CN113505531B - 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 - Google Patents
基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 Download PDFInfo
- Publication number
- CN113505531B CN113505531B CN202110760422.9A CN202110760422A CN113505531B CN 113505531 B CN113505531 B CN 113505531B CN 202110760422 A CN202110760422 A CN 202110760422A CN 113505531 B CN113505531 B CN 113505531B
- Authority
- CN
- China
- Prior art keywords
- sample
- scale
- valve
- value
- model
- 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 52
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000010276 construction Methods 0.000 title abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002401 inhibitory effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000005299 abrasion Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法,属于设备故障监测与诊断领域。首先,数据预处理,为每类气门状态划分样本,进行标准化处理并打标签,使其符合机器学习的模型的输入输出形式。其次,建立传统特征提取器,为每个建立样本传统特征向量,包括峰值指标、脉冲指标、裕度指标、歪度指标、峭度指标五类。最终形成、训练、保存一个传统特征提取器、自适应特征提取器、样本特征融合器和Soft‑max分类器构成的诊断模型。当一个新样本输入至保存的诊断模型后,会给出当前的气门状态。本方法分析了样本中的两类特征并加以融合,诊断效果不佳的问题。
Description
技术领域
本申请涉及设备状态监测与诊断技术领域,特别涉及一种基于机器学习的往复机械气门间隙异常故障诊断模型构建方法。
背景技术
往复类机械设备往往作为工业流程中的核心设备之一,对其进行监测与故障诊断,对提高往复类机械运行安全性、可靠性、及可用性具有非常重要的意义和价值。基于知识融合机器学习网络的故障诊断方法和基于传统特征融合深度特征的故障诊断方法成为往复机械状态监测与诊断领域的研究热点,已形成了较为丰硕的技术成果。
往复机械自身结构复杂、冲击源众多,由振动传感器采集的信号往往包含大量的无关噪声,使得关键故障信号被覆盖,基于传统特征的故障诊断方法已经无法满足当前对气门异常故障的诊断需求。新兴的机器学习已被证实能够很好地挖掘信号中的深层特征,使得故障信号得以表达。然而,机器学习自身运算“黑箱”的特点,使得整个模型的结构与超参数难以被准确解释,其结构构建与参数设置成为了一门实验科学,针对不同的机器故障,新的模型的构建往往需要大量的知识经验,导致在往复机械故障诊断领域中,能够根据已有的机理知识与工作经验提出一种较为可靠的诊断模型成为亟待解决的问题。此外,抛开传统方法,仅运用机器学习方法进行故障诊断的可靠性仍未有权威证明。因此,知识融合机器学习模型,再结合传统诊断方法进行故障诊断成为一种可行的诊断方案。
在往复机械相关监测与诊断技术中,尚缺乏一种上述的可行的、一种基于结合传统诊断与机器学习方法的、针对往复机械气门间隙异常故障的诊断模型构建方法。
发明内容
本申请实施例提供了一种基于机器学习的往复机械气门间隙异常故障诊断模型构建方法,有助于对往复机械气门间隙异常故障深度诊断模型科学、高效的构建。所述技术方案如下:
首先,数据预处理,为每类气门状态划分样本,进行标准化处理并打标签,使其符合机器学习的模型的输入输出形式。
其次,建立传统特征提取器,为每个建立样本传统特征向量,包括峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr五类。
再次,建立自适应特征提取器,即建立一个多尺度卷积神经网络模型,为每个样本建立自适应特征向量,模型主要尺度参数由样本信号上包络线的已有冲击确定。
再次,建立样本特征融合器,即建立特征融合模型,将样本的传统特征向量与自适应特征向量作为输入,获取输出融合特征向量。
再次,建立Soft-max分类器,形成一个传统特征提取器、自适应特征提取器、样本特征融合器和Soft-max分类器构成的诊断模型,输入为样本信号,输出为对应的标签。
一种基于结合传统诊断与机器学习方法的、针对往复机械气门间隙异常故障的诊断模型构建方法,其特征在于,包括以下步骤:
第一步:样本数据预处理
1.1往复机械的气门间隙异常故障,直接表现为气门附近的振动冲击异常,在实际工作过程中,间隙相比标准上下浮动12.5%(八分之一)可认为能够继续工作。气门间隙因机器长时间工作,气门,摇臂,顶杆等传动机构会磨损而使气门间隙不断变大,大于12.5%需引起关注,可选择维修、更换相应零件;大于37.5%(八分之三)可认为气门间隙已经出现严重异常,需维修、更换相应零件。另外,由于安装因素或者是气门座圈磨损会导致气门间隙异常减小,不同于磨损导致的间隙变大,此时间隙小于标准12.5%,即需进行维修、更换相应零件。
此外,由于本方法基于概率的模式进行故障诊断,因此,在额定工况下,测试气门正常状态、气门异常减小25%状态、气门异常增大25%状态、气门异常增大50%状态下的振动数据。即在实际情况下,气门间隙变化小于12.5%则会判定为正常;异常减小12.5%以上则会判定为异常减小故障;异常变大在12.5%-37.5%区间则会判定为异常增大,大于37.5%则会判定为严重增大。
从传感器上获取振动数据D重新整理。
其中,D为总样本集,F1,F2,F3,F4代表气门正常状态、气门异常减小25%状态、气门异常增大25%状态、气门异常增大50%状态。Xj (t)代表第t类气门状态下的第j个样本,Rt代表第t类气门状态下的样本数量,xi (t,j)为第t类气门状态下的第j个样本的第i个序列点,N为每个样本包含的序列点数,数值上等于该机械运行一个完整的工作周期传感器所采集的序列点数。
1.2将每个样本标准化,记X泛指一个样本,即对每一个样本X按照如下方式更新。
其中,Xm指该样本的所有序列点的平均值,Xstd指该样本的标准差。
1.3为样本打标签
为每一类状态生成独立的one-hot编码,作为其标签向量,同一类状态下所有样本的标签是相同的,不同状态下的样本其特征标签相互正交。
第二步:建立传统特征提取器,提取样本传统特征,建立特征向量TC(Traditional-Character)
计算每一类状态下所有样本的传统特征,共峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr五类。
Xp=max(|X|) (5)
Ip=Xp/Xrms (13)
Cf=Xp/Xarv (14)
Ce=Xp/Xr (15)
Sk=X3/Xstd 3 (16)
Kr=X4/Xstd 4 (17)
其中,X泛指一个样本,Xp指该样本中所有序列点取绝对值后的最大值,Xrms指该样本的均方根值,Xarv指该样本的所有序列点取绝对值后均方根值,Xm指该样本的所有序列点的平均值,Xstd指该样本的标准差,Xr为自定义的特征,用于裕度指标的计算,X3、X4分别指该样本的三阶中心距和四阶中心距。
Ip、Cf、Ce、Sk、Kr即为峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr。为每个样本建立独有的传统特征向量TC。
TC=[Ip,Cf,Ce,Sk,Kr] (18)
第三步:建立自适应特征提取器,提取样本自适应特征,建立特征向量AC(Auto-Character)
特征向量AC需要经过一个多尺度卷积神经网络模型提取,此网络模型中多个参数需要确定,因此,建立流程如下:
3.1运用希尔伯特变换,获取样本的上平滑包络线XE。XE的序列点数与X相同。
XE=hilbert(X)2+X2,XE=smooth5(XE) (19)
其中,X泛指一个样本,XE为样本的上平滑包络线,hilbert(X)指该样本希尔伯特变换后的值,smooth5()指五点平滑函数(用前两点,自身,后两点,共五点平均值代替自身值),为诊断中最常用的平滑方法。
3.2提取上平滑包络线XE的峰值,作为信号中的冲击,存入集合P。包括:检测平滑包络线XE的所有峰值存入集合Pt,计算Pt平均值,大于Pt平均值的峰值视作有效冲击产生的峰值,存入集合P。公式如下所示:
Pt←where[(XEi-XEi+1>0)&(XEi-XEi-1>0)],XEi,Nan),i=1,2,...
P←where(Pti>mean(Pt),Pti,Nan),i=1,2,...
(20)
其中,XEi指上平滑包络线中第i个序列点;where(“条件”,s1,s2)函数,即判断“条件”是否成立,成立则执行s1,否则执行s2;&是逻辑“与”;Nan为缺省值,不执行任何操作;mean()为均值函数;N为此包络线包含的序列点数;P则保存了上平滑包络线XE中所有有效冲击的峰值的大小。
3.3因为往复机械中冲击引起的信号传递至传感器上呈现为双向-小波形式,冲击的大小与冲击的尺度存在正相关关系。因此建立放缩系数β建立二者的联系。基于集合P中的冲击大小,获取小于其整个工作周期时长的百分之五冲击尺度,存入集合L。
L←int(10β×P) (21)
其中,β为放缩系数,需满足条件:10β×max(P)<0.05×N,取最大β,β为整数,N为包络线XE包含的序列点数;int()为取整数函数,即对小数仅保留其整数位;至此,集合L则保存了上平滑包络线XE中所有冲击尺度。
3.4计算所有气门状态的所有样本产生的冲击尺度,并存入集合L。对往复类机械而言,一个工作周期中主要冲击数量有限,在3.3中获取尺度最长占整个周期的百分之五,因此取L中数量最多的前20个冲击尺度,形成集合Lm,足以作为多尺度卷积神经网络模型的尺度参考。
3.5计算小尺度集合Ls,作为多尺度卷积神经网络模型的尺度参考。小尺度的定义为小于其整个工作周期时长千分之五的冲击尺度,且小尺度取大于1的奇数。
3.6建立一维的多尺度的卷积神经网络模型,结构为[多尺度卷积-池化]-[特征拼接层]-[卷积-全局最大池化层],全局池化层获取该组信号的自适应特征AC。其中待定的参数包括,来自于Ls中的尺度,其对应卷积通道数量ns,来自于Lm中的尺度,其对应卷积通道数量nm,池化大小p,需对上述参数进行优化。另外,为最大化模型的可迁移性,卷积的激活函数选取具有单侧抑制性的ReLU,卷积的填充方式为边缘补0:
第一部分:[多尺度卷积-池化],主要参数设定如下:
卷积核尺度来自于集合Lm与Ls。凡是来自于Ls中的尺度,其对应卷积通道数量取ns,来自于Lm中的尺度,其对应卷积通道数量取nm,若某一尺度存在于两个集合中,则认定其来自Ls。池化大小为p。
第二部分:[特征拼接层],主要参数设定如下:
即对第一部分多尺度卷积后获取的数据,在卷积通道维度上进行矩阵拼接,拼接后的卷积通道数,数值上等于第一部分所有尺度对应卷积通道数量之和,记作KN。
KN=ns×count(Ls)+nm×count(Lm) (22)
其中,count为计数函数,计算集合内所有元素的种类总数。Lm与Ls为上述3.4,3.5中的尺度集合。
第三部分:[卷积-全局最大池化层],主要参数设定如下:
本部分的目的为获取各尺度下的局部特征,所以卷积核尺度取标准尺度3,卷积通道数量在数值上与[特征拼接层]的卷积通道数相同,即为KN。
任意样本经过上述三个部分组成的多尺度卷积神经网络模型,得到的输出即为自适应特征AC。
3.7参数范围
ns,nm数值过大则使模型运算时间严重增加,且易产生过拟合现象;数值过小则使模型的效果不佳。另外,在机器学习模型中,ns,nm数值推荐为2的指数,以加速运算。因此,推荐ns,nm的取值范围为[2,4,8,16,32]。
在机器学习模型中,池化p的取值推荐为偶数,且不应大于Lm中的最小尺度的一半,因此推荐p的取值范围为[2,4,6,…,min(Lm)/2]。
3.8参数优化目标:
优化目标为各状态的自适应特征AC,使总类内距最小,总类间距最大。
记为第Ft类气门状态的样本,Rt为第Ft类气门状态的样本数量,X1 (t)={x1 (t,1),x2 (t,1),...,xi (t,1),...,xKN (t,1)},KN为自适应特征AC数量,计算距离的公式为:
则第Ti状态下的类内距为:
则总类内距为:
记第i类与第j类,类间距为:
则总类间距为:
则优化目标Am可表示为ns,nm,p的函数:
Am=d2(F)+1/(d2(F,F)+1)=G(ns,nm,p) (28)
运用任意优化算法,获取Am最低时的ns,nm,p,即完成参数选择。
第四步:建立样本特征融合器,融合样本的TC、AC特征,建立融合特征向量FC(Fusion-Character)
建立特征融合模型,将样本的传统特征TC与自适应特征AC作为输入,输出视作该样本的融合特征FC(Fusion-Character)。特征融合模型由一层全连接层构成,其主要参数设定如下:
根据上述公式(18)每个样本的TC数量为5,根据上述3.6中AC数量为KN,为满足所有分类的需求,因此节点数在数值上等于T×5+KN,T为气门状态总数4,即节点数在数值上等于20+KN。同理,为最大化模型的可迁移性,卷积的激活函数选取具有单侧抑制性的ReLU,卷积的填充方式为边缘补0。
第五步:建立Soft-max分类器,基于融合特征FC,实现样本分类。分类器由一层全连接层构成,其节点数在数值上等于4,即4类气门状态;其激活函数选取Soft-max。
第六步:建立最终诊断模型。
最终诊断模型由传统特征提取器、自适应特征提取器、样本特征融合器和Soft-max分类器构成。最终诊断模型输入为经上述1.1,1.2数据预处理后的样本,输出为上述1.3中样本的标签,模型目标为分类准确率最高,损失函数loss选择通用的交叉熵,优化方式选择通用的Adam。当最终诊断模型在训练中,建议达到95%或以上的准确率后停止训练,并保存模型。
第七步:故障诊断。
当机器在后续工作过程中,可任意提取一个工作周期的信号作为一个样本,经1.2中的标准化后,输入至第六步保存的模型,在分类器后自动判别该信号属于4类气门状态中的某一类,正常则继续工作,否则应停机维修气门。
综上所述,提出了一种往复机械的机器学习故障诊断模型构建方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实例,提供的一种基于机器学习的往复机械气门间隙异常故障诊断模型构建方法流程图;
图2是根据本申请实例,提供的一种往复机械采集的0.8mm气门间隙下的代表信号;
图3是根据本申请实例,提供的一种往复机械采集的0.6mm气门间隙下的代表信号;
图4是根据本申请实例,提供的一种往复机械采集的1.0mm气门间隙下的代表信号;
图5是根据本申请实例,提供的一种往复机械采集的1.2mm气门间隙下的代表信号;
图6是根据本申请实例,提供的一种气门间隙下的某信号的图例。
图7是根据本申请实例,提供的根据图6的上平滑包络线有效冲击的示意图;
图8是根据本申请实例,提供的诊断模型示意图;
图9是根据本申请实例,提供的四类气门状态诊断模型结果-混淆矩阵示意图;
图10是根据本申请实例,提供的诊断模型运用示意图;
图11是根据本申请实例,提供的诊断模型运用示意图;
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面以计算机设备通过本申请的一种往复机械故障深度诊断模型构建方法确定一台往复类机组故障诊断为例进行说明。
图1是本申请提供的一种基于结合传统诊断与机器学习方法的、针对往复机械气门间隙异常故障的诊断模型构建方法流程图。参见图1,该方法包括:
第一步:样本数据预处理
1.1往复机械的气门间隙异常故障,直接表现为气门附近的振动冲击异常,在实际工作过程中,间隙相比标准上下浮动12.5%(八分之一)可认为能够继续工作。气门间隙因机器长时间工作,气门,摇臂,顶杆等传动机构会磨损而使气门间隙不断变大,大于12.5%需引起关注,可选择维修、更换相应零件;大于37.5%(八分之三)可认为气门间隙已经出现严重异常,需维修、更换相应零件。另外,由于安装因素或者是气门座圈磨损会导致气门间隙异常减小,不同于磨损导致的间隙变大,此时间隙小于标准12.5%,即需进行维修、更换相应零件。
此外,由于本方法基于概率的模式进行故障诊断,因此,在额定工况下,测试气门正常状态、气门异常减小25%状态、气门异常增大25%状态、气门异常增大50%状态下的振动数据。即在实际情况下,气门间隙变化小于12.5%则会判定为正常;异常减小12.5%以上则会判定为异常减小故障;异常变大在12.5%-37.5%区间则会判定为异常增大,大于37.5%则会判定为严重增大。
从传感器上获取振动数据D重新整理。
其中,D为总样本集,F1,F2,F3,F4代表气门正常状态、气门异常减小25%状态、气门异常增大25%状态、气门异常增大50%状态。Xj (t)代表第t类气门状态下的第j个样本,Rt代表第t类气门状态下的样本数量,xi (t,j)为第t类气门状态下的第j个样本的第i个序列点,N为每个样本包含的序列点数,数值上等于该机械运行一个完整的工作周期传感器所采集的序列点数。
本实例下,选取了气门间隙0.8mm(正常),气门间隙0.6mm(异常),气门间隙1mm(异常),气门间隙1.2mm(异常),因此,T=4。另外R1,R2,R3,R4=300,300,300,300,N=4096。
1.2将每个样本标准化,记X泛指一个样本,即对每一个样本X按照如下方式更新。
其中,Xm指该样本的所有序列点的平均值,Xstd指该样本的标准差。
图2为标准化后,0.8mm气门间隙下,举例样本的示意图。
图3为标准化后,0.6mm气门间隙下,举例样本的示意图。
图4为标准化后,1.0mm气门间隙下,举例样本的示意图。
图5为标准化后,1.2mm气门间隙下,举例样本的示意图。
1.3为样本打标签
为每一类状态生成独立的one-hot编码,作为其标签向量,同一类状态下所有样本的标签是相同的,不同状态下的样本其特征标签相互正交。
本实例下,第一类气门状态(0.8mm)F1标签[1,0,0,0],第二类气门状态(0.6mm)F2标签[0,1,0,0],第三类气门状态(1.0mm)F3标签[0,0,1,0],第四类气门状态(1.2mm)F4标签[0,0,0,1]。
第二步:建立传统特征提取器,提取样本传统特征,建立特征向量TC(Traditional-Character)
计算每一类状态下所有样本的传统特征,共峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr五类。
Xp=max(|X|) (5)
Ip=Xp/Xrms (13)
Cf=Xp/Xarv (14)
Ce=Xp/Xr (15)
Sk=X3/Xstd 3 (16)
Kr=X4/Xstd 4 (17)
其中,X泛指一个样本,Xp指该样本中所有序列点取绝对值后的最大值,Xrms指该样本的均方根值,Xarv指该样本的所有序列点取绝对值后均方根值,Xm指该样本的所有序列点的平均值,Xstd指该样本的标准差,Xr为自定义的特征,用于裕度指标的计算,X3、X4分别指该样本的三阶中心距和四阶中心距。
Ip、Cf、Ce、Sk、Kr即为峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr。为每个样本建立独有的传统特征向量TC。
TC=[Ip,Cf,Ce,Sk,Kr] (18)
本实例下,上述举例信号其传统特征TC。
0.8mm气门间隙
0.6mm气门间隙
1.0mm气门间隙
1.2mm气门间隙
第三步:建立自适应特征提取器,提取样本自适应特征,建立特征向量AC(Auto-Character)
特征向量AC需要经过一个多尺度卷积神经网络模型提取,此网络模型中多个参数需要确定。因此,建立流程如下:
3.1运用希尔伯特变换,获取样本的上平滑包络线XE。XE的序列点数与X相同。
XE=hilbert(X)2+X2,XE=smooth5(XE) (19)
其中,X泛指一个样本,XE为样本的上平滑包络线,hilbert(X)指该样本希尔伯特变换后的值,smooth5()指五点平滑函数(用前两点,自身,后两点,共五点平均值代替自身值),为故障诊断中最常用的平滑方法。
3.2提取上平滑包络线XE的峰值,作为信号中的冲击,存入集合P。包括:检测平滑包络线XE的所有峰值存入集合Pt,计算Pt平均值,大于Pt平均值的峰值视作有效冲击产生的峰值,存入集合P。公式如下所示:
Pt←where[(XEi-XEi+1>0)&(XEi-XEi-1>0)],XEi,Nan),i=1,2,...
P←where(Pti>mean(Pt),Pti,Nan),i=1,2,...
(20)
其中,XEi指上平滑包络线中第i个序列点;where(“条件”,s1,s2)函数,即判断“条件”是否成立,成立则执行s1,否则执行s2;&是逻辑“与”;Nan为缺省值,不执行任何操作;mean()为均值函数;N为此包络线包含的序列点数;P则保存了上平滑包络线XE中所有有效冲击的峰值的大小。
本实例下,某样本信号如图6所示,提取上平滑包络线与冲击如图7所示。
3.3因为往复机械中冲击引起的信号传递至传感器上呈现为双向-小波形式,冲击的大小与冲击的尺度存在正相关关系。因此建立放缩系数β建立二者的联系。基于集合P中的冲击大小,获取小于其整个工作周期时长的百分之五冲击尺度,存入集合L。
L←int(10β×P) (21)
其中,β为放缩系数,取满足条件10β×max(P)<0.05×N的最大β,β为整数,N为包络线XE包含的序列点数;int()为取整数函数,即对小数仅保留其整数位;至此,集合L则保存了上平滑包络线XE中所有冲击尺度。
本实例中,β=4。
3.4计算所有气门状态的所有样本产生的冲击尺度,并存入集合L。对往复类机械而言,一个工作周期中主要冲击数量有限,在3.3中获取尺度最长占整个周期的百分之五,因此取L中数量最多的前20个冲击尺度,形成集合Lm,足以作为多尺度卷积神经网络模型的尺度参考。T为需要诊断的故障种类总数。
本实例中,最终集合Lm如下:
Lm={9,31,33,52,54,58,61,67,70,72,77,92,94,96,101,114,118,120,131,137}
3.5计算小尺度集合Ls,作为多尺度卷积神经网络模型的尺度参考。小尺度的定义为小于其整个工作周期时长千分之五的冲击尺度,且小尺度取大于1的奇数。
Ls取值为小于(0.005×N=20.48)且大于1的所有奇数,N为每个样本包含的序列点数。
本实例中,最终集合Ls如下:
Ls={3,5,7,9,11,13,15,17,19}
第一部分:[多尺度卷积-池化],主要参数设定如下:
卷积核尺度来自于集合Lm与Ls。凡是来自于Ls中的尺度,其对应卷积通道数量取ns,来自于Lm中的尺度,其对应卷积通道数量取nm,若某一尺度存在于两个集合中,则认定其来自Ls。池化大小为p。
本实例中,最终Lm={31,33,52,54,58,61,67,70,72,77,92,94,96,101,114,118,120,131,137},Ls={3,5,7,9,11,13,15,17,19}
第二部分:[特征拼接层],主要参数设定如下:
即对第一部分多尺度卷积后获取的数据,在卷积通道维度上进行矩阵拼接,拼接后的卷积通道数,数值上等于第一部分所有尺度对应卷积通道数量之和,记作KN。
KN=ns×count(Ls)+nm×count(Lm) (22)
其中,count为计数函数,计算集合内所有元素的种类总数。Lm与Ls为上述3.4,3.5中的尺度集合。
本实例中,count(Ls)=9,count(Lm)=18
第三部分:[卷积-全局最大池化层],主要参数设定如下:
本部分的目的为获取各尺度下的故障局部特征,所以卷积核尺度取标准尺度3,卷积通道数量在数值上与[特征拼接层]的卷积通道数相同,即为KN。
任意样本经过上述三个部分组成的多尺度卷积神经网络模型,得到的输出即为自适应特征AC。
3.7参数范围
ns,nm数值过大则使模型运算时间严重增加,且易产生过拟合现象;数值过小则使模型的效果不佳。另外,在机器学习模型中,ns,nm数值推荐为2的指数,以加速运算。因此,推荐ns,nm的取值范围为[2,4,8,16,32]。
在机器学习模型中,池化p的取值推荐为偶数,且不应大于Lm中的最小尺度的一半,因此推荐p的取值范围为[2,4,6,…,min(Lm)/2]。
本实例中,ns,nm的取值范围为[2,4,8,16,32],p的取值范围为[2,4,6,8,10,12,14]
3.8参数优化目标:
优化目标为各状态的自适应特征AC,使总类内距最小,总类间距最大。
记为第Ft类气门状态的样本,Rt为第Ft类气门状态的样本数量,X1 (t)={x1 (t,1),x2 (t,1),...,xi (t,1),...,XKN (t,1)},KN为自适应特征AC数量,计算距离的公式为:
则第Ti状态下的类内距为:
则总类内距为:
记第i类与第j类,类间距为:
则总类间距为:
则优化目标Am可表示为ns,nm,p的函数:
Am=d2(F)+1/(d2(F,F)+1)=G(ns,nm,p) (28)
运用任意优化算法,获取Am最低时的ns,nm,p,即完成参数选择。
本实例中,采用了差分进化优化算法,优化库中最终结果如下
Am | ns | nm | p |
0.9742 | 16 | 4 | 8 |
0.9755 | 16 | 4 | 6 |
0.9863 | 16 | 4 | 10 |
0.9864 | 16 | 4 | 4 |
0.9972 | 8 | 8 | 6 |
0.9981 | 8 | 8 | 4 |
取Am最低时,ns=16,nm=4,p=8。此时根据公式(22),KN=220
第四步:建立样本特征融合器,融合样本的TC、AC特征,建立融合特征向量FC(Fusion-Character)
建立特征融合模型,将样本的传统特征TC与自适应特征AC作为输入,输出视作该样本的融合特征FC(Fusion-Character)。特征融合模型由一层全连接层构成,其主要参数设定如下:
根据上述公式(18)每个样本的TC数量为5,根据上述3.6中AC数量为KN,为满足所有分类的需求,因此节点数在数值上等于T×5+KN,T为状态总数4,即节点数在数值上等于20+KN。同理,为最大化模型的可迁移性,卷积的激活函数选取具有单侧抑制性的ReLU,卷积的填充方式为边缘补0。
本实例中,节点数=T×5+KN=240。
第五步:建立Soft-max分类器,基于融合特征FC,实现样本分类。分类器由一层全连接层构成,其节点数在数值上等于4,即4类气门状态;其激活函数选取Soft-max。
第六步:建立最终诊断模型。
最终诊断模型由传统特征提取器、自适应特征提取器、样本特征融合器和Soft-max分类器构成。最终诊断模型输入为经上述1.1,1.2数据预处理后的样本,输出为上述1.3中样本的标签,模型目标为分类准确率最高,损失函数loss选择通用的交叉熵,优化方式选择通用的Adam。当最终诊断模型在训练中,建议达到95%或以上的准确率后停止训练,并保存模型。
本实例最终的模型结构图如图8所示。
本实例最终的诊断准确率混淆矩阵图如图9所示,诊断准确率98.25%。
第七步:故障诊断。
当机器在后续工作过程中,可任意提取一个工作周期的信号作为一个样本,经1.2中的标准化后,输入至第六步保存的模型,在分类器后自动判别该信号属于4类气门状态中的某一类,正常则继续工作,否则应停机维修气门。
本实例最终的运用举例如图10所示,模型输出为[1,0,0,0],诊断结果为气门间隙正常。
本实例最终的运用举例如图11所示,模型输出为[0,0,1,0],诊断结果为气门间隙异常增大。
综上所述,提出了一种基于结合传统诊断与机器学习方法的、针对往复机械气门间隙异常故障的诊断模型构建方法。
Claims (1)
1.基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法,其特征在于,包括以下步骤:
第一步:样本数据预处理
1.1在额定工况下,测试气门正常状态、气门异常减小25%状态、气门异常增大25%状态、气门异常增大50%状态下的振动数据;即在实际情况下,气门间隙变化小于12.5%则会判定为正常;异常减小12.5%以上则会判定为异常减小故障;异常变大在12.5%-37.5%区间则会判定为异常增大,大于37.5%则会判定为严重增大;
将获取振动数据D重新整理;
其中,D为总样本集,F1,F2,F3,F4代表气门正常状态、气门异常减小25%状态、气门异常增大25%状态、气门异常增大50%状态;Xj (t)代表第t类气门状态下的第j个样本,Rt代表第t类气门状态下的样本数量,xi (t,j)为第t类气门状态下的第j个样本的第i个序列点,N为每个样本包含的序列点数,数值上等于该机械运行一个完整的工作周期传感器所采集的序列点数;
1.2将每个样本标准化,记X泛指一个样本,即对每一个样本X按照如下方式更新;
其中,Xm指该样本的所有序列点的平均值,Xstd指该样本的标准差;
1.3为样本打标签
为每一类状态生成独立的one-hot编码,作为其标签向量,同一类状态下所有样本的标签是相同的,不同状态下的样本其特征标签相互正交;
第二步:建立传统特征提取器,提取样本传统特征,建立特征向量TC
计算每一类状态下所有样本的传统特征,共峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr五类;
Xp=max(|X|) (5)
Ip=Xp/Xrms (13)
Cf=Xp/Xarv (14)
Ce=Xp/Xr (15)
Sk=X3/Xstd 3 (16)
Kr=X4/Xstd 4 (17)
其中,X泛指一个样本,Xp指该样本中所有序列点取绝对值后的最大值,Xrms指该样本的均方根值,Xarv指该样本的所有序列点取绝对值后均方根值,Xm指该样本的所有序列点的平均值,Xstd指该样本的标准差,Xr为自定义的特征,用于裕度指标的计算,X3、X4分别指该样本的三阶中心距和四阶中心距;
Ip、Cf、Ce、Sk、Kr即为峰值指标Ip、脉冲指标Cf、裕度指标Ce、歪度指标Sk、峭度指标Kr;为每个样本建立独有的传统特征向量TC;
TC=[Ip,Cf,Ce,Sk,Kr] (18)
第三步:建立自适应特征提取器,提取样本自适应特征,建立特征向量AC
特征向量AC需要经过一个多尺度卷积神经网络模型提取,此网络模型中多个参数需要确定,因此,建立流程如下:
3.1运用希尔伯特变换,获取样本的上平滑包络线XE;XE的序列点数与X相同;
XE=hilbert(X)2+X2,XE=smooth5(XE) (19)
其中,X泛指一个样本,XE为样本的上平滑包络线,hilbert(X)指该样本希尔伯特变换后的值,smooth5()指五点平滑函数(用前两点,自身,后两点,共五点平均值代替自身值),为诊断中最常用的平滑方法;
3.2提取上平滑包络线XE的峰值,作为信号中的冲击,存入集合P;包括:检测平滑包络线XE的所有峰值存入集合Pt,计算Pt平均值,大于Pt平均值的峰值视作有效冲击产生的峰值,存入集合P;公式如下所示:
Pt←where[(XEi-XEi+1>0)&(XEi-XEi-1>0)],XEi,Nan),i=1,2,...
P←where(Pti>mean(Pt),Pti,Nan),i=1,2,...
(20)
其中,XEi指上平滑包络线中第i个序列点;where(“条件”,s1,s2)函数,即判断“条件”是否成立,成立则执行s1,否则执行s2;&是逻辑“与”;Nan为缺省值,不执行任何操作;mean()为均值函数;N为此包络线包含的序列点数;P则保存了上平滑包络线XE中所有有效冲击的峰值的大小;
3.3因为往复机械中冲击引起的信号传递至传感器上呈现为双向-小波形式,冲击的大小与冲击的尺度存在正相关关系;因此建立放缩系数β建立二者的联系;基于集合P中的冲击大小,获取小于其整个工作周期时长的百分之五冲击尺度,存入集合L;
L←int(10β×P) (21)
其中,β为放缩系数,需满足条件:10β×max(P)<0.05×N,取最大β,β为整数,N为包络线XE包含的序列点数;int()为取整数函数,即对小数仅保留其整数位;至此,集合L则保存了上平滑包络线XE中所有冲击尺度;
3.4计算所有状态的所有样本产生的冲击尺度,并存入集合L;对往复类机械而言,一个工作周期中冲击数量有限,在3.3中获取尺度最长占整个周期的百分之五,因此取L中数量最多的前20个冲击尺度,形成集合Lm,足以作为多尺度卷积神经网络模型的尺度参考;
3.5计算小尺度集合Ls,作为多尺度卷积神经网络模型的尺度参考;小尺度的定义为小于其整个工作周期时长千分之五的冲击尺度,且小尺度取大于1的奇数;
3.6建立一维的多尺度的卷积神经网络模型,结构为[多尺度卷积-池化]-[特征拼接层]-[卷积-全局最大池化层],全局池化层获取该组信号的自适应特征AC;其中待定的参数包括,来自于Ls中的尺度,其对应卷积通道数量ns,来自于Lm中的尺度,其对应卷积通道数量nm,池化大小p,需对上述参数进行优化;另外,为最大化模型的可迁移性,卷积的激活函数选取具有单侧抑制性的ReLU,卷积的填充方式为边缘补0:
第一部分:[多尺度卷积-池化],参数设定如下:
卷积核尺度来自于集合Lm与Ls;凡是来自于Ls中的尺度,其对应卷积通道数量取ns,来自于Lm中的尺度,其对应卷积通道数量取nm,若某一尺度存在于两个集合中,则认定其来自Ls;池化大小为p;
第二部分:[特征拼接层],参数设定如下:
即对第一部分多尺度卷积后获取的数据,在卷积通道维度上进行矩阵拼接,拼接后的卷积通道数,数值上等于第一部分所有尺度对应卷积通道数量之和,记作KN;
KN=ns×count(Ls)+nm×count(Lm) (22)
其中,count为计数函数,计算集合内所有元素的种类总数;Lm与Ls为上述3.4,3.5中的尺度集合;
第三部分:[卷积-全局最大池化层],参数设定如下:
本部分的目的为获取各尺度下的局部特征,所以卷积核尺度取标准尺度3,卷积通道数量在数值上与[特征拼接层]的卷积通道数相同,即为KN;
任意样本经过上述三个部分组成的多尺度卷积神经网络模型,得到的输出即为自适应特征AC;
3.7参数范围
ns,nm数值过大则使模型运算时间严重增加,且易产生过拟合现象;数值过小则使模型的效果不佳;另外,在机器学习模型中,ns,nm数值推荐为2的指数,以加速运算;因此,推荐ns,nm的取值范围为[2,4,8,16,32];
在机器学习模型中,池化p的取值推荐为偶数,且不应大于Lm中的最小尺度的一半,因此推荐p的取值范围为[2,4,6,…,min(Lm)/2];
3.8参数优化目标:
优化目标为各状态的自适应特征AC,使总类内距最小,总类间距最大;
记为第Ft类气门状态的样本,Rt为第Ft类气门状态的样本数量,X1 (t)={x1 (t,1),x2 (t,1),...,xi (t,1),...,xKN (t,1)},KN为自适应特征AC数量,计算距离的公式为:
则第Ti状态下的类内距为:
则总类内距为:
记第i类与第j类,类间距为:
则总类间距为:
则优化目标Am表示为ns,nm,p的函数:
Am=d2(F)+1/(d2(F,F)+1)=G(ns,nm,p) (28)
运用任意优化算法,获取Am最低时的ns,nm,p,即完成参数选择;
第四步:建立样本特征融合器,融合样本的TC、AC特征,建立融合特征向量FC
建立特征融合模型,将样本的传统特征TC与自适应特征AC作为输入,输出视作该样本的融合特征FC(Fusion-Character);特征融合模型由一层全连接层构成,其参数设定如下:
根据上述公式(18)每个样本的TC数量为5,根据上述3.6中AC数量为KN,为满足所有分类的需求,因此节点数在数值上等于T×5+KN,T为状态总数4,即节点数在数值上等于20+KN;同理,为最大化模型的可迁移性,卷积的激活函数选取具有单侧抑制性的ReLU,卷积的填充方式为边缘补0;
第五步:建立Soft-max分类器,基于融合特征FC,实现样本分类;分类器由一层全连接层构成,其节点数在数值上等于4,即4类气门状态;其激活函数选取Soft-max;
第六步:建立最终诊断模型;
最终诊断模型由传统特征提取器、自适应特征提取器、样本特征融合器和Soft-max分类器构成;最终诊断模型输入为经上述1.1,1.2数据预处理后的样本,输出为上述1.3中样本的标签,模型目标为分类准确率最高,损失函数loss选择通用的交叉熵,优化方式选择通用的Adam;当最终诊断模型在训练中,建议达到95%或以上的准确率后停止训练,并保存模型;
第七步:故障诊断;
当机器在后续工作过程中,任意提取一个工作周期的信号作为一个样本,经1.2中的标准化后,输入至第六步保存的模型,在分类器后自动判别该信号属于4类气门状态中的某一类,正常则继续工作,否则应停机维修气门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760422.9A CN113505531B (zh) | 2021-07-06 | 2021-07-06 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760422.9A CN113505531B (zh) | 2021-07-06 | 2021-07-06 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505531A CN113505531A (zh) | 2021-10-15 |
CN113505531B true CN113505531B (zh) | 2023-11-21 |
Family
ID=78011209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110760422.9A Active CN113505531B (zh) | 2021-07-06 | 2021-07-06 | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842459B (zh) * | 2023-09-01 | 2023-11-21 | 国网信息通信产业集团有限公司 | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 |
CN117056818B (zh) * | 2023-10-08 | 2024-02-02 | 广东工业大学 | 一种基于cir第一路径的超宽带nlos信号识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110954312A (zh) * | 2020-02-19 | 2020-04-03 | 北京化工大学 | 一种基于无键相整周期信号的往复机械故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN112067294A (zh) * | 2019-09-20 | 2020-12-11 | 宫文峰 | 基于深度学习的滚动轴承智能故障诊断方法 |
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 |
-
2021
- 2021-07-06 CN CN202110760422.9A patent/CN113505531B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN112067294A (zh) * | 2019-09-20 | 2020-12-11 | 宫文峰 | 基于深度学习的滚动轴承智能故障诊断方法 |
CN110954312A (zh) * | 2020-02-19 | 2020-04-03 | 北京化工大学 | 一种基于无键相整周期信号的往复机械故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于多源信息融合的往复式压缩机故障诊断方法;张明;江志农;机械工程学报;第53卷(第23期);46-52 * |
基于粗糙集和支持向量机的水电机组振动故障诊断方法;彭文季;罗兴锜;电工技术学报;-;第-卷(第10期);121-126 * |
Also Published As
Publication number | Publication date |
---|---|
CN113505531A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115564203B (zh) | 基于多维数据协同的设备实时性能评估系统及其方法 | |
Dai et al. | Machinery health monitoring based on unsupervised feature learning via generative adversarial networks | |
CN113505531B (zh) | 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法 | |
CN104751229B (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN110866314A (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
CN113569903A (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN111311059A (zh) | 基于知识图谱的水车室故障诊断方法 | |
CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
CN104460654A (zh) | 一种基于量化特征关系的不完备故障诊断规则提取方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN111814728A (zh) | 数控机床刀具磨损状态识别方法和存储介质 | |
CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN116205544A (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
CN114547796B (zh) | 一种基于优化bn网络的球磨机特征融合故障诊断方法 | |
Yang et al. | Software defect prediction based on fourier learning | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN108763728B (zh) | 用并联型深度神经网络分层特征提取的机械故障诊断方法 | |
Zhang et al. | TSViT: A Time Series Vision Transformer for 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |