CN113392881A - 一种基于迁移学习的旋转机械故障诊断方法 - Google Patents
一种基于迁移学习的旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN113392881A CN113392881A CN202110583046.0A CN202110583046A CN113392881A CN 113392881 A CN113392881 A CN 113392881A CN 202110583046 A CN202110583046 A CN 202110583046A CN 113392881 A CN113392881 A CN 113392881A
- Authority
- CN
- China
- Prior art keywords
- gru
- data
- domain data
- model
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于迁移学习的旋转机械故障诊断方法,本发明的有益效果为:通过利用现有的振动数据或者其他与设备故障有关的数据训练得到一个相对较好的故障诊断模型,然后保存已训练模型的参数并对其进行微调,然后将另一组类型相似、容量较小的数据集作为微调后模型的输入并再次训练,最终得到一个针对目标类型旋转机械的故障诊断模型,通过该的故障诊断模型,能够在不同类型的旋转机械设备、不同工况条件等情况下,可实现在较少数据量情况下,完成对目标机械的故障诊断,并且保证较高识别精度。
Description
技术领域
本发明涉及一种基于迁移学习的旋转机械故障诊断方法。
背景技术
旋转机械作为现代工业生产设备的重要组成部分,在制造、交通、冶金、化工及航天等多个领域中广泛应用。由于旋转机械的工况和环境往往比较严苛和恶劣,例如高温或腐蚀环境、大冲击和高负载的工况条件等,容易使设备出现各种故障。然而故障一旦发生,将会直接影响设备的整体运行情况与使用寿命,甚至会引发更加严重的安全事故,造成一定的财产损失和人员伤亡。因此,对旋转机械故障进行有效地检测和诊断具有重要意义。
由于旋转机械经常会发生速度突变、摩擦变化、不停撞击及结构变形等各种故障,所以利用设备运行时产生的振动信号,分析出当前旋转机械的运行状态,从而提前进行故障诊断,尽量避免出现故障后需要长时间停机维修的状况。传统的机械故障检测方法需要依赖大量的机械相关知识作铺垫,并且往往只能针对某一特定设备进行故障诊断,即模型迁移性较差。
通常情况下,针对特定设备的深度学习模型想要获得精确的故障诊断结果,需要海量的模型输入数据,然而每条数据都是伴随着实际设备的运行故障产生的。一种设备对应一种深度学习模型,而且每次需要大量的数据,大大地提高了研究成本。
发明内容
本发明的目的是提供一种基于迁移学习的旋转机械故障诊断方法,以解决现有机械故障诊断方法模型迁移性较差的问题。
为解决上述技术问题,本发明提供一种基于迁移学习的旋转机械故障诊断方法,包括以下步骤:
S1:将采集到的I类型旋转机械振动信号作为源域数据进行数据预处理,然后将预处理后的源域数据根据不同的信号特征进行分类标记;
S2:构建CNN-GRU深度学习网络模型,将经分类标记的源域数据作为CNN-GRU深度学习网络模型的输入,对CNN-GRU深度学习网络模型进行训练;
S3:将已经训练好的CNN-GRU深度学习网络模型作为迁移学习模型,在对迁移学习模型进行微调后,将需要故障诊断的II类型旋转机械振动信号作为目标域数据输入到微调后的迁移模型中进行再次训练,得到针对目标类型旋转机械的故障诊断模型。
进一步地,所述步骤S1具体包括:
S11:将采集到的I类型旋转机械振动信号作为源域数据按以设定的数据点数T和合适的步长M进行截取,得到N个样本数据;
S12:根据不同的信号特征将N个所述样本数据按照已知故障类型进行分类标记;
S13:根据经分类标记的N个所述样本数据构造二维图像。
进一步地,所述二维图像的构造方法具体包括:
S131:将长度为L的源域数据根据截取顺序从上到下依次作为要构造二维图像的行,最终构造出多个L2二维图像,其中L<N;
S132:将N个所述样本数据归一化到0~255范围内,将二维非图像数据转化为灰度图像;
S133:完成由原始一维振动信号到L2图像像素的转换。
进一步地,所述CNN-GRU深度学习网络模型包括卷积层、最大池化层、GRU、Flatten层、Dropout层和全连接层;通过逐层堆叠得到可迁移的深度学习网络模型。
进一步地,所述步骤S2具体包括:
S21:将经分类标记的源域数据作为CNN-GRU深度学习网络模型的输入,采用梯度下降算法与反向传播算法对CNN-GRU深度学习网络模型的卷积神经网络部分的权重{W1,W2,…,Wk}和偏置{b1,b2,…,bk}进行训练更新;其中,W1~Wk和b1~bk分别表示卷积神经网络部分的第1层到第k层的初始权重和初始偏置;
S22:利用卷积神经网络的卷积层自动提取的特征重塑矩阵表示的形状,然后将其作为GRU网络层的输入,筛选出与时间动态相关的特征;
S23:将经过GRU单元筛选出的特征依次通过Flatten层、Dropout层进行处理,然后输入到全连接层,实现故障类别的分类输出,诊断出部分未参与模型训练的源域数据故障类型,并计算诊断准确率。
进一步地,所述步骤S3具体包括:
S31:将已经训练好的CNN-GRU深度学习网络模型作为迁移学习模型,冻结卷积神经网络中的数据特征提取参数(包括权重{W1,W2,…,Wk}和偏置{b1,b2,…,bk})和GRU单元中已完成的训练参数(包括权重Wu、Wr、Wa以及偏置bu、br、ba);
S32:将II类型旋转机械振动信号作为目标域数据进行数据预处理,然后将预处理后的目标域数据根据不同的信号特征进行分类标记;然后根据目标域需要识别与分类的机械故障类型调整全连接层参数,使得CNN-GRU深度学习网络模型的输出值与分类值相同;
S33:利用经分类标记的目标域数据对迁移学习模型中没有冻结的参数重新训练与更新,得到针对目标域数据的CNN-GRU优化网络模型,计算模型分类准确率。
进一步地,将预处理后的源域数据根据不同的信号特征进行分类标记中包括:将预处理后的源域数据根据不同的信号特征分为正常信号、内圈故障信号、外圈故障信号和滚动体故障信号,然后对分好类的源域数据进行标记。
进一步地,所述I类型旋转机械振动信号和II类型旋转机械振动信号为两种毫无关系但又有相似性的振动信号,包括相同旋转机械在不同工况下产生的振动信号、相同工况下不同设备类型或尺寸大小的旋转机械所产生的振动信号或者是两种不同工况且不同类型的旋转机械所产生的振动信号。
本发明的有益效果为:通过利用现有的振动数据或者其他与设备故障有关的数据训练得到一个相对较好的故障诊断模型,然后保存已训练模型的参数并对其进行微调,然后将另一组类型相似、容量较小的数据集作为微调后模型的输入并再次训练,最终得到一个针对目标类型旋转机械的故障诊断模型,通过该的故障诊断模型,能够在不同类型的旋转机械设备、不同工况条件等情况下,可实现在较少数据量情况下,完成对目标机械的故障诊断,并且保证较高识别精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明一个实施例的原理图;
图2为本发明一个实施例的CNN-GRU优化网络模型的结构图;
图3为本发明一个实施例的GRU单元的结构图。
具体实施方式
如图1所示的基于迁移学习的旋转机械故障诊断方法,包括以下步骤:
S1:将采集到的I类型旋转机械振动信号作为源域数据进行数据预处理,然后将预处理后的源域数据根据不同的信号特征进行分类标记;
S2:构建CNN-GRU深度学习网络模型,将经分类标记的源域数据作为CNN-GRU深度学习网络模型的输入,对CNN-GRU深度学习网络模型进行训练;
S3:将已经训练好的CNN-GRU深度学习网络模型作为迁移学习模型,在对迁移学习模型进行微调后,将需要故障诊断的II类型旋转机械振动信号作为目标域数据输入到微调后的迁移模型中进行再次训练,得到针对目标类型旋转机械的故障诊断模型。
下面分别对各个组件进行详细描述:
所述步骤S1具体包括:
S11:将采集到的I类型旋转机械振动信号作为源域数据按以设定的数据点数T和合适的步长M进行截取,得到N个样本数据;其中,N个样本数据个数N的计算方法为:令振动信号的总长度为L,则可以按照公式计算出样本数N,该步骤的目的是在得到振动数据后,尽可能多地获得有用的训练样本,增加训练数据样本量。此外,一般用传感器采集的振动数据是一维的,数据长度可以很长,故采用小窗口滑动进行采样。
S12:根据不同的信号特征将N个所述样本数据按照已知故障类型进行分类标记;可具体将样本数据(预处理后的源域数据)将预处理后的源域数据根据已知故障类型(不同故障类型对应不同的信号特征)分为正常信号、内圈故障信号、外圈故障信号和滚动体故障信号,然后对分好类的源域数据进行标记。
S13:根据经分类标记的N个所述样本数据构造二维图像;其中,二维图像的构造方法具体包括:
S131:将长度为L的源域数据根据截取顺序从上到下依次作为要构造二维图像的行,最终构造出多个L2二维图像,其中L<N;
S132:将N个所述样本数据归一化到0~255范围内,将二维非图像数据转化为灰度图像;
S133:完成由原始一维振动信号到L2图像像素的转换。
如图2所示,本申请所采用的CNN-GRU深度学习网络模型包括卷积层、最大池化层、GRU、Flatten层、Dropout层和全连接层;通过逐层堆叠得到可迁移的深度学习网络模型。由于在采集振动数据现场会受到噪音等因素干扰,所以采集到振动数据中掺杂着许多无效的和冗余数据,所以在训练网络模型之前需要对输入数据进行降噪处理。
本发明利用卷积层与最大池化层的组合对输入数据作降噪处理。所以网络模型的卷积层与最大池化层的组合起到上述作用。此外,用于降噪处理和特征提取的卷积层和池化层的基本参数设置有所不同:卷积层的卷积核大小为64,紧接的最大池化层卷积核大小为8,其余的卷积层与池化层的卷积核大小按照通常的大小设置。
卷积神经网络中的激活函数选择ReLU函数:a=max(0,z),其中z和a分别表示函数的输入与输出。ReLU函数在z>0时梯度恒为1,保证了网络训练时梯度下降的速度,它还会将a<0的映射为0,减少了神经元之间的依赖,使网络变稀疏,避免过拟合。
池化层在卷积层之后,是为了继续降低特征矩阵的维度,提高运算速度。
结合上述CNN-GRU深度学习网络模型的结构,故所述步骤S2具体包括:
S21:将经分类标记的源域数据作为CNN-GRU深度学习网络模型的输入,采用梯度下降算法与反向传播算法对CNN-GRU深度学习网络模型的卷积神经网络部分的权重{W1,W2,…,Wk}和偏置{b1,b2,…,bk}进行训练更新;其中,W1~Wk和b1~bk分别表示卷积神经网络部分的第1层到第k层的初始权重和初始偏置。
S22:利用卷积神经网络的卷积层自动提取的特征重塑矩阵表示的形状,然后将其作为GRU网络层的输入,筛选出与时间动态相关的特征;其中,GRU是长短时记忆网络的一种变体,相比于LSTM有3个门,GRU只有2个门,简化了LSTM结构,所以GRU有更少的参数,相对容易训练且不容易出现过拟合和梯度消失的问题。GRU网络结构图如图3所示,它包括2个门控单元:更新门Γu和重置门Γr;当输入序列为x<t>时,GRU结构表达式如下:
其中,σ表示使用的激活函数Sigmoid;Γu和Γr都是门控单元,取值范围为[0,1];·表示矩阵相乘,*表示矩阵对应元素相乘;x<t>、x<t-1>分别表示t和t-1时刻的网络模型的输入;a<t>、a<t-1>分别表示t和t-1时刻的隐藏单元;Wu、Wr、Wa和bu、br、ba分别表示更新门、重置门和隐藏单元与输入之间的权重与偏置。
S23:将经过GRU单元筛选出的特征依次通过Flatten层、Dropout层进行处理,然后输入到全连接层,实现故障类别的分类输出,诊断出部分未参与模型训练的源域数据故障类型,并计算诊断准确率。通过第一次模型训练,最终获得原始的可迁移深度学习神经网络。
本申请中的CNN-GRU深度学习网络模型可采用Adam优化器优化训练过程,其主要定义式如下:
其中,t表示时间步;β1和β2表示给定超参数;η表示学习率,ε表示为了维持数值稳定性而添加的常数;mt表示动量变量;vt表示指数加权移动平均变量;θt表示小批量随机梯度。
选择交叉熵损失函数为目标函数,其具体定义式如下:
其中,m表示样本数量;λ表示模型的训练参数;a(i)和y(i)表示第i个样本及其对应的标签;h(·)表示搭建的网络模型。
所述步骤S3具体包括:
S31:将已经训练好的CNN-GRU深度学习网络模型作为迁移学习模型,冻结卷积神经网络中的数据特征提取参数(包括权重{W1,W2,…,Wk}和偏置{b1,b2,…,bk})和GRU单元中已完成的训练参数(包括权重Wu、Wr、Wa以及偏置bu、br、ba);然后根据目标域需要识别与分类的机械故障类型调整全连接层参数,使得CNN-GRU深度学习网络模型的输出值与分类值相同。
S32:将II类型旋转机械振动信号作为目标域数据进行数据预处理,然后将预处理后的目标域数据根据不同的信号特征进行分类标记;
S33:利用经分类标记的目标域数据对迁移学习模型中没有冻结的参数重新训练与更新,得到针对目标域数据的CNN-GRU优化网络模型,计算模型分类准确率。
本申请中的所述I类型旋转机械振动信号和II类型旋转机械振动信号为两种毫无关系但又有相似性的振动信号,包括相同旋转机械在不同工况下产生的振动信号、相同工况下不同设备类型或尺寸大小的旋转机械所产生的振动信号或者是两种不同工况且不同类型的旋转机械所产生的振动信号。
本发明是一种跨设备、跨工况的目标迁移学习,即源域与目标域之间的数据就只有一个类似性,例如都是振动信号,但是两者之间的加工环境、对应的目标设备、设置的工况、数据采集的对象等都可以不相同。由于振动数据属于时域序列,与时间有较大的关系,选择CNN与GRU结合的深度学习网络模型,巧妙地利用CNN提取特征,运用GRU捕捉与时序相关的特征,极大地提高了网络模型对不同故障类型对应的振动数据的识别能力。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施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宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于迁移学习的旋转机械故障诊断方法,其特征在于,包括以下步骤:
S1:将采集到的I类型旋转机械振动信号作为源域数据进行数据预处理,然后将预处理后的源域数据根据不同的信号特征进行分类标记;
S2:构建CNN-GRU深度学习网络模型,将经分类标记的源域数据作为CNN-GRU深度学习网络模型的输入,对CNN-GRU深度学习网络模型进行训练;
S3:将已经训练好的CNN-GRU深度学习网络模型作为迁移学习模型,在对迁移学习模型进行微调后,将需要故障诊断的II类型旋转机械振动信号作为目标域数据输入到微调后的迁移模型中进行再次训练,得到针对目标类型旋转机械的故障诊断模型。
2.根据权利要求1所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,所述步骤S1具体包括:
S11:将采集到的I类型旋转机械振动信号作为源域数据按以设定的数据点数T和合适的步长M进行截取,得到N个样本数据;
S12:根据不同的信号特征将N个所述样本数据按照已知故障类型进行分类标记;
S13:根据经分类标记的N个所述样本数据构造二维图像。
3.根据权利要求1所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,所述二维图像的构造方法具体包括:
S131:将长度为L的源域数据根据截取顺序从上到下依次作为要构造二维图像的行,最终构造出多个L2二维图像,其中L<N;
S132:将N个所述样本数据归一化到0~255范围内,将二维非图像数据转化为灰度图像;
S133:完成由原始一维振动信号到L2图像像素的转换。
4.根据权利要求1-3任一所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,所述CNN-GRU深度学习网络模型包括卷积层、最大池化层、GRU、Flatten层、Dropout层和全连接层;通过逐层堆叠得到可迁移的深度学习网络模型。
5.根据权利要求4所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,所述步骤S2具体包括:
S21:将经分类标记的源域数据作为CNN-GRU深度学习网络模型的输入,采用梯度下降算法与反向传播算法对CNN-GRU深度学习网络模型的卷积神经网络部分的权重{W1,W2,…,Wk}和偏置{b1,b2,…,bk}进行训练更新;其中,W1~Wk和b1~bk分别表示卷积神经网络部分的第1层到第k层的初始权重和初始偏置;
S22:利用卷积神经网络的卷积层自动提取的特征重塑矩阵表示的形状,然后将其作为GRU网络层的输入,筛选出与时间动态相关的特征;
S23:将经过GRU单元筛选出的特征依次通过Flatten层、Dropout层进行处理,然后输入到全连接层,实现故障类别的分类输出,诊断出部分未参与模型训练的源域数据故障类型,并计算诊断准确率。
6.根据权利要求5所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,所述步骤S3具体包括:
S31:将已经训练好的CNN-GRU深度学习网络模型作为迁移学习模型,冻结卷积神经网络中的数据特征提取参数和GRU单元中已完成的训练参数;然后根据目标域需要识别与分类的机械故障类型调整全连接层参数,使得CNN-GRU深度学习网络模型的输出值与分类值相同;
S32:将II类型旋转机械振动信号作为目标域数据进行数据预处理,然后将预处理后的目标域数据根据不同的信号特征进行分类标记;
S33:利用经分类标记的目标域数据对迁移学习模型中没有冻结的参数重新训练与更新,得到针对目标域数据的CNN-GRU优化网络模型,计算模型分类准确率。
7.根据权利要求1所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,将预处理后的源域数据根据不同的信号特征进行分类标记中包括:将预处理后的源域数据根据不同的信号特征分为正常信号、内圈故障信号、外圈故障信号和滚动体故障信号,然后对分好类的源域数据进行标记。
8.根据权利要求1所述的基于迁移学习的旋转机械故障诊断方法,其特征在于,所述I类型旋转机械振动信号和II类型旋转机械振动信号为两种毫无关系但又有相似性的振动信号,包括相同旋转机械在不同工况下产生的振动信号、相同工况下不同设备类型或尺寸大小的旋转机械所产生的振动信号或者是两种不同工况且不同类型的旋转机械所产生的振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583046.0A CN113392881B (zh) | 2021-05-27 | 2021-05-27 | 一种基于迁移学习的旋转机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583046.0A CN113392881B (zh) | 2021-05-27 | 2021-05-27 | 一种基于迁移学习的旋转机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392881A true CN113392881A (zh) | 2021-09-14 |
CN113392881B CN113392881B (zh) | 2023-04-18 |
Family
ID=77619247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583046.0A Active CN113392881B (zh) | 2021-05-27 | 2021-05-27 | 一种基于迁移学习的旋转机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392881B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823324A (zh) * | 2021-11-22 | 2021-12-21 | 天津大学 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114510968A (zh) * | 2022-01-21 | 2022-05-17 | 石家庄铁道大学 | 一种基于Transformer的故障诊断方法 |
CN114722952A (zh) * | 2022-04-20 | 2022-07-08 | 哈尔滨工业大学 | 一种基于表示学习的轴承故障检测和分类的一体化方法 |
CN115824261A (zh) * | 2023-01-15 | 2023-03-21 | 北京理工大学 | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 |
WO2023130898A1 (zh) * | 2022-01-05 | 2023-07-13 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110597240A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种基于深度学习的水轮发电机组故障诊断方法 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
CN110807320A (zh) * | 2019-11-11 | 2020-02-18 | 北京工商大学 | 基于cnn双向gru注意力机制的短文本情感分析方法 |
CN111680160A (zh) * | 2020-06-16 | 2020-09-18 | 西北师范大学 | 一种用于文本情感分类的深度迁移学习方法 |
CN111695209A (zh) * | 2020-05-13 | 2020-09-22 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
CN111998936A (zh) * | 2020-08-25 | 2020-11-27 | 四川长虹电器股份有限公司 | 一种基于迁移学习的设备异音检测方法及系统 |
CN112163640A (zh) * | 2020-10-30 | 2021-01-01 | 北京信息科技大学 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
CN112325936A (zh) * | 2020-10-30 | 2021-02-05 | 北京印刷学院 | 一种物流环境检测识别方法及系统 |
WO2021092845A1 (en) * | 2019-11-14 | 2021-05-20 | Elekta (Shanghai) Technology Co., Ltd. | Predictive maintenance of dynamic leaf guide based on deep learning |
-
2021
- 2021-05-27 CN CN202110583046.0A patent/CN113392881B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110220709A (zh) * | 2019-06-06 | 2019-09-10 | 北京科技大学 | 基于cnn模型和迁移学习的滚动轴承故障诊断方法 |
CN110597240A (zh) * | 2019-10-24 | 2019-12-20 | 福州大学 | 一种基于深度学习的水轮发电机组故障诊断方法 |
CN110807320A (zh) * | 2019-11-11 | 2020-02-18 | 北京工商大学 | 基于cnn双向gru注意力机制的短文本情感分析方法 |
WO2021092845A1 (en) * | 2019-11-14 | 2021-05-20 | Elekta (Shanghai) Technology Co., Ltd. | Predictive maintenance of dynamic leaf guide based on deep learning |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
CN111695209A (zh) * | 2020-05-13 | 2020-09-22 | 东南大学 | 元深度学习驱动的旋转机械小样本健康评估方法 |
CN111680160A (zh) * | 2020-06-16 | 2020-09-18 | 西北师范大学 | 一种用于文本情感分类的深度迁移学习方法 |
CN111998936A (zh) * | 2020-08-25 | 2020-11-27 | 四川长虹电器股份有限公司 | 一种基于迁移学习的设备异音检测方法及系统 |
CN112163640A (zh) * | 2020-10-30 | 2021-01-01 | 北京信息科技大学 | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 |
CN112325936A (zh) * | 2020-10-30 | 2021-02-05 | 北京印刷学院 | 一种物流环境检测识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
JUN ZHU等: "A New Deep Transfer Learning Method for Bearing Fault Diagnosis Under Different Working Conditions" * |
吴定会等: "基于数据生成与迁移学习的轴承小样本故障诊断" * |
唐倩等: "基于改进蚁群算法的汽车混流装配调度模型求解", 《中国机械工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114021285B (zh) * | 2021-11-17 | 2024-04-12 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN113823324A (zh) * | 2021-11-22 | 2021-12-21 | 天津大学 | 一种基于迁移学习的柴油机燃烧噪声检测方法及系统 |
WO2023130898A1 (zh) * | 2022-01-05 | 2023-07-13 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
CN114510968A (zh) * | 2022-01-21 | 2022-05-17 | 石家庄铁道大学 | 一种基于Transformer的故障诊断方法 |
CN114510968B (zh) * | 2022-01-21 | 2022-09-16 | 石家庄铁道大学 | 一种基于Transformer的故障诊断方法 |
CN114722952A (zh) * | 2022-04-20 | 2022-07-08 | 哈尔滨工业大学 | 一种基于表示学习的轴承故障检测和分类的一体化方法 |
CN115824261A (zh) * | 2023-01-15 | 2023-03-21 | 北京理工大学 | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113392881B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113392881B (zh) | 一种基于迁移学习的旋转机械故障诊断方法 | |
Huang et al. | A robust weight-shared capsule network for intelligent machinery fault diagnosis | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
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 | |
Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
CN113281029B (zh) | 一种基于多尺度网络结构的旋转机械故障诊断方法及系统 | |
CN112883994B (zh) | 一种均衡分布适配的旋转机械变工况故障诊断方法 | |
CN113128338B (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
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 | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN112488179A (zh) | 一种基于gru的旋转机械故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
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 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
CN113051689A (zh) | 基于卷积门控循环网络的轴承剩余使用寿命预测方法 | |
CN110307981B (zh) | 基于pnn-ifa的轴承故障诊断方法 | |
CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
CN114152442A (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 |
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 |