CN113221946B - 一种机械设备故障种类的诊断方法 - Google Patents

一种机械设备故障种类的诊断方法 Download PDF

Info

Publication number
CN113221946B
CN113221946B CN202110362779.1A CN202110362779A CN113221946B CN 113221946 B CN113221946 B CN 113221946B CN 202110362779 A CN202110362779 A CN 202110362779A CN 113221946 B CN113221946 B CN 113221946B
Authority
CN
China
Prior art keywords
data
fault
bearing
generator
discriminator
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.)
Active
Application number
CN202110362779.1A
Other languages
English (en)
Other versions
CN113221946A (zh
Inventor
高晟耀
郭庆稳
宋艳
李沂滨
高辉
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.)
People's Liberation Army 92578
Shandong University
Original Assignee
People's Liberation Army 92578
Shandong 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 People's Liberation Army 92578, Shandong University filed Critical People's Liberation Army 92578
Priority to CN202110362779.1A priority Critical patent/CN113221946B/zh
Publication of CN113221946A publication Critical patent/CN113221946A/zh
Application granted granted Critical
Publication of CN113221946B publication Critical patent/CN113221946B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/047—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (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)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。本方法通过学习有效的故障特征来缓解模式崩溃和扩展故障数据空间，从而进行机械故障种类的诊断。该组权重共享生成器被设计成生成相同类型的故障数据。同一个故障的通用特征可以通过本地共享层。通过基于生成数据和真实数据的判别器训练，判别器可以获得故障诊断能力。本方法通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。

Description

一种机械设备故障种类的诊断方法
技术领域
本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。
背景技术
在现代工业社会中，机械设备是不可或缺的常用部件，在以机械设备为基础的工业生产中起着至关重要的作用。复杂的工作环境和不规则的操作过程影响工业设备的安全，导致机械设备出现异常。而且机械设备的有效维护是维持正常运转的基本要求，防止设备故障产生可以减少财产损失，避免严重事故的发生。因此，有必要预防和发现机械设备的故障，正确识别故障类型，并针对机械故障提供相应的解决方案。
随着机械设备积累的数据越来越多和深度学习的发展，数据驱动方法越来越多地被用于从滚动机械设备采集的故障信息数据中挖掘故障诊断信息。支持向量机(SVMs)是一种在特征空间中定义了最大区间的监督学习分类器，应用于轴承和齿轮等滚动设备的故障诊断。人工神经网络(ANN)是由大量自适应单元组成的经典层连网络。其结构可以模拟人类神经系统与外界事物的相互作用。通过人工神经网络的训练，可以压缩和提取特征用于模式识别。基于人工神经网络的方法在图像识别和语音识别的任务中取得了优于以往方法的性能，并且在故障检测中也得到了广泛的应用。Song等人使用DAN再训练(DAN-R)方法来最小化训练数据集和测试数据集之间的特征距离差异。通过这种域自适应策略，基于自适应神经网络的方法获得了出色的域自适应能力和较高的精度。
虽然深度学习在故障诊断任务中的研究已经取得了良好的效果，但是训练过程需要大量的数据。生成对抗神经网络(GAN)的提出可以生成数据，弥补故障机械设备数据的不足。Liang等提出了一种轧机故障诊断模型WTGAN-CNN。将小波变换、生成对抗网络、卷积神经网络相结合，提取故障特征，生成新的故障样本，在实验中取得了较高的准确率。比较有代表性的如Gao等人提出了一种基于WGAN-GP的模型来生成与真实相似的假样本，与传统方法相比，该生成模型能够自适应地提取特征，在轧机和钢板数据集的实验中获得更高的诊断精度。这种模型在一定程度上可以增加故障数据集的数量，很难保证生成的故障数据能够提高通用性。Zhou等提出了一种基于GAN的滚动轴承不平衡数据检测数据放大技术。该方法采用全局优化方法，同时优化特征生成的损失函数和诊断精度，用从自动编码器学习的特征生成来训练生成器和判别器。然而，这些基于故障诊断的方法用单生成器和单判别器来学习不同类别故障实例的分布，很难学到数据集的完整分布并生成更有效的机械故障数据。
综上所述，基于数据驱动的机械故障诊断方法虽然取得了很好的效果，但是面临着样本量过少的问题。虽然生成对抗网络的提出在一定程度上解决了数据量过少的问题。基于数据驱动的机械故障诊断方法问题可以归纳如下。1)目前的数据生成方法比较单一，生成的数据类型单一，难以实现数据需求；2)传统的基于GAN的故障数据生成方法通常受到模式崩溃的困扰，实际上经常陷入生成局部数据分布的状态；3)基于遗传神经网络的方法能有效解决样本容量不足条件下的故障分类问题，但单生成器和单判别器模型不能学习故障一般特征，只能学习基于数据集的分布。
发明内容
本发明的目的是提出一种机械设备故障种类的诊断方法，该方法基于一种多生成器局部权值共享的机制学习并生成数据。以解决故障数据样本量小，单一化的问题，提高机器故障诊断模型的通用性和扩展性。
本发明提出的一种机械设备故障种类的诊断方法，包括：
收集不同模型和工况的机械设备故障数据集，并对数据集进行预处理；建立初始的网络模型，多个生成器通过共享局部权重连接，每个生成器对应一个数据集中的机械设备健康状态，对抗学习特征；对模型进行对抗性训练，直至达到纳什均衡状态；生成器的权重不变，训练判别器，直到判别器获得有效的机械设备故障种类判别能力。
本发明提出的一种机械设备故障种类的诊断方法，其优点是：
本发明提出的机械设备故障种类的诊断方法，构建了基于局部权值共享多生成器对抗神经网络的故障分类方法。该网络使用了多生成器，生成器的数量取决于要生成的故障数据的种类。每个生成器使用5个全连接层，将这些生成器进行分组，每个生成器组包含三个生成器，并将每组生成器的前三层全连接层进行权值共享。在数据生成时每个生成器生成一个故障类型的数据。本发明提出的方法主要有两个优势：一是通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；二是通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。
附图说明
图1是本发明方法涉及的局部权值共享网络的结构示意图。
具体实施方式
本发明提出的机械设备故障种类的诊断方法，包括：
收集不同模型和工况的机械设备故障数据集，并对数据集进行预处理；建立初始的网络模型，多个生成器通过共享局部权重连接，每个生成器对应一个数据集中的机械设备健康状态，对抗学习特征；对模型进行对抗性训练，直至达到纳什均衡状态；生成器的权重不变，训练判别器，直到判别器获得有效的机械设备故障种类判别能力。
以下结合附图，介绍本发明方法的一个实施例：
(1)从四个公开数据集中获取用于故障诊断的四个数据集，其中包括凯斯西储大学轴承数据中心轴承数据集(CWRU-BD)、美国机械故障预防技术学会轴承数据集(MFPT-BD)、西安交通大学轴承数据集(XJTU-SY-BD)、美国航空航天局轴承数据集(NASA-BD),四个数据集中分别包括正常轴承内圈、外圈和振动数据，分别记为X_i、X_o、X_n；
(2)对步骤(1)的四个数据集中分别进行归一化处理，将四个数据集的固定长度一致，以用于神经网络训练，过程如下：
(2-1)将凯斯西储大学轴承数据中心轴承数据集(CWRU-BD)的使用采样频率12kHz采集自驱动端故障，采样频率12k Hz采集自风扇端故障，采样频率48k Hz采集自驱动端故障和正常的数据进行预处理，分别处理成长度为1024，2048和4096的振动数据，在数据开头分别加上故障类别标签0,1,2，各个工况和采集频率采集的种类如下：
Figure BDA0003006250670000031
其中i＝3,6,12表示轴承故障的故障位置为3点、6点和12点钟方向，0.007、0.014、0.028和0.021分别表示轴承破损的深度；
(2-2)将美国机械故障预防技术学会轴承数据集(MFPT-BD)的三组正常数据、三组工况一外圈故障数据和七组工况二外圈故障数据、三组工况一内圈故障数据和七组工况一内圈故障振动数据分别处理成长度为1024、2048和4096的振动数据：
Figure BDA0003006250670000041
其中3和7表示数据的组数；
(2-3)将西安交通大学轴承数据集(XJTU-SY-BD)的轴承_1、轴承_2、轴承_3分别整理成为35Hz 12kN、37.5Hz 11kN和40Hz 10kN三种工况的数据分割为1024、2048和4096长度的内圈、外圈和正常振动数据：
Figure BDA0003006250670000042
其中每个数据后面都带两位数的数据；如内圈故障_21表示第二种工况，1表示这个工况下的第1组数据
(2-4)将美国航空航天局轴承数据集(NASA-BD)的4个通道的3组数据分别处理成长度为1024、2048和4096的内圈故障、外圈故障和正常振动数据，其中外圈故障数据采集了两组分别为外圈故障和外圈故障_2：
Figure BDA0003006250670000051
Figure BDA0003006250670000052
Figure BDA0003006250670000053
Figure BDA0003006250670000054
(3)随机生成一个长度为100并服从正态分布的噪声数据z，z～N(μ,σ2)，其中μ为期望值，μ＝0，σ为标准差，σ＝1，N为长度，N＝100；
(4)构建一个局部权值共享网络，如图1所示，包括以下步骤：该局部权值共享网络包含三组局部权值共享的生成器和具有判断数据真假和故障种类功能的判别器。
(4-1)构建9个生成器，将9个生成器分成三组，其中每组生成器采用局部权值共享的连接方式，每组生成器分别包含三个生成器，将三组生成器分别记为G_n、G_i和G_o，初始化时，生成器组G_n与步骤(2)中归一化处理后四个数据集中的正常数据相对应，生成器组G_i与步骤(2)中归一化处理后四个数据集中的内圈故障数据相对应，生成器组G_o与步骤(2)中归一化预处理后四个数据集中的外圈故障数据相对应，每个生成器的结构如下所示：
Figure BDA0003006250670000055
其中，全连接层(fully connected layers，FC)在整个神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始故障数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到故障样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现。
全连接本质就是由一个特征空间线性变换到另一个特征空间。目标空间的任一维，也就是隐层的一个cell都认为会受到真实故障数据空间的每一维的影响
激活函数定义为LeakyRelu(alpha＝0.2)，引入激活函数是为了增加神经网络模型的非线性。没有激活函数的每层都相当于矩阵相乘。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。
对每组生成器的前两层全连接层进行权值共享。
(4-2)构建一个判别器，记为D，判别器实现对数据真假的鉴别和对数据进行分类的功能。每个判别器的结构如下所示：
Figure BDA0003006250670000061
一维卷积层Convolution 1D的作用：对输入故障数据进行特征提取。输入的故障振动数据与卷积核进行卷积得到输出。卷积核的数目要跟输入通道的数目保持一致。一个卷积核只和一个通道进行卷积。
判别器卷积层的最后一部分，增加输出的非线性。判别器使用Sigmoid和Softmax激活函数，分别输出真假和类别结果。
(5)对步骤(4)构建的局部权值共享网络进行对抗训练，得到用于故障类别判断的神经网络，具体过程如下：
(5-1)向步骤(4)的局部权值共享网络的生成器中输入步骤(3)的噪声数据z,每个生成器与判别器相连，生成器生成共K组伪故障类型样本
Figure BDA0003006250670000062
k表示生成器组的序号，得到多个原始伪样本，将多个原始伪样本输入步骤(4-2)建立的判别器，判别器输出两个目标值，第一个目标值为故障类型，第二个目标值为对输入数据的真假判断：
(5-2)将局部权值共享网络生成器优化的学习率设置为0.0002，将非线性操作LeakyRelu的值设置为0.2,单个生成器每批次生成的数据量Batchsize_generator设置为32，利用步骤(5-1)的两个目标值，对步骤(4)构建的局部权值共享网络的生成器进行训练优化，训练优化使用目前常用的梯度下降算法；
(5-3)将步骤(5-1)生成的共K组伪故障类型样本
Figure BDA0003006250670000071
和步骤(2)中预处理后的K组公开的数据集样本
Figure BDA0003006250670000072
交替输入步骤(4)局部权值共享网络的判别器中，局部权值共享网络输出故障种类和输入样本真伪判别的结果；
(5-4)将局部权值共享网络判别器优化的学习率设置为0.0002,将非线性操作LeakyRelu的值设置为0.2,单个生成器每批次生成的数据量Batchsize_generator设置为32，对判别器使用目前常用的梯度下降算法训练优化，得到一个训练完成的具有故障分类能力的网络；
(6)设定局部权值共享网络生成器损失函数的阈值，对步骤(5)中训练完成的局部权值共享网络的判别器进行测试，即向步骤(5-3)中训练好的网络中的判别器输入步骤(2)预处理好的数据，当输出的故障分类结果的浮动区间与损失函数阈值的差值小于0.05，则训练达到纳什均衡，得到一个具有故障分类诊断能力的局部权值共享网络；
(7)实时采集不同模型和工况的轴承故障数据，向步骤(6)的局部权值共享网络输入轴承故障数据，局部权值共享网络输出轴承故障的种类，实现机械设备故障种类的诊断。
为了验证本发明方法，在四个工业轴承数据集上运行实验来评估数据生成能力。实验目的是检验从一类故障类型数据中学习到的故障特征的普遍性，以及生成的数据对通过交叉数据集诊断提高诊断性能的影响。结果表明，该方法能有效扩展故障数据空间，显著提高故障诊断的准确性。
本发明方法中，多个生成器被初始化为三个组，每组本地weights共享。为了稳定训练，生成器采用5层全连接结构，判别器采用4层卷积结构。由于判别器要判别多个生成器对应的真伪和故障类别，所以我们对生成器进行多次训练，每次训练一个判别器，优化L_c和L_d。选择三个数据集的故障类型数据作为真实样本来监督一组生成机的数据生成。经过对抗训练后。此外，本次验证是在计算单元Nvidia GTX1080Ti、英特尔I5-9600KF和64GB内存上进行的。

Claims (1)

1.一种机械设备故障种类的诊断方法，其特征在于包括：
收集不同模型和工况的机械设备故障数据集，并对数据集进行预处理；建立初始的网络模型，多个生成器通过共享局部权重连接，每个生成器对应一个数据集中的机械设备健康状态，对抗学习特征；对模型进行对抗性训练，直至达到纳什均衡状态；生成器的权重不变，训练判别器，直到判别器获得有效的机械设备故障种类判别能力；具体包括以下步骤：
(1)从四个公开数据集中获取用于故障诊断的四个数据集，其中包括凯斯西储大学轴承数据中心轴承数据集、美国机械故障预防技术学会轴承数据集、西安交通大学轴承数据集、美国航空航天局轴承数据集,四个数据集中分别包括正常轴承内圈、外圈和振动数据，分别记为X_i、X_o、X_n；
(2)对步骤(1)的四个数据集中分别进行归一化处理，将四个数据集的固定长度一致，以用于神经网络训练，过程如下：
(2-1)将凯斯西储大学轴承数据中心轴承数据集的使用采样频率12k Hz采集自驱动端故障，采样频率12k Hz采集自风扇端故障，采样频率48k Hz采集自驱动端故障和正常的数据进行预处理，分别处理成长度为1024，2048和4096的振动数据，在数据开头分别加上故障类别标签0,1,2，各个工况和采集频率采集的种类如下：
Figure FDA0003461850800000011
其中i＝3,6,12表示轴承故障的故障位置为3点、6点和12点钟方向，0.007、0.014、0.028和0.021分别表示轴承破损的深度；
(2-2)将美国机械故障预防技术学会轴承数据集的三组正常数据、三组工况一外圈故障数据和七组工况二外圈故障数据、三组工况一内圈故障数据和七组工况一内圈故障振动数据分别处理成长度为1024、2048和4096的振动数据：
Figure FDA0003461850800000021
其中3和7表示数据的组数；
(2-3)将西安交通大学轴承数据集的轴承_1、轴承_2、轴承_3分别整理成为35Hz 12kN、37.5Hz 11kN和40Hz 10kN三种工况的数据分割为1024、2048和4096长度的内圈、外圈和正常振动数据：
Figure FDA0003461850800000022
其中每个数据后面都带两位数的数据；
(2-4)将美国航空航天局轴承数据集的4个通道的3组数据分别处理成长度为1024、2048和4096的内圈故障、外圈故障和正常振动数据，其中外圈故障数据采集了两组分别为外圈故障和外圈故障_2：
Figure FDA0003461850800000023
Figure FDA0003461850800000024
Figure FDA0003461850800000031
Figure FDA0003461850800000032
(3)随机生成一个长度为100并服从正态分布的噪声数据z，z～N(μ,σ2)，其中μ为期望值，μ＝0，σ为标准差，σ＝1，N为长度，N＝100；
(4)构建一个局部权值共享网络，包括以下步骤：
(4-1)构建9个生成器，将9个生成器分成三组，其中每组生成器采用局部权值共享的连接方式，每组生成器分别包含三个生成器，将三组生成器分别记为G_n、G_i和G_o，初始化时，生成器组G_n与步骤(2)中归一化处理后四个数据集中的正常数据相对应，生成器组G_i与步骤(2)中归一化处理后四个数据集中的内圈故障数据相对应，生成器组G_o与步骤(2)中归一化预处理后四个数据集中的外圈故障数据相对应，每个生成器的结构如下所示：
Figure FDA0003461850800000033
(4-2)构建一个判别器，记为D，每个判别器的结构如下所示：
Figure FDA0003461850800000034
(5)对步骤(4)构建的局部权值共享网络进行对抗训练，得到用于故障类别判断的神经网络，具体过程如下：
(5-1)向步骤(4)的局部权值共享网络的生成器中输入步骤(3)的噪声数据z,生成器生成共K组伪故障类型样本
Figure FDA0003461850800000041
k表示生成器组的序号，得到多个原始伪样本，将多个原始伪样本输入步骤(4-2)建立的判别器，判别器输出两个目标值，第一个目标值为故障类型，第二个目标值为对输入数据的真假判断：
(5-2)将局部权值共享网络生成器优化的学习率设置为0.0002，将非线性操作LeakyRelu的值设置为0.2,单个生成器每批次生成的数据量Batchsize_generator设置为32，利用步骤(5-1)的两个目标值，对步骤(4)构建的局部权值共享网络的生成器进行训练优化，训练优化使用目前常用的梯度下降算法；
(5-3)将步骤(5-1)生成的共K组伪故障类型样本
Figure FDA0003461850800000042
和步骤(2)中预处理后的K组公开的数据集样本
Figure FDA0003461850800000043
交替输入步骤(4)局部权值共享网络的判别器中，局部权值共享网络输出故障种类和输入样本真伪判别的结果；
(5-4)将局部权值共享网络判别器优化的学习率设置为0.0002,将非线性操作LeakyRelu的值设置为0.2,单个生成器每批次生成的数据量Batchsize_generator设置为32，对判别器使用目前常用的梯度下降算法训练优化，得到一个训练完成的具有故障分类能力的网络；
(6)设定局部权值共享网络生成器损失函数的阈值，对步骤(5)中训练完成的局部权值共享网络的判别器进行测试，即向步骤(5-3)中训练好的网络中的判别器输入步骤(2)预处理好的数据，当输出的故障分类结果的浮动区间与损失函数阈值的差值小于0.05，则训练达到纳什均衡，得到一个具有故障分类诊断能力的局部权值共享网络；
(7)实时采集不同模型和工况的轴承故障数据，向步骤(6)的局部权值共享网络输入轴承故障数据，局部权值共享网络输出轴承故障的种类，实现机械设备故障种类的诊断。
CN202110362779.1A 2021-04-02 2021-04-02 一种机械设备故障种类的诊断方法 Active CN113221946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110362779.1A CN113221946B (zh) 2021-04-02 2021-04-02 一种机械设备故障种类的诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110362779.1A CN113221946B (zh) 2021-04-02 2021-04-02 一种机械设备故障种类的诊断方法

Publications (2)

Publication Number Publication Date
CN113221946A CN113221946A (zh) 2021-08-06
CN113221946B true CN113221946B (zh) 2022-03-25

Family

ID=77086368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110362779.1A Active CN113221946B (zh) 2021-04-02 2021-04-02 一种机械设备故障种类的诊断方法

Country Status (1)

Country Link
CN (1) CN113221946B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114491823B (zh) * 2022-03-28 2022-07-12 西南交通大学 一种基于改进生成对抗网络的列车轴承故障诊断方法
CN116680113B (zh) * 2023-08-01 2023-10-27 江苏普达迪泰科技有限公司 一种设备检测实施控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862289A (zh) * 2020-08-04 2020-10-30 天津大学 一种基于gan网络的点云上采样方法
CN112308038A (zh) * 2020-11-25 2021-02-02 哈尔滨工业大学 基于课堂式生成对抗网络模型的机械设备故障信号识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10612999B2 (en) * 2016-10-03 2020-04-07 International Business Machines Corporation Diagnostic fault detection using multivariate statistical pattern library
CN111006865A (zh) * 2019-11-15 2020-04-14 上海电机学院 一种电机轴承故障诊断方法
CN112380767B (zh) * 2020-11-11 2023-04-07 山东大学 基于改进型生成对抗网络的设备故障诊断方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862289A (zh) * 2020-08-04 2020-10-30 天津大学 一种基于gan网络的点云上采样方法
CN112308038A (zh) * 2020-11-25 2021-02-02 哈尔滨工业大学 基于课堂式生成对抗网络模型的机械设备故障信号识别方法

Also Published As

Publication number Publication date
CN113221946A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Han et al. An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems
CN104849050B (zh) 一种基于复合多尺度排列熵的滚动轴承故障诊断方法
CN109781411B (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN113221946B (zh) 一种机械设备故障种类的诊断方法
CN109186973A (zh) 一种无监督深度学习网络的机械故障诊断方法
CN106555788A (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
CN106895975A (zh) 基于Ｓtacked　ＳＡＥ深度神经网络的轴承故障诊断方法
CN110334764A (zh) 基于集成深度自编码器的旋转机械智能故障诊断方法
CN112308147B (zh) 基于多源域锚适配器集成迁移的旋转机械故障诊断方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN113865868B (zh) 基于时频域表达的滚动轴承故障诊断方法
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN113128338B (zh) 一种小样本下印刷机滚筒故障的智能诊断方法
CN112765890B (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
Li et al. Fault diagnosis of rotating machinery based on dual convolutional-capsule network (DC-CN)
CN110455512B (zh) 基于深度自编码器dae的旋转机械多集成故障诊断方法
CN114295377A (zh) 一种基于遗传算法的cnn-lstm轴承故障诊断方法
Ma et al. Cross-domain meta learning fault diagnosis based on multi-scale dilated convolution and adaptive relation module
CN112329520B (zh) 基于生成对抗学习的货车轴承故障识别方法
CN114492645A (zh) 基于多源异构数据自适应融合的电机轴承故障诊断方法
CN112257767A (zh) 针对类不均衡数据的产品关键零部件状态分类方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN110490218B (zh) 一种基于两级dbn的滚动轴承故障自学习方法
CN110728377A (zh) 一种面向机电设备的智能故障诊断方法及系统
CN109164794A (zh) 基于偏f值selm的多变量工业过程故障分类方法

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