CN113820079B - 基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法 - Google Patents
基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法 Download PDFInfo
- Publication number
- CN113820079B CN113820079B CN202110926053.6A CN202110926053A CN113820079B CN 113820079 B CN113820079 B CN 113820079B CN 202110926053 A CN202110926053 A CN 202110926053A CN 113820079 B CN113820079 B CN 113820079B
- Authority
- CN
- China
- Prior art keywords
- hydraulic cylinder
- leakage
- signal
- fault
- cyclostationary
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000000737 periodic effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明提供一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，涉及液压缸泄漏的故障诊断技术领域，该方法包括：步骤S1：采集不同泄漏程度下液压缸的出口压力信号，构建初始样本集；步骤S2：对压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；步骤S3：分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，构成故障特征集；步骤S4：将故障特征集进行预处理，将预处理后的故障特征集作为训练数据，完成对模型的训练；步骤S5：根据得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。本发明能够有更高的识别准确率。
Description
技术领域
本发明涉及液压缸泄漏的故障诊断技术领域，具体地，涉及一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法。
背景技术
液压缸作为液压传动的执行元件，将油液的压力能转换成机械能并输出直线运动和力，液压缸的工作性能会直接影响整个液压系统可靠性。在液压缸可能发生的所有故障中，液压缸泄漏是最常见的故障模式，泄漏故障会导致液压系统中大量的压力能转换为热能，从而导致油温升高，严重影响液压系统的性能和效率，使液压缸出现爬行、动力不足、保压性能差等故障现象，影响设备运行过程的平稳性和可靠性。
公开号为CN108533573A的发明专利，公开了一种基于第二代小波的液压缸内泄漏故障诊断方法，通过液压缸两腔压力传感器采集液压缸两腔压力信号，对压力信号进行第二代小波降噪预处理，将处理后的压力信号进行四层第二代小波分解，对分解后得到的第二代小波细节系数cD4求取其均方根值并归一化，以此作为液压缸内泄漏故障特征参数。
现有技术当中存在液压缸故障特征提取不丰富导致的空化等级识别率低的问题，且传统的机器学习算法识别准确率较低，同时还存在人工分类的繁琐和计算耗时等问题。
发明内容
针对现有技术中的缺陷，本发明提供一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法。
根据本发明提供的一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，所述方案如下：
第一方面，提供了一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，所述方法包括：
步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集；
步骤S2：对压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；
步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，包括信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集；
步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成模型的训练；
步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。
优选的，所述步骤S1包括：使用压力传感器分别采集不同泄漏程度下相同信号长度的液压缸出口压力信号；
将m个采样点划分为一个样本，从而构建出初始样本集，其中，m大于一个信号周期内包含的采样点。
优选的，所述步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；
p[n]与r[n]与压力信号具有相关性，其中，n表示循环频率特征的阶，n≥3。
优选的，所述步骤S3循环周期信号中信号的周期部分借助傅里叶频谱进行有效分析，而CS2特征的提取利用谱相关密度、循环谱相关性在内的信号分析工具。
优选的，所述步骤S4中利用随机种子数打乱预处理后的故障特征集的顺序，再作为训练数据进行模型训练。
优选的，所述步骤S5中，泄漏程度的泄漏等级分类包括无泄漏、小泄露、中泄漏以及大泄漏，分别标记为类别1～q；其中，q为泄漏等级的总数。
优选的，所述步骤S5中数据标准化具体为，将故障特征集的特征值缩放在0～1之间，以避免异常值和极端值对分类结果的影响。
优选的，所述步骤S5中，Stacking模型选择朴素贝叶斯，极限梯度提升树XGBoost，随机森林作为第一层的基学习器，选择逻辑回归作为第二层的元学习器。
与现有技术相比，本发明具有如下的有益效果：
1、本发明中的循环平稳方法克服了其他信号处理方法很难提取出隐藏在振动信号中的故障特征信息的问题；
2、本发明相较于其他常见的时域与频域特征，压力信号的一阶循环频率特征CS1和二阶循环频率特征CS2特征作为故障特征有着更高的识别准确率；
3、本发明中采用集成学习Stacking算法，避免了人工分类的繁琐和计算耗时等问题，且算法与传统的机器学习算法相比有着更高的识别准确率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法流程图；
图2为本发明从原始压力信号中提取故障特征的流程图；
图3为Stacking模型的算法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，参照图1和图2所示，具体步骤包括如下：
步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集。
步骤S2：基于循环平稳理论对压力信号进行去噪，采用时域同步平均方法将压力信号分解为循环周期信号和残余信号。
步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，具体为信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集。
步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成模型的训练。
步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。
其中，在步骤S1中，使用压力传感器分别采集不同泄漏程度下相同压力信号长度的液压缸出口压力信号，并将m个采样点划分为一个样本，从而构建出初始样本集，其中m大于一个信号周期内包含的采样点。
在步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；
p[n]与r[n]与压力信号具有相关性，能体现出旋转机械的振动或压力信号中的故障特征，其中一阶循环频率特征CS1特征主要体现不平稳、失调在内的故障现象，而二阶循环频率特征CS2特征则与磨损、摩擦力增大在内的现象有关，更高阶的循环频率特征CSn会忽略不计，其中，n表示循环频率特征的阶，n≥3。
在步骤S3循环周期信号中信号的周期部分借助傅里叶频谱进行有效分析，而二阶循环频率特征CS2特征的提取需要利用谱相关密度、循环谱相关性在内的信号分析工具。
在步骤S4中，利用随机种子数打乱预处理后的故障特征集的顺序，之后作为训练数据进行模型训练。
在步骤S5中，泄漏程度的泄漏等级分类包括无泄漏、小泄露、中泄漏以及大泄漏，分别标记为类别1～q，其中，q为泄漏等级的总数。其中，数据标准化具体为，将故障特征集的特征值缩放在0～1之间，以避免异常值和极端值对分类结果的影响。而该步骤中Stacking模型选择朴素贝叶斯，极限梯度提升树XGBoost，随机森林作为第一层的基学习器，选择逻辑回归作为第二层的元学习器能够保持算法之间的差异性。
接下来，对本发明进行更为具体的说明。
参照图1所示，本发明提供的一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，具体包括：
1)、采集不同泄漏程度下液压缸出口的压力信号，构建初始样本集；
2)、参照图2中，基于循环平稳理论将原始的压力信号x[n]分解为循环周期分量p[n]和残余分量r[n]，即x[n]＝p[n]+r[n]。计算p[n]的预测值最有效的方法是时域同步平均法，给定一个压力信号长度为L的压力信号x[n]，其时域同步平均值可由式(1)计算得到：
该式中，p[n]表示第n阶循环周期分量；
x[n]表示第n阶的压力信号；
K表示循环重复次数；
E{.}表示时域同步平均值；
N为每个循环中的离散点个数，m为采样点个数，变量m在每次循环结束时被重置。
3)、对压力信号的可预测循环周期分量p[n]做快速傅里叶变换，从FFT频谱中提取均值、方差、最大值以及中心频率作为一阶循环频率特征CS1特征，均值、方差、最大值、中心频率分别记为p1、p2、p3、p4，n＝1、2、3、4；计算如下公式(2)～(5)：
p3＝max{xi}, i＝1,2,…,N (4)
其中，N表示每个循环中的离散点个数；
xi表示第i个频率幅值；
x表示频率幅值的平均值；
fi表示第i个频率；
Ai表示样本第i个频率的幅值与频率乘积。
4)、从压力信号的残余分量r[n]中提取局部相关谱密度作为二阶循环频率特征CS2特征，选取相关度最高的前4个频率特征作为谱切片范围进行谱相关密度切片，按式(6)分别计算4个切片的局部能量谱密度作为二阶循环频率特征CS2特征：
式中fm和fn分别表示第m个谱相关密度切片的起始和第n个谱相关密度切片的终止频率。
5)、在上述步骤3)和4)中提取出的一阶循环频率特征CS1和二阶循环频率特征CS2特征构成了最终的八维特征数据集，将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成Stacking模型的训练，实现液压缸泄漏故障的诊断。
6)、根据上述得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的Stacking模型中，完成液压缸泄漏程度的故障诊断。进一步地，在1)中，使用压力传感器分别采集不同泄漏程度下相同压力信号长度的液压缸出口压力信号，并将m个采样点(m大于一个信号周期内包含的采样点)划分为一个样本，从而构建出初始样本集。
在2)中，从原始的压力信号中分离出信号的可预测循环周期分量p[n]与残余分量r[n]。p[n]与r[n]与原始的压力信号具有相关性，能体现出旋转机械的振动或压力信号中的故障特征，其中一阶循环频率特征CS1特征主要体现不平稳、失调等故障现象，而二阶循环频率特征二阶循环频率特征CS2特征则与磨损、摩擦力增大等现象有关，更高阶的循环频率特征CSn(n≥3)往往忽略不计。
在3)中，压力信号的周期部分借助经典的傅里叶频谱即可进行有效分析，而CS2特征的提取需要利用谱相关密度、循环谱相关性等信号分析工具。
进一步地，所述步骤4中，泄漏程度分为无泄漏、小泄露、中泄漏、大泄漏四种，分别标记为类别1～q，q为泄漏等级的总数。
进一步地，所述步骤5中，所述数据标准化具体为，将特征值缩放在0～1之间，以避免异常值和极端值对分类结果的影响。
进一步地，所述步骤5中，利用随机种子数打乱预处理后的故障特征集的顺序，之后作为训练数据进行模型训练。
进一步地，所述步骤5中，所述Stacking模型选择朴素贝叶斯，极限梯度提升树(XGBoost)，随机森林作为第一层的基学习器，选择逻辑回归作为第二层的元学习器能够保持算法之间的差异性。其中第一层基学习器的输入为原始训练集，第二层则是以第一层基学习器的输出结果作为特征输入到学习器中，两层学习器共同构成完整的Stacking模型，模型框架如图3所示。
以下以某型号的铲斗液压缸泄漏的故障诊断为实施例，对本发明进行进一步说明。
本实施例中，首先设计了液压缸泄漏故障模拟试验，在进口油路和出口油路中加装节流阀。通过调节节流阀的旋钮和截止阀的开闭来模拟液压缸不同程度的不同泄漏模式，不同泄漏模式的模拟实验阀口开闭设置如下表所示。
以有杆腔外泄漏故障模式为例，研究算法在识别同一泄漏模式下不同泄漏等级的有效性。将铲斗液压缸的出口压力脉动信号作为分析信号，由于实际试验中人为操作带来的随机误差影响，试验中仅仅选取信号中[-1，1]区间内的信号作为研究对象。
为验证提取出的一阶循环频率特征CS1和二阶循环频率特征CS2特征作为故障特征以及Stacking集成学习算法在识别液压缸泄漏模式和泄漏等级中的有效性，分别将一阶循环频率特征CS1特征、二阶循环频率特征CS2特征、CS1+CS2特征用于模型训练，同时用朴素贝叶斯、支持向量机、随机森林、极限梯度提升树(XGBoost)、Stacking模型对同一数据集进行训练和测试，最终的分类结果如下表所示。
对比试验结果表明，无论提取出口压力脉动信号的哪种特征作为液压缸泄漏的故障特征，本发明提出的Stacking模型在测试集上的综合识别准确率均最高，由此可以说明Stacking模型在分类性能上的优越性。此外，仅仅使用一阶循环频率特征CS1特征或者二阶循环频率特征CS2特征作为故障故障，模型的识别准确率均不高，其中仅将一阶循环频率特征CS1特征输入到Stacking模型中，其识别准确率可达83％左右，补充输入二阶循环频率特征CS2特征后模型的识别准确率得到进一步提高，最高可达95.4％，这表明采用本发明提出的方法能准确有效地识别出液压缸的不同泄漏等级，从而避免因液压缸泄漏导致的故障问题。
本发明实施例提供的一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其中，循环平稳方法克服了其他信号处理方法很难提取出隐藏在振动信号中的故障特征信息的问题；且本发明相较于其他常见的时域与频域特征，压力信号的一阶循环频率特征CS1和二阶循环频率特征CS2特征作为故障特征有着更高的识别准确率；本发明采用集成学习Stacking算法，避免了人工分类的繁琐和计算耗时等问题，且算法与传统的机器学习算法相比有着更高的识别准确率。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，包括：
步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集；
步骤S2：对所述压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；
步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，包括信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集；
步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成对Stacking模型的训练；
步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的Stacking模型中，完成液压缸泄漏程度的故障诊断。
2.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S1包括：
使用压力传感器分别采集不同泄漏程度下相同信号长度的液压缸出口压力信号；
将m个采样点划分为一个样本，从而构建出初始样本集，其中，m大于一个信号周期内包含的采样点。
3.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；
p[n]与r[n]与压力信号具有相关性，其中，n表示循环频率特征的阶，n≥3。
4.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S3循环周期信号中信号的周期部分借助傅里叶频谱进行有效分析，而二阶循环频率特征CS2特征的提取利用谱相关密度、循环谱相关性在内的信号分析工具。
5.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S4中利用随机种子数打乱预处理后的故障特征集的顺序，再作为训练数据进行模型训练。
6.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S5中，泄漏程度的泄漏等级分类包括无泄漏、小泄漏、中泄漏以及大泄漏，分别标记为类别1~q；其中，q为泄漏等级的总数。
7.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S5中数据标准化具体为，将故障特征集的特征值缩放在0~1之间，以避免异常值和极端值对分类结果的影响。
8.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S5中，Stacking模型选择朴素贝叶斯，极限梯度提升树XGBoost，随机森林作为第一层的基学习器，选择逻辑回归作为第二层的元学习器。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859083 | 2021-07-28 | ||
| CN202110859083X | 2021-07-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113820079A CN113820079A (zh) | 2021-12-21 |
| CN113820079B true CN113820079B (zh) | 2024-05-24 |
Family
ID=78922755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110926053.6A Active CN113820079B (zh) | 2021-07-28 | 2021-08-12 | 基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113820079B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
| CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
| CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
| CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
-
2021
- 2021-08-12 CN CN202110926053.6A patent/CN113820079B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
| CN110348624A (zh) * | 2019-07-04 | 2019-10-18 | 内蒙古工业大学 | 一种基于Stacking集成策略的沙尘暴等级预测方法 |
| CN111237134A (zh) * | 2020-01-14 | 2020-06-05 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
| CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
| CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113820079A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110186680B (zh) | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 | |
| AlThobiani et al. | An approach to fault diagnosis of reciprocating compressor valves using Teager–Kaiser energy operator and deep belief networks | |
| CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| Wu et al. | Intelligent fault diagnosis of rolling bearings under varying operating conditions based on domain-adversarial neural network and attention mechanism | |
| CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
| CN108106844B (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN103291600B (zh) | 一种基于emd-ar和mts的液压泵故障诊断方法 | |
| CN110132554A (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
| CN113865868A (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
| Prosvirin et al. | Global and local feature extraction using a convolutional autoencoder and neural networks for diagnosing centrifugal pump mechanical faults | |
| CN104863840A (zh) | 一种基于emd-pca的往复压缩机智能诊断方法 | |
| Deng et al. | Rolling bearing fault diagnosis based on Deep Boltzmann machines | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN110348468A (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
| Luo et al. | A novel fault detection scheme using improved inherent multiscale fuzzy entropy with partly ensemble local characteristic-scale decomposition | |
| CN115659143A (zh) | 一种基于试验设计的故障实时诊断方法 | |
| CN113820079B (zh) | 基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法 | |
| CN117390411B (zh) | 基于元迁移学习的变工况轴承故障诊断方法 | |
| CN111382792B (zh) | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 | |
| Cheng et al. | Control chart pattern recognition using wavelet analysis and neural networks | |
| CN110231165B (zh) | 一种基于期望差异约束置信网络的机械设备故障诊断方法 | |
| CN112734001A (zh) | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 | |
| CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、系统和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |