CN113408578A - 基于生成式对抗网络的谐波减速器故障诊断方法及系统 - Google Patents
基于生成式对抗网络的谐波减速器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113408578A CN113408578A CN202110520115.3A CN202110520115A CN113408578A CN 113408578 A CN113408578 A CN 113408578A CN 202110520115 A CN202110520115 A CN 202110520115A CN 113408578 A CN113408578 A CN 113408578A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- harmonic reducer
- scale
- module
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—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
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及基于生成式对抗网络的谐波减速器故障诊断方法及系统,其方法包括步骤:S1、进行数据预处理,收集谐波减速器的振动加速度信号,提取原始信号特征,使用归一化的数据构建原始数据集;S2、进行数据生成,通过利用多个生成式对抗网络,生成多类故障数据;S3、进行数据选择,利用数据选择模块过滤和纯化生成数据,并进行筛选;S4、进行故障分类,组成新的平衡数据集,将多尺度卷积神经网络作为分类器进行谐波减速器故障的多分类。本发明通过生成式对抗网络生成谐波减速器的高质量故障数据,跟真实数据一起构建平衡数据集,使用多尺度卷积神经网络进行故障诊断,从而实现数据不平衡条件下提升谐波减速器的多分类精度。
Description
技术领域
本发明涉及工业机器人的故障诊断、在线监控技术领域,尤其涉及基于生成式对抗网络的谐波减速器故障诊断方法及系统。
背景技术
谐波减速器由于具有高传动比,无间隙,高紧凑性和轻巧性,良好的分辨率和出色的可重复性等优点而广泛用于工业机器人中,以增加传递至一个轴端或从一个轴端传递的扭矩量。谐波减速器的复杂设计对制造和组装误差敏感,并且异常振动跟运行工况有关,即使很小的误差也可能导致过度振动,从而损害机器人的性能。此外,谐波减速器是一个高度非线性的系统,通常与其他外部的机电系统耦合,因此振动信号通常表现出多尺度特性。最重要的是,谐波减速器的故障类型复杂多样,故障信号难以收集,导致不同类型的健康状态数据不平衡,从而对谐波减速器的诊断性能产生不利影响。
现有的谐波驱动器的故障诊断主要是由车间技术人员使用简单的仪器来完成的,并且依赖于技术经验,导致该决策是主观的并且常常是不准确的。目前有关于谐波减速器状态监测和故障诊断的相关研究很少,而且令人满意的结果也很少。现有的文献也只是研究谐波减速器的组成部件,例如减速齿轮和轴承,并非是针对整体的谐波减速器成品,因此难以反映整个谐波减速器的真实运行情况,且使用的是现有的时频域分析方法,诊断效果有待提升。基于数据平衡的各类机器学习方法,虽然在滚子轴承等机械设备的故障诊断上能获得较高的分类精度,但是必须拥有大量且均衡的各类型数据,因此,这并不适用于谐波减速器。
发明内容
为解决现有技术所存在的技术问题,本发明提供基于生成式对抗网络的谐波减速器故障诊断方法及系统,通过生成式对抗网络GAN生成大量各种类型的谐波减速器的高质量故障数据,生成的故障数据跟真实的数据一起构建平衡数据集,再使用多尺度卷积神经网络MSCNN进行故障诊断,从而实现数据不平衡条件下提升谐波减速器的多分类精度。
本发明方法采用以下技术方案来实现:基于生成式对抗网络的谐波减速器故障诊断方法,主要包括以下步骤:
S1、进行数据预处理,通过三个振动加速度传感器收集谐波减速器的振动加速度信号,利用快速傅里叶变换FFT处理数据以提取原始信号的特征,使用归一化的数据构建原始数据集;
S2、进行数据生成,利用卷积层和全连接层组成的生成式对抗网络GAN增强故障数据,通过利用多个生成式对抗网络GAN,生成多类故障数据;
S3、进行数据选择,利用由数据过滤和数据纯化组成的数据选择模块过滤和纯化生成的数据,并对生成的数据进行筛选;
S4、进行故障分类,利用真实数据和生成的各种故障数据组成新的平衡数据集,将多尺度分解和卷积神经网络CNN组成的多尺度卷积神经网络MSCNN作为分类器进行谐波减速器故障的多分类。
本发明系统采用以下技术方案来实现:基于生成式对抗网络的谐波减速器故障诊断系统,包括生成式对抗网络GAN模型、生成故障数据模块、工业场景模块、收集真实数据模块、本地数据库模块、远程服务器、平衡数据集模块、多尺度卷积神经网络MSCNN模型以及故障诊断结果模块;
离线诊断,生成式对抗网络GAN模型与生成故障数据模块连接,生成式对抗网络GAN模型将生成的故障数据传输进入生成故障数据模块;
工业场景模块与收集真实数据模块连接,通过工业场景收集的真实数据传输进入收集真实数据模块,收集真实数据模块再通过无线连接将真实数据传输到本地数据库,将生成的故障数据和本地数据库中的真实数据组成新的平衡数据集输入平衡数据集模块,再通过多尺度卷积神经网络MSCNN模型,获取故障诊断结果;
在线诊断,工业场景模块与收集真实数据模块连接,通过有线网络连接将真实数据上传到远程服务器进行存储,再通过多尺度卷积神经网络MSCNN模型,获取故障诊断结果。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过生成式对抗网络GAN生成大量各种类型的谐波减速器的高质量故障数据,生成的故障数据跟真实的数据一起构建平衡数据集,再使用多尺度卷积神经网络MSCNN进行故障诊断,从而实现数据不平衡条件下提升谐波减速器的多分类精度。
2、本发明可用于解决各类故障样本的不足的问题,提高故障诊断的准确性。
3、本发明可应用于并扩展到风机变速箱,掘进机回转支承,飞机发动机机电执行器等不同的机械传动装置上,从而解决稀缺故障数据条件下的故障诊断问题。
附图说明
图1是本发明的方法流程图;
图2是本发明方法快速傅里叶变换FFT处理数据示意图;
图3是本发明试验台结构示意图;
图4是本发明方法的数据生成过程示意图;
图5是本发明方法多个生成器的网络结构示意图;
图6是本发明方法的数据选择过程示意图;
图7是本发明方法的故障分类过程示意图;
图8是本发明多尺度信号到每个位图输入的数据融合转换示意图;
图9是本发明系统结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例基于生成式对抗网络的谐波减速器故障诊断方法,主要包括以下步骤:
S1、进行数据预处理,通过三个振动加速度传感器收集谐波减速器的振动加速度信号,利用快速傅里叶变换FFT处理数据以提取原始信号的特征,使用归一化的数据构建原始数据集以用于后续数据生成;
S2、进行数据生成,利用卷积层和全连接层组成的生成式对抗网络GAN增强各种稀缺的故障数据,通过利用多个生成式对抗网络GAN,生成多类故障数据;
S3、进行数据选择,利用由数据过滤和数据纯化组成的数据选择模块过滤和纯化生成的数据,对生成数据进行筛选,提高生成的数据的质量;
S4、进行故障分类,利用真实数据和生成的各种故障数据组成新的平衡数据集,将多尺度分解和卷积神经网络CNN组成的多尺度卷积神经网络MSCNN作为分类器进行谐波减速器故障的多分类。
如图2所示,本实施例中,步骤S1的具体实现过程如下:
S11、通过三个振动加速度传感器收集谐波减速器的振动加速度信号,利用移动固定的采样窗口,将振动加速度信号重新采样到原始数量的N倍,其中,N>1,且N为整数;
S12、利用快速傅里叶变换FFT提取重新采样的振动加速度信号的特征信息,形成原始数据集,用于后续数据生成和故障诊断;
S13、根据公式(1)和(2)对每个数据样本进行归一化,并转换为0~1区间,以加快训练网络的收敛速度,具体公式如下:
其中,Result是像素值,Value是信号上的每个数据值,Range是信号的最大范围值,scaled value归一化后的数值。
如图3所示,本实施例中,步骤S11中三个振动加速度传感器均安装在谐波减速器的末端,传感器之间两两正交,分别安装在X、Y、Z三个相互正交的方向上。
如图4、图5所示,本实施例中,步骤S2中每个生成式对抗网络GAN都包括一个生成器和一个鉴别器,用于生成一种类型的一维故障数据以进行后续数据选择,利用数据滚动和平均操作调整各种故障类型和不同故障类型数量生成的故障数据。
如图6所示,本实施例中,步骤S3的具体实现过程如下:
S31、通过马氏距离过滤真实数据分布之外的原始数据,设实际数据中第γ小类别的样本为:
Sγ=(Sγ_1,Sγ_2,…,Sγ_m)
γ=(1,2,…,N)
其中,m为样本数;
样本Sγ_i(i=(1,2,…,m))与数据集Sγ之间的马氏距离可计算如下:
利用主成分分析PCA减小变量的维数,并为实际数据设置最小样本空间,以确定是否应丢弃生成的数据;
S32、利用欧氏距离进一步纯化过滤后的数据,两个点y1和y2之间的欧式距离的表达式如下:
其中,u是某个点总的维数,k是指该点的第k维,1<k<u,k为整数;
S33、利用步骤S1和S2保留的接近真实分布的生成数据构建平衡数据集进行后续训练。
如图7所示,本实施例中,步骤S4中多尺度分解的具体实现过程如下:
S41、利用多尺度分解提取不同尺度信号的互补和丰富的特征信息,设xi是原始信号x={x1,x2,…,xN}的第i个值,其中,N是样本总数;通过使用多尺度因子S,从原始信号获得连续信号{y(S)};利用四层尺度分解,将不同尺度信号的每个元素表示为:
其中,多尺度因子取值为S时,该尺度下的样本总数为N/S;j表示该尺度下样本总数里面的第j个样本;js表示j和s两者相乘的简写;yj (s)表示尺度因子为S时候,该尺度下总的样本里面的第j个点数据;
S42、根据卷积网络的输入单元大小和多尺度因子系数,如图8所示,分别截取四个尺度的信号3072、1536、1024、716个连续数据,形成每个单元,然后将这四个单元依次连接成构造每个二维卷积神经网络2D-CNN输入单元以进行后续的卷积神经网络CNN训练。
本实施例中,基于不同信噪比SNR的额外高斯噪声被添加到测试数据中以进行评估,以检查本发明方法对环境噪声的鲁棒性,其定义为:
其中,Psignal为原始信号的功率;Pnoise为附加高斯噪声的功率。
如图9所示,本发明还提出了基于生成式对抗网络的谐波减速器故障诊断系统,可应用于离线和在线诊断,其包括:生成式对抗网络GAN模型、生成故障数据模块、工业场景模块、收集真实数据模块、本地数据库模块、远程服务器、平衡数据集模块、多尺度卷积神经网络MSCNN模型以及故障诊断结果模块;
离线诊断,生成式对抗网络GAN模型与生成故障数据模块连接,生成式对抗网络GAN模型将生成的故障数据传输进入生成故障数据模块;
工业场景模块与收集真实数据模块连接,通过工业场景收集的真实数据传输进入收集真实数据模块,收集真实数据模块再通过无线连接将真实数据传输到本地数据库,将生成的故障数据和本地数据库中的真实数据组成新的平衡数据集输入平衡数据集模块,再通过多尺度卷积神经网络MSCNN模型,获取故障诊断结果;
在线诊断,工业场景模块与收集真实数据模块连接,通过有线网络连接将真实数据上传到远程服务器进行存储,再通过多尺度卷积神经网络MSCNN模型,获取故障诊断结果。
具体地,在线诊断运行可将收集的真实数据通过远程服务器与本地数据库进行数据共享,更新本地数据库并优化多尺度卷积神经网络MSCNN模型,使其更适合设备的诊断。因此,本实施例的诊断系统可实时采集和显示先出设备的运行数据,并依靠网络模型来实现谐波传动的故障诊断,并为设备提供调整反馈。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.基于生成式对抗网络的谐波减速器故障诊断方法,其特征在于,包括以下步骤:
S1、进行数据预处理,通过三个振动加速度传感器收集谐波减速器的振动加速度信号,利用快速傅里叶变换FFT处理数据以提取原始信号的特征,使用归一化的数据构建原始数据集;
S2、进行数据生成,利用卷积层和全连接层组成的生成式对抗网络GAN增强故障数据,通过利用多个生成式对抗网络GAN,生成多类故障数据;
S3、进行数据选择,利用由数据过滤和数据纯化组成的数据选择模块过滤和纯化生成的数据,并对生成的数据进行筛选;
S4、进行故障分类,利用真实数据和生成的各种故障数据组成新的平衡数据集,将多尺度分解和卷积神经网络CNN组成的多尺度卷积神经网络MSCNN作为分类器进行谐波减速器故障的多分类。
3.根据权利要求2所述的基于生成式对抗网络的谐波减速器故障诊断方法,其特征在于,步骤S11中三个振动加速度传感器均安装在谐波减速器的末端,传感器之间两两正交,分别安装在X、Y、Z三个相互正交的方向上。
4.根据权利要求1所述的基于生成式对抗网络的谐波减速器故障诊断方法,其特征在于,步骤S2中每个生成式对抗网络GAN包括一个生成器和一个鉴别器,通过各生成一种类型的一维故障数据进行后续数据选择,并利用数据滚动和平均操作调整各种故障类型和不同故障类型数量生成的故障数据。
5.根据权利要求1所述的基于生成式对抗网络的谐波减速器故障诊断方法,其特征在于,步骤S3的具体实现过程如下:
S31、通过马氏距离过滤真实数据分布之外的原始数据,设真实数据中第γ小类别的样本为:
Sγ=(Sγ_1,Sγ_2,…,Sγ_m)
γ=(1,2,…,N)
其中,m为样本数;
样本Sγ_i(i=(1,2,…,m))与数据集Sγ之间的马氏距离可计算如下:
利用主成分分析PCA减小变量的维数,并为真实数据设置最小样本空间,以确定生成的数据;
S32、利用欧氏距离进一步纯化过滤后的数据,两个点y1和y2之间的欧式距离的表达式如下:
其中,u是某个点总的维数;k是指该点的第k维;
S33、利用步骤S1和S2保留的接近真实分布的生成数据构建平衡数据集进行后续训练。
6.根据权利要求1所述的基于生成式对抗网络的谐波减速器故障诊断方法,其特征在于,步骤S4中多尺度分解的具体实现过程如下:
S41、利用多尺度分解提取各尺度信号的互补和特征信息,设xi是原始信号x={x1,x2,…,xN}的第i个值,其中,N是原始样本总数;通过使用多尺度因子S从原始信号获得连续信号{y(s)};利用四层尺度分解,将各尺度信号的每个元素表示为:
其中,多尺度因子取值为S时,该尺度下的样本总数为N/S;j表示该尺度下样本总数里面的第j个样本;yj (s)表示尺度因子为S时,该尺度下总的样本里面的第j个点数据;
S42、根据卷积网络的输入单元大小和多尺度因子系数,分别截取四个尺度的信号3072、1536、1024、716个连续数据,形成每个单元,然后将这四个单元依次连接成构造每个二维卷积神经网络2D-CNN输入单元以进行后续的卷积神经网络CNN训练。
7.基于生成式对抗网络的谐波减速器故障诊断系统,其特征在于,包括生成式对抗网络GAN模型、生成故障数据模块、工业场景模块、收集真实数据模块、本地数据库模块、远程服务器、平衡数据集模块、多尺度卷积神经网络MSCNN模型以及故障诊断结果模块;
离线诊断,生成式对抗网络GAN模型与生成故障数据模块连接,生成式对抗网络GAN模型将生成的故障数据传输进入生成故障数据模块;
工业场景模块与收集真实数据模块连接,通过工业场景收集的真实数据传输进入收集真实数据模块,收集真实数据模块再通过无线连接将真实数据传输到本地数据库,将生成的故障数据和本地数据库中的真实数据组成新的平衡数据集输入平衡数据集模块,再通过多尺度卷积神经网络MSCNN模型,获取故障诊断结果;
在线诊断,工业场景模块与收集真实数据模块连接,通过有线网络连接将真实数据上传到远程服务器进行存储,再通过多尺度卷积神经网络MSCNN模型,获取故障诊断结果。
8.根据权利要求7所述的基于生成式对抗网络的谐波减速器故障诊断系统,其特征在于,在线诊断运行将收集的真实数据通过远程服务器与本地数据库进行数据共享,更新本地数据库并优化多尺度卷积神经网络MSCNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520115.3A CN113408578B (zh) | 2021-05-13 | 2021-05-13 | 基于生成式对抗网络的谐波减速器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520115.3A CN113408578B (zh) | 2021-05-13 | 2021-05-13 | 基于生成式对抗网络的谐波减速器故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408578A true CN113408578A (zh) | 2021-09-17 |
CN113408578B CN113408578B (zh) | 2022-10-25 |
Family
ID=77678459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110520115.3A Active CN113408578B (zh) | 2021-05-13 | 2021-05-13 | 基于生成式对抗网络的谐波减速器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408578B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
CN115205692A (zh) * | 2022-09-16 | 2022-10-18 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
JP2019215698A (ja) * | 2018-06-13 | 2019-12-19 | アズビル株式会社 | 画像検査支援装置および方法 |
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 |
US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN112215351A (zh) * | 2020-09-21 | 2021-01-12 | 浙江大学 | 增强的多尺度卷积神经网络软测量方法 |
CN112560784A (zh) * | 2020-12-25 | 2021-03-26 | 华南理工大学 | 一种基于动态多尺度卷积神经网络的心电图分类方法 |
-
2021
- 2021-05-13 CN CN202110520115.3A patent/CN113408578B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019215698A (ja) * | 2018-06-13 | 2019-12-19 | アズビル株式会社 | 画像検査支援装置および方法 |
US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110428004A (zh) * | 2019-07-31 | 2019-11-08 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
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 |
CN112215351A (zh) * | 2020-09-21 | 2021-01-12 | 浙江大学 | 增强的多尺度卷积神经网络软测量方法 |
CN112560784A (zh) * | 2020-12-25 | 2021-03-26 | 华南理工大学 | 一种基于动态多尺度卷积神经网络的心电图分类方法 |
Non-Patent Citations (1)
Title |
---|
GUO YANG等: ""Fault Detection of Harmonic Drive Using Multiscale Convolutional Neural Network"", 《IEEE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611233A (zh) * | 2022-03-08 | 2022-06-10 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
CN114611233B (zh) * | 2022-03-08 | 2022-11-11 | 湖南第一师范学院 | 一种旋转机械故障不平衡数据生成方法及计算机设备 |
CN115205692A (zh) * | 2022-09-16 | 2022-10-18 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
CN115205692B (zh) * | 2022-09-16 | 2022-11-29 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113408578B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN113408578B (zh) | 基于生成式对抗网络的谐波减速器故障诊断方法及系统 | |
CN110866365A (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
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 | |
Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
CN112418013A (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
Pinheiro et al. | Vibration analysis in turbomachines using machine learning techniques | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN106769051B (zh) | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 | |
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
CN111504645A (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
CN103048133A (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN109813547A (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN107451515A (zh) | 一种旋转机械设备故障识别方法及系统 | |
CN106596105A (zh) | 一种轴承故障诊断方法、装置及系统 | |
CN112362343A (zh) | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 | |
Bhakta et al. | Fault diagnosis of induction motor bearing using cepstrum-based preprocessing and ensemble learning algorithm | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Sierra-Alonso et al. | Short-time/-angle spectral analysis for vibration monitoring of bearing failures under variable speed | |
Granjon et al. | Estimation of geometric properties of three-component signals for system monitoring | |
CN112016471A (zh) | 一种不完备样本条件下的滚动轴承故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |