CN113496061A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113496061A CN113496061A CN202110236874.7A CN202110236874A CN113496061A CN 113496061 A CN113496061 A CN 113496061A CN 202110236874 A CN202110236874 A CN 202110236874A CN 113496061 A CN113496061 A CN 113496061A
- Authority
- CN
- China
- Prior art keywords
- som
- domain
- target domain
- clustering
- node
- 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.)
- Pending
Links
- 238000013526 transfer learning Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 42
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000013074 reference sample Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 3
- 238000005096 rolling process Methods 0.000 description 11
- 238000005065 mining Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010000210 abortion Diseases 0.000 description 1
- 231100000176 abortion Toxicity 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及迁移学习和自适应神经网络聚类轴承故障分析技术领域，公开了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。具体过程如下：原始采集信号经过CEEDAN及FastICA技术除噪处理形成重构原信号，将其作为SOM自适应神经网络的输入；在SOM网络中，考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的SOM神经网络节点的权重参数共享，通过源域训练结果优化目标域聚类任务函数及神经元权重；通过SOM神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，输出机械故障诊断类型。
Description
技术领域
本发明属于机电设备故障诊断技术领域，特别是涉及一种基于迁移学习和流形距离计算的SOM自适应神经网络聚类的矿场机械轴承故障诊断方法。
背景技术
随着我国现代工业飞速发展，各工业行业更追求工业现场的高效和稳定，在国家发展战略方针的指导下，朝着智能化化、自动化、信息化的方向发展。随着各行业对于原材料数量和质量的需求逐年增长，这让矿业成为整个行业的基层支柱产业。矿业作为工业链上流产业，保障其人员生命安全和现场设备的安全稳定是前提，但矿业现场往往处在深山等人烟稀少的荒郊野岭，人员工作环境相对恶劣，且矿业大部分使用大型机电设备，一旦发生故障问题，不仅难以维修，还会造成巨大损失，甚至会导致一定规模的矿场事故等。轴承由内圈、外圈、滚动体、保持架、润滑脂组成。矿山机械使用轴承作为设备中的重要组成部分，影响着这个机电设备的工作状态，大量数据表明，轴承工作失效而导致的机械设备故障的情况约占 30%到 40%。而矿山机械设备大都在室外进行使用，因为工作环境比较差，所以在安装过程中会带一些不利的影响。且矿山石料容易进入轴承内部会加剧轴承的故障。当下这类大型机电设备主要依靠人工排检，经验判断故障后修复，和传统在线监测方法。实时性差、非计划停机时间过长，错过最佳维修时间，链路安装复杂等问题。因此急需有效及时的技术手段解决矿业大型设备的状态实时监测和预警故障处理。
发明内容
为了克服上述现有技术的不足，本发明提供了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。
本设计充分考虑了信号数据样本的特征，仔细研究了迁移学习与流形距离计算在SOM自适应网络中应用的优点。利用迁移学习的强大支撑，辅助目标域SOM网络的构建和优化，完成对网络聚类结果的可视化体现与及时反馈，实现矿业机械设备轴承的状态监控。
本发明所采用的技术方案是：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，包括以下步骤：
步骤一，原始采集信号经过CEEDAN及FastICA技术除噪处理形成重构原信号，提取特征向量，并将其作为SOM自适应神经网络的输入；
步骤二，考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的SOM神经网络节点的权重参数共享，通过源域训练结果与目标域的交叉熵Loss反向传播，调整参数，优化目标域聚类任务函数及神经元权重；
步骤三，通过SOM神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，输出机械故障诊断类型。
在步骤一中，包括如下步骤：
1.由于振动信号具有明显的非线性，且时域分析难以精准的判断出现具体故障类别，本发明从传感器上采集的原始振动信号通过传感器采集的振动数据，利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数 IMF，再通过FastICA算法进行去噪处理，再利用ICA逆变换得出新IMF’，将新的若干本征信号进行累加还原得到重构信号，对处理过后新的原始信号提取特征向量，并将其作为SOM网络的输入；
2.滚动轴承故障特征频率计算公式如下：
滚动轴承的旋转频率：
外圈故障的频率：
内圈故障的频率：
滚动体故障的频率：
架内外圈故障的频率：
其中，dr为滚动体半径，Dω为节圆半径，Z为滚动体个数，Sp轴转速，α压力角。
在步骤二中，包括如下步骤：
（1）使用K近邻算法在源域数据样本中选择参照样本集，即为目标域选择迁移的源域训练数据对象；
（2）目标域与源域计算过程相同，先将各个神经元结点的权重初始化为很小的随机数；
（3）随机取一个输入样本Xi，遍历SOM网络竞争层中的每一个节点，采用流形距离计算Xi与其他各节点之间的相似度，其中基于流形距离的相似度矩阵公式为：
（4）选取距离最小的节点作为优胜节点，即确定了最佳匹配单元BMU
（5）根据所确定的邻域半径σ确定优胜邻域包括的区域并确定将包含的节点，其中由σ领域半径唯一确定领域范围内将有多少神经元参与更新。
（6）通过neighborhood function计算各个领域范围内节点更新的幅度。一般选取高斯函数作为neighborhood function，但是由于高斯函数包含指数项，它的计算量非常大，因此常使用bubble函数作为近似估计高斯函数，其中bubble函数在BMU的邻域范围内是个常数，因此，BMU其邻域内的所有神经元更新的幅度相同。
Bubble函数可以很好地在计算成本与高斯函数的准确性之间达成一定的平衡。其函数图像如图5所示：
（7）更新优胜邻域内节点的权重，更新公式为：
其中，θ(u,v,s)是对节点更新的约束，其取值将基于领域节点到BMU的距离，也就是neighborhood function Bubble函数的返回值；
W_v(s)是领域节点当前的权重值；
α为学习率；
在SOM节点更新过程中，学习率α和邻域范围σ随着迭代次数的增多逐渐衰减。其衰减函数一般为： 1/ (1 + t/T)，即有：
σ(t) = σ/ (1 + t/T)
α(t) =α / (1 + t/T)；
完成一轮迭代，重新计算距离，选择新的BMU节点，重复上述步骤，直到迭代到满足设定的迭代次数为止；
在分别初步建立起源域和目标域的SOM自适应网络中各个神经元节点权重后，通过迁移学习将源域所训练的各权重值与目标域中训练出的权重值进行对比分析，计算源域和目标域的神经元权重Wij的交叉熵作为源域和目标域网络的Loss损失值，通过优化最小化Loss损失值，使源域和目标域在迁移过程中样本在空间中逐渐对齐，使其最大程度上满足迁移条件，通过利用源域的迭代训练结果对目标域参数进行优化，完成迁移学习过程。其中，交叉熵计算公式如下：
通过反向传播，以减少代价为导向，调整参数。调整的参数主要有：神经元之间的连接权重w，以及每个神经元本身的偏置b。调参的方式是采用梯度下降算法。
在步骤三中，包括如下步骤：
在目标域SOM网络聚类结果完成之后，进行可视化处理显示，利用ComponentPlane有效工具对输出成聚类神经元进行可视化处理，Component Plane体现了每个神经元对某一单个特征什么取值最敏感。各个神经元的Weight权重取值矩阵，是一个维度为制定大小数的 X·X 的矩阵，W[:,:,i]则表示取出特征i对应的权值矩阵，而这个取值就表示了每个位置的神经元对什么取值最敏感，即该聚类的神经元与该特征取值最匹配，从而完成了SOM网络聚类结果的可视化的效果体现。
附图说明
图1为本发明实施例的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的步骤流程图；
图2为基于本发明机械振动数据的迁移学习反馈SOM网络聚类示意图；
图3为基于本发明振动信号的域SOM网络示意图；
图4为基于本发明的针对凯斯西储大学105振动数据SOM网络聚类结果；
图5为基于本发明的Bubble函数图像。
具体实施方式
下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚，完整地描述，显然，所描述的实施例是本发明一部分实施例，而并非全部的实施例。
参照图1，所示为本发明实施例的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的步骤流程图。实施过程可以分为三大步骤：
步骤一，原始采集信号经过CEEDAN及FastICA技术除噪处理形成重构原信号，提取特征向量，并将其作为SOM自适应神经网络的输入；
在步骤一中，包括如下步骤：
1.由于振动信号具有明显的非线性，且时域分析难以精准的判断出现具体故障类别，本发明从传感器上采集的原始振动信号通过传感器采集的振动数据，利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数 IMF，再通过FastICA算法进行去噪处理，再利用ICA逆变换得出新IMF’，将新的若干本征信号进行累加还原得到重构信号，对处理过后新的原始信号提取特征向量，并将其作为SOM网络的输入；
2.滚动轴承故障特征频率计算公式如下：
滚动轴承的旋转频率：
外圈故障的频率：
内圈故障的频率：
滚动体故障的频率：
架内外圈故障的频率：
其中，dr为滚动体半径，Dω为节圆半径，Z为滚动体个数，Sp轴转速，α压力角。
步骤二，考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的SOM神经网络节点的权重参数共享，通过源域训练结果与目标域的交叉熵Loss反向传播，调整参数，优化目标域聚类任务函数及神经元权重；
在步骤二中，包括如下步骤：
请参阅图3 ，显示为图1中步骤二在一实施例中的基于本发明振动信号的域SOM网络示意图
（1）使用K近邻算法在源域数据样本中选择参照样本集，即为目标域选择迁移的源域训练数据对象；
（2）目标域与源域计算过程相同，先将各个神经元结点的权重初始化为很小的随机数；
（3）随机取一个输入样本Xi，遍历SOM网络竞争层中的每一个节点，采用流形距离计算Xi与其他各节点之间的相似度，其中基于流形距离的相似度矩阵公式为：
（4）选取距离最小的节点作为优胜节点，即确定了最佳匹配单元BMU
（5）根据所确定的邻域半径σ确定优胜邻域包括的区域并确定将包含的节点，其中由σ领域半径唯一确定领域范围内将有多少神经元参与更新。
（6）通过neighborhood function计算各个领域范围内节点更新的幅度。一般选取高斯函数作为neighborhood function，但是由于高斯函数包含指数项，它的计算量非常大，因此常使用bubble函数作为近似估计高斯函数，其中bubble函数在BMU的邻域范围内是个常数，因此，BMU其邻域内的所有神经元更新的幅度相同。
Bubble函数可以很好地在计算成本与高斯函数的准确性之间达成一定的平衡。其函数图像如图5所示：
（7）更新优胜邻域内节点的权重，更新公式为：
其中，θ(u,v,s)是对节点更新的约束，其取值将基于领域节点到BMU的距离，也就是neighborhood function Bubble函数的返回值；
W_v(s)是领域节点当前的权重值；
α为学习率；
在SOM节点更新过程中，学习率α和邻域范围σ随着迭代次数的增多逐渐衰减。其衰减函数一般为： 1/ (1 + t/T)，即有：
σ(t) = σ/ (1 + t/T)
α(t) =α / (1 + t/T)；
完成一轮迭代，重新计算距离，选择新的BMU节点，重复上述步骤，直到迭代到满足设定的迭代次数为止；
参阅图 4为基于本发明的针对凯斯西储大学105振动数据SOM网络聚类结果
在分别初步建立起源域和目标域的SOM自适应网络中各个神经元节点权重后，通过迁移学习将源域所训练的各权重值与目标域中训练出的权重值进行对比分析，计算源域和目标域的神经元权重Wij的交叉熵作为源域和目标域网络的Loss损失值，通过优化最小化Loss损失值，使源域和目标域在迁移过程中样本在空间中逐渐对齐，使其最大程度上满足迁移条件，通过利用源域的迭代训练结果对目标域参数进行优化，完成迁移学习过程。其中，交叉熵计算公式如下：
通过反向传播，以减少代价为导向，调整参数。调整的参数主要有：神经元之间的连接权重w，以及每个神经元本身的偏置b。调参的方式是采用梯度下降算法。
参阅图 2为基于本发明机械振动数据的迁移学习反馈SOM网络聚类示意图
步骤三，通过SOM神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，输出机械故障诊断类型。
在步骤三中，包括如下步骤：
在目标域SOM网络聚类结果完成之后，进行可视化处理显示，利用ComponentPlane有效工具对输出成聚类神经元进行可视化处理，Component Plane体现了每个神经元对某一单个特征什么取值最敏感。各个神经元的Weight权重取值矩阵，是一个维度为制定大小数的 X·X 的矩阵，W[:,:,i]则表示取出特征i对应的权值矩阵，而这个取值就表示了每个位置的神经元对什么取值最敏感，即该聚类的神经元与该特征取值最匹配，从而完成了SOM网络聚类结果的可视化的效果体现。
以上所述的具体实施方式，对本发明的目的，技术原理和决策方案以及有益效果进行了更加详尽的说明，所应理解的是，以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一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，其特征在于：
步骤一，原始采集信号经过CEEDAN及FastICA技术除噪处理形成重构原信号，提取特征向量，并将其作为SOM自适应神经网络的输入；
步骤二，考虑利用流形距离计算相似度矩阵，并引入迁移学习模型机制，将数据样本的源域和目标域的SOM神经网络节点的权重参数共享，通过源域训练结果与目标域的交叉熵Loss反向传播，调整参数，优化目标域聚类任务函数及神经元权重；
步骤三，通过SOM神经网络目标域输出层结果完成目标域样本的聚类任务，得到聚类结果，输出机械故障诊断类型。
2.根据权利要求1所述的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，其特征在于：
上述步骤一中包括：
从传感器上采集原始振动信号；
利用CEEMDAN自适应噪声的完备经验模态分解方法对其进行分解，得到若干本征模态函数 IMF；
再通过FastICA算法进行去噪处理，再利用ICA逆变换得出新IMF’，将新的若干本征信号进行累加还原得到重构信号；
对处理过后新的原始信号提取特征向量，并将其作为SOM网络的输入；
根据权利要求1所述的一种基于迁移学习和流形距离的SOM网络聚类故障分析方法，其特征在于：
上述步骤二中包括：
（1）使用K近邻算法在源域数据样本中选择参照样本集，即为目标域选择迁移的源域训练数据对象；
（2）目标域与源域计算过程相同，先将各个神经元结点的权重初始化为很小的随机数；
（3）随机取一个输入样本Xi，遍历SOM竞争层中每一个节点，采用流形距离计算Xi与节点之间的相似度，其中基于流形距离的相似度矩阵公式为：
（4）选取距离最小的节点作为优胜节点，即确定最佳匹配单元BMU
（5）根据所确定的邻域半径σ确定优胜邻域将包含的节点，由σ唯一确定有领域范围内将有多少神经元参与更新；
（6）通过neighborhood function计算各个领域范围内节点更新的幅度；
一般选取高斯函数作为neighborhood function，但是由于高斯函数包含指数项，它的计算量非常大，因此将使用bubble函数作为近似估计高斯函数，其中bubble函数在BMU的邻域范围内是个常数，因此，BMU其邻域内的所有神经元更新的幅度相同；
（7）更新优胜邻域内节点的权重，更新公式为：
其中，θ(u,v,s)是对节点更新的约束，其取值将基于领域节点到BMU的距离，也就是neighborhood function Bubble函数的返回值；W_v(s)是领域节点当前的权重值；α为学习率；
在SOM节点更新过程中，学习率α和邻域范围σ随着迭代次数的增多逐渐衰减；
其衰减函数一般为： 1/ (1 + t/T)，即有：
σ(t) = σ/ (1 + t/T)
α(t) =α / (1 + t/T)；
完成一轮迭代，重新计算距离，选择新的BMU节点，重复上述步骤，直到迭代到满足设定的迭代次数为止。
3.根据权利要求1所述的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，其特征在于：
上述步骤二中包括：
初步分别建立起源域和目标域的SOM自适应网络中各个神经元节点权重后，通过迁移学习将源域所训练的各权重值与目标域中训练出的权重值进行对比分析，计算交叉熵Loss损失值，通过源域训练结果与目标域的交叉熵Loss反向传播，调整参数，使源域和目标域在迁移过程中样本在空间中逐渐对齐，使其满足迁移条件，利用源域的训练结果对目标域参数进行优化，完成迁移学习过程。
4.根据权利要求1所述的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，其特征在于：
在步骤三中，将目标域SOM网络聚类结果进行输出，得到机械诊断故障结果，其输出包括机电设备的故障类型的可视化显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110236874.7A CN113496061A (zh) | 2021-03-03 | 2021-03-03 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110236874.7A CN113496061A (zh) | 2021-03-03 | 2021-03-03 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113496061A true CN113496061A (zh) | 2021-10-12 |
Family
ID=77997405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110236874.7A Pending CN113496061A (zh) | 2021-03-03 | 2021-03-03 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113496061A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115754599A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
| CN116436802A (zh) * | 2023-06-13 | 2023-07-14 | 山西凯瑞科技有限公司 | 基于机器学习的智能控制方法及系统 |
| CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
| CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
| CN112434602A (zh) * | 2020-11-23 | 2021-03-02 | 西安交通大学 | 一种基于可迁移共特征空间挖掘的故障诊断方法 |
-
2021
- 2021-03-03 CN CN202110236874.7A patent/CN113496061A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
| CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
| CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
| CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
| CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
| CN112434602A (zh) * | 2020-11-23 | 2021-03-02 | 西安交通大学 | 一种基于可迁移共特征空间挖掘的故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李毅: "基于向量机的数据流聚类学习方法研究", 中国优秀硕士论文信息科技, no. 11 * |
| 都丽: "基于迁移聚类的轴承性能退化评估方法研究", 中国优秀硕士论文工程科技II, no. 8, pages 1 - 5 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115754599A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
| CN116436802A (zh) * | 2023-06-13 | 2023-07-14 | 山西凯瑞科技有限公司 | 基于机器学习的智能控制方法及系统 |
| CN116436802B (zh) * | 2023-06-13 | 2023-08-18 | 山西凯瑞科技有限公司 | 基于机器学习的智能控制方法及系统 |
| CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| 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 | |
| Jiao et al. | Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis | |
| WO2022141669A1 (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
| CN106649727B (zh) | 一种用于无人机飞行控制系统故障检测的数据库构建方法 | |
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
| Liang et al. | Data-driven anomaly diagnosis for machining processes | |
| CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
| CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| CN111832432B (zh) | 一种基于小波包分解和深度学习的刀具磨损实时预测方法 | |
| CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
| Miao et al. | Deep sparse representation network for feature learning of vibration signals and its application in gearbox fault diagnosis | |
| Jiang et al. | Fault detection and identification for quadrotor based on airframe vibration signals: a data-driven method | |
| CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
| 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 | |
| Oh et al. | Fault detection for lubricant bearing with CNN | |
| CN111461183A (zh) | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 | |
| Chen et al. | Gearbox fault diagnosis method based on deep learning multi-task framework | |
| Bhavaraju et al. | A comparative study on bearings faults classification by artificial neural networks and self-organizing maps using wavelets |
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 |