CN113627375A - 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 - Google Patents
一种行星齿轮故障诊断方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN113627375A CN113627375A CN202110945765.2A CN202110945765A CN113627375A CN 113627375 A CN113627375 A CN 113627375A CN 202110945765 A CN202110945765 A CN 202110945765A CN 113627375 A CN113627375 A CN 113627375A
- Authority
- CN
- China
- Prior art keywords
- signal
- wavelet
- dimensional
- fractional
- energy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000011176 pooling Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/025—Test-benches with rotational drive means and loading means; Load or drive simulation
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
本发明涉及一种行星齿轮故障诊断方法、系统、存储介质及计算设备，其包括：获取行星齿轮的原始振动信号，对所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；利用分数阶小波变换分别对所述重构信号进行分数阶小波域的滤波；利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；根据所述二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。本发明能实现对齿轮不同工况下不同故障的准确识别提取，可以在机械故障诊断技术领域中广泛应用。
Description
技术领域
本发明涉及一种机械故障诊断技术领域，特别是关于一种基于FRWT和2D-CNN的行星齿轮故障诊断方法、系统、存储介质及计算设备。
背景技术
行星齿轮作为旋转机械设备的重要部件，它通常在高速和大功率的环境下运行，广泛应用在飞机制造、煤矿机械、风力发电、轮船制造等行业中，在长期的运行过程中极易出现非平稳振动现象。20世纪80年代以来，全球因为旋转设备出现故障引发了很多严重的事故，造成了巨大的经济损失。其中大约有百分之八十的故障发生在行星齿轮上。因此，如何准确的对行星齿轮进行故障诊断具有重要的研究意义。
行星齿轮的故障信号为非平稳非线性信号，在强大的背景噪声下存在微弱故障特征提取困难，如何准确识别提取出这些微弱的故障特征成为目前亟需解决的技术问题。
发明内容
针对上述问题，本发明的目的是提供一种行星齿轮故障诊断方法、系统、存储介质及计算设备，其能实现对齿轮不同工况下不同故障的准确识别提取。
为实现上述目的，本发明采取以下技术方案：一种行星齿轮故障诊断方法，其包括：获取行星齿轮的原始振动信号，将所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；利用小波包提取滤波后的所述重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；根据所述二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
优选的，所述将所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构，包括：对原始的振动信号进行AFSA-VMD分解得到若干IMF分量，选取相关系数最大的两个IMF分量进行信号重构。
优选的，所述利用分数阶小波变换分别对所述重构信号进行分数阶小波域的滤波，包括：根据输入的所述重构信号，选取分数阶次变化范围，确定最佳变换阶次p；对所述重构信号进行p阶分数阶傅里叶变换，获得分数域的信号；对所述分数域的信号进行小波分解，得到分数小波域的信号；再对所述分数小波域的信号进行小波重构，恢复得到分数域的信号；对所述恢复得到分数域的信号进行-p阶分数阶傅里叶变换，得到滤波后的信号。
优选的，所述确定最佳变换阶次p，包括：以输出能量最小为目标函数，搜索最佳变换阶次p。
优选的，所述利用小波包提取滤波后的所述重构信号的能量值，包括：将所述重构信号进行n层小波包分解，第j层有2n个频带信号，提取第j层的2n个特征；将分解的每一频段的低频系数和高频系数进行信号的重构，并求解各频段信号的能量值；将所述各频段信号的能量值累加得到重构信号的能量值。
优选的，所述将归一化能量值转换为二维归一化能量特征矩阵，包括：将所述各频段信号的能量值与所述重构信号的能量值的比值作为每频段的小波包能量Mi,j；i＝1，2，…，n；根据小波包能量Mi,j得到小波包能量特征向量
由所述小波包能量特征向量构建二维归一化能量特征矩阵。
优选的，所述故障诊断方法还包括：根据所述将归一化能量值转换为二维归一化能量特征矩阵，得到二维频带能量特征分布图，并对每类故障设定标签类别，输入所述二维卷积神经网络模型。
一种行星齿轮故障诊断系统，其包括：重构模块、滤波模块、能量特征矩阵构建模块和故障识别模块；所述重构模块，用于获取行星齿轮的原始振动信号，将所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；所述滤波模块，利用分数阶小波变换分别对所述重构信号进行分数阶小波域的滤波；所述能量特征矩阵构建模块，利用小波包提取滤波后所述重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；所述故障识别模块，根据所述二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明采用基于FRWT(分数阶小波变换)的行星齿轮振动信号滤波，而且采用的分数阶傅里叶变换可以实现对信号的进一步降噪效果；由分数阶小波变换可以有效提高降噪的效果，以提高后期故障识别的准确度。
2、本发明采用二维卷积神经网络模型，分别将分数阶傅里叶变换和分数阶小波变换滤波之后的信号即将一维的小波能量值归一化后转换为二维特征矩阵进行诊断模型的训练，可以有效地实现故障分类识别，具有较高的故障分类准确率。
附图说明
图1是本发明一实施例中的行星齿轮故障诊断方法整体流程示意图；
图2是本发明一实施例中的分数阶小波变换流程示意图；
图3是本发明一实施例中的FRWT阶次寻优；
图4是本发明一实施例中的点蚀信号滤波时域图，其中(a)是点蚀重构信号，(b)是FRFT滤波信号，(c)是FRWT滤波信号；
图5是本发明一实施例中的断齿信号滤波时域图，其中(a)是断齿重构信号，(b)是FRFT滤波信号，(c)是FRWT滤波信号；
图6是本发明一实施例中的磨损信号滤波时域图，其中(a)是磨损重构信号，(b)是FRFT滤波信号，(c)是FRWT滤波信号；
图7是本发明一实施例中的FRFT和FRWT滤波的输出信噪比(SNR)；
图8是本发明一实施例中的各故障频带数与归一化能量值的关系；
图9是本发明一实施例中的FRWT滤波信号的部分样本特征分布；
图10是本发明一实施例中的模型训练误差与训练次数的关系；
图11是本发明一实施例中的FRWT+2D-CNN测试集分类标签；
图12是本发明一实施例中的FRFT+2D-CNN测试集分类标签；
图13是本发明一实施例中的FRFT+2D-CNN和FRWT+2D-CNN两种方法的试验准确率；
图14是本发明一实施例中的计算设备结构示意图。
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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
为了实现强背景噪声下行星齿轮的故障诊断，本发明提供一种基于FRWT和2D-CNN的行星齿轮故障诊断方法、系统、存储介质及计算设备，采用分数阶小波变换与二维卷积神经网络相结合的方法对行星齿轮进行故障诊断。首先，对原始的振动信号进行AFSA-VMD分解得到若干本征模态分量(IMF)，选取相关系数较大的两个分量进行重构，利用分数阶小波变换对重构信号进行分数阶小波域的滤波降噪；然后，通过分析滤波后信号的小波能量熵，利用小波包提取滤波后的信号的一维归一化能量值，将得到的一维能量值转换为二维能量特征图，构造二维归一化能量特征矩阵；最后，将二维特征输入到二维卷积神经网络模型中进行训练，实现对齿轮不同工况下不同故障的准确识别。
在本发明的一个实施例中，如图1所示，提供一种基于FRWT和2D-CNN的行星齿轮故障诊断方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤1、获取行星齿轮的原始振动信号，将原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；
步骤2、利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；
步骤3、利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；
步骤4、根据二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
在本实施例中，步骤1中，对原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构，包括：对原始的振动信号进行AFSA-VMD分解得到若干IMF分量，计算两两IMF分量的相关系数，选取两个相关系数较大的IMF分量进行信号重构；其中两个相关系数较大的是指：将所有相关系数从小到大排列，最大的两个相关系数作为较大的相关系数。
在本实施例中，步骤2中，利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波，如图2所示，包括以下步骤：
步骤21、根据输入的重构信号，选取分数阶次变化范围，确定最佳变换阶次p；
其中，确定最佳变换阶次p，包括：以输出能量最小为目标函数，搜索最佳变换阶次p。
步骤22、对重构信号进行p阶分数阶傅里叶变换，获得分数域的信号；
其中，分数阶傅里叶变换(FRFT)为：
KP(u,u′)＝Aαexp[jπ(u2cotα-2uu′cscα+u′2cotα)] (1)
KP(u,u′)称为FRFT的核函数，
α＝pπ/2,p≠2n,n是整数。依据式(1)给出的定义可以得到Ozaktas采样型分数阶傅里叶变换的公式为：
式(3)中，
当阶次p∈[-1,1]，式(2)被分解为以下计算过程：
其中，g(u′)和g′(u)只是两个中间结果，β＝cscα，-π/2≤α≤π/2。如果要实现连续分数阶傅里叶变换的离散数值计算，则需要对式(3)～(5)进行离散化处理。
步骤23、对分数域的信号进行小波分解，得到分数小波域的信号；再对分数小波域的信号进行小波重构，恢复得到分数域的信号；
具体为：将连续分数阶小波变换表达式中的尺度因子
k∈Z，(其中a0＞1)，时移因子
在位移域内进行离散化采样，采样点对应的值就可以得到离散分数阶小波变换的表达式。
把尺度因子
k∈Z进行离散化得到：
当
时，离散分数阶小波变换的表达式为：
分数阶小波变换的重构是分数阶小波分解过程的逆过程，在已知第k层分数阶小波系数为
和
通过重构得到原始信号为
为多分辨分析，由ψp:k,n(t)，φp:k,n(t)和函数投影关系可知：
则：
式(8)为离散小波系数的重构过程，首先把K层分数阶系数
和
进行调制，然后在小波域内进行一维小波逆变换得到
接着将
调制到分数小波域内得到
以此类推，逐级恢复至原始的信号
步骤24、对恢复得到分数域的信号进行-p阶分数阶傅里叶变换，得到滤波后的信号。
上述步骤3中，利用小波包提取滤波后的重构信号的能量值，包括以下步骤：
步骤311、将重构信号进行n层小波包分解，第j层有2n个频带信号，提取第j层的2n个特征；
步骤312、为了提高信号的去噪能力，将分解的每一频段的低频系数和高频系数进行信号的重构，记为f；并求解各频段的信号的能量值；
步骤313、将各频段的信号的能量值累加得到所述重构信号的能量值。
每个频段的能量值Ei,j的计算公式为：
式中，x为小波包的分解系数，Ei,j(tj)是信号x(t)经过小波分解之后第i层第j个节点的能量值，k＝1,2,...,Nc，xj,k为fi,j的小波包重构系数。tj表示x(t)经过小波分解之后第i层第j个节点对应的时刻。
上述步骤3中，将归一化能量值转换为二维归一化能量特征矩阵，包括：
步骤321、将各频段信号的能量值与重构信号的能量值的比值作为每频段的小波包能量Mi,j；i＝1，2，…，n；
由于在小波分解过程中，每一层的能量与总能量是相等的，则信号的总能量E总为：
E总＝Ei＝∑jEi,j (10)
每频段的小波包能量Mi,j为：
步骤322、根据小波包能量Mi,j得到小波包能量特征向量
由小波包能量特征向量构建二维归一化能量特征矩阵。
在本实施例中，步骤4中二维卷积神经网络模型的构建方法为：
典型的二维卷积神经网络结构是由输入层、卷积层、池化层、全连接层和输出层等组成。卷积神经网络的输入主要是二维灰度图或者彩色图的形式。它的输出层采用Softmax分类器输出二维灰度图或彩色图的分类识别结果。而在目标检测等其他图像处理领域，则需要设置其他形式的网络输出层。
卷积层是由多个卷积神经元构成的，卷积神经元的参数是通过利用反向传播算法得到的，卷积层是整个卷积神经网络的关键部分，主要用来对输入的数据进行不同特征的提取，卷积运算的过程是由连续卷积与离散卷积构成的。
离散卷积运算的过程如下：
在进行图像的卷积运算时，是图像像素之间的运算，图像的像素可以理解为一个矩阵的形式，像素之间是不连续的，卷积运算的过程就是选定的卷积核与图像输入进行卷积运算。假设二维的图像输入为I(i,j)，二维卷积核为K(m,n)，图像的卷积运算过程可以表示为：
S(i,j)＝(I*K)(i,j)＝∑m∑nI(m,n)K(i-m,j-n) (13)
卷积运算是具有交替性的，因此：
S(j,i)＝(K*I)(i,j)＝∑m∑nI(i-m,i-n)K(m,n) (14)
其中m,n为卷积核的大小，在卷积运算提取特征之后，还需要在卷积运算之后进行偏置运算，计算公式如下：
其中：
为第l层输出的第j个特征图；f(x)为卷积层所采用的激活函数；
为卷积核所用的卷积矩阵；b为卷积运算的偏置量。
池化层也通常被称为降采样层。池化层可以减少模型的训练时间，提高特征提取的鲁棒性，避免模型出现过拟合现象。池化的方式通常有三种方式：平均池化过程、最大池化过程和随机池化过程。在实际的应用中，池化过程以最大池化为主。
最大池化计算公式：
在实际的应用过程中，需要在全连接层对分类器进行训练，常用的分类器是Softmax分类器，全连接过程如下式所示。
yk＝f(wkxk-1+bk) (17)
式中，yk为全连接层的输；wk为权重值；xk-1为全连接层的输入；bk为偏置项；f(x)为分类函数；k为网络层号。
如果有K类分类，此时Softmax输出可以表示为：
上述各实施例中，在得到二维归一化能量特征矩阵后，还包括：根据将归一化能量值转换为二维归一化能量特征矩阵，得到二维频带能量特征分布图，并对每类故障设定标签类别，输入二维卷积神经网络模型。
具体实施例：
(1)实验样本集
本实施例中采用的行星齿轮故障实验数据是由江苏千鹏诊断工程有限公司生产的QPZZ-II机械故障模拟及试验平台采集完成的，该实验台包含驱动电机、行星齿轮、滚动轴承、调速设备等组成，整个试验平台采用的故障部件有：行星齿轮点蚀故障、断齿故障、磨损故障等故障，实验数据的采样频率为5120Hz。一共选取了10种故障状态下的故障样本，每种故障选取1700个样本，每个样本的样本点数为512。其中，训练样本数与测试样本数之比为10：7，具体的样本分类如表1所示。
表1样本集
(2)FRWT滤波
(2.1)FRWT最佳阶次p的确定
首先，以输出能量最小为目标函数进行最佳阶次p的寻优，点蚀故障重构信号、断齿故障重构信号和磨损故障重构信号的阶次寻优过程如图3所示。从图3中可以清楚的看到点蚀故障(Dianshi880-1)重构信号FRFT输出能量的最小值为11670，此时对应的阶次为1.57，即最佳阶次为1.57；断齿故障(Duanchi1500)重构信号FRFT输出能量的最小值为20020，此时对应的阶次为1.646，即最佳阶次为1.646；磨损故障(Mosun880-1)重构信号FRFT输出能量的最小值为50360，此时对应的阶次为1.558，即最佳阶次为1.558。其余故障的输出能量值及对应的最佳阶次如表2所示。
表2故障输入信噪比、FRWT最佳阶次和能量值
(2.2)FRWT小波基和分解层数的确定
针对在分数阶小波变换中，选取的小波基和分解层数不同时，信号的降噪效果会有差距。因此，小波基分别选取db1～db4和sym1～sym4，分解层数为1～5层，通过计算去噪信号的输出信噪比(SNR)来选择最佳小波基和分解层数。
表3各故障的小波基与分解层数设置
(2.3)FRWT和FRFT滤波效果分析
分别将点蚀故障重构信号、磨损故障重构信号和断齿故障重构信号分别进行FRFT滤波和FRWT滤波，得到各故障信号的滤波结果如图4、图5、图6所示。利用寻找到的最佳分数阶次p＝1.57，1.646，1.558分别对点蚀重构信号、断齿重构信号和磨损重构信号进行分数阶傅里叶变换滤波，滤波结果如图4中图(b)、图5中图(b)、图6中图(b)所示，然后在对应的p阶分数域内对分数阶傅里叶变换后的信号进行db4小波变换，最后对变换后的信号分别进行-p＝-1.57、-1.646、-1.558阶的分数阶傅里叶变换得到对应的输出信号时域图如图4中图(c)、图5中图(c)、图6中图(c)所示。
为了分析分数阶次对信号滤波效果的影响，本实施例分别计算两种滤波方法的输出信噪比，其中，点蚀故障(Dianshi880-1)信号的输入信噪比为-12.25dB；断齿故障(Duanchi1500)信号的输入信噪比为-13.15dB；磨损故障(Mosun880-1)信号的输入信噪比为-16.47dB，对比结果如图7所示。
由图7可知，点蚀故障、磨损故障、断齿故障FRWT的输出信噪比(SNR)均大于FRFT的输出信噪比(SNR)，根据输出信噪比(SNR)越大，信号的失真程度和噪声干扰越小可知，FRWT的滤波效果明显优于FRFT的滤波效果。
(3)小波包提取特征
设置小波包的分解层数为8，将共产生256个频带，利用小波基db3把10种齿轮的故障振动信号分解为八层，共产生256个小波包分量。接着使用Shannon熵进行小波能量的提取，然后对频带能量进行处理，即求取每层神经元每个节点的范数平方和，最后求取每个节点的归一化能量幅值。其对应的各频带归一化能量值如图8所示。
其中，每个样本的特征为256个频带能量谱，将1700个样本的特征转换为矩阵形式，维度为16*16的二维形式，图9为转换后的二维频带能量特征分布图。最后，对每类故障采用One-hot码设定标签类别。
(4)故障模型的训练与分类
实验验证具体的参数选择如下：二维CNN网络的层数设置为6层，卷积层和池化层各两层，第一层卷积核个数为8，其尺寸大小为3*3，第二层卷积核个数为16，其尺寸大小为4*4；批量尺寸大小opt.batchsize＝10，最大迭代次数为1500；池化层采用最大池化方式，其大小为2*2；采用Dropout正则化降低过拟合。分别对FRFT滤波和FRWT滤波后的信号提取小波能量值构造二维特征矩阵作为输入，随机选择每种故障的1000个样本作为训练集进行模型训练，700个样本作为测试集对二维卷积神经网络的训练模型进行验证，训练误差变化曲线如图10所示。
通过图10分析可知，不论采取分数阶傅里叶变换还是分数阶小波变换，当迭代次数小于等于120时，此时两者的训练误差相等；当迭代次数为120时，训练误差为0.6667，训练效果极差；当迭代次数大于120时，采用分数阶小波变换滤波信号训练误差明显要小于分数阶傅里叶变换滤波信号的训练误差；当迭代次数为1500时，分数阶小波变换滤波方法的训练误差为0.01623，分数阶傅里叶变换滤波方法的训练误差为0.06514，即分数阶小波变换滤波信号的训练误差明显小于分数阶傅里叶变换滤波信号的训练误差，由此可知，FRWT+2D-CNN的训练效果优于FRWT+2D-CNN的训练效果。
利用FRWT+2D-CNN和FRFT+2D-CNN模型对测试集每一种故障的分类结果如图11和图12所示。横坐标为测试集的预测类别标签；纵坐标为测试集的实际标签类别；对角线位置的数值为10种故障中每种故障的分类准确数；对角线之外的位置为每种故障的分类错误数。
对比图11和图12可以发现，FRWT+2D-CNN对故障进行分类识别时，仅有两个样本被错分，即第3类故障被错分类为第4类故障、第7类故障被错分类为第8类故障；FRFT+2D-CNN对故障进行分类识别时，除第5类故障被准确分类外，其余故障类别均出现错分的现象，且每类故障的错分样本数均大于1。因此，基于FRWT+2D-CNN对故障进行分类时，可以最大限度的保证每类故障被准确识别。
为了充分验证本发明所提方法诊断的稳定性和准确率，本实施例随机对两种诊断方法(FRFT+2D-CNN、FRWT+2D-CNN)分别进行15次仿真试验，每次试验的分类准确率如图13所示。两种分类方法诊断模型的平均准确率如表4所示。
表4不同方法的分类平均准确率
通过分析图13可知，FRFT+2D-CNN和FRWT+2D-CNN两种诊断方法的分类准确率基本保持平稳，FRFT+2D-CNN和FRWT+2D-CNN的分类准确率均在3％范围内上下波动，从宏观角度分析，FRWT+2D-CNN的各次的分类准确率均高于FRFT+2D-CNN各次的分类准确率。通过表4可知，在训练样本数、测试样本数和试验次数相等的情况下，FRWT+2D-CNN分类的平均准确率要高于FRFT+2D-CNN分类的平均准确率。因此，在对行星齿轮进行故障诊断时，采用FRWT+2D-CNN的分类方法要明显优于FRFT+2D-CNN的故障分类方法。
综上，由于行星齿轮的故障信号为非平稳非线性信号，强大背景噪声下存在微弱故障特征提取困难，本发明采用新的滤波方法-分数阶小波变换(FRWT)。与传统的分数阶傅里叶变换(FRFT)相比，它可以提高降噪的效果。本发明采用分数阶小波变换(FRWT)与二维卷积神经网络(2D-CNN)相结合的行星齿轮故障诊断方法，对行星齿轮故障进行识别，通过测试集验证可知基于FRWT和2D-CNN可以准确实现行星齿轮的故障诊断。
在本发明的一个实施例中，提供一种行星齿轮故障诊断系统，其包括：重构模块、滤波模块、能量特征矩阵构建模块和故障识别模块；
重构模块，用于获取行星齿轮的原始振动信号，对原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；
滤波模块，利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；
能量特征矩阵构建模块，利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；
故障识别模块，根据二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
如图14所示，为本发明一实施例中提供的计算设备结构示意图，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种故障诊断方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：
获取行星齿轮的原始振动信号，对原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；根据二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取行星齿轮的原始振动信号，对原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；根据二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取行星齿轮的原始振动信号，对原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；根据二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种行星齿轮故障诊断方法，其特征在于，包括：
获取行星齿轮的原始振动信号，将所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；
利用分数阶小波变换分别对重构信号进行分数阶小波域的滤波；
利用小波包提取滤波后的所述重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；
根据所述二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
2.如权利要求1所述故障诊断方法，其特征在于，所述将所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构，包括：
对原始的振动信号进行AFSA-VMD分解得到若干IMF分量，选取相关系数最大的两个IMF分量进行信号重构。
3.如权利要求1所述故障诊断方法，其特征在于，所述利用分数阶小波变换分别对所述重构信号进行分数阶小波域的滤波，包括：
根据输入的所述重构信号，选取分数阶次变化范围，确定最佳变换阶次p；
对所述重构信号进行p阶分数阶傅里叶变换，获得分数域的信号；
对所述分数域的信号进行小波分解，得到分数小波域的信号；再对所述分数小波域的信号进行小波重构，恢复得到分数域的信号；
对所述恢复得到分数域的信号进行-p阶分数阶傅里叶变换，得到滤波后的信号。
4.如权利要求3所述故障诊断方法，其特征在于，所述确定最佳变换阶次p，包括：以输出能量最小为目标函数，搜索最佳变换阶次p。
5.如权利要求1所述故障诊断方法，其特征在于，所述利用小波包提取滤波后的所述重构信号的能量值，包括：
将所述重构信号进行n层小波包分解，第j层有2n个频带信号，提取第j层的2n个特征；
将分解的每一频段的低频系数和高频系数进行信号的重构，并求解各频段信号的能量值；
将所述各频段信号的能量值累加得到重构信号的能量值。
6.如权利要求5所述故障诊断方法，其特征在于，所述将归一化能量值转换为二维归一化能量特征矩阵，包括：
将所述各频段信号的能量值与所述重构信号的能量值的比值作为每频段的小波包能量Mi,j；i＝1，2，…，n；
根据小波包能量Mi,j得到小波包能量特征向量
由所述小波包能量特征向量构建二维归一化能量特征矩阵。
7.如权利要求1所述故障诊断方法，其特征在于，还包括：根据所述将归一化能量值转换为二维归一化能量特征矩阵，得到二维频带能量特征分布图，并对每类故障设定标签类别，输入所述二维卷积神经网络模型。
8.一种行星齿轮故障诊断系统，其特征在于，包括：重构模块、滤波模块、能量特征矩阵构建模块和故障识别模块；
所述重构模块，用于获取行星齿轮的原始振动信号，将所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；
所述滤波模块，利用分数阶小波变换分别对所述重构信号进行分数阶小波域的滤波；
所述能量特征矩阵构建模块，利用小波包提取滤波后所述重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；
所述故障识别模块，根据所述二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945765.2A CN113627375A (zh) | 2021-08-16 | 2021-08-16 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945765.2A CN113627375A (zh) | 2021-08-16 | 2021-08-16 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113627375A true CN113627375A (zh) | 2021-11-09 |
Family
ID=78386218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110945765.2A Pending CN113627375A (zh) | 2021-08-16 | 2021-08-16 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627375A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115295003A (zh) * | 2022-10-08 | 2022-11-04 | 青岛民航凯亚系统集成有限公司 | 对民航机务维修领域的语音降噪方法及系统 |
| WO2023099849A1 (fr) * | 2021-12-02 | 2023-06-08 | Safran Aircraft Engines | Procédé de diagnostic automatique d'une pièce |
| CN116763275A (zh) * | 2023-08-22 | 2023-09-19 | 中国地质大学（武汉） | 一种用于处理光电容积脉搏信号的时频分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
| CN112329626A (zh) * | 2020-11-05 | 2021-02-05 | 北京信息科技大学 | 调制与深度学习融合的设备故障诊断方法、系统及介质 |
| CN112766200A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 |
| CN113029559A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种齿轮箱故障诊断方法及系统 |
-
2021
- 2021-08-16 CN CN202110945765.2A patent/CN113627375A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
| CN112329626A (zh) * | 2020-11-05 | 2021-02-05 | 北京信息科技大学 | 调制与深度学习融合的设备故障诊断方法、系统及介质 |
| CN112766200A (zh) * | 2021-01-26 | 2021-05-07 | 福州大学 | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 |
| CN113029559A (zh) * | 2021-03-30 | 2021-06-25 | 山东大学 | 一种齿轮箱故障诊断方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| XIAOGANG DONG 等: "Signal Denoising Based on Improved Wavelet Packet Thresholding Function", 《2010 INTERNATIONAL CONFERENCE ON COMPUTER, MECHATRONICS, CONTROL AND ELECTRONIC ENGINEERING (CMCE)》, pages 382 - 385 * |
| 焦雷: "行星齿轮的非平稳早期故障诊断 研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2021, pages 029 - 83 * |
| 焦雷: "行星齿轮的非平稳早期故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2021, pages 029 - 83 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023099849A1 (fr) * | 2021-12-02 | 2023-06-08 | Safran Aircraft Engines | Procédé de diagnostic automatique d'une pièce |
| CN115295003A (zh) * | 2022-10-08 | 2022-11-04 | 青岛民航凯亚系统集成有限公司 | 对民航机务维修领域的语音降噪方法及系统 |
| CN116763275A (zh) * | 2023-08-22 | 2023-09-19 | 中国地质大学（武汉） | 一种用于处理光电容积脉搏信号的时频分析方法及装置 |
| CN116763275B (zh) * | 2023-08-22 | 2023-10-31 | 中国地质大学（武汉） | 一种用于处理光电容积脉搏信号的时频分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
| Li et al. | Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis | |
| Zhiyi et al. | Transfer fault diagnosis of bearing installed in different machines using enhanced deep auto-encoder | |
| Zhang et al. | A hybrid attention improved ResNet based fault diagnosis method of wind turbines gearbox | |
| Ma et al. | A novel bearing fault diagnosis method based on 2D image representation and transfer learning-convolutional neural network | |
| Yu et al. | Multichannel one-dimensional convolutional neural network-based feature learning for fault diagnosis of industrial processes | |
| CN113627375A (zh) | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 | |
| Kong et al. | An enhanced sparse representation-based intelligent recognition method for planet bearing fault diagnosis in wind turbines | |
| Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
| Zhao et al. | An optimal deep sparse autoencoder with gated recurrent unit for rolling bearing fault diagnosis | |
| Yang et al. | Interpretability of deep convolutional neural networks on rolling bearing fault diagnosis | |
| Chen et al. | Hierarchical deep convolution neural networks based on transfer learning for transformer rectifier unit fault diagnosis | |
| Wan et al. | Stacked sparse autoencoder in hyperspectral data classification using spectral-spatial, higher order statistics and multifractal spectrum features | |
| Zhang et al. | A hybrid deep-learning model for fault diagnosis of rolling bearings in strong noise environments | |
| Li et al. | Maximum margin Riemannian manifold-based hyperdisk for fault diagnosis of roller bearing with multi-channel fusion covariance matrix | |
| Zhang et al. | Rotating machinery remaining useful life prediction scheme using deep-learning-based health indicator and a new RVM | |
| CN112101227A (zh) | 一种基于celmdan和sskfda的机械状态监测方法 | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| Zhang et al. | Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network | |
| Wang et al. | Denoising auto-encoding priors in undecimated wavelet domain for MR image reconstruction | |
| Liu et al. | Residual attention convolutional autoencoder for feature learning and fault detection in nonlinear industrial processes | |
| Yang et al. | A novel intelligent fault diagnosis method of rolling bearings with small samples | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| Zhou et al. | A hybrid denoising model using deep learning and sparse representation with application in bearing weak fault diagnosis | |
| Pan et al. | Noise reduction technique for Raman spectrum using deep learning network |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211109 |