CN113138080A - 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 - Google Patents
基于振动孪生与极限学习的滚动轴承智能故障诊断方法 Download PDFInfo
- Publication number
- CN113138080A CN113138080A CN202110434424.9A CN202110434424A CN113138080A CN 113138080 A CN113138080 A CN 113138080A CN 202110434424 A CN202110434424 A CN 202110434424A CN 113138080 A CN113138080 A CN 113138080A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- extreme learning
- time domain
- vibration
- learning 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
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
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法,涉及工业故障诊断技术领域。针对滚动轴承振动信号,首先提取时域特征构建时域特征集合,然后从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型,将滚动轴承振动信号转化为特征向量;选择极限学习机作为分类器,将振动信号的特征向量作为输入,使用伪随机序列来代替极限学习机中的随机输入权重矩阵,同时省略极限学习机的偏置向量,得到改进的极限学习机,实现对滚动轴承的故障诊断;在相同的诊断环境下,输入权重矩阵只需生成一次,在后续诊断中可反复使用。该方法采用振动孪生与极限学习相结合的方法,在保证准确性的前提下,提升了诊断速度。
Description
技术领域
本发明涉及工业故障诊断技术领域,尤其涉及一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法。
背景技术
滚动轴承故障诊断是实现机械状态监测和预知维修的关键技术。过程可分为两个部分:特征提取和故障分类。特征提取算法主要分为三类,时域特征提取、频域特征提取、时频域特征提取;故障分类算法通常基于机器学习,如基于支持向量机、贝叶斯分类器和神经网络的算法。
在工业系统中,滚动轴承故障诊断的主要挑战包括准确性和实时性两方面要求。现有的方法大多注重于保证准确性,而忽略了实时性的要求。传统的基于时域或频域的研究,往往是通过考察某单一指标的特性,得出近似的诊断结果。基于机器学习或深度学习的方法通常直接将振动信号输入到分类器中,而不考虑特征指标的相关性和冗余性,因此分类可能需要更多的时间。此外,在实际应用中,滚动轴承往往处于不断工作的状态,故障诊断的响应速度必须足够高,才能对故障轴承进行及时处理。因此需要一种更准确、更快速的诊断方法来进行滚动轴承的故障诊断。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法,实现对滚动轴承的智能故障诊断。
为解决上述技术问题,本发明所采取的技术方案是:基于振动孪生与极限学习的滚动轴承智能故障诊断方法,针对滚动轴承振动信号,首先提取时域特征构建时域特征集合,然后利用序列前向选择方法从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型,将滚动轴承振动信号转化为特征向量;选择极限学习机(ELM)作为分类器,将振动信号的特征向量作为输入,并使用由logistic映射产生的伪随机序列来代替极限学习机中的随机输入权重矩阵,同时省略极限学习机的偏置向量,得到改进的极限学习机,实现对滚动轴承的故障诊断;在相同的诊断环境下,输入权重矩阵只需生成一次,在后续诊断中可反复使用;具体包括以下步骤:
步骤1:构建滚动轴承振动信号的时域特征集合;
从作为训练样本的滚动轴承原始振动信号中提取时域特征构建滚动轴承振动信号的时域特征集;
用:表示滚动轴承的不同样本,用i表示样本序号,xi=[xi1,…xin]T∈Rn表示滚动轴承的一个n维原始振动信号,yi∈{1,…,m}是与之对应的故障标签,即实际故障类型,用ci∈{1,…,m}表示故障诊断的分类结果,即预测故障类型;用X=[x1,…xN]T∈RN*n表示滚动轴承的N个原始振动信号,Y=[y1,…,yN]T∈RN表示X的故障标签,C=[c1,…,cN]T∈RN表示X的故障分类结果;根据机械振动原理,提取机械振动领域现有的14个时域特征构成滚动轴承振动信号的时域特征集合,包括均值、标准差、方差、峰峰值、方根幅值、平均幅值、均方幅值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度、峭度指标,用S={s1,…,s14}表示;
步骤2:基于滚动轴承振动信号的时域特征集合构建振动孪生模型,将滚动轴承振动信号转化为特征矩阵;
利用序列前向选择方法从时域特征集合S={s1,…,s14}中选择最优特征子集S′∈S,并将最优子集S′中计算时域特征的算法组合,形成振动孪生模型,将滚动轴承振动信号X=[x1,…xN]T转化为特征矩阵F=[f1,…,fN]T∈RN*K,其中,fi=[fi1,…,fiK]表示振动信号xi的特征向量;选择最优子集的条件为:将子集中的时域特征输入分类器,故障诊断准确率最高;
所述利用序列前向选择方法从时域特征集合S={s1,…,s14}中选择最优特征子集S′∈S的具体方法为:
第一步:将最优特征子集S′初始化为一个空集;
第二步:将时域特征集合S中的每个特征,分别与最优特征子集S′中的时域特征组合,输入分类器,得到每种组合对应的故障诊断准确率;选择使准确率最高的时域特征组合作为新的最优特征子集S′;
第三步:重复第二步,继续添加时域特征到S′,直到故障诊断准确率不会随着时域特征的进一步增加而提高;此时,S′为根据故障诊断准确率选出的最优特征子集;设定此时S′={s1′,…,sK′}∈S,其中,K为最优特征子集中时域特征的个数;
步骤3:构建基于改进极限学习机的故障分类器;
将步骤2得到的振动信号的特征向量作为输入,并通过logistic映射生成极限学习机的输入权重矩阵,并设置偏置向量为零向量;
设定极限学习机的隐藏层有L个隐藏神经元,用j表示隐藏神经元序号,激活函数用g(·)表示,则基于改进的极限学习机的故障分类器表示为:
其中,fi和ci分别表示振动信号xi的特征向量和故障分类结果;βj和wj分别为第j个隐藏神经元的输出权重向量和输入权重向量;设W=[w1,w2,…wL]为L个隐藏神经元的输入权重向量组成的输入权重矩阵,β=[β1,β2,…,βL]T为L个隐藏神经元的输出权重向量组成的输出权重矩阵;
所述通过logistic映射生成极限学习机的输入权重矩阵的具体方法为:
首先,选择logistic映射的初值z1∈(0,1)和参数μ∈(3.56995,4);然后,根据logistic映射递推公式zk=μzk-1(1-zk-1),计算logistic映射序列,得到logistic映射序列为z=(z1,…,zk,…,zK*L),其中K为振动信号特征向量fi=[fi1,…,fiK]的维数,L为极限学习机隐藏神经元个数;最后,将logistic映射序列z=(z1,…,zK*L)按顺序排列为矩阵 即改进极限学习机的输入权重矩阵;
步骤4:训练步骤3构建的基于改进极限学习机的故障分类器;步骤4.1:根据输入的滚动轴承训练样本振动信号的特征矩阵F=[f1,…,fN]T,提取特征矩阵F中所包含的特征向量个数N和每个特征向量的维度K;
步骤4.2:设置故障分类器的参数,包括:极限学习机隐藏神经元个数L和激活函数g(·),logistic映射初值z1和参数μ;
步骤4.3:生成改进极限学习机的输入权重矩阵W=[w1,w2,…wL];
步骤5:通过步骤4训练好的故障分类器进行滚动轴承的故障诊断;
将待诊断滚动轴承振动信号的特征矩阵F′输入步骤4训练好的故障分类器,通过步骤4生成的改进极限学习机的输入权重矩阵W和输出权重矩阵为β,计算待诊断滚动轴承的故障诊断结果。
采用上述技术方案所产生的有益效果在于:本发明提供的基于振动孪生与极限学习的滚动轴承智能故障诊断方法,针对目前滚动轴承故障诊断领域对准确性和实时性两方面要求,采用振动孪生与极限学习相结合的方法,在保证准确性的前提下,提升了诊断速度,适用于实时故障诊断。在现实环境下具有重要的应用价值。
附图说明
图1为本发明例提供的一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法的总架构图;
图2为本发明例提供的一个滚动轴承原始振动信号图像;
图3为本发明实施例提供的基于滚动轴承振动信号的时域特征集合构建振动孪生模型的架构图;
图4为本发明实施例提供的通过振动孪生模型将滚动轴承的振动信号转换为特征矩阵的示意图;
图5为本发明实施例提供的构建基于改进极限学习机的故障分类器的架构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,基于振动孪生与极限学习的滚动轴承智能故障诊断方法,如图1所示,包括以下步骤:
步骤1:构建滚动轴承振动信号的时域特征集合;
从作为训练样本的滚动轴承原始振动信号中提取时域特征构建滚动轴承振动信号的时域特征集;
用表示滚动轴承的不同样本,用i表示样本序号,xi=[xi1,…xin]T∈Rn表示滚动轴承的一个n维原始振动信号,yi∈{1,…,m}是与之对应的故障标签,即实际故障类型,用ci∈{1,…,m}表示故障诊断的分类结果,即预测故障类型;用X=[x1,…xN]T∈RN*n表示滚动轴承的N个原始振动信号,Y=[y1,…,yN]T∈RN表示X的故障标签,C=[c1,…,cN]T∈RN表示X的故障分类结果;根据机械振动原理,提取机械振动领域现有的14个时域特征构成滚动轴承振动信号的时域特征集合,包括均值、标准差、方差、峰峰值、方根幅值、平均幅值、均方幅值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度、峭度指标,用S={s1,…,s14}表示;
本实施例中,首先输入滚动轴承的300个样本其中一个原始振动信号的图像如图2所示,故障标签为yi∈{N,IF,BF,OF3,OF6,OF12},其中,N表示正常状态,IF表示内圈故障,BF表示滚动体故障,OF3表示外圈3点钟位置故障,OF6表示外圈6点钟位置故障,OF12表示外圈12点钟位置故障;然后,通过计算提取机械振动的14个时域特征,构建时域特征集合:S={s1,…,s14},14个时域特征的具体计算如下公式所示:
峰峰值:Vpp(xi)=max(xi)-min(xi)
峰值:Xp(xi)=max(|mean(xi)|)
步骤2:基于滚动轴承振动信号的时域特征集合构建振动孪生模型,如图3所示,将滚动轴承振动信号转化为特征矩阵;
利用序列前向选择方法从时域特征集合S={s1,…,s14}中选择最优特征子集S′∈S,并将最优子集S′中计算时域特征的算法组合,形成振动孪生模型,将滚动轴承振动信号X=[x1,…xN]T转化为特征矩阵F=[f1,…,fN]T∈RN*K,其中,fi=[fi1,…,fiK]表示振动信号xi的特征向量;选择最优子集的条件为:将子集中的时域特征输入分类器,故障诊断准确率最高;
所述利用序列前向选择方法从时域特征集合S={s1,…,s14}中选择最优特征子集S′∈S的具体方法为:
第一步:将最优特征子集S′初始化为一个空集;
第二步:将时域特征集合S中的每个特征,分别与最优特征子集S′中的时域特征组合,输入分类器,得到每种组合对应的故障诊断准确率;选择使准确率最高的时域特征组合作为新的最优特征子集S′;
第三步:重复第二步,继续添加时域特征到S′,直到故障诊断准确率不会随着时域特征的进一步增加而提高;此时,S′为根据故障诊断准确率选出的最优特征子集;设定此时S′={s1′,…,sK′}∈S,其中,K为最优特征子集中时域特征的个数;
所述故障诊断准确率的计算如下公式所示:
本实施例中,所选择最优特征子集S′中的时域特征具体为:均方幅值、波形指标、方差、峰峰值、偏斜度、标准差。将计算最优子集S′中时域特征的算法组合,形成振动孪生模型;振动孪生模型的作用是将滚动轴承的振动信号X=[x1,…x300]T,转换为特征矩阵F=[f1,…,f300]T,如图4所示。由于本实施例中,最优特征子集S′中的时域特征个数为6个,因此,每个特征向量fi=[fi1,…,fi6]的维数K为6;
步骤3:构建基于改进极限学习机的故障分类器,如图5所示,具体方法为:
故障分类器的作用是通过滚动轴承的特征矩阵,对故障进行分类。本发明方法在极限学习机的基础上,进行了如下改进:极限学习机通过随机的方式生成输入权重矩阵和偏置向量。因此,将步骤2得到的振动信号的特征向量作为输入,并通过logistic映射生成极限学习机的输入权重矩阵,并设置偏置向量为零向量;设定极限学习机的隐藏层有L个隐藏神经元,用j表示隐藏神经元序号,激活函数用g(·)表示,则基于改进的极限学习机的故障分类器表示为:
其中,fi和ci分别表示振动信号xi的特征向量和故障分类结果;βj和wj分别为第j个隐藏神经元的输出权重向量和输入权重向量;设W=[w1,w2,…wL]为L个隐藏神经元的输入权重向量组成的输入权重矩阵,β=[β1,β2,…,βL]T为L个隐藏神经元的输出权重向量组成的输出权重矩阵;
将基于改进的极限学习机的故障分类器用矩阵乘法表示为:Hβ=C,其中 为极限学习机隐藏神经元的值,为输出权重矩阵,为H的广义逆矩阵,Y为故障标签;因此,通过公式Hβ=C,可根据滚动轴承振动信号特征矩阵F=[f1,…,fN]T,计算出故障分类结果C=[c1,…,cN]T;
所述通过logistic映射生成极限学习机的输入权重矩阵的具体方法为:
首先,选择logistic映射的初值z1∈(0,1)和参数μ∈(3.56995,4);然后,根据logistic映射递推公式zk=μzk-1(1-zk-1),计算logistic映射序列,得到logistic映射序列为z=(z1,…,zk,…,zK*L),其中K为振动信号特征向量fi=[fi1,…,fiK]的维数,L为极限学习机隐藏神经元个数;最后,将logistic映射序列z=(z1,…,zK*L)按顺序排列为矩阵 即改进极限学习机的输入权重矩阵;
步骤4:训练步骤3构建的基于改进极限学习机的故障分类器;步骤4.1:根据输入的滚动轴承训练样本振动信号的特征矩阵F=[f1,…,fN]T,提取特征矩阵F中所包含的特征向量个数N和每个特征向量的维度K;
步骤4.2:设置故障分类器的参数,包括:极限学习机隐藏神经元个数L和激活函数g(·),logistic映射初值z1和参数μ;
步骤4.3:生成改进极限学习机的输入权重矩阵W=[w1,w2,…wL];
本实施例中,输入的滚动轴承训练样本振动信号的个数为300,因此,特征矩阵F中所包含的特征向量个数也为300;选择sigmoid函数作为激活函数g(·);设定改进极限学习机的隐藏层有20个隐藏神经元,logistic映射的初值z1=0.9、参数μ=3.95,则根据logistic映射递推公式zk=μzk-1(1-zk-1),可计算logistic映射序列如下:
z=(z1,…,zk,…,z120)=(0.900,0.355,0.905,0.339,0.885,…,0.941,0.218,0.673,0.868,0.451),由于序列过长,本实施例只给出前五个和后五个数据;将logistic映射序列z按顺序排列为改进极限学习机的输入权重矩阵W,具体为:
步骤5:通过步骤4训练好的故障分类器进行故障诊断;
将滚动轴承测试样本振动信号的特征矩阵F′输入步骤4训练好的故障分类器,将步骤4生成的极限学习机输入权重矩阵W和输出权重矩阵为β,带入公式Hβ=C,计算出故障分类结果。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法,其特征在于:针对滚动轴承振动信号,首先提取时域特征构建时域特征集合,然后利用序列前向选择方法从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型,将滚动轴承振动信号转化为特征向量;选择极限学习机作为分类器,将振动信号的特征向量作为输入,并使用由logistic映射产生的伪随机序列来代替极限学习机中的随机输入权重矩阵,同时省略极限学习机的偏置向量,得到改进的极限学习机,实现对滚动轴承的故障诊断;在相同的诊断环境下,输入权重矩阵只需生成一次,在后续诊断中可反复使用。
2.根据权利要求1所述的基于振动孪生与极限学习的滚动轴承智能故障诊断方法,其特征在于:该方法具体包括以下步骤:
步骤1:构建滚动轴承振动信号的时域特征集合;
从作为训练样本的滚动轴承原始振动信号中提取时域特征构建滚动轴承振动信号的时域特征集;
用表示滚动轴承的不同样本,用i表示样本序号,xi=[xi1,…xin]T∈Rn表示滚动轴承的一个n维原始振动信号,yi∈{1,…,m}是与之对应的故障标签,即实际故障类型,用ci∈{1,…,m}表示故障诊断的分类结果,即预测故障类型;用X=[x1,…xN]T∈RN*n表示滚动轴承的N个原始振动信号,Y=[y1,…,yN]T∈RN表示X的故障标签,C=[c1,…,cN]T∈RN表示X的故障分类结果;根据机械振动原理,提取机械振动领域现有的14个时域特征构成滚动轴承振动信号的时域特征集合S={s1,…,s14};
步骤2:基于滚动轴承振动信号的时域特征集合构建振动孪生模型,将滚动轴承振动信号转化为特征矩阵;
利用序列前向选择方法从时域特征集合S={s1,…,s14}中选择最优特征子集S′∈S,并将最优子集S′中计算时域特征的算法组合,形成振动孪生模型,将滚动轴承振动信号X=[x1,…xN]T转化为特征矩阵F=[f1,…,fN]T∈RN*K,其中,fi=[fi1,…,fiK]表示振动信号xi的特征向量;选择最优子集的条件为:将子集中的时域特征输入分类器,故障诊断准确率最高;
步骤3:构建基于改进极限学习机的故障分类器;
选择极限学习机作为分类器,将步骤2得到的振动信号的特征向量作为输入,并通过logistic映射生成极限学习机的输入权重矩阵,并设置偏置向量为零向量,设定极限学习机的隐藏层有L个隐藏神经元,用j表示隐藏神经元序号,激活函数用g(·)表示,则基于改进的极限学习机的故障分类器表示为:
其中,fi和ci分别表示振动信号xi的特征向量和故障分类结果;βj和wj分别为第j个隐藏神经元的输出权重向量和输入权重向量;设W=[w1,w2,…wL]为L个隐藏神经元的输入权重向量组成的输入权重矩阵,β=[β1,β2,…,βL]T为L个隐藏神经元的输出权重向量组成的输出权重矩阵;
步骤4:训练步骤3构建的基于改进极限学习机的故障分类器;
步骤5:通过步骤4训练好的故障分类器进行滚动轴承的故障诊断。
3.根据权利要求2所述的基于振动孪生与极限学习的滚动轴承智能故障诊断方法,其特征在于:所述步骤1提取的械振动领域现有的14个时域特征包括:均值、标准差、方差、峰峰值、方根幅值、平均幅值、均方幅值、峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度、峭度指标。
4.根据权利要求3所述的基于振动孪生与极限学习的滚动轴承智能故障诊断方法,其特征在于:步骤2所述利用序列前向选择方法从时域特征集合S={s1,…,s14}中选择最优特征子集S′∈S的具体方法为:
第一步:将最优特征子集S′初始化为一个空集;
第二步:将时域特征集合S中的每个特征,分别与最优特征子集S′中的时域特征组合,输入分类器,得到每种组合对应的故障诊断准确率;选择使准确率最高的时域特征组合作为新的最优特征子集S′;
第三步:重复第二步,继续添加时域特征到S′,直到故障诊断准确率不会随着时域特征的进一步增加而提高;此时,S′为根据故障诊断准确率选出的最优特征子集;设定此时S′={s1′,…,sK′}∈S,其中,K为最优特征子集中时域特征的个数。
5.根据权利要求4所述的基于振动孪生与极限学习的滚动轴承智能故障诊断方法,其特征在于:步骤3所述通过logistic映射生成极限学习机的输入权重矩阵的具体方法为:
7.根据权利要求6所述的基于振动孪生与极限学习的滚动轴承智能故障诊断方法,其特征在于:所述步骤5的具体方法为:
将待诊断滚动轴承振动信号的特征矩阵F′输入步骤4训练好的故障分类器,通过步骤4生成的改进极限学习机的输入权重矩阵W和输出权重矩阵为β,计算待诊断滚动轴承的故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434424.9A CN113138080B (zh) | 2021-04-22 | 2021-04-22 | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434424.9A CN113138080B (zh) | 2021-04-22 | 2021-04-22 | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113138080A true CN113138080A (zh) | 2021-07-20 |
CN113138080B CN113138080B (zh) | 2022-06-03 |
Family
ID=76813268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110434424.9A Active CN113138080B (zh) | 2021-04-22 | 2021-04-22 | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138080B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030264A (zh) * | 2023-08-10 | 2023-11-10 | 盐城工学院 | 基于特征加权孪生支持向量机的滚动轴承故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN109827777A (zh) * | 2019-04-01 | 2019-05-31 | 哈尔滨理工大学 | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 |
CN110907177A (zh) * | 2019-12-10 | 2020-03-24 | 北京交通大学 | 一种基于分层极限学习机的轴承故障诊断方法 |
CN111539152A (zh) * | 2020-01-20 | 2020-08-14 | 内蒙古工业大学 | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 |
CN111753891A (zh) * | 2020-06-11 | 2020-10-09 | 燕山大学 | 一种无监督特征学习的滚动轴承故障诊断方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
-
2021
- 2021-04-22 CN CN202110434424.9A patent/CN113138080B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN109827777A (zh) * | 2019-04-01 | 2019-05-31 | 哈尔滨理工大学 | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 |
CN110907177A (zh) * | 2019-12-10 | 2020-03-24 | 北京交通大学 | 一种基于分层极限学习机的轴承故障诊断方法 |
CN111539152A (zh) * | 2020-01-20 | 2020-08-14 | 内蒙古工业大学 | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 |
CN111753891A (zh) * | 2020-06-11 | 2020-10-09 | 燕山大学 | 一种无监督特征学习的滚动轴承故障诊断方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
Non-Patent Citations (1)
Title |
---|
徐凯: "孪生支持向量机在滚动轴承振动故障诊断中的应用", 《煤矿机械》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117030264A (zh) * | 2023-08-10 | 2023-11-10 | 盐城工学院 | 基于特征加权孪生支持向量机的滚动轴承故障诊断方法 |
CN117030264B (zh) * | 2023-08-10 | 2024-04-16 | 盐城工学院 | 基于特征加权孪生支持向量机的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113138080B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753992B (zh) | 基于条件生成对抗网络的无监督域适应图像分类方法 | |
MacKay | The evidence framework applied to classification networks | |
CN114661933A (zh) | 基于胎儿先心病超声图像—诊断报告的跨模态检索方法 | |
CN110244689A (zh) | 一种基于判别性特征学习方法的auv自适应故障诊断方法 | |
CN112633493A (zh) | 一种面向工业设备数据的故障诊断方法及系统 | |
CN113836783B (zh) | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 | |
CN112529063B (zh) | 一种适用于帕金森语音数据集的深度域适应分类方法 | |
CN113298131B (zh) | 一种基于注意力机制的时序数据缺失值插补方法 | |
CN113138080B (zh) | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 | |
MacKay | The evidence framework applied to classification networks | |
CN116110565A (zh) | 一种基于多模态深度神经网络对人群抑郁状态辅助检测的方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
Dinu et al. | Addressing parameter choice issues in unsupervised domain adaptation by aggregation | |
CN111723857B (zh) | 一种流程生产装备运行状态的智能监测方法与系统 | |
CN118035866A (zh) | 基于专家网络的铝挤压设备故障诊断方法 | |
CN115129029B (zh) | 基于子领域适配字典学习的工业系统故障诊断方法和系统 | |
CN116050478A (zh) | 基于注意力机制的时间序列填补方法 | |
CN114996124A (zh) | 一种基于特征蒸馏的多维时间序列异常检测方法 | |
CN110796195B (zh) | 一种包含在线小样本激励的图像分类方法 | |
CN115274009A (zh) | 基于半监督gru回归模型的聚酯熔体质量在线预测方法 | |
CN110826184B (zh) | 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法 | |
CN113449914A (zh) | 一种电力系统监测方法及系统 | |
Xu et al. | A dense ResNet model with RGB input mapping for cross-domain mechanical fault diagnosis | |
CN114781633B (zh) | 一种融合人工神经网络与脉冲神经网络的处理器 |
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 |