CN113569990B - 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 - Google Patents
面向强噪声干扰环境的演艺装备故障诊断模型构建方法 Download PDFInfo
- Publication number
- CN113569990B CN113569990B CN202110984638.3A CN202110984638A CN113569990B CN 113569990 B CN113569990 B CN 113569990B CN 202110984638 A CN202110984638 A CN 202110984638A CN 113569990 B CN113569990 B CN 113569990B
- Authority
- CN
- China
- Prior art keywords
- residual error
- error threshold
- path
- convolution
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013145 classification model Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000005096 rolling process Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06N3/08—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
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
面向强噪声干扰环境的演艺装备故障诊断模型构建方法，属于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采集振动信号作为原始数据集，并对其进行分割，将分割后的数据分为训练集和测试集；2)将训练集和测试集的振动信号进行标准化处理；3)将训练集输入到DP‑MRTN网络中进行训练，得到一个用于演艺装备的特征提取模型和分类模型，4)将测试集的振动信号输入到训练好的DP‑MRTN模型中进行故障诊断。本发明从通道域和空间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；采用双路径，用于捕获振动信号中的长距离依赖关系，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。
Description
技术领域
本发明属于演艺装备内部组件的故障诊断技术领域，具体涉及面向强噪声干扰环境的演艺装备故障诊断模型构建方法。
背景技术
在实际剧院场馆工作环境中，演艺装备经常在非理想条件下运行，受各种因素影响，时常发生损坏，会导致演艺装备内部组件迅速失效。早期故障诊断可以在最大化机器利用率和避免灾难性损坏的前提下优化维修计划。
在各种机械化设备故障诊断技术中，基于振动的技术已被证明是最有效的机械化设备内部组件故障诊断方法之一，因而得到了广泛的应用。故障诊断方法一般分为两类：基于模型的故障诊断方法和基于数据驱动的故障诊断方法。基于模型的方法依赖于较强的专业知识建立故障模型。旋转机械涉及到电场、机械场和磁场的耦合，因此很难建立精确的模型。目前，数据驱动方法由于能够自动提取特征，且对专业知识的要求较低，在旋转机械故障诊断中得到了广泛的应用。
近年来，深度学习的发展为数据驱动的故障诊断提供了机遇。常用的深度学习方法包括自动编码器、卷积神经网络、深度信念网络和循环神经网络。数据驱动的故障诊断方法虽然效果显著，但在实际场景中，采集到的振动信号在时域和频域上都会受到噪声干扰，会严重影响故障诊断精度。因此，如何从噪声振动信号中准确地估计演艺装备故障类型仍是一个挑战。
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DP-MRTN，应用于现代剧场演艺装备中，解决其内部组件故障诊断问题的故障诊断方法。
本发明提供如下技术方案：面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于，包括以下步骤：
1)在演艺装备外壳表面安置无线智能传感器，采集径向X、前向Y、垂向Z三个方向的振动信号，设置每次进行分析的样本时长，并根据分析的样本时长对前向Y方向上的振动信号进行分割，将分割后的数据分为训练集和测试集；
2)将训练集的振动信号和测试集的振动信号采用min-max标准化的方法进行比例缩放，使之落入设定的区间，提升模型的收敛速度；
3)确定双路径混合域残差阈值网络DP-MRTN的整体结构和超参数，将训练集输入到双路径混合域残差阈值网络DP-MRTN中进行训练，得到一个用于演艺装备的特征提取模型和分类模型，训练集在双路径混合域残差阈值网络DP-MRTN中的具体处理过程如下：
3.1)首先，通过卷积层对输入的训练集振动信号中的短时特征进行提取，抑制高频噪声；
3.2)输入的训练集振动信号在被宽卷积核压缩后，首先流经批归一化层和ReLU激活函数，然后输入到双路径混合域残差阈值块DP-MRTB模型中，在双路径混合域残差阈值块DP-MRTB模型中，数据分为混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径两个路径进行传输；
3.3)输入的训练集振动信号经由混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征；
3.4)将步骤3.3)中经过两个路径提取的通道域注意力特征和空间域注意力特征分别作为阈值输入到软阈值函数中，对输入数据进行筛选，选取其中的有利于提高不同故障类型数据之间区分度的特征，削弱噪声信息的干扰；
3.5)将经过步骤3.4)筛选后的提取特征进行融合，得到最终的双路径混合域残差阈值块DP-MRTB输出的特征；
3.6)随后根据ResNet网络的构建方式对双路径混合域残差阈值块DP-MRTB进行叠加，得到最终的输入数据故障特征，并将提取的特征输入到Softmax激活函数中获取故障诊断结果；
4)将测试集的振动信号输入到训练好的双路径混合域残差阈值网络DP-MRTN模型中进行故障诊断。
所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于所述具有扩张卷积的混合域残差阈值块路径中，将前两个卷积层替换为扩张卷积层，其他架构与所述混合域残差阈值块路径一样。
所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于所述步骤3.3)中，输入的训练集振动信号经由混合域残差阈值块路径或具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征的具体过程如下：
3.3.1)在混合域残差阈值块路径或者具有扩张卷积的混合域残差阈值块路径中，输入特征首先通过两个卷积层或两个扩张卷积层，每个卷积层或扩张卷积层后紧跟批归一化层和ReLU激活函数，然后将经过卷积操作后的特征进行求绝对值和全局平均池化处理，得到特征A，特征A依次流经全连接层、批归一化层、ReLU激活函数和全连接层，得到通道域注意力系数Mc，并与特征A做乘法得到通道域注意力特征Fc，即：
3.3.2)将通道域注意力特征Fc分别进行最大池化和平均池化，并将两种池化后的结果进行融合输入到多尺度卷积模块中，将不同尺度卷积的结果做元素相加运算，得到空间域注意力系数Ms，并与通道域注意力特征Fc做乘法得到空间域注意力特征，即:
其中，表示矩阵对应位置元素相加计算；/>和/>分别表示不同尺度的卷积核得到的空间域注意力系数；/>和/>分别表示三个不同尺度的卷积核；θ表示ReLU激活函数；Favg和Fmax分别表示沿通道方向的均值池化和最大池化计算所生成的特征；Finput为输入特征，Fc和Fs分别为经过通道域注意力机制模块和空间域注意力机制模块所输出的特征。
所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于，所述的步骤3中双路径混合域残差阈值网络DP-MRTN模型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：
本发明方法从通道域和空间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；在此基础上，将扩张卷积加入混合域残差阈值块中，构造一条新的路径，用于捕获振动信号中的长距离依赖关系，并将混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径两条路径提取的通道域注意力特征和空间域注意力特征进行融合，能够显著提高诊断模型在强噪声环境下的故障诊断精度。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例中的滚动体故障(0.1mm、0.3mm、0.5mm)、内圈故障(0.1mm、0.3mm、0.5mm)、外圈故障(0.1mm、0.3mm、0.5mm)和正常信号的对比图，其中，图(a)是0.1mm滚动体故障信号图，图(b)是0.3mm滚动体故障信号图，图(c)是0.5mm滚动体故障信号图，图(d)是0.1mm内圈故障信号图，图(e)是0.3mm内圈故障信号图，图(f)是0.5mm内圈故障信号图，图(g)0.1mm是外圈故障信号图，图(h)是0.3mm外圈故障信号图，图(i)是0.5mm外圈故障信号图，图(j)是正常信号图；
图3为本发明实施例中双路径混合域残差阈值块DP-MRTB的整体结构示意图；
图4为本发明实施例中双路径混合域残差阈值网络DP-MRTN网络基本结构示意图。
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。
请参阅图1-4，面向强噪声干扰环境的演艺装备故障诊断模型构建方法，如图1所示，包括以下步骤：
S1：实验数据来自三相异步电动机故障仿真实验平台的数据，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，用于采集径向X、前向Y、垂向Z三个方向的滚动轴承振动信号，并将Y轴方向的振动信号作为原始数据集。设置每次进行分析的样本时长为8s，并根据分析时长对Y轴的振动信号进行分割，将分割后的数据分为训练数据集和测试数据集。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：将分割后的数据采用min-max标准化的方法进行比例缩放，使之落入一个小的特定区间，提升模型的收敛速度，我们将滚动轴承不同状态下的振动信号进行了可视化，如图2所示；
S3：构建如图4所示的双路径混合域残差阈值网络DP-MRTN模型，将训练集输入到双路径混合域残差阈值网络DP-MRTN模型中进行训练，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，振动信号在双路径混合域残差阈值网络DP-MRTN中的具体处理过程如下：
S3.1：首先采用卷积核为64，步长为8的卷积层对输入数据中的短时特征进行提取，抑制高频噪声；
S3.2：输入的训练集振动信号在被宽卷积核压缩后，首先流经批归一化层和ReLU激活函数，然后输入到通道数为16，步长为2的双路径混合域残差阈值网络DP-MRTN模型中，在如图3所示的双路径混合域残差阈值块DP-MRTB中，数据分为两个路径进行传输；
S3.3：输入的训练集振动信号经由混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征，具体过程如下：
3.3.1)在混合域残差阈值块路径或者具有扩张卷积的混合域残差阈值块路径中，输入特征首先通过两个卷积层或两个扩张卷积层，每个卷积层或扩张卷积层后紧跟批归一化层和ReLU激活函数，然后将经过卷积操作后的特征进行求绝对值和全局平均池化处理，得到特征A，特征A依次流经全连接层，批归一化层，ReLU激活函数和全连接层，得到通道域注意力系数，并与特征A做乘法得到通道域注意力特征，即
3.3.2)将通道域注意力特征Fc分别进行最大池化和平均池化，并将两种池化后的结果进行融合输入到多尺度卷积模块中，将不同尺度卷积的结果做元素相加运算，得到空间域注意力系数，并与特征Fc做乘法得到空间域注意力特征，即:
其中表示矩阵对应位置元素相加计算；/>和/>分别表示三个不同尺度的卷积核；Favg和Fmax分别表示沿通道方向的均值池化和最大池化计算所生成的特征；Finput为输入特征，Fc和Fs分别为经过通道域注意力机制模块和空间域注意力机制模块所输出的特征；
3.4)将步骤3.3)中经过两个路径提取的通道域注意力特征和空间域注意力特征分别作为阈值输入到软阈值函数中，对输入数据进行筛选，选取其中的重要特征，即有利于提高不同故障类型数据之间区分度的特征，削弱噪声信息的干扰；
3.5)将经过步骤3.4)筛选后的经过两个路径的提取特征进行融合，得到最终的双路径混合域残差阈值块DP-MRTB输出的特征；
3.6)随后根据深度学习网络构建一般规律对双路径混合域残差阈值块DP-MRTB进行叠加，得到最终的输入数据故障特征，并将提取的特征输入到Softmax激活函数中获取故障诊断结果；
S4：将测试样本数据输入到训练好的双路径混合域残差阈值网络DP-MRTN中进行故障诊断。
其中，双路径混合域残差阈值网络DP-MRTN模型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。
表2本发明中所提出的双路径混合域残差阈值网络DP-MRTN模型与现有故障诊断模型在高斯白噪声干扰下的故障诊断结果
表3本发明中所提出的双路径混合域残差阈值网络DP-MRTN模型与现有故障诊断模型在拉普拉斯噪声干扰下的故障诊断结果
表2和表3分别为本发明与现有方法在不同数量的高斯白噪声和拉普拉斯噪声下进行比较的结果，通过对故障诊断准确率的对比，可以看出本发明相比于现有方法提高了故障识别的准确率和可靠性，能够有效且准确地诊断出滚动轴承的故障类别。
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.面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于，包括以下步骤：
1)在演艺装备外壳表面安置无线智能传感器，采集径向X、前向Y、垂向Z三个方向的振动信号，设置每次进行分析的样本时长，并根据分析的样本时长对前向Y方向上的振动信号进行分割，将分割后的数据分为训练集和测试集；
2)将训练集的振动信号和测试集的振动信号采用min-max标准化的方法进行比例缩放，使之落入设定的区间，提升模型的收敛速度；
3)确定双路径混合域残差阈值网络DP-MRTN的整体结构和超参数，将训练集输入到双路径混合域残差阈值网络DP-MRTN中进行训练，得到一个用于演艺装备的特征提取模型和分类模型，训练集在双路径混合域残差阈值网络DP-MRTN中的具体处理过程如下：
3.1)首先，通过卷积层对输入的训练集振动信号中的短时特征进行提取，抑制高频噪声；
3.2)输入的训练集振动信号在被宽卷积核压缩后，首先流经批归一化层和ReLU激活函数，然后输入到双路径混合域残差阈值块DP-MRTB模型中，在双路径混合域残差阈值块DP-MRTB模型中，数据分为混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径两个路径进行传输；
3.3)输入的训练集振动信号经由混合域残差阈值块路径及具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征；
3.4)将步骤3.3)中经过两个路径提取的通道域注意力特征和空间域注意力特征分别作为阈值输入到软阈值函数中，对输入数据进行筛选，选取其中的有利于提高不同故障类型数据之间区分度的特征，削弱噪声信息的干扰；
3.5)将经过步骤3.4)筛选后的提取特征进行融合，得到最终的双路径混合域残差阈值块DP-MRTB输出的特征；
3.6)随后根据ResNet网络的构建方式对双路径混合域残差阈值块DP-MRTB进行叠加，得到最终的输入数据故障特征，并将提取的特征输入到Softmax激活函数中获取故障诊断结果；
4)将测试集的振动信号输入到训练好的双路径混合域残差阈值网络DP-MRTN模型中进行故障诊断。
2.根据权利要求1所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于所述具有扩张卷积的混合域残差阈值块路径中，将前两个卷积层替换为扩张卷积层，其他架构与所述混合域残差阈值块路径一样。
3.根据权利要求2所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于所述步骤3.3)中，输入的训练集振动信号经由混合域残差阈值块路径或具有扩张卷积的混合域残差阈值块路径，分别获取对应路径的通道域注意力特征和空间域注意力特征的具体过程如下：
3.3.1)在混合域残差阈值块路径或者具有扩张卷积的混合域残差阈值块路径中，输入特征首先通过两个卷积层或两个扩张卷积层，每个卷积层或扩张卷积层后紧跟批归一化层和ReLU激活函数，然后将经过卷积操作后的特征进行求绝对值和全局平均池化处理，得到特征A，特征A依次流经全连接层、批归一化层、ReLU激活函数和全连接层，得到通道域注意力系数Mc，并与特征A做乘法得到通道域注意力特征Fc，即：
3.3.2)将通道域注意力特征Fc分别进行最大池化和平均池化，并将两种池化后的结果进行融合输入到多尺度卷积模块中，将不同尺度卷积的结果做元素相加运算，得到空间域注意力系数Ms，并与通道域注意力特征Fc做乘法得到空间域注意力特征，即:
其中，表示矩阵对应位置元素相加计算；/>和/>分别表示不同尺度的卷积核得到的空间域注意力系数；/>和/>分别表示三个不同尺度的卷积核；/>表示ReLU激活函数；Favg和Fmax分别表示沿通道方向的均值池化和最大池化计算所生成的特征；Finput为输入特征，Fc和Fs分别为经过通道域注意力机制模块和空间域注意力机制模块所输出的特征。
4.根据权利要求1所述的面向强噪声干扰环境的演艺装备故障诊断模型构建方法，其特征在于，所述的步骤3中双路径混合域残差阈值网络DP-MRTN模型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 |
|---|---|---|---|
| CN202110984638.3A CN113569990B (zh) | 2021-08-25 | 2021-08-25 | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984638.3A CN113569990B (zh) | 2021-08-25 | 2021-08-25 | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569990A CN113569990A (zh) | 2021-10-29 |
| CN113569990B true CN113569990B (zh) | 2024-03-05 |
Family
ID=78172819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110984638.3A Active CN113569990B (zh) | 2021-08-25 | 2021-08-25 | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569990B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861736B (zh) * | 2022-06-07 | 2023-11-17 | 重庆大学 | 基于gialdn网络的内部缺陷定位装置及内部缺陷定位方法 |
| CN115798516B (zh) * | 2023-02-07 | 2023-04-18 | 海纳科德（湖北）科技有限公司 | 一种可迁移的端到端声信号诊断方法及系统 |
| CN117332320B (zh) * | 2023-11-21 | 2024-02-02 | 浙江大学 | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080629A (zh) * | 2019-12-20 | 2020-04-28 | 河北工业大学 | 一种图像拼接篡改的检测方法 |
| JP6830707B1 (ja) * | 2020-01-23 | 2021-02-17 | 同▲済▼大学 | ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法 |
| CN112816191A (zh) * | 2020-12-28 | 2021-05-18 | 哈尔滨工业大学 | 一种基于sdrsn的多特征健康因子融合方法 |
| CN112910695A (zh) * | 2021-01-22 | 2021-06-04 | 湖北工业大学 | 基于全局注意力时域卷积网络的网络故障预测方法 |
-
2021
- 2021-08-25 CN CN202110984638.3A patent/CN113569990B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080629A (zh) * | 2019-12-20 | 2020-04-28 | 河北工业大学 | 一种图像拼接篡改的检测方法 |
| JP6830707B1 (ja) * | 2020-01-23 | 2021-02-17 | 同▲済▼大学 | ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法 |
| CN112816191A (zh) * | 2020-12-28 | 2021-05-18 | 哈尔滨工业大学 | 一种基于sdrsn的多特征健康因子融合方法 |
| CN112910695A (zh) * | 2021-01-22 | 2021-06-04 | 湖北工业大学 | 基于全局注意力时域卷积网络的网络故障预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569990A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
| 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 | |
| CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| CN107228766B (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
| CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
| CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
| CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
| CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 | |
| CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
| CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
| CN114004256A (zh) | 基于数字孪生体的制造装备主轴承的故障诊断方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN114755017A (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
| CN117191396A (zh) | 一种基于两阶段迁移的齿轮箱故障诊断方法 | |
| CN116821762A (zh) | 一种基于多尺度图注意力融合网络的机械故障诊断方法 | |
| CN112067298A (zh) | 一种基于层次全局模糊熵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 |