CN113554070B - 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 - Google Patents

基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 Download PDF

Info

Publication number
CN113554070B
CN113554070B CN202110769220.0A CN202110769220A CN113554070B CN 113554070 B CN113554070 B CN 113554070B CN 202110769220 A CN202110769220 A CN 202110769220A CN 113554070 B CN113554070 B CN 113554070B
Authority
CN
China
Prior art keywords
lightweight
convolution
feature map
transition probability
matrix
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
Application number
CN202110769220.0A
Other languages
English (en)
Other versions
CN113554070A (zh
Inventor
赵志宏
李春秀
孙诗胜
杨绍普
张然
顾晓辉
刘泽潮
李鹤飞
陈恩利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202110769220.0A priority Critical patent/CN113554070B/zh
Publication of CN113554070A publication Critical patent/CN113554070A/zh
Application granted granted Critical
Publication of CN113554070B publication Critical patent/CN113554070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G06N3/048—Activation functions
    • 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 Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，包括如下步骤：通过传感器采集轴承振动信号；以N个采样点为一组对轴承信号进行划分；对每一组采样点的值域进行离散化为Q等份；根据采样点和值域Q的映射关系构建转换矩阵W，并通过计算其过渡概率生成相关的过渡概率矩阵；将每个概率沿采样点顺序对齐来构建MTF矩阵并对其进行可视化；将可视化后的数据输入到轻量级模块中进行特征图提取，然后将提取的特征图通过带有向不同空间方向上聚合特征的注意力机制的卷积过程得到对方向感知和位置敏感的特征图，并以此进行分类预测，得到分类结果并判断轴承的故障类型。所述方法能够在获得较高准确率的同时，具有复杂度低、参数量少、设备要求低等优点。

Description

基于过渡概率矩阵和轻量级网络的轴承故障诊断方法
技术领域
本发明涉及轴承故障诊断技术领域，尤其涉及一种基于过渡概率矩阵和轻量级网络的轴承故障诊断方法。
背景技术
滚动轴承在机械中使用十分广泛，它是机械部件的重要组成部分，但是也是机械中最容易出现故障的部件之一。近年来，国内外因为轴承故障而发生的重大事故屡有发生，造成重大的损失。因此对轴承进行故障诊断就显得尤为重要，在轴承发生故障时能够及时的检测和维修，对设备运转的可靠性有很大的帮助，也能避免造成不必要的损失。
对滚动轴承进行故障诊断可以采用传统的方法，但是传统的方法在特征提取和故障分类手段上对相关人员的要求性过高，并且当振动信号混杂了噪声信号后，特征提取的困难也会增加，从而可以利用卷积网络对图像识别的优势，将轴承振动信号进行可视化后通过深度神经网络进行特征提取，以进行故障分类。在深度学习中，普通的卷积神经网络都取得了不错的效果，但是随着网络层数的加深，模型的复杂度也越来越高，运算量也越来越多，反应时间也会变长，对设备的要求也会更高。网络层数加深时还会出现梯度消失或者梯度爆炸等影响准确率的问题。
发明内容
本发明所要解决的技术问题是提供一种能够在获得较高准确率的同时，具有复杂度低、参数量少、设备要求低的轴承故障诊断方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于包括如下步骤：
通过传感器连续采集不同故障类型的轴承振动信号并以N个采样点为一组对其划分并构建对应的故障标签；
对划分的采样点进行序列标注，序列表示为Xn(0<n<＝N)；并将这一组内采样点的值域进行离散化为Q等份，表示为Qj(0<j<＝Q)；
对于每一个采样点Xn，都可以被映射到一个相应的值域Qj内，以此来构建Q*Q的转换矩阵W；转换矩阵W第i行j列元素Wij代表的是：值域Qi(0<i<＝Q)内采样点的下一个采样点在值域Qj(0<j<＝Q)内的个数，矩阵每一行的个数总和是当前值域Qi内采样点数的总和；
根据构建的转换矩阵W，通过计算Wij值与当前值域内采样点数总和的比值来获得Qi内的值转变为Qj内的值的过渡概率，并以此生成过渡概率矩阵；
根据生成的过渡概率矩阵，将每个概率按照采样点的顺序对齐来构建一个N*N的MTF矩阵；对于MTF矩阵的Mij(0<i<＝N；0<j<＝N)的值是过渡概率矩阵中采样点i处于的值域Qi转变为采样点j处于的值域Qj的过渡概率值；
将生成的MTF矩阵进行可视化；
利用线性操作生成特征图构建轻量级网络；
利用部分过渡概率矩阵成像数据集对网络模型进行训练，得到训练好的故障分类器；
利用训练好的故障分类器对其余的成像数据集进行分类，得到分类结果；
根据分类结果判断轴承的故障类型。
采用上述技术方案所产生的有益效果在于：本申请所述方法采用可视化方法对轴承振动数据进行可视化，可以更好的体现故障轴承振动信号的特征；将一维振动信号通过时间关系构建过渡矩阵进行可视化，更好的利用了卷积网络图像识别能力，故障的识别率更高；采用了轻量级神经网络模型，相比于普通卷积神经网络，轻量级网络模型有复杂度低、参数量少、设备的要求低等优点，可以更好用在移动设备上。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图；
图2a-2d是本发明实施例中不同故障类型的可视化图像；
图3是本发明实施例中Ghost module结构图；
图4a-4b是本发明实施例中两种轻量卷积层结构图；
图5是本发明实施例中模型结构示意图；
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
总体的，如图1所示，本发明实施例公开了一种基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，包括如下步骤：
信号采集：通过传感器连续采集不同故障类型的轴承振动信号并以N个采样点为一组对其划分并构建对应的故障标签；
信号离散化处理：对划分的采样点进行序列标注，序列表示为Xn(0<n<＝N)；并将这一组内采样点的值域进行离散化为Q等份，表示为Qj(0<j<＝Q)；
构建振动信号转换矩阵W：对于每一个采样点Xn，都可以被映射到一个相应的值域Qj内，以此来构建Q*Q的转换矩阵W；转换矩阵W第i行j列元素Wij代表的是：值域Qi(0<i<＝Q)内采样点的下一个采样点在值域Qj(0<j<＝Q)内的个数，矩阵每一行的个数总和是当前值域Qi内采样点数的总和；
计算过渡概率：根据构建的转换矩阵W，通过计算Wij值与当前值域内采样点数总和的比值来获得Qi内的值转变为Qj内的值的过渡概率，并以此生成过渡概率矩阵；
构建MTF矩阵：根据生成的过渡概率矩阵，将每个概率按照采样点的顺序对齐来构建一个N*N的MTF矩阵；对于MTF矩阵的Mij(0<i<＝N；0<j<＝N)的值是过渡概率矩阵中采样点i处于的值域Qi转变为采样点j处于的值域Qj的过渡概率值；
将生成的MTF矩阵进行可视化；如图2a-2d所示。
构建轻量级深度神经网络：利用线性操作生成特征图这一思想构建轻量级网络；
利用部分过渡概率矩阵成像数据集对网络模型进行训练，得到训练好的故障分类器；
利用训练好的故障分类器对其余的成像数据集进行分类，得到分类结果；
根据分类结果判断轴承的故障类型。
下面结合具体内容对上述步骤进行详细的说明
进一步的，生成所述过渡概率矩阵方法如下：通过传感器连续采集不同故障类型的轴承振动信号并以N个采样点为一组对其划分并构建对应的故障标签；对划分的采样点进行序列标注，序列表示为Xn(0<n<＝N)；并将这一组内采样点的值域进行离散化为Q等份，表示为Qj(0<j<＝Q)对于每一个采样点Xn，都可以被映射到一个相应的值域Qj内，以此来构建Q*Q的转换矩阵W；转换矩阵W第i行j列元素Wij代表的是：值域Qi(0<i<＝Q)内采样点的下一个采样点在值域Qj(0<j<＝Q)内的个数，矩阵每一行的个数总和是当前值域Qi内采样点数的总和；根据构建的转换矩阵W，通过计算Wij值与当前值域内采样点数总和的比值来获得Qi内的值转变为Qj内的值的过渡概率，并以此生成过渡概率矩阵；
进一步的，如图5所示，所述轻量级网络包括：2个3*3卷积层、2个轻量级a卷积层、1个轻量级b卷积层、2个1*1卷积层以及全连接层，第一个3*3卷积层的输入端为所述轻量级网络的输入端，该3*3卷积层的输出端分别进入两个分支，第一分支依次过1个轻量级a卷积层、2个1*1卷积层、1个轻量级a卷积层，所述的第一个3*3卷积层的输出端的第二分支直接与第二个轻量级a卷积层的输出端连接，所述与第二个轻量级a卷积层的输出端经一个轻量级b卷积层后与第二个3*3卷积层的输入端连接，所述第二个3*3卷积层的输出端与所述全连接层的输入端连接；输入的数据通过第一个3*3卷积层进入多分支，一个分支经过第一个轻量级a卷积层，两层1*1卷积层后经过第二个轻量级a卷积层输出后和另一分支进行Concat操作；Concat操作之后进入轻量级b卷积层，然后进入一个3*3的卷积层，之后经过全连接层进行分类。
进一步的，所述轻量级a卷积层利用线性生成特征图，生成特征图具体方法是：对于输入的特征图，先使用卷积对其生成一部分的特征图m，然后m经过线性操作后生成幻影特征图m’，将特征图m和幻影特征图m’经过concat后生成最终需要的全部特征图n，Ghostmoudle结构图如图3。
进一步的，所述轻量级a卷积层生成特征图m时采用的卷积是pointwise卷积，其中m<＝0.5*n，生成幻影特征图m’采用的线性运算是混合DepthWise卷积操作。线性生成特征图中线性运算过程的线性内核采用混合内核，3*3和5*5以及7*7三种不同大小的内核混合使用，轻量级a卷积层法人结构图如图4a所示。
所述的轻量级b卷积层的设计过程中融合了注意力机制，轻量级b卷积层的特征图生成过程如下：
对于输入的特征图，先使用卷积对其生成一半的特征图m，对生成的特征图m进行编码使其获得对方向感知和位置敏感的注意力特征图m’，之后将特征图m和注意力特征图m’进行concat后生成最终需要的特征图n，轻量级b卷积层的结构图如图4b所示。
进一步的，所述轻量级b卷积层生成特征图m时采用的卷积是pointwise卷积，生成对方向感知和位置敏感的注意力特征图m’采用的Coordinate Attention。
进一步的，所述的轻量级b卷积层对生成的特征图m进行编码使其获得注意力特征图m’的具体过程如下：
使用两个一维的平均池化层分别沿着水平坐标和垂直坐标对每个通道进行编码，产生了一对方向感知特征图；将上面的变换进行concat操作并使用1*1的卷积对其进行操作，并将其水平方向与垂直方向进行编码的中间特征映射的空间信息设为f；然后沿着空间维度将f分解为2个单独的张量fh和fw，利用2个1*1的卷积分别对其进行操作，最后通过sigmoid函数输出gh和gw，通过对gh和gw进行扩展分别作为attention weights。
进一步的，所述的轻量级网络结构中，两层1*1卷积层构成一个线性瓶颈层，用第2层1*1卷积层进行降维，用第2层1*1卷积层进行升维，线性瓶颈层有助于避免特征出现零化现象。
通过所述方法对采集得到的多种轴承振动信号进行离散化处理并与时间序列映射；根据映射关系构建转换矩阵，并通过计算其过渡概率生成相关的过渡概率矩阵；通过过渡概率构建MTF并对其进行可视化，再将可视化特征图输入轻量级神经网络模型进行故障分类，该发明能得到较高的准确率，采用的轻量级神经网络减少了模型的参数量和降低了模型读对设备的要求，更加具有实用价值。

Claims (9)

1.一种基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于包括如下步骤：
通过传感器连续采集不同故障类型的轴承振动信号并以N个采样点为一组对其划分并构建对应的故障标签；
对划分的采样点进行序列标注，序列表示为Xn，其中0<n<＝N；并将这一组内采样点的值域进行离散化为Q等份，表示为Qj，其中0<j<＝Q；
对于每一个采样点Xn，都可以被映射到一个相应的值域Qj内，以此来构建Q*Q的转换矩阵W；转换矩阵W第i行j列元素Wij代表的是：值域Qi内采样点的下一个采样点在值域Qj内的个数，矩阵每一行的个数总和是当前值域Qi内采样点数的总和，其中0<i<＝Q；
根据构建的转换矩阵W，通过计算Wij值与当前值域内采样点数总和的比值来获得Qi内的值转变为Qj内的值的过渡概率，并以此生成过渡概率矩阵；
根据生成的过渡概率矩阵，将每个概率按照采样点的顺序对齐来构建一个N*N的MTF矩阵；对于MTF矩阵中Mij的值是过渡概率矩阵中采样点i处于的值域Qi转变为采样点j处于的值域Qj的过渡概率值，其中0<i<＝N；0<j<＝N；
将生成的MTF矩阵进行可视化；
利用线性操作生成特征图构建轻量级网络；
利用部分过渡概率矩阵成像数据集对网络模型进行训练，得到训练好的故障分类器；
利用训练好的故障分类器对其余的成像数据集进行分类，得到分类结果；
根据分类结果判断轴承的故障类型。
2.如权利要求1所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：所述轻量级网络包括：2个3*3卷积层、2个轻量级a卷积层、1个轻量级b卷积层、2个1*1卷积层以及全连接层，第一个3*3卷积层的输入端为所述轻量级网络的输入端，该3*3卷积层的输出端分别进入两个分支，第一分支依次经过1个轻量级a卷积层、2个1*1卷积层、1个轻量级a卷积层，所述的第一个3*3卷积层的输出端的第二分支直接与第二个轻量级a卷积层的输出端连接，所述与第二个轻量级a卷积层的输出端经一个轻量级b卷积层后与第二个3*3卷积层的输入端连接，所述第二个3*3卷积层的输出端与所述全连接层的输入端连接；输入的数据通过第一个3*3卷积层进入多分支，一个分支经过第一个轻量级a卷积层，两层1*1卷积层后经过第二个轻量级a卷积层输出后和另一分支进行Concat操作；Concat操作之后进入轻量级b卷积层，然后进入一个3*3的卷积层，之后经过全连接层进行分类。
3.如权利要求2所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于，所述轻量级a卷积层利用线性生成特征图的方法是：对于输入的特征图，先使用卷积对其生成一部分的特征图m，然后特征图m经过线性操作后生成幻影特征图m’，将特征图m和幻影特征图m’经过concat后生成最终需要的全部特征图n。
4.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：生成特征图m时采用的卷积是pointwise卷积，其中特征图m<＝0.5*n，生成幻影特征图m’采用的线性运算是混合DepthWise卷积操作。
5.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：轻量级a卷积层中线性生成特征图中线性运算过程的线性内核采用混合内核，3*3和5*5以及7*7三种不同大小的内核混合使用。
6.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：轻量级b卷积层中融合注意力机制，轻量级b卷积层的特征图生成过程如下：
对于输入的特征图，先使用卷积对其生成一半的特征图m，对生成的特征图m进行编码使其获得对方向感知和位置敏感的注意力特征图m’，之后将特征图m’和m进行concat后生成最终需要的特征图n。
7.如权利要求3所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于：
生成特征图m时采用的卷积是pointwise卷积，生成对方向感知和位置敏感的注意力特征图m’采用的Coordinate Attention。
8.如权利要求7所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于，对生成的特征图m进行编码使其获得注意力特征图m’的具体过程如下：
使用两个一维的平均池化层分别沿着水平坐标和垂直坐标对每个通道进行编码，产生一对方向感知特征图；将上面的变换进行concat操作并使用1*1卷积层对其进行操作，并将其水平方向与垂直方向进行编码的中间特征映射的空间信息设为f；然后沿着空间维度将f分解为2个单独的张量fh和fw，利用2个1*1卷积分别对其进行操作，最后通过sigmoid函数输出gh和gw，通过对gh和gw进行扩展分别作为attention weights。
9.如权利要求2所述的基于过渡概率矩阵和轻量级网络的轴承故障诊断方法，其特征在于，所述两层1*1卷积层构成一个线性瓶颈层，用第1层1*1卷积层进行降维，用第2层1*1卷积层进行升维。
CN202110769220.0A 2021-07-07 2021-07-07 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 Active CN113554070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769220.0A CN113554070B (zh) 2021-07-07 2021-07-07 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769220.0A CN113554070B (zh) 2021-07-07 2021-07-07 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN113554070A CN113554070A (zh) 2021-10-26
CN113554070B true CN113554070B (zh) 2022-03-25

Family

ID=78102930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769220.0A Active CN113554070B (zh) 2021-07-07 2021-07-07 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN113554070B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116560895B (zh) * 2023-07-10 2023-09-12 太原理工大学 用于机械装备的故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413273A (zh) * 2013-07-22 2013-11-27 中国资源卫星应用中心 一种基于gpu加速实现图像复原处理方法
CN108613802A (zh) * 2018-05-10 2018-10-02 重庆大学 一种基于深度混合网络结构的机械故障诊断方法
CN110807601A (zh) * 2019-11-11 2020-02-18 云南电网有限责任公司电力科学研究院 一种基于截尾数据的园区道路劣化分析方法
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112577748A (zh) * 2020-12-07 2021-03-30 东南大学 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413273A (zh) * 2013-07-22 2013-11-27 中国资源卫星应用中心 一种基于gpu加速实现图像复原处理方法
CN108613802A (zh) * 2018-05-10 2018-10-02 重庆大学 一种基于深度混合网络结构的机械故障诊断方法
CN110807601A (zh) * 2019-11-11 2020-02-18 云南电网有限责任公司电力科学研究院 一种基于截尾数据的园区道路劣化分析方法
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112577748A (zh) * 2020-12-07 2021-03-30 东南大学 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
A lightweight neural network with strong robustness for bearing fault diagnosis;Dechen Yao等;《Measurement》;20200319;第1-11页 *
Bearing Intelligent Fault Diagnosis in the Industrial Internet of Things Context:A Lightweight Convolutional Neural Network;YANXIN WANG等;《IEEE Access》;20200507;第87329-87340页 *
Enhanced Lightweight Multiscale Convolutional Neural Network for Rolling Bearing Fault Diagnosis;YAOWEI SHI等;《IEEE Access》;20201201;第217723-217734页 *
WHEELSET BEARING VIBRATION ANALYSIS BASED ON NONLINEAR DYNAMICAL METHOD;ZHAO ZHIHONG等;《Journal of Theoretical and Applied Information Technology》;20121115;第252-256页 *
基于CEEMDAN样本熵与SVM的滚动轴承故障诊断;谢志谦等;《组合机床与自动化加工技术》;20170331;第96-100页 *
基于Hilbert谱奇异值的轴承故障诊断;赵志宏等;《中国机械工程》;20130228;第24卷(第3期);第346-350页 *
基于双边矢量概率矩阵的故障诊断方法研究;张昭等;《计算机测量与控制》;20201231;第28卷(第7期);第5-8页 *
基于改进CNN 和信息融合的动力电池组故障诊断方法;彭运赛等;《汽车工程》;20201231;第42卷(第11期);第1529-1535页 *
基于轻量化深度学习的机械故障诊断研究;刘文凯;《万方数据知识服务平台》;20210701;第1-4章 *

Also Published As

Publication number Publication date
CN113554070A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN111126453B (zh) 基于注意力机制和切割填充的细粒度图像分类方法及系统
CN113658115B (zh) 一种基于深度卷积生成对抗网络的图像异常检测方法
CN108732465A (zh) 一种基于小波变换和cnn的配电网故障定位方法
CN112818969B (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN114818774A (zh) 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法
CN110543890A (zh) 一种基于特征金字塔的深度神经网络图像匹配方法
CN114048769A (zh) 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN114580525A (zh) 一种面向含缺失数据的手势动作分类方法
CN113554070B (zh) 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法
CN116012653A (zh) 一种注意力残差单元神经网络高光谱图像分类方法及系统
CN116343284A (zh) 基于注意力机制的多特征户外环境情绪识别方法
CN114970326A (zh) 一种基于改进胶囊神经网络的油井故障诊断方法
CN109766918A (zh) 基于多层次上下文信息融合的显著性物体检测方法
GB2615402A (en) Bridge damage diagnosis method based on fusion of vibration transfer big data and capsule network
CN116468732A (zh) 基于深度学习的肺部ct影像分割方法及成像方法
CN115410258A (zh) 基于注意力图像的人脸表情识别方法
CN112967227B (zh) 基于病灶感知建模的糖尿病视网膜病变自动评估系统
CN117312948A (zh) 一种基于多传感器融合和eca-cnn的旋转机械故障诊断方法
CN112633123A (zh) 一种基于深度学习的异源遥感影像变化检测方法及装置
CN116934820A (zh) 基于交叉注意力的多尺寸窗口Transformer网络布匹图像配准方法及系统
CN114387524B (zh) 基于多层级二阶表征的小样本学习的图像识别方法和系统
CN116739996A (zh) 基于深度学习的输电线路绝缘子故障诊断方法
CN114861718B (zh) 基于改进深度残差算法的轴承故障诊断方法及系统
CN115115819A (zh) 面向装配顺序监测的图像多视角语义变化检测网络及方法

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