CN113344099A - 一种基于变分自编码器的机械设备退化点识别方法和系统 - Google Patents
一种基于变分自编码器的机械设备退化点识别方法和系统 Download PDFInfo
- Publication number
- CN113344099A CN113344099A CN202110690853.2A CN202110690853A CN113344099A CN 113344099 A CN113344099 A CN 113344099A CN 202110690853 A CN202110690853 A CN 202110690853A CN 113344099 A CN113344099 A CN 113344099A
- Authority
- CN
- China
- Prior art keywords
- encoder
- variational self
- vibration signal
- degradation point
- hidden 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
- 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
- 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
- G06N3/047—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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本发明公开一种基于变分自编码器的机械设备退化点识别方法和系统,属于故障预测与健康管理领域。包括:等间隔等长度采集机械设备从起始时刻到额定寿命K%期间的振动信号段,计算每个振动信号段的N个时域特征;构建变分自编码器;采用每个振动信号段的N个时域特征训练变分自编码器,得到训练好的变分自编码器;将额定寿命K%之后每个时刻采集到的振动信号段输入至训练好的变分自编码器,根据变分自编码器输出,计算振动信号段的重建概率;若重建概率不超过预设阈值,对应时刻识别为退化点。若该待测数据属于健康阶段,重建概率大,表明和训练样本处于同一分布,若属于退化阶段,重建概率小,表明和训练样本处于不同分布,提高退化点识别的准确率。
Description
技术领域
本发明属于故障预测与健康管理领域,更具体地,涉及一种基于变分自编码器的机械设备退化点识别方法和系统。
背景技术
为保证机械设备正常和安全运行,故障预测和健康管理技术越来越受重视,许多研究人员也对其进行了研究。机械设备运行过程中的状态大致可以被划分为健康和退化状态,两种状态之间的分界点被称为退化点。识别出退化点一方面可以预防进一步的退化和故障的发生,起到机械设备健康预警的作用,另一方面可以将两种状态区分开,单独研究机械设备的退化状态,便于预测机械设备的剩余使用寿命、及时地进行维修。
机械设备退化点识别方法主要有基于数学模型的、基于数学和信号分析的、基于机器学习的方法。基于数学模型的方法需要对机械设备的机理非常了解,根据物理规律建立起数学模型,许多机械设备的机理非常复杂,难以建立有效的数学模型。基于数学和信号分析的方法结合了先验知识和信号处理方法,例如利用高维矩阵协方差最大、最小特征值的比值来识别早期退化点,多阶段漂移布朗运动模型的识别方法,局部特征尺度分解的方法,小波变换的方法,这类方法没有很强的泛化性能,只适用于某几类机械设备。基于机器学习的方法不再局限于固定的先验知识,可以利用振动、温度、压力等多类传感器信号,使用训练的方式得到识别器,满足实际的识别要求,常见的方法有聚类、支持向量机等方法。机器学习方法的识别效果良好,但也存在一定的局限性,当实际问题复杂、样本量庞大,机器学习方法只能学习到浅层次的信息,难以学习深层次的特征,造成退化点的识别效果准确度不高,可用性较差。
发明内容
针对现有技术退化点难以识别、识别精度低的缺陷和改进需求,本发明提供了一种基于变分自编码器的机械设备退化点识别方法和系统,其目的在于通过采用变分自编码器的神经网络模型,该神经网络模型是一种无监督模型,能够很好地满足实际退化点识别任务中数据没有标签的问题,变分自编码器结合了变分推理和自编码器,具有优秀的模型性能,从而提高最终的退化点识别结果准确率。
为实现上述目的,按照本发明的第一方面,提供了一种基于变分自编码器的机械设备退化点识别方法,包括:
(1)等间隔等长度采集机械设备从起始时刻到额定寿命K%期间的振动信号段,并计算每个振动信号段的N个时域特征,K≤50;
(2)构建变分自编码器,所述变分自编码器包括:节点数为N的输入层、节点数为的隐含层一、节点数为的隐含层二、节点数为的隐含层三和节点数为N的输出层,输入层、隐含层一和隐含层二构成编码器,隐含层二、隐含层三和输出层构成解码器;
(3)采用每个振动信号段的N个时域特征训练变分自编码器,得到训练好的变分自编码器;
(4)将额定寿命K%之后每个时刻采集到的振动信号段输入至训练好的变分自编码器,并根据变分自编码器的输出,计算对应振动信号段的重建概率;
(5)若重建概率不超过预设阈值,则对应时刻识别为退化点。
优选地,所述N个时域特征包括:均方根值、方差、波峰值、偏态、峭度、峰-峰值。
有益效果:本发明优选上述与健康、退化状态临界点关联密切的时域特征,从而更有效地从该特征中分辨出健康、退化状态,找出退化点的位置。
优选地,以无监督学习方式训练变分自编码器,变分自编码器的输入和输出相同,均为提取到的振动信号段的时域特征。
有益效果:本发明采用采样+无监督学习训练变分自编码器,由于变分自编码器可以学习一个能够将模型分布逼近真实分布的函数,从而变分自编码器可以重建自己的输入,根据输入和输出的分布差异判断退化点。
优选地,训练时使用的损失函数如下:
其中,表示重构误差,表示变分自编码器的KL散度,Xi表示变分自编码器的第i个输入,表示变分自编码器的第i个输出,n表示振动信号段数量,μi表示变分自编码器隐含层二输出的第i个均值,σi表示变分自编码器隐含层二输出的第i个标准差。
优选地,重建概率计算公式如下:
其中,p(i)表示第i个样本的重建概率,L表示采样次数,Xi表示变分自编码器的第i个输入,表示变分自编码器隐含层二输出的第l次采样的第i个均值,表示变分自编码器隐含层二输出的第l次采样的第i个标准差。
优选地,步骤(5)中,如果连续三个采集时刻的重建概率均不超过预设阈值,则第三个采集时刻识别为退化点。
有益效果:本发明在获得最终的变分自编码器退化点识别模型时,使用了连续3个样本重建概率小于等于阈值的策略来识别退化点,避免了单个样本识别误差带来的总体识别问题,增强了退化点识别的鲁棒性。
为实现上述目的,按照本发明的第二方面,提供了一种基于变分自编码器的机械设备退化点识别系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的基于变分自编码器的机械设备退化点识别方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
本发明利用健康阶段的时域特征训练变分自编码器,训练好的变分自编码器学习到健康阶段数据从原空间到生成空间的映射关系,再将待测数据输入至训练好的变分自编码器,并计算重建概率,所述重建概率表示通过变分自编码器把样本映射到原本数据空间的可能性,因此,若该待测数据属于健康阶段,重建概率大,表明模型可以很好地重构回原空间,和训练样本处于同一分布,若属于退化阶段,重建概率小,表明模型生成的数据和原空间不一致,和训练样本处于不同分布,从而识别为退化点,变分自编码器本身是一种无监督神经网络模型,该无监督神经网络模型能够很好地满足实际退化点识别任务中数据没有标签的问题,增强健康阶段和退化阶段的分类,提高退化点识别的准确率。
附图说明
图1是本发明提供的基于变分自编码器的机械设备退化点识别方法的流程图;
图2是本发明提供的变分自编码器的神经网络结构图;
图3是本发明提供的对轴承退化点识别位置对比图,其中,(a)为轴承1_1退化点识别结果,(b)为轴承1_2退化点识别结果,(c)为轴承2_1退化点识别结果,(d)为轴承2_2退化点识别结果,(e)为轴承2_3退化点识别结果,(f)为轴承2_4退化点识别结果,(g)为轴承3_1退化点识别结果,(h)为轴承3_2退化点识别结果,(i)为轴承3_3退化点识别结果,(j)为轴承3_4退化点识别结果。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,基于变分自编码器的机械设备退化点识别方法,该方法包括以下步骤:
S1.采集机械设备运行健康阶段的机械振动信号。
由于机械设备在运行过程中会处于两种状态:健康状态和退化状态,健康状态持续时间较长,因此保守认为全生命周期的50%为健康阶段,这部分数据用于无监督训练。在采样的时候按照一定的采样频率等时间间隔采样,这样采样得到的数据分布均匀、长度一致。采样间隔影响采样数据的长度,采样频率影响采样数据的数量。在训练阶段,采集的数据是全生命周期数据,便于根据时间关系确定训练数据。测试阶段,需要实时采集数据,并根据训练模型实时判断是否到达退化点。
S2.对采集到的振动信号进行特征提取。
S1步骤采集到的振动信号为一个时间序列向量,是一个和时间相关的非稳态信号。原始信号不能直接反映出机械设备运行过程中的健康变化情况,利用先验知识可提取出振动信号的时域特征,使用时域特征来完成退化点识别。使用的时域特征分别为均方根值、方差、波峰值、偏态、峭度、峰-峰值。假设振动信号为时间序列向量,则6个时域特征的公式如表1所示:
表1:均方根值、方差、波峰值、偏态、峭度、峰-峰值时域特征公式表
S3.构建变分自编码器无监督学习神经网络。
变分自编码器是一个生成模型,包含编码和解码两部分,编码器生成服从正态分布的隐变量,解码器通过采样重构回原样本空间。如图2所示,变分自编码器一共有5层,分别为输入层、3个隐含层和一个输出层,当振动信号段计算出的时域特征数量N为6,各个神经网络层的具体信息如下表2所示:
表2:变分自编码器各个神经网络层的具体信息
具体地,L3中隐含层(重参数)的计算公式为:
公式中μ和σ2分别为隐含层(均值)、隐含层(方差),ε为随机数,y为隐含层L3的输出。
S4.利用提取到的振动信号特征数据对变分自编码器进行训练,训练方式不同于有监督的、拥有带标签数据的神经网络,也不同于无监督的自编码器的训练方式,变分自编码器的训练结合了无监督和采样方法。
具体地,自编码器进行训练时使用的损失函数包括两部分,分别为重构误差和KL散度,KL散度的计算公式如下:
具体地,变分自编码器使用了无监督训练方法,无监督训练中变分自编码器的输入和输出相同,均为S3提取到的振动信号段特征数据。
具体地,变分自编码器无监督训练方法的步骤如下所示:
(a)使用Xavier初始化方法对变分自编码器的参数进行初始化;
(b)初始化样本计数器为1;
(c)把训练样本输入变分自编码器,得到隐含层L3的均值、方差。设置采样次数为10000,使用重参数方法得到隐含层L3的10000个输出。同时,样本计数器加1;
(d)判断样本计数器的值是否大于样本总数量,如果大于,进行下一步,否则,返回步骤(c);
(e)将隐含层L3的输出输入到变分自编码器的隐含层L4,得到变分自编码器L5的输出。计算变分自编码器输出和输入的损失函数,使用梯度反向传播算法更新变分自编码器的参数,在这里使用的梯度反向传播算法为Adam优化算法,可以加快收敛速度。判断变分自编码器是否收敛或者是否到达迭代次数,如果不收敛或者未到达迭代次数,返回步骤(b)。否则,变分自编码器的训练结束。
S5.设置变分自编码器退化点识别模型的重建概率阈值。
重建概率表示通过变分自编码器把样本映射到原本数据空间的可能性,和训练样本处于同一分布的样本重建概率大,相反,和训练样本分布不同的样本重建概率小。
具体地,变分自编码器退化点识别模型的重建概率阈值设置为0。
具体地,使用训练好的变分自编码器模型完成退化点识别任务的步骤如下所示:
(a)初始化样本计数器为1;
(b)把样本输入训练好的变分自编码器,得到隐含层L3的均值、方差;
(c)使用重参数方法对均值、方差进行10000次采样,得到隐含层L3的输出。同时,将隐含层L3的输出输入到隐含层L4,得到变分自编码器L5的输出均值、方差,样本计数器加1;
(d)计算样本对应的重建概率,重建概率公式为:
公式中p(i)为第i个样本的重建概率,L为采样次数;
(e)将重建概率和设置的阈值进行比较,如果该样本以及前1个样本、前2个样本的重建概率均小于等于阈值,则该样本对应的时刻点为退化点,识别结束。否则,进行下一步;
(f)判断样本计数器的值是否大于样本总数量,如果大于,当前未到达退化时刻,识别结束。否则,返回步骤(b)。
S6.计算机械设备每个时刻的重建概率,通过与重建概率阈值的对比识别出机械设备的退化点。
随着机械设备生命周期的增加,数据在变分自编码器中的重建概率逐渐减小,机械设备的退化点所在时刻重建概率逼近阈值。
以下结合具体实例对本发明的基于变分自编码器的机械设备退化点识别方法进行进一步地详细说明。
采用的数据集是西安交通大学滚动轴承加速寿命试验(XJTU-SY)数据集。数据集包含了3种工况下的15个滚动轴承的全寿命周期振动信号,每类工况下有5个轴承。可供调节的工况主要包括径向力和转速,3种工况分别为(转速2100r/min,径向力12kN)、(转速2250r/min,径向力11kN)、(转速2400r/min,径向力10kN)。且明确标注了每个轴承的失效部位,失效位置有外圈、保持架、内圈、内圈和外圈、内圈和滚动体和保持架。轴承数据集的具体信息如表3所示:
表3:XJTU-SY轴承数据集具体信息
试验轴承为LDKUER204滚动轴承,为了获取轴承的全寿命周期振动信号,两个PCB352C33单向加速度传感器分别固定于测试轴承的水平和竖直方向上,试验中设置采样频率为25.6kHz,采样间隔为1min,每次采样时长为1.28s。由于轴承的水平和垂直方向振动信号变化趋势相同,因此本实施例只使用轴承的水平振动信号,避免数据信息的冗余。
从轴承的水平振动信号提取6个时域特征,时域特征的具体类型在具体实施方式的方法步骤中有详细介绍,此处不再赘述。然后建立变分自编码器神经网络,网络结构及其具体参数在图2和表2中有详细介绍。利用具体实施方式中的步骤对变分自编码器进行训练,训练的时候使用Adam参数优化算法,优化算法的学习率在本实施例中被设置为0.01,迭代次数为250次。每次迭代使用批训练的方式,即将总的训练样本分为一定的批次,每个批次有相同的样本数量。考虑到训练的速度和模型的泛化性能,每个批次样本的数量在本实施例中被设置为16。在训练的时候将训练样本划分为训练集和验证集,90%的样本用于训练,10%的样本用于验证。最后利用训练好的变分自编码器模型,并使用具体实施方式中的识别方法对实际的轴承数据进行退化点识别。
为了验证本发明所提出的基于变分自编码器的机械设备退化点识别方法的性能,将该方法的结果与其他经典的退化点识别方法进行比较,分别是基于3σ的退化点识别方法、基于自编码器的退化点识别方法和基于一类支持向量机的退化点识别方法。由于机械设备退化点没有一个客观、可直接比较的对象,因此在比较时使用退化点在信号中位置的变化情况来观察识别结果。一般来说,能准确识别退化点的方法的识别结果在信号中比较明显,可以直接反映信号的突变情况。识别的退化点在使用原始振动信号和均方根值特征曲线图中的位置来观察,从图3可以看到不同方法在不同轴承中的退化点识别位置,AE和VAE分别表示自编码器和变分自编码器。
在轴承1_1的退化点预测结果中,四种方法的退化点相同,且都十分准确;在轴承1_2的退化点识别结果中,AE和VAE的识别结果相同,离真实的振动信号突变点更近;在轴承2_1、2_3、2_4、3_1、3_3、3_4的退化点识别结果中,可以看出来VAE识别出的退化点很明显地将两种状态划分开,VAE的识别结果更准确;在轴承2_2中,原始振动信号大致呈现出三个阶段的划分,3方法的识别结果不准确,AE识别的退化点在第二阶段的开始,VAE识别的退化点在第二、第三阶段的连接处,一类支持向量机识别的退化点在AE、VAE识别结果之间,如果真实的退化点在第二、第三阶段的连接处,那么VAE是最准确的,如果真实的退化点在第一、第二阶段的连接处,VAE识别结果接近真实的退化点,所以VAE方法依旧是有效的;轴承3_2的退化点识别结果准确度都不高,但是VAE识别的结果时间最滞后,也最接近真实的退化点,从RMS特征曲线图中可以很明显看出来。综合以上分析,基于VAE的退化点识别方法识别结果十分准确,和3σ、AE、一类支持向量机方法相比,在识别的准确度上有很明显地提高,该方法是一种很有效的机械设备退化点识别方法。
本实施例中识别退化点的具体位置在表4中给出。
表4:XJTU-SY轴承数据集VAE识别退化点的具体位置
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于变分自编码器的机械设备退化点识别方法,其特征在于,包括:
(1)等间隔等长度采集机械设备从起始时刻到额定寿命K%期间的振动信号段,并计算每个振动信号段的N个时域特征,K≤50;
(2)构建变分自编码器,所述变分自编码器包括:节点数为N的输入层、节点数为的隐含层一、节点数为的隐含层二、节点数为的隐含层三和节点数为N的输出层,输入层、隐含层一和隐含层二构成编码器,隐含层二、隐含层三和输出层构成解码器;
(3)采用每个振动信号段的N个时域特征训练变分自编码器,得到训练好的变分自编码器;
(4)将额定寿命K%之后每个时刻采集到的振动信号段输入至训练好的变分自编码器,并根据变分自编码器的输出,计算对应振动信号段的重建概率;
(5)若重建概率不超过预设阈值,则对应时刻识别为退化点。
2.如权利要求1所述的方法,其特征在于,所述N个时域特征包括:均方根值、方差、波峰值、偏态、峭度、峰-峰值。
3.如权利要求1所述的方法,其特征在于,以无监督学习方式训练变分自编码器,变分自编码器的输入和输出相同,均为提取到的振动信号段的时域特征。
6.如权利要求1所述的方法,其特征在于,步骤(5)中,如果连续三个采集时刻的重建概率均不超过预设阈值,则第三个采集时刻识别为退化点。
7.一种基于变分自编码器的机械设备退化点识别系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至6任一项所述的基于变分自编码器的机械设备退化点识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690853.2A CN113344099B (zh) | 2021-06-22 | 2021-06-22 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690853.2A CN113344099B (zh) | 2021-06-22 | 2021-06-22 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344099A true CN113344099A (zh) | 2021-09-03 |
CN113344099B CN113344099B (zh) | 2022-11-11 |
Family
ID=77477566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690853.2A Active CN113344099B (zh) | 2021-06-22 | 2021-06-22 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344099B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115647933A (zh) * | 2022-11-02 | 2023-01-31 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
WO2023029382A1 (zh) * | 2021-09-06 | 2023-03-09 | 江苏大学 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
CN112149373A (zh) * | 2020-09-25 | 2020-12-29 | 武汉大学 | 一种复杂模拟电路故障识别与估计方法及系统 |
CN112926505A (zh) * | 2021-03-24 | 2021-06-08 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
-
2021
- 2021-06-22 CN CN202110690853.2A patent/CN113344099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
CN112149373A (zh) * | 2020-09-25 | 2020-12-29 | 武汉大学 | 一种复杂模拟电路故障识别与估计方法及系统 |
CN112926505A (zh) * | 2021-03-24 | 2021-06-08 | 重庆大学 | 基于dtc-vae神经网络的旋转机械健康指标构建方法 |
Non-Patent Citations (2)
Title |
---|
张国芳 等: "基于变分自编码器的日线损率异常检测研究", 《华东师范大学学报(自然科学版)》 * |
曾旭禹 等: "一种基于深度学习的混合推荐算法", 《计算机科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023029382A1 (zh) * | 2021-09-06 | 2023-03-09 | 江苏大学 | 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 |
CN115647933A (zh) * | 2022-11-02 | 2023-01-31 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
CN115647933B (zh) * | 2022-11-02 | 2023-10-27 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113344099B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344099B (zh) | 一种基于变分自编码器的机械设备退化点识别方法和系统 | |
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 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
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 | |
CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN111428788A (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112949836A (zh) | 对时变分布数据进行回归预测在线迁移学习的方法 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN115238736A (zh) | 一种旋转机械早期故障的识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |