CN113469281B - 一种工业齿轮箱多源信息融合故障诊断方法 - Google Patents
一种工业齿轮箱多源信息融合故障诊断方法 Download PDFInfo
- Publication number
- CN113469281B CN113469281B CN202110830749.9A CN202110830749A CN113469281B CN 113469281 B CN113469281 B CN 113469281B CN 202110830749 A CN202110830749 A CN 202110830749A CN 113469281 B CN113469281 B CN 113469281B
- Authority
- CN
- China
- Prior art keywords
- infrared image
- vibration signal
- multiplied
- scale
- fault
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000002407 reforming Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Abstract
本发明提供一种工业齿轮箱多源信息融合故障诊断方法，提取多组正常及故障状态下的红外图像和振动信号，并进行预处理和尺度划分；打上故障对应的标签，将其构建故障数据样本集，并将其分割为训练集和测试集；通过CNN对训练集的红外图像特征提取，通过CNN‑BILSTM对训练集中的振动信号特征提取，并进行特征层融合；构建分类器，获取该批次的初始预测概率；将预测概率和标签的交叉熵作为损失函数，通过随机梯度下降优化器更新网络参数；共迭代若干次得到训练后的分类器预测概率；通过测试测试集的样本验证模型有效性。本文通过CNN网络实现对红外图像的特征提取，通过CNN与双向LSTM网络实现对振动信号的特征提取，将不同来源的特征进行融合，以提高诊断的准确性。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及工业齿轮箱多源信息融合故障诊断方法。
背景技术
在如今的大数据环境中，我国每年的数据量增长速度超过50％，如此海量的数据带来的最为明显的优势就是能够获取更为全面的信息。比如在故障诊断领域中，可以使我们从多个角度去分析问题，综合考虑不同的数据源的特点与优势，对信息进行分析与融合，提取到更加丰富的诊断信息，从而获得更加可信的诊断结果。
多源数据融合是一种通过相关技术从不同的数据源中提取到更加丰富的信息的一种方法。目前，多源数据融合已经广泛应用于多个领域中，如机器人、无人机、目标跟踪、遥感以及军事等。与单源数据相比，多源数据具有冗余性、互补性、合作性以及互斥性等。冗余性是指多源数据对于对象的表示是冗余的。互补性是指不同的信息源是从不同角度对对象进行描述的。合作性是指不同的信息数据对于对象的描述相互依赖。互斥性是指多源数据对于对象的描述彼此不一致。多源数据融合在不同领域有不同的定义，在故障诊断领域中，多源数据融合的含义为多传感器数据融合，即基于多传感器采集的目标信息，使用信号分析与算法处理的方法，实现数据不同层次的融合，最终对故障做出更加全面的分析与诊断。
在齿轮箱的故障诊断中，基于振动信号的故障诊断方式是最为常见的，其做法多为在齿轮箱的关键位置安装振动加速度传感器来采集振动信号。然而由于齿轮箱内部结构较为复杂，故障处产生的振动信号传递到齿轮箱壳体，再被振动加速度传感器收集的这个过程中引入了大量的噪声。因此基于单一传感器采集的振动信号进行故障诊断的方法可靠性较低，在某些复杂工况下甚至会得到错误的故障判断。因此为了提高齿轮箱故障诊断的准确率，使用多源数据融合的方法进行故障诊断是一个可行的选择。
为此，本发明提出了一种新的工业齿轮箱多源信息融合故障诊断方法。
发明内容
为解决上述问题，本发明的目的在于提供一种工业齿轮箱多源信息融合故障诊断方法。
为实现上述目的，本发明提供了如下的技术方案。
一种工业齿轮箱多源信息融合故障诊断方法，包括以下步骤：
提取多组正常及故障状态下传动系统的红外图像和振动信号，并进行预处理和数据增强；采用多尺度方法对处理后的红外图像和振动信号数据进行尺度划分；
读取尺度划分后的红外图像和振动信号，并对其打上故障对应的标签，将其构建故障数据样本集，并将故障数据样本集分割为训练集和测试集；
通过CNN卷积神经网络对训练集中的第一批次的红外图像进行特征提取，通过CNN-BILSTM网络对训练集中的同一批次的振动信号进行特征提取，将上述两组特征串联进行特征层融合；
构建分类器，将融合后的故障特征输入Softmax分类器，获取该批次的初始预测概率；将初始预测概率和标签的交叉熵作为损失函数，通过随机梯度下降优化器更新网络参数，进行下一批次训练；
训练集样本全部参与训练后作为1次迭代，共迭代若干次完成训练，得到训练后的分类器；
将测试集输入到训练后的神经网络中，验证有效性，获得最终的故障诊断模型；将待诊断的红外图像和振动信号输入训练后的分类器中进行故障诊断，输出诊断结果。
优选地，所述原始信号的提取包括以下步骤：
设置齿轮箱故障模拟试验台的转速为3000r/min，温度为20℃；
在上述温度和转速下预热后，通过红外热成像仪观察IRT图的最高温度，当最高温度达到20摄氏度时，进行红外图像的采集；
通过振动传感器并以2OKHZ的采样频率采集振动信号。
优选地，所述预处理包括以下步骤：
对获取的振动信号以及红外图像进行归一化处理，其中振动信号归一化到[-1,1]，红外图像将灰度值归一到[0,1]；
采用数据增强，对红外图像进行翻转；对振动信号采用滑动重叠采样，获得多条振动信号。
优选地，所述红外图像及振动信号采用多尺度方法，即不同粒度的采样得到其高层特征，选用大小分别为原始数据1、1/2、1/3的三个尺度，得到大小为该比例的三个输入。
优选地，所述训练集和测试集的获取包括以下步骤：
将红外图像、振动信号读取后，按照顺序打上对应故障的标签；
将对应的红外图像、振动信号、真实标签作为一组进行分组；
在每一种故障工况里随机按照训练集70％、测试集30％的比例进行划分，将划分后的训练集和测试集内的每一组进行打乱。
优选地，所述红外图像的特征提取包括以下步骤：
在第一个尺度上输入100×100×3的红外图像，经过核尺寸3×3的4个卷积核，选择步长为1×1，得到100×100×4的卷积层输出；
采用Relu激活函数激活并输出；
经过核尺寸2×2，步长为4×4的最大值池化层后，得到25×25×4的池化层输出；
重复两次上述的卷积、激活、池化后，得到2×2×8的特征；
在第二个尺度上，输入50×50×3的红外图像，经上述红外卷积神经网络后得到2×2×8的特征；
在第三个尺度上，输入为33×33×3的红外图像，经上述红外卷积神经网络后得到2×2×8的特征；
将三个特征重整为一维度数组后进行系列特征融合即将三个特征串联得到1×64的一维度数组作为卷积神经网络提取到的多尺度红外图像特征。
优选地，所述振动信号的特征提取包括以下步骤：
输入1×2048×1的振动信号，经过核尺寸1×100的32个卷积核，选择步长为1×2的卷积层输出1×1024×32的卷积输出；
采用Relu激活函数激活并输出；
在经过核尺寸1×4，步长1×4的最大值池化层得到1×256×32大小的池化层输出；
将池化层输出作为双向LSTM网络的输入，选择神经元个数为64，得到各为64长的一维序列，拼接后得到1×128的输出作为CNN_BILSTM网络提取到的振动特征；
将第二个尺度和第三个尺度的振动信号分别通过振动信号神经网络得到1×16×8、1×11×8的两特征；
将三个特征重整为一维度数组通过串联得到1×472的一维度数组作为卷积神经网络提取到的多尺度振动信号特征。
优选地，所述特征层融合包括以下步骤：
将振动特征以及红外图像特征分别通过归一化层，将两特征通过串联的方式进行融合，最终得到输出为一维特征向量的融合后的特征。
优选地，所述通过分类器获取预测概率的过程包括：
对融合后的特征采用Drop层，选择丢弃率50％；
通过全连接层最终得到1×10的向量，选择Relu激活函数进行激活，再通过第二个全连接层输出1×5的向量；
将全连接层输出通过softmax分类器后给出预测概率。
本发明有益效果：
本发明提出一种工业齿轮箱多源信息融合故障诊断方法，该方法采用CNN卷积神经网络实现对红外图像的特征提取，通过CNN与双向LSTM网络实现对振动信号的特征提取，将不同来源的特征进行融合，以提高诊断的准确性。
以下结合附图及实施例对本发明作进一步的说明。
附图说明
图1是本发明实施例的工业齿轮箱多源信息融合故障诊断方法的整体流程结构图；
图2是本发明实施例的工业齿轮箱多源信息融合故障诊断方法的训练流程图；
图3是本发明实施例的工业齿轮箱多源信息融合故障诊断方法的CNN-BILSTM诊断效果图；
图4是本发明实施例的工业齿轮箱多源信息融合故障诊断方法的多尺度特征融合CNN诊断效果图。
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仅用以解释本发明，并不用于限定本发明。
实施例
一种工业齿轮箱多源信息融合故障诊断方法，如图1-4所示，包括以下步骤：
S1：提取多组正常及故障状态下传动系统的原始信号，包括红外图像和振动信号；对红外图像和振动信号进行预处理，并进行数据增强；采用多尺度方法对处理后的红外图像和振动信号数据进行尺度划分；
具体的，设置齿轮箱故障模拟试验台的转速为3000r/min，温度为20℃；在上述温度和转速下预热后，通过红外热成像仪观察IRT图的最高温度，当最高温度达到20摄氏度时，进行红外图像的采集；通过振动传感器并以2OKHZ的采样频率采集振动信号；
对获取的振动信号以及红外图像进行归一化处理，其中振动信号归一化到[-1,1]，红外图像将灰度值归一到[0,1]；采用数据增强，对红外图像进行翻转；对振动信号采用滑动重叠采样，获得多条振动信号；
红外图像及振动信号采用多尺度方法，即不同粒度的采样得到其高层特征，选用大小分别为原始数据1、1/2、1/3的三个尺度，得到大小为该比例的三个输入；
S2：读取尺度划分后的红外图像和振动信号，打上故障对应的标签，构建故障数据样本集，将其分割为训练集和测试集；
将红外图像、振动信号读取后，按照顺序打上对应故障的标签；将对应的红外图像、振动信号、真实标签作为一组进行分组；在每一种故障工况里随机按照训练集70％、测试集30％的比例进行划分，将划分后的训练集和测试集内的每一组进行打乱；
S3：采用CNN卷积神经网络对训练集中的红外图像进行特征提取，通过CNN-BILSTM网络对训练集中的振动信号进行特征提取，将上述特征串联进行特征层融合；构建分类器，将融合后的故障特征输入Softmax分类器，获取初始的预测概率；
红外图像的卷积神经网络的结构参数表1所示，首先输入100×100×3的红外图像，之后经过核尺寸3×3的4个卷积核，步长为1×1，得到100×100×4的卷积层输出，后接Relu激活函数。再经过核尺寸2×2，步长为4×4的最大值池化层后，得到25×25×4的池化层输出；重复两次上述的卷积、激活、池化后，得到2×2×8的特征，将其重整为1×32的一维度数组作为卷积神经网络提取到的红外图像特征。
表1红外图像卷积神经网络参数
振动信号的卷积神经网络的结构参数如下表2所示，首先输入1×2048×1的振动信号后，经过核尺寸1×100的32个卷积核，选择步长为1×2的卷积层输出1×1024×32的卷积输出，采用Relu激活函数。在经过核尺寸1×4，步长1×4的最大值池化层得到1×256×32大小的池化层输出。将池化层输出作为双向LSTM网络的输入，选择神经元个数为64，得到各为64长的一维序列，拼接后得到1×128的输出作为CNN_BILSTM网络提取到的振动特征。
表2振动信号CNN_BILSTM参数
其中，特征层融合包括以下步骤：
将振动特征以及红外图像特征分别通过归一化层，将两特征通过串联的方式进行融合，最终得到输出为一维特征向量的融合后的特征。
S4：将训练集的数据分批次输入对应的神经网络，通过计算一个批次的预测概率，并且将预测概率和真实标签的交叉熵来作为损失函数，通过随机梯度下降优化器来更新网络参数；
S5：对融合后的特征采用Drop层选择丢弃率50％来防止过拟合。通过全连接层最终得到1×10的向量，选择Relu激活函数进行激活，再通过第二个全连接层输出1×5的向量。将全连接层输出通过softmax分类器后给出预测概率，通过计算预测概率和真实标签的交叉熵来作为损失Loss，通过Adam优化器训练网络，经过100次迭代，即可达到0.9873的预测准确率。
本实施例中，
三种方法准确率对比曲线如图3所示。
三种方法在不同故障上的测试情况如下表所示，其中，编号OS1500、OS2000和OS2600分别为三种油量故障的测试结果，编号TB50和TB100分别为两种断齿故障的测试结果：
表3不同特征F1 score
由上述表3内容可知，红外图像在三种油量故障上表现更好，而振动信号在后两种断齿故障更好，数据融合后在所有故障上表现都要优于融合前。
具体迭代过程中准确率变化如图4所示。
多尺度训练后的模型测试结果F1得分如表4：
表4多尺度CNN F1 score
由上述表4内容可知，多尺度训练后，两种数据融合后在所有故障模式表现优于融合前。
由上述内容可知，采用多尺度后每个方法的准确率有了较为明显提升,说明融合是有效的。
以上仅为本发明较佳实施例而已，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 (6)
1.一种工业齿轮箱多源信息融合故障诊断方法，其特征在于，包括以下步骤：
提取多组正常及故障状态下传动系统的红外图像和振动信号，并进行预处理和数据增强；采用多尺度方法对处理后的红外图像和振动信号数据进行尺度划分；
读取尺度划分后的红外图像和振动信号，并对其打上故障对应的标签，将其构建故障数据样本集，并将故障数据样本集分割为训练集和测试集；
通过CNN卷积神经网络对训练集中的第一批次的红外图像进行特征提取，通过CNN-BILSTM网络对训练集中的同一批次的振动信号进行特征提取，将上述两组特征串联进行特征层融合；
构建分类器，将融合后的故障特征输入Softmax分类器，获取该批次的初始预测概率；将初始预测概率和标签的交叉熵作为损失函数，通过随机梯度下降优化器更新网络参数，进行下一批次训练；
训练集样本全部参与训练后作为1次迭代，共迭代若干次完成训练，得到训练后的分类器；
将测试集输入到训练后的神经网络中，验证有效性，获得最终的故障诊断模型；将待诊断的红外图像和振动信号输入训练后的分类器中进行故障诊断，输出诊断结果；
所述红外图像及振动信号采用多尺度方法，即不同粒度的采样得到其高层特征，选用大小分别为原始数据1、1/2、1/3的三个尺度，得到大小为上述比例的三个输入；
所述红外图像的特征提取包括以下步骤：
在第一个尺度上输入100×100×3的红外图像，经过核尺寸3×3的4个卷积核，选择步长为1×1，得到100×100×4的卷积层输出；
采用Relu激活函数激活并输出；
经过核尺寸2×2，步长为4×4的最大值池化层后，得到25×25×4的池化层输出；
重复两次上述的卷积、激活、池化后，得到第一个尺度输出的特征；
在第二个尺度上，输入50×50×3的红外图像，经上述红外卷积神经网络后得到第二个尺度输出的特征；
在第三个尺度上，输入为33×33×3的红外图像，经上述红外卷积神经网络后得到第三个尺度输出的特征；
将三个特征重整为一维度数组后进行系列特征融合即将三个特征串联得到1×64的一维度数组作为卷积神经网络提取到的多尺度红外图像特征；
所述振动信号的特征提取包括以下步骤：
输入1×2048×1的振动信号，经过核尺寸1×100的32个卷积核，选择步长为1×2的卷积层输出1×1024×32的卷积输出；
采用Relu激活函数激活并输出；
在经过核尺寸1×4，步长1×4的最大值池化层得到1×256×32大小的池化层输出；
将池化层输出作为双向LSTM网络的输入，选择神经元个数为64，得到各为64长的一维序列，拼接后得到1×128的输出作为CNN_BILSTM网络提取到的振动特征；
将第二个尺度和第三个尺度的振动信号分别通过振动信号神经网络得到1×16×8、1×11×8的两特征；
将三个特征重整为一维度数组通过串联得到1×472的一维度数组作为卷积神经网络提取到的多尺度振动信号特征。
2.根据权利要求1所述的工业齿轮箱多源信息融合故障诊断方法，其特征在于，所述振动信号的提取包括以下步骤：
设置齿轮箱故障模拟试验台的转速为3000r/min，温度为20℃；
在上述温度和转速下预热后，通过红外热成像仪观察IRT图的最高温度，当最高温度达到20摄氏度时，进行红外图像的采集；
通过振动传感器并以2OKHZ的采样频率采集振动信号。
3.根据权利要求1所述的工业齿轮箱多源信息融合故障诊断方法，其特征在于，所述预处理包括以下步骤：
对获取的振动信号以及红外图像进行归一化处理，其中振动信号归一化到[-1,1]，红外图像将灰度值归一化到[0,1]；
采用数据增强，对红外图像进行翻转；对振动信号采用滑动重叠采样，获得多条振动信号。
4.根据权利要求1所述的工业齿轮箱多源信息融合故障诊断方法，其特征在于，所述训练集和测试集的获取包括以下步骤：
将红外图像、振动信号读取后，按照顺序打上对应故障的标签；
将对应的红外图像、振动信号、真实标签作为一组进行分组；
在每一种故障工况里随机按照训练集70%、测试集30%的比例进行划分，将划分后的训练集和测试集内的每一组进行打乱。
5.根据权利要求1所述的工业齿轮箱多源信息融合故障诊断方法，其特征在于，所述特征层融合包括以下步骤：
将振动特征以及红外图像特征分别通过归一化层，将两特征通过串联的方式进行融合，最终得到输出为一维特征向量的融合后的特征。
6.根据权利要求5所述的工业齿轮箱多源信息融合故障诊断方法，其特征在于，所述通过分类器获取预测概率的过程包括：
对融合后的特征采用Drop层，选择丢弃率50%；
通过全连接层最终得到1×10的向量，选择Relu激活函数进行激活，再通过第二个全连接层输出1×5的向量；
将全连接层输出通过softmax分类器后给出预测概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110830749.9A CN113469281B (zh) | 2021-07-22 | 2021-07-22 | 一种工业齿轮箱多源信息融合故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110830749.9A CN113469281B (zh) | 2021-07-22 | 2021-07-22 | 一种工业齿轮箱多源信息融合故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469281A CN113469281A (zh) | 2021-10-01 |
| CN113469281B true CN113469281B (zh) | 2023-11-24 |
Family
ID=77881828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110830749.9A Active CN113469281B (zh) | 2021-07-22 | 2021-07-22 | 一种工业齿轮箱多源信息融合故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469281B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186337A (zh) * | 2021-11-30 | 2022-03-15 | 大连理工大学 | 一种基于多源数据融合的压气机旋转失速预测方法 |
| CN114279728B (zh) * | 2021-12-07 | 2023-07-25 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN114509158B (zh) * | 2022-01-04 | 2023-05-30 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
| CN114544205A (zh) * | 2022-01-05 | 2022-05-27 | 北京交通大学 | 机车轮驱跑合试验故障自动诊断系统 |
| CN115795397A (zh) * | 2022-12-08 | 2023-03-14 | 陕西金元新能源有限公司 | 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法 |
| CN116416497B (zh) * | 2023-04-17 | 2024-01-23 | 广东海洋大学 | 一种轴承故障诊断系统及方法 |
| CN117292716B (zh) * | 2023-11-24 | 2024-02-06 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029989A (zh) * | 2018-09-28 | 2018-12-18 | 西北工业大学 | 一种基于红外热成像的齿轮箱故障诊断方法 |
| CN111222546A (zh) * | 2019-12-27 | 2020-06-02 | 中国科学院计算技术研究所 | 一种多尺度融合的食品图像分类模型训练及图像分类方法 |
| CN111444871A (zh) * | 2020-04-01 | 2020-07-24 | 北京信息科技大学 | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 |
| CN112036440A (zh) * | 2020-07-31 | 2020-12-04 | 山东科技大学 | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 |
| 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 |
| CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
| CN112257528A (zh) * | 2020-10-12 | 2021-01-22 | 南京工业大学 | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 |
| AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
| CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
| CN112507785A (zh) * | 2020-11-02 | 2021-03-16 | 北京工商大学 | 一种基于cnn和lstm的滚动轴承故障分析 |
| CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
| CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
| CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和系统 |
| CN112766182A (zh) * | 2021-01-22 | 2021-05-07 | 浙江工业大学 | 一种拉削刀具磨损状态识别方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200150643A1 (en) * | 2018-05-07 | 2020-05-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
-
2021
- 2021-07-22 CN CN202110830749.9A patent/CN113469281B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029989A (zh) * | 2018-09-28 | 2018-12-18 | 西北工业大学 | 一种基于红外热成像的齿轮箱故障诊断方法 |
| 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 |
| CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
| CN111222546A (zh) * | 2019-12-27 | 2020-06-02 | 中国科学院计算技术研究所 | 一种多尺度融合的食品图像分类模型训练及图像分类方法 |
| CN111444871A (zh) * | 2020-04-01 | 2020-07-24 | 北京信息科技大学 | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 |
| CN112036440A (zh) * | 2020-07-31 | 2020-12-04 | 山东科技大学 | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 |
| CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
| CN112257528A (zh) * | 2020-10-12 | 2021-01-22 | 南京工业大学 | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 |
| CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和系统 |
| CN112507785A (zh) * | 2020-11-02 | 2021-03-16 | 北京工商大学 | 一种基于cnn和lstm的滚动轴承故障分析 |
| CN112577736A (zh) * | 2020-12-04 | 2021-03-30 | 上海电力大学 | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 |
| AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
| CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
| CN112766182A (zh) * | 2021-01-22 | 2021-05-07 | 浙江工业大学 | 一种拉削刀具磨损状态识别方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| Improved Structural Rotor Fault Diagnosis Using Multi-Sensor Fuzzy Recurrence Plots and Classifier Fusion;Aneesh G. Nath 等;《IEEE Sensors Journal》;20210511;21705-21717 * |
| Infrared Image Combined with CNN Based Fault Diagnosis for Rotating Machinery;Ziwang Liu 等;《2017 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC)》;137-142 * |
| Multilevel Information Fusion for Induction Motor Fault Diagnosis;Jinjiang Wang 等;《IEEE/ASME Transactions on Mechatronics》;20191031;第24卷(第5期);2139-2150 * |
| 基于多尺度区域卷积神经网络的露头孔洞自动提取;王庆 等;《现代地质》;20210105;第1.2节、图2 * |
| 基于深度网络的油气设备特征学习与故障识别方法研究;袁壮;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20210115;第2021年卷(第1期);第6.2.1、6.2.3、6.3.1节、表1.3、第119、126页 * |
| 基于深度置信网络的齿轮箱故障诊断方法研究;赵剑平;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;第2021年卷(第2期);B019-714 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469281A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113469281B (zh) | 一种工业齿轮箱多源信息融合故障诊断方法 | |
| 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 | |
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| 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 | |
| CN113033309B (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
| CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
| CN112113755B (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
| CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
| CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
| CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
| CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
| CN114492645A (zh) | 基于多源异构数据自适应融合的电机轴承故障诊断方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| Saha et al. | Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions | |
| Cheng et al. | A rolling bearing fault diagnosis model based on WCNN-BiGRU | |
| CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| CN110631827B (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
| Yu et al. | Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction |
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 |