CN113128338A - 一种小样本下印刷机滚筒故障的智能诊断方法 - Google Patents
一种小样本下印刷机滚筒故障的智能诊断方法 Download PDFInfo
- Publication number
- CN113128338A CN113128338A CN202110277288.7A CN202110277288A CN113128338A CN 113128338 A CN113128338 A CN 113128338A CN 202110277288 A CN202110277288 A CN 202110277288A CN 113128338 A CN113128338 A CN 113128338A
- Authority
- CN
- China
- Prior art keywords
- sample
- dimensional
- fault
- generator
- printing machine
- 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
- 238000007639 printing Methods 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007646 gravure printing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 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
- G06F2218/08—Feature extraction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F33/00—Indicating, counting, warning, control or safety devices
-
- 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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
Abstract
本发明公开了一种小样本下印刷机滚筒故障的智能诊断方法,该方法包括采集印刷机滚筒各种运行状态下的振动信号,并对组成的振动数据集合进行一维归一化预处理;构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型,并通过批次样本训练的方式训练生成对抗网络,优化模型参数,进而生成数据以扩充样本集;进行二维预处理,将扩充后的一维样本数据转化成二维灰度图;构建二维卷积神经网络模型,并输入扩充样本集训练二维卷积神经网络模型,模型参数优化后即可实现小样本下印刷机滚筒故障的智能诊断。本发明的智能诊断模型泛化能力和鲁棒性强,不受印刷机滚筒转速、承载力、强噪声等的影响。
Description
技术领域
本发明属于机械设备故障诊断技术领域,涉及一种小样本下印刷机滚筒故障的智能诊断方法。
背景技术
印刷业承载着传播文化和知识的重任,是一种具有悠久历史的产业,甚至成为一些国家和地区的支柱性产业之一。印刷机是完成印刷任务的核心设备,而印刷机滚筒是参与产品印刷的直接作用单元,其运行的稳定性将直接影响印刷生产的顺利进行。印刷机滚筒的主要零部件如转子、轴承、齿轮等,在高速、重载以及印刷油墨腐蚀性污染等工况下容易发生故障,其必然会影响产品印刷质量,产生巨大的经济损失,严重时甚至会发生安全事故。通过合适的方法及时、准确地诊断出印刷机滚筒的故障,为印刷机的装调维护奠定基础,有助于消除上述不利影响。因此,研究用于印刷机滚筒故障诊断方法具有重要的学术意义和工程价值。
传统的机械故障诊断方法侧重于人为地设计复杂的降噪、滤波和特征提取过程。这些过程既繁琐又不智能。此外,这种基于人主观分析的方法在强噪声和复杂工况下难以准确提取故障特征。随着信息技术的飞速发展,基于数据驱动的智能诊断方法在故障诊断领域得到了逐步的应用,它能很好地弥补传统故障诊断方法的不足。然而,基于数据驱动的智能诊断方法大多是基于大量的训练数据而成功运行的。在工程实际中,考虑到安全等因素,机械设备通常不允许在故障状态下运行,很难获得设备的故障信号。特别地,对于向着个性定制、小批量生产发展的印刷行业,测量得到的印刷机滚筒动态信号数量较少。因此,有必要针对印刷机滚筒故障,研究小样本下的智能诊断方法。
发明内容
本发明的目的是提供一种小样本下印刷机滚筒故障的智能诊断方法,解决了现有技术中存在的因样本数量过小导致基于数据驱动的诊断结果不准确的问题。
本发明所采用的技术方案是,一种小样本下印刷机滚筒故障的智能诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、采集印刷机滚筒各种运行状态下的振动信号,并对振动信号组成的振动数据集合进行一维归一化预处理得到样本集;
步骤2、构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型;
步骤3、将样本集通过批次样本训练的方式训练条件生成对抗网络模型,优化模型参数,进而生成数据以扩充样本集得到扩充样本集;
步骤4、对扩充样本集进行二维预处理,从而将扩充后的一维样本数据转化成二维灰度图;
步骤5、构建二维卷积神经网络模型;
步骤6、训练二维卷积神经网络模型,模型参数优化后即可实现小样本下印刷机滚筒故障的智能诊断。
本发明的特点还在于:
步骤1具体为,通过在印刷机滚筒关键位置布置传感器测量得到滚筒的振动信号,并对采集到的信号进行一维归一化预处理,其计算公式为:
步骤2具体为,根据不同故障类别引入one-hot标签信息作为条件信息同随机噪声输入生成器中,从而输出生成的振动信号样本;将一维归一化预处理后的真实振动信号样本和生成器生成的样本输入判别器中,从而输出生成样本属于真实样本的概率;条件生成对抗网络模型中生成器由三层全连接层组成,每层的神经元分别为256,512和1024;判别器由三层全连接层组成,每层的神经元分别为512,256和128;生成器和判别器的输出层的激活函数分别为tanh函数和sigmoid函数,其余层的激活函数为LeakyReLu函数。
步骤3具体为,每次选取120个样本进行训练,每个样本的信号长度为784,先初始化判别器和生成器的参数,生成器生成样本后固定生成器,训练判别器;对判别器更新5次后,固定判别器,更新生成器参数1次,训练生成器。
式中,Xmin和Xmax分别表示生成样本数据的最小值和最大值,g表示取整,将灰度值信号按长度1×322截取成一系列一维灰度值向量,并将这些向量按尺度32×32组装成二维灰度值矩阵,即绘制成二维灰度图。
步骤5中二维卷积神经网络包含输入层、特征提取层以及分类层;特征提取层包含4层卷积层和2层池化层,最大池化层加入dropout机制;分类层由两个全连接层组成,第1个全连接层将所有特征矢量首尾连接组成一维向量,第2个全连接层的神经元个数与故障类别数目相同,利用Softmax回归分类器实现目标输出类别。
步骤6具体为,将扩充样本集以及与之对应的故障状态标签输入到构建的二维卷积神经网络模型中训练网络模型,优化模型参数,训练优化完成后即可实现小样本下印刷机滚筒故障的智能诊断。
本发明的有益效果是:本发明使用条件生成对抗网络通过生成器和判别器的对抗训练生成与真实样本数据具有相同统计特征数据,以扩充样本,从而解决原始样本不足的问题;本发明使用二维预处理将扩充的一维样本数据转化为二维灰度图,以全面地表达信号中所包含的信息,从而更便于进行特征提取;本发明使用二维卷积神经网络从输入的二维灰度图中提取敏感特征并由此实现印刷机滚筒故障的智能诊断,克服传统诊断方法对专家经验和知识的依赖;本发明结合一维预处理、条件生成对抗网络、二维预处理和二维卷积神经网络,能够有效地在小样本数据下实现印刷机滚筒故障的智能诊断;本发明的智能诊断模型泛化能力和鲁棒性强,不受印刷机滚筒转速、承载力、强噪声等的影响。
附图说明
图1为本发明一种小样本下印刷机滚筒故障的智能诊断方法的流程图;
图2为本发明一种小样本下印刷机滚筒故障的智能诊断方法的网络结构图;
图3为本发明一个实施例的印刷机滚筒轴承故障诊断的混淆矩阵图;
图4为本发明一个实施例的诊断准确率与其它方法的准确率的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种小样本下印刷机滚筒故障的智能诊断方法,如图1所示,具体按照以下步骤实施:
步骤1、采集印刷机滚筒各种运行状态下的振动信号,并对组成的振动数据集合进行一维归一化预处理;
通过在印刷机滚筒关键位置布置传感器测量得到滚筒的振动信号,并对采集到的信号进行一维归一化预处理,其计算公式为:
步骤2、构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型;
根据不同故障类别引入one-hot标签信息作为条件信息同随机噪声输入生成器中,从而输出生成的振动信号样本;一维归一化预处理后的真实振动信号样本和生成器生成的样本输入判别器中,从而输出生成样本属于真实样本的概率;生成器由三层全连接层组成,每层的神经元分别为256,512和1024;判别器由三层全连接层组成,每层的神经元分别为512,256和128;生成器和判别器的输出层的激活函数分别为tanh函数和sigmoid函数,其余层的激活函数为LeakyReLu函数;
步骤3、通过批次样本训练的方式训练生成对抗网络,优化模型参数,进而生成数据以扩充样本集;
采用批次样本训练的方式训练条件生成对抗模型,每次选取120个样本进行训练,每个样本的信号长度为784;先初始化判别器和生成器的参数,生成器生成样本后固定生成器,训练判别器尽可能地准确判别真实数据和生成数据;对判别器更新5次后,固定判别器,更新生成器参数1次,训练生成器尽可能减小生成数据与真实数据之间的差异;
步骤4、进行二维预处理,将扩充后的一维样本数据转化成二维灰度图;
式中,Xmin和Xmax分别表示生成样本数据的最小值和最大值,g表示取整;将灰度值信号按长度1×322截取成一系列一维灰度值向量,并将这些向量按尺度32×32组装成二维灰度值矩阵,即可绘制成二维灰度图;
步骤5、构建二维卷积神经网络模型;
构建的二维卷积神经网络包含输入层、特征提取层以及分类层;特征提取层包含4层卷积层和2层池化层,为了防止过拟合,在最大池化层加入了dropout机制,从而提高非线性特征的鲁棒性;分类层由两个全连接层组成,第1个全连接层将所有特征矢量首尾连接组成一维向量,第2个全连接层的神经元个数与故障类别数目保持一致,利用Softmax回归分类器实现目标输出类别;
步骤6、将得到的二维灰度图以及与之对应的故障状态标签输入到二维卷积神经网络模型中,优化模型参数,训练优化完成后即可实现小样本下印刷机滚筒故障的智能诊断。
如图2所示,本发明的智能诊断方法包含一维预处理、条件生成对抗网络、二维预处理以及二维卷积神经网络;所测得的印刷机滚筒关键位置处的振动信号经一维预处理进行规范化和归一化,然后输入到训练好的条件生成对抗网络中生成满足要求的样本数据,同原始样本数据一起组成扩充后的新的样本集;利用二维预处理,将扩充后的一维样本数据转化成二维灰度图,训练二维卷积神经网络,进行敏感特征提取并由此进行故障分类,从而实现小样本下印刷机滚筒故障的智能诊断。
本次实验采用的数据集是在凹版印刷机滚筒轴承故障模拟实验台上获得的。压电式加速度传感器固定在滚筒轴承座上,测量滚筒轴承不同状态下的振动信号。轴承故障通过电火花机床加工的方式来模拟,通过三种不同的故障加工深度模拟轻、中、重三种不同故障程度,故障位置分别在内圈、外圈和滚动体。内圈故障、外圈故障和滚动体故障各自的轻、中、重三种不同故障程度对应的标签分别为1~9,正常状态的标签为0。每种运行状态包含120条样本,总共包含1200条样本。本发明的一个实施例的印刷机滚筒轴承故障诊断的混淆矩阵图如图3所示,横坐标表示预测标签,纵坐标表示真实标签,0~10对应着滚筒轴承不同故障状态,图中的数字表示对应的样本数。从图中可以看出,混淆矩阵的非零元素主要集中在对角线上,即不同输入样本的预测标签能很好地与其真实标签对应,表明本发明的智能诊断方法能够准确地实现小样本印刷机滚筒轴承的故障诊断。
本发明的一个实施例的印刷机滚筒轴承故障诊断准确率与其它方法的准确率的对比如图4所示。图中给出了一维CNN(一维卷积神经网络)、二维CNN、条件生成对抗网络CGAN结合一维CNN和条件生成对抗网络CGAN结合二维CNN(本发明)的五次故障诊断结果,从图中可以看出本发明的诊断精度优于现有其它方法,诊断平均准确率为90.49%,表明本发明能够实现小样本下印刷机滚筒故障的智能诊断,且具有较高的诊断精度。
Claims (7)
1.一种小样本下印刷机滚筒故障的智能诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、采集印刷机滚筒各种运行状态下的振动信号,并对振动信号组成的振动数据集合进行一维归一化预处理得到样本集;
步骤2、构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型;
步骤3、将样本集通过批次样本训练的方式训练条件生成对抗网络模型,优化模型参数,进而生成数据以扩充样本集得到扩充样本集;
步骤4、对扩充样本集进行二维预处理,从而将扩充后的一维样本数据转化成二维灰度图;
步骤5、构建二维卷积神经网络模型;
步骤6、训练二维卷积神经网络模型,模型参数优化后即可实现小样本下印刷机滚筒故障的智能诊断。
3.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法,其特征在于,所述步骤2具体为,根据不同故障类别引入one-hot标签信息作为条件信息同随机噪声输入生成器中,从而输出生成的振动信号样本;将一维归一化预处理后的真实振动信号样本和生成器生成的样本输入判别器中,从而输出生成样本属于真实样本的概率;条件生成对抗网络模型中生成器由三层全连接层组成,每层的神经元分别为256,512和1024;判别器由三层全连接层组成,每层的神经元分别为512,256和128;生成器和判别器的输出层的激活函数分别为tanh函数和sigmoid函数,其余层的激活函数为LeakyReLu函数。
4.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法,其特征在于,所述步骤3具体为,每次选取120个样本进行训练,每个样本的信号长度为784,先初始化判别器和生成器的参数,生成器生成样本后固定生成器,训练判别器;对判别器更新5次后,固定判别器,更新生成器参数1次,训练生成器。
6.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法,其特征在于,所述步骤5中二维卷积神经网络包含输入层、特征提取层以及分类层;特征提取层包含4层卷积层和2层池化层,最大池化层加入dropout机制;分类层由两个全连接层组成,第1个全连接层将所有特征矢量首尾连接组成一维向量,第2个全连接层的神经元个数与故障类别数目相同,利用Softmax回归分类器实现目标输出类别。
7.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法,其特征在于,所述步骤6具体为,将扩充样本集以及与之对应的故障状态标签输入到构建的二维卷积神经网络模型中训练网络模型,优化模型参数,训练优化完成后即可实现小样本下印刷机滚筒故障的智能诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277288.7A CN113128338B (zh) | 2021-03-15 | 2021-03-15 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277288.7A CN113128338B (zh) | 2021-03-15 | 2021-03-15 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128338A true CN113128338A (zh) | 2021-07-16 |
CN113128338B CN113128338B (zh) | 2024-02-02 |
Family
ID=76773197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110277288.7A Active CN113128338B (zh) | 2021-03-15 | 2021-03-15 | 一种小样本下印刷机滚筒故障的智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128338B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113369993A (zh) * | 2021-07-30 | 2021-09-10 | 温州大学 | 一种小样本下刀具磨损状态监测方法 |
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 |
CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
WO2023097774A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
CN117076935A (zh) * | 2023-10-16 | 2023-11-17 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
CN117743947A (zh) * | 2024-02-20 | 2024-03-22 | 烟台哈尔滨工程大学研究院 | 一种小样本下的智能机舱故障诊断方法及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190258878A1 (en) * | 2018-02-18 | 2019-08-22 | Nvidia Corporation | Object detection and detection confidence suitable for autonomous driving |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学(保定) | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
-
2021
- 2021-03-15 CN CN202110277288.7A patent/CN113128338B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190258878A1 (en) * | 2018-02-18 | 2019-08-22 | Nvidia Corporation | Object detection and detection confidence suitable for autonomous driving |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学(保定) | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
Non-Patent Citations (2)
Title |
---|
包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03 * |
曲建岭;余路;袁涛;田沿平;高峰;: "基于一维卷积神经网络的滚动轴承自适应故障诊断算法", 仪器仪表学报, no. 07 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113369993A (zh) * | 2021-07-30 | 2021-09-10 | 温州大学 | 一种小样本下刀具磨损状态监测方法 |
WO2023097774A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
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 |
CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
CN116226676B (zh) * | 2023-05-08 | 2023-07-21 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
CN117076935A (zh) * | 2023-10-16 | 2023-11-17 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
CN117076935B (zh) * | 2023-10-16 | 2024-02-06 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
CN117743947A (zh) * | 2024-02-20 | 2024-03-22 | 烟台哈尔滨工程大学研究院 | 一种小样本下的智能机舱故障诊断方法及介质 |
CN117743947B (zh) * | 2024-02-20 | 2024-04-30 | 烟台哈尔滨工程大学研究院 | 一种小样本下的智能机舱故障诊断方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113128338B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128338B (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN112417954B (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 | |
Zhong et al. | Bearing fault diagnosis using transfer learning and self-attention ensemble lightweight convolutional neural network | |
CN106555788B (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
CN110361176A (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 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN110110768A (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 | |
CN113392881B (zh) | 一种基于迁移学习的旋转机械故障诊断方法 | |
CN113869208A (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
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 | |
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 | |
CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
CN117290771A (zh) | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 | |
CN115753102A (zh) | 一种基于多尺度残差子域适应的轴承故障诊断方法 | |
CN114139598A (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
CN114926702A (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |