CN113720605B - 一种基于机器学习的水泥生产旋转设备故障诊断方法 - Google Patents

一种基于机器学习的水泥生产旋转设备故障诊断方法 Download PDF

Info

Publication number
CN113720605B
CN113720605B CN202110845461.9A CN202110845461A CN113720605B CN 113720605 B CN113720605 B CN 113720605B CN 202110845461 A CN202110845461 A CN 202110845461A CN 113720605 B CN113720605 B CN 113720605B
Authority
CN
China
Prior art keywords
network
training
learning
diagnosis
data
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
Application number
CN202110845461.9A
Other languages
English (en)
Other versions
CN113720605A (zh
Inventor
刘仁越
穆加会
张增吉
雍登明
李星
孙洋洋
刘威
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.)
Sinoma International Engineering Co ltd
Original Assignee
Sinoma International Engineering 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 Sinoma International Engineering Co ltd filed Critical Sinoma International Engineering Co ltd
Priority to CN202110845461.9A priority Critical patent/CN113720605B/zh
Publication of CN113720605A publication Critical patent/CN113720605A/zh
Application granted granted Critical
Publication of CN113720605B publication Critical patent/CN113720605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明包括一种基于机器学习的水泥生产旋转设备故障诊断方法，包括以下步骤：获取滚动轴承及齿轮的多种健康状况振动信号，形成振动信号样本数据；将轴承与齿轮的样本数据分别按一定比率划分为训练集及测试集；搭建并行神经网络与集成学习诊断模型；将训练集导入集成学习诊断模型进行训练；将测试集导入训练后的集成学习诊断模型，得出诊断结果。本发明搭建了一个并行神经网络与集成学习的复合诊断模型，能够弥补各个模型在独立诊断时的缺陷，保证在复杂工况下，诊断模型依旧能表现出良好的故障诊断能力。

Description

一种基于机器学习的水泥生产旋转设备故障诊断方法
技术领域
本发明涉及机械设备故障诊断检测技术，具体涉及一种基于机器学习的水泥生产旋转设备故障诊断方法。
背景技术
如今，水泥已成为建筑行业不可或缺的原料。我国是个水泥需求大国，也是水泥生产大国。水泥的生产包括生料制备环节、熟料煅烧环节、水泥制成环节，以形成较为成熟的水泥生产线，每一个环节需多台机械设备参与生产。然而，在实际水泥生产中，存在大量设备带病运行的情况，而且设备之间的关联性强，局部设备故障易造成生产线的全线停车，从而产生严重的经济损失。在所有机械生产设备中，旋转机械占有重要的地位，例如在水泥生产中在主要地位的立磨，回转窑等都是旋转机械。而在旋转机械中，大约30％的故障是由滚动轴承的失效引起的，齿轮箱的故障中，接近50％的故障原因则是由齿轮和轴承的故障引起。因此，对旋转机械中滚动轴承和齿轮进行有效的故障诊断和监测，保障生产设备的正常运转以及避免出现各种损失意义重大。
随着制造能力和科学技术的发展，水泥产业的设备越来越精密化、复杂化、一体化。机械的故障停工，往往不是由于机械整体的损坏，而是某个关键零部件的损坏，比如齿轮箱，轴承。虽然随着传感器技术的发展，容易获取大量的历史数据，但是，水泥生产设备常常在变速变载等多工况下运行，这都将加大获取设备振动信息的难度。传统的机器学习手段具备一定的特征提取能力，但处理多维复杂大数据的能力不强，且常常因为数据的复杂导致最终准确率不稳定。而基于深度学习的故障诊断虽然有较好的大数据处理能力(例如最常用的基于一维卷积的故障诊断方法)，但当数据量不够大时，由于传统深度学习网络拥有大量可训练参数，这将导致网络训练后欠拟合，导致模型准确率不足，且卷积网络对数据全局特征提取能力欠佳，这也将限制模型准确率的提高。因而，本领域亟需提出一种复合网络模型，以互补各个独立模型的不足，保证在复杂工况下，诊断模型依旧能表现出良好的故障诊断能力。
发明内容
发明目的：本发明的目的在于提供一种能够实现在多个工况下，对轴承和齿轮进行故障诊断时，依旧可以保证较高且稳定的准确率的基于机器学习的水泥生产旋转设备故障诊断方法。
技术方案：本发明的基于机器学习的水泥生产旋转设备故障诊断方法，包括以下步骤：
(1)获取滚动轴承及齿轮的多种健康状况振动信号，形成振动信号样本数据；
(2)将轴承与齿轮样本数据分别按一定比率划分为训练集及测试集；
(3)搭建并行神经网络与集成学习诊断模型；
(4)将训练集导入集成学习诊断模型进行训练；
(5)将测试集导入训练后的集成学习诊断模型，得出诊断结果。
步骤(1)中，所述滚动轴承的多种健康状况振动信号具体为，在不同工况下获取的健康状况和轴承内圈、滚动体、外圈的不同程度故障状况的振动信号；其中，不同程度的故障指故障裂纹的直径不同，以模拟在多工况下轴承所产生的振动信号。
步骤(1)中，所述齿轮的多种健康状况具体为，在不同转速和不同负载下获取的健康状况和不同程度故障状况的振动信号，其中，不同程度的故障指齿轮裂缝深度不同，以模拟在多工况下齿轮所产生的振动信号。
步骤(3)中，所述搭建并行神经网络与集成学习诊断模型具体包括以下步骤：
(3.1)构建I1DCNN网络；
(3.2)搭建DNN网络；
(3.3)将善于提取数据局部特征的I1DCNN网络与善于提取数据全局特征的DNN网络并行连接；
(3.4)搭建集成学习诊断模型，将步骤(3.3)输出的数据作为集成学习网络模型的输入。
步骤(3.1)中，所述I1DCNN网络包括一个输入层，一个由两个卷积层组成的特征提取层，以及一个输出层；在输出层中，使用全局平均池化层代替全连接层。
步骤(3.2)中，所述DNN网络的特征输出层的数据结构与I1DCNN网络一致。
步骤(3.3)中，将I1DCNN网络与DNN网络并行连接的具体连接方式为:引入特征融合层，将I1DCNN网络与DNN网络输出的特征数据进行融合。
步骤(3.4)中，所述集成学习诊断模型的具体搭建方式为：并联多个弱监督学习模型，包括KNN,LDA,SVM,LR,DT,RF和GBDT，每个弱学习器均独立地对输入信号进行诊断，最终通过相对多数投票和权重投票两种方式来选取诊断效果最佳的学习器。
步骤(4)中，将训练集导入集成学习诊断模型进行训练具体包括以下步骤：
(4.1)将训练集数据进行切分后直接导入分支I1DCNN网络中进行训练，达到训练要求后完成训练；
(4.2)将训练集数据进行切分后，首先采用VMD方法将振动信号分解为多个IMF信号，然后提取每一个IMF函数的时域和频域统计特征，并将其拼接后导入DNN网络进行训练，达到训练要求后完成训练；
(4.3)并行连接训练后的I1DCNN网络与DNN网络，并将训练集导入该并行网络，利用并行网络的特征输出层输出的数据对集成学习诊断模型进行训练，达到训练要求后完成训练。
有益效果：本发明与现有技术相比，其有益效果在于：(1)该方法搭建了一个并行神经网络与集成学习的复合诊断模型，其中并行神经网络的一个分支为改进的一维卷积网络I1DCNN，大大减少了网络的可训练参数，提高了网络在小数据下的拟合能力；另一个分支为深度神经网络(DNN)，弥补了卷积网络在全局特征提取能力上的不足；(2)集成学习网络集成了多个弱学习器，以并行神经网络输出的特征数据作为模型的输入，从而避开了传统机器学习方法的不足，且在最终诊断时，将采用相对多数投票和权重投票两种方式来选取诊断效果最好的学习器，进一步保证了诊断的准确率及诊断的稳定性。
附图说明
图1为本发明的流程示意图；
图2为本发明中一维卷积神经网络I1DCNN的结构图；
图3为本发明中I1DCNN的全局平均池化层的结构原理图；
图4为本发明中并行神经网络与集成学习(I1DCNN+DNN+EL)的结构图；
图5为本发明中集成学习(EL)的结构原理图；
图6为在轴承测试集下所获得的不同方法的结果对比图；
图7为在齿轮测试集下所获得的不同方法的结果对比图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明的技术方案进行详细描述。
如图1所示，本发明的基于机器学习的水泥生产旋转设备故障诊断方法，主要包括以下步骤：
(1)获取滚动轴承及齿轮多种健康状况的振动信号，将振动信号制定成样本，并将样本划分为训练集及测试集，具体内容如下：
针对轴承数据集的获取，本案例使用公开的CWRU轴承数据集用于模拟水泥生产设备轴承所产的振动信号，其中，获取的轴承样本数据为测试轴承在0hp(1797r/min)、1hp(1772r/min)、2hp(1750r/min)和3hp(1730r/min)四种负荷下所产生的振动信号，其中外圈故障的振动数据分别从电动机的扇端和驱动端的3点钟方向、6点钟方向和12点钟方向上获取，制定的轴承数据样本个数为16*200*4＝12,800个。
针对齿轮数据集的获取，搭建了一级减速齿轮箱试验台，用于模拟水泥生产设备齿轮所产的振动信号，其中，实验采用的故障齿轮是人为通过电火花加工而成，加工出的齿轮裂缝深度分为1/4裂缝、1/2裂缝和3/4裂缝，实验工况类别包括五种不同的转速(分别是300、600、900、1200和1500rpm)和两种不同的负载(分别是4Nm和8Nm)，从而得到十种不同的运行工况，试验台运行后，经由三轴加速度传感器获取齿轮振动信号，然后将信号制定成样本。
(2)将轴承与齿轮的样本数据分别按7:3的比例划分为训练集及测试集；其中，轴承数据集的分布如表1所示，齿轮数据集的具体分布如表2所示：
表1.轴承数据集分布情况
Figure GDA0003337242570000041
表1中，none表示无故障，Ball、IR、OR分别表示轴承的滚动体、内圈和外圈，-3、-6、-12分别表示3、6、12点钟方向。
表2.齿轮数据集分布情况
Figure GDA0003337242570000042
Figure GDA0003337242570000051
(3)搭建并行神经网络与集成学习诊断模型，具体步骤如下：
(3.1)构建一种基于全局平均池化的改进一维卷积神经网络模型(I1DCNN)，如图2所示，改进卷积神经网络结构包括一个输入层，一个特征提取层(由两个卷积层组成)，以及一个输出层。在输出层中，使用全局平均池化层(如图3所示)代替全连接层，与传统1DCNN相比，I1DCNN加快了网络的训练速度以及拟合能力；
(3.2)搭建DNN网络，包含一个输入层，三个隐藏层，一个输出层，其中，网络的输出层的数据结构与I1DCNN一致；
(3.3)将善于提取数据局部特征的I1DCNN与善于提取数据全局特征的DNN进行并行连接，并行结构如图4所示，并行网络模型引入了特征融合层，将I1DCNN与DNN输出的特征数据进行了融合，其中，模型参数如表3所示；
表3并行网络模型的具体参数
Figure GDA0003337242570000052
表3中Ks为卷积核尺寸，Kn为卷积核数量，strides为卷积核移动步幅，Max-Pooling为最大池化，S为池化运算覆盖尺寸。
(3.4)搭建集成学习诊断模型，模型结构如图5所示，并联多个弱监督学习模型，包括KNN,LDA,SVM,LR,DT,RF和GBDT，每个弱学习器均独立地对输入信号进行诊断，最终通过相对多数投票和权重投票两种方式来选取诊断效果最好的学习器。
(4)将训练集导入诊断模型进行训练，具体步骤如下：
(4.1)将训练集数据进行切分后，直接作为I1DCNN的输入x；
(4.2)使用VMD对生成的振动数据集的每一个样本进行分解并获得多个IMF函数，然后提取每一个IMF函数的时域和频域统计特征(包含9个频域统计特征和十个时域统计特征)，然后通过拼接的方式获得新的样本特征并作为DNN网络的输入数据x’；随机初始化神经网络的可学习参数(参数分别表示神经元之间的权重ω和偏置b)；
(4.3)并行连接训练后的I1DCNN网络与DNN网络，使用训练集数据对并行神经网络模型进行训练，并根据如下式子获得神经网络每一层的输出结果、然后计算出并行神经网络的输出结果及Soft-max分类回归函数的损失值，再以最小化公式作为并行网络模型训练的目标函数，对模型的各层神经元的可学习参数进行更新；
Figure GDA0003337242570000061
Figure GDA0003337242570000062
Figure GDA0003337242570000063
式中的x表示振动信号，同时作为I1DCNN的输入数据,x′为DNN的输入数据，fc,L-1和fd,L-1表示并行神经网络的两个分支I1DCNN和DNN的前向传播映射函数，
Figure GDA0003337242570000064
与
Figure GDA0003337242570000065
表示I1DCNN和DNN的每一层中的可学习参数，
Figure GDA0003337242570000066
则为并行神经网络模型I1DCNN+DNN的特征融合层的参数，
Figure GDA0003337242570000067
表示特征融合层的输入与输出之间的映射函数关系，OL代表Soft-max分类函数的输出结果。
不断重复步骤上述训练过程，直到满足预先对并行网络模型设定好的训练条件为止，最终完成训练过程；
将训练好的并行神经网络模型作为一个特征提取器，学习原始输入数据的深层抽象特征，用于训练不同的分类器，包括KNN,LDA,SVM,LR,DT,RF和GBDT，并获得每一个独立分类器的输出结果，按照相对多数投票的原则确定多个分类器输出的最终结果。
(5)将测试集数据导入已经训练好的集成学习诊断模型，得出诊断结果，并对模型有效性进行评估，具体测试结果及评估方案如下：
确定好网络模型的参数后，将所提方法与组成该模型的局部结合网络进行对比实验，用于对比实验的局部网络模型包含DNN、DNN+VMD、I1DCNN、I1DCNN+EL、I1DCNN+DNN。为了防止实验结果的偶然性，每种方法均重复进行十次实验。
如图6所示，为轴承测试样本十次实验的诊断结果，每种方法的实验结果用不同的颜色表示，从图可以直观的看出DNN在每次实验中表现最差，而文中所提的方法I1DCNN+DNN+EL则在每次实验中均取得了最佳的表现，验证了该复合模型的优越性。
如图7所示，为齿轮测试样本十次实验的诊断结果，从图中可以直观的看出，在每一次实验结果中I1DCNN故障诊断效果较差，而且多次实验的识别精度不足70％。DNN和I1DCNN+EL的实验结果次之，识别精度基本不足90％。相较而言，DNN+VMD和I1DCNN+DNN的故障诊断结果能都达到90％以上，表现较好，但依旧不如文中所提的I1DCNN+DNN+EL故障诊断模型，验证了该复合模型的优越性。

Claims (6)

1.一种基于机器学习的水泥生产旋转设备故障诊断方法，其特征在于，包括以下步骤：
（1）获取滚动轴承及齿轮的多种健康状况振动信号，形成振动信号样本数据；
（2）将轴承的样本数据按一定比率划分为轴承训练集、轴承测试集，将齿轮的样本数据按一定比率划分为齿轮训练集、齿轮测试集；
（3）搭建并行神经网络与集成学习诊断模型；
（4）将训练集导入并行神经网络与集成学习诊断模型进行训练；
（5）将测试集导入训练后的并行神经网络与集成学习诊断模型，得出诊断结果；
步骤（3）中，所述搭建并行神经网络与集成学习诊断模型具体包括以下步骤：
（3.1）构建I1DCNN网络；
（3.2）搭建DNN网络；
（3.3）将善于提取数据局部特征的I1DCNN网络与善于提取数据全局特征的DNN网络并行连接；
（3.4）搭建集成学习诊断模型，将步骤（3.3）输出的数据作为集成学习网络模型的输入；
步骤（3.1）中，所述I1DCNN网络包括一个输入层，一个由两个卷积层组成的特征提取层，以及一个输出层；在输出层中，使用全局平均池化层代替全连接层；
步骤（4）中，将训练集导入并行神经网络与集成学习诊断模型进行训练具体包括以下步骤：
（4.1）将训练集数据进行切分后直接导入分支I1DCNN网络中进行训练，达到训练要求后完成训练；
（4.2）将训练集数据进行切分后，首先采用VMD方法将振动信号分解为多个IMF信号，然后提取每一个IMF函数的时域和频域统计特征，并将其拼接后导入DNN网络进行训练，达到训练要求后完成训练；
（4.3）并行连接训练后的I1DCNN网络与DNN网络，并将训练集导入该并行网络，利用并行网络的特征输出层输出的数据对集成学习诊断模型进行训练，达到训练要求后完成训练。
2.根据权利要求1所述基于机器学习的水泥生产旋转设备故障诊断方法，其特征在于：步骤（1）中，所述滚动轴承的多种健康状况振动信号具体为，在不同工况下获取的健康状况和轴承内圈、滚动体、外圈的不同程度故障状况的振动信号；其中，不同程度的故障指故障裂纹的直径不同，以模拟在多工况下轴承所产生的振动信号。
3.根据权利要求1所述基于机器学习的水泥生产旋转设备故障诊断方法，其特征在于：步骤（1）中，所述齿轮的多种健康状况具体为，在不同转速和不同负载下获取的健康状况和不同程度故障状况的振动信号，其中，不同程度的故障指齿轮裂缝深度不同，以模拟在多工况下齿轮所产生的振动信号。
4.根据权利要求1所述基于机器学习的水泥生产旋转设备故障诊断方法，其特征在于：步骤（3.2）中，所述DNN网络的特征输出层的数据结构与I1DCNN网络一致。
5.根据权利要求1所述基于机器学习的水泥生产旋转设备故障诊断方法，其特征在于，步骤（3.3）中，将I1DCNN网络与DNN网络并行连接的具体连接方式为:引入特征融合层，将I1DCNN网络与DNN网络输出的特征数据进行融合。
6.根据权利要求1所述基于机器学习的水泥生产旋转设备故障诊断方法，其特征在于，步骤（3.4）中，所述集成学习诊断模型的具体搭建方式为：并联多个弱监督学习模型，包括KNN,LDA,SVM,LR,DT,RF和GBDT，每个弱学习器均独立地对输入信号进行诊断，最终通过相对多数投票和权重投票两种方式来选取诊断效果最佳的学习器。
CN202110845461.9A 2021-07-26 2021-07-26 一种基于机器学习的水泥生产旋转设备故障诊断方法 Active CN113720605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110845461.9A CN113720605B (zh) 2021-07-26 2021-07-26 一种基于机器学习的水泥生产旋转设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110845461.9A CN113720605B (zh) 2021-07-26 2021-07-26 一种基于机器学习的水泥生产旋转设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN113720605A CN113720605A (zh) 2021-11-30
CN113720605B true CN113720605B (zh) 2022-05-20

Family

ID=78673992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110845461.9A Active CN113720605B (zh) 2021-07-26 2021-07-26 一种基于机器学习的水泥生产旋转设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN113720605B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216640A (zh) * 2022-02-21 2022-03-22 蘑菇物联技术（深圳）有限公司 用于检测工业设备故障状态的方法、设备和介质
CN114760338B (zh) * 2022-04-07 2023-04-18 济南大学 一种水泥熟料制备过程工艺故障诊断系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108613802B (zh) * 2018-05-10 2019-06-07 重庆大学 一种基于深度混合网络结构的机械故障诊断方法
CN112067294A (zh) * 2019-09-20 2020-12-11 宫文峰 基于深度学习的滚动轴承智能故障诊断方法
CN111397902B (zh) * 2020-03-22 2021-10-26 华南理工大学 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法
CN111458148A (zh) * 2020-04-26 2020-07-28 上海电机学院 一种基于cbam的卷积神经网络滚动轴承故障诊断方法
CN112926641B (zh) * 2021-02-22 2022-05-17 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法

Also Published As

Publication number Publication date
CN113720605A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113720605B (zh) 一种基于机器学习的水泥生产旋转设备故障诊断方法
CN107526853B (zh) 基于层叠卷积网络的滚动轴承故障模式识别方法及装置
CN104792530B (zh) 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法
CN106555788B (zh) 基于模糊处理的深度学习在液压装备故障诊断中的应用
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN111797567B (zh) 一种基于深度学习网络的轴承故障分类方法及系统
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测系统
CN107179194A (zh) 基于卷积神经网络的旋转机械故障定性诊断方法
CN107941537A (zh) 一种机械设备健康状态评估方法
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN109781411A (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN106447039A (zh) 基于自编码神经网络的无监督特征提取方法
CN107491606A (zh) 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法
CN110132554A (zh) 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN107451340A (zh) 基于多属性卷积神经网络的旋转机械故障定量诊断方法
CN111275164A (zh) 一种水下机器人推进系统故障的诊断方法
CN111444871A (zh) 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法
CN116358871B (zh) 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN113837071B (zh) 基于多尺度权重选择对抗网络的部分迁移故障诊断方法
Oh et al. Fault detection for lubricant bearing with cnn
Wang et al. A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination
CN104834936A (zh) 一种基于特征有效性分析的轴心轨迹智能识别方法
CN113269221A (zh) 一种基于多尺度卷积神经网络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