CN113865868A - 基于时频域表达的滚动轴承故障诊断方法 - Google Patents
基于时频域表达的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113865868A CN113865868A CN202110973527.2A CN202110973527A CN113865868A CN 113865868 A CN113865868 A CN 113865868A CN 202110973527 A CN202110973527 A CN 202110973527A CN 113865868 A CN113865868 A CN 113865868A
- Authority
- CN
- China
- Prior art keywords
- time
- sequence
- attention
- input
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000014509 gene expression Effects 0.000 title claims abstract description 27
- 238000005096 rolling process Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012733 comparative method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01M13/045—Acoustic or vibration analysis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于时频域表达的滚动轴承故障诊断方法,涉及机械设备中的故障诊断技术领域,解决了滚动轴承故障诊断准确率不高的技术问题,其技术方案要点是将采集的多通道振动加速度信号处理为时频域表达特征,然后构建时频Transformer模型并训练该时频Transformer模型以提取故障相关特征和实现故障分类,最后基于训练完成的时频Transformer模型诊断测试样本故障。该方法的核心在于时频Transformer模型的构建和训练,其基于自注意力的模型架构能够从时频域表达特征输入中提取丰富的故障相关信息,充分利用数据内在的时序相关性和频谱特性,从而实现更加准确的故障分类。
Description
技术领域
本申请涉及机械设备中的故障诊断技术领域,尤其涉及一种基于时频域表达的滚动轴承故障诊断方法。
背景技术
随着科学技术的快速发展和进步,以及现代工业的发展,机械设备在日常工作中几乎适用于所有应用,有时会使这些机器在不利的条件下工作,狡辩负载过大导致的机电设备故障将带来巨额的维护费用、生产水平的下降、严重的金钱损失以及潜在的人员伤亡风险。
滚动轴承,俗称轴承,是机械中的核心易损部件,其健康状况,即在不同载荷下运行时不同部位的裂纹或故障,直接影响其性能和效率、稳定性、和机器的寿命。滚动轴承由四个部件组成:内圈、外圈、球和保持架。大量关于旋转设备故障可能性的研究表明,轴承故障是最常见的故障类别。因此,滚动轴承的故障检测和诊断已成为开发和工程研究的重要组成部分。
故障检测方法的性能不仅取决于采集到的振动信号的质量,还取决于所应用的信号处理和特征提取技术的有效性。为了检测和诊断旋转机械尤其是滚动轴承中的故障,已经提出并实施了许多信号处理方法和基于机器学习的特征提取方法。深度学习作为一种表示学习技术,通过多层结构进行特征变换和特征学习,从而挖掘出隐藏在海量数据背后的监督信息,学习更加高度抽象的特征表示,并建立数据与模式之间的映射关系。深度学习技术比传统机器学习能提供更好的效率和准确性,因为深度学习技术倾向于端到端地解决问题,而传统机器学习技术首先需要将问题陈述分解为不同的部分,并最终将它们的结果结合起来。近年来,多种深度学习技术得到了广泛的关注并应用于机械故障诊断领域,但这些深度学习技术并没有充分利用数据内在的时序相关性和频谱特性,导致对滚动轴承的故障诊断不够准确。
发明内容
本申请提供了一种基于时频域表达的滚动轴承故障诊断方法,其技术目的是充分利用数据内在的时序相关性和频谱特性,从而对滚动轴承故障进行准确诊断。
本申请的上述技术目的是通过以下技术方案得以实现的:
一种基于时频域表达的滚动轴承故障诊断方法,包括:
S1:采集滚动轴承的多通道振动加速度信号,将所述振动加速度信号转化为时频域表达特征;
S2:将所述时频域表达特征输入到第一时频Transformer模型进行训练,得到第二时频Transformer模型;
S3:将待测试样本输入到所述第二时频Transformer模型进行故障诊断;
其中,所述第一时频Transformer模型包括分词器、编码器和分类器,所述分词器对输入的所述时频域表达特征进行处理,具体处理步骤包括:
S21:将所述时频域表达特征变形为其中,Nt和Nf分别表示时间宽度和频率宽度;C表示传感器通道数;R表示实数;Nt×Nf×C表示三维的张量;Nt×(Nf·C)表示二维矩阵,该二维矩阵的维度为Nt和Nf·C;
S23:对切片序列xp进行一个可学习的线性变换Wt,得到嵌入维度为dmodel的展平切片序列xt;
本申请的有益效果在于:本申请所述的基于时频域表达的滚动轴承故障诊断方法,首先是将采集的多通道振动加速度信号处理为时频域表达特征,然后构建时频Transformer模型并训练该时频Transformer模型以提取故障相关特征和实现故障分类,最后基于训练完成的时频Transformer模型诊断测试样本故障。
该方法的核心在于时频Transformer模型的构建和训练,其基于自注意力的模型架构能够从时频域表达特征输入中提取丰富的故障相关信息,充分利用数据内在的时序相关性和频谱特性,从而实现更加准确的故障分类。
此外,本申请简单易行,适用于滚动轴承的快速自适应的故障诊断。
附图说明
图1为本申请所述方法的流程图;
图2为时频Transformer模型的结构示意图;
图3为滚动轴承振动加速度信号及其时频域表达特征的示意图;
图4为时频Transformer模型训练过程的示意图;
图5为本申请所述方法故障诊断结果示意图;
图6为提取特征可视化示意图;
图7为注意力权重可视化示意图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
图1为本申请所述方法的流程图,如图1所示,该方法包括:步骤S1:采集滚动轴承的多通道振动加速度信号,将所述振动加速度信号转化为时频域表达特征。
步骤S2:将所述时频域表达特征输入到第一时频Transformer模型进行训练,得到第二时频Transformer模型。
具体地,所述第一时频Transformer模型包括分词器、编码器和分类器,所述分词器对输入的所述时频域表达特征进行处理,具体处理步骤包括:
S21:将所述时频域表达特征变形为其中,Nt和Nf分别表示时间宽度和频率宽度;C表示传感器通道数;R表示实数;Nt×Nf×C表示三维的张量;Nt×(Nf·C)表示二维矩阵,该二维矩阵的维度为Nt和Nf·C;
S23:对切片序列xp进行一个可学习的线性变换Wt,得到维度为dmodel的展平切片序列xt;
使用编码器处理输入嵌入序列z0以获取高度抽象的隐特征。编码器以输入嵌入序列z0为输入提取故障信息,所述编码器包括N个Transformer块,每个所述Transformer块包括一个多头自注意力子模块和一个前向网络子模块。
多头自注意力子模块Ah采用多头自注意力机制获得序列间关系的抽象,给定来自前一层Transformer块输出的一组嵌入序列zl,其中各样本具有维度dmodel,分别使用线性变换得到维度为dk的查询矩阵和键矩阵维度为dv的值矩阵每一个单头的点积缩放自注意力函数计算查询矩阵和键矩阵的点乘,然后除以缩放因子并使用一个softmax函数获得在每个值上的权重,则有单头缩放自注意力机制函数As表示为:
然后,多头自注意力子模块Ah通过h次不同的学习到的线性变换将输入投影到h个不同的查询矩阵、键矩阵和值矩阵进行并行计算,得到h个不同的输出值headj,所有的headj被串联起来再次施加一个线性映射,最后得到h头自注意力(即多头自注意力)表示为:
Ah(zl)=concat(head1,...,headh)Wo;
则多头自注意力子模块和前向网络子模块均采用层归一化和残差连接获得输出(如图2),即对于输入嵌入序列zl有:
其中,zl表示第l层Transformer块的输入,l∈[0,N-1];Ah表示多头自注意力子模块,h表示注意力头数;表示多头自注意力子模块的输出;FF表示前向网络子模块;zl+1表示前向网络子模块的输出,同时将zl+1作为输入输入到第l+1层Transformer块的多头自注意力子模块。
通过时频域表达特征对第一时频Transformer模型进行训练时,结合随机梯度下降算法训练第一时频Transformer模型,给定包含n个样本的训练集网络采用交叉熵损失函数,即有目标函数:其中,yi'、分别表示训练样本的期望输出、真实输出,θ表示模型中的可训练参数,LCE(·)是交叉熵损失函数。最后,采用随机梯度下降算法和误差反向传播算法优化目标函数以实现经验风险最小化,从而获得训练好的第二时频Transformer模型。
步骤S3:将待测试样本输入到所述第二时频Transformer模型进行故障诊断。
作为具体实施例地,本申请以HRB6308滚动轴承作为实验对象,并使用ABLT-1A轴承试验台开展多种故障模式的模拟实验。
步骤1:故障轴承安装在传感器的第一个通道,其他三个正常轴承安装在传感器的其余通道。利用单轴振动加速度传感器对故障或正常滚动轴承的振动信号进行单通道采集,最后通过数据采集卡将原始振动信号转换成数字信号。
具体实验数据集描述如下,在零负荷工况下,模拟以下七种模式:正常(6308N)、内圈故障(6308IRF)、内圈微弱故障(6308IRWF)、外圈故障(6308ORF)、外圈微弱故障(6308ORWF)、内外圈复合故障(6308IORF)和内外圈微弱复合故障(6308IORWF)。相应地,以1050rpm的转速和12800Hz的采样频率对采集的每种类型的振动数据进行截取,每种类型获得2000组长度为1024的样本,共计2000×7=14000个样本。
对于采集到的振动加速度数据,采用同步压缩变换处理以获取各样本的时频域表达,从而构成本实例的全部数据集。7种模式下的轴承振动信号和相应的时频域表达特征如图3所示。此外,将全部数据集中的60%作为训练数据集,20%作为验证数据集用于模型选择和交叉验证,20%作为测试数据集用于最终的测试,在每次训练和测试中均随机划分数据集,以保证全面评估模型性能。
步骤2:构建时频Transformer模型,时频Transformer模型的结构示意图如图2所示。首先需要确定模型结构和超参数,其中主要包括:(A)嵌入维度dmodel与隐层维度dff,(B)注意力头数h,(C)Transformer块的层数N,(D)dropout概率rdp,以及(E)位置编码的选择。比较以上几个参数的不同选择,并分别训练10次以交叉验证,结果如表1所示,从表1中可以看出,这些参数的选择都对网络规模和模型性能有一定的影响。尤其是不同大小的维度和不同的编码器层数会直接影响模型的规模和准确率。最终确定的时频Transformer模型的网络结构和超参数选择如表2所示。
表1模型选择
表2最优网络结构与超参数选择
Hyperparameter | Value |
输入尺寸 | [224,224,3] |
批次大小 | 32 |
学习率 | 5e-5 |
优化器 | Adam |
标签平滑率 | ε<sub>ls</sub>=0.1 |
Transformer块的层数N | 6 |
嵌入维数d<sub>model</sub> | 64 |
隐层维数d<sub>ff</sub> | 256 |
注意力头数h | 8 |
Dropout概率r<sub>dp</sub> | 0.1 |
位置编码 | 一维可学习位置编码 |
步骤3:基于最优的网络结构与超参数设置,在HRB6308数据集上训练模型。需要注意的是,本示例的训练过程使用了两项正则化技术:标签平滑和dropout,其参数设置如表2所示。网络训练基于随机梯度下降算法和误差反向传播算法,采用Adam优化器。
训练的每个回合中使用验证集数据获取验证误差和验证准确率,训练集和验证集的误差和准确率变化如图4所示。当验证集误差和准确率区域稳定,则意味着网络训练完成。在训练早期,训练误差大于验证误差是由于dropout的使用限制了在训练时的模型容量。而随着网络训练的推进,dropout将驱动网络学习更加鲁棒的特征。最终网络的训练误差和验证误差基本稳定在了同一数值,这也表明了网络的泛化能力非常优秀,本申请所使用的正则化技术充分保证了网络的鲁棒泛化。
步骤4:将待测试样本输入训练好的时频Transformer模型,进行故障诊断,重复20次实施的最优和最差故障分类结果如图5所示。
步骤5:为凸显本申请所述方法的有效性和优越性,构造以下两种对比方法:1)对比方法1:采用传统深度学习方法的卷积神经网络;2)对比方法2:采用循环神经网络的代表门控循环单元网络(GRU)。分别将对比方法运行20次以获得对比测试结果,如表3所示。此外,为了综合比较模型的性能,还统计了它们的可训练参数总数和训练平均用时。对比本申请和两种对比方法的测试性能,本申请所述的方法获得最好的预测准确度,其最大预测准确度能够达到100%,且平均准确度也最高,准确度方差也更小,这表明了其预测结果更加稳定。对比方法2的性能次之,得到了100%的最大准确度和仅次于本发明方法的平均准确度;但是,对比方法2的方差更大,结果不如本发明方法稳定可靠。进一步地,我们对比几种模型的规模和训练用时,对比方法1的参数量最大,而对比方法2的训练用时最长;本申请所述的方法在获得最高准确率的同时,参数规模最小,训练用时最短。
此外,将对比方法与本申请方法所提取的抽象特征表达可视化以供对比,如图6所示,通过本申请方法所提取的特征更优,同类别样本正确聚集且不同类别样本相互分离。
表3本发明方法与其他方法的对比
方法 | 平均准确率 | 最佳准确率 | 标准差 | 参数量 | 训练用时/秒 |
本申请方法 | 99.94% | 100.00% | 0.05 | 335,016 | 690 |
对比方法1 | 92.56% | 97.83% | 0.55 | 11,176,839 | 1030 |
对比方法2 | 97.03% | 100.00% | 1.56 | 1,844,103 | 1800 |
步骤7:最后为了凸显本申请方法的技术优势,分析基于自注意力模型的作用机制,提取时频Transformer模型中的注意力权重以可视化。导出第一个和最后一个自注意力层的注意力权重张量,即由于多头注意力的计算结果在网络中是通过拼接实现的,因此h个注意力头的权重被累加并归一化。如图7所示,图7中显示了第一个和最后一个注意力层在不同时间切片上的归一化的注意力权重,数值越大意味着注意力权重越大。从图7中可以发现,不同故障的样本在第一个注意力层的注意力权重分布几乎是相同的,即此时以相同的策略“观察”不同的样本。随着逐个注意力层的处理,网络将能够在不同的故障类型样本上采用不同的注意力权重。在最后一个注意力层,注意力集中在数值较大的时间切片上,也即更加关注振幅更明显的时刻。通过这样的注意力集中,本申请所提的模型能够从时频表达中有效地抓住特征性的信息,从而准确地提取不同故障类型的关键特征,并避免故障无关因素的干扰。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本领域的技术人员在本申请揭露的技术范围内,可轻易联想到的细节变化或替换,比如使用不同的优化器、正则化或者超参数设置,都应涵盖在本申请的保护范围内。
Claims (3)
1.一种基于时频域表达的滚动轴承故障诊断方法,其特征在于,包括:
S1:采集滚动轴承的多通道振动加速度信号,将所述振动加速度信号转化为时频域表达特征;
S2:将所述时频域表达特征输入到第一时频Transformer模型进行训练,得到第二时频Transformer模型;
S3:将待测试样本输入到所述第二时频Transformer模型进行故障诊断;
其中,所述第一时频Transformer模型包括分词器、编码器和分类器,所述分词器对输入的所述时频域表达特征进行处理,具体处理步骤包括:
S21:将所述时频域表达特征变形为其中,Nt和Nf分别表示时间宽度和频率宽度;C表示传感器通道数;R表示实数;Nt×Nf×C表示三维的张量;Nt×(Nf·C)表示二维矩阵,该二维矩阵的维度为Nt和Nf·C;
S23:对切片序列xp进行一个可学习的线性变换Wt,得到嵌入维度为dmodel的展平切片序列xt;
3.如权利要求1所述的故障诊断方法,其特征在于,所述多头自注意力子模块Ah采用多头自注意力机制获得序列间关系的抽象,对一组具有维度dmodel的输入嵌入序列zl,分别使用线性变换得到维度为dk的查询矩阵和键矩阵维度为dv的值矩阵Vs=zlWs v,则有单头缩放自注意力机制函数As表示为:
多头自注意力子模块Ah通过h次不同的线性变换将输入投影到h个不同的查询矩阵、键矩阵和值矩阵进行并行计算,得到h个不同的输出值headj,所有的headj被串联起来再次施加一个线性映射,最后得到h头自注意力表示为:
Ah(zl)=concat(head1,...,headh)Wo;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973527.2A CN113865868B (zh) | 2021-08-24 | 2021-08-24 | 基于时频域表达的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973527.2A CN113865868B (zh) | 2021-08-24 | 2021-08-24 | 基于时频域表达的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113865868A true CN113865868A (zh) | 2021-12-31 |
CN113865868B CN113865868B (zh) | 2023-12-22 |
Family
ID=78988075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110973527.2A Active CN113865868B (zh) | 2021-08-24 | 2021-08-24 | 基于时频域表达的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113865868B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510968A (zh) * | 2022-01-21 | 2022-05-17 | 石家庄铁道大学 | 一种基于Transformer的故障诊断方法 |
CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
CN116010896A (zh) * | 2023-02-03 | 2023-04-25 | 南京南瑞继保电气有限公司 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
CN116595421A (zh) * | 2023-06-10 | 2023-08-15 | 北京航空航天大学 | 基于时频谱图和变换器算法的飞行器电信号预测方法 |
US11928613B1 (en) | 2022-10-17 | 2024-03-12 | East China Jiaotong University | Bearing fault diagnosis method based on fuzzy broad learning model |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110608884A (zh) * | 2019-08-08 | 2019-12-24 | 桂林电子科技大学 | 一种基于自注意力神经网络的滚动轴承状态诊断方法 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN112632972A (zh) * | 2020-12-25 | 2021-04-09 | 浙江国际海运职业技术学院 | 一种电网设备故障报告内故障信息的快速提取方法 |
CN112906739A (zh) * | 2021-01-18 | 2021-06-04 | 河南工业大学 | 基于多头注意力及轴系设备周期性的故障诊断方法 |
-
2021
- 2021-08-24 CN CN202110973527.2A patent/CN113865868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110608884A (zh) * | 2019-08-08 | 2019-12-24 | 桂林电子科技大学 | 一种基于自注意力神经网络的滚动轴承状态诊断方法 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN112632972A (zh) * | 2020-12-25 | 2021-04-09 | 浙江国际海运职业技术学院 | 一种电网设备故障报告内故障信息的快速提取方法 |
CN112906739A (zh) * | 2021-01-18 | 2021-06-04 | 河南工业大学 | 基于多头注意力及轴系设备周期性的故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510968A (zh) * | 2022-01-21 | 2022-05-17 | 石家庄铁道大学 | 一种基于Transformer的故障诊断方法 |
CN114510968B (zh) * | 2022-01-21 | 2022-09-16 | 石家庄铁道大学 | 一种基于Transformer的故障诊断方法 |
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
US11928613B1 (en) | 2022-10-17 | 2024-03-12 | East China Jiaotong University | Bearing fault diagnosis method based on fuzzy broad learning model |
CN116010896A (zh) * | 2023-02-03 | 2023-04-25 | 南京南瑞继保电气有限公司 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
CN116595421A (zh) * | 2023-06-10 | 2023-08-15 | 北京航空航天大学 | 基于时频谱图和变换器算法的飞行器电信号预测方法 |
CN116595421B (zh) * | 2023-06-10 | 2024-04-09 | 北京航空航天大学 | 基于时频谱图和变换器算法的飞行器电信号预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113865868B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN111721535B (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
CN111259921B (zh) | 基于改进小波包和深度学习的变压器声音异常检测方法 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN110455512B (zh) | 基于深度自编码器dae的旋转机械多集成故障诊断方法 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN114800041B (zh) | 一种刀具状态监测方法及其监测装置 | |
Tao et al. | Fault diagnosis of rolling bearing using deep belief networks | |
CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
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 | |
Tong et al. | A novel cuckoo search optimized deep auto-encoder network-based fault diagnosis method for rolling bearing | |
CN110490218B (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
CN116735170A (zh) | 一种基于自注意力多尺度特征提取的智能故障诊断方法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
Pan et al. | Intelligent fault diagnosis of rolling bearing via deep-layerwise feature extraction using deep belief network | |
CN115901259A (zh) | 基于二维图像与cnn的滚动轴承弱故障诊断方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 |
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 |