CN113820123A - 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 - Google Patents
一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN113820123A CN113820123A CN202110947429.1A CN202110947429A CN113820123A CN 113820123 A CN113820123 A CN 113820123A CN 202110947429 A CN202110947429 A CN 202110947429A CN 113820123 A CN113820123 A CN 113820123A
- Authority
- CN
- China
- Prior art keywords
- base learning
- learning machine
- improved
- fault diagnosis
- training
- 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
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
- G01M13/021—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
- G01M13/028—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
Abstract
基于一种基于改进CNN和选择性集成的齿轮箱故障诊断方法,首先,利用齿轮箱监测振动训练数据,通过Bagging算法对数据进行重采样,获得多个训练子集,并使用训练子集对改进的CNN模型进行训练,获得一组基学习机。第二,利用采集的齿轮检测振动验证数据,在各个基学习机上进行分类任务,获得每个基学习机的分类混淆矩阵并将其转换为一维向量,表征不同学习机的性能特点。将若干一维数据组成矩阵并将其归一化,作为聚类矩阵输入谱聚类算法,对基学习机进行聚类,选择距离聚类中心最近的基学习机作为后续的集成成员。第三,基于上述选择出的基学习机,对实时测试数据进行故障诊断,并采用DSmT理论对诊断结果进行集成,集成结果及为最终诊断结果,实现齿轮箱的故障诊断。
Description
技术领域
本发明属于齿轮箱故障诊断技术领域,特别是涉及一种基于改进CNN和选择性集成的齿轮箱故障诊断方法。
背景技术
齿轮箱故障作为机械传动系统的关键部件,直接影响设备的安全问题和维护成本。因此,高效的故障诊断可以为维护决策提供有力的支持。随着信息传感器和人工智能技术的发展,研究人员从机器学习等领域的先进技术学习并提出了许多针对早期故障检测和小样本故障诊断的先进算法。典型的算法包括:神经网络、决策树和支持向量机等。然而,由于机电产品的日益现代化和复杂化,系统的工作状态复杂多变,其观察到的信号通常是非线性的和非平稳的。因此,单个算法的泛化性能很难满足这个要求。此外的故障诊断过程中,工作环境的波动和强噪声会导致过拟合和信息丢失等一系列问题。
针对上述问题,本发明提出了一种基于改进卷积神经网络(以下简称CNN)和选择性集成的齿轮箱故障诊断方法,可以对环境波动和强噪声环境下的齿轮箱振动信号进行更为有效的特征提取,防止重要信息的缺失,并通过选择性集成的方法避免单一模型泛化能力弱等问题,从而在实际工程应用中完成齿轮箱的故障诊断。
发明内容
本申请旨在提出一种基于改进CNN和选择性集成的齿轮箱故障诊断方法,使得在强噪声以及环境波动条件下仍能有效提取齿轮箱振动信号的特征,并实现对齿轮箱的故障诊断。
本发明提出的基于改进CNN和选择性集成的齿轮箱故障诊断方法,包括:
步骤一、基学习机生成:利用训练集训练改进的CNN模型,生成基学习机;
步骤二、基学习机选择:对基学习机进行筛选,选择出差异化大的基学习机;
步骤三、基学习机集成和故障诊断:对选择出的基学习机进行集成,并针对测试集开展故障诊断。
优选地,步骤一所述基学习机生成所采用的训练集,是通过引导聚集算法(以下简称Bagging方法)获得的,Bagging应用了自助法(以下简称Bootstrap)的思想,对训练数据进行重采样获得具有多样性的若干子训练集,用于训练改进的CNN模型,生成具有多样性的基学习机集合。
优选地,步骤一基学习机生成所采用的模型为改进的CNN模型,通过特征重用的方式对基础CNN模型进行改进,进一步优化基学习机的诊断性能,从而提升诊断准确度。
所述的CNN模型改进方法特征重用,是将每一卷积层的输入进行池化操作后与该卷积层的输出合并,作为下一卷积层的输入;特征重用加强了每个卷积层的输入,通过将任何一层直接连接到所有后续的层来实现特征的有效利用,增强了模型的分类能力。
优选地,步骤二所述的基学习机筛选方法是在验证集上对基学习机进行性能表征,采用谱聚类方法对性能表征结果进行聚类,提升了基学习机的差异性,从而提高集成学习方法的分类效果。
优选地,步骤二基学习机的性能表征方法,是通过使用基学习机在验证集上进行故障诊断,获得各个基学习机的分类混淆矩阵,并将混淆矩阵转换为一维向量作为该基学习机的性能表征,该向量能够表征基学习机在不同故障上的诊断能力以及将某一故障误诊断为另一故障的概率。
优选地,步骤三所述的对选择出基学习机进行集成,采用的方法为Dezert-Smarandache(DSmT)理论,针对集成过程中可能出现的类别判定冲突情况,利用DSmT融合识别置信度,获取故障类型的准确识别结果。
本发明的优点与积极效果在于:
(1)本发明采用改进的CNN模型进行基学习机构建,减少了信号处理过程中的信息冗余和丢失,增强了特征提取能力,相比传统CNN模型提高了单个基学习机的故障诊断精度;
(2)本发明通过对所构建的全部基学习机进行筛选,选取差异性大的基学习机进行选择性集成,相比传统的将全部基学习机进行集成的非选择性集成学习方法,有效提高了齿轮箱故障诊断的精度;
(3)本发明采用DSmT理论对基学习机的故障诊断结果进行选择性集成,针对集成过程中可能出现的类别判定冲突情况,利用DSmT融合识别置信度获取故障类型的准确识别结果,相比传统的基于相对投票法的集成学习方法,有效提升了齿轮箱故障诊断的集成效果。
附图说明
图1为本发明流程方框图;
图2为实施例正常状态振动信号图;
图3为实施例故障一状态振动信号图;
图4为实施例故障二状态振动信号图;
图5为实施例故障三状态振动信号图;
图6为实施例故障四状态振动信号图;
图7为实施例故障五状态振动信号图;
图8为实施例故障六状态振动信号图;
图9为实施例故障七状态振动信号图;
图10为实施例中基础CNN和改进CNN的t分布随机邻近嵌入(简称t-SNE)特征的可视化图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1为本发明流程方框图,如图所示,本发明提出了基于改进CNN和选择性集成的齿轮箱故障诊断方法。该方法步骤如下:
步骤一、基学习机生成S1:从齿轮箱振动信号选取训练数据,基于齿轮箱采集到的各种故障类型的振动信号,提出一种齿轮箱故障诊断基学习机生成方法,训练出齿轮箱故障诊断差异化模型。其具体步骤如下所述:
101:获取齿轮箱监测参数样本(N个)组成训练数据,训练数据包含正常数据以及各类故障数据。其监测参数为:时域振动信号;
102:使用Bagging算法对训练数据进行重采样,将上述各时域振动信号样本,进行m次重采样,获得m个训练子集。其中,重采样方法采用Bagging算法;
103:使用训练子集对改进CNN算法进行训练,进而,使用上述重采样所获得的m个训练子集对诊断模型进行训练,获得m个基学习机。所使用的基础模型为通过信息重用方法进行改进的CNN模型。基础CNN与改进的CNN模型结构如表1和表2所示。
表1:基础CNN模型结构
表2:改进CNN模型结构
步骤二、基学习机选择S2:基于生成的m个基学习机,提出了一种用于齿轮箱故障诊断的基学习机选择方法,实现基学习机多样性的提升。其具体步骤如下所述:
201:从齿轮箱振动信号选取验证数据,获取齿轮箱监测参数样本(n个)组成验证数据,验证数据同样包含正常数据以及故障数据。其监测参数为:时域振动信号;
202:使用各个基学习机对验证数据进行诊断,利用步骤一获得的基学习机对验证数据进行诊断,获得m个学习机在各个样本上的诊断结果;
203-1:计算诊断结果的混淆矩阵转换为一维向量,基于上述诊断结果,计算m个基学习机的诊断混淆矩阵并将其转换为一维向量,作为各个基学习机的性能表征结果,用于表征学习机在不同故障类型上的诊断能力以及将某一故障误诊断为另一种的概率,从而体现该学习机的诊断特点。第r个基学习机的诊断结果混淆矩阵和一维向量如下:
203-2:使用一维向量构成矩阵并进行归一化,将上述m个一维向量合并为基学习机集合的聚类矩阵,并将其归一化,用于后续对基学习机的筛选。聚类矩阵的表达式和归一化计算方法如下:
CM=[cm1,cm2,…,cmm]
204:对基学习机进行聚类,基于上述的聚类矩阵,对基学习机进行聚类。选择的聚类方法为:谱聚类;
205:选择出差异性大的基学习机,基于上述的谱聚类结果,选择距离各个聚类中心最近的k个基学习机作为后续用于集成的基学习机,提高基学习机的多样性,从而提高集成学习的诊断能力。
步骤三、基学习机的集成与故障诊断S3:基于选择出的基学习机,给定测试数据,提出了一种齿轮箱故障诊断方法,实现齿轮箱的实时故障诊断。其具体步骤如下所述:
301:获取实时的测试数据。其监测参数类别应与步骤一相同;
302:使用选择出的基学习机对测试数据进行故障诊断,将上述实时测试数据,送入到步骤二选择出的k个基学习机模型,针对相同样本获得k组独立的分类结果;
303:使用DSmT理论对诊断结果进行集成实现齿轮箱的实时故障诊断,基于上述k个分类结果,对结果进行集成,获得最终的诊断结果。集成采用的方法为Dezert-Smarandache(DSmT)理论,方法的表达式如下:
m1(·),m2(·),…mk(·)分别表示k个不同学习机的分类结果的广义置信函数,Dθ被定义为广义识别框架中所有元素的集合。xi,i=1,2,…,n被定义为对问题的所有可能的假设,即变速箱故障诊断中的8种故障类型。
以上为提出的一种基于改进CNN和选择性集成的齿轮箱故障诊断方法。
实施例
步骤一:基学习机生成S1
101:针对实际中常见的数据的场景,选取正常数据和7种不同故障类型下齿轮箱监测参数样本组成训练数据,本发明中采用振动信号作为齿轮箱状态表征信号。八种数据的信号图如图2-9所示。
102:采用Bagging缩放对上述训练数据进行50次重采样,获得50个训练子集。训练子集中样本数为1008,各种故障类型数量相同,样本大小为1024。
103:使用上述训练子集对改进CNN模型进行训练,获得50个基学习机,模型参数设置如表3所示。
表3:改进CNN模型参数设置
为验证对CNN模型改进的有效性,将其中一个训练子集按照7:3的比例划分为训练集和测试集,使用训练集对基础CNN模型与改进CNN模型进行训练,并用训练好的模型在测试集上进行诊断工作,使用t-SNE来减少和可视化在最终分类前从网络中提取的特征。t-SNE可视化结果如图10所示。两者的诊断精度如表4所示。
表4:CNN与改进CNN的诊断精度
从图10可以看出,相较于基础的CNN,改进的CNN模型提取出的特征能够更加有效地区分各类故障,并且使得诊断精度提高了3.97%。
步骤二:基学习机选择S2
201:选取新的正常数据和7种不同故障类型下齿轮箱监测参数样本组成验证数据,与101相同,采用振动信号作为齿轮箱状态表征信号。验证集样本数为112,各种故障类型数量相同,样本大小为1024。
202:利用103获得的基学习机对验证数据进行诊断,获得50个基学习机在112个样本上的诊断结果。50个基学习机在验证数据上的诊断精度的平均值与最大值如表5所示。
表5:基学习机在验证数据上的诊断精度的平均值与最大值
203-1:基于上述诊断结果,计算50个基学习机的诊断混淆矩阵并将其转换为一维向量,作为各个基学习机的性能表征结果。
203-2:将上述50个一维向量合并为基学习机集合的聚类矩阵,并将其归一化,用于后续对基学习机的筛选。
204:基于上述的聚类矩阵,对基学习机进行聚类,生成25类。聚类结果如表6所示。
表6:聚类结果
205:基于上述的谱聚类结果,选择距离各个聚类中心最近的25个基学习机作为后续用于集成得基学习机。选择出的基学习机编号和在验证集上的准确度如表7所示。
表7:选择出的基学习机在验证集上的准确度
步骤三、基学习机集成和故障诊断S3
301:获取实时的测试数据。其监测参数类别应与步骤一相同。测试集样本数为480,各种故障类型的数量相同,样本大小为1024。
302:将上述实时测试数据,送入到步骤二选择出的25个基学习机模型,针对验证集共获得25组分类结果;
303:基于上述25组分类结果,使用DSmT理论对结果进行选择性集成,获得最终的诊断结果。诊断结果的混淆矩阵如表8所示。准确度计算公式如下所示:
表8:基于DSmT理论的选择性集成诊断结果混淆矩阵
步骤四:本发明所提的选择性集成学习方法和传统的非选择性集成学习方法效果对比
为了验证本发明所提出的选择性集成学习方法相比传统的没有选择性集成的方法在诊断性能方面的提升,将上述测试数据输入进全部50个基学习机中并对其进行全部集成,诊断结果的混下矩阵如表9所示。准确度计算公式如下:
表9:全部集成诊断结果混淆矩阵
由混淆矩阵结果所示,集成全部50个基学习机的诊断精度为96.25%,所提选择性集成学习方法在相同测试数据上的准确度达到98.33%,较前者准确度提升了2.08%,证明了本发明所提选择性集成学习方法在故障诊断精度提升方面的有效性。
步骤五、本发明所提的基于DSmT的集成学习方法和传统的基于相对投票法的集成学习方法效果对比
传统的集成学习方法采用相对投票法对基学习机的结果进行集成,即首先使用选择出的基学习机分别对测试数据进行诊断,诊断结果可视为对该样本为某一类故障的投票,获得最多的票数的故障类型成为最终诊断结果,如果多个类别获得最高选票,则随机选择一个作为最终结果。而本发明所提出的集成方法为基于DSmT理论的集成学习方法,即首先使用选择出的基学习机分别对测试数据进行诊断,针对集成过程中可能出现的类别判定冲突情况,利用DSmT融合识别置信度,获取故障类型的准确识别结果。为了说明本发明所提方法的优势,将上述测试数据输入进步骤二选择出的25个基学习机模型,并采用相对投票法进行诊断结果集成,诊断结果的混下矩阵如表10所示。
表10:基于相对投票法的选择性集成诊断结果混淆矩阵
由混淆矩阵结果所示,基于相对投票法的的故障诊断精度为98.125%,本发明所提基于DSmT理论的集成学习方法在相同测试数据上的准确度达到98.33%,较前者准确度有所提升,证明了本发明所提基于DSmT理论的集成学习方法在故障诊断精度提升方面的有效性。
需要注意的是,本申请公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种基于改进CNN与选择性集成的齿轮箱故障诊断方法,包括如下步骤:
步骤一、基学习机生成:利用训练集训练改进的CNN模型,生成基学习机;
步骤二、基学习机选择:对基学习机进行筛选,选择出差异化大的基学习机;
步骤三、基学习机集成与故障诊断:对选择出的基学习机进行集成,并针对测试集开展故障诊断。
2.根据权利要求1所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法,其特征在于:
步骤一所述基学习机生成所采用的训练集,是通过Bagging方法获得的,Bagging应用了Bootstrap的思想,对训练数据进行重采样获得具有多样性的若干子训练集,用于训练改进的CNN模型,生成具有多样性的基学习机集合。
3.根据权利要求1所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法,其特征在于:
步骤一所述基学习机生成所采用的模型为改进的CNN模型,通过特征重用的方式对基础CNN模型进行改进,进一步优化基学习机的诊断性能,从而提升诊断准确度。
4.根据权利要求2所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法,其特征在于:
所述的CNN模型改进的特征重用,是将每一卷积层的输入进行池化操作后与该卷积层的输出合并,作为下一卷积层的输入;特征重用加强了每个卷积层的输入,通过将任何一层直接连接到所有后续的层来实现特征的有效利用,增强了模型的分类能力。
5.根据权利要求1所述的基于改进CNN与选择性集成的齿轮箱故障诊断方法,其特征在于:
步骤二所述的基学习机筛选是在验证集上对基学习机进行性能表征,采用谱聚类的方法对性能表征结果进行聚类,选择距离聚类中心最近的基学习机用于后续的集成,提升了基学习机的差异性,从而提高集成学习方法的分类效果。
6.根据权利要求4所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法,其特征在于:
基学习机的性能表征,是通过使用基学习机在验证集上进行故障诊断,获得各个基学习机的分类混淆矩阵,并将混淆矩阵转换为一维向量作为该基学习机的性能表征,该向量能够表征基学习机在不同故障上的诊断能力以及将某一故障误诊断为另一故障的概率。
7.根据权利要求1所述的一种基于改进CNN与选择性集成的齿轮箱故障诊断方法,其特征在于:
步骤三所述的对选择出基学习机集成,采用的方法为DSmT理论,首先使用选择出的基学习机分别对测试数据进行诊断,针对集成过程中可能出现的类别判定冲突情况,利用DSmT融合识别置信度,获取故障类型的准确识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947429.1A CN113820123A (zh) | 2021-08-18 | 2021-08-18 | 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947429.1A CN113820123A (zh) | 2021-08-18 | 2021-08-18 | 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113820123A true CN113820123A (zh) | 2021-12-21 |
Family
ID=78922843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110947429.1A Pending CN113820123A (zh) | 2021-08-18 | 2021-08-18 | 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116858541A (zh) * | 2023-09-01 | 2023-10-10 | 湖南科技大学 | 基于密集特征重用的轴承早期故障诊断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN105115594A (zh) * | 2015-10-09 | 2015-12-02 | 北京航空航天大学 | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN106991296A (zh) * | 2017-04-01 | 2017-07-28 | 大连理工大学 | 基于随机化贪心特征选择的集成分类方法 |
CN111429497A (zh) * | 2020-03-20 | 2020-07-17 | 郑州轻工业大学 | 基于深度学习和多特征融合的自适应cu拆分决策方法 |
CN112115829A (zh) * | 2020-09-09 | 2020-12-22 | 贵州大学 | 一种基于分类器选择性集成的表情识别方法 |
-
2021
- 2021-08-18 CN CN202110947429.1A patent/CN113820123A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN105115594A (zh) * | 2015-10-09 | 2015-12-02 | 北京航空航天大学 | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 |
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN106991296A (zh) * | 2017-04-01 | 2017-07-28 | 大连理工大学 | 基于随机化贪心特征选择的集成分类方法 |
CN111429497A (zh) * | 2020-03-20 | 2020-07-17 | 郑州轻工业大学 | 基于深度学习和多特征融合的自适应cu拆分决策方法 |
CN112115829A (zh) * | 2020-09-09 | 2020-12-22 | 贵州大学 | 一种基于分类器选择性集成的表情识别方法 |
Non-Patent Citations (2)
Title |
---|
季康: ""基于多分类器融合的多视点飞机目标识别算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张盼: ""基于混淆矩阵的分类器选择集成方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116858541A (zh) * | 2023-09-01 | 2023-10-10 | 湖南科技大学 | 基于密集特征重用的轴承早期故障诊断方法及系统 |
CN116858541B (zh) * | 2023-09-01 | 2023-12-01 | 湖南科技大学 | 基于密集特征重用的轴承早期故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
Chao et al. | Adaptive decision-level fusion strategy for the fault diagnosis of axial piston pumps using multiple channels of vibration signals | |
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN110361176A (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
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 | |
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 | |
CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
CN108171263A (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
US11137322B2 (en) | Diagnosing method of engine condition and diagnostic modeling method thereof | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
Yang et al. | Fault diagnosis of reciprocating compressor based on convolutional neural networks with multisource raw vibration signals | |
CN106951197A (zh) | 一种基于信号测试的印刷设备远程故障诊断方法及系统 | |
CN107370617A (zh) | 基于svm的蜂窝网络故障诊断系统 | |
CN113158984B (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN111783531A (zh) | 一种基于sdae-ielm的水轮机组故障诊断方法 | |
CN113865868A (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
KR20210061517A (ko) | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN113820123A (zh) | 一种基于改进cnn和选择性集成的齿轮箱故障诊断方法 | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 |
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 |