CN113158984A - 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 - Google Patents
基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113158984A CN113158984A CN202110540488.7A CN202110540488A CN113158984A CN 113158984 A CN113158984 A CN 113158984A CN 202110540488 A CN202110540488 A CN 202110540488A CN 113158984 A CN113158984 A CN 113158984A
- Authority
- CN
- China
- Prior art keywords
- lightweight
- convolution
- bearing
- data set
- layer
- 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
- 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
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,涉及轴承诊断方法技术领域。所述方法包括如下步骤:对轴承的振动信号数据进行数据集划分并构建对应的故障标签,然后采用复Morlet小波变换对数据集进行时频转换,获得二维时频图像数据集;构建轻量级卷积神经网络模型;利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型,得到训练好的分类器;利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类,得到分类结果。所述方法在获得较高准确率的同时,具有复杂度低、参数量少、设备要求低等优点。
Description
技术领域
本发明涉及轴承故障诊断方法技术领域,尤其涉及一种基于复Morlet小波 和轻量级卷积网络的轴承故障诊断方法。
背景技术
滚动轴承在机械中使用十分广泛,它是机械部件的重要组成部分,但是也 是机械中最容易出现故障的部件之一。近年来,国内外因为轴承故障而发生的 重大事故屡有发生,造成重大的损失。因此对轴承进行故障诊断就显得尤为重 要,在轴承发生故障时能够及时的检测和维修,对设备运转的可靠性有很大的 帮助,也能避免造成不必要的损失。
对滚动轴承进行故障诊断可以采用传统的方法,但是传统的方法在特征提 取和故障分类手段上对相关人员的要求性过高,并且当振动信号混杂了噪声信 号后,特征提取的困难也会增加,而故障轴承振动信号的小波时频图可以很好 的显示故障频率及其对应的能量信息,通过深度神经网络进行特征提取,以进 行故障分类。在深度学习中,普通的卷积神经网络都取得了不错的效果,但是 随着网络层数的加深,模型的复杂度也越来越高,运算量也越来越多,反应时 间也会变长,对设备的要求也会更高。网络层数加深时还会出现梯度消失或者 梯度爆炸等影响准确率的问题。
发明内容
本发明所要解决的技术问题是如何提供一种在获得较高准确率的同时,复 杂度低、参数量少、设备要求低的轴承故障诊断方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于复Morlet小 波和轻量级卷积网络的轴承故障诊断方法,其特征在于包括如下步骤:
对轴承的振动信号数据进行数据集划分并构建对应的故障标签,然后采用 复Morlet小波变换对数据集进行时频转换,获得二维时频图像数据集;
构建轻量级卷积神经网络模型;
利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型,得到训 练好的分类器;
利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分 类,得到分类结果;
根据分类的结果得出轴承是否发生故障。
采用上述技术方案所产生的有益效果在于:本申请所述方法采用复Morlet 小波将轴承振动数据转换为时频图,可以更好的体现故障轴承振动时的时域和 频域特征;将一维振动信号转换为二维图像信号,利用了轻量级卷积网络更好 的图像识别能力,故障的识别率更高;采用了轻量级神经网络模型,相比于普 通卷积神经网络,轻量级网络模型有复杂度低、参数量少、设备的要求低等优 点,可以更好用在移动设备上。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图;
图2a-2d是本发明实施例中不同故障类型的时频图;
图3是本发明实施例中轻量级网络模型a单元的基本组成图;
图4是本发明实施例中轻量级网络模型b单元的基本组成图;
图5是本发明实施例中模型结构图;
图6是本发明实施例中模型的处理流程图;
图7a是本发明实施例中识别准确率变化曲线图;
图7b是本发明实施例中Loss函数变化曲线图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、 完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全 部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性 劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多
具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此 描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做 类似推广,因此本发明不受下面公开的具体实施例的限制。
实施例一
如图1所示,本发明实施例公开了一种基于复Morlet小波和轻量级卷积网 络的轴承故障诊断方法,具体包括如下步骤:
对轴承的振动信号数据进行数据集划分并构建对应的故障标签,然后采用 复Morlet小波变换对数据集进行时频转换,获得二维时频图像数据集,如图 2a-2d所示;
构建轻量级卷积神经网络模型;
利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型,得到训 练好的分类器;
利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分 类,得到分类结果;
根据分类的结果得出轴承是否发生故障。
进一步的,所述对轴承的振动信号数据进行数据集划分并构建对应的故障 标签的方法如下:采取多种故障类型和健康状态的轴承振动信号,将轴承振动 信号按照一定的长度划分并按照比例随机划分为训练数据集、验证数据集和测 试数据集,并对数据集打上分类标签。
进一步的,所采用的复Morlet小波更适合分析具有冲击衰减波形的特点的 轴承故障振动信号,复Morlet小波变换的计算公式为:
其中t代表时间,ω代表无量纲频率。
进一步的,所述的轻量级卷积神经网络包括:1个卷积层、14个轻量级卷 积结构单元,1个池化层,1个全连接层和1个分类输出层。
进一步的,所述的轻量级卷积神经网络:卷积层的卷积核为3x3,步长为2, 池化层的卷积核大小为2x2,步长为2,分类输出层为10个神经元,共10个故 障类别。
进一步的,所述的轻量级卷积结构有两个单元,单元a和单元b,在模型 结构中,14个轻量卷积结构单元是由4个a单元和10个b单元组成。
进一步的,如图3所示,所述轻量级卷积结构单元有两种:轻量级卷积结 构a单元和轻量级卷积结构b单元,在模型结构中,14个轻量卷积结构单元包 括4个a单元和10个b单元;
所述轻量级卷积结构a单元包括:卷积操作模块、Channel Split操作模块、Concat操作模块和Channel Shuffle操作模块,所述轻量级卷积结构a单元输入 端经过一层卷积操作后分为两个分支,其中的一个分支经三个卷积层与Concat 操作模块连接,另一个分支经所述Channel Split操作模块后又分为两个分支, 这两个分支中的一个分支直接与Concat操作模块连接,另一个分支经三个卷积 层后与Concat操作模块连接,所述Concat操作模块的输出端与Channel Shuffle 操作模块的输入端连接,所述Channel Shuffle操作模块的输出端为轻量级卷积 结构a单元的输出端;
如图4所示,所述轻量级卷积结构b单元包括:Channel Split操作模块、 Concat操作模块和Channel Shuffle操作模块,所述Channel Split操作模块的输 出端分为两个分支,其中的一个分支直接与Concat操作模块连接,另一个分支 经三个卷积层后与Concat操作模块连接,所述Concat操作模块的输出端与 Channel Shuffle操作模块的输入端连接,所述Channel Shuffle操作模块的输出 端为轻量级卷积结构b单元的输出端。
如图3所示,所述轻量级网络模型a单元的处理方法如下:输入的特征数 据经过步长为2的3*3Conv处理后,通过两个分支进行卷积运算,一个分支包 括1*1Conv和3*3DWDConv两层卷积层,另一个分支使用Channel Split操作 模块将输入channels又划分为两分支,其中一个分支直接向下传递,另外一个 分支经过三个卷积层计算后输出,三个卷积层分别是1*1Conv、3*3DWDConv 和1*1Conv,然后,将三个分支的输出通过Concat操作模块连接起来,最后, 使用Channel Shuffle操作模块来打乱输出信道的顺序。
如图4所示,所述轻量级网络模型b单元的处理方法如下:先使用Channel Split操作模块将输入channels划分为两分支,一个分支直接向下传递,另外一 个分支经过三个卷积层计算后输出,三个卷积层分别是1*1Conv、3*3DWDConv 和1*1Conv,然后,将两个分支的输出通过Concat操作模块连接起来,最后, 使用Channel Shuffle操作模块来打乱输出信道的顺序。
进一步的,所述轻量级网络模型的a单元的三个分支中其中两个分支都是 先经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活函数,然后经 过一层3*3DWDConv卷积层进行处理,包含BN激活函数,最后经过一层 1*1Conv卷积层进行处理,其包含BN和ReLU激活函数;而另一个分支经过一 层3*3DWDConv卷积层进行处理,包含BN,再经过一层1*1Conv卷积层进行 处理,其包含BN和ReLU激活函数。
进一步的,在轻量级网络结构单元分支中,采用的3*3DWDConv是内核 间隔数量为2的深度可分离空洞卷积。空洞卷积与普通卷积的相同点在于,卷 积核的大小是一样的,在神经网络中参数数量不变的情况下空洞卷积具有更大 的感受野。
在轻量级网络模型的a单元和b单元中,
将BN层合并于Conv层后,Conv层的计算公式为:
ω代表权重参数,σ2代表输入X2的方差,μ为输入X2的均值,γ代表缩 放因子,ε是防止分母为0的较小的数,β代表偏移量,b代表偏置。
进行训练的轻量级卷积网络模型的损失函数采用的是softmax交叉熵损失 函数,采用的优化方法为Adam算法,迭代训练40次后损失值不再下降。
通过所述方法对采集得到的多种轴承振动信号先进行划分和打标签,然后 通过复Morlet小波转换为二维时频图来更好的显示轴承信号的特征,再将特征 图输入训练好的轻量级卷积网络模型进行故障分类,该发明能得到较高的准确 率,采用轻量级网络减少了模型的参数量和降低了模型读对设备的要求,更加 具有实用价值。
实施例二
本发明实施例公开了一种基于复Morlet小波和轻量级卷积网络的轴承故障 诊断方法,具体包括如下步骤:
步骤1),对滚动轴承振动信号进行数据集划分和构建对应的故障标签后, 采用复Morlet小波对数据集进行时频转换,获得二维时频图像数据集;
本次实验数据设置了10种故障类型,然后将每种故障类型的数据分割成 864*1的样本,并打上标签。
每一种故障类型有200个样本,然后按照7:2:1的比例随机划分成140个 训练样本,40个验证样本和20个测试样本。
划分好样本后,采用复Morlet小波变换将每一个样本转换为64*64的时频 图,如图2所示;
复Morlet小波定义为:
其中t代表时间,ω代表无量纲频率。
时频图包含了轴承振动时的时域信号和频域信号,使轴承振动的特征更加 明显,便于网络对故障类型的识别。
步骤2),轻量级卷积网络结构构建;
轻量级网络相比于普通卷积网络,这种网络的优点是计算参数量少,复杂 度低,对设备的性能要求低,反应时间短等。
轻量级网络是由轻量级网络结构a单元和轻量级网络结构b单元叠加而成, 轻量级网络结构a单元如图3所示,轻量级网络结构b单元如图4所示。该网 络的输入是步骤2中的时频图,输出的是故障诊断的结果。
轻量级网络结构单元内的3*3DWDConvs是将标准的空洞3维卷积分解为 深度空洞卷积和点空洞卷积。在保证特征有效提取的基础上极大地降低了模型 参数量和计算量,减轻了模型应用的计算和存储负担。
假设LF为输入映射长度,LK为卷积核尺寸,M为输入映射通道数,N为 卷积核数量,则标准卷积的参数量和计算量分别为Lk×M×N和Lk×M×N×LF, 一维深度可分离卷积的参数量和计算量分别为Lk×M+1×M×N和 Lk×M×LF+M×N×LF。
整体模型框架为:特征数据经过一层步长为2的卷积核为3*3的卷积层后, 进入轻量级结构单元,14个单元堆叠顺序为:a单元--->b单元--->b单元--->a 单元--->b单元--->b单元--->a单元--->b单元--->b单元--->b单元--->a单元--->b 单元--->b单元--->b单元,经过轻量级结构单元后,特征数据进入卷积核大小 为2*2的池化层,最后经过全连接层进行分类输出。
在轻量级网络结构单元分支中,采用的3*3DWDConv是内核间隔数量为2 的深度可分离空洞卷积。空洞卷积与普通卷积的相同点在于,卷积核的大小是 一样的,在神经网络中参数数量不变的情况下空洞卷积具有更大的感受野。
在轻量级网络模型单元中,所有Conv层代码定义都结合了BN层,Conv 层和BN层合并减少了BN层的计算,可以加快网络推理。
将BN层合并于Conv层后,Conv层的计算公式为:
ω代表权重参数,σ2代表输入X2的方差,μ为输入X2的均值,γ代表缩 放因子,ε是防止分母为0的较小的数,β代表偏移量,b代表偏置。
步骤3),轻量级网络的训练;
将步骤2)中训练集的时频图输入轻量级网络进行训练。设置训练的步数 为40次,训练的Batch-Size为64,网络的损失函数采用的是softmax交叉熵损 失函数,采用的优化方法为Adam算法,学习率为0.001。网络的训练过程如图 6所示,随着迭代的进行损失值逐渐减小,网络迅速达到稳定状态。
步骤4),利用训练好的网络模型对测试数据集进行分类,得到分类结果。
轻量级网络训练完成后,将步骤2中的测试集时频图输入网络进行测试, 其分类的准确率达到97%以上,如图7a-7b所示。
综上,所述方法中针对轻量级神经网络对二维图像更强的处理能力,提出 了对轴承振动信号进行复Morlet小波变换生成时频图。针对普通神经网络复杂 度高,参数量多和设备性能要求高等,提出了采用轻量级网络进行故障分类, 实验结果表明,该方法针对轴承故障识别准确率极高。
综上,所述方法中针对轻量级卷积网络神经网络对二维图像更强的处理能 力,提出了对轴承振动信号进行复Morlet小波变换生成时频图。针对普通神经 网络复杂度高,参数量多和设备性能要求高等,提出了采用轻量级卷积网络轻 量级网络进行故障分类,实验结果表明,该方法针对轴承故障识别准确率极高。
Claims (10)
1.一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于包括如下步骤:
对轴承的振动信号数据进行数据集划分并构建对应的故障标签,然后采用复Morlet小波变换对数据集进行时频转换,获得二维时频图像数据集;
构建轻量级卷积神经网络模型;
利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型,得到训练好的分类器;
利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类,得到分类结果;
根据分类的结果得出轴承是否发生故障。
2.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于,所述对轴承的振动信号数据进行数据集划分并构建对应的故障标签的方法如下:
采取多种故障类型和健康状态的轴承振动信号,将轴承振动信号按照一定的长度划分并按照比例随机划分为训练数据集、验证数据集和测试数据集,并对数据集打上分类标签。
4.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于,所述轻量级网络模型包括:1个卷积层、14个轻量级卷积结构单元、1个池化层、1个全连接层和一个分类输出层。
5.如权利要求4所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于:所述轻量级卷积神经网络中的卷积层的卷积核为3x3,步长为2,池化层的卷积核大小为2x2,步长为2,分类输出层为10个神经元,共10个故障类别。
6.如权利要求5所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于,所述轻量级卷积结构单元有两种:轻量级卷积结构a单元和轻量级卷积结构b单元,在模型结构中,14个轻量级卷积结构单元包括4个所述a单元和10个所述b单元;
所述轻量级卷积结构a单元包括:卷积操作模块、Channel Split操作模块、Concat操作模块和Channel Shuffle操作模块,所述轻量级卷积结构a单元输入端经过一层卷积操作后分为两个分支,其中的一个分支经三个卷积层与Concat操作模块连接,另一个分支经所述Channel Split操作模块后又分为两个分支,这两个分支中的一个分支直接与Concat操作模块连接,另一个分支经三个卷积层后与Concat操作模块连接,所述Concat操作模块的输出端与Channel Shuffle操作模块的输入端连接,所述Channel Shuffle操作模块的输出端为轻量级卷积结构a单元的输出端;
所述轻量级卷积结构b单元包括:Channel Split操作模块、Concat操作模块和ChannelShuffle操作模块,所述Channel Split操作模块的输出端分为两个分支,其中的一个分支直接与Concat操作模块连接,另一个分支经三个卷积层后与Concat操作模块连接,所述Concat操作模块的输出端与Channel Shuffle操作模块的输入端连接,所述ChannelShuffle操作模块的输出端为轻量级卷积结构b单元的输出端。
7.如权利要求6所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于,所述轻量级网络模型a单元的处理方法如下:
输入的特征数据经过步长为2的3*3Conv处理后,通过两个分支进行卷积运算,一个分支包括1*1Conv和3*3DWDConv两层卷积层,另一个分支使用Channel Split操作模块将输入channels又划分为两分支,其中一个分支直接向下传递,另外一个分支经过三个卷积层计算后输出,三个卷积层分别是1*1Conv、3*3DWDConv和1*1Conv,然后,将三个分支的输出通过Concat操作模块连接起来,最后,使用Channel Shuffle操作模块来打乱输出信道的顺序。
8.如权利要求6所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于,所述轻量级网络模型b单元的处理方法如下:
先使用Channel Split操作模块将输入channels划分为两分支,一个分支直接向下传递,另外一个分支经过三个卷积层计算后输出,三个卷积层分别是1*1Conv、3*3DWDConv和1*1Conv,然后,将两个分支的输出通过Concat操作模块连接起来,最后,使用ChannelShuffle操作模块来打乱输出信道的顺序。
9.如权利要求6所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法,其特征在于,所述轻量级网络模型a单元的三个分支中,其中两个分支都是先经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活函数,然后经过一层3*3DWDConv卷积层进行处理,包含BN激活函数,最后经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活函数;而另一个分支经过一层3*3DWDConv卷积层进行处理,包含BN,再经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540488.7A CN113158984B (zh) | 2021-05-18 | 2021-05-18 | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540488.7A CN113158984B (zh) | 2021-05-18 | 2021-05-18 | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158984A true CN113158984A (zh) | 2021-07-23 |
CN113158984B CN113158984B (zh) | 2022-06-17 |
Family
ID=76876441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540488.7A Active CN113158984B (zh) | 2021-05-18 | 2021-05-18 | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158984B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780134A (zh) * | 2021-08-31 | 2021-12-10 | 昆明理工大学 | 一种基于ShuffleNetV2网络的运动想象脑电解码方法 |
CN113920363A (zh) * | 2021-10-07 | 2022-01-11 | 中国电子科技集团公司第二十研究所 | 一种基于轻量级深度学习网络的文物分类方法 |
CN114187005A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向传动系统订单的全生命周期追溯系统与方法 |
CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
CN113920363B (zh) * | 2021-10-07 | 2024-05-17 | 中国电子科技集团公司第二十研究所 | 一种基于轻量级深度学习网络的文物分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
US20200082523A1 (en) * | 2018-09-07 | 2020-03-12 | Kla-Tencor Corporation | Using stochastic failure metrics in semiconductor manufacturing |
CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
-
2021
- 2021-05-18 CN CN202110540488.7A patent/CN113158984B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
US20200082523A1 (en) * | 2018-09-07 | 2020-03-12 | Kla-Tencor Corporation | Using stochastic failure metrics in semiconductor manufacturing |
CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
JIE WU ET AL.: "A study on adaptation lightweight architecture based deep learning models for bearing fault diagnosis under varying working conditions", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
NINGNING MA ET AL.: "Shufflenet v2- Practical guidelines for efficient cnn architecture design", 《ECCV 2018》 * |
WEI-XING CHEN ET AL.: "Fault diagnosis for rolling bearings based on SPWVD-CNN", 《MACHINE TOOL & HYDRAULICS HYDROMECHATRONICS ENGINEERING》 * |
王彦博 等: "基于嵌入式深度学习的电力设备红外热成像故障识别", 《计算机系统应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780134A (zh) * | 2021-08-31 | 2021-12-10 | 昆明理工大学 | 一种基于ShuffleNetV2网络的运动想象脑电解码方法 |
CN113920363A (zh) * | 2021-10-07 | 2022-01-11 | 中国电子科技集团公司第二十研究所 | 一种基于轻量级深度学习网络的文物分类方法 |
CN113920363B (zh) * | 2021-10-07 | 2024-05-17 | 中国电子科技集团公司第二十研究所 | 一种基于轻量级深度学习网络的文物分类方法 |
CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
CN114279728B (zh) * | 2021-12-07 | 2023-07-25 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
CN114187005A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向传动系统订单的全生命周期追溯系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113158984B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158984B (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN110617966A (zh) | 一种基于半监督生成对抗网络的轴承故障诊断方法 | |
CN111458148A (zh) | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN110333076B (zh) | 基于CNN-Stacking的轴承故障诊断方法 | |
CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
CN112577743B (zh) | 一种基于最大局部边界准则的滚动轴承故障诊断方法 | |
CN110243590A (zh) | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Tao et al. | Fault diagnosis of rolling bearing using deep belief networks | |
CN107832729A (zh) | 一种轴承锈蚀智能诊断方法 | |
CN111310719A (zh) | 一种未知辐射源个体识别及检测的方法 | |
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 | |
CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
Kulevome et al. | Rolling bearing fault diagnostics based on improved data augmentation and ConvNet | |
CN115438694A (zh) | 双向小波卷积长短时记忆网络风力发电机故障诊断方法 | |
CN112257773A (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 | |
CN113505654A (zh) | 基于多视角注意力网络的轴承健康状态识别方法 | |
CN113449618A (zh) | 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法 |
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 |