CN113790890B - 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 - Google Patents

基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 Download PDF

Info

Publication number
CN113790890B
CN113790890B CN202111060257.2A CN202111060257A CN113790890B CN 113790890 B CN113790890 B CN 113790890B CN 202111060257 A CN202111060257 A CN 202111060257A CN 113790890 B CN113790890 B CN 113790890B
Authority
CN
China
Prior art keywords
fault
elm
rolling bearing
fuzzy entropy
wavelet packet
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
CN202111060257.2A
Other languages
English (en)
Other versions
CN113790890A (zh
Inventor
王一凡
刘剑慰
戴志浩
邢健豪
杨蒲
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111060257.2A priority Critical patent/CN113790890B/zh
Publication of CN113790890A publication Critical patent/CN113790890A/zh
Application granted granted Critical
Publication of CN113790890B publication Critical patent/CN113790890B/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
    • G01M13/04—Bearings
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种基于小波包分解权值模糊熵与ELM的轴承故障分类方法及装置，首先获取滚动轴承在正常和故障状态下驱动端加速度的时间序列数据，通过小波包分解得到该时间序列数据各频段在时域上的特征信号；然后，对特征信号进行权值模糊熵计算，得到滚动轴承在正常和故障状态下的各组特征值；最后，将滚动轴承在正常和故障状态下的各组特征值进行分类标记并合并，用于ELM神经网络的训练，使ELM神经网络能够识别滚动轴承的正常和故障状态。本发明减小了ELM神经网络训练的计算量以及训练时间，计算相对方便，且故障分类采用故障标签，显示直观便于观察；且可以用于多种机器学习的人工智能方法进行故障诊断，拓展性好。

Description

基于小波包分解权值模糊熵与ELM的轴承故障分类方法及 装置
技术领域
本发明属于机电系统故障诊断技术领域，具体涉及一种基于小波包分解权值模糊熵与ELM的轴承故障分类方法及装置。
背景技术
随着工业科技的发展，机械设备在各个生产领域得到广泛的应用。滚动轴承是一种基础部件，在一些机械上起至关重要的作用，滚动轴承在高强度、长时间的工作下不可避免会出现故障，轴承故障会导致整个机械设备的运行受到影响。轴承故障诊断有助于保障机械运行的可靠性、优化机械设备维修方案。
传统的轴承故障检测主要采用人工检测方法，利用人的感官观察轴承的温度、声音、油液色泽等的变化，以判断轴承是否运行正常。这类方法大部分依赖操作者的工作经验，因而诊断效率低，且难以及时检测轴承潜在故障。
韩燕等对振动信号进行小波分解，提取能谱熵作为故障特征信息，构建了BP_Adaboost分类器进行故障识别。王宇等利用混合蛙跳算法优化BP神经网络的网络结构进行故障诊断，并应用于轴承故障识别。崔鹏宇等先对轴承数据的振动信号提取时、频、多尺度排列熵等特征参量，然后采用IBA-BP神经网络进行故障诊断。张俊等采用小波包分析，构建频域能量特征向量，运用RBF神经网络识别故障类型。郭伟超等提出一种将小波包能量谱与主成分分析(PCA)相结合用于滚动轴承故障诊断的方法。胡勤等利用遗传算法对支持向量机进行参数优化，并应用于滚动轴承故障诊断。覃爱淞等提出基于无量纲指标和改进的加权证据理论的故障诊断方法。这些方法都取得了一定效果，但是由于滚动轴承是一个工作状态比较复杂，工作现场干扰严重的对象，如何快速有效的根据轴承运行数据获得其故障特征仍然是吸引众多学者研究的难题。
因此需要设计一种能够收集和快速在线检测滚动轴承故障的方法，能够根据轴承的振动情况，检测轴承的异常。
发明内容
发明目的：一种基于小波包分解权值模糊熵与ELM的轴承故障分类方法及装置，可以用于多种机器学习的人工智能方法进行故障诊断，拓展性好。
技术方案：本发明所述的一种基于小波包分解权值模糊熵与ELM的轴承故障分类方法，包括以下步骤：
(1)预先获取滚动轴承在正常和故障状态下驱动端加速度的时间序列数据，通过小波包分解得到该时间序列数据各频段在时域上的特征信号；
(2)对特征信号进行权值模糊熵计算，得到滚动轴承在正常和故障状态下的各组特征值；
(3)将滚动轴承在正常和故障状态下的各组特征值进行分类标记并合并，用于ELM神经网络的训练，使ELM神经网络能够识别滚动轴承的正常和故障状态。
进一步地，所述步骤(1)包括以下步骤：
(11)根据转速信号ω转/分，振动数据采样频率f，计算基准序列数据个数L:
Figure BDA0003256107230000021
其中，round(.)向下取整函数；C在1至5之间取值；
(12)以基准序列数据个数L，对滚动轴承振动时间序列数据z(k)进行切分，形成序列组Z：
Z＝{z1,z2,…,zi,…} (2)
其中，每个样本zi包括L个数据，其起始数据为原始时间序列的第(i-1)×L+1个数据；随着测量的持续，序列组Z持续扩展；
(14)对各个zi用db5小波进行3层分解得到重构后的8个频段在时域上的特征信号。
进一步地，所述步骤(2)包括以下步骤：
对给定的有限长度时序信号z＝[u(1),u(2),...,u(L)]，定义相空间维数m(m≤L-2)和相似容限度r，重构空间为X(i)＝[u(i),u(i+1),...,u(i+m-1)]-u0(i)，i＝1,2,…,L-m+1；其中，
Figure BDA0003256107230000022
引入模糊隶属函数
Figure BDA0003256107230000031
对于i＝1,2,…,L-m+1，计算
Figure BDA0003256107230000032
且i≠j；其中，
Figure BDA0003256107230000033
为窗口向量X(i)和X(j)之间的最大绝对距离；
求
Figure BDA0003256107230000034
对每个i的平均值
Figure BDA0003256107230000035
定义
Figure BDA0003256107230000036
则有限长度时序信号的模糊熵为：
FE(m,r,L)＝lnΦm(r)-lnΦm+1(r)；
考虑到模糊熵越大代表对应时间序列的混乱程度越大，即在原滚动轴承时域信号中对应部分的变化越大，对每个样本计算得到的8个模糊熵进行加权；令以样本zi计算得到的8个模糊熵为FEi(a)，a＝1,2,…,8；
则可令单个模糊熵的权值为
Figure BDA0003256107230000037
由此便得到了各个样本的8个权值模糊熵作为对应样本的特征值。
进一步地，所述步骤(3)实现过程如下：
将步骤(2)获取的特征值作为输入值，其维数为1×8；
将正常状态的样本特征值的分类属性标记为1，故障状态的样本特征值的分类属性按种类分别标记为2、3、4……N；将分类属性作为对应样本的期望输出；
以输入值和期望输出进行ELM神经网络的训练，得到使能够识别滚动轴承正常和故障状态的ELM神经网络。
基于相同的发明构思，本发明还提供一种基于小波包分解权值模糊熵与ELM的轴承故障分类装置，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，所述计算机程序被加载至处理器时实现上述的基于小波包分解权值模糊熵与ELM的轴承故障分类方法。
有益效果：与现有技术相比，本发明的有益效果：本发明将滚动轴承的驱动端加速度时间序列信号进行小波包分解，再进行权值模糊熵值计算，减小了ELM神经网络训练的计算量以及训练时间，计算相对方便，且故障分类采用故障标签，显示直观便于观察；本发明计算信号的权值模糊熵值后，可以用于多种机器学习的人工智能方法进行故障诊断，方法拓展性好。
附图说明
图1是本发明的流程图；
图2是对训练集中滚动轴承各个状态的数据进行小波包分解和模糊熵提取作为特征值进行ELM神经网络训练的结果图；
图3是将训练完成的ELM神经网络用于滚动轴承故障诊断的测试结果图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提出一种基于小波包分解权值模糊熵与ELM的滚动轴承故障诊断方法，对滚动轴承在正常和各种故障状态下的时间序列数据进行采样，通过小波包分解得到轴承数据各频段在时域上的特征信号，再对特征信号进行权值模糊熵计算得到特征值，最后将特征值用于ELM神经网络的训练从而进行滚动轴承的故障诊断，如图1所示，具体包括以下步骤：
步骤1：预先获取滚动轴承在正常和故障状态下驱动端加速度的时间序列数据，通过小波包分解得到该时间序列数据各频段在时域上的特征信号。
根据转速信号ω转/分，振动数据采样频率f，计算基准序列长度数据个数L：
Figure BDA0003256107230000041
其中，round(.)为向下取整函数；C在1至5之间取值；
以基准序列数据个数L，对滚动轴承振动时间序列数据z(k)进行切分，形成序列组Z
Z＝{z1,z2,…,zi,…}
其中，每个样本zi包括L个数据，其起始数据为原始时间序列的第(i-1)×L+1个数据；随着测量的持续，序列组Z持续扩展。
对各个zi用db5小波进行3层分解得到重构后的8个频段在时域上的特征信号。
步骤2：对特征信号进行权值模糊熵计算，得到滚动轴承在正常和故障状态下的各组特征值。
对每个样本zi得到的8个特征信号进行权值模糊熵计算，得到8个特征值，作为对应样本的特征值，其过程如下：
对给定的有限长度时序信号z＝[u(1),u(2),...,u(L)]，定义相空间维数m(m≤L-2)和相似容限度r，重构空间为X(i)＝[u(i),u(i+1),...,u(i+m-1)]-u0(i)，i＝1,2,…,L-m+1，其中，
Figure BDA0003256107230000051
引入模糊隶属函数
Figure BDA0003256107230000052
对于i＝1,2,…,L-m+1，计算
Figure BDA0003256107230000053
且i≠j。
其中，
Figure BDA0003256107230000054
为窗口向量X(i)和X(j)之间的最大绝对距离。
求
Figure BDA0003256107230000055
对每个i的平均值
Figure BDA0003256107230000056
定义
Figure BDA0003256107230000057
则有限长度时序信号的模糊熵为FE(m,r,L)＝lnΦm(r)-lnΦm+1(r)。
考虑到模糊熵越大代表对应时间序列的混乱程度越大，即在原滚动轴承时域信号中对应部分的变化越大，对每个样本计算得到的8个模糊熵进行加权，从而得到更易训练的特征值。
令以样本zi计算得到的8个模糊熵为FEi(a)，a＝1,2,…,8。
则可令单个模糊熵的权值为
Figure BDA0003256107230000061
由此便得到了各个样本的8个权值模糊熵作为对应样本的特征值。
步骤3：将滚动轴承在正常和故障状态下的各组特征值进行分类标记并合并，用于ELM神经网络的训练，使ELM神经网络能够识别滚动轴承的正常和故障状态。
将各个样本的特征值作为输入值，其维数为1×8。将正常状态的样本特征值的分类属性标记为1，故障状态的样本特征值的分类属性按种类分别标记为2、3、4……N，将分类属性作为对应样本的期望输出。以输入值和期望输出进行ELM神经网络的训练，得到滚动轴承故障分类网络。
对待检测的数据，进行小波包分解并计算其权值模糊熵，作为输入值输入训练完成的故障分类网络，得到输出结果即故障分类标签，从而判断滚动轴承是否出现故障、出现何种故障。
基于相同的发明构思，本发明还提供一种基于小波包分解权值模糊熵与ELM的轴承故障分类装置，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，所述计算机程序被加载至处理器时实现上述的基于小波包分解权值模糊熵与ELM的轴承故障分类方法。
以美国凯斯西储大学的轴承故障测试数据的故障检测为例，对本发明专利的实施作进一步说明。凯斯西储大学制作的轴承测试实验平台包括一个2马力的电机，一个转矩传感器，一个功率计和电子控制设备。被测试轴承支承电机轴。使用电火花加工技术在轴承上布置了单点故障。实验中使用加速度传感器采集振动信号，加速度传感器分别安装在电机壳体的驱动端和风扇端12点钟的位置。振动信号是通过16通道的DAT记录器采集的。振动信号采样频率为f＝12kHz。轴承型号6205-2RS JEM SKF。
选择正常情况无负载时的测试数据集作为正常状态的数据，进行小波包分解并计算模糊熵作为正常状态的特征值。然后选择驱动端故障的测试数据集作为故障状态的数据，分别选取故障直径为0.1778mm、0.3556mm、0.5334mm的内圈故障、外圈故障、滚动体故障共9种故障，进行小波包分解并计算模糊熵作为9种故障状态的特征值。小波包分解和计算模糊熵以及ELM神经网络训练与测试的过程如下：
根据转速信号ω＝1797转/分，f＝12kHz，取C＝1.5，得到基准序列长度L：
Figure BDA0003256107230000071
以基准序列长度L为长度，对滚动轴承振动时间序列数据z(k)进行切分，形成序列组Z，每个样本zi包括1024个数据，其起始据为原始时间序列的第(i-1)×L+1个数；对轴承的每种状态都取满50个样本，包括1种正常状态加9种故障状态共500个样本；对各个zi用db5小波进行3层分解得到重构后的8个频段在时域上的特征信号。
对每个样本zi得到的8个特征信号进行权值模糊熵计算，相空间维数m取2，相似容限度r取0.2，得到8个特征值，作为对应样本的特征值。
将滚动轴承在正常和故障状态下的得到的各组特征值进行分类标记并合并。其中，正常状态的分类标签为1，障直径为0.1778mm的内圈故障、外圈故障、滚动体故障的分类标签为2、3、4，障直径为0.3556mm的内圈故障、外圈故障、滚动体故障的分类标签为5、6、7，障直径为0.5334mm的内圈故障、外圈故障、滚动体故障的分类标签为8、9、10。
随机选取经过预处理的80％的样本作为训练集，剩余20％的样本作为测试集。进行ELM神经网络的训练，隐含层节点数设置为100，激活函数选取sigmoid函数。
将训练样本输入网络进行训练，得到训练输出结果与期望输出的对比，从而得到滚动轴承故障分类网络。其结果如图2所示，准确率如表1所示。
表1故障分类训练结果准确率
Figure BDA0003256107230000072
Figure BDA0003256107230000081
对训练完成的滚动轴承故障分类网络进行测试，将测试样本输入网络得到输出结果与期望输出的对比，其结果如图3所示，准确率如表2所示，得到了很好的故障检测与分类效果。
表2故障分类测试结果准确率
Figure BDA0003256107230000082
Figure BDA0003256107230000091

Claims (4)

1.一种基于小波包分解权值模糊熵与ELM的轴承故障分类方法，其特征在于，包括以下步骤：
(1)预先获取滚动轴承在正常和故障状态下驱动端加速度的时间序列数据，通过小波包分解得到该时间序列数据各频段在时域上的特征信号；
(2)对特征信号进行权值模糊熵计算，得到滚动轴承在正常和故障状态下的各组特征值；
(3)将滚动轴承在正常和故障状态下的各组特征值进行分类标记并合并，用于ELM神经网络的训练，使ELM神经网络能够识别滚动轴承的正常和故障状态；
所述步骤(2)包括以下步骤：
对给定的有限长度时序信号z＝[u(1),u(2),…,u(L)]，定义相空间维数m，其中，m≤L-2，相似容限度r，重构空间为X(i)＝[u(i),u(i+1),…,u(i+m-1)]-u0(i)，i＝1,2,…,L-m+1；其中，
Figure FDA0003589895180000011
引入模糊隶属函数
Figure FDA0003589895180000012
对于i＝1,2,…,L-m+1，计算
Figure FDA0003589895180000013
且i≠j；其中，
Figure FDA0003589895180000014
为窗口向量X(i)和X(j)之间的最大绝对距离；
求
Figure FDA0003589895180000015
对每个i的平均值
Figure FDA0003589895180000016
定义
Figure FDA0003589895180000017
则有限长度时序信号的模糊熵为：
FE(m,r,L)＝lnΦm(r)-lnΦm+1(r)；
考虑到模糊熵越大代表对应时间序列的混乱程度越大，即在原滚动轴承时域信号中对应部分的变化越大，对每个样本计算得到的8个模糊熵进行加权；令以样本zi计算得到的8个模糊熵为FEi(a)，a＝1,2,…,8；
则可令单个模糊熵的权值为
Figure FDA0003589895180000021
由此便得到了各个样本的8个权值模糊熵作为对应样本的特征值。
2.根据权利要求1所述的基于小波包分解权值模糊熵与ELM的轴承故障分类方法，其特征在于，所述步骤(1)包括以下步骤：
(11)根据转速信号ω转/分，振动数据采样频率f，计算基准序列数据个数L:
Figure FDA0003589895180000022
其中，round(.)向下取整函数；C在1至5之间取值；
(12)以基准序列数据个数L，对滚动轴承振动时间序列数据z(k)进行切分，形成序列组Z：
Z＝{z1,z2,…,zi,…} (2)
其中，每个样本zi包括L个数据，其起始数据为原始时间序列的第(i-1)×L+1个数据；随着测量的持续，序列组Z持续扩展；
(13)对各个zi用db5小波进行3层分解得到重构后的8个频段在时域上的特征信号。
3.根据权利要求1所述的基于小波包分解权值模糊熵与ELM的轴承故障分类方法，其特征在于，所述步骤(3)实现过程如下：
将步骤(2)获取的特征值作为输入值，其维数为1×8；
将正常状态的样本特征值的分类属性标记为1，故障状态的样本特征值的分类属性按种类分别标记为2、3、4……N；将分类属性作为对应样本的期望输出；
以输入值和期望输出进行ELM神经网络的训练，得到使能够识别滚动轴承正常和故障状态的ELM神经网络。
4.一种采用如权利要求1-3任一所述方法的基于小波包分解权值模糊熵与ELM的轴承故障分类装置，其特征在于，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；所述计算机程序被加载至处理器时实现根据权利要求1-3任一项所述的基于小波包分解权值模糊熵与ELM的轴承故障分类方法。
CN202111060257.2A 2021-09-10 2021-09-10 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 Active CN113790890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060257.2A CN113790890B (zh) 2021-09-10 2021-09-10 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060257.2A CN113790890B (zh) 2021-09-10 2021-09-10 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置

Publications (2)

Publication Number Publication Date
CN113790890A CN113790890A (zh) 2021-12-14
CN113790890B true CN113790890B (zh) 2022-08-05

Family

ID=78879916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060257.2A Active CN113790890B (zh) 2021-09-10 2021-09-10 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置

Country Status (1)

Country Link
CN (1) CN113790890B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115468718A (zh) * 2022-08-24 2022-12-13 大连海事大学 一种针对船舶风翼回转液压系统泄漏故障的诊断方法
CN115951315B (zh) * 2023-03-02 2023-06-23 中国人民解放军空军预警学院 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778358A (zh) * 2012-06-04 2012-11-14 上海东锐风电技术有限公司 故障预测模型建立方法及系统、风机监测预警系统及方法
CN103335841A (zh) * 2013-06-04 2013-10-02 辽宁大学 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法
CN104198184A (zh) * 2014-08-11 2014-12-10 中国人民解放军空军工程大学 基于第二代小波变换与bp神经网络的轴承故障的诊断方法
CN109213121B (zh) * 2018-08-07 2021-05-18 重庆大学 一种风机制动系统卡缸故障诊断方法
CN109146184A (zh) * 2018-08-28 2019-01-04 成都信息工程大学 基于改进熵和得分函数的区间直觉模糊多属性决策方法
CN112945552B (zh) * 2021-02-04 2023-05-05 常州大学 一种基于变节点双隐层极限学习机的齿轮故障诊断方法

Also Published As

Publication number Publication date
CN113790890A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Han et al. An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems
Wu et al. A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery
Sinitsin et al. Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model
Hoang et al. Rolling element bearing fault diagnosis using convolutional neural network and vibration image
He et al. Deep learning based approach for bearing fault diagnosis
Li et al. A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM
Abed et al. A robust bearing fault detection and diagnosis technique for brushless DC motors under non-stationary operating conditions
Yan et al. An efficient approach to machine health diagnosis based on harmonic wavelet packet transform
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
Sabir et al. LSTM based bearing fault diagnosis of electrical machines using motor current signal
CN113790890B (zh) 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置
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
Jiménez-Guarneros et al. Diagnostic of combined mechanical and electrical faults in ASD-powered induction motor using MODWT and a lightweight 1-D CNN
Liang et al. A deep learning method for motor fault diagnosis based on a capsule network with gate-structure dilated convolutions
CN113008559B (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
Chen et al. A novel knowledge transfer network with fluctuating operational condition adaptation for bearing fault pattern recognition
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
Husari et al. Early stator fault detection and condition identification in induction motor using novel deep network
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
Medina et al. Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
Saha et al. Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions
Jung et al. Fault Diagnosis of Inter-turn Short Circuit in Permanent Magnet Synchronous Motors with Current Signal Imaging and Semi-Supervised Learning
CN111947927B (zh) 一种基于色度理论的滚动轴承故障检测方法
Zabin et al. Industrial Fault Diagnosis using Hilbert Transform and Texture Features

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