CN113869410A - 一种基于dcgan样本补充的滚动轴承故障诊断方法 - Google Patents
一种基于dcgan样本补充的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113869410A CN113869410A CN202111140121.2A CN202111140121A CN113869410A CN 113869410 A CN113869410 A CN 113869410A CN 202111140121 A CN202111140121 A CN 202111140121A CN 113869410 A CN113869410 A CN 113869410A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- sample
- neural network
- dimensional
- signal
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 82
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000013589 supplement Substances 0.000 title claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 230000036541 health Effects 0.000 claims description 15
- 230000003042 antagnostic effect Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于DCGAN样本补充的滚动轴承故障诊断方法,所述方法包括以下步骤:首先将一维滚动轴承故障信号通过遗传算法优化后的变分模态分解框架中进行降噪预处理,并对分解后的信号依据峭度准则进行重构,然后对重构信号进行连续小波变换得到二维滚动轴承故障信号,最后,将二维滚动轴承振动信号放入深度生成对抗网络模型中生成辅助样本数据集,并通过卷积神经网络实现小样本、非均衡数据集下的滚动轴承智能诊断。本发明实现了变分模态分解和卷积神经网络参数的自适应确定,并通过深度生成对抗网络的方式解决了扩充小样本、非平衡数据集导致样本多样性差的问题,该方法可以快速、准确的实现滚动轴承故障类型的识别。
Description
技术领域
本发明涉及机械故障技术领域,尤其涉及一种基于DCGAN样本补充的滚动轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械应用广泛且容易损坏的零部件,对其进行故障诊断有着重要的理论和实际意义,现有的故障诊断方法在对滚动轴承实测得到的数据往往存在不同类型样本累积数据量不同导致的数据非平衡问题,导致现有方法在非平衡小样本故障诊断场景下识别准确率有限,甚至存在状态误识别,而解决这种问题的方法通常是使用平衡数据集训练卷积神经网络(CNN)与循环神经网络(GAN)相结合的深度生成对抗网络(DCGAN)模型来扩充小样本、非平衡数据集,最终根据得到的实测数据对滚动轴承故障类型进行识别和判断。
扩充小样本、非平衡数据集最终得到的样本多样性差,从而导致无法快速、准确的实现对滚动轴承故障类型的识别,降低了滚动轴承故障诊断的工作效率。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于DCGAN样本补充的滚动轴承故障诊断方法。
本发明提出的一种基于DCGAN样本补充的滚动轴承故障诊断方法,所述方法包括以下步骤:
S1,运用加速度传感器对滚动轴承各故障部位进行一维信号采集,然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记,得到具有样本标签的原始一维滚动轴承数据集;
S2,建立最小信息熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对变分模态分解中分解个数K和二次惩罚因子a进行参数优化,实现参数的自适应确定;
S3,对S1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理;
S4,将S3得到的若干IMF分量依据峭度准则原理进行信号重构,得到具有明显故障特征的滚动轴承一维故障信号;
S5,对S4中的一维重构信号进行连续小波变换,将其转换为二维信号,并作为原始数据集;
S6,建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(DCGAN)模型,该模型由判别器和生成器两部分组成,将滚动轴承故障二维数据输入判别器中进行分类打分标准,然后在生成器中输入多维噪声信号,输出滚动轴承故障二维数据的辅助样本,判别器与生成器之间相互博弈,最终达到“纳什均衡”,生成器与判别器博弈原理为:式中,z为生成网络的输入噪声,x为真实样本,G(z)为生成网络的虚假样本,D(G(z))为判别样本真实程度的概率;
S7,将S5中的原始二维信号数据集作为原始样本输入S6中的判别器内,深度生成对抗神经网络通过相互对抗‘“博弈”生成辅助样本;
S8,建立用于滚动轴承故障智能诊断的卷积神经网络(CNN)模型,该模型基于Alexnet网络;
S9,建立最小交叉熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小Batch_size进行参数优化,实现参数的自适应确定;
S10,设计通过遗传算法改进卷积神经网络有效性的试验;
S11,设计通过深度生成对抗神经网络解决小样本的试验;
S12,设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验。
优选地,所述S6中判别器包括三层卷积操作与leakyRelu函数,且最后通过sigmoid函数进行分类打分标准。
优选地,所述S6中生成器包括五层卷及操作与relu函数,且最后通过tanh函数输出滚动轴承故障二维数据的辅助样本。
优选地,所述S8中卷积神经网络主要包括五层卷积层、三层最大池化层、relu函数及全连接层等。
优选地,所述S10中通过遗传算法改进卷积神经网络有效性的实验具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用遗传算法(ga)对卷积神经网络中参数进行优化,实现其自适应确定;
(3)将(1)中的二维数据按照比例划分训练集和测试集,并分别放入原始卷积神经网络模型和(2)中的模型进行智能诊断。
优选地,所述S11中解决小样本的实验具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充;
(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
优选地,所述S12中解决非均衡数据集的实验具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡;
(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
与现有技术相比,本发明提供的一种基于DCGAN样本补充的滚动轴承故障诊断方法具有以下有益效果:
将二维滚动轴承振动信号放入卷积神经网络(CNN)与循环神经网络(GAN)相结合的深度生成对抗网络(DCGAN)模型中生成辅助样本数据集,并通过卷积神经网络实现小样本、非均衡数据集下的滚动轴承智能诊断,实现了变分模态分解参数的自适应确定,并解决了扩充小样本、非平衡数据集导致样本多样性差的问题,该方法可以快速、准确的实现滚动轴承故障类型的识别,提高了滚动轴承故障诊断的工作效率。
附图说明
图1为本发明中遗传算法优化VMD算法流程图;
图2为本发明中DCGAN扩充数据集流程图;
图3为遗传算法-卷积神经网络与原始卷积卷积神经网络模型诊断精度对比图;
图4为小样本下遗传算法-卷积神经网络与深度生成对抗网络+遗传算法-卷积神经网络模型诊断精度对比图;
图5为小样本及故障类间不均衡下遗传算法-卷积神经网络与深度生成对抗网络+遗传算法-卷积神经网络模型诊断精度对比图。
具体实施方式
参考图1-5,一种基于DCGAN样本补充的滚动轴承故障诊断方法,包括以下步骤:
S1,运用加速度传感器对滚动轴承各故障部位进行一维信号采集,然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记,得到具有样本标签的原始一维滚动轴承数据集;
S3,对S1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理;
S4,将S3得到的若干IMF分量依据峭度准则原理进行信号重构,得到具有明显故障特征的滚动轴承一维故障信号;
S5,对S4中的一维重构信号进行连续小波变换,将其转换为二维信号,并作为原始数据集;
S6,建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(DCGAN)模型,该模型由判别器和生成器两部分组成,将滚动轴承故障二维数据输入判别器中进行分类打分标准,然后在生成器中输入多维噪声信号,输出滚动轴承故障二维数据的辅助样本,判别器与生成器之间相互博弈,最终达到“纳什均衡”,生成器与判别器博弈原理为:式中,z为生成网络的输入噪声;x为真实样本,G(z)为生成网络的虚假样本,D(G(z))为判别样本真实程度的概率;
判别器包括三层卷积操作与leakyRelu函数,且最后通过sigmoid函数进行分类打分标准;
生成器包括五层卷及操作与relu函数,且最后通过tanh函数输出滚动轴承故障二维数据的辅助样本;
S7,将S5中的原始二维信号数据集作为原始样本输入S6中的判别器内,深度生成对抗神经网络通过相互对抗“博弈”生成辅助样本;
S8,建立用于滚动轴承故障智能诊断的卷积神经网络(CNN)模型,该模型基于Alexnet网络;
卷积神经网络主要包括五层卷积层、三层最大池化层、relu函数及全连接层等;
S9,建立最小交叉熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小Batch_size进行参数优化,实现参数的自适应确定;
S10,设计通过遗传算法改进卷积神经网络有效性的试验;
具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用遗传算法(ga)对卷积神经网络中参数进行优化,实现其自适应确定;
(3)将(1)中的二维数据按照比例划分训练集和测试集,并分别放入原始卷积神经网络模型和(2)中的模型进行智能诊断。
S11,设计通过深度生成对抗神经网络解决小样本的试验;
具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充;
(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断;
S12,设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验;
具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡;
(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
实施例
S1,运用加速度传感器对滚动轴承各故障部位进行一维信号采集,然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记,得到具有样本标签的原始一维滚动轴承数据集;
S2,建立最小信息熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对变分模态分解中分解个数K和二次惩罚因子a进行参数优化,实现参数的自适应确定;
S3,对S1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理;
S4,将S3得到的若干IMF分量依据峭度准则原理进行信号重构,得到具有明显故障特征的滚动轴承一维故障信号;
S5,对S4中的一维重构信号进行连续小波变换,将其转换为二维信号,并作为原始数据集;
S6,建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(DCGAN)模型,该模型由判别器和生成器两部分组成,将滚动轴承故障二维数据输入判别器中进行分类打分标准,然后在生成器中输入多维噪声信号,输出滚动轴承故障二维数据的辅助样本,判别器与生成器之间相互博弈,最终达到“纳什均衡”;
S7,将S5中的原始二维信号数据集作为原始样本输入S6中的判别器内,深度生成对抗神经网络通过相互对抗“博弈”生成辅助样本;
S8,建立用于滚动轴承故障智能诊断的卷积神经网络(CNN)模型,该模型基于Alexnet网络;
S9,建立最小交叉熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小Batch_size进行参数优化,实现参数的自适应确定;
S10,设计通过遗传算法改进卷积神经网络有效性的试验;
具体方式为:
(1)提取四种滚动轴承的不同健康状态的原始二维数据,其中每种健康状态各50个二维数据;
(2)利用遗传算法(ga)对原始卷积神经网络中迭代次数epoch和批处理大小Batch_size进行参数优化,实现其自适应确定;
(3)将(1)中的二维数据按照8:2的比例划分训练集和测试集,并分别放入原始卷积神经网络模型和(2)中的模型中进行智能诊断。
S11,设计通过深度生成对抗神经网络解决小样本的试验;
具体方式为:
(1)提取四种滚动轴承的不同健康状态的原始二维数据,其中每种健康状态各50个二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充;
(3)将(1)和(2)两种情况下的二维数据按照8:2的比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
S12,设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验;
具体方式为:
(1)提取四种滚动轴承的不同健康状态的原始二维数据,其中内圈故障为20个,外圈故障为30个,滚动体故障为40个,健康状态为50个;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡;
(3)将(1)和(2)两种情况下的二维数据按照8:2的比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
实验证明,该方法可以快速、准确的实现滚动轴承故障类型的识别,提高了滚动轴承故障诊断的工作效率,并且通过深度生成对抗网络的方式解决了传统通过几何变化来扩充小样本、非平衡数据集导致样本多样性差的问题。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述方法包括以下步骤:
S1,运用加速度传感器对滚动轴承各故障部位进行一维信号采集,然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记,得到具有样本标签的原始一维滚动轴承数据集;
S2,建立最小信息熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对变分模态分解中分解个数K和二次惩罚因子a进行参数优化,实现参数的自适应确定;
S3,对S1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理;
S4,将S3得到的若干IMF分量依据峭度准则原理进行信号重构,得到具有明显故障特征的滚动轴承一维故障信号;
S5,对S4中的一维重构信号进行连续小波变换,将其转换为二维信号,并作为原始数据集;
S6,建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(DCGAN)模型,该模型由判别器和生成器两部分组成,将滚动轴承故障二维数据输入判别器中进行分类打分标准,然后在生成器中输入多维噪声信号,输出滚动轴承故障二维数据的辅助样本,判别器与生成器之间相互博弈,最终达到“纳什均衡”,生成器与判别器博弈原理为:式中,z为生成网络的输入噪声,x为真实样本,G(z)为生成网络的虚假样本,D(G(z))为判别样本真实程度的概率;
S7,将S5中的原始二维信号数据集作为原始样本输入S6中的判别器内,深度生成对抗神经网络通过相互对抗“博弈”生成辅助样本;
S8,建立用于滚动轴承故障智能诊断的卷积神经网络(CNN)模型,该模型基于Alexnet网络;
S9,建立最小交叉熵函数作为遗传算法(GA)的适应度函数,通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小Batch_size进行参数优化,实现参数的自适应确定;
S10,设计通过遗传算法改进卷积神经网络有效性的试验;
S11,设计通过深度生成对抗神经网络解决小样本的试验;
S12,设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验。
2.根据权利要求1所述的一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述S6中判别器包括三层卷积操作与leakyRelu函数,且最后通过sigmoid函数进行分类打分标准。
3.根据权利要求1所述的一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述S6中生成器包括五层卷及操作与relu函数,且最后通过tanh函数输出滚动轴承故障二维数据的辅助样本。
4.根据权利要求1所述的一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述S8中卷积神经网络主要包括五层卷积层、三层最大池化层、relu函数及全连接层等。
5.根据权利要求1所述的一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述S10中遗传算法改进卷积神经网络有效性的实验具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用遗传算法(ga)对卷积神经网络中参数进行优化,实现其自适应确定;
(3)将(1)中的二维数据按照比例划分训练集和测试集,并分别放入原始卷积神经网络模型和(2)中的模型进行智能诊断。
6.根据权利要求1所述的一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述S11中解决小样本的实验具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充;
(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
7.根据权利要求1所述的一种基于DCGAN样本补充的滚动轴承故障诊断方法,其特征在于,所述S12中解决非均衡数据集的实验具体方式为:
(1)提取多种滚动轴承的不同健康状态的原始二维数据;
(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡;
(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集,并放入卷积神经网络模型中进行智能诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111140121.2A CN113869410A (zh) | 2021-09-28 | 2021-09-28 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111140121.2A CN113869410A (zh) | 2021-09-28 | 2021-09-28 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869410A true CN113869410A (zh) | 2021-12-31 |
Family
ID=78991586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111140121.2A Pending CN113869410A (zh) | 2021-09-28 | 2021-09-28 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869410A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970628A (zh) * | 2022-05-26 | 2022-08-30 | 青岛酒店管理职业技术学院 | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 |
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 |
CN116380467A (zh) * | 2023-05-24 | 2023-07-04 | 成都工业职业技术学院 | 一种基于多时频脊线提取的滚动轴承故障诊断方法 |
CN116756675A (zh) * | 2023-08-14 | 2023-09-15 | 湘江实验室 | 一种基于脉冲神经网络的轴承故障诊断分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111709555A (zh) * | 2020-05-22 | 2020-09-25 | 广西电网有限责任公司 | 一种分布式电源优化配置的方法及系统 |
CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
-
2021
- 2021-09-28 CN CN202111140121.2A patent/CN113869410A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111709555A (zh) * | 2020-05-22 | 2020-09-25 | 广西电网有限责任公司 | 一种分布式电源优化配置的方法及系统 |
CN112649198A (zh) * | 2021-01-05 | 2021-04-13 | 西交思创智能科技研究院(西安)有限公司 | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 |
Non-Patent Citations (2)
Title |
---|
包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03, 15 March 2019 (2019-03-15) * |
邢砾文;姚文凯;黄莹;: "基于深度学习的集成化装备故障诊断方法综述", 计算机测量与控制, no. 08, 25 August 2020 (2020-08-25) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114970628A (zh) * | 2022-05-26 | 2022-08-30 | 青岛酒店管理职业技术学院 | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 |
CN116380467A (zh) * | 2023-05-24 | 2023-07-04 | 成都工业职业技术学院 | 一种基于多时频脊线提取的滚动轴承故障诊断方法 |
CN116380467B (zh) * | 2023-05-24 | 2024-01-23 | 成都工业职业技术学院 | 一种基于多时频脊线提取的滚动轴承故障诊断方法 |
CN116756675A (zh) * | 2023-08-14 | 2023-09-15 | 湘江实验室 | 一种基于脉冲神经网络的轴承故障诊断分类方法 |
CN116756675B (zh) * | 2023-08-14 | 2023-11-07 | 湘江实验室 | 一种基于脉冲神经网络的轴承故障诊断分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113869410A (zh) | 一种基于dcgan样本补充的滚动轴承故障诊断方法 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN108613802B (zh) | 一种基于深度混合网络结构的机械故障诊断方法 | |
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN109993105A (zh) | 一种改进的自适应稀疏采样故障分类方法 | |
CN107526853A (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 | |
CN106980858A (zh) | 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法 | |
CN113255882A (zh) | 一种基于改进卷积胶囊网络的轴承故障诊断方法 | |
CN112577748A (zh) | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN107991097A (zh) | 一种基于多尺度符号动力学熵的轴承故障诊断方法 | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
CN106941490B (zh) | 基于双向二维主成分分析的在线网络流量异常检测方法 | |
CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
CN115962946A (zh) | 基于改进WGAN-GP和Alxnet的轴承故障诊断方法 | |
CN112270441A (zh) | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 | |
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 | |
CN111458145A (zh) | 一种基于路图特征的缆车滚动轴承故障诊断方法 | |
CN116595313A (zh) | 基于多尺度残差注意力网络的故障诊断方法及系统 | |
CN112146880B (zh) | 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
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 |
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 |