过PC端,利用快速傅里叶变换(FFT)能够实现信号时域到频域的快速变换,从而实现振动信号特征的提取,如图3。
S3、利用特征向量作为输入,相应的(齿轮箱和轧辊轴承)故障诊断信号作为输出,进行增强扩展深度置信网络的训练,得到神经网络故障诊断模型,如图4。
S4、获取待诊断的轧机(齿轮箱和轧辊轴承)的故障振动信号,将其执行S1-S3后得到的特征向量输入S3中得到的神经网络故障诊断模型中,得到轧机(齿轮箱和轧辊轴承)的诊断结果。
S5、对比结果:
RSDBN(增强扩展深度置信网络)与其他的深度学习网络在相同的输入特征向量下,比较准确率。
所述的轧机中齿轮箱的状态包括大齿轮点蚀和小齿轮磨损、大齿轮断齿和小齿轮磨损、大齿轮正常和小齿轮磨损、大齿轮正常和小齿轮正常4种状态。所述的轧机中轧辊轴承的状态包括内圈故障、外圈故障、正常3种状态。
所述的S3的增强扩展深度置信网络的训练包括以下步骤:
S31:在预训练阶段:将特征向量输入第一个RSRBM,通过条件概率和CD-k采样逐层训练每一个RSRBM,从而输出得到较优参数,如图5所示。
W(0)←W(0)+α(<v(0)h(0)>0-<v(0)h(0)>1)
a0←a0+α(<v(0)>0-<v(0)>1)
b0←b0+α(<h(0)>0-<h(0)>1)
W(i)←W(i)+α(<(v(i)+v(i-1))h(i)>0-<(v(i)+v(i-1))h(i)>1)
ai←ai+α(<v(i)+v(i-1)>0-<v(i)+v(i-1)>1)
bj←bj+α(<h(i)>0-<h(i)>1)
式中,h(0)是第一个RSRBM的隐藏层,v(0)是第一个RSRBM的可见层,W(0)是隐藏层和可见层的权重,b(0)是隐藏层的偏置,h(i)是第i个RSRBM的隐藏层,v(i)是第i个RSRBM的可见层,W(i)是隐藏层和可见层的权重,b(i)是隐藏层的偏置,<>0是RSRBM的原始数据,<>1是CD-k采样后的RSRBM的真实数据;
S32:在精调阶段阶段:在RSDBN的最后一层设置BP网络,接收RSRBM的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器。因为每一层RSRBM网络只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个RSDBN的特征向量映射达到最优,所以通过反向传播网络可以自顶向下传播至每一层RSRBM,微调整个RSDBN网络,是RSDBN的准确率得到显著提高;
S33:训练增强扩展深度置信网络时,齿轮箱和轧辊轴承的训练集分别为300个。
所述的S4的增强扩展深度置信网络的测试包括以下步骤:
S41:测试已经训练的增强扩展深度置信网络时,使用轧机(齿轮箱和轧辊轴承)的测试集为1000个。
所述的S5的对比结果包括以下步骤:
S51:使用RSDBN与深度学习结构包括DBN、CNN、DNN、SVM进行比较,使用轧机(齿轮箱和轧辊轴承)的不均衡样本中训练集为120个,测试集分别为Dataset A、Dataset B、Dataset C,其样本数分别为180、240、300个进行准确率比较。如表1和表2所示。
表1轧机轧辊轴承故障
表2轧机齿轮箱故障
准确率是指正确分类的故障样本数占所有样本总数的比例,它表示所提出的方法的整体故障诊断性能。而用RSDBN计算出的Acc分说明了每个故障类别可以被正确分类的能力,如图6所示。
式中TP为预测正确,且预测为正面;FP为预测错误,且预测为正面;FN为预测错误,且预测为负面。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种增强扩展深度置信网络的轧机故障诊断方法,其特征在于:其包括如下步骤:
S1、采集轧机的齿轮箱和轧辊轴承的故障振动信号:
通过轧机设备诊断系统获取轧机各种故障状态下的齿轮箱和轧辊轴承的故障振动信号;
S2、对采集的故障振动信号进行快速傅里叶变换:
利用快速傅里叶变换实现故障振动信号从时域到频域的快速变换,以进行后续的故障振动信号特征的提取;
S3、利用频谱图中的傅里叶系数作为输入,相应的齿轮箱和轧辊轴承的故障诊断信号作为输出,进行增强扩展深度置信网络的训练,得到神经网络故障诊断模型;
其中增强扩展深度置信网络RSDBN的训练具体包括以下子步骤:
S31、在预训练阶段:将特征向量输入第一个增强扩展玻尔兹曼向量机RSRBM,通过条件概率和CD-k采样逐层训练每一个增强扩展玻尔兹曼向量机RSRBM,从而输出得到较优参数,具体计算公式如下:
W(0)←W(0)+α(<ν(0)h(0)>0-<ν(0)h(0)>1)
a0←a0+α(<ν(0)>0-<ν(0)>1)
b0←b0+α(<h(0)>0-<h(0)>1)
W(i)←W(i)+α(<(v(i)+v(i-1))h(i)>0-<(v(i)+v(i-1))h(i)>1)
ai←ai+α(<v(i)+v(i-1)>0-<v(i)+v(i-1)>1)
bj←bj+α(<h(i)>0-<h(i)>1)
式中,h(0)是第一个RSRBM的隐藏层,v(0)是第一个RSRBM的可见层,W(0)是隐藏层和可见层的权重,b(0)是隐藏层的偏置,h(i)是第i个RSRBM的隐藏层,v(i)是第i个RSRBM的可见层,W(i)是隐藏层和可见层的权重,b(i)是隐藏层的偏置,<>0是RSRBM的原始数据,<>1是CD-k采样后的RSRBM的真实数据;
S32:对步骤S31得到的输出参数进行精调后得到神经网络故障诊断模型:在RSDBN的顶层加入Softmax分类器,通过BP神经网络算法,结合数据标签对整个RSDBN网络进行自上而下的有效监督训练,同时根据结果实时微调各层RSRBM的权重矩阵与偏置矩阵,保证全局参数最优;
S4、获取待诊断的轧机齿轮箱和轧辊轴承的故障振动信号,将其执行步骤S1-S3后得到的齿轮箱和轧辊轴承的频谱图中的傅里叶系数输入步骤S3中得到的神经网络故障诊断模型中,得到轧机齿轮箱和轧辊轴承的诊断结果;
S5、对步骤S4得到的诊断结果进行对比,判断诊断结果的准确率,其包括以下子步骤:
S51、将增强扩展深度置信网络与其他深度学习网络在相同的输入特征向量下,比较诊断结果的准确率,
所述轧机中齿轮箱的故障状态包括大齿轮点蚀且小齿轮磨损、大齿轮断齿且小齿轮磨损、大齿轮正常且小齿轮磨损、大齿轮正常且小齿轮正常4种状态;所述轧机中轧辊轴承的故障状态包括内圈故障、外圈故障和正常3种状态;
S52、使用RSDBN与深度学习结构进行比较,深度学习结构包括深度置信网络、卷积神经网络、深度神经网络和支持向量机,使用轧机齿轮箱和轧辊轴承的不均衡样本中采集的训练集和测试集进行准确率比较,用RSDBN计算出的Acc的结果能够表明每个故障类别诊断结果的准确率;
式中结果TP为预测正确,且预测为正面,FP为预测错误,且预测为正面;FN为预测错误,且预测为负面;Acc的值越高,则准确率越高。
2.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法,其特征在于:所述步骤S3中训练增强扩展深度置信网络时,使用轧机齿轮箱和轧辊轴承的训练集为300到500个。
3.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法,其特征在于:所述步骤S4中测试已经训练的增强扩展深度置信网络时,使用轧机齿轮箱和轧辊轴承的测试集为600到1000个。
4.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法,其特征在于:步骤S52中,训练集样本为180个,测试集分别为Dataset A、DatasetB和Dataset C,每个测试集的样本数分别为600、800、1000个。
6.根据权利要求1所述的增强扩展深度置信网络的轧机故障诊断方法,其特征在于:所述增强扩展深度置信网络针对轧机中齿轮箱时输出采用四个二进制元素组成的向量,(1 00 0)表示大齿轮点蚀和小齿轮磨损故障,(0 1 0 0)表示大齿轮断齿和小齿轮磨损故障,(00 1 0)表示大齿轮正常和小齿轮磨损故障,(0 0 0 1)表示大齿轮正常和小齿轮正常状态。
7.根据权利要求6所述的增强扩展深度置信网络的轧机故障诊断方法,其特征在于:针对轧机中轧辊轴承时输出采用三个二进制元素组成的向量,(1 0 0)表示内圈故障,(0 10)表示外圈故障,(0 0 1)表示正常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356774.8A CN113111752B (zh) | 2021-04-01 | 2021-04-01 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356774.8A CN113111752B (zh) | 2021-04-01 | 2021-04-01 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111752A CN113111752A (zh) | 2021-07-13 |
CN113111752B true CN113111752B (zh) | 2022-07-08 |
Family
ID=76713467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110356774.8A Active CN113111752B (zh) | 2021-04-01 | 2021-04-01 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111752B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111752B (zh) * | 2021-04-01 | 2022-07-08 | 燕山大学 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
CN110647911A (zh) * | 2019-08-13 | 2020-01-03 | 南京航空航天大学 | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 |
CN111259834A (zh) * | 2020-01-20 | 2020-06-09 | 武汉大学 | 基于集成深度置信网络的变压器故障诊断方法及系统 |
CN112287166A (zh) * | 2020-09-23 | 2021-01-29 | 山东师范大学 | 一种基于改进深度信念网络的电影推荐方法及系统 |
CN113111752A (zh) * | 2021-04-01 | 2021-07-13 | 燕山大学 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2021
- 2021-04-01 CN CN202110356774.8A patent/CN113111752B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
CN110647911A (zh) * | 2019-08-13 | 2020-01-03 | 南京航空航天大学 | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 |
CN111259834A (zh) * | 2020-01-20 | 2020-06-09 | 武汉大学 | 基于集成深度置信网络的变压器故障诊断方法及系统 |
CN112287166A (zh) * | 2020-09-23 | 2021-01-29 | 山东师范大学 | 一种基于改进深度信念网络的电影推荐方法及系统 |
CN113111752A (zh) * | 2021-04-01 | 2021-07-13 | 燕山大学 | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113111752A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Multiscale cascading deep belief network for fault identification of rotating machinery under various working conditions | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
WO2022077901A1 (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 | |
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 | |
Qiu et al. | The early-warning model of equipment chain in gas pipeline based on DNN-HMM | |
CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
CN110008898A (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Wang et al. | Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample | |
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 | |
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 | |
CN113111752B (zh) | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
Yan et al. | Interpretable sparse learned weights and their entropy based quantification for online machine health monitoring | |
CN114330096A (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
Zhang et al. | A flexible monitoring framework via dynamic-multilayer graph convolution network | |
Guan et al. | Fault diagnosis of rolling bearing with imbalanced small sample scenarios | |
Safaei et al. | Deep learning algorithm for supervision process in production using acoustic signal | |
Guo et al. | Attention-based ConvNeXt with a parallel multiscale dilated convolution residual module for fault diagnosis of rotating machinery |
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 |