CN113177577A - 一种基于改进卷积神经网络的轴承故障诊断方法 - Google Patents

一种基于改进卷积神经网络的轴承故障诊断方法 Download PDF

Info

Publication number
CN113177577A
CN113177577A CN202110354327.9A CN202110354327A CN113177577A CN 113177577 A CN113177577 A CN 113177577A CN 202110354327 A CN202110354327 A CN 202110354327A CN 113177577 A CN113177577 A CN 113177577A
Authority
CN
China
Prior art keywords
layer
improved
cnn model
neural network
convolutional neural
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.)
Pending
Application number
CN202110354327.9A
Other languages
English (en)
Inventor
李宏亮
熊文健
周武能
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.)
Shanghai Tushan Intelligent Technology Co ltd
Original Assignee
Shanghai Tushan Intelligent Technology Co ltd
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 Shanghai Tushan Intelligent Technology Co ltd filed Critical Shanghai Tushan Intelligent Technology Co ltd
Priority to CN202110354327.9A priority Critical patent/CN113177577A/zh
Publication of CN113177577A publication Critical patent/CN113177577A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F18/21—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于改进卷积神经网络的轴承故障诊断方法，是将待测滚动轴承的原始振动信号输入到改进的CNN模型中进行故障诊断，所述改进的CNN模型主要由输入层、特征提取层和分类输出层组成，所述特征提取层包含多个依次堆叠的卷积层、激活层和池化层；在最后一组所述特征提取层的卷积层之后采用全局均值池化层代替全连接层，然后连接Softmax分类器；并以Softmax分类器的输出作为测试结果；所述Softmax分类器输出每一行概率值最大的即为所述测试结果。本发明的轴承故障诊断方法直接将原始故障数据作为模型输入，故障分类结果自动输出，大大加快了模型的训练速度；而且提出的方法更适用于故障的在线监测和快速诊断。

Description

一种基于改进卷积神经网络的轴承故障诊断方法
技术领域
本发明属于故障检测技术领域，涉及一种基于改进卷积神经网络的轴承故障诊断方法。
背景技术
大数据近年来越来越广泛地应用于人们的生产生活，不仅在医疗能源通信零售业都有着诸多应用，同时它在工业预测方面也具有很大的潜力。现代社会的发展对材料的性能及产量提出了越来越高的要求。随着现代工业体系的发展，工业设备的安全性已成为人们关注的焦点。通过故障诊断，工程师可以判断系统的运行状态和异常情况，并在早期发现潜在的安全隐患，从而规避风险。近几十年来，故障诊断研究吸引了众多国内外学者的关注，一系列的故障诊断方法相继被提出。因此，近年来出现了大量关于故障诊断的研究。近年来，随着机器学习研究的不断兴起，基于数据驱动的智能故障诊断方法逐渐成为故障诊断领域的主流应用，这种方法虽然有一定效果，但是仍然突显出许多不足：一方面，提取的特征主要用于解决特定故障问题，通用性差，且在大数据样本环境下难以完成，另一方面还存在着训练精度不足，训练速度过慢等问题。
因此，在故障诊断研究中，研究一种能够显著提升故障诊断的效率和准确度的故障诊断方法具有十分重要的意义。
发明内容
为解决现有技术中存在的问题，本发明提供一种基于改进卷积神经网络的轴承故障诊断方法；
为达到上述目的，本发明采用的方案如下：
一种基于改进卷积神经网络的轴承故障诊断方法，将待测滚动轴承的原始振动信号输入到改进的CNN模型中进行故障诊断，所述改进的CNN模型主要由输入层、特征提取层和分类输出层组成，所述特征提取层包含多个依次堆叠的卷积层、激活层和池化层；在最后一组所述特征提取层的卷积层之后采用全局均值池化层代替全连接层，然后连接Softmax分类器；并以Softmax分类器的输出作为测试结果；
所述Softmax分类器输出每一行概率值最大的即为所述测试结果(即为模型预测的该样本所属的故障类别。)
作为优选的技术方案：
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，所述输入层将滚动轴承采集的一维时间序列故障振动信号通过数据重构法转化为二维的输入特征图形式。
输入层用于对获取的原始数据需要进行必要的标准化及格式归整等操作，将原始一维数据转化为CNN模型可训练的类型。通常输入CNN模型的原始数据格式是二维像素网格数据。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，所述全局均值池化层输出的是一个m行n列的量化矩阵Ym×n；其中，m表示具有m个样本，n表示n个类别对应的量化值，即{y1，y2，…，yj，…，yn}，yj为当前样本属于第j类的量化值。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，所述全局均值池化层中全局均值池化的数学表达式为：
Figure BDA0003003109690000021
式中，等式左边表示第l层经全局均值池化得到的结果；1:h表示均值池化核所对应的输出特征图中范围为横向方向从第1行至第h行的像素点，1:w纵向从第1列至第w列的像素点，c表示共有c维的像素点。
全局均值池化层可以用来解决全连接网络参数过多，从而提出的技术，与池化层操作相类似，全局均值池化是对最后一层卷积操作输出的特征图取全局平均值。将CNN中的最后一个卷积层的卷积核的输出维度设置为n，从而得到n个输出特征图，再采用n个全局均值池化核，每个池化核的大小和步长与输出特征图的尺寸相同，然后求取每个池化核对应的平均值，使每一张特征图生成一个值，即可得到n个与全连接层输出同样效果的值，最后输入到Softmax分类器中。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，所述Softmax分类器对Ym×n中不同行的数值进行归一化处理，Ym×n归一化后，每一行概率值最大的即是改进的CNN模型预测的该样本所属的故障类别，其中，Softmax函数为：
Figure BDA0003003109690000022
其中，y′(i)表示第i行的数值经过Softmax函数归一化后的模型输出值(即{y′1，y′2，…，y′j，…，y′n}(i))，且每一个值为(0～1)之间；P(y(i)＝k|x(i))为样本x(i)判定为类别k的概率，x(i)为输入样本，y(i)为输入样本对应的标签，n为分类类别编号。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，所述改进的CNN模型的构建过程为：
(1)将滚动轴承的原始振动信号进行数据格式标准化得到数据集；
(2)将数据集划分为训练集和验证集；
(3)建立初始化的CNN模型；
(4)训练和验证初始化的CNN模型：以训练集为数据源，采用反向传播算法(BP)将误差逐层反向传递，更新各层之间的参数，使损失函数J(w)最小化，若J(w)不收敛，迭代一千次后输出更新的超参数；若J(w)收敛，完成CNN模型参数的训练，并保存模型参数，得到训练后的CNN模型；然后将验证集数据代入训练后的CNN模型，将输出的结果与验证集数据标签对比计算预测精度；
若精度≥95％，则训练后的CNN模型直接作为改进的CNN模型；
若精度＜95％，则调整超参数后，再次验证，直至训练后的CNN模型后的精度≥95％，则得到改进的CNN模型。
将改进的CNN算法应用于滚动轴承实验数据集进行故障诊断，并与传统的SVM，BP网络和DNN算法对比分析，验证了改进CNN算法的优越性有效性。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，数据格式标准化的公式为：
Figure BDA0003003109690000031
其中，X代表对应xi经过数据标准化所得的值，xi代表原始振动信号，xmin代表最小的原始振动信号，xmax代表最大的原始振动信号；数据格式标准化是当数据x按照最小值中心化后再按极差(最大值-最小值)进行缩放。最终的数据移动了最小值的单位，并且会被收敛到[0,1]之间。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，训练集和验证集的样本数之比为99:1。
如上所述的一种基于改进卷积神经网络的轴承故障诊断方法，所述调整超参数是指调整卷积层层数。
本发明的原理是：
本发明的一种基于改进卷积神经网络的轴承故障诊断方法，在传统神经网络的基础上引入全局均值池化技术代替传统CNN的全连接层部分，在有效减少了模型训练参数量和计算时间的同时防止模型过拟合，改进的CNN算法无需对原始故障数据做任何的手工特征提取，直接将原始故障数据作为模型输入，故障分类结果自动输出，大大加快了模型的训练速度，然后运用数据增强等深度学习训练技巧防止模型过拟合，使得提出的方法更适用于故障的在线监测和快速诊断，因为整个诊断过程无需任何手工特征提取，“端”到“端”的算法结构具有较好的可操作性和通用性，在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。本发明具有复杂的网络结构，该模型支持大数据样本环境，并且在大数据的运行下有很好的泛化能力，通用性也就比现有技术强。
有益效果
本发明改进的CNN算法具有更高的故障识别准确率和故障定位能力，通过将该算法应用于滚动轴承故障实验数据进行智能诊断，获得了高达99.04％故障识别准确率，相比于传统的基于手工特征提取的SVM，BP网络和DNN算法以及传统的CNN具有更高的准确率，同时在微小故障诊断方面该算法具有更优越的性能(微小故障数据更精细，更难手工提取特征，改进的CNN算法无需任何手工提取特征，优越性更强)；改进的CNN模型相比其他算法具有更短的测试时间，通过混淆矩阵可直接量化故障误判的位置和数量。
附图说明
图1为本发明的基于改进卷积神经网络的轴承故障诊断方法的流程图；
图2为本发明改进卷积神经网络的示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于改进卷积神经网络的轴承故障诊断方法，如图1所示，具体步骤如下：
(1)构建改进的CNN模型；
(1.1)将滚动轴承的原始振动信号进行数据格式标准化得到数据集；
数据格式标准化的公式为：
Figure BDA0003003109690000041
其中，X代表对应xi经过数据标准化所得的值，xi代表原始振动信号，xmin代表最小的原始振动信号，xmax代表最大的原始振动信号；数据格式标准化是当数据x按照最小值中心化后再按极差(最大值-最小值)进行缩放；最终的数据移动了最小值的单位，并且会被收敛到[0,1]之间；
(1.2)将数据集划分为训练集和验证集；训练集和验证集的样本数之比为99:1；
(1.3)建立初始化的CNN模型；
如图2所示，初始化的CNN模型主要由输入层、特征提取层和分类输出层组成；特征提取层包含3个卷积层、2个激活层、2个池化层；在最后一组特征提取层的卷积层之后采用全局均值池化层代替全连接层，然后连接Softmax分类器；
其中，输入层将滚动轴承采集的一维时间序列故障振动信号通过数据重构法转化为二维的输入特征图形式；输入层用于对获取的原始数据需要进行必要的标准化及格式归整等操作，将原始一维数据转化为CNN模型可训练的类型。通常输入CNN模型的原始数据格式是二维像素网格数据；
全局均值池化层中全局均值池化的数学表达式为：
Figure BDA0003003109690000051
式中，等式左边表示第l层经全局均值池化得到的结果；1:h表示均值池化核所对应的输出特征图中范围为横向方向从第1行至第h行的像素点，1:w纵向从第1列至第w列的像素点，c表示共有c维的像素点；i表示第i维的图；
全局均值池化层输出的是一个m行n列的量化矩阵Ym×n；其中，m表示具有m个样本，n表示n个类别对应的量化值，即{y1，y2，…，yj，…，yn}，yj为当前样本属于第j类的量化值，j取值为1～n；
Softmax分类器对Ym×n中不同行的数值进行归一化处理，Ym×n归一化后，每一行概率值最大的即是改进的CNN模型预测的该样本所属的故障类别，其中，Softmax函数为：
Figure BDA0003003109690000052
其中，y′(i)表示第i行的数值经过Softmax函数归一化后的模型输出值(即{y′1，y′2，…，y′j，…，y′n}(i))，且每一个值为(0～1)之间；P(y(i)＝k|x(i))为样本x(i)判定为类别k的概率，x(i)为输入样本，y(i)为输入样本对应的标签，n为分类类别编号，k取值为1～m；
(1.4)训练和验证初始化的CNN模型：以训练集为数据源，采用反向传播算法(BP)将误差逐层反向传递，更新各层之间的参数：如学习率，步长等，使损失函数J(w)最小化，若J(w)不收敛，迭代一千次后输出更新的参数；若J(w)收敛，完成CNN模型参数的训练，并保存模型参数，得到训练后的CNN模型；然后将验证集数据代入训练后的CNN模型，将输出的结果与验证集数据标签对比计算预测精度；
若精度≥95％，则训练后的CNN模型直接作为改进的CNN模型；
若精度＜95％，则调整超参数(调整卷积层层数)，再次验证，直至训练后的CNN模型后的精度≥95％，则得到改进的CNN模型；
(2)将待测滚动轴承的原始振动信号输入到改进的CNN模型中进行故障诊断；并以Softmax分类器的输出每一行概率值最大的作为测试结果(故障类别)。
本发明改进的CNN算法具有更高的故障识别准确率和故障定位能力，通过将该算法应用于滚动轴承故障实验数据进行智能诊断，该数据来源于美国西储大学电气工程实验室，获得了高达99.04％故障识别准确率，相比于传统的基于手工特征提取的SVM，BP网络和DNN算法以及传统的CNN具有更高的准确率，同时在微小故障诊断方面该算法具有更优越的性能(微小故障数据更精细，更难手工提取特征，改进的CNN算法无需任何手工提取特征，优越性更强)；改进的CNN模型相比其他算法具有更短的测试时间，通过混淆矩阵可直接量化故障误判的位置和数量。
表1
名称 测试准确率 训练时间 测试时间
改进CNN+softmax 99.04％ 229.53s 0.198s
全连接CNN+softmax 98.75％ 248.96s 0.279s
从表1可知，改进的CNN算法相比传统的全连接CNN算法性能得到明显提升。在测试准确率方面：改进的CNN算法准确率已达到99.04％，而传统的CNN算法准确率为98.75％；并且改进的CNN算法因为去除了全连接部分使模型参数量大量减少，其训练时间明显减少，这对本模型应用于故障的在线快速诊断和监测具有重要意义。
混淆矩阵为：
Figure BDA0003003109690000061
混淆矩阵中的横轴代表预测的轴承故障类别，纵轴代表真实故障类别，其中，对角线处的数值表示的是改进卷积神经网络在测试数据集每一次分类的正确率，非对角线位置表示该类别分类的错误率。

Claims (9)

1.一种基于改进卷积神经网络的轴承故障诊断方法，其特征是：将待测滚动轴承的原始振动信号输入到改进的CNN模型中进行故障诊断，所述改进的CNN模型主要由输入层、特征提取层和分类输出层组成，所述特征提取层包含多个依次堆叠的卷积层、激活层和池化层；在最后一组所述特征提取层的卷积层之后采用全局均值池化层代替全连接层，然后连接Softmax分类器；并以Softmax分类器的输出作为测试结果；
所述Softmax分类器输出每一行概率值最大的即为所述测试结果。
2.根据权利要求1所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，所述输入层将滚动轴承采集的一维时间序列故障振动信号通过数据重构法转化为二维的输入特征图形式。
3.根据权利要求1所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，所述全局均值池化层输出的是一个m行n列的量化矩阵Ym×n；其中，m表示具有m个样本，n表示n个类别对应的量化值，即{y1，y2，…，yj，…，yn}，yj为当前样本属于第j类的量化值。
4.根据权利要求3所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，所述全局均值池化层中全局均值池化的数学表达式为：
Figure FDA0003003109680000011
式中，等式左边表示第l层经全局均值池化得到的结果；1:h表示均值池化核所对应的输出特征图中范围为横向方向从第1行至第h行的像素点，1:w纵向从第1列至第w列的像素点，c表示共有c维的像素点。
5.根据权利要求4所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，所述Softmax分类器对Ym×n中不同行的数值进行归一化处理，其中，Softmax函数为：
Figure FDA0003003109680000012
其中，y′(i)表示第i行的数值经过Softmax函数归一化后的模型输出值，且每一个值为(0～1)之间；P(y(i)＝k|x(i))为样本x(i)判定为类别k的概率，x(i)为输入样本，y(i)为输入样本对应的标签，n为分类类别编号。
6.根据权利要求5所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，所述改进的CNN模型的构建过程为：
(1)将滚动轴承的原始振动信号进行数据格式标准化得到数据集；
(2)将数据集划分为训练集、验证集；
(3)建立初始化的CNN模型；
(4)训练和验证初始化的CNN模型：以训练集为数据源，采用反向传播算法(BP)将误差逐层反向传递，更新各层之间的参数，使损失函数J(w)最小化，若J(w)不收敛，迭代一千次后输出更新的超参数；若J(w)收敛，完成CNN模型参数的训练，并保存模型参数，得到训练后的CNN模型；然后将验证集数据代入训练后的CNN模型，将输出的结果与验证集数据标签对比计算预测精度；
若精度≥95％，则训练后的CNN模型直接作为改进的CNN模型；
若精度＜95％，则调整超参数后，再次验证，直至训练后的CNN模型后的精度≥95％，则得到改进的CNN模型。
7.根据权利要求6所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，数据格式标准化的公式为：
Figure FDA0003003109680000021
其中，X代表对应xi经过数据标准化所得的值，xi代表原始振动信号，xmin代表最小的原始振动信号，xmax代表最大的原始振动信号。
8.根据权利要求6所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，训练集和验证集的样本数之比为99:1。
9.根据权利要求6所述的一种基于改进卷积神经网络的轴承故障诊断方法，其特征在于，所述调整超参数是指调整卷积层层数。
CN202110354327.9A 2021-04-01 2021-04-01 一种基于改进卷积神经网络的轴承故障诊断方法 Pending CN113177577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110354327.9A CN113177577A (zh) 2021-04-01 2021-04-01 一种基于改进卷积神经网络的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110354327.9A CN113177577A (zh) 2021-04-01 2021-04-01 一种基于改进卷积神经网络的轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN113177577A true CN113177577A (zh) 2021-07-27

Family

ID=76922929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110354327.9A Pending CN113177577A (zh) 2021-04-01 2021-04-01 一种基于改进卷积神经网络的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN113177577A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113567131A (zh) * 2021-07-29 2021-10-29 沈阳建筑大学 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113807190A (zh) * 2021-08-20 2021-12-17 西安理工大学 一种基于stft与cnn的列车轴承故障诊断方法
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN112541233A (zh) * 2019-09-20 2021-03-23 宫文峰 基于改进卷积神经网络的旋转机械故障诊断方法
CN112541511A (zh) * 2019-09-20 2021-03-23 宫文峰 基于卷积神经网络的多通道时间序列数据故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN112541233A (zh) * 2019-09-20 2021-03-23 宫文峰 基于改进卷积神经网络的旋转机械故障诊断方法
CN112541511A (zh) * 2019-09-20 2021-03-23 宫文峰 基于卷积神经网络的多通道时间序列数据故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宫文峰: "基于改进卷积神经网络的滚动轴承智能故障诊断研究", 《振动工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113567131A (zh) * 2021-07-29 2021-10-29 沈阳建筑大学 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113567131B (zh) * 2021-07-29 2024-05-03 沈阳建筑大学 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113807190A (zh) * 2021-08-20 2021-12-17 西安理工大学 一种基于stft与cnn的列车轴承故障诊断方法
CN113807190B (zh) * 2021-08-20 2024-02-13 西安理工大学 一种基于stft与cnn的列车轴承故障诊断方法
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

Similar Documents

Publication Publication Date Title
Zhang et al. Deep residual learning-based fault diagnosis method for rotating machinery
CN113177577A (zh) 一种基于改进卷积神经网络的轴承故障诊断方法
Li et al. Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network
CN112964469B (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN111967486A (zh) 一种基于多传感器融合的复杂装备故障诊断方法
Wang et al. Random convolutional neural network structure: An intelligent health monitoring scheme for diesel engines
CN113159163A (zh) 一种基于多元时序数据分析的轻量级无监督异常检测方法
CN110647911A (zh) 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
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN110765788B (zh) 一种基于隐式翻译模型的知识图谱嵌入方法
CN115879026A (zh) 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN113887342A (zh) 基于多源信号和深度学习的设备故障诊断方法
CN112305379A (zh) 一种用于gis绝缘缺陷的模式识别方法及系统
CN112183624A (zh) 一种基于集成学习的大坝监测数据异常检测方法
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
Xu et al. Global attention mechanism based deep learning for remaining useful life prediction of aero-engine
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
Li et al. Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法
CN117037841A (zh) 基于层级过渡网络的声学信号层级空化强度识别方法
CN116150687A (zh) 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210727