CN113435375A - 一种滚动轴承诊断知识的跨设备可迁移性度量方法 - Google Patents
一种滚动轴承诊断知识的跨设备可迁移性度量方法 Download PDFInfo
- Publication number
- CN113435375A CN113435375A CN202110759629.4A CN202110759629A CN113435375A CN 113435375 A CN113435375 A CN 113435375A CN 202110759629 A CN202110759629 A CN 202110759629A CN 113435375 A CN113435375 A CN 113435375A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- bearing
- label
- healthy
- signal sample
- 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
- G06F2218/02—Preprocessing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种滚动轴承诊断知识的跨设备可迁移性度量方法,先获取源轴承与目标轴承的振动信号,利用含健康标签的源轴承振动信号训练领域共享深度残差网络,提取源轴承与目标轴承振动信号的故障特征;再利用目标轴承振动信号的故障特征拟合高斯混合模型,生成样本故障特征的健康簇标签;然后利用少量含健康标签的目标轴承振动信号求解健康簇标签‑伪健康标签转换矩阵,并将目标轴承振动信号的健康簇标签转换为伪健康标签;最后计算含健康标签的源轴承振动信号与含伪健康标签的目标轴承振动信号的故障特征间的最优传输差异,并以此作为源轴承诊断知识作用于目标轴承时的跨设备可迁移性度量值;本发明提高滚动轴承诊断知识的跨设备可迁移性度量的准确性。
Description
技术领域
本发明属于滚动轴承故障诊断技术领域,具体涉及一种滚动轴承诊断知识的跨设备可迁移性度量方法。
背景技术
滚动轴承是机械设备的核心零部件之一,其健康状态直接关系到设备能否安全、高效且可靠地运行,因此滚动轴承的故障诊断至关重要。故障智能诊断通过先进的机器学习技术建立了滚动轴承监测数据与健康状态之间的映射关系,实现了故障的自动识别,成为滚动轴承安全运行保障的重要手段。近年来,随着迁移学习理论与方法的兴起与蓬勃发展,逐渐形成了滚动轴承故障迁移智能诊断技术,它通过建立迁移诊断模型,从源设备滚动轴承(源轴承)的监测数据中自适应学习诊断知识,并将其应用于相关的目标设备滚动轴承(目标轴承)的故障识别,降低了传统智能诊断方法对健康标签监测数据的依赖,在一定程度上推动了滚动轴承故障智能诊断技术在工程实际中的应用。然而,由于缺乏有效的滚动轴承诊断知识跨设备可迁移性的度量方法,导致现有的迁移智能诊断技术实施存在盲目性,限制了迁移智能诊断技术的实际应用。
滚动轴承诊断知识可迁移性即源轴承监测数据训练的诊断模型对目标轴承的作用效果,如诊断精度等。现有滚动轴承故障迁移智能诊断研究及应用均表明:滚动轴承诊断知识的跨设备可迁移性与源轴承-目标轴承监测数据间的相似性存在正相关关系。因此通过评估源轴承-目标轴承监测数据的相似性能够衡量诊断知识的跨设备可迁移性,可望避免迁移智能诊断技术实施的盲目性,提高迁移智能诊断模型性能。现有的监测数据相似性获取方式主要包括以下三种:①将源轴承-目标轴承监测数据从高维特征空间映射至三维空间或二维平面,然后人为观察数据分布的相似程度。这种方式存在主观偏差,且忽略了数据降维过程中的维度信息损失。②直接利用目标轴承的标签监测数据测试智能诊断模型的精度,并以此评估诊断知识的跨设备可迁移性。然而工程实际中,标签监测数据的获取代价高昂,导致可用于模型测试的标签数据量匮乏,因此仅利用少量的目标轴承标签监测数据的测试精度难以准确度量诊断知识的跨设备可迁移性。③通过距离指标量化源轴承-目标轴承监测数据特征间的分布差异,分布差异越小,数据相似性越高,则源轴承诊断知识作用于目标轴承的跨设备可迁移性越强。与方式①和②相比,方式③能够提供客观的相似性评估结果,然而现有的距离度量方法难以有效度量数据特征间的条件分布差异,降低了相似性评估的准确性。
综上所述,现有的滚动轴承监测数据相似性获取方式难以有效地度量诊断知识的跨设备可迁移性。
发明内容
为了克服上述现有技术的缺陷,本发明的目的在于提出一种滚动轴承诊断知识的跨设备可迁移性度量方法,提高源轴承-目标轴承监测数据相似性评估的准确性,实现滚动轴承诊断知识的跨设备可迁移性的有效度量。
为达到上述目的,本发明采取的技术方案为:
一种滚动轴承诊断知识的跨设备可迁移性度量方法,包括以下步骤:
步骤1:获取源轴承R种健康状态时的振动信号样本集其中,为源轴承的第m个振动信号样本,由N个振动数据点组成,其健康标签为Ms为源轴承振动信号样本总数,上标/下标s代表源轴承;获取目标轴承的无健康标签振动信号样本集其中,为目标轴承的第n个无健康标签振动信号样本,由N个振动数据点组成,Mt为目标轴承的无健康标签振动信号样本总数,上标/下标t代表目标轴承;获取目标轴承的含健康标签振动信号样本集其中,为目标轴承的第n'个含健康标签振动信号样本,由N个振动数据点组成,M′t为目标轴承的含健康标签振动信号样本总数,且M′t<<Mt;
步骤2:构建领域共享深度残差网络,网络的待训练参数为θResNet,并最小化如下目标函数更新待训练参数θResNet,即:
步骤3:利用步骤2中训练完成的领域共享深度残差网络同时从源轴承与目标轴承的振动信号样本集中提取故障特征 其中,为源轴承第m个振动信号样本的故障特征,为目标轴承第n个无健康标签振动信号样本的故障特征,为目标轴承第n'个含健康标签振动信号样本的故障特征,上标F2代表领域共享的深度残差网络的F2层;
其中,Φ={αk,μk,σk|k=1,2,…K}为高斯混合模型的待拟合参数,K为组成高斯混合模型的高斯分量个数,αk为第k个高斯分量的权重,μk为第k个高斯分量的期望,σk为第k个高斯分量的协方差;通过赤池信息量最小准则确定K,通过期望极大算法拟合参数Φ;
步骤5:利用步骤4拟合完成的高斯混合模型为无健康标签与含健康标签的目标轴承振动信号样本赋予健康簇标签:
步骤6:初始化含健康标签的目标轴承振动信号样本数量矩阵L:
其中,I(·)当输入条件成立时,输出为样本数量1,否则为0,[L]i,j为健康簇标签为i且健康标签为j的目标轴承振动信号样本个数;利用匈牙利算法求解如下目标函数:
其中,C为健康簇标签-伪健康标签的转换矩阵,C*为求解完成的健康标签转换矩阵,[C]i,j=1表示将第i个健康簇标签转换为第j个伪健康标签,[C]i,j=0表示不进行健康标签转换;利用求解完成的健康标签转换矩阵C*将步骤5中获得的目标轴承振动信号样本的健康簇标签转换伪健康标签
步骤7:初始化源轴承-目标轴承振动信号样本间的联合移动距离矩阵MJD:
其中,[MJD]i,j表示源轴承第i个振动信号样本的故障特征位置到目标轴承第j个振动信号样本的故障特征位置间的联合移动距离,为具有第c个健康标签的源轴承振动信号样本数量,为具有第c个健康标签的源轴承第p个振动信号样本的故障特征,表示目标轴承第j个振动信号样本的故障特征,且其伪健康标签为c;
其中,∑(·)表示求矩阵中所有元素之和,最优传输差异DJD即为源轴承诊断知识在目标轴承上应用的跨设备可迁移性度量值。
本发明的有益效果为:本发明提出了一种滚动轴承诊断知识的跨设备可迁移性度量方法,该方法通过高斯混合模型与健康簇标签转换获得了目标轴承振动信号样本的伪健康标签,依此计算了源轴承与目标轴承振动信号样本间的最优传输差异,并将其作为诊断知识可迁移性的度量值;该方法兼顾了滚动轴承监测数据相似性的边缘分布差异与条件分布差异,提高了滚动轴承监测数据相似性评估的准确性,实现了诊断知识的跨设备可迁移性度量。
附图说明
图1为本发明的流程图。
图2为本发明领域共享深度残差网络的示意图。
图3为实施例不同迁移诊断任务中目标轴承健康状态的诊断精度
具体实施方式
下面结合附图和实施例对本发明进一步详细描述。
如图1所示,一种滚动轴承诊断知识的跨设备可迁移性度量方法,包括以下步骤:
步骤1:获取源轴承R种健康状态时的振动信号样本集其中,为源轴承的第m个振动信号样本,由N个振动数据点组成,其健康标签为Ms为源轴承振动信号样本总数,上标/下标s代表源轴承;获取目标轴承的无健康标签振动信号样本集其中,为目标轴承的第n个无健康标签振动信号样本,由N个振动数据点组成,Mt为目标轴承的无健康标签振动信号样本总数,上标/下标t代表目标轴承;获取目标轴承的含健康标签振动信号样本集其中,为目标轴承的第n'个含健康标签振动信号样本,由N个振动数据点组成,M′t为目标轴承的含健康标签振动信号样本总数,且M′t<<Mt;
步骤2:如图2所示,构建领域共享深度残差网络,网络的待训练参数为θResNet,并最小化如下目标函数更新待训练参数θResNet,即:
步骤3:利用步骤2中训练完成的领域共享深度残差网络同时从源轴承与目标轴承的振动信号样本集中提取故障特征 其中,为源轴承第m个振动信号样本的故障特征,为目标轴承第n个无健康标签振动信号样本的故障特征,为目标轴承第n'个含健康标签振动信号样本的故障特征,上标F2代表领域共享的深度残差网络的F2层;
其中,Φ={αk,μk,σk|k=1,2,…K}为高斯混合模型的待拟合参数,K为组成高斯混合模型的高斯分量个数,αk为第k个高斯分量的权重,μk为第k个高斯分量的期望,σk为第k个高斯分量的协方差;通过赤池信息量最小准则确定K,通过期望极大算法拟合参数Φ;
步骤5:利用步骤4拟合完成的高斯混合模型为无健康标签与含健康标签的目标轴承振动信号样本赋予健康簇标签:
步骤6:初始化含健康标签的目标轴承振动信号样本数量矩阵L:
其中,I(·)当输入条件成立时,输出为样本数量1,否则为0,[L]i,j为健康簇标签为i且健康标签为j的目标轴承振动信号样本个数;利用匈牙利算法求解如下目标函数:
其中,C为健康簇标签-伪健康标签的转换矩阵,C*为求解完成的健康标签转换矩阵,[C]i,j=1表示将第i个健康簇标签转换为第j个伪健康标签,[C]i,j=0表示不进行健康标签转换;利用求解完成的健康标签转换矩阵C*将步骤5中获得的目标轴承振动信号样本的健康簇标签转换伪健康标签
步骤7:初始化源轴承-目标轴承振动信号样本间的联合移动距离矩阵MJD:
其中,[MJD]i,j表示源轴承第i个振动信号样本的故障特征位置到目标轴承第j个振动信号样本的故障特征位置间的联合移动距离,为具有第c个健康标签的源轴承振动信号样本数量,为具有第c个健康标签的源轴承第p个振动信号样本的故障特征,表示目标轴承第j个振动信号样本的故障特征,且其伪健康标签为c;
其中,∑(·)表示求矩阵中所有元素之和。最优传输差异DJD即为源轴承诊断知识在目标轴承上应用的跨设备可迁移性度量值。
实施例:以5种滚动轴承之间的诊断知识跨设备可迁移性度量为例,验证本发明的可行性。
获得的滚动轴承振动信号样本集A来自美国凯斯西储大学,如表1所示,该数据中包括4种轴承的健康状态:正常、内圈故障、外圈故障、滚动体故障,轴承型号为SKF6205-2RS。振动信号样本在电机负载为0HP的条件下采集,采样频率为12kHz。共有样本400个,每种健康状态下的样本有100个,每个振动信号样本包含1200个采样点。
获得的滚动轴承振动信号样本集B来自某机车轮对轴承,轴承型号为552732QT,如表1所示,该数据中包括4种轴承的健康状态:正常、内圈故障、外圈故障、滚动体故障。振动信号样本在轴承的安装轴转速约为500r/min的条件下采集,采样频率为12.8kHz。共有样本1092个,每种健康状态下的样本有273个,每个振动信号样本包含1200个采样点。
获得的滚动轴承振动信号样本集C来自LDK UER204型滚动轴承,如表1所示,该数据中包括4种轴承的健康状态:正常、内圈故障、外圈故障、滚动体故障。振动信号样本在轴承输入轴转速为2100r/min、径向负载12kN的条件下采集,采样频率为12.8kHz。共有样本1600个,每种健康状态下的样本有400个,每个振动信号样本包含1200个采样点。
获得的滚动轴承振动信号样本集D来自ER-8K型滚动轴承,如表1所示,该数据中包括4种轴承的健康状态:正常、内圈故障、外圈故障、滚动体故障。振动信号样本在输入轴转速约为1800r/min的条件下采集,采样频率为12.8kHz。共有样本2048个,每种健康状态下的样本有512个,每个振动信号样本包含1200个采样点。
获得的滚动轴承振动信号样本集E来自NSK/NFC 6205型滚动轴承,如表1所示,该数据中包括4种轴承的健康状态:正常、内圈故障、外圈故障、滚动体故障。振动信号样本在输入轴转速为1500r/min、负载转矩为10N·m的条件下采集,采样频率为25.6kHz。共有样本2048个,每种健康状态下的样本有512个,每个振动信号样本包含1200个采样点。
将表1所示的5个数据集两两组合,共构建25个源轴承→目标轴承的跨设备迁移诊断任务A→A、A→B、A→C、……、E→D、E→E验证本发明的可行性。对于两个轴承数据来源于同一个数据集的情况,如A→A,随机选取25%的样本组成源轴承振动信号样本集,剩余75%的样本组成目标轴承振动信号样本集。目标轴承振动信号样本集中仅有5%的样本含健康标签,用于本发明中的伪健康标签生成。利用源轴承振动信号样本集训练如图2所示的领域共享深度残差网络,然后利用该网络诊断目标轴承振动信号样本的健康状态,可得不同迁移诊断任务中目标轴承健康状态的实际诊断精度(即实际的跨设备诊断知识可迁移性)如表2所示。运用本发明计算构建的25个迁移诊断任务中源轴承与目标轴承振动信号样本之间的最优传输差异,然后通过相关性指标衡量计算所得的最优传输差异与图3所示的实际诊断精度之间的相关程度,如表2所示。本发明获得的相关度为0.978,指标接近于1,说明本发明方法的度量准确性高,验证了本发明在滚动轴承诊断知识的跨设备可迁移性度量中的可行性。
表1滚动轴承的振动信号样本集
表2不同诊断知识可迁移性度量方法的效果对比
另选取传统的欧式距离与最大均值差异计算构建的25个迁移诊断任务中源轴承与目标轴承振动信号样本之间的差异性,然后通过相关性指标衡量样本差异性与图3所示的健康状态识别精度之间的相关度。由于未考虑源轴承与目标轴承样本间的条件分布差异,欧式距离与最大均值差异在度量滚动轴承诊断知识可迁移性中分别获得了0.713与0.821的相关度,明显低于本发明。
通过对比传统欧式距离和最大均值差异,表明:本发明由于兼顾了监测数据相似性的边缘分布差异与条件分布差异,因此能够较准确地评估滚动轴承监测数据相似性,提高了滚动轴承诊断知识的跨设备可迁移性的度量准确性。
Claims (1)
1.一种滚动轴承诊断知识的跨设备可迁移性度量方法,其特征在于,包括以下步骤:
步骤1:获取源轴承R种健康状态时的振动信号样本集其中,为源轴承的第m个振动信号样本,由N个振动数据点组成,其健康标签为Ms为源轴承振动信号样本总数,上标/下标s代表源轴承;获取目标轴承的无健康标签振动信号样本集其中,为目标轴承的第n个无健康标签振动信号样本,由N个振动数据点组成,Mt为目标轴承的无健康标签振动信号样本总数,上标/下标t代表目标轴承;获取目标轴承的含健康标签振动信号样本集其中,为目标轴承的第n'个含健康标签振动信号样本,由N个振动数据点组成,M′t为目标轴承的含健康标签振动信号样本总数,且M′t<<Mt;
步骤2:构建领域共享深度残差网络,网络的待训练参数为θResNet,并最小化如下目标函数更新待训练参数θResNet,即:
步骤3:利用步骤2中训练完成的领域共享深度残差网络同时从源轴承与目标轴承的振动信号样本集中提取故障特征 其中,为源轴承第m个振动信号样本的故障特征,为目标轴承第n个无健康标签振动信号样本的故障特征,为目标轴承第n'个含健康标签振动信号样本的故障特征,上标F2代表领域共享的深度残差网络的F2层;
其中,Φ={αk,μk,σk|k=1,2,…K}为高斯混合模型的待拟合参数,K为组成高斯混合模型的高斯分量个数,αk为第k个高斯分量的权重,μk为第k个高斯分量的期望,σk为第k个高斯分量的协方差;通过赤池信息量最小准则确定K,通过期望极大算法拟合参数Φ;
步骤5:利用步骤4拟合完成的高斯混合模型为无健康标签与含健康标签的目标轴承振动信号样本赋予健康簇标签:
步骤6:初始化含健康标签的目标轴承振动信号样本数量矩阵L:
其中,I(·)当输入条件成立时,输出为样本数量1,否则为0,[L]i,j为健康簇标签为i且健康标签为j的目标轴承振动信号样本个数;利用匈牙利算法求解如下目标函数:
其中,C为健康簇标签-伪健康标签的转换矩阵,C*为求解完成的健康标签转换矩阵,[C]i,j=1表示将第i个健康簇标签转换为第j个伪健康标签,[C]i,j=0表示不进行健康标签转换;利用求解完成的健康标签转换矩阵C*将步骤5中获得的目标轴承振动信号样本的健康簇标签转换伪健康标签
步骤7:初始化源轴承-目标轴承振动信号样本间的联合移动距离矩阵MJD:
其中,[MJD]i,j表示源轴承第i个振动信号样本的故障特征位置到目标轴承第j个振动信号样本的故障特征位置间的联合移动距离,为具有第c个健康标签的源轴承振动信号样本数量,为具有第c个健康标签的源轴承第p个振动信号样本的故障特征,表示目标轴承第j个振动信号样本的故障特征,且其伪健康标签为c;
其中,∑(·)表示求矩阵中所有元素之和,最优传输差异DJD即为源轴承诊断知识在目标轴承上应用的跨设备可迁移性度量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759629.4A CN113435375B (zh) | 2021-07-05 | 2021-07-05 | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759629.4A CN113435375B (zh) | 2021-07-05 | 2021-07-05 | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435375A true CN113435375A (zh) | 2021-09-24 |
CN113435375B CN113435375B (zh) | 2023-04-11 |
Family
ID=77759169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759629.4A Active CN113435375B (zh) | 2021-07-05 | 2021-07-05 | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435375B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131786A (zh) * | 2023-10-26 | 2023-11-28 | 华中科技大学 | 一种电压互感器绝缘故障在线辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030204333A1 (en) * | 2002-04-25 | 2003-10-30 | Kabushiki Kaisha Toshiba | Apparatus and method of diagnosing machinery damage factor |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
US20190310164A1 (en) * | 2018-04-06 | 2019-10-10 | United Technologies Corporation | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing |
CN111337256A (zh) * | 2020-03-27 | 2020-06-26 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
-
2021
- 2021-07-05 CN CN202110759629.4A patent/CN113435375B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030204333A1 (en) * | 2002-04-25 | 2003-10-30 | Kabushiki Kaisha Toshiba | Apparatus and method of diagnosing machinery damage factor |
US20190310164A1 (en) * | 2018-04-06 | 2019-10-10 | United Technologies Corporation | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN111337256A (zh) * | 2020-03-27 | 2020-06-26 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
Non-Patent Citations (2)
Title |
---|
BIN YANG 等: "A Polynomial Kernel Induced Distance Metric to Improve Deep Transfer Learning for Fault Diagnosis of Machines", 《IEEE》 * |
雷亚国 等: "大数据下机械装备故障的深度迁移诊断方法", 《机械工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131786A (zh) * | 2023-10-26 | 2023-11-28 | 华中科技大学 | 一种电压互感器绝缘故障在线辨识方法 |
CN117131786B (zh) * | 2023-10-26 | 2024-01-26 | 华中科技大学 | 一种电压互感器绝缘故障在线辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113435375B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111651937B (zh) | 变工况下类内自适应轴承故障诊断方法 | |
CN107560849B (zh) | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN110285969B (zh) | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 | |
Kong et al. | Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery | |
CN112183581A (zh) | 基于自适应迁移神经网络的半监督机械故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
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 | |
CN113268833B (zh) | 一种基于深度联合分布对齐的迁移故障诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN110443117B (zh) | 一种风电机组故障诊断方法 | |
CN111275164A (zh) | 一种水下机器人推进系统故障的诊断方法 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN113435375B (zh) | 一种滚动轴承诊断知识的跨设备可迁移性度量方法 | |
CN113627317A (zh) | 一种基于单样本学习的电机轴承故障诊断方法 | |
CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
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 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
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 | |
CN113837071B (zh) | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 | |
Di et al. | Fault diagnosis of rotating machinery based on domain adversarial training of neural networks | |
CN113011256B (zh) | 基于小样本学习的跨类别故障诊断方法、系统及存储介质 | |
CN114356897A (zh) | 基于数据融合的机电作动器故障诊断方法 |
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 |