CN113627268A - 模型训练方法、矿井提升机用减速器故障检测方法和装置 - Google Patents

模型训练方法、矿井提升机用减速器故障检测方法和装置 Download PDF

Info

Publication number
CN113627268A
CN113627268A CN202110800783.1A CN202110800783A CN113627268A CN 113627268 A CN113627268 A CN 113627268A CN 202110800783 A CN202110800783 A CN 202110800783A CN 113627268 A CN113627268 A CN 113627268A
Authority
CN
China
Prior art keywords
fault
vibration signal
target
fault detection
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.)
Pending
Application number
CN202110800783.1A
Other languages
English (en)
Inventor
史志远
刘永亮
贺凯
冯海涛
张连军
贺江波
李冰晶
张素艳
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.)
Mining Products Safety Approval And Certification Center Co ltd
Original Assignee
Mining Products Safety Approval And Certification Center Co ltd
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 Mining Products Safety Approval And Certification Center Co ltd filed Critical Mining Products Safety Approval And Certification Center Co ltd
Priority to CN202110800783.1A priority Critical patent/CN113627268A/zh
Publication of CN113627268A publication Critical patent/CN113627268A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明涉及矿井提升机用减速器故障检测技术领域，具体涉及一种模型训练方法、矿井提升机用减速器故障检测方法和装置。该方法包括：对故障振动信号进行ITD分解，获取故障振动信号的固有旋转分量；对固有旋转分量中与故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得每一类故障振动信号的故障特征信息，构建故障振动信号的训练集；构建初始的故障检测网络模型；根据训练集，迭代训练初始的故障检测网络模型，获取用于矿井提升机用减速器故障检测的目标故障检测网络模型。本发明提高了故障振动信号的训练集与真实故障之间的相关度，使根据该训练集获得的目标故障检测网络模型能够更准确、精细地检测各类故障，实现了准确高效的减速器故障检测。

Description

模型训练方法、矿井提升机用减速器故障检测方法和装置
技术领域
本发明涉及减速器故障检测技术领域，具体涉及一种模型训练方法、矿井提升机用减速器故障检测方法和装置。
背景技术
矿井提升机通常在矿井中承担运物运人的工作，和矿井人员的人身安全直接相关。减速器作为提升机的关键传动机构，由于其运行工况复杂恶劣，极易受到损伤而造成故障，引发其他设备不良运行，进而诱发整个提升机的非正常工作，造成严重的安全事故和经济损失。因而对提升机减速器采用行之有效的故障诊断，从而提取故障特征，辨识故障状态，进而及时准确对故障部件进行维护，对于矿井人员的人身安全、设备的安全稳定运行以及矿井的正常生产，均至关重要。
因此，如何实现准确高效的减速器故障检测，是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种模型训练方法、矿井提升机用减速器故障检测方法和装置，以实现准确高效的减速器故障检测。
为达到以上目的，本发明实施例提供了以下方案：
第一方面，本发明实施例提供一种用于矿井提升机用减速器故障检测的模型训练方法，所述方法包括：
步骤11，对提升机减速器的故障振动信号进行ITD分解，获取所述故障振动信号的固有旋转分量；
步骤12，对所述固有旋转分量中与所述故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集；
步骤13，构建初始的故障检测网络模型；
步骤14，根据所述训练集，迭代训练初始的故障检测网络模型，获取用于矿井提升机用减速器故障检测的目标故障检测网络模型。
在一种可能的实施例中，所述步骤11，包括：
步骤21，从所述故障振动信号中确定目标类故障振动信号Xt；
步骤22，计算Xt的固有旋转分量
Figure BDA0003164697180000021
具体的计算公式为：
Figure BDA0003164697180000022
其中，L为基线信号提取因子，Lt为线性基准量，Ht为固有旋转量，ξ为在t∈(mk,mk+2]上的连续极值点之间的分段线性基线提取算子，ψ为固有旋转分量提取算子，
Figure BDA0003164697180000023
为p阶固有旋转分量，
Figure BDA0003164697180000024
为p阶线性基准分量，mk为Xt中第k个极值点对应的时间点，α为线性基准量计算算子；
步骤23，重复步骤21至步骤22，获取所述故障振动信号的固有旋转分量。
在一种可能的实施例中，所述步骤12，包括：
步骤31，从所述故障振动信号中确定目标类故障振动信号Xt；
步骤32，计算Xt的固有旋转分量
Figure BDA0003164697180000031
与Xt的相关度分量{θXH p}，具体计算公式为：
Figure BDA0003164697180000032
步骤33，根据所述相关度分量{θXH p}，从所述固有旋转分量
Figure BDA0003164697180000033
中确定与Xt相关度最大的目标固有旋转分量；
步骤34，将所述目标固有旋转分量映射到a维的Hankel矩阵中，获得矩阵Da；其中，所述矩阵Da的表达式为：
Figure BDA0003164697180000034
其中，S为目标类故障振动信号长度参数；
步骤35，对所述矩阵Da进行奇异值分解，获取表征Xt的故障特征信息的奇异值；
步骤36，重复步骤31至步骤35，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集。
在一种可能的实施例中，所述步骤13，包括：
步骤41，构建初始的蝙蝠算法优化极限学习机BA-ELM模型；其中，所述BA-ELM模型的待优化粒子为隐含层神经元权重和隐含层阈值，所述BA-ELM模型的适应度值为极限学习机的均方误差。
在一种可能的实施例中，所述步骤14，包括：
步骤51，利用蝙蝠算法随机生成一个蝙蝠的新位置
Figure BDA0003164697180000035
具体的计算公式为：
Figure BDA0003164697180000041
其中，Xi为第i只蝙蝠的初始位置，A'为当前迭代次数所有蝙蝠的脉冲响度的平均值，μ为-1至1之间的随机数；
步骤52，判断所述蝙蝠的适应度
Figure BDA0003164697180000042
优于所述蝙蝠的自身极值适应度F(Xi)；
步骤53，若优于，则更新
Figure BDA0003164697180000043
的位置、所述蝙蝠的自身极值适应度F(Xi)、当前最大声音响度和当前最大脉冲频率；
步骤54，基于更新后的当前最大声音响度和当前最大脉冲频率，更新所述BA-ELM模型的群体极值Gbest和个体极值Pbest；
步骤55，重复步骤51至步骤54，直至触发模型训练终止条件时，根据当前的群体极值Gbest和个体极值Pbest，获取隐含层神经元权重和隐含层阈值，并将当前的BA-ELM模型作为用于矿井提升机用减速器故障检测的目标故障检测网络模型。
第二方面，本发明实施例提供了一种用于矿井提升机用减速器故障检测的模型训练装置，所述装置包括：
第一获取模块，用以对提升机减速器的故障振动信号进行ITD分解，获取所述故障振动信号的固有旋转分量；
第一构建模块，用以对所述固有旋转分量中与所述故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集；
第二构建模块，用以构建初始的故障检测网络模型；
第二获取模块，用以根据所述训练集，迭代训练初始的故障检测网络模型，获取用于矿井提升机用减速器故障检测的目标故障检测网络模型。
在一种可能的实施例中，所述第一获取模块，包括：
第一确定模块，用以从所述故障振动信号中确定目标类故障振动信号Xt；
第一计算模块，用以计算Xt的固有旋转分量
Figure BDA0003164697180000051
具体的计算公式为：
Figure BDA0003164697180000052
其中，L为基线信号提取因子，Lt为线性基准量，Ht为固有旋转量，ξ为在t∈(mk,mk+2]上的连续极值点之间的分段线性基线提取算子，ψ为固有旋转分量提取算子，
Figure BDA0003164697180000053
为p阶固有旋转分量，
Figure BDA0003164697180000054
为p阶线性基准分量，mk为Xt中第k个极值点对应的时间点，α为线性基准量计算算子；
第三获取模块，用以基于所述第一确定模块和所述第一计算模块的重复工作，获取所述故障振动信号的固有旋转分量。
在一种可能的实施例中，所述第一构建模块，包括：
第二确定模块，用以从所述故障振动信号中确定目标类故障振动信号Xt；
第二计算模块，计算Xt的固有旋转分量
Figure BDA0003164697180000055
与Xt的相关度分量{θXH p}，具体计算公式为：
Figure BDA0003164697180000056
第三确定模块，用以根据所述相关度分量{θXH p}，从所述固有旋转分量
Figure BDA0003164697180000061
中确定与Xt相关度最大的目标固有旋转分量；
第四获取模块，用以将所述目标固有旋转分量映射到a维的Hankel矩阵中，获得矩阵Da；其中，所述矩阵Da的表达式为：
Figure BDA0003164697180000062
其中，S为目标类故障振动信号长度参数；
第五确定模块，用以对所述矩阵Da进行奇异值分解，获取表征Xt的故障特征信息的奇异值；
第三构建模块，用以基于所述第二确定模块、所述第二计算模块、所述第三确定模块、所述第四获取模块和所述第五确定模块的重复工作，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集。
第一构建模块，所述第二构建模块，包括：
第四构建模块，用以构建初始的蝙蝠算法优化极限学习机BA-ELM模型；其中，所述BA-ELM模型的待优化粒子为隐含层神经元权重和隐含层阈值，所述BA-ELM模型的适应度值为极限学习机的均方误差。
在一种可能的实施例中，所述第二获取模块，包括：
第一生成模块，用以利用蝙蝠算法随机生成一个蝙蝠的新位置
Figure BDA0003164697180000063
具体的计算公式为：
Figure BDA0003164697180000064
其中，Xi为第i只蝙蝠的初始位置，A'为当前迭代次数所有蝙蝠的脉冲响度的平均值，μ为-1至1之间的随机数；
第一判断模块，用以判断所述蝙蝠的适应度
Figure BDA0003164697180000071
优于所述蝙蝠的自身极值适应度F(Xi)；
第一更新模块，用以在所述蝙蝠的适应度
Figure BDA0003164697180000072
优于所述蝙蝠的自身极值适应度F(Xi)时，更新
Figure BDA0003164697180000073
的位置、所述蝙蝠的自身极值适应度F(Xi)、当前最大声音响度和当前最大脉冲频率；
第二更新模块，用以基于更新后的当前最大声音响度和当前最大脉冲频率，更新所述BA-ELM模型的群体极值Gbest和个体极值Pbest；
第五获取模块，用以基于所述第一生成模块、所述第一判断模块、所述第一更新模块和所述第二更新模块的重复工作，直至触发模型训练终止条件时，根据当前的群体极值Gbest和个体极值Pbest，获取隐含层神经元权重和隐含层阈值，并将当前的BA-ELM模型作为用于矿井提升机用减速器故障检测的目标故障检测网络模型。
第三方面，本发明实施例提供了一种矿井提升机用减速器故障检测方法，包括：
获取待检测提升减速机的振动信号；
对所述振动信号进行预处理，获取所述振动信号的故障特征信息；
利用如第一方面中任一所述模型训练方法获得的目标故障检测模型，获取所述振动信号的故障特征信息对应的故障类型。
第四方面，本发明实施例提供了一种矿井提升机用减速器故障检测装置，所述装置包括：
第六获取模块，用以获取待检测提升减速机的振动信号；
第七获取模块，用以对所述振动信号进行预处理，获取所述振动信号的故障特征信息；
第八获取模块，用以利用如第一方面中任一所述模型训练方法获得的目标故障检测模型，获取所述振动信号的故障特征信息对应的故障类型。
第五方面，本发明实施例提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现第一方面或第三方面中任一所述的方法的步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时以实现第一方面或第三方面中任一所述的方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明利用ITD方法，获取故障振动信号的固有旋转分量，提高了特征提取的速度，然后确定出与各类故障类型最相关的固有旋转分量，之后采用分量相空间重构方法，获取故障振动信号中每一类故障振动信号的故障特征信息，提高了故障振动信号的训练集与真实故障之间的相关度，使根据该训练集获得的目标故障检测网络模型能够更准确、精细地检测各类故障，从而实现了准确高效的减速器故障检测。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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说明书的一些实施例，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是本发明实施例提供的一种用于矿井提升机用减速器故障检测的模型训练方法的流程图；
图2是本发明实施例提供的一种根据ITD算法提取故障振动信号的固有旋转分量的方法的示意图；
图3是本发明实施例提供的一种目标类故障振动信号图谱示意图；
图4是图3所示的目标类故障振动信号的ITD分解示意图；
图5是本发明实施例提供的一种根据相空间映射提取故障振动信号的故障特征信息的方法的示意图；
图6是本发明实施例提供的不同故障类型的相空间奇异值分布图谱示意图；
图7是本发明实施例提供的一种基于蝙蝠算法优化极限学习机BA-ELM模型的模型训练方法的示意图；
图8是本发明实施例提供的一种用于矿井提升机用减速器故障检测的模型训练装置的结构示意图；
图9是本发明实施例提供的一种矿井提升机用减速器故障检测方法的流程图；
图10是本发明实施例提供的一种矿井提升机用减速器故障检测装置的结构示意图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明的发明人经过分析研究后发现，目前基于振动信号的故障辨识检测方案主要分为：信号采集、特征提取与故障模式辨识三个阶段。其中特征提取方面涉及到常用信号分解方法有EMD(Empirical Mode Decomposition，经验模态分解)方法、VMD(VariationalMode Decomposition，变分模态分解)方法等。
EMD方法能将信号自适应的分解到各个本征模式分量中，但由于EMD分解高度依赖极值点的搜索、载波包络线的插值等，致使其存在模态混叠与端点效应，影响分解效果。
VMD方法将信号的分解转换为约束模型最优解的寻优问题，可以避免端点效应与模态混叠，但VMD中的惩罚系数与分量个数这两个与分解性能影响较大的参数需人为给定，随机性较强，且算法运行速度较慢，对于故障辨识这类大数据分析领域效率较低。
本发明希望通过提高特征提取中提取的故障特征信息与故障类型的相关度，来提高最后获得的目标故障检测模型的检测准确度和检测效率，因此提出了以下方案。
请参阅图1，图1为本发明实施例提供的用于矿井提升机用减速器故障检测的模型训练方法的流程图，包括步骤11至步骤14。
步骤11，对提升机减速器的故障振动信号进行ITD分解，获取所述故障振动信号的固有旋转分量。
具体的，通过设置在存在故障的提升机减速器上的加速度传感器，可以采集获得该提升机减速器的故障振动信号。
具体的，ITD算法为Intrinsic Time Scale Decomposition时域分析算法，该算法分解后的每个PR(Proper Rotation，固有旋转)分量只需一次迭代就可得到，端点效应较小，分解效果与效率较高。
步骤12，对所述固有旋转分量中与所述故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集。
具体的，训练集中包括各个故障类型，以及该故障类型对应的故障特征信息。
具体的，特征参量提取方面通常涉及时域的均值、方差、峭度等指标、信号的能量熵等参量，但上述特征在表征不同故障状态方面区分度不够明显，且特征维数的增加也会造成冗余。因此，本步骤采用互相关分析提取与原信号相关程度最大、包含有信号最多故障特征的PR分量映射到相空间中，并对相空间进行奇异值分解，得到奇异值特征向量用以表征提升机减速器的不同故障状态。
步骤13，构建初始的故障检测网络模型。
具体的，在故障模式辨识方面，目前通用的方法有支持向量机、神经网络、极限学习机等，可以根据实际需要，灵活选择模型构建方法，实现本步骤的执行。
步骤14，根据所述训练集，迭代训练初始的故障检测网络模型，获取用于矿井提升机用减速器故障检测的目标故障检测网络模型。
具体的，由于步骤12中采用分量相空间重构方法来获取故障振动信号中每一类故障振动信号的故障特征信息，提高了故障振动信号的训练集与真实故障之间的相关度，使本步骤中根据该训练集获得的目标故障检测网络模型能够更准确、精细地检测各类故障，从而实现了准确高效的减速器故障检测。
这里，本发明实施例还给出了步骤11根据ITD算法提取故障振动信号的固有旋转分量的具体实现方案，包括步骤21至步骤22。如图2所示为本发明实施例提供的一种根据ITD算法提取故障振动信号的固有旋转分量的方法的示意图。
步骤21，从所述故障振动信号中确定目标类故障振动信号Xt。
具体的，根据故障的类型不同，故障的状态不同，可以将故障振动信号中的故障进行分类，每一类故障类型对应的振动信号即为目标类故障振动信号。如图3所示为本发明实施例提供的一种目标类故障振动信号图谱示意图。
步骤22，计算Xt的固有旋转分量
Figure BDA0003164697180000121
具体的计算公式为：
Figure BDA0003164697180000122
其中，L为基线信号提取因子，Lt为线性基准量，Ht为固有旋转量，ξ为在t∈(mk,mk+2]上的连续极值点之间的分段线性基线提取算子，ψ为固有旋转分量提取算子，
Figure BDA0003164697180000123
为p阶固有旋转分量，
Figure BDA0003164697180000124
为p阶线性基准分量，mk为Xt中第k个极值点对应的时间点，α为线性基准量计算算子。
具体的，目标类故障振动信号Xt可以被分解为Xt＝LXt+(1-L)Xt＝Lt+Ht，提取Xt的极值点所对应的时间点mk(k＝1,2,3,…,N)。
定义m0＝0，Xk＝X(mk)，Lk＝L(mk)，假设Lt与Ht在区间[0,mk]上有定义，Xt在[0,mk+2]上有定义。在(mk,mk+2]上的连续极值点之间定义一个分段线性基线提取算子ξ，则：
Figure BDA0003164697180000125
其中t∈(mk,mk+2]，
Figure BDA0003164697180000131
α取值可以为0.5。
定义一个固有旋转分量提取算子ψ，即：
Figure BDA0003164697180000132
Figure BDA0003164697180000133
为分离出来的频率最高的固有旋转分量。
其实，目标类故障振动信号Xt还可以存在以下等价表达：
Figure BDA0003164697180000134
可见，每一个
Figure BDA0003164697180000135
均对应有一个
Figure BDA0003164697180000136
因此，可以将基线信号Lt作为原始信号重复上述步骤，分离出频率依次降低的固有旋转分量
Figure BDA0003164697180000137
直到基线信号变为单调或小于某个预定值为止。如图4所示为图3所示的目标类故障振动信号的ITD分解示意图。
步骤23，重复步骤21至步骤22，获取所述故障振动信号的固有旋转分量。
具体的，本步骤先更新目标类故障振动信号，然后重复步骤22，从而获得更新后的目标类故障振动信号的固有旋转分量，进而获得故障振动信号中所有的固有旋转分量。其中，每一个固有旋转分量均对应有一个故障类型。
这里，本发明实施例还给出了步骤12根据相空间映射提取故障振动信号的故障特征信息的具体实现方案，包括步骤31至步骤36。如图5所示为本发明实施例提供的一种根据相空间映射提取故障振动信号的故障特征信息的方法的示意图。
步骤31，从所述故障振动信号中确定目标类故障振动信号Xt；
步骤32，计算Xt的固有旋转分量
Figure BDA0003164697180000138
与Xt的相关度分量{θXH p}，具体计算公式为：
Figure BDA0003164697180000141
具体的，p＝1，2,…,m为，ITD算法分解所得固有旋转分量的个数。
步骤33，根据所述相关度分量{θXH p}，从所述固有旋转分量
Figure BDA0003164697180000142
中确定与Xt相关度最大的目标固有旋转分量。
步骤34，将所述目标固有旋转分量映射到a维的Hankel矩阵中，获得矩阵Da；其中，所述矩阵Da的表达式为：
Figure BDA0003164697180000143
其中，S为目标类故障振动信号长度参数。
具体的，在进行相空间重构时，选择与原信号相关度最大的旋转分量Ht，根据相空间重构理论，将其映射到a维Hankel矩阵中，
步骤35，对所述矩阵Da进行奇异值分解，获取表征Xt的故障特征信息的奇异值。
具体的，在进行矩阵奇异值分解时，矩阵Da可以写为Dm＝D+V，其中D代表平滑信号部分在相空间中的轨道矩阵，V为噪声在空间中的轨道矩阵。对矩阵Da进行奇异值分解，得到：Da＝UALT。其中，U＝Ra×b，L＝Ra×b；A为一个a×b的对角矩阵，其可以表示为A＝diag(σ1,σ2,...，σq)，且σ1≥σ2≥...≥σq≥0，称为矩阵Da的奇异值。
步骤36，重复步骤31至步骤35，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集。如图6所示为本发明实施例提供的不同故障类型的相空间奇异值分布图谱示意图。
具体的，本步骤先更新目标类故障振动信号，然后重复步骤32至步骤35，从而获得更新后的目标类故障振动信号的奇异值，进而获得故障振动信号中每一类故障振动信号的故障特征信息，构建出故障振动信号对应的特征向量矩阵T，进而根据该特征向量矩阵T，构建出故障振动信号的训练集。
在实际应用中，虽然可以采用多种模型构建方案，来实现步骤13，但是人工神经网络在应用过程中需要人为设置大量参数，存在训练速度慢极易陷入局部极值等问题，支持向量机同样面临多参数选取困难的问题，这都直接影响到了其运用于故障辨识中时的准确精度。极限学习机(ELM)由于学习速度快、泛化能力强，近年来也被广泛使用；但ELM算法同样存在输入权值和隐层阈值两个参数随机给定，参数选择的好坏直接影响极限学习机的泛化能力的强弱，随机性较强。因此引入可动态转换局部搜索与全局搜索且避免陷入局部最优缺陷的蝙蝠算法来优化极限学习机的输入权值与隐含层阈值，从而建立泛化能力强、分类精度高的BA-ELM故障辨识模型。
这里，本实施例还提供了基于极限学习机来实现步骤13的模型构建方案，具体包括步骤41。
步骤41，构建初始的蝙蝠算法优化极限学习机BA-ELM模型；其中，所述BA-ELM模型的待优化粒子为隐含层神经元权重和隐含层阈值，所述BA-ELM模型的适应度值为极限学习机的均方误差。
具体的，该初始模型中，需要设定蝙蝠种群个数为N，第i只蝙蝠的初始位置与初始速度分别为Xi与Vi，最大声音响度A、最大脉冲频率f、脉冲频率范围[Qmin,Qmax]、脉冲增强系数β、响应衰减系数α、响应范围为[A0,Amin]，最大迭代次数D等。
模型中，频率更新、速度更新、位置更新的方式可以采用：
脉冲频率更新Q(i)＝Qmin+(Qmax-Qmin)*σ，σ∈[0,1]；
速度更新Vt+1(i)＝Vt(i)+(Xt(i)-Pbest)*Q(i)；
位置更新Xt+1(i)＝Xt(i)+Vt+1(i)。
这里，本实施例还基于蝙蝠算法优化极限学习机BA-ELM模型，还提供了一种模型训练方案，具体包括步骤51至步骤55。如图7所示为本发明实施例提供的一种基于蝙蝠算法优化极限学习机BA-ELM模型的模型训练方法的示意图。
步骤51，利用蝙蝠算法随机生成一个蝙蝠的新位置
Figure BDA0003164697180000161
具体的计算公式为：
Figure BDA0003164697180000162
其中，Xi为第i只蝙蝠的初始位置，A'为当前迭代次数所有蝙蝠的脉冲响度的平均值，μ为-1至1之间的随机数。
步骤52，判断所述蝙蝠的适应度
Figure BDA0003164697180000163
优于所述蝙蝠的自身极值适应度F(Xi)。
步骤53，若优于，则更新
Figure BDA0003164697180000164
的位置、所述蝙蝠的自身极值适应度F(Xi)、当前最大声音响度和当前最大脉冲频率。
具体的，最大声音响度的更新方式为：At+1(i)＝α*At(i)；最大脉冲频率的更新方式为：ft+1(i)＝f(i)(1-exp(-βt))。
步骤54，基于更新后的当前最大声音响度和当前最大脉冲频率，更新所述BA-ELM模型的群体极值Gbest和个体极值Pbest。
步骤55，重复步骤51至步骤54，直至触发模型训练终止条件时，根据当前的群体极值Gbest和个体极值Pbest，获取隐含层神经元权重和隐含层阈值，并将当前的BA-ELM模型作为用于矿井提升机用减速器故障检测的目标故障检测网络模型。
具体的，模型训练终止条件可以是：当前迭代总次数到达设定最大迭代次数；模型训练终止条件还可以是：连续设定次数的蝙蝠的自身极值适应度之间的差异在设定阈值内；当然，模型训练终止条件还可以采用其他方式，在此不予以赘述。
本实施例能够利用ITD自适应分解特性，避免分解的端点效应与模态混叠现象；利用互相关分解，求取与原信号相关度最大的固有旋转分量，保证分量中包含有信号较为纯粹的故障特性；将分量信号映射到能够进一步凸显其振动特性的相空间矩阵中，后对矩阵进行奇异值分解得到能够充分且有效表达不同减速器故障状态的特征向量；利用蝙蝠算法优化极限学习机的输入权值与隐含层阈值这两个对辨识模型泛化能力与辨识能力影响至深的参数，从而避免随机选取的盲目性，并提高减速器故障状态辨识精度。
基于与方法同样的发明构思，本发明实施例还提供了一种用于矿井提升机用减速器故障检测的模型训练装置，如图8所示为该装置实施例的结构示意图，所述装置包括：
第一获取模块61，用以对提升机减速器的故障振动信号进行ITD分解，获取所述故障振动信号的固有旋转分量；
第一构建模块62，用以对所述固有旋转分量中与所述故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集；
第二构建模块63，用以构建初始的故障检测网络模型；
第二获取模块64，用以根据所述训练集，迭代训练初始的故障检测网络模型，获取用于矿井提升机用减速器故障检测的目标故障检测网络模型。
在一种可能的实施例中，所述第一获取模块，包括：
第一确定模块，用以从所述故障振动信号中确定目标类故障振动信号Xt；
第一计算模块，用以计算Xt的固有旋转分量
Figure BDA0003164697180000181
具体的计算公式为：
Figure BDA0003164697180000182
其中，L为基线信号提取因子，Lt为线性基准量，Ht为固有旋转量，ξ为在t∈(mk,mk+2]上的连续极值点之间的分段线性基线提取算子，ψ为固有旋转分量提取算子，
Figure BDA0003164697180000183
为p阶固有旋转分量，
Figure BDA0003164697180000184
为p阶线性基准分量，mk为Xt中第k个极值点对应的时间点，α为线性基准量计算算子；
第三获取模块，用以基于所述第一确定模块和所述第一计算模块的重复工作，获取所述故障振动信号的固有旋转分量。
在一种可能的实施例中，所述第一构建模块，包括：
第二确定模块，用以从所述故障振动信号中确定目标类故障振动信号Xt；
第二计算模块，计算Xt的固有旋转分量
Figure BDA0003164697180000185
与Xt的相关度分量{θXH p}，具体计算公式为：
Figure BDA0003164697180000186
第三确定模块，用以根据所述相关度分量{θXH p}，从所述固有旋转分量
Figure BDA0003164697180000191
中确定与Xt相关度最大的目标固有旋转分量；
第四获取模块，用以将所述目标固有旋转分量映射到a维的Hankel矩阵中，获得矩阵Da；其中，所述矩阵Da的表达式为：
Figure BDA0003164697180000192
其中，S为目标类故障振动信号长度参数；
第五确定模块，用以对所述矩阵Da进行奇异值分解，获取表征Xt的故障特征信息的奇异值；
第三构建模块，用以基于所述第二确定模块、所述第二计算模块、所述第三确定模块、所述第四获取模块和所述第五确定模块的重复工作，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集。
第一构建模块，所述第二构建模块，包括：
第四构建模块，用以构建初始的蝙蝠算法优化极限学习机BA-ELM模型；其中，所述BA-ELM模型的待优化粒子为隐含层神经元权重和隐含层阈值，所述BA-ELM模型的适应度值为极限学习机的均方误差。
在一种可能的实施例中，所述第二获取模块，包括：
第一生成模块，用以利用蝙蝠算法随机生成一个蝙蝠的新位置
Figure BDA0003164697180000193
具体的计算公式为：
Figure BDA0003164697180000194
其中，Xi为第i只蝙蝠的初始位置，A'为当前迭代次数所有蝙蝠的脉冲响度的平均值，μ为-1至1之间的随机数；
第一判断模块，用以判断所述蝙蝠的适应度
Figure BDA0003164697180000201
优于所述蝙蝠的自身极值适应度F(Xi)；
第一更新模块，用以在所述蝙蝠的适应度
Figure BDA0003164697180000202
优于所述蝙蝠的自身极值适应度F(Xi)时，更新
Figure BDA0003164697180000203
的位置、所述蝙蝠的自身极值适应度F(Xi)、当前最大声音响度和当前最大脉冲频率；
第二更新模块，用以基于更新后的当前最大声音响度和当前最大脉冲频率，更新所述BA-ELM模型的群体极值Gbest和个体极值Pbest；
第五获取模块，用以基于所述第一生成模块、所述第一判断模块、所述第一更新模块和所述第二更新模块的重复工作，直至触发模型训练终止条件时，根据当前的群体极值Gbest和个体极值Pbest，获取隐含层神经元权重和隐含层阈值，并将当前的BA-ELM模型作为用于矿井提升机用减速器故障检测的目标故障检测网络模型。
基于与方法同样的发明构思，本发明实施例还提供了一种矿井提升机用减速器故障检测方法，如图9所示为该方法实施例对应的流程图，包括步骤71至步骤73。
步骤71，获取待检测提升减速机的振动信号。
步骤72，对所述振动信号进行预处理，获取所述振动信号的故障特征信息。
具体的，可以采用上文中的ITD算法配合相空间映射的方式，获取表征振动信号的故障特征信息的奇异值。
步骤73，利用如上文中任一所述模型训练方法获得的目标故障检测模型，获取所述振动信号的故障特征信息对应的故障类型。
基于与方法同样的发明构思，本发明实施例还提供了一种矿井提升机用减速器故障检测装置，图10所示为该装置实施例的结构示意图，包括：
第六获取模块81，用以获取待检测提升减速机的振动信号；
第七获取模块82，用以对所述振动信号进行预处理，获取所述振动信号的故障特征信息；
第八获取模块83，用以利用如第一方面中任一所述模型训练方法获得的目标故障检测模型，获取所述振动信号的故障特征信息对应的故障类型。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明实施例利用ITD方法，获取故障振动信号的固有旋转分量，提高了特征提取的速度，然后确定出与各类故障类型最相关的固有旋转分量，之后采用分量相空间重构方法，获取故障振动信号中每一类故障振动信号的故障特征信息，提高了故障振动信号的训练集与真实故障之间的相关度，使根据该训练集获得的目标故障检测网络模型能够更准确、精细地检测各类故障，从而实现了准确高效的减速器故障检测。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种用于矿井提升机用减速器故障检测的模型训练方法，其特征在于，所述方法包括：
步骤11，对提升机用减速器的故障振动信号进行ITD分解，获取所述故障振动信号的固有旋转分量；
步骤12，对所述固有旋转分量中与所述故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集；
步骤13，构建初始的故障检测网络模型；
步骤14，根据所述训练集，迭代训练初始的故障检测网络模型，获取用于提升机减速器故障检测的目标故障检测网络模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述步骤11，包括：
步骤21，从所述故障振动信号中确定目标类故障振动信号Xt；
步骤22，计算Xt的固有旋转分量
Figure FDA0003164697170000011
具体的计算公式为：
Figure FDA0003164697170000012
其中，L为基线信号提取因子，Lt为线性基准量，Ht为固有旋转量，ξ为在t∈(mk，mk+2]上的连续极值点之间的分段线性基线提取算子，ψ为固有旋转分量提取算子，
Figure FDA0003164697170000021
为p阶固有旋转分量，
Figure FDA0003164697170000022
为p阶线性基准分量，mk为Xt中第k个极值点对应的时间点，α为线性基准量计算算子；
步骤23，重复步骤21至步骤22，获取所述故障振动信号的固有旋转分量。
3.根据权利要求2所述的模型训练方法，其特征在于，所述步骤12，包括：
步骤31，从所述故障振动信号中确定目标类故障振动信号Xt；
步骤32，计算Xt的固有旋转分量
Figure FDA0003164697170000023
与Xt的相关度分量{θXH p}，具体计算公式为：
Figure FDA0003164697170000024
步骤33，根据所述相关度分量{θXH p}，从所述固有旋转分量
Figure FDA0003164697170000025
中确定与Xt相关度最大的目标固有旋转分量；
步骤34，将所述目标固有旋转分量映射到a维的Hankel矩阵中，获得矩阵Da；其中，所述矩阵Da的表达式为：
Figure FDA0003164697170000026
其中，S为目标类故障振动信号长度参数；
步骤35，对所述矩阵Da进行奇异值分解，获取表征Xt的故障特征信息的奇异值；
步骤36，重复步骤31至步骤35，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集。
4.根据权利要求1所述的模型训练方法，其特征在于，所述步骤13，包括：
步骤41，构建初始的蝙蝠算法优化极限学习机BA-ELM模型；其中，所述BA-ELM模型的待优化粒子为隐含层神经元权重和隐含层阈值，所述BA-ELM模型的适应度值为极限学习机的均方误差。
5.根据权利要求4所述的模型训练方法，其特征在于，所述步骤14，包括：
步骤51，利用蝙蝠算法随机生成一个蝙蝠的新位置
Figure FDA0003164697170000031
具体的计算公式为：
Figure FDA0003164697170000032
其中，Xi为第i只蝙蝠的初始位置，A'为当前迭代次数所有蝙蝠的脉冲响度的平均值，μ为-1至1之间的随机数；
步骤52，判断所述蝙蝠的适应度
Figure FDA0003164697170000033
优于所述蝙蝠的自身极值适应度F(Xi)；
步骤53，若优于，则更新
Figure FDA0003164697170000034
的位置、所述蝙蝠的自身极值适应度F(Xi)、当前最大声音响度和当前最大脉冲频率；
步骤54，基于更新后的当前最大声音响度和当前最大脉冲频率，更新所述BA-ELM模型的群体极值Gbest和个体极值Pbest；
步骤55，重复步骤51至步骤54，直至触发模型训练终止条件时，根据当前的群体极值Gbest和个体极值Pbest，获取隐含层神经元权重和隐含层阈值，并将当前的BA-ELM模型作为用于矿井提升机用减速器故障检测的目标故障检测网络模型。
6.一种用于矿井提升机用减速器故障检测的模型训练装置，其特征在于，所述装置包括：
第一获取模块，用以对提升机减速器的故障振动信号进行ITD分解，获取所述故障振动信号的固有旋转分量；
第一构建模块，用以对所述固有旋转分量中与所述故障振动信号相关度最大的目标固有旋转分量进行相空间重构，获得所述故障振动信号中每一类故障振动信号的故障特征信息，构建所述故障振动信号的训练集；
第二构建模块，用以构建初始的故障检测网络模型；
第二获取模块，用以根据所述训练集，迭代训练初始的故障检测网络模型，获取用于矿井提升机用减速器故障检测的目标故障检测网络模型。
7.一种矿井提升机用减速器故障检测方法，其特征在于，包括：
获取待检测提升减速机的振动信号；
对所述振动信号进行预处理，获取所述振动信号的故障特征信息；
利用如权利要求1至5任一所述模型训练方法获得的目标故障检测模型，获取所述振动信号的故障特征信息对应的故障类型。
8.一种矿井提升机用减速器故障检测装置，其特征在于，所述装置包括：
第六获取模块，用以获取待检测提升减速机的振动信号；
第七获取模块，用以对所述振动信号进行预处理，获取所述振动信号的故障特征信息；
第八获取模块，用以利用如权利要求1至5任一所述模型训练方法获得的目标故障检测模型，获取所述振动信号的故障特征信息对应的故障类型。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现权利要求1、2、3、4、5或7所述的方法的步骤。
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，所述计算机程序被处理器执行时以实现权利要求1、2、3、4、5或7所述的方法的步骤。
CN202110800783.1A 2021-07-15 2021-07-15 模型训练方法、矿井提升机用减速器故障检测方法和装置 Pending CN113627268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110800783.1A CN113627268A (zh) 2021-07-15 2021-07-15 模型训练方法、矿井提升机用减速器故障检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110800783.1A CN113627268A (zh) 2021-07-15 2021-07-15 模型训练方法、矿井提升机用减速器故障检测方法和装置

Publications (1)

Publication Number Publication Date
CN113627268A true CN113627268A (zh) 2021-11-09

Family

ID=78379923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110800783.1A Pending CN113627268A (zh) 2021-07-15 2021-07-15 模型训练方法、矿井提升机用减速器故障检测方法和装置

Country Status (1)

Country Link
CN (1) CN113627268A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383635A (zh) * 2023-06-05 2023-07-04 人工智能与数字经济广东省实验室(广州) 基于改进极限学习机的结构损伤快速识别方法
CN116861218A (zh) * 2023-07-25 2023-10-10 上海华菱电站成套设备股份有限公司 一种矿井提升机关键设备状态监测预警系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398252A (zh) * 2018-02-28 2018-08-14 河海大学 基于itd与svm的oltc机械故障诊断方法
CN109163911A (zh) * 2018-09-21 2019-01-08 昆明理工大学 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN110097967A (zh) * 2018-09-13 2019-08-06 龙岩学院 基于固有时间尺度分解、相空间重构和神经网络的膝骨性关节炎诊断系统
CN110470477A (zh) * 2019-09-19 2019-11-19 福州大学 一种基于ssae和ba-elm的滚动轴承故障诊断方法
CN111832353A (zh) * 2019-04-19 2020-10-27 中国科学院沈阳自动化研究所 基于emd与ba优化svm的汽轮机转子故障诊断方法
CN112163632A (zh) * 2020-10-14 2021-01-01 无锡新松机器人自动化有限公司 基于蝙蝠算法的半监督极限学习机在工业检测中的应用
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及系统
US20210270244A1 (en) * 2020-03-02 2021-09-02 Wuhan University Method and system for fault diagnosis of gearbox of wind turbine generator

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398252A (zh) * 2018-02-28 2018-08-14 河海大学 基于itd与svm的oltc机械故障诊断方法
CN110097967A (zh) * 2018-09-13 2019-08-06 龙岩学院 基于固有时间尺度分解、相空间重构和神经网络的膝骨性关节炎诊断系统
CN109163911A (zh) * 2018-09-21 2019-01-08 昆明理工大学 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN111832353A (zh) * 2019-04-19 2020-10-27 中国科学院沈阳自动化研究所 基于emd与ba优化svm的汽轮机转子故障诊断方法
CN110470477A (zh) * 2019-09-19 2019-11-19 福州大学 一种基于ssae和ba-elm的滚动轴承故障诊断方法
US20210270244A1 (en) * 2020-03-02 2021-09-02 Wuhan University Method and system for fault diagnosis of gearbox of wind turbine generator
CN112163632A (zh) * 2020-10-14 2021-01-01 无锡新松机器人自动化有限公司 基于蝙蝠算法的半监督极限学习机在工业检测中的应用
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘永亮: "基于ITD能量特征与K-ELM的滚动轴承故障诊断方法研究", 《煤矿机械》, pages 136 - 139 *
刘超等: "基于ITD与SSA的传动箱信号降噪及微弱特征提取", 《装甲兵工程学院学报》, pages 77 - 81 *
杨宇;王欢欢;喻镇涛;袁辉;: "基于ITD改进算法和关联维数的转子故障诊断方法", 振动与冲击, no. 23 *
柏林;陆超;赵鑫;: "基于相空间重构和ICA-R的轴承故障特征增强方法", 振动.测试与诊断, no. 06 *
肖洁;黎敬涛;邓超;罗志刚;林华峰;: "基于ITD与LLTSA的轴承故障诊断方法", 电子测量技术, no. 08 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383635A (zh) * 2023-06-05 2023-07-04 人工智能与数字经济广东省实验室(广州) 基于改进极限学习机的结构损伤快速识别方法
CN116383635B (zh) * 2023-06-05 2024-04-09 人工智能与数字经济广东省实验室(广州) 基于改进极限学习机的结构损伤快速识别方法
CN116861218A (zh) * 2023-07-25 2023-10-10 上海华菱电站成套设备股份有限公司 一种矿井提升机关键设备状态监测预警系统

Similar Documents

Publication Publication Date Title
CN107941537B (zh) 一种机械设备健康状态评估方法
Li et al. A deep learning approach for anomaly detection based on SAE and LSTM in mechanical equipment
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN110006649B (zh) 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法
CN109000876B (zh) 基于自动编码器深度学习的sns光纤冲击识别方法
CN113627268A (zh) 模型训练方法、矿井提升机用减速器故障检测方法和装置
CN109060347B (zh) 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法
CN106777622A (zh) 基于人工智能的机电设备在线故障诊断的方法及系统
CN108760305B (zh) 一种轴承故障检测方法、装置及设备
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
CN112001314A (zh) 变速提升机的早期故障检测方法
CN110737976B (zh) 一种基于多维度信息融合的机械设备健康评估方法
CN102829967A (zh) 一种基于回归模型系数变化的时域故障识别方法
Chen et al. UAV fault detection based on GA-BP neural network
CN108764122A (zh) 一种基于深度学习的auv控制系统优化与故障监测方法
CN113239970A (zh) 一种模型训练方法、设备振动异常检测方法和装置
Liang et al. A novel faults diagnosis method for rolling element bearings based on ELCD and extreme learning machine
CN112132102A (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN108256238A (zh) 一种基于深度学习的光纤光栅波长解调方法及装置
CN106644035B (zh) 一种基于时频变换特性的振动源识别方法及系统
CN113627461A (zh) 一种基于pso-bp算法的带式输送机故障诊断方法、装置及设备
CN115600136A (zh) 一种基于多传感器的高压套管故障诊断方法、系统及介质
CN104964736B (zh) 基于时频特性最大期望分类的光纤入侵振源识别方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质

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