CN113503960A - 基于可视图的机械系统故障诊断方法及系统 - Google Patents
基于可视图的机械系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113503960A CN113503960A CN202110825641.0A CN202110825641A CN113503960A CN 113503960 A CN113503960 A CN 113503960A CN 202110825641 A CN202110825641 A CN 202110825641A CN 113503960 A CN113503960 A CN 113503960A
- Authority
- CN
- China
- Prior art keywords
- visual
- fault diagnosis
- power spectrum
- mechanical system
- vibration signal
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开提供了一种基于可视图的机械系统故障诊断方法及系统,所述方案包括:获取机械系统待诊断部件的振动信号;对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;基于可视图构建方法将所述功率谱转化为可视图模型;对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。所述方案利用可视图对振动信号的谱分析结果进行建模,从而提取出信号各频率成分之间的相关性;同时,为了避免可视图中信息过于庞大导致的维灾难和维数不同导致的数据处理困难,采用特征提取方法从可视图中提取代表性特征用来对振动信号进行精确描述,有效提高了故障诊断的精确度。
Description
技术领域
本公开属于机械系统故障诊断技术领域,尤其涉及一种基于可视图的机械系统故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着现代科学技术的飞速发展与智能工业技术的迅速进步,当前机械设备日益呈现自动化、大型化、精密化和智能化。当设备发生故障时,极易造成巨大的经济损失,甚至导致重大事故的发生。轴承是机械设备中最关键的零部件之一,也是最容易失效的零部件之一,为了提高设备的安全性和可靠性,降低设备的维护成本,近年来轴承的故障诊断技术得到了广泛关注,。
发明人发现,现有的方法主要从时域和频域进行特征提取并进行故障诊断。其中时域方法更加直观,但是对于信号本征信息的提取能力较弱,与之相比,频域方法能够更加本质地对信号状态进行描述,因此,频域方法在故障诊断中得到了广泛应用。而目前的频域方法多是将各个频率成分进行独立看待,忽略了各频率成分之间的相互关系,导致方法稳健性较差。机械设备中各部件相互关联,其信号也相互耦合,信号的频率成分之间表现出较强的相关性,如果能将此相关信息进行提取,将会大大增加方法的鲁棒性。
发明内容
本公开为了解决上述问题,提供了一种基于可视图的机械系统故障诊断方法及系统,所述方案利用可视图对振动信号的谱分析结果进行建模,从而提取出信号各频率成分之间的相关性;同时,为了避免可视图中信息过于庞大导致的维灾难和维数不同导致的数据处理困难,采用特征提取方法从可视图中提取代表性特征用来对振动信号进行精确描述,有效提高了故障诊断的精确度。
根据本公开实施例的第一个方面,提供了一种基于可视图的机械系统故障诊断方法,包括:
获取机械系统待诊断部件的振动信号;
对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;
基于可视图构建方法将所述功率谱转化为可视图模型;
对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。
进一步的,所述可视图构建方法,具体为:将功率谱中的每一个频率成分视作可视图的顶点;基于可视方程确定各顶点之间边存在情况,并计算各顶点间边的权重。
进一步的,所述可视方程具体表示如下:
其中,i、j、k为功率谱的三个频率成分,即第i、j、k个顶点;各顶点对应的功率谱幅值为P(i)、P(j)、P(k)。
进一步的,所述功率谱采用周期图法进行计算。
进一步的,所述对所述振动信号进行离散傅里叶变换,具体表示如下:
其中,Y(k)为原始振动信号在频域中kHz处的幅值,N为原始振动信号长度。
进一步的,所述特征提取包括基于所述可视图提取边数、边密度、平均紧密度中心度、图熵、平均分布权重以及图的平均程度特征。
进一步的,所述故障分类模型采用OVO-SVMs方法。
根据本公开实施例的第二个方面,提供了一种基于可视图的机械系统故障诊断系统,包括:
数据获取单元,其用于获取机械系统待诊断部件的振动信号;
功率谱计算单元,其用于对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;
可视图构建单元,其用于基于可视图构建方法将所述功率谱转化为可视图模型;
故障诊断单元,其用于对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种基于可视图的机械系统故障诊断方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种基于可视图的机械系统故障诊断方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案提供了一种基于可视图的机械系统故障诊断方法,所述方案利用可视图对振动信号的谱分析结果进行建模,从而提取出信号各频率成分之间的相关性。同时,为了避免可视图中信息过于庞大导致的维灾难和维数不同导致的数据处理困难,所述方案采用特征提取方法从可视图中提取代表性特征用来对信号进行描述。最后,利用one-versus-one SVMs(OVO SVMs)算法对数据进行分类识别从而实现故障诊断,提高了故障诊断的精确度。
(2)本公开所述方案通过对频域中相关信息的提取,增强了算法的鲁棒性,在实际工程应用中具有很好的潜力。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的基于可视图的机械系统故障诊断方法流程图;
图2为本公开实施例一中所述的可视图建模结果示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种基于可视图的机械系统故障诊断方法。
一种基于可视图的机械系统故障诊断方法,包括:
获取机械系统待诊断部件的振动信号;
对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;
基于可视图构建方法将所述功率谱转化为可视图模型;
对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
如图1所示,本公开提供了一种基于可视图的机械系统故障诊断方法,所述方案首先将原始的振动信号进行谱分析,然后在功率谱的基础上进行可视图建模,将功率谱中频率成分之间的相关性进行提取,然后对可视图进行特征提取,利用OVO-SVMs(one-versus-one SVMs)方法对特征进行分类识别以进行故障诊断。主要步骤为:1)谱分析,2)可视图建模,3)特征提取,4)故障诊断。
首先,本实施例以轴承故障诊断为例,假设原始信号X={x1,x2,…,xN}代表长度为N的轴承振动信号。
(一)谱分析
为了将信号的潜在状态提取出来,需要对信号进行谱分析。首先要对信号进行离散傅里叶变换
其中,Y(k)是原始信号X在频域中kHz处的幅值。
为了更科学地进行谱分析,采用周期图计算功率谱来代替频率谱进行谱表示,具体表示如下:
(二)可视图建模
为了将功率谱P(k),k=1,2,…,K中的相关信息提取出来,采用可视图的方法构建功率谱成分之间的关联。可视图包含三个要素:顶点、边、权重,构建过程如图2所示:
(1)顶点:将功率谱中的每一个频率成分视作可视图的顶点;
(2)边:边的存在与否取决于可视条件,由以下可视方程决定:
其中i、j、k是功率谱的三个频率成分,即第i、j、k个顶点,对应的功率谱幅值为P(i)、P(j)、P(k)。如果对于任意k∈[i+1,…,j-1],可视方程均成立,则顶点i与顶点j之间有边存在。
(3)权重:顶点i与顶点j之间边的权重以下式计算
其中wi,j代表顶点i与顶点j之间的边,并且由顶点i指向顶点j。
通过以上步骤,功率谱可以被转化为可视图模型,保存在K*K的矩阵G中,其中G(i,j)=wi,j。
(三)特征提取
为了更好地对信号进行描述,从图模型中提取特征如边数、边密度,平均紧密度中心度,度熵,图熵,平均分布权重和图的平均程度等,计算公式如下:
(1)边数
(2)边密度
(3)平均紧密中心性
其中,d(i,j)代表从节点i到节点j的最小距离。
(4)度熵
其中,P(i)代表与节点i度相同的顶点在全体的顶点中所占的比重。
(5)图熵
其中,P(i,j)代表与wi,j权重相同的边在全体的边中所占的比重。
(6)平均分布权重
(7)平均程度
(四)故障诊断
利用上述特征对数据进行描述,然后利用OVO SVMs方法进行故障诊断,分为模型训练和故障识别两步。
(1)模型训练:利用有标签的数据样本进行模型训练。在任意两类故障样本之间设计一个SVM模型,因此k个类别的样本就要设计k(k-1)/2个SVM模型。
(2)故障识别:当对一个未知故障的数据样本进行分类时,使用k(k-1)/2个SVM模型进行预测,最后得票最多的类别即为该未知样本的类别。
进一步的,为了证明本公开方法的有效性,本实施例中进行了如下实验:
采用凯斯西储大学的CWRU数据库进行实验验证。数据库包含四类数据:正常数据、外圈故障、内圈故障、滚动体故障。每类数据包含240段,其中随机抽取90%作为训练数据,剩余数据作为测试数据。准确度混淆矩阵如表1所示:
表1.准确度混淆矩阵
本公开所述方案利用可视图对信号的谱分析结果进行建模,从而提取出信号各频率成分之间的相关性。为了避免可视图中信息过于庞大导致的维灾难和维数不同导致的数据处理困难,本发明采用特征提取方法从可视图中提取代表性特征用来对信号进行描述。最后,利用one-versus-oneSVMs(OVO SVMs)算法对数据进行分类识别从而实现故障诊断。该方法通过对频域中相关信息的提取,增强了算法的鲁棒性,在实际工程应用中具有很好的潜力。
实施例二:
本实施例的目的是提供一种基于可视图的机械系统故障诊断系统。
一种基于可视图的机械系统故障诊断系统,包括:
数据获取单元,其用于获取机械系统待诊断部件的振动信号;
功率谱计算单元,其用于对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;
可视图构建单元,其用于基于可视图构建方法将所述功率谱转化为可视图模型;
故障诊断单元,其用于对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种基于可视图的机械系统故障诊断方法及系统可以实现,具有广阔的应用前景。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于可视图的机械系统故障诊断方法,其特征在于,包括:
获取机械系统待诊断部件的振动信号;
对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;
基于可视图构建方法将所述功率谱转化为可视图模型;
对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。
2.如权利要求1所述的一种基于可视图的机械系统故障诊断方法,其特征在于,所述可视图构建方法,具体为:将功率谱中的每一个频率成分视作可视图的顶点;基于可视方程确定各顶点之间边存在情况,并计算各顶点间边的权重。
4.如权利要求1所述的一种基于可视图的机械系统故障诊断方法,其特征在于,所述功率谱采用周期图法进行计算。
6.如权利要求1所述的一种基于可视图的机械系统故障诊断方法,其特征在于,所述特征提取包括基于所述可视图提取边数、边密度、平均紧密度中心度、度熵、图熵、平均分布权重以及图的平均程度特征。
7.如权利要求1所述的一种基于可视图的机械系统故障诊断方法,其特征在于,所述故障分类模型采用OVO-SVMs方法。
8.一种基于可视图的机械系统故障诊断系统,其特征在于,包括:
数据获取单元,其用于获取机械系统待诊断部件的振动信号;
功率谱计算单元,其用于对所述振动信号进行离散傅里叶变换,并基于离散傅里叶变换结果计算功率谱;
可视图构建单元,其用于基于可视图构建方法将所述功率谱转化为可视图模型;
故障诊断单元,其用于对所述可视图模型进行特征提取,并将提取的特征输入预先训练的故障分类模型中,基于所述分类类型获得机械系统故障诊断结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于可视图的机械系统故障诊断方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于可视图的机械系统故障诊断方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110825641.0A CN113503960A (zh) | 2021-07-21 | 2021-07-21 | 基于可视图的机械系统故障诊断方法及系统 |
ZA2021/08819A ZA202108819B (en) | 2021-07-21 | 2021-11-09 | Method and system for mechanical system fault diagnosis based on visibility graph |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110825641.0A CN113503960A (zh) | 2021-07-21 | 2021-07-21 | 基于可视图的机械系统故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113503960A true CN113503960A (zh) | 2021-10-15 |
Family
ID=78014171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110825641.0A Pending CN113503960A (zh) | 2021-07-21 | 2021-07-21 | 基于可视图的机械系统故障诊断方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113503960A (zh) |
ZA (1) | ZA202108819B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782475A (zh) * | 2010-02-08 | 2010-07-21 | 天津工业大学 | 基于风力发电机组振动的叶片故障诊断方法 |
CN109100142A (zh) * | 2018-06-26 | 2018-12-28 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN113092114A (zh) * | 2021-04-08 | 2021-07-09 | 陕西科技大学 | 一种轴承故障诊断方法、装置及存储介质 |
-
2021
- 2021-07-21 CN CN202110825641.0A patent/CN113503960A/zh active Pending
- 2021-11-09 ZA ZA2021/08819A patent/ZA202108819B/en unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782475A (zh) * | 2010-02-08 | 2010-07-21 | 天津工业大学 | 基于风力发电机组振动的叶片故障诊断方法 |
CN109100142A (zh) * | 2018-06-26 | 2018-12-28 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN113092114A (zh) * | 2021-04-08 | 2021-07-09 | 陕西科技大学 | 一种轴承故障诊断方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
ZA202108819B (en) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105738109B (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN112649198B (zh) | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 | |
CN108319964B (zh) | 一种基于混合特征和流形学习的火灾图像识别方法 | |
CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN107316057B (zh) | 核动力装置故障诊断方法 | |
Jiang et al. | Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm | |
Liu et al. | Data anomaly detection for structural health monitoring using a combination network of GANomaly and CNN | |
CN102291392B (zh) | 一种基于Bagging算法的复合式入侵检测方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
Lu et al. | Feature extraction using adaptive multiwavelets and synthetic detection index for rotor fault diagnosis of rotating machinery | |
CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN105160330A (zh) | 一种车标识别方法及车标识别系统 | |
Cai et al. | A novel improved local binary pattern and its application to the fault diagnosis of diesel engine | |
CN112632535A (zh) | 攻击检测方法、装置、电子设备及存储介质 | |
Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
CN113503960A (zh) | 基于可视图的机械系统故障诊断方法及系统 | |
Wang et al. | Temperature forecast based on SVM optimized by PSO algorithm | |
CN111008673A (zh) | 配电网信息物理系统中恶性数据链采集提取方法 | |
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 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis |
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 |