CN113705424A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113705424A CN113705424A CN202110984647.2A CN202110984647A CN113705424A CN 113705424 A CN113705424 A CN 113705424A CN 202110984647 A CN202110984647 A CN 202110984647A CN 113705424 A CN113705424 A CN 113705424A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- noise reduction
- convolution
- network
- training set
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 230000009467 reduction Effects 0.000 title claims abstract description 29
- 238000010276 construction Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001364 causal effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 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
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Error Detection And Correction (AREA)
Abstract
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,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:S1、采集原始数据集,并将原始数据集分为训练集和测试集;S2、对训练集振动信号进行分割及标准化处理;S3、对处理后的训练集进行加噪、降噪和重构;S4、建立故障诊断网络模型,利用重构后的训练集进行训练;S5、将测试集输入到训练好的故障诊断网络模型中进行故障诊断。本发明基于时间卷积降噪网络模型,采用改进的卷积降噪自编码器对演艺装备振动信号进行降噪重构,同时引入了时序卷积网络和注意力门控循环单元,并将两条路径提取的特征进行融合,输入到分类器中得到最终的故障诊断结果。
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,具体涉及一种基于带注意门控循环单元的时间卷积去噪网络AGRU-TCDN的演艺装备故障诊断方法。
背景技术
剧场演艺装备是剧院场馆的重要组成部分,一旦其内部组件发生故障,可能会造成人员伤亡和重大财产损失。在过去的30年里,故障诊断技术发展迅速,基于信号处理技术和模式识别技术的故障诊断方法得到了广泛的应用,通过合理地选择故障特征和设置恰当的分类器参数,取得了较好的故障诊断结果。然而,信号分析和处理过程繁琐而复杂,且依赖专家经验,这极大地限制了模型的泛化,并且效率很低。
随着互联网技术的飞速发展,近些年,深度学习逐渐成为当前的主流。作为机器学习的一个新的领域,深度学习可以获得输入数据的深层次表示,避免了繁琐的手工特征提取过程和高维数据的维度灾难问题。同时,工业互联网为深度学习提供了大量的原始数据,这让快速挖掘数据之间的规律成为了可能,众多的基于深度学习技术的故障诊断方法层出不穷。传统的基于深度学习的故障诊断方法虽然可以实现故障诊断功能,但准确率较低,在噪声环境下尤为明显。卷积神经网络CNN是深度学习常用的算法,已经取得了较高的故障诊断精度,但卷积神经网络CNN不能很好地处理时间序列数据的长距离依赖性,在强噪声环境下具有较高的误诊率。
虽然基于深度学习的故障诊断方法提供了较好的故障诊断结果,但在大多数情况下,仍然需要进行复杂的信号处理来提前提取特征,在噪声环境下不能进行有效的故障诊断。
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注意门控循环单元的时间卷积去噪网络AGRU-TCDN的演艺装备故障诊断方法,其能够有效地解决强噪声环境下的故障诊断精度不高的问题。
本发明提供如下技术方案:
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,其特征在于:包括以下步骤:
S1、原始振动信号数据采集:采集不同故障状态下的剧场演艺装备振动信号作为原始数据集,并将原始数据集分为训练集和测试集;
S2、对训练集和测试集的振动信号进行分割及标准化处理:采用滑动窗口法对训练集振动信号进行分割,为了确保训练集振动信号中每个特征对故障诊断结果的贡献相等,对分割后的训练集振动信号进行标准化处理;
S3、向S2中进行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,并将加噪的训练集振动信号输入到改进的卷积降噪自编码器CDAE中进行无监督训练,通过改进的卷积降噪自编码器CDAE中的解码器和编码器完成加噪振动信号的降噪和重构;
1)S4、建立故障诊断网络模型,利用S3中重构后的训练集振动信号对建立的故障诊断网络模型进行故障诊断训练;所述故障诊断网络模型为带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型,其采用双路径神经网络,其中,路径一由三层时序卷积网络TCN组成,所述时序卷积网络TCN在卷积神经网络CNN的基础上引入了因果卷积、扩张卷积和残差连接;路径二由注意力门控循环单元AGRU构成,注意力门控循环单元AGRU是在门控循环单元GRU的基础上引入了注意力机制,所述注意力机制的计算公式如下:
si=vi tanh(ωigi+qi)
其中,对于当前时刻i,h是特征向量,ai是门控循环单元GRU隐藏层输出值对应的当前的注意力权重值,si是隐藏层状态向量,gi是门控循环单元GRU隐藏层输出的状态值,qi为偏移量,vi和ωi为权重系数矩阵;
S5、将测试集中的振动信号样本输入到训练好的带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型中进行故障诊断。
所述的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,其特征在于所述训练集振动信号在故障诊断网络模型中的具体处理过程如下:
首先采用带有宽卷积核的一维卷积层提取重构后的训练集数据的特征,然后将提取的信息流分别传输到时序卷积网络TCN路径和注意力门控循环单元AGRU路径,获取时间序列数据的长距离依赖性,注意力门控循环单元AGRU对输入数据赋予不同的权重,用于忽略输入数据中的噪声和冗余信息,有利于提高不同故障类型数据之间的区分度,最后,将两条路径获取的特征进行融合,输入到具有Softmax激活函数的全连接层中得到最终故障诊断结果。
所述的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,其特征在于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,编码器的通道数逐层减少,解码器的通道数逐层增加,与传统的卷积降噪自编码器CDAE参数设置方法相反,增加了卷积降噪自编码器CDAE网络输出层的通道数,以提取更多的特征。
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:
本发明提出一种新的深度学习框架,其基于带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型,采用改进的卷积降噪自编码器CDAE对演艺装备振动信号进行降噪重构,可以有效地抑制噪声干扰对诊断网路的影响;同时引入了时序卷积网络TCN和注意力门控循环单元AGRU,实现对时间序列数据中的长距离依赖信息的捕获,并将两条路径提取的特征进行融合,输入到分类器中得到最终的故障诊断结果,能够有效且准确的实现演艺装备内部组件的故障诊断。
附图说明
图1为本发明基于带注意门控循环单元的时间卷积去噪网络AGRU-TCDN的演艺装备故障诊断方法流程图;
图2为本发明实施例中改进的卷积降噪自编码器CDAE的结构示意图;
图3为本发明带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型的结构示意图。
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1-3,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,如图1所示,包括以下步骤:
S1:数据采用的是美国凯斯西储大学CWRU的滚动轴承数据中心的标准数据,采集滚动体故障状态下、内圈故障状态下、外圈故障状态下和正常状态下的滚动轴承振动信号,故障直径分别为0.007、0.014和0.021英寸,总共有10种不同状态的数据,并将振动信号数据集按7:3的比例分为训练集和测试集。
S2:采用滑动窗口法对原始信号进行分割,窗口长度设置为4096,移动步长为28,为了确保数据中每个特征对结果的贡献相等,对分割后的数据进行了标准化处理。
S3:向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如图2所示的改进的卷积降噪自编码器CDAE中进行无监督训练,通过解码器和编码器完成信号的降噪和重构;其中,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,编码器的通道数逐层减少,解码器的通道数逐层增加,与传统的卷积降噪自编码器CDAE参数设置方法相反,增加了卷积降噪自编码器CDAE网络输出层的通道数,以提取更多的特征。
S4:在故障诊断网络中,首先采用带有宽卷积核的一维卷积层提取重构后振动信号的特征,然后将提取的信息流分别传输到时序卷积网络TCN路径和注意力门控循环单元AGRU路径,获取时间序列数据的长距离依赖性,注意力门控循环单元AGRU对输入数据赋予不同的权重,用于提高对目标任务关键信息的关注而忽略输入中的噪声和冗余信息,最后,将两条路径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最终结果。
S5:将测试样本输入到训练好的带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型中进行故障诊断。
表1本发明与现有算法效果对比
表1为本发明与现有方法进行比较,通过对不同噪声程度下的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。对原始信号进行降噪重构可以有效减弱噪声分量对故障诊断网络的影响。同时利用时序卷积网络TCN和注意力门控循环单元AGRU对重构后的信号进行特征提取,获取时间序列数据的长距离依赖性,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 (3)
1.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,其特征在于:包括以下步骤:
S1、原始振动信号数据采集:采集不同故障状态下的剧场演艺装备振动信号作为原始数据集,并将原始数据集分为训练集和测试集;
S2、对训练集和测试集的振动信号进行分割及标准化处理:采用滑动窗口法对训练集振动信号进行分割,为了确保训练集振动信号中每个特征对故障诊断结果的贡献相等,对分割后的训练集振动信号进行标准化处理;
S3、向S2中进行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,并将加噪的训练集振动信号输入到改进的卷积降噪自编码器CDAE中进行无监督训练,通过改进的卷积降噪自编码器CDAE中的解码器和编码器完成加噪振动信号的降噪和重构;
S4、建立故障诊断网络模型,利用S3中重构后的训练集振动信号对建立的故障诊断网络模型进行故障诊断训练;所述故障诊断网络模型为带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型,其采用双路径神经网络,其中,路径一由三层时序卷积网络TCN组成,所述时序卷积网络TCN在卷积神经网络CNN的基础上引入了因果卷积、扩张卷积和残差连接;路径二由注意力门控循环单元AGRU构成,注意力门控循环单元AGRU是在门控循环单元GRU的基础上引入了注意力机制,所述注意力机制的计算公式如下:
si=vitanh(ωigi+qi)
其中,对于当前时刻i,h是特征向量,ai是门控循环单元GRU隐藏层输出值对应的当前的注意力权重值,si是隐藏层状态向量,gi是门控循环单元GRU隐藏层输出的状态值,qi为偏移量,vi和ωi为权重系数矩阵;
S5、将测试集中的振动信号样本输入到训练好的带注意门控循环单元的时间卷积去噪网络AGRU-TCDN模型中进行故障诊断。
2.根据权利要求1所述的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,其特征在于所述训练集振动信号在故障诊断网络模型中的具体处理过程如下:
首先采用带有宽卷积核的一维卷积层提取重构后的训练集数据的特征,然后将提取的信息流分别传输到时序卷积网络TCN路径和注意力门控循环单元AGRU路径,获取时间序列数据的长距离依赖性,注意力门控循环单元AGRU对输入数据赋予不同的权重,用于忽略输入数据中的噪声和冗余信息,有利于提高不同故障类型数据之间的区分度,最后,将两条路径获取的特征进行融合,输入到具有Softmax激活函数的全连接层中得到最终故障诊断结果。
3.根据权利要求1所述的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,其特征在于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,编码器的通道数逐层减少,解码器的通道数逐层增加,与传统的卷积降噪自编码器CDAE参数设置方法相反,增加了卷积降噪自编码器CDAE网络输出层的通道数,以提取更多的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984647.2A CN113705424A (zh) | 2021-08-25 | 2021-08-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984647.2A CN113705424A (zh) | 2021-08-25 | 2021-08-25 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705424A true CN113705424A (zh) | 2021-11-26 |
Family
ID=78654826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984647.2A Pending CN113705424A (zh) | 2021-08-25 | 2021-08-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705424A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114565794A (zh) * | 2022-03-02 | 2022-05-31 | 西交利物浦大学 | 一种轴承故障的分类方法、装置、设备及存储介质 |
CN115034312A (zh) * | 2022-06-14 | 2022-09-09 | 燕山大学 | 一种双神经网络模型卫星电源系统故障诊断方法 |
CN116451118A (zh) * | 2023-04-19 | 2023-07-18 | 西安电子科技大学 | 基于深度学习的雷达光电异常值检测方法 |
CN116839900A (zh) * | 2023-07-06 | 2023-10-03 | 昌辉汽车转向系统(黄山)有限公司 | 基于因果注意的时序卷积网络的故障诊断方法 |
CN117272138A (zh) * | 2023-09-15 | 2023-12-22 | 东华理工大学 | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
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 |
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 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
-
2021
- 2021-08-25 CN CN202110984647.2A patent/CN113705424A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
张飞等: "基于CDAE与CNN的滚动轴承故障诊断方法", 自动化控制理论与应用, 25 November 2020 (2020-11-25), pages 4 - 7 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
CN114492521A (zh) * | 2022-01-21 | 2022-05-13 | 成都理工大学 | 一种基于声振信号的随钻岩性智能识别方法与系统 |
CN114565794A (zh) * | 2022-03-02 | 2022-05-31 | 西交利物浦大学 | 一种轴承故障的分类方法、装置、设备及存储介质 |
CN115034312A (zh) * | 2022-06-14 | 2022-09-09 | 燕山大学 | 一种双神经网络模型卫星电源系统故障诊断方法 |
CN115034312B (zh) * | 2022-06-14 | 2023-01-06 | 燕山大学 | 一种双神经网络模型卫星电源系统故障诊断方法 |
CN116451118A (zh) * | 2023-04-19 | 2023-07-18 | 西安电子科技大学 | 基于深度学习的雷达光电异常值检测方法 |
CN116451118B (zh) * | 2023-04-19 | 2024-01-30 | 西安电子科技大学 | 基于深度学习的雷达光电异常值检测方法 |
CN116839900A (zh) * | 2023-07-06 | 2023-10-03 | 昌辉汽车转向系统(黄山)有限公司 | 基于因果注意的时序卷积网络的故障诊断方法 |
CN116839900B (zh) * | 2023-07-06 | 2024-01-30 | 昌辉汽车转向系统(黄山)有限公司 | 基于因果注意的时序卷积网络的故障诊断方法 |
CN117272138A (zh) * | 2023-09-15 | 2023-12-22 | 东华理工大学 | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Zhu et al. | Stacked pruning sparse denoising autoencoder based intelligent fault diagnosis of rolling bearings | |
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 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
Chen et al. | Dual-path mixed-domain residual threshold networks for bearing fault diagnosis | |
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 | |
CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
CN110398369A (zh) | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 | |
CN114492533B (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
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 | |
CN113110398B (zh) | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 | |
CN117290771A (zh) | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 | |
Liang et al. | Multibranch and multiscale dynamic convolutional network for small sample fault diagnosis of rotating machinery | |
CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
CN116595313A (zh) | 基于多尺度残差注意力网络的故障诊断方法及系统 | |
Yeh et al. | Using convolutional neural network for vibration fault diagnosis monitoring in machinery | |
CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
CN117112991A (zh) | 一种基于改进深度残差收缩网络的轴承故障诊断方法 | |
CN112149804A (zh) | 一种新型卷积神经网络模型及应用 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 |
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 |