CN113177484A - 基于lof自编码的机械故障智能诊断方法 - Google Patents

基于lof自编码的机械故障智能诊断方法 Download PDF

Info

Publication number
CN113177484A
CN113177484A CN202110479568.6A CN202110479568A CN113177484A CN 113177484 A CN113177484 A CN 113177484A CN 202110479568 A CN202110479568 A CN 202110479568A CN 113177484 A CN113177484 A CN 113177484A
Authority
CN
China
Prior art keywords
local
vibration signal
network
lof
self
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
Application number
CN202110479568.6A
Other languages
English (en)
Other versions
CN113177484B (zh
Inventor
李德光
王听忠
张斌斌
王翔宇
彭首博
陈子远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang Normal University
Original Assignee
Luoyang Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luoyang Normal University filed Critical Luoyang Normal University
Priority to CN202110479568.6A priority Critical patent/CN113177484B/zh
Publication of CN113177484A publication Critical patent/CN113177484A/zh
Application granted granted Critical
Publication of CN113177484B publication Critical patent/CN113177484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • 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 Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于LOF自编码的机械故障智能诊断方法，包括以下步骤：步骤S1，获取机械不同健康状态下的振动信号样本；步骤S2，从振动信号样本中截取获得局部信号片段集；步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；步骤S5，基于振动信号局部特征计算LOF异常因子；步骤S6，矫正局部特征并融合为全局特征；步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断。本发明能够获得更加准确的诊断结果。

Description

基于LOF自编码的机械故障智能诊断方法
技术领域
本发明属于械监测及故障诊断领域，尤其是一种基于LOF自编码的机械故障智能诊断方法。
背景技术
工业装备中含有大量的旋转机械零部件如轴承、齿轮等，它们在旋转机械中起到支撑、传送力矩作用，对于设备的安全、可靠运行十分重要。然而这些旋转零部件也故障频发，一旦故障，轻则设备无法正常运行，停工停产，重则机组破坏，造成重大人员伤亡。可见旋转机械故障的及时、准确诊断对于防止重大事故、设备生产经济效益的提高具有十分重要的意义。基于振动传感器获取振动信号，对信号进行诊断分析，判断设备是否存在故障是旋转机械故障诊断的重要手段，为维护设备安全运行发挥了重要作用。
近年来，深度学习诊断模型建立，自动地识别出故障类别，受到学术和工程领域广泛关注。如自动编码机模型，能够自适应地从获取的振动数据中提取故障特征，无需依靠专家经验专门设计特征，并取得了较好地诊断效果。然而，实际工程中，运行环境复杂，周围存在大量噪声干扰，传感器故障频发，导致获取监测数据中难免含有缺失、噪点、漂移等低质量监测数据。深度学习算法具有“垃圾进，垃圾出”的缺点，基于质量低的数据样本进行训练，将获得错误诊断模型，从而降低了诊断准确率。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种基于LOF自编码的机械故障智能诊断方法，能够根据监测数据质量高低自适应调整神经网络中的样本权重，从而获得更加准确的诊断结果。本发明采用的技术方案是：
本发明的实施例提出一种基于LOF自编码的机械故障智能诊断方法，包括以下步骤：
步骤S1，获取机械不同健康状态下的振动信号样本；
步骤S2，从振动信号样本中截取获得局部信号片段集；
步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；
步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；
步骤S5，基于振动信号局部特征计算LOF异常因子；
步骤S6，矫正局部特征并融合为全局特征；
步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；
步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断。
本发明的优点在于：本发明即便在监测数据质量较低的情况下，依然能够获得更为准确的机械故障诊断神经网络模型，从而提高诊断结果的精确性。
附图说明
图1为本发明实施例中的方法流程图。
图2为本发明实施例中训练集正确率比对图。
图3为本发明实施例中验证集正确率比对图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的实施例提出一种基于LOF自编码的机械故障智能诊断方法，包括以下步骤：
步骤S1，获取机械不同健康状态下的振动信号样本；
将获取的原始振动信号样本组成机械健康状态样本集
Figure BDA0003048117220000021
其中xm为第m个原始振动信号样本，ym为第m个原始振动信号样本的健康状态类型，M为振动信号样本数量；
步骤S2，从振动信号样本中截取获得局部信号片段集；
以重叠滑窗方式随机从振动信号样本中截取Ns个局部信号片段，组成局部信号片段集
Figure BDA0003048117220000022
sj表示第j个局部信号片段，每个局部信号片段有个Nin采样点；
举例而言，若某个振动信号有1000个采样点，若等分成20个局部信号片段，则每个局部信号片段有50个采样点，以重叠滑窗方式截取时，每个局部信号片段有超过50个采样点；
举例而言，若有30个振动信号样本，每个振动信号样本以重叠滑窗方式截取20个局部信号片段，则Ns为600；
步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；
稀疏自编码网络的权重矩阵记为
Figure BDA0003048117220000023
其中，Nin为稀疏自编码网络的输入维数，Nout为稀疏自编码网络的特征维数；
步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；
将振动信号xm分为不重叠的局部信号片段，表示如下：
Figure BDA0003048117220000024
其中，J为振动信号分为局部信号片段的个数，
Figure BDA0003048117220000025
为第m个振动信号样本的第j个局部信号片段；
振动信号xm中每一个局部信号片段输入到稀疏自编码网络中提取
Figure BDA0003048117220000026
的特征为
Figure BDA0003048117220000027
Figure BDA0003048117220000028
其中，σr为稀疏自编码网络的特征层激活函数；
振动信号xm对应的局部特征集为
Figure BDA0003048117220000031
Figure BDA0003048117220000032
步骤S5，基于振动信号局部特征计算LOF异常因子(即局部异常因子)；
对局部特征集
Figure BDA0003048117220000033
进行LOF异常因子的计算，包括：设定k值大小，搜索计算局部特征集
Figure BDA0003048117220000034
内任意一点的k近邻域；
计算局部特征集
Figure BDA0003048117220000035
内所有特征点的局部可达密度，其中任意点
Figure BDA0003048117220000036
Figure BDA0003048117220000037
其中，o′为点o的邻域内的特征点，k_distance(o′)表示点o′的第k距离，k_distance(o)表示点o的第k距离，d(o,o′)表示点o与o′的欧氏距离，k值取为5；Nk(o)是点o的邻域，即点o的第k距离以内的所有点，包括第k距离上的点；
点o的LOF异常因子计算表达式如下：
Figure BDA0003048117220000038
其中，lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度；
步骤S6，矫正局部特征并融合为全局特征；
对每个振动信号样本xm求出第j个局部信号片段的LOF异常因子
Figure BDA0003048117220000039
将
Figure BDA00030481172200000310
作为特征平均的权重因子,矫正局部特征并融合为全局特征hm；如下式所示：
Figure BDA00030481172200000311
步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；
将获得的全局特征hm与健康状态类型结合，形成Softmax分类网络的训练集
Figure BDA00030481172200000312
假设训练集的健康状态有C种，则ym∈{1,2,…,C}；对每个输入的全局特征hm，Softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(ym＝c|hm)，其中c＝1，2，…，C；
Softmax分类网络输出表示为：
Figure BDA00030481172200000313
其中，Ws为Softmax分类网络的权重矩阵，Wc为权重矩阵Ws的第c行向量；
Softmax分类网络的目标函数为：
Figure BDA00030481172200000314
其中，1{·}为指示函数，当输入为真时，指示函数的值为1；当输入为假时，指示函数的值为0；通过最小化目标函数J(Ws)，得到优化的Ws；最终完成整个诊断神经网络的训练；
步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断；自动识别健康状态，实现机械设备故障的类别诊断。
具体验证实施例如下：
验证案例采用美国凯斯西储大学轴承故障数据，选用的是12kHz的驱动端故障数据，故障类型分别为滚动体故障且故障直径为0.1778mm、内圈故障且故障直径为0.1778mm、外圈故障且故障直径为0.1778mm、滚动体故障且故障直径为0.3556mm、内圈故障且故障直径为0.3556mm、外圈故障且故障直径为0.3556mm、滚动体故障且故障直径为0.5334mm、内圈故障且故障直径为0.5334mm、外圈故障且故障直径为0.5334mm、健康，即一共有10中健康状态类型(1健康，3种滚动体故障、3种外圈故障、3种内圈故障)；总数据集的63％选为训练集，其余37％作为验证集；
训练比对如图2所示，其中LOF处理前表示未使用本申请的方法，直接采用自编码结合softmax网络模型方式，训练准确率为96.98％，采用了本申请的方法训练准确率达到97.43％。
利用训练后的诊断神经网络进行故障诊断；LOF处理前模型验证集准确率为84.56％，而LOF处理后神经网络模型的验证集准确率为86.4％，可以看出验证集准确率获得了提升，从而说明了本申请方法的有效性。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于LOF自编码的机械故障智能诊断方法，其特征在于，包括以下步骤：
步骤S1，获取机械不同健康状态下的振动信号样本；
步骤S2，从振动信号样本中截取获得局部信号片段集；
步骤S3，利用局部信号片段集对稀疏自编码网络进行训练，获得稀疏自编码网络的权重矩阵；
步骤S4，基于稀疏自编码网络的权重矩阵提取原始振动信号局部特征；
步骤S5，基于振动信号局部特征计算LOF异常因子；
步骤S6，矫正局部特征并融合为全局特征；
步骤S7，训练神经网络中的Softmax分类网络；从而完成整个诊断神经网络的训练；
步骤S8，基于以上训练完成后的诊断神经网络进行机械故障诊断。
2.如权利要求1所述的基于LOF自编码的机械故障智能诊断方法，其特征在于，步骤S1中，
将获取的原始振动信号样本组成机械健康状态样本集
Figure FDA0003048117210000011
其中xm为第m个原始振动信号样本，ym为第m个原始振动信号样本的健康状态类型，M为振动信号样本数量。
3.如权利要求2所述的基于LOF自编码的机械故障智能诊断方法，其特征在于，步骤S2中，
以重叠滑窗方式随机从振动信号样本中截取Ns个局部信号片段，组成局部信号片段集
Figure FDA0003048117210000012
sj表示第j个局部信号片段，每个局部信号片段有个Nin采样点。
4.如权利要求3所述的基于LOF自编码的机械故障智能诊断方法，其特征在于，
步骤S3中，稀疏自编码网络的权重矩阵记为
Figure FDA0003048117210000013
其中，Nin为稀疏自编码网络的输入维数，Nout为稀疏自编码网络的特征维数；
步骤S4中，将振动信号xm分为不重叠的局部信号片段，表示如下：
Figure FDA0003048117210000014
其中，J为振动信号分为局部信号片段的个数，
Figure FDA0003048117210000015
为第m个振动信号样本的第j个局部信号片段；
振动信号xm中每一个局部信号片段输入到稀疏自编码网络中提取
Figure FDA0003048117210000016
的特征为
Figure FDA0003048117210000017
Figure FDA0003048117210000018
其中，σr为稀疏自编码网络的特征层激活函数；
振动信号xm对应的局部特征集为
Figure FDA0003048117210000019
Figure FDA0003048117210000021
5.如权利要求4所述的基于LOF自编码的机械故障智能诊断方法，其特征在于，
步骤S5具体包括：对局部特征集
Figure FDA0003048117210000022
进行LOF异常因子的计算，包括：设定k值大小，搜索计算局部特征集
Figure FDA0003048117210000023
内任意一点的k近邻域；
计算局部特征集
Figure FDA0003048117210000024
内所有特征点的局部可达密度，其中任意点
Figure FDA0003048117210000025
Figure FDA0003048117210000026
其中，o′为点o的邻域内的特征点，k_distance(o′)表示点o′的第k距离，k_distance(o)表示点o的第k距离，d(o,o′)表示点o与o′的欧氏距离，k值取为5；Nk(o)是点o的邻域，即点o的第k距离以内的所有点，包括第k距离上的点；
点o的LOF异常因子计算表达式如下：
Figure FDA0003048117210000027
其中，lrdk(o)与lrdk(o′)分别为点o与点o′的局部可达密度。
6.如权利要求5所述的基于LOF自编码的机械故障智能诊断方法，其特征在于，步骤S6中，
对每个振动信号样本xm求出第j个局部信号片段的LOF异常因子
Figure FDA0003048117210000028
将
Figure FDA0003048117210000029
作为特征平均的权重因子,矫正局部特征并融合为全局特征hm；如下式所示：
Figure FDA00030481172100000210
7.如权利要求6所述的基于LOF自编码的机械故障智能诊断方法，其特征在于，步骤S7具体包括：
将获得的全局特征hm与健康状态类型结合，形成Softmax分类网络的训练集
Figure FDA00030481172100000211
假设训练集的健康状态有C种，则ym∈{1,2,…,C}；对每个输入的全局特征hm，Softmax分类网络通过调整参数估计该特征为第c种健康状态的概率p(ym＝c|hm)，其中c＝1,2,…,C；
Softmax分类网络输出表示为：
Figure FDA00030481172100000212
其中，Ws为Softmax分类网络的权重矩阵，Wc为权重矩阵Ws的第c行向量；
Softmax分类网络的目标函数为：
Figure FDA00030481172100000213
其中，1{·}为指示函数，当输入为真时，指示函数的值为1；当输入为假时，指示函数的值为0；通过最小化目标函数J(Ws)，得到优化的Ws；最终完成诊断神经网络的训练。
CN202110479568.6A 2021-04-30 2021-04-30 基于lof自编码的机械故障智能诊断方法 Active CN113177484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110479568.6A CN113177484B (zh) 2021-04-30 2021-04-30 基于lof自编码的机械故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110479568.6A CN113177484B (zh) 2021-04-30 2021-04-30 基于lof自编码的机械故障智能诊断方法

Publications (2)

Publication Number Publication Date
CN113177484A true CN113177484A (zh) 2021-07-27
CN113177484B CN113177484B (zh) 2023-02-28

Family

ID=76925584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110479568.6A Active CN113177484B (zh) 2021-04-30 2021-04-30 基于lof自编码的机械故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN113177484B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611109A (zh) * 2024-01-24 2024-02-27 福建亿安智能技术股份有限公司 一种违规物品投放信息监测管理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
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
CN107451624A (zh) * 2017-09-04 2017-12-08 西安交通大学 基于正交化局部连接网络的机械装备健康状态识别方法
CN109190598A (zh) * 2018-09-29 2019-01-11 西安交通大学 一种基于ses-lof的旋转机械监测数据噪点检测方法
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
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
CN112101174A (zh) * 2020-09-09 2020-12-18 洛阳师范学院 一种基于LOF-Kurtogram的机械故障诊断方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN107451624A (zh) * 2017-09-04 2017-12-08 西安交通大学 基于正交化局部连接网络的机械装备健康状态识别方法
CN109190598A (zh) * 2018-09-29 2019-01-11 西安交通大学 一种基于ses-lof的旋转机械监测数据噪点检测方法
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
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
CN112101174A (zh) * 2020-09-09 2020-12-18 洛阳师范学院 一种基于LOF-Kurtogram的机械故障诊断方法
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 (2)

* Cited by examiner, † Cited by third party
Title
LIANGWEI ZHANG ET.AL: "Adaptive kernel density-based anomaly detection for nonlinear systems", 《KNOWLEDGE-BASED SYSTEMS》 *
汤芳等: "稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用", 《机械科学与技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611109A (zh) * 2024-01-24 2024-02-27 福建亿安智能技术股份有限公司 一种违规物品投放信息监测管理方法及系统
CN117611109B (zh) * 2024-01-24 2024-04-26 福建亿安智能技术股份有限公司 一种违规物品投放信息监测管理方法及系统

Also Published As

Publication number Publication date
CN113177484B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN110555273B (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
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
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
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
US20150219530A1 (en) Systems and methods for event detection and diagnosis
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN108257365B (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN110570013B (zh) 一种单站位在线波周期数据的预测诊断方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN113627317A (zh) 一种基于单样本学习的电机轴承故障诊断方法
CN113177484B (zh) 基于lof自编码的机械故障智能诊断方法
CN113705407A (zh) 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法
CN116561514A (zh) 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质
CN110956112B (zh) 一种新的高可靠性回转支承寿命评估方法
CN112528227A (zh) 一种基于数理统计的传感器异常数据识别方法
CN113487141B (zh) 一种多源信息聚类融合的轴承状态评估方法
CN111523557A (zh) 基于大数据的风电智能化故障诊断方法
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法
CN113654651B (zh) 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

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