CN113435453B - 基于卷积神经网络的往复式压缩机故障诊断方法及系统 - Google Patents
基于卷积神经网络的往复式压缩机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113435453B CN113435453B CN202110656504.9A CN202110656504A CN113435453B CN 113435453 B CN113435453 B CN 113435453B CN 202110656504 A CN202110656504 A CN 202110656504A CN 113435453 B CN113435453 B CN 113435453B
- Authority
- CN
- China
- Prior art keywords
- compressor
- image
- neural network
- working cycle
- convolutional neural
- 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.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Compressor (AREA)
Abstract
本发明公开了基于卷积神经网络的往复式压缩机故障诊断方法及系统,包括,对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理,得到压缩机每个工作循环的p‑V图;对压缩机每个工作循环的p‑V图进行处理,得到压缩机每个工作循环的二值数字图像;将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算,得到卷积神经网络的输出;根据预设的卷积神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。本发明利用卷积神经网络直接对p‑V图图像进行故障诊断,与传统机器学习方法不同,无需人为设计诊断特征,降低了人为因素对诊断结果的影响,在传统机器学习分类器的基础上提高了诊断精度。
Description
技术领域
本发明属于压缩机技术领域,具体涉及基于卷积神经网络的往复式压缩机故障诊断方法及系统。
背景技术
石油化工行业是我国的重要产业,而往复式压缩机是其工艺流程中不可或缺的核心装置,压缩机能否正常运行直接关系到企业的经济效益。有些工艺压缩机的压缩机介质为氢气、乙烯、天然气等易燃易爆的气体,且工作在高压条件下,一旦发生故障可能会造成严重的人员伤亡事故。因此,研究往复式压缩机的故障诊断技术,尽早发现故障异常,并采取相应的防治措施具有重要意义。
然而,往复式压缩机的结构复杂,易损件多,且结构之间的相对运动较多,结构件受力复杂,因此,往复式压缩机的故障具有多样性,且故障之间的关联性强和复杂度高的特点。这就给人工的诊断过程增加了难度,使得诊断过程在时间上不够及时,并且诊断结果的准确性很大程度上依赖于诊断专家的经验学识。若诊断信号成分复杂,加之诊断专家的经验不足,可能还会出现误判的情况。因此减少诊断过程中人工的参与,提高诊断精度是往复压缩机故障诊断的迫切需求。此前,用于往复式压缩机故障诊断的分类器多基于传统的机器学习技术,例如,BP神经网络,支持向量机等。此类分类器的特点是,其分类精度很大程度上依赖于人为设计的特征提取器的效果,这就使得诊断精度受限于特征设计人员的水平。
发明内容
为了克服上述现有技术存在的问题,本发明的目的在于提出一种基于卷积神经网络的往复式压缩机故障诊断方法及系统,能够实现往复式压缩机多类故障的全自动智能诊断。
为了实现上述目的,本发明采用的解决方案是:
基于卷积神经网络的往复式压缩机故障诊断方法,包括如下过程:
对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理,得到压缩机每个工作循环的p-V图;
对压缩机每个工作循环的p-V图进行处理,得到压缩机每个工作循环的二值数字图像;
将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算,得到卷积神经网络的输出;
根据预设的卷积神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
优选的,压缩机每个工作循环的p-V图是一个包括膨胀过程线、进气过程线、压缩过程线和排气过程线的封闭图形。
优选的,对压缩机每个工作循环的p-V图依次进行图像裁剪、灰度化和二值化,得到压缩机每个工作循环的二值数字图像。
优选的,所述图像裁剪的过程包括:
将每个工作循环的p-V图使用图片裁剪方法进行裁剪,剪裁至只保留压缩机每个工作循环的p-V图的曲线,得到压缩机每个工作循环的裁剪后的p-V图,其中,剪裁的内容包括每个工作循环的p-V图的坐标轴、坐标轴名称、坐标轴刻度和标题。
优选的,对压缩机每个工作循环的p-V图经过图像裁剪的图像进行灰度化的过程包括:
将经过图像剪裁的压缩机每个工作循环的p-V图的红、绿、蓝三原色的颜色分量,通过灰度值的计算方法,转化成一个灰度值,得到压缩机每个工作循环的p-V图的灰度图。
优选的,将经过灰度化的压缩机每个工作循环的p-V图进行二值化的过程包括:
将经过灰度化的压缩机每个工作循环的p-V图的灰度值转化成非0即1的灰度值,得到压缩机每个工作循环的二值数字图像。
优选的,压缩机状态类型包括:正常、进气阀弹簧失效、进气阀裂纹、进气阀断裂、排气阀弹簧失效、排气阀裂纹、排气阀断裂和活塞环磨损。
本发明还提供了基于卷积神经网络的往复式压缩机故障诊断系统,包括:
预处理模块:用于对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理,得到压缩机每个工作循环的p-V图;
图像处理模块:用于对压缩机每个工作循环的p-V图进行处理,得到压缩机每个工作循环的二值数字图像;
计算模块:用于将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算,得到卷积神经网络的输出;
判断模块:用于根据预设的卷积神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
本发明还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如本发明如上所述的基于卷积神经网络的往复式压缩机故障诊断方法。
本发明还提供了一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如本发明如上所述的基于卷积神经网络的往复式压缩机故障诊断方法。
本发明具有如下有益效果:
本发明的优点在于,采用卷积神经网络的分类方法直接对p-V图图像进行诊断分类,无需再人为设计特征,而是依赖于卷积神经网络的底层模块自主学习特征。该方法减少了在设计特征上的投入,同时提高了神经网络的诊断精度。同时,该算法的应用是依靠计算机自动实现的,可以大大降低在往复式压缩机故障诊断上的人力投入。
附图说明
图1是本发明基于卷积神经网络的往复式压缩机故障诊断方法的流程示意图。
图2是本发明实施例中对动态原始数据处理得到的p-V图。
图3是本发明实施例中对p-V图进行裁剪,灰度化和二值化后的二值p-V图。
图4是本发明实施例中所使用的卷积神经网络的结构图。
图5是本发明实施例中显示卷积神经网络分类精度的混淆矩阵。
具体实施方式
以下将对本发明的实施进行详细描述。
参照图1,本发明基于卷积神经网络的往复式压缩机故障诊断方法包括以下过程:
对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理,得到压缩机每个工作循环的p-V图,参照图2;
对压缩机每个工作循环的p-V图依次进行图像裁剪、灰度化和二值化,得到压缩机每个工作循环的p-V图的二值数字图像,也称为二值p-V图,参照图3;
将二值p-V图输入已训练好的卷积神经网络进行计算,得到卷积神经网络的输出,参照图4;
根据预设的卷积神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
其中,压缩机每个工作循环的p-V图是一个包括膨胀过程线、进气过程线、压缩机过程线和排气过程线的封闭图形。对p-V图进行裁剪的原因是,p-V图中除了封闭图形之外的标识内容对于卷积神经网络来说是无关信息,与后续诊断无关。卷积神经网络只需要从包含状态信息的p-V图主体部分提取状态特征。对裁剪后的p-V图进行灰度化的原因是,彩图的RGB值只能反映图像的颜色信息,不能反映图像的形态特征,将其中无用的颜色信息剔除,可以使卷积神经网络的结构更加简单。本发明直接将二值化p-V图图像直接作为卷积神经网络的输入,无需人为设计特征值,过程更加简便。
实施例
参照图1、图2、图3、图4以及图5,本实施例基于卷积神经网络的往复式压缩机故障诊断方法包括以下步骤:
(1)结合由往复式压缩机监测系统采集到的键相信号,对压缩机监测系统采集到的气缸内动态压力数据按照压缩机工作循环过程进行预处理,形成p-V图;
(2)对步骤(1)得到的p-V图依次进行裁剪、灰度化和二值化,得到一个二值数字图像,称为二值p-V图;
(3)利用一个包括三个卷积层、三个最大池化层和三个全连接层的卷积神经网络对步骤(2)得到的二值p-V图直接进行故障分类诊断;
其中,步骤(1)具体包括:
步骤1.1,以触发键相信号时的曲轴转角为每个压缩机工作循环周期的起始点,根据气缸工作容积V和曲轴转角θ的对应关系,得到气缸工作容积V:
其中,V0为余隙容积,单位为m3;Di为第i级气缸内径,单位为m;r为曲柄半径,单位为m;λ为曲柄半径连杆比,为无量纲常量;V0,Di,r,λ均为已知常数;
步骤1.2,根据往复压缩机的工作原理,其每个循环可以分为四个工作过程,分别为:膨胀过程、进气过程、压缩过程和排气过程。划分四个工作过程的原则为:膨胀过程的起点是键相信号被触发的时刻,终点是气缸压力第一次和进气压力相等时的时刻;进气过程的起点是膨胀过程的终点,终点是曲轴旋转180度时所对应的时刻;压缩过程的起点是进气过程的终点,终点是气缸压力第一次和排气压力相等时的时刻;排气过程的起点是压缩过程的终点,终点是下一个循环中膨胀过程的起点,如此周而复始的工作。根据上述原则可知,往复式压缩机的每个p-V图为一个封闭图形,同时包括四段工作过程线。以进气阀片断裂的压缩机状态下的某一次循环为例,其所作p-V图如图2所示。
其中,步骤(2)具体包括:
步骤2.1,对p-V图进行裁剪,将其坐标轴、坐标轴名称、坐标轴刻度和标题这些内容使用图片裁剪技术进行裁剪,只保留p-V图的主体部分(即由膨胀过程线、进气过程线、压缩机过程线和排气过程线连接而成的封闭图形)。进行裁剪的原因是,这些标识内容对于卷积神经网络来说是无关信息,后续诊断无关。卷积神经网络只需要从包含状态信息的p-V图主体部分提取状态特征。
步骤2.2,对裁剪后的p-V图进行图像灰度化处理。图像灰度化是指,令RGB图像的每个像素点的三个颜色分量(R:Red,G:Green,B:Blue),即红、绿、蓝三原色的值相等,此时彩色图像转化为灰度图像,且每个像素只有一个颜色分量,即为灰度值。将RGB图转换为灰度图的灰度化方法有多种,在本实施例算法中选取的灰度值的计算方法为:Gray=0.2989×R+0.5870×G+0.1140×B。将RGB彩图转化为灰度图的原因是,彩图的RGB值只能反映图像的颜色信息,不能反映图像的形态特征,将其中无用的颜色信息剔除,可以卷积神经网络的结构更加简单。
步骤2.3,对灰度化后的p-V图进行二值化处理。二值化处理是指,将图像中像素点的灰度值设置为0或者1,使灰度图转化为非黑即白的黑白图像。将灰度图转化为二值图的方法也同样有多种,在本实施例算法中是将灰度值大于某个灰度阈值(Graythreshold)的灰度值记为0,将灰度值小于某个灰度阈值的灰度值记为1。其中,灰度阈值的计算方法,在本实施例算法中为:Graythreshold=0.8×(Graymax-Graymin)+Graymin。其中,Graymax为最大灰度值,Graymin为最小灰度值。以图2为例,将其进行裁剪,灰度化,以及二值化处理后得到的二值p-V图如图3所示。
其中,步骤(3)具体包括:
步骤3.1,将步骤(2)中得到的,二值p-V图直接输入到一个结构如图4所示的卷积神经网络中,得到相应的输出。根据提前预设的网络输出和压缩机状态之间的映射关系,即可得到相应的压缩机状态。在本实施例中,其输出结果代表进气阀片断裂。该卷积神经网络包括三个卷积层(C1、C2和C3)、三个最大池化层(S1、S2和S3)和三个全连接层(FC1、FC2和输出层),其中三个卷积层的激活函数都为ReLu函数,FC1和FC2的激活函数也为ReLu函数,输出层是一个包含softmax函数的全连接层。卷积层和池化层的作用是从原始数据中提取特征,全连接层的作用是将提取到的特征映射到样本的标记空间。ReLu函数可以有效地避免梯度爆炸和梯度消失,softmax函数可以将多分类的结果以概率的形式呈现出来,适用于多分类问题。
在卷积神经网络的训练过程中,使用占样本集总量30%的随机测试集,测试该网络的分类精度,得到的混淆矩阵如图5所示,从图5中可以看出,其整体分类精度高达100%。该测试结果说明,本发明可以在不需要人为设计特征提取器的情况下实现故障分类,并且其在往复式压缩机故障诊断方面的表现很优秀。
该具体实施方式仅仅是本发明的较佳示例,并非对本发明进行限制。在不脱离本发明原理且尚未做出创新的情况下,本领域相关技术人员通过修改、替换、改进等方式所获得的所有其他实施例,均应视为在本发明所保护的技术范围内。
Claims (7)
1.基于卷积神经网络的往复式压缩机故障诊断方法,其特征在于,包括如下过程:
对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理,得到压缩机每个工作循环的p-V图;
对压缩机每个工作循环的p-V图进行处理,得到压缩机每个工作循环的二值数字图像;
将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算,得到卷积神经网络的输出;
根据预设的卷积神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型;
压缩机每个工作循环的p-V图是一个包括膨胀过程线、进气过程线、压缩过程线和排气过程线的封闭图形;
对压缩机每个工作循环的p-V图依次进行图像裁剪、灰度化和二值化,得到压缩机每个工作循环的二值数字图像;
所述图像裁剪的过程包括:
将每个工作循环的p-V图使用图片裁剪方法进行裁剪,剪裁至只保留压缩机每个工作循环的p-V图的曲线,得到压缩机每个工作循环的裁剪后的p-V图,其中,剪裁的内容包括每个工作循环的p-V图的坐标轴、坐标轴名称、坐标轴刻度和标题。
2.根据权利要求1所述的基于卷积神经网络的往复式压缩机故障诊断方法,其特征在于,对压缩机每个工作循环的p-V图经过图像裁剪的图像进行灰度化的过程包括:
将经过图像剪裁的压缩机每个工作循环的p-V图的红、绿、蓝三原色的颜色分量,通过灰度值的计算方法,转化成一个灰度值,得到压缩机每个工作循环的p-V图的灰度图。
3.根据权利要求1所述的基于卷积神经网络的往复式压缩机故障诊断方法,其特征在于,将经过灰度化的压缩机每个工作循环的p-V图进行二值化的过程包括:
将经过灰度化的压缩机每个工作循环的p-V图的灰度值转化成非0即1的灰度值,得到压缩机每个工作循环的二值数字图像。
4.根据权利要求1所述的基于卷积神经网络的往复式压缩机故障诊断方法,其特征在于,压缩机状态类型包括:正常、进气阀弹簧失效、进气阀裂纹、进气阀断裂、排气阀弹簧失效、排气阀裂纹、排气阀断裂和活塞环磨损。
5.基于卷积神经网络的往复式压缩机故障诊断系统,其特征在于,包括:
预处理模块:用于对采集到的压缩机气缸内动态压力数据按照压缩机每个循环的工作过程进行预处理,得到压缩机每个工作循环的p-V图;压缩机每个工作循环的p-V图是一个包括膨胀过程线、进气过程线、压缩过程线和排气过程线的封闭图形;
图像处理模块:用于对压缩机每个工作循环的p-V图进行处理,得到压缩机每个工作循环的二值数字图像;对压缩机每个工作循环的p-V图进行处理时,对压缩机每个工作循环的p-V图依次进行图像裁剪、灰度化和二值化,得到压缩机每个工作循环的二值数字图像;所述图像裁剪的过程包括:将每个工作循环的p-V图使用图片裁剪方法进行裁剪,剪裁至只保留压缩机每个工作循环的p-V图的曲线,得到压缩机每个工作循环的裁剪后的p-V图,其中,剪裁的内容包括每个工作循环的p-V图的坐标轴、坐标轴名称、坐标轴刻度和标题;
计算模块:用于将压缩机每个工作循环的二值数字图像输入已训练好的卷积神经网络进行计算,得到卷积神经网络的输出;
判断模块:用于根据预设的卷积神经网络的输出和压缩机状态之间的映射关系,得到压缩机状态类型。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至4中任一所述的基于卷积神经网络的往复式压缩机故障诊断方法。
7.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至4中任一所述的基于卷积神经网络的往复式压缩机故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110656504.9A CN113435453B (zh) | 2021-06-11 | 2021-06-11 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110656504.9A CN113435453B (zh) | 2021-06-11 | 2021-06-11 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435453A CN113435453A (zh) | 2021-09-24 |
CN113435453B true CN113435453B (zh) | 2023-04-07 |
Family
ID=77755854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110656504.9A Active CN113435453B (zh) | 2021-06-11 | 2021-06-11 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435453B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548301B (zh) * | 2022-02-25 | 2024-03-01 | 西安交通大学 | 基于迁移学习的压缩机故障诊断方法及系统 |
CN115048748B (zh) * | 2022-08-12 | 2022-10-28 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
CN117370824B (zh) * | 2023-12-07 | 2024-03-22 | 深圳市伟昊净化设备有限公司 | 一种空气压缩机进气状态智能监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108915668A (zh) * | 2018-07-17 | 2018-11-30 | 东北大学 | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 |
CN109826783A (zh) * | 2019-02-19 | 2019-05-31 | 长江大学 | 一种往复式压缩机示功图测试装置及故障诊断方法 |
CN110360093A (zh) * | 2019-07-30 | 2019-10-22 | 江西资生科技有限公司 | 一种往复式压缩机示功图的运行检测系统及方法 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
CN112443479A (zh) * | 2019-08-27 | 2021-03-05 | 深圳中集智能科技有限公司 | 压缩机故障诊断方法、装置、存储介质及电子设备 |
CN112861912A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统 |
-
2021
- 2021-06-11 CN CN202110656504.9A patent/CN113435453B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108915668A (zh) * | 2018-07-17 | 2018-11-30 | 东北大学 | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 |
CN109826783A (zh) * | 2019-02-19 | 2019-05-31 | 长江大学 | 一种往复式压缩机示功图测试装置及故障诊断方法 |
CN110360093A (zh) * | 2019-07-30 | 2019-10-22 | 江西资生科技有限公司 | 一种往复式压缩机示功图的运行检测系统及方法 |
CN112443479A (zh) * | 2019-08-27 | 2021-03-05 | 深圳中集智能科技有限公司 | 压缩机故障诊断方法、装置、存储介质及电子设备 |
KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN112396109A (zh) * | 2020-11-19 | 2021-02-23 | 天津大学 | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 |
CN112861912A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
A new method for nondestructive fault diagnosis of reciprocating compressor by means of strain-based p–V diagram;Xueying Li et al.;《Mechanical Systems and Signal Processing》;20190731;第1-16页 * |
An image-based pattern recognition approach to condition monitoring of reciprocating compressor valves;Jason R Kolodziej and John N Trout;《Journal of Vibration and Control》;20171231;第1-16页 * |
Applications of Machine Learning to Reciprocating Compressor Fault Diagnosis: A Review;Qian Lv et al.;《MDPI》;20210521;第1-14页 * |
基于原始振动信号的往复压缩机卷积神经网络故障诊断;杨洪柏 等;《机械设计与制造工程》;20180930;第47卷(第9期);第67-70页 * |
往复压缩气缸压力信号检测与分析技术;赵海洋;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20060815;C029-112 * |
Also Published As
Publication number | Publication date |
---|---|
CN113435453A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435453B (zh) | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 | |
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
WO2023050563A1 (zh) | 一种基于自编码器的彩色纹理织物缺陷区域的检测方法 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
CN111415353A (zh) | 基于ResNet58网络的紧固件毛刺缺陷的检测结构及其检测方法 | |
CN114548301B (zh) | 基于迁移学习的压缩机故障诊断方法及系统 | |
CN109899281A (zh) | 一种基于红外热像的压裂设备微弱故障诊断方法及装置 | |
CN111598858B (zh) | 一种基于迁移学习的橡胶手套的检测方法及系统 | |
CN113095414A (zh) | 一种基于卷积神经网络和支持向量机的示功图识别方法 | |
CN111860775A (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN114331869A (zh) | 一种坝面裂缝语义分割方法 | |
CN111368776B (zh) | 一种基于深度集成学习的高分辨率遥感图像分类方法 | |
CN117218101A (zh) | 一种基于语义分割的复合材料风电叶片缺陷检测方法 | |
CN112700420A (zh) | 一种眼底图像补全、分类方法及系统 | |
CN112633301A (zh) | 一种基于深度度量学习的中医舌图像腐腻特征分类方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN115661126A (zh) | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 | |
CN114897909A (zh) | 基于无监督学习的曲轴表面裂纹监测方法及系统 | |
CN113435111B (zh) | 一种往复式压缩机故障诊断方法及系统 | |
Cheng et al. | Attention to contour: A contour-guided deep network for pollen classification |
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 |