CN113569989A - 用于舞台装备故障诊断的ti-tsdcn模型构建方法 - Google Patents
用于舞台装备故障诊断的ti-tsdcn模型构建方法 Download PDFInfo
- Publication number
- CN113569989A CN113569989A CN202110983405.1A CN202110983405A CN113569989A CN 113569989 A CN113569989 A CN 113569989A CN 202110983405 A CN202110983405 A CN 202110983405A CN 113569989 A CN113569989 A CN 113569989A
- Authority
- CN
- China
- Prior art keywords
- network
- tsdcn
- training
- layer
- fault diagnosis
- 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 33
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000002775 capsule Substances 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/25—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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
用于舞台装备故障诊断的TI‑TSDCN模型构建方法，属于强噪声环境下演艺装备内部组件的故障诊断技术领域。它包括以下步骤：1)采集原始数据集；2)分割原始数据集，并对分隔后的训练集振动信号进行标准化处理；3)对处理后的振动信号进行加噪、降噪和重构处理；4)构建TI‑TSDCN模型，将重构后的振动信号输入到TI‑TSDCN模型中进行训练；5)将测试样本数据输入到训练好的TI‑TSDCN模型中进行故障诊断。本发明通过CDAE网络得到降噪重构后的信号，并采用TSB和卷积胶囊网络实现信号的特征提取和噪声信息去除；此外，构建了能够捕获长期依赖信息的注意力机制网络，提高了故障诊断网络的抗噪性能和诊断精度。
Description
技术领域
本发明属于强噪声环境下演艺装备内部组件的故障诊断技术领域，具体涉及用于舞台装备故障诊断的TI-TSDCN模型构建方法。
背景技术
演艺装备内部组件发生故障，可能直接导致整个演艺装备损坏，整场演出停止，甚至人员伤亡。尽管机械设备健康检测近年来有了长足的发展，但基于振动信号的检测技术仍然是最常用的方法。然而，振动监测的主要缺点是信号易受环境噪声干扰，传感器的安装必需规避嘈杂的环境。基于振动的监测的另一个相当大的缺点是，它容易受到其他未知来源信号的干扰，这些信号包含的许多信息与机械设备故障缺陷无关。为了检测机械设备组件的缺陷特征，必须消除所有或部分噪声成分。其中，此处所说的噪声一词是指振动信号中与机械设备故障信息无关的信息。
振动信号中噪声成分的存在会导致相当大的误报可能性，这主要是因为从机械设备振动信号中提取的故障特征具有较小的振幅，并且埋在噪声分量中。尽管当前基于信号处理的降噪技术有了长足的进步，但仍然存在一些悬而未决的问题。由于信噪比较低，利用振动信号对机械设备的早期故障进行检测和诊断仍然具有挑战性。此外，在工业应用中，信噪比可以显著变化。因此，从当前信号中提取故障特征似乎涉及到使用先进的数字信号处理技术，这通常是昂贵的计算。这一现状促使一些研究人员需要借助其他途径解决振动信号中的噪声问题。
近年来，人们提出了许多基于深度学习算法的机械设备故障诊断方法。由于深度学习算法具有强大的分类能力，这些方法在故障分类方面取得了很好的效果。然而，大多数基于深度学习的故障诊断方法并没有从网络的角度考虑输入数据的噪声问题，而是使用复杂的数据预处理算法，来摆脱环境噪声的影响。然而，如果信噪比较低，现有的方法无法取得良好的效果。为了充分利用深度学习方法，需要将注意力机制思想和深度神经网络相结合，构建注意力机制网络，使诊断网络把注意力集中在重要信息上，自动忽略无关信息和噪声信息。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于提供一种基于带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型，对原始振动信号进行特征提取和噪声信息去除，并进行特征识别，确定最终机械设备故障类型的演艺装备故障诊断方法。
本发明提供如下技术方案：
用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于，包括以下步骤：
1)在演艺装备上安装无线加速度传感器，将该传感器采集到的垂直方向的振动信号作为原始数据集，并将原始数据集按照固定样本长度和固定步长的要求进行数据增强，得到满足诊断网络输入要求的样本集；
2)将样本集分割为训练集和测试集，并以训练集为基准进行标准化处理，提升模型的训练效率和拟合能力；
3)向步骤2)中标准化处理后的训练集振动信号中加入随机的高斯白噪声，并将加噪后的振动信号输入到改进的卷积降噪自编码器CDAE网络中进行无监督训练，通过解码器和编码器完成信号的降噪和重构，所述改进的卷积降噪自编码器CDAE由四层卷积层和四层反卷积层组成，通道数按照先减小后增大的方法进行设定；
4)构建带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型，将步骤3)中重构后的训练集振动信号输入到带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型中进行训练，具体过程如下:
4.1)将重构后的训练集振动信号输入网络路径一中，具体过程如下：训练集振动信号首先输入到一维卷积层，将卷积层得到的结果由ReLU激活函数进行非线性变换，并利用最大池化层将卷积层的输出进行池化操作，完成局部特征区域的数据压缩过程，提高CNN网络的泛化能力；
4.2)将压缩后的特征首先经过五层卷积层做进一步压缩，并将最后一层卷积层得到的特征输入到胶囊网络中进行计算；
4.3)通过胶囊网络得到的特征向量依次经过展平层，全连接层，批归一化层和dropout层得到最终的振动信号特征；
4.4)为了捕获振动信号中的长距离依赖关系，在一维卷积层中的第一卷积层后建立网络路径二，在网络路径二中，输入数据依次通过通道数为16，32，64的时间收缩块TSB，逐步提取振动信号中的远距离依赖关系，并过滤出其中的噪声信息；
4.5)将两条相互独立的网络路径一及网络路径二中提取的特征进行融合，输入到具有Softmax激活函数的全连接层中得到网络输出结果；
5)将测试样本数据输入到步骤4)中训练好的带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型中进行故障诊断测试。
所述的用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于所述步骤4.3)中，输入数据在胶囊网络中的具体运行过程如下：
4.3.1)记步骤4.2)中五层卷积层的最后一层卷积层的第n个神经元为un，Wnj为与神经元un相乘的权重矩阵，Uj|n为预测向量，则其公式可表达为：
Uj|i＝Wijui,i＝1,2,…,n
4.3.2)对预测向量Uj|i进行加权求和得到一个输出向量sj。其公式可表示为
其中cij为耦合系数；
4.3.3)将输出向量sj通过一个squashing function进行一个非线性映射从而得到最终的输出向量vj，下标j表示第j个输出神经元，非线性映射函数如下式所示。
所述的用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于步骤4.4)中，输入数据在时间收缩块TSB中的处理过程如下：
4.4.1)输入数据首先流经两个连续的扩张卷积层，并将提取的特征进行绝对值和全局平均池化计算，得到特征B；
4.4.2)将特征B输入到一个由全连接层、BN层、ReLU激活函数、全连接层和Sigmoid激活函数组成的子路径中，用于得到阈值T；
4.4.3)将阈值T和特征B一起输入到软阈值函数中，得到降噪后的长期依赖信息，最后与网络输入特征做元素相加运算得到时间收缩块TSB输出的结果。
所述的用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于，所述的步骤4中故障诊断网络采用交叉熵损失函数和周期学习率调整策略进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
本发明通过改进的卷积降噪自编码器CDAE网络得到降噪重构后的信号，并采用时间收缩块TSB和卷积胶囊网络实现了对原始振动信号的特征提取和噪声信息去除；此外，在不采用具有注意力机制的长短时记忆网络的情况下，构建了能够捕获长期依赖信息的注意力机制网络，提高了故障诊断网络的抗噪性能和诊断精度。
附图说明
图1为本发明的方法流程图；
图2为本发明改进的卷积降噪自编码器CDAE网络的网络结构示意图；
图3为本发明时间收缩网络TSN的结构示意图；
图4为本发明实施例中，带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型的基本结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例：
请参阅图1-4，针对演艺装备中的滚动轴承这一重要组成部件，本实施例的用于舞台装备故障诊断的TI-TSDCN模型构建方法，如图1所示，包括以下步骤：
S1：自建立三相异步电动机故障仿真实验平台，获取实验数据，采样频率为16kHZ。无线传感器被固定在电动机风扇端轴承座的上方，用于采集垂直方向的滚动轴承振动信号，并将其作为原始数据集分为训练数据和测试数据。通过调节电机转速(20Hz，30Hz，40Hz)和扭矩负载(1A，2A，3A)，共设计出9种工况，具体工况信息详见表1；
表1三相异步电动机故障仿真实验平台的实验数据组成
S2：将样本集按照6:4的比例分为训练数据和测试数据，并以训练集为基准进行标准化处理，提升模型的训练效率和拟合能力；
S3：向振动信号中加入随机的高斯白噪声，并将加噪信号输入到图3所示的改进的卷积降噪自编码器CDAE中进行无监督训练，通过四层卷积层和四层反卷积层完成信号的降噪和重构；
S4：构建如图4所示带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型，具体过程如下：
S4.1、将重构后的振动信号输入到一维卷积层，将卷积层得到的结果由ReLU激活函数进行非线性变换，并利用最大池化层将卷积层的输出进行池化操作，完成局部特征区域的数据压缩过程，提高CNN网络的泛化能力；
S4.2、将压缩后的特征首先经过5层卷积层做进一步压缩，并将最后一层卷积层得到的特征输入到胶囊网络中进行计算，输入数据在胶囊网络中的整个运行过程，可分为三个阶段：
S4.2.1、第一阶段的运算与传统的神经网络运算类似，都是神经元乘以一个权重值而得到一个输出。所不同的是，胶囊网络的神经元是一个向量，而不是一个标量，并通过特征向量的模长来衡量特征的强弱程度。记上一层第n个神经元为un，Wnj为与神经元un相乘的权重矩阵，Uj|n为预测向量。则其公式可表达为
Uj|i＝Wijui,i＝1,2,…,n
S4.2.2、在第二阶段，对预测向量Uj|i进行加权求和得到一个输出向量sj，其公式可表示为：
其中cij为耦合系数。
S4.2.2、在第三阶段将输出向量sj通过一个squashing function进行一个非线性映射从而得到最终的输出向量vj，下标j为第j个输出神经元；非线性映射函数如下式所示：
S4.3、通过胶囊网络得到的特征向量依次经过展平层，全连接层，批归一化层和dropout层得到最终的振动信号特征。
S4.4、为了捕获振动信号中的长距离依赖关系，在第一卷积层后另辟新的路径，输入数据依次通过通道数为16，32，64的时间收缩块(temporal shrinkage block，TSB)中，逐步提取振动信号中的远距离依赖关系，并过滤出其中的噪声信息，TSB处理输入数据具体过程如下：
S4.4.1、输入数据首先流经两个连续的扩张卷积层，并将提取的特征进行绝对值和全局平均池化计算，得到特征B；
S4.4.2、将特征B输入到一个由全连接层、BN层、ReLU激活函数、全连接层和Sigmoid激活函数组成的子路径中，用于得到阈值T；
S4.4.3、并将阈值T和特征B一起输入到软阈值函数中，得到降噪后的长期依赖信息，最后与网络输入特征做元素相加运算得到TSB输出的结果。
S4.5、将两条相互独立的网络路径提取的特征进行融合，输入到全连接层中，并采用Softmax激活函数得到最终的故障诊断结果。
5)将测试样本数据输入到步骤4)中训练好的带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型中进行故障诊断测试。
本发明将卷积神经网络和胶囊网络结合在一起，并添加干扰项，增加网络的抗干扰能力。在此基础上，构造一条新的路径，从通道域上学习和获取表示输入数据重要程度的系数，并将该系数作为软阈值函数的阈值进行重要特征筛选，并利用扩张卷积捕获长期依赖信息，并将两条路径提取的特征进行融合，能够显著提高诊断模型在强噪声环境下的故障诊断精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于，包括以下步骤：
1)在演艺装备上安装无线加速度传感器，将该传感器采集到的垂直方向的振动信号作为原始数据集，并将原始数据集按照固定样本长度和固定步长的要求进行数据增强，得到满足诊断网络输入要求的样本集；
2)将样本集分割为训练集和测试集，并以训练集为基准进行标准化处理，提升模型的训练效率和拟合能力；
3)向步骤2)中标准化处理后的训练集振动信号中加入随机的高斯白噪声，并将加噪后的振动信号输入到改进的卷积降噪自编码器CDAE网络中进行无监督训练，通过解码器和编码器完成信号的降噪和重构，所述改进的卷积降噪自编码器CDAE由四层卷积层和四层反卷积层组成，通道数按照先减小后增大的方法进行设定；
4)构建带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型，将步骤3)中重构后的训练集振动信号输入到带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型中进行训练，具体过程如下:
4.1)将重构后的训练集振动信号输入网络路径一中，具体过程如下：训练集振动信号首先输入到一维卷积层，将卷积层得到的结果由ReLU激活函数进行非线性变换，并利用最大池化层将卷积层的输出进行池化操作，完成局部特征区域的数据压缩过程，提高CNN网络的泛化能力；
4.2)将压缩后的特征首先经过五层卷积层做进一步压缩，并将最后一层卷积层得到的特征输入到胶囊网络中进行计算；
4.3)通过胶囊网络得到的特征向量依次经过展平层，全连接层，批归一化层和dropout层得到最终的振动信号特征；
4.4)为了捕获振动信号中的长距离依赖关系，在一维卷积层中的第一卷积层后建立网络路径二，在网络路径二中，输入数据依次通过通道数为16，32，64的时间收缩块TSB，逐步提取振动信号中的远距离依赖关系，并过滤出其中的噪声信息；
4.5)将两条相互独立的网络路径一及网络路径二中提取的特征进行融合，输入到具有Softmax激活函数的全连接层中得到网络输出结果；
5)将测试样本数据输入到步骤4)中训练好的带训练干扰的双路径时间收缩去噪胶囊网络TI-TSDCN模型中进行故障诊断测试。
2.根据权利要求1所述的用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于所述步骤4.3)中，输入数据在胶囊网络中的具体运行过程如下：
4.3.1)记步骤4.2)中五层卷积层的最后一层卷积层的第n个神经元为un，Wnj为与神经元un相乘的权重矩阵，Uj|n为预测向量，则其公式可表达为：
Uj|i＝Wijui,i＝1,2,…,n
4.3.2)对预测向量Uj|i进行加权求和得到一个输出向量sj。其公式可表示为
其中cij为耦合系数；
4.3.3)将输出向量sj通过一个squashing function进行一个非线性映射从而得到最终的输出向量vj，下标j表示第j个输出神经元，非线性映射函数如下式所示。
3.根据权利要求1所述的用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于步骤4.4)中，输入数据在时间收缩块TSB中的处理过程如下：
4.4.1)输入数据首先流经两个连续的扩张卷积层，并将提取的特征进行绝对值和全局平均池化计算，得到特征B；
4.4.2)将特征B输入到一个由全连接层、BN层、ReLU激活函数、全连接层和Sigmoid激活函数组成的子路径中，用于得到阈值T；
4.4.3)将阈值T和特征B一起输入到软阈值函数中，得到降噪后的长期依赖信息，最后与网络输入特征做元素相加运算得到时间收缩块TSB输出的结果。
4.根据权利要求1所述的用于舞台装备故障诊断的TI-TSDCN模型构建方法，其特征在于，所述的步骤4中故障诊断网络采用交叉熵损失函数和周期学习率调整策略进行网络训练，并采用交叉熵损失函数来评估网络的训练和验证损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983405.1A CN113569989B (zh) | 2021-08-25 | 2021-08-25 | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983405.1A CN113569989B (zh) | 2021-08-25 | 2021-08-25 | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569989A true CN113569989A (zh) | 2021-10-29 |
| CN113569989B CN113569989B (zh) | 2024-03-05 |
Family
ID=78172657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110983405.1A Active CN113569989B (zh) | 2021-08-25 | 2021-08-25 | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569989B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648611A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 机械装备的故障诊断方法 |
| CN118312879A (zh) * | 2024-04-08 | 2024-07-09 | 南京理工大学 | 一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN112667080A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
-
2021
- 2021-08-25 CN CN202110983405.1A patent/CN113569989B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
| CN112667080A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| ALEX SHENFIELD等: "A Novel Deep Learning Model for the Detection and Identification of Rolling Element-Bearing Faults", SENSORS, vol. 20, no. 18, 13 August 2020 (2020-08-13), pages 1 - 24 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648611A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 机械装备的故障诊断方法 |
| CN117648611B (zh) * | 2024-01-30 | 2024-04-05 | 太原理工大学 | 机械装备的故障诊断方法 |
| CN118312879A (zh) * | 2024-04-08 | 2024-07-09 | 南京理工大学 | 一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法 |
| CN118312879B (zh) * | 2024-04-08 | 2024-09-24 | 南京理工大学 | 一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569989B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
| CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
| Chen et al. | Dual-path mixed-domain residual threshold networks for bearing fault diagnosis | |
| CN110672343B (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
| CN113569989B (zh) | 用于舞台装备故障诊断的ti-tsdcn模型构建方法 | |
| CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
| CN116304861A (zh) | 一种基于自注意力的时频特征融合故障诊断方法 | |
| CN111832663A (zh) | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断系统 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| Hong et al. | Supervised-learning-based intelligent fault diagnosis for mechanical equipment | |
| CN114004135A (zh) | 基于Transformer神经网络的农机轴承故障类型诊断方法及系统 | |
| CN116256174A (zh) | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 | |
| CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
| CN115901265A (zh) | 基于MFCC-FcaNet的滚动轴承故障诊断方法 | |
| Lee et al. | Deep convolutional neural network with new training method and transfer learning for structural fault classification of vehicle instrument panel structure | |
| CN116399588A (zh) | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| Dong et al. | Rolling bearing incipient degradation monitoring and performance assessment based on signal component tracking | |
| Yi et al. | A bearing fault diagnosis method based on an improved depth residual network | |
| 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 | |
| CN117079665A (zh) | 基于孪生注意力对抗网络的工业设备异常声信号检测方法及系统 | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| CN116106016A (zh) | 一种基于联合学习卷积神经网络的滚动轴承故障诊断方法 | |
| CN114781427B (zh) | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 | |
| CN115901260A (zh) | 一种基于ECA_ResNet的滚动轴承故障诊断方法 |
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 |