CN113567131A - 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 - Google Patents
基于s变换与微型卷积神经网络模型的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113567131A CN113567131A CN202110864345.1A CN202110864345A CN113567131A CN 113567131 A CN113567131 A CN 113567131A CN 202110864345 A CN202110864345 A CN 202110864345A CN 113567131 A CN113567131 A CN 113567131A
- Authority
- CN
- China
- Prior art keywords
- neural network
- miniature
- dimensional time
- network model
- convolutional neural
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000009466 transformation Effects 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 title claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000005096 rolling process Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了基于S变换与微型卷积神经网络模型的轴承故障诊断方法。所述方法包括对数据集中的一维时域信号进行S变换，得到二维时频域图像；进行双线性插值，调整图像大小，将调整后的所述二维时频域图像划分为训练集和测试集；构建微型卷积神经网络模型，将训练集的数据输入微型卷积神经网络模型进行训练，得到轴承故障诊断模型；将测试集的数据输入到轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。以此方式，可以利用S变换对数据进行预处理，提高信噪比，克服因信号处于强噪声环境而造成的信号特征不突出的问题，扩展了信号分析域；通过微型卷积神经网络模型对多种滚动轴承的故障进行智能诊断，提高故障诊断的准确率。
Description
技术领域
本发明的实施例一般涉及故障诊断领域，并且更具体地，涉及基于S变换与微型卷积神经网络模型的轴承故障诊断方法。
背景技术
引起滚动轴承发生故障的原因有很多，比如轴承的长期超负荷运行、润滑不足、以及过载等都有可能引起设备的异常振动，从而造成巨大经济损失。近年来，随着大数据和人工智能的快速发展，深度学习在轴承故障诊断领域的应用逐渐成为研究热点，其能够及时并准确地对轴承的故障状态进行诊断，减小机器设备意外停机的风险系数。现有技术主要通过谱峭度法、小波变换来分析滚动轴承信号的振动信号特征，建立支持向量机、最近邻分类器诊断模型，从而实现滚动轴承的故障诊断。
然而，尽管传统信号处理技术已经十分成熟，但是这些时域或频域分析技术仅在处理线性、平稳的信号时会取得较好的结果，当工作环境处于强噪声背景下时，获取到的信号并不纯粹，还包含了大量的机械中其他运动部件和结构的信息。对于这种包含强噪声的复杂信号，需要使用一种无损可逆的时频域分析技术对信号进行预处理。
另外，基于深度学习的滚动轴承故障智能诊断技术正处于缺少工业数据的尴尬处境。现实的工业生产环境中，具有故障的数据集十分稀少，而经典的卷积神经网络架构层数较多、模型较为复杂，很容易造成过拟合的现象发生。
发明内容
根据本发明的实施例，提供了一种基于S变换与微型卷积神经网络模型的轴承故障诊断方案。
在本发明的第一方面，提供了一种基于S变换与微型卷积神经网络模型的轴承故障诊断方法。该方法包括：
获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；
对所述二维时频域图像进行双线性插值，调整图像大小，得到调整后的所述二维时频域图像，将调整后的所述二维时频域图像划分为训练集和测试集；
构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；
将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。
进一步地，在对所述数据集中的一维时域信号进行S变换前，对所述一维时域信号进行归一化，包括：
其中，v′为归一化后的一维时域信号；v为待归一化的一维时域信号；minv和maxv分别为待归一化的一维时域信号的最小值和最大值；minv′和maxv′分别为归一化后的一维时域信号的最小值和最大值。
进一步地，所述对所述数据集中的一维时域信号进行S变换，得到二维时频域图像，包括：
其中，h(t)为一维时域信号；S(τ，f)为一维时域信号h(t)经过S变换后的结果；τ为高斯窗口在时间t上的时移参数；f为频率；ω(τ-t，f)为高斯窗函数；i为虚数单位。
进一步地，所述微型卷积神经网络模型，包括三组依次交替设置的卷积层、ReLU非线性激活层和最大池化层；其中，第一组中的卷积层连接输入层，在相邻两组中，一组的最大池化层连接另一组的卷积层；在最后一组中的最大池化层后依次设置全局平均池化层和分类层，以所述分类层的输出作为所述微型卷积神经网络模型的输出。
进一步地，所述卷积层的卷积核尺寸为3×3，所述最大池化层的池化核尺寸为2×2。
进一步地，定义所述微型卷积神经网络模型的损失函数为交叉熵损失函数；所述交叉熵损失函数为：
其中，y_为真实结果；y为预测结果；n为滚动轴承故障类别数。
进一步地，在定义所述微型卷积神经网络模型的损失函数后，通过优化器获取最小损失，对所述微型卷积神经网络模型的参数进行更新。
在本发明的第二方面，提供了一种基于S变换与微型卷积神经网络模型的轴承故障诊断装置。该装置包括：
S变换模块，用于获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；
插值模块，用于对所述二维时频域图像进行双线性插值，将插值后的二维时频域图像划分为训练集和测试集；
训练模块，用于构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；
诊断模块，用于将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。
在本发明的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本发明的第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
本发明利用S变换对数据进行预处理，提高信噪比，克服因信号处于强噪声环境而造成的信号特征不突出的问题，扩展了信号分析域；通过微型卷积神经网络模型对多种滚动轴承的故障进行智能诊断，提高故障诊断的准确率。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于S变换与微型卷积神经网络模型的轴承故障诊断方法的流程图；
图2示出了根据本发明的实施例的滚动轴承的结构示意图；
图3示出了根据本发明的实施例的复合频率仿真信号示意图；
图4示出了根据本发明的实施例的短时傅里叶变换结果示意图；
图5示出了根据本发明的实施例的双线性插值算法示意图；
图6示出了根据本发明的实施例的微型卷积神经网络模型结构示意图；
图7示出了根据本发明的实施例的loss曲线示意图；
图8示出了根据本发明的实施例的acc曲线示意图；
图9示出了根据本发明的实施例的故障诊断结果示意图；
图10示出了根据本发明的实施例的基于S变换与微型卷积神经网络模型的轴承故障诊断装置的方框图；
图11示出了能够实施本发明的实施例的示例性电子设备的方框图；
其中，1为外圈；2为滚动体；3为内圈。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明中，将信号处理技术应用于轴承振动信号，实现从时域到时频域，从一维信号到二维图像的转换。采用前沿的深度学习技术，完成多类轴承故障智能诊断。针对实际工业数据不足的难题，建立微型卷积神经网络模型，自适应地提取时频域图像的深层特征，代替了传统机器学习中人工定义特征的方法。
图1示出了本发明实施例的基于S变换与微型卷积神经网络模型的轴承故障诊断方法的流程图。
该方法包括：
S101、获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像。
滚动轴承是现代机械设备中的重要精密零部件，其结构如图2所示。滚动轴承故障发生概率占旋转类部件的30％-40％，主要的故障类型有：滚动体故障、内圈故障以及外圈故障。本实施例中将轴承故障划分为9类故障，分别为：故障直径为0.007英寸的滚动体故障(B07)、内圈故障(IR07)和外圈故障(OR07)，故障直径为0.014英寸的滚动体故障(B14)、内圈故障(IR14)和外圈故障(OR14)，以及故障直径为0.021英寸的滚动体故障(B21)、内圈故障(IR21)和外圈故障(OR21)。
作为本发明的实施例，所述数据集为轴承故障数据集。本实施例中所使用的数据来源于美国凯斯西储大学的轴承数据中心，该中心提供了在不同测试条件下的各种故障轴承的信息。
在本实施例中，将单点故障轴承通过放电加工技术(EMD)植入到测试轴承中，然后，在测试轴承的滚动体、内圈滚道以及外圈滚道上分别引入不同深度的断层，完成故障的植入。最后，将故障轴承送入到测试电机中，并使用加速度计收集测试点位于驱动端、风扇端以及加速度端的振动信号。本发明使用当电动机转速为1792rmp，采样频率为12kHz，测试点为驱动端时采集到的故障数据。其故障数据规格的具体信息如表1所示：
表1故障数据规格表
由于收集到的每种故障信号由10k余个数据点组成，因此要对数据进行顺序采样以构造样本集。本发明选取每512个数据点为一组样本，每种故障可得到200组样本。
原始的一维时域信号从整体上看阶跃性较大，会造成幅值较大的信号起决定性作用，而幅度较小的信号可能被忽略。故，作为本发明的一种实施例，为了消除特征间的尺度差异性，需要在获取到故障数据集的样本数据后，对所述一维时域信号进行归一化，即使用最大最小线性归一化将原始一维时域信号归一化到[0,1]之间。
所述归一化的过程为：
其中，v′为归一化后的一维时域信号；v为待归一化的一维时域信号；minv和maxv分别为待归一化的一维时域信号的最小值和最大值；minv′和maxv′分别为归一化后的一维时域信号的最小值和最大值。在本实施例中，所述归一化后的一维时域信号的最小值minv′和最大值maxv′取值分别为0和1。
通过上述归一化过程，得到了不同故障类型归一化后的一维时域信号，归一化后对信号幅值减弱程度上看，内圈故障和外圈故障的故障信号体现的较为显著。
作为本发明的一种实施例，利用具有时频分析能力的S变换对一维时域信号进行分析。常用的分析信号的方法有傅里叶变换、短时傅里叶变换等。傅里叶变换仅仅能对信号频域特性进行分析，短时傅里叶变换可通过加时间窗的形式将信号的时域与频域相结合，实现时频域分析。但是，相较于S变换的随频率自适应调节窗函数的功能，短时傅里叶变换的结果受时间窗的影响较大，略显不足。为具体说明短时傅里叶变换受时间窗的影响情况，模拟一段由三组频率分别为5Hz、20Hz和40Hz的不同正弦信号组成的复合仿真信号，横坐标代表时间，纵坐标代表信号的幅值，如图3所示。对图3的复合频率仿真信号使用短时傅里叶变换进行分析，分别设定时间窗的长度为128、256和512，短时傅里叶变换结果如图4所示。图4(a)为长度为128的时间窗的短时傅里叶变换结果；图4(b)为长度为256的时间窗的短时傅里叶变换结果；图4(c)为长度为512的时间窗的短时傅里叶变换结果。其中，横轴代表时域，纵轴代表频域。可见，短时傅里叶变换结果受时间窗长度影响较大：时间窗越短，频域界限越模糊，时域界限越清晰，频域分析能力越弱，时域分析能力越强；反之，时间窗越长，频域界限越清晰，时域界限越模糊，频域分析能力越强，时域分析能力越弱。因此，对于轴承振动信号这类复杂信号，当使用短时傅里叶变换来进行分析时，窗函数一旦确定就不会变化，只有单一分辨率，分析结果受窗长影响较大。
在本发明的实施例中，通过S变换弥补了上述短时傅里叶变换的不足。对所述数据集中的一维时域信号进行S变换，得到二维时频域图像，包括：
其中，h(t)为一维时域信号；S(τ，f)为一维时域信号h(t)经过S变换后的结果；τ为高斯窗口在时间t上的时移参数；f为频率；ω(τ-t，f)为高斯窗函数；i为虚数单位。
由上述公式(3)可以看出，高斯窗函数的尺度随着频率的变化而变化，使得在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较低的频率分辨率和较高的时间分辨率，即使用高斯窗函数将时域和频域联系在一起，可实现时间窗的自适应调节。
在上述实施例中，分别对故障直径为0.007英寸的滚动故障、内圈故障以及外圈故障进行S变换。为举例说明，从原始信号中截取一段长度为512的时域信号，设定S变换结果中的最小频率为0Hz，最大频率为截取信号长度的一半，频域采样频率为1Hz。经过S变换后，一维的长度为512的时域信号变换为二维的尺寸为257×512的时频域矩阵。将得到的时频域矩阵转换得到二维时频域图像。例如在MATLAB中对时频域矩阵执行imwrite，所述imwrite为MATLAB中一个将矩阵保存为图像的函数。
本实施例通过在数据预处理阶段采用S变换，将一维轴承时域振动信号转换至时频域，生成二维时频图像；充分结合了时域和频域方法的优点，极大程度上抑制了噪声，提高信噪比，通过从时域到时频域的转换，完成对图像的初步特征提取。更新以往集中于从时域或频域提取振动信号单一域特征的思路，进而发挥卷积神经网络对二维图像的分类优势，突破建立深度复杂网络模型的局限，建立结构简单的轻量级网络，解决现有技术信号分析域单一、训练数据不足、模型过拟合等问题，也克服了因信号处于强噪声而造成的信号特征不突出的问题。
S102、对所述二维时频域图像进行双线性插值，调整图像大小，得到调整后的所述二维时频域图像，将调整后的所述二维时频域图像划分为训练集和测试集。
由于经过S变换后的图像尺寸过大，并不适合作为卷积神经网络的输入，通常会对图像进行尺度变换。
作为本发明的一种实施例，使用双线性插值算法对图像进行缩小，所述双线性插值算法如图5所示，横坐标x代表时域，纵坐标y代表频域；Q点为经过插值后得到的像素点，R11、R21、R12、R22为距离Q点最近的四个点。根据这四个点可进行一次在x轴上的线性插值，得到f(P1)和f(P2)，计算过程包括：
其中，P1和P2为插值后得到的点，Δx′为Q点横坐标与点R21横坐标的差值；Δx为Q点横坐标与点R11横坐标的差值。
得到在x轴插值的结果后，再在y轴上进行插值，得到f(Q)，计算过程包括：
其中，Δy为Q点纵坐标与点R11纵坐标的差值；Δy′为Q点纵坐标与点R12纵坐标的差值。
本实施例为先在x轴上插值，再在y轴上插值。由于双线性插值法具有线性的特点，故插值结果与插值顺序无关，即先在y轴上插值所得结果同先在x轴上插值的结果一致。
通过双线性插值对二维时频图像的尺寸进行调整，将二维时频图像调整为适合输入到卷积神经网络的尺寸，例如在本实施例中最终将时频图像的尺寸由257×512缩放至256×256。
作为本发明的一种实施例，将经过插值调整后的所述二维时频域图像划分为训练集和测试集。
在本实施例中，将数据集样本数据中的80％作为训练集，20％作为测试集。
S103、构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型。
在多分类问题中，通常会根据输入数据的形式来选择合适的网络模型。如卷积神经网络(CNN)模型更适用于输入数据为二维的图像，循环神经网络(RNN)模型更适用于输入数据为一维的自然界的某种信号。而在众多的网络模型中，卷积神经网络对图像的处理能力尤为突出。因此，采用卷积神经网络对轴承振动信号的二维时频图像进行分析，学习得到轴承故障诊断模型。
卷积神经网络模型架构较复杂、层数较多、计算量大，所需的训练样本数目多。如果样本数目较小，则会造成模型过拟合的现象发生。因此，本发明的实施例中，以经典的卷积层、池化层为核心，用全局平均池化(Global Average Pooling，GAP)层代替全连接层的微型卷积神经网络模型，旨在降低模型复杂度，减少参数个数，避免模型发生过拟合。
在本实施例中，微型卷积神经网络模型的结构，如图6所示，包括三组依次交替设置的卷积层、ReLU非线性激活层和最大池化层；其中第一组中的卷积层连接输入层，用于接收由输入层发送的所述微型卷积神经网络模型的输入数据；在相邻两组中，一组的最大池化层连接另一组的卷积层；在最后一组中的最大池化层后依次设置全局平均池化层和分类层，以所述分类层的输出作为所述微型卷积神经网络模型的输出。
例如，微型卷积神经网络模型的一种结构为：按顺序依次设置输入层、第一卷积层、第一ReLU非线性激活层、第一最大池化层、第二卷积层、第二ReLU非线性激活层、第二最大池化层、第三卷积层、第三ReLU非线性激活层、第三最大池化层、全局平均池化层和分类层。所述第一卷积层用于接收微型卷积神经网络模型的输入数据，所述分类层的输出作为所述微型卷积神经网络模型的输出。
本发明的实施例使用全局平均池化(Global Average Pooling，GAP)层代替传统卷积神经网络中的全连接层。GAP层对每一个特征图求平均值，相当于在整个网络结构上做正则化，改善了网络的泛化能力，并在一定程度上抑制了过拟合现象的发生。同时，GAP把得到的结果向量直接送入到Softmax分类层分类，加强了特征和类别之间的可信度，使得卷积结构更加完整。微型卷积神经网络各层的属性设置如下表2所示：
表2微型卷积神经网络各层的属性设置表
在本实施例中，所述卷积层的卷积核尺寸为3×3，所述最大池化层的池化核尺寸为2×2。可见，本发明的实施例选用的卷积核以及池化核的尺寸都相对较小，使用多个小卷积核级联来替代大卷积核，既能保证感受野足够大，又能减少参数量，加快运算速度。
作为本发明的一种实施例，定义所述微型卷积神经网络模型的损失函数为交叉熵损失函数。
损失函数是用来描述通过前向传播后的计算结果同已知真实结果之间差距的指标。通常，计算损失有三种方法，分别为均方误差(Mean Squared Error)、自定义损失以及交叉熵(Cross Entropy)。
本实施例使用交叉熵损失函数，它通过计算不同概率分布之间的距离来判断哪一个预测结果与真实结果更接近。所述交叉熵损失函数为：
其中，y_为真实结果；y为预测结果；n为滚动轴承故障类别数；k为当前故障类别。所述滚动轴承故障类别为定义的滚动轴承故障的类别，例如本实施例中定义的9种故障类别，分别为故障直径为0.007英寸的滚动体故障(B07)、内圈故障(IR07)和外圈故障(OR07)，故障直径为0.014英寸的滚动体故障(B14)、内圈故障(IR14)和外圈故障(OR14)，以及故障直径为0.021英寸的滚动体故障(B21)、内圈故障(IR21)和外圈故障(OR21)。则滚动轴承故障的类别为9个类别。
作为本发明的一种实施例，在定义所述微型卷积神经网络模型的损失函数后，通过优化器获取最小损失，对所述微型卷积神经网络模型的参数进行更新。
优化器是一个引导神经网络完成参数更新的工具，常见的优化器有SGD、SGDM、RMSProp以及Adam等。SGDM和RMSProp在SGD的基础上，分别增进了一阶动量以及二阶动量。而Adam则是同时引入SGDM的一阶动量以及RMSProp的二阶动量，并对动量的偏差进行了修正。由于Adam算法具有计算效率高、学习率自适应以及收敛速度快等优点，因此，本发明选用Adam优化器。Adam优化器的一阶动量以及二阶动量表达式如公式(8)和(9)所示，动量的修正过程如公式(10)和(11)所示。
mt＝β1×mt-1+(1-β1)×gt (8)
vt＝β2×Vstep-1+(1-β2)×gt 2 (9)
其中，β1和β2分别为一阶动量和二阶动量的超参数；mt-1为前一时刻的一阶动量，Vstep-1为前一个batch的二阶动量；gt为当前时刻的梯度值。
对动量进行修正如下：
其中，通常情况下，根据以往经验，将超参数β1设置为0.9，将超参数β2设置为0.99。
更新梯度ηt以及优化权重wt的过程如公式(12)、(13)所示：
wt+1＝wt-ηt (13)
其中，ηt代表t时刻损失函数关于当前梯度的更新，wt+1代表t+1时刻更新后的参数。
本发明的实施例通过在网络训练阶段使用自定义微型卷积神经网络，网络架构精简凝练，对于小样本的数据也能取得较好的分类结果，克服了因工业数据短缺、模型复杂而造成的过拟合问题。以深度卷积神经网的基本结构层为核心，设计适用于滚动轴承故障时频图像的卷积神经网络模型，以有监督的学习模式，使用部分带有标签的样本训练网络，学习并提取视频图像的深层特征，通过多次训练、验证以及测试实验，选择最优测试结果中的参数作为模型的最终参数，实现轴承多类故障的智能诊断，并且提高故障诊断的准确率。
S104、将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。
本发明的实施例采用五折交叉验证的方法，将数据集样本数据中的80％作为训练集，20％作为测试集，再从训练集中随机抽取20％的数据作为验证集。
训练期间，将打乱的训练数据和验证数据输入到模型中，设定初始学习率为1×10-3，批处理大小(batch size)为32，训练100轮(epoch)。训练采用带有一阶动量和二阶动量的Adam优化算法，从而达到网络快速收敛的效果。
作为本发明的一种实施例，微型卷积神经网络结构可以在TensorFlow2.0深度学习框架上实现，使用NVIDIA GeForce 920M或以上GPU进行网络的训练及测试。选用准确率(Accuracy)作为模型预测的评价指标。准确率的定义如公式(14)所示：
其中，True positive代表正确分类的样本数目，False negative代表错误分类的样本数目。
训练过程中，在训练集上得到的loss和acc曲线如图7和8所示。当训练至第40个epoch时，可观测到，所述微型卷积神经网络模型已经收敛，在西储大学轴承数据集上得到的损失值为0.0000，准确率为1.0000。
进行五折交叉验证时，依据所述微型卷积神经网络模型对滚动轴承故障诊断的诊断结果，如图9所示，横坐标为折数，纵坐标为准确率；其中，五折交叉验证得到的诊断准确率分别为0.9813、0.9766、0.9859、0.9813和0.9953，平均准确率为0.9841。
本发明的实施例将经过S变换后的轴承振动信号时频域特征图像输入自定义的微型卷积神经网络中进行故障的智能诊断，有望为旋转类部件的故障智能诊断领域提供一个新的思路，打破现有故障诊断技术数据处理复杂度大、通用性差的局限性。目前，针对我国的轴承故障诊断技术，学者们进行了大量的研究工作，使得轴承故障诊断不再属于单一学科，而是融合了数学、物理、现代控制、人工智能等多学科综合的交叉新学科。基于这些研究的基础上，前人设计开发了许多关于轴承故障诊断的系统及检测仪器，并投入到生产生活中。本发明融合了信号处理、人工智能等领域的先进技术，旨在解决现实工业环境中数据噪声强、数据量少的问题。本发明的实施例成果可开发成为轴承故障智能诊断系统，产业化前景十分广阔，具有很好的经济及社会效益。
此外，本发明的实施例具有较好的延展性，可推广至诊断工业生产中其他旋转类机械部件的故障问题，如随动器、螺母、卡盘等。所提出的故障智能诊断方法降噪效果好、泛化能力强、在小数据集上也能行之有效，比较适用于实际工厂的故障数据多源、异构、稀缺的情况。通过做到精准诊断，可延长旋转部件的使用寿命，降低机械设备损坏的风险系数，可广泛运用于电力、土木、道路、航空航天、轨道交通、通信工程等诸多实业领域，降低运营维护成本，保证作业安全，提高机械设备正常运行的持续性、可靠性和可维护性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
如图10所示，装置1000包括：
S变换模块1010，用于获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；
插值模块1020，用于对所述二维时频域图像进行双线性插值，将插值后的二维时频域图像划分为训练集和测试集；
训练模块1030，用于构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；
诊断模块1040，用于将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
如图11所示，设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、GPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理，例如方法S101～S104。例如，在一些实施例中，方法S101～S104可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法S101～S104的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S104。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种基于S变换与微型卷积神经网络模型的轴承故障诊断方法，其特征在于，包括：
获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；
对所述二维时频域图像进行双线性插值，调整图像大小，得到调整后的所述二维时频域图像，将调整后的所述二维时频域图像划分为训练集和测试集；
构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；
将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。
2.根据权利要求1所述的方法，其特征在于，在对所述数据集中的一维时域信号进行S变换前，对所述一维时域信号进行归一化，包括：
其中，v′为归一化后的一维时域信号；v为待归一化的一维时域信号；minv和maxv分别为待归一化的一维时域信号的最小值和最大值；minv′和maxv′分别为归一化后的一维时域信号的最小值和最大值。
3.根据权利要求1或2所述的方法，其特征在于，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像，包括：
其中，h(t)为一维时域信号；S(τ，f)为一维时域信号h(t)经过S变换后的结果；τ为高斯窗口在时间t上的时移参数；f为频率；ω(τ+t，f)为高斯窗函数；i为虚数单位。
4.根据权利要求1所述的方法，其特征在于，所述微型卷积神经网络模型，包括三组依次交替设置的卷积层、ReLU非线性激活层和最大池化层；其中，第一组中的卷积层连接输入层，在相邻两组中，一组的最大池化层连接另一组的卷积层；在最后一组中的最大池化层后依次设置全局平均池化层和分类层，以所述分类层的输出作为所述微型卷积神经网络模型的输出。
5.根据权利要求4所述的方法，其特征在于，所述卷积层的卷积核尺寸为3×3，所述最大池化层的池化核尺寸为2×2。
6.根据权利要求1或4所述的方法，其特征在于，定义所述微型卷积神经网络模型的损失函数为交叉熵损失函数；所述交叉熵损失函数为：
其中，y_为真实结果；y为预测结果；n为滚动轴承故障类别数。
7.根据权利要求6所述的方法，其特征在于，在定义所述微型卷积神经网络模型的损失函数后，通过优化器获取最小损失，对所述微型卷积神经网络模型的参数进行更新。
8.一种基于S变换与微型卷积神经网络模型的轴承故障诊断装置，其特征在于，包括：
S变换模块，用于获取数据集，对所述数据集中的一维时域信号进行S变换，得到二维时频域图像；
插值模块，用于对所述二维时频域图像进行双线性插值，将插值后的二维时频域图像划分为训练集和测试集；
训练模块，用于构建微型卷积神经网络模型，将所述训练集的数据输入所述微型卷积神经网络模型进行训练，将训练后的微型卷积神经网络模型作为轴承故障诊断模型；
诊断模块，用于将所述测试集的数据输入到所述轴承故障诊断模型，对测试集数据中的轴承故障进行诊断。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，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中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864345.1A CN113567131B (zh) | 2021-07-29 | 2021-07-29 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864345.1A CN113567131B (zh) | 2021-07-29 | 2021-07-29 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113567131A true CN113567131A (zh) | 2021-10-29 |
| CN113567131B CN113567131B (zh) | 2024-05-03 |
Family
ID=78168958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110864345.1A Active CN113567131B (zh) | 2021-07-29 | 2021-07-29 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113567131B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869286A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断模型及故障诊断方法 |
| CN114088401A (zh) * | 2021-11-03 | 2022-02-25 | 宁波坤博测控科技有限公司 | 一种用于风力发电机的滚动轴承的故障分析方法及装置 |
| CN115030903A (zh) * | 2022-06-16 | 2022-09-09 | 江苏大学镇江流体工程装备技术研究院 | 一种离心泵内滚动轴承早期故障在线诊断方法 |
| CN115358277A (zh) * | 2022-10-09 | 2022-11-18 | 深圳市信润富联数字科技有限公司 | 轴承故障诊断方法、装置、设备及可读存储介质 |
| CN115982573A (zh) * | 2023-03-20 | 2023-04-18 | 东莞市杰达机械有限公司 | 多功能送料机及其控制方法 |
| WO2023099849A1 (fr) * | 2021-12-02 | 2023-06-08 | Safran Aircraft Engines | Procédé de diagnostic automatique d'une pièce |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034277A (zh) * | 2018-09-17 | 2018-12-18 | 吉林大学 | 基于多特征融合的电能质量扰动分类方法及系统 |
| CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
| CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
| CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
| CN111964908A (zh) * | 2020-08-17 | 2020-11-20 | 天津大学 | 一种基于mwdcnn的变工况下轴承故障诊断方法 |
| CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
| 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 |
| CN112633132A (zh) * | 2020-12-18 | 2021-04-09 | 合肥工业大学 | 基于二维振动图像增强的轴承故障诊断方法及系统 |
| CN113177577A (zh) * | 2021-04-01 | 2021-07-27 | 上海吞山智能科技有限公司 | 一种基于改进卷积神经网络的轴承故障诊断方法 |
-
2021
- 2021-07-29 CN CN202110864345.1A patent/CN113567131B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034277A (zh) * | 2018-09-17 | 2018-12-18 | 吉林大学 | 基于多特征融合的电能质量扰动分类方法及系统 |
| CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
| CN110796121A (zh) * | 2019-11-21 | 2020-02-14 | 杭州电力设备制造有限公司 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
| CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
| CN111964908A (zh) * | 2020-08-17 | 2020-11-20 | 天津大学 | 一种基于mwdcnn的变工况下轴承故障诊断方法 |
| CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
| 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 |
| CN112633132A (zh) * | 2020-12-18 | 2021-04-09 | 合肥工业大学 | 基于二维振动图像增强的轴承故障诊断方法及系统 |
| CN113177577A (zh) * | 2021-04-01 | 2021-07-27 | 上海吞山智能科技有限公司 | 一种基于改进卷积神经网络的轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方圆圆: "《人脸识别与美颜算法实战 基于Python、机器学习与深度学习》", vol. 1, 机械工业出版社, pages: 42 - 43 * |
| 王庆荣等: "基于Ｓ变换和卷积神经网络的滚动轴承故障诊断", 《激光与光电子学进展》, vol. 58, no. 22, pages 10 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114088401A (zh) * | 2021-11-03 | 2022-02-25 | 宁波坤博测控科技有限公司 | 一种用于风力发电机的滚动轴承的故障分析方法及装置 |
| CN113869286A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断模型及故障诊断方法 |
| CN113869286B (zh) * | 2021-12-01 | 2022-02-25 | 中国工程物理研究院电子工程研究所 | 一种自适应多任务智能故障诊断系统及故障诊断方法 |
| WO2023099849A1 (fr) * | 2021-12-02 | 2023-06-08 | Safran Aircraft Engines | Procédé de diagnostic automatique d'une pièce |
| FR3130028A1 (fr) * | 2021-12-02 | 2023-06-09 | Safran Aircraft Engines | Procédé de diagnostic automatique d'une pièce |
| CN115030903A (zh) * | 2022-06-16 | 2022-09-09 | 江苏大学镇江流体工程装备技术研究院 | 一种离心泵内滚动轴承早期故障在线诊断方法 |
| CN115030903B (zh) * | 2022-06-16 | 2023-07-07 | 江苏大学镇江流体工程装备技术研究院 | 一种离心泵内滚动轴承早期故障在线诊断方法 |
| CN115358277A (zh) * | 2022-10-09 | 2022-11-18 | 深圳市信润富联数字科技有限公司 | 轴承故障诊断方法、装置、设备及可读存储介质 |
| CN115982573A (zh) * | 2023-03-20 | 2023-04-18 | 东莞市杰达机械有限公司 | 多功能送料机及其控制方法 |
| CN115982573B (zh) * | 2023-03-20 | 2023-11-17 | 东莞市杰达机械有限公司 | 多功能送料机及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113567131B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113567131A (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
| CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| 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 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
| Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
| CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
| CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
| CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
| 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 | |
| CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| Kong et al. | Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm | |
| Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
| CN112052551B (zh) | 一种风机喘振运行故障识别方法及系统 | |
| CN116843662A (zh) | 一种基于动态视觉与类脑计算的非接触式故障诊断方法 | |
| CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
| CN113758708B (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 |
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 |