CN113269221A - 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 - Google Patents
一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113269221A CN113269221A CN202110209342.4A CN202110209342A CN113269221A CN 113269221 A CN113269221 A CN 113269221A CN 202110209342 A CN202110209342 A CN 202110209342A CN 113269221 A CN113269221 A CN 113269221A
- Authority
- CN
- China
- Prior art keywords
- neural network
- envelope
- rolling bearing
- signal
- fault diagnosis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000005096 rolling process Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
-
- 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
- G06F2218/08—Feature extraction
-
- 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)
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于多尺度卷积神经网络的滚动轴承故障诊断方法,该方法包括:通过自适应变分模态分解将原始振动信号分解为本征模态分量;通过能量算子对本征模态分量进行包络解调以计算其包络信号;通过角域重采样和傅立叶变换计算包络信号的包络阶次谱,计算包络阶次谱的包络峭度并选择包络峭度最大的分量作为有效分量,通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系,以实现风机滚动轴承健康状态的准确识别,本发明具有识别精度高,样本依赖性小的特点,仅根据单一工况下的历史监测数据训练模型,即可有效应用于变工况下风机滚动轴承的智能故障诊断。
Description
技术领域
本发明涉及智能故障诊断技术领域,特别是一种基于多尺度卷积神经网络的滚动轴承故障诊断方法。
背景技术
风机是火电厂最重要的辅机之一,其健康状态的准确监测与评估对提高火力发电的安全性与经济性意义重大。受恶劣工作环境、复杂运行工况等因素的影响,滚动轴承等关键部件的故障特征难以有效提取与识别,严重影响了电力生产的可靠性。对风机滚动轴承运行状态进行有效评估、及时对故障进行预警、避免重大故障的发生,已成为火电行业面临的紧迫任务。
随着人工智能与大数据技术的发展,基于机器学习算法的智能故障诊断受到了学术界和工程界的普遍关注。然而,智能诊断模型的构建需要大量的覆盖各种运行工况的训练样本,这在实际工程应用中难以得到满足。因此,传统的诊断方法在工业应用中面临着巨大挑战。
发明内容
针对现有技术中存在的问题,本发明提供一种基于多尺度卷积神经网络的滚动轴承故障诊断方法,能有效实现变工况下风机滚动轴承健康状态的自动识别。
本发明采用的技术方案如下:
一种基于多尺度卷积神经网络的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
步骤1:通过自适应变分模态分解将原始振动信号分解为本征模态分量,具体步骤如下:
步骤11:获取原始振动信号:利用传感器测得原始振动信号,
步骤12:令初始化模态分量个数K=2;
步骤13:将原始振动信号通过交替乘数法迭代计算直至收敛;
步骤14:根据min(2|ωi-ωj|/|ωi+ωj|)≤10%判断过度分解,其中ωi和ωj为任意两个本征模态分量的中心频率,如果该条件成立则判断出现过度分解,令K=K+1后执行步骤13然后结束分解,得到本征模态分量;
如果该条件不成立则判断没有出现过度分解,令K=K+1后重复执行步骤13和步骤14;
步骤2:通过能量算子对本征模态分量进行包络解调以求其包络信号;
步骤3:对包络信号进行等角度角域重采样,然后对重采样后的信号进行傅立叶变换以得到包络阶次谱;
步骤4:计算包络阶次谱的包络峭度,选择包络峭度最大的分量作为有效分量,并通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系,以实现风机滚动轴承健康状态的准确识别。
作为本发明的进一步的优选方案,在所述步骤2中,通过能量算子对本征模态分量进行包络解调的具体方法为:
步骤21:对本征模态分量能量算子运算:
作为本发明的进一步的优选方案,在所述步骤4中,多尺度卷积神经网络先通过池化层提取池化范围内的最大值以降低阶次偏差对故障识别的影响;然后,利用不同大小的卷积核从多尺度提取池化输出的特征,并对其进行线性加权;最后,通过全连接层和Softmax激活函数计算模型输入属于不同类别的概率,并根据最大概率对设备健康状态进行分类,该模型的正向传播过程如下:
y=pool(x)
pc=f(W·z+bc)
其中x为模型输入,即有效分量的包络阶次谱,pc为分类器输出的类别概率;pool(·)表示池化操作,其输出为y;ci为常数;表示卷积运算,其通过ci线性加权后的输出为z,Wi和bi分别表示不同尺度的卷积核及其偏置;W为权连接矩阵,f(·)表示偏置为bc的Softmax激活函数。
本发明的有益效果如下:
本发明根据通过变分模态分解和能量算子提取包络阶次谱作为故障识别的特征,能有效降低工况变化对故障识别的影响,从而降低对目标设备样本的依赖,在模型训练阶段,仅需要在单一工况中采取10个或10个以上的训练样本,即可获取95%以上的测试准确率,即本发明能有效的应用于小样本情况下的故障诊断,即本发明有效应用于变工况和其他工况下风机滚动轴承的智能故障诊断。
附图说明
图1是本发明的故障诊断流程图;
图2是本发明的多尺度卷积神经网络结构图;
图3a是采集数据集Ⅰ所采用的实验数据台;
图3b是采集数据集Ⅱ所采用的实验数据台;
图4a是数据集Ⅰ的振动信号波形图;
图4b是数据集Ⅱ的振动信号波形图;
图5是本发明测试准确率随样本数变化趋势。
具体实施方式
以下结合附图说明本发明的具体实施方式。
步骤1:通过自适应变分模态分解将原始振动信号分解为本征模态分量,具体步骤如下:
步骤11:获取原始振动信号:利用传感器测得原始振动信号,
步骤12:令初始化模态分量个数K=2;
步骤13:将原始振动信号通过交替乘数法迭代计算直至收敛:
步骤14:根据min(2|ωi-ωj|/|ωi+ωj|)≤10%判断过度分解,其中ωi和ωj为任意两个本征模态分量的中心频率,如果该条件成立则判断出现过度分解,令K=K-1后执行步骤13然后结束分解;如果该条件不成立则判断没有出现过度分解,令K=K+1后重复执行步骤13和步骤14。
步骤2:通过能量算子对各个本征模态分量进行包络解调以求其包络信号:
步骤21:对本征模态分量能量算子运算:
步骤3:对包络信号进行等角度角域重采样,然后对重采样后的信号进行傅立叶变换以得到包络阶次谱;
步骤4:计算包络阶次谱的包络峭度,选择包络峭度最大的分量作为有效分量,并通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系,以实现风机滚动轴承健康状态的准确识别,具体包括:
多尺度卷积神经网络先通过池化层提取池化范围内的最大值以降低阶次偏差对故障识别的影响;然后,利用不同大小的卷积核从多尺度提取池化输出的特征,并对其进行线性加权;最后,通过全连接层和Softmax激活函数计算模型输入属于不同类别的概率,并根据最大概率对设备健康状态进行分类,该模型的正向传播过程如下:
y=pool(x)
pc=f(W·z+bc)
其中x为模型输入,即有效分量的包络阶次谱,pc为分类器输出的类别概率;pool(·)表示池化操作,其输出为y;ci为常数;表示卷积运算,其通过ci线性加权后的输出为z,Wi和bi分别表示不同尺度的卷积核及其偏置;W为权连接矩阵,f(·)表示偏置为bc的Softmax激活函数。
如图2所示,一维卷积神经网络由1个最大值池化层、1个多尺度卷积层和1个全连接层组成,其中池化层布置在卷积层前面以降低阶次偏差的影响,网络结构参数如表1所示:
表1
最后,进行实验数据分析。
数据集Ⅰ是美国凯斯西储大学轴承数据中心提供的滚动轴承振动加速度数据,其实验台如图3(a)所示,主要由驱动电机、扭矩传感器、编码器和测力计等部件组成;本发明使用的实验数据采集自电机驱动端的6205-2RS-JEM SKF型深沟球滚动轴承,信号采样频率为12000Hz,其故障特征阶次如表2所示;数据集Ⅰ包括四种健康状态,分别为:正常、内圈故障、外圈故障和滚动体故障,数据Ⅰ的信号时域波形如图4(a)所示;为了模拟不同的运行工况,实验分别在1797rpm/0Hp、1772rpm/1Hp、1750rpm/2Hp和1730rpm/3Hp四种工况下进行。
数据集Ⅱ是加拿大渥太华大学提供的滚动轴承振动加速度数据,其实验台如图3(b)所示,测试轴承的型号为ER16K;图4(b)给出了数据Ⅱ的信号的时域波形。实验在匀变速的工况下进行,转速的变化范围为900rpm至1620rpm,信号的采样频率为200000Hz;数据集Ⅱ主要包括正常、内圈故障和外圈故障三种类别的振动信号,其故障特征阶次如表2所示,
表2
为验证本发明的有效性和优越性,采用以下5种方法进行实验对比:
方法1:本发明提供的基于变分模态分解与多尺度卷积神经网络的故障诊断方法(VMD-MSCNN);
方法2:直接将原始信号的包络阶次谱作为多尺度卷积神经网络的输入(MSCNN);
方法3:将原始振动信号作为模型输入,通过多核残差卷积神经网络构建诊断模型(ResCNN);
方法4:将原始振动信号作为模型输入,通过多注意力一维卷积神经网络构建诊断模型(MACNN);
方法5:将振动信号的特征参数作为模型输入,以支持向量机为分类器(SVM)。
全工况交叉验证
在智能故障诊断研究中,通常将不同工况下的历史数据随机划分为训练集和测试集以验证模型的有效性;表3给出了实验数据集的样本分布,表4给出了各诊断方法10次3折交叉验证的平均准确率;由表4可知,本发明(VMD-MSCNN)、MSCNN、ResCNN和MACNN的测试准确率都接近100%,即深度学习模型能有效的从全工况样本中挖掘并学习故障信息,实现设备健康状态的准确识别。以特征参数为模型输入的SVM方法准确率为95%,表明该方法对故障信息的识别能力略低于其他四种方法;
表3
表4
数据集 | VMD-MSCNN | MSCNN | ResCNN | MACNN | SVM |
Ⅰ | 0.998 | 0.989 | 0.998 | 0.989 | 0.951 |
Ⅱ | 1.000 | 0.987 | 0.995 | 0.991 | 0.948 |
。
变工况故障识别
实际应用中往往难以获得覆盖完整运行工况的故障样本,有限的训练数据对模型在变工况场景下的泛化能力提出了更高的要求;
如表5所示,本发明依据训练样本所属工况的不同将数据集Ⅰ和数据集Ⅱ分别划分为4个诊断任务,每个诊断任务中训练样本与测试样本均采集自不同的工况。
表6和表7分别给出了数据集Ⅰ和数据集Ⅱ的测试准确率;由表中结果可知:在训练样本所属工况与测试样本完全不同的情况下,VMD-MSCNN仍然有97%以上的平均准确率,即本发明仅根据部分工况下的监测数据即可准确的识别出设备在其他工况下的健康状态;MSCNN的测试准确率明显低于VMD-MSCNN,验证了信号分解对故障识别的有效性;ResCNN、MACNN和SVM在数据集Ⅰ和数据集Ⅱ上的平均准确率均低于95%,其测试结果验证了本发明中阶次谱识别方法在变工况故障诊断中的优越性。
表5
表6
诊断任务 | VMD-MSCNN | MSCNN | ResCNN | MACNN | SVM |
A | 0.973 | 0.968 | 0.941 | 0.953 | 0.887 |
B | 0.977 | 0.955 | 0.943 | 0.948 | 0.801 |
C | 0.980 | 0.940 | 0.944 | 0.947 | 0.885 |
D | 0.962 | 0.932 | 0.939 | 0.941 | 0.892 |
平均 | 0.973 | 0.949 | 0.942 | 0.949 | 0.866 |
表7
诊断任务 | VMD-MSCNN | MSCNN | ResCNN | MACNN | SVM |
A | 0.997 | 0.925 | 0.915 | 0.925 | 0.903 |
B | 0.975 | 0.902 | 0.922 | 0.920 | 0.892 |
C | 0.967 | 0.912 | 0.909 | 0.931 | 0.928 |
D | 0.992 | 0.919 | 0.923 | 0.922 | 0.906 |
平均 | 0.983 | 0.915 | 0.917 | 0.925 | 0.907 |
小样本分析
图5给出了本发明在变工况故障识别中的平均准确率随各类别样本数的变化趋势。由图5可知,VMD-MSCNN仅需10个以上的训练样本即可获得95%以上的测试准确率,即本发明能有效的应用于小样本情况下的故障诊断。
Claims (3)
1.一种基于多尺度卷积神经网络的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
步骤1:通过自适应变分模态分解将原始振动信号分解为本征模态分量,具体步骤如下:
步骤11:获取原始振动信号:利用传感器测得原始振动信号,
步骤12:令初始化模态分量个数K=2;
步骤13:将原始振动信号通过交替乘数法迭代计算直至收敛;
步骤14:根据min(2|ωi-ωj|/|ωi+ωj|)≤10%判断过度分解,其中ωi和ωj为任意两个本征模态分量的中心频率,如果该条件成立则判断出现过度分解,令K=K+1后执行步骤13然后结束分解,得到本征模态分量;
如果该条件不成立则判断没有出现过度分解,令K=K+1后重复执行步骤13和步骤14;
步骤2:通过能量算子对本征模态分量进行包络解调以求其包络信号;
步骤3:对包络信号进行等角度角域重采样,然后对重采样后的信号进行傅立叶变换以得到包络阶次谱;
步骤4:计算包络阶次谱的包络峭度,选择包络峭度最大的分量作为有效分量,并通过多尺度卷积神经网络学习有效分量的包络阶次谱与故障类别间的映射关系,以实现风机滚动轴承健康状态的准确识别。
3.根据权利要求1所述的基于多尺度卷积神经网络的滚动轴承故障诊断方法,其特征在于:在所述步骤4中,多尺度卷积神经网络先通过池化层提取池化范围内的最大值以降低阶次偏差对故障识别的影响;然后,利用不同大小的卷积核从多尺度提取池化输出的特征,并对其进行线性加权;最后,通过全连接层和Softmax激活函数计算模型输入属于不同类别的概率,并根据最大概率对设备健康状态进行分类,该模型的正向传播过程如下:
y=pool(x)
pc=f(W·z+bc)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209342.4A CN113269221A (zh) | 2021-02-24 | 2021-02-24 | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209342.4A CN113269221A (zh) | 2021-02-24 | 2021-02-24 | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269221A true CN113269221A (zh) | 2021-08-17 |
Family
ID=77228206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110209342.4A Pending CN113269221A (zh) | 2021-02-24 | 2021-02-24 | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269221A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN111881736A (zh) * | 2020-06-18 | 2020-11-03 | 东南大学 | 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法 |
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
-
2021
- 2021-02-24 CN CN202110209342.4A patent/CN113269221A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN111881736A (zh) * | 2020-06-18 | 2020-11-03 | 东南大学 | 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法 |
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
吴静然 等: "采用多尺度注意力机制的旋转机械故障诊断方法", 西安交通大学学报, vol. 54, no. 02, 22 November 2019 (2019-11-22), pages 51 - 58 * |
张明德 等: "基于多尺度卷积策略CNN的滚动轴承故障诊断", 重庆理工大学学报(自然科学), vol. 34, no. 06, 25 May 2020 (2020-05-25), pages 102 - 110 * |
蒙志强 等: "基于改进卷积神经网络的滚动轴承故障诊断", 组合机床与自动化加工技术, no. 02, 20 February 2020 (2020-02-20), pages 79 - 83 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
CN117708574B (zh) * | 2024-02-02 | 2024-04-12 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN111275024A (zh) | 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN113269221A (zh) | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
Aljemely et al. | A novel unsupervised learning method for intelligent fault diagnosis of rolling element bearings based on deep functional auto-encoder | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN113496061A (zh) | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 | |
CN117332367A (zh) | 基于机理数据融合的小样本旋转机械智能诊断方法 |
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 |