CN113887702A - 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 - Google Patents

基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 Download PDF

Info

Publication number
CN113887702A
CN113887702A CN202111062865.7A CN202111062865A CN113887702A CN 113887702 A CN113887702 A CN 113887702A CN 202111062865 A CN202111062865 A CN 202111062865A CN 113887702 A CN113887702 A CN 113887702A
Authority
CN
China
Prior art keywords
lstm
cnn
wlctd
harmonic reducer
industrial robot
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
Application number
CN202111062865.7A
Other languages
English (en)
Other versions
CN113887702B (zh
Inventor
刘连胜
刘大同
陟卓
彭宇
彭喜元
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202111062865.7A priority Critical patent/CN113887702B/zh
Priority claimed from CN202111062865.7A external-priority patent/CN113887702B/zh
Publication of CN113887702A publication Critical patent/CN113887702A/zh
Application granted granted Critical
Publication of CN113887702B publication Critical patent/CN113887702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0095—Means or methods for testing manipulators
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于WLCTD与CNN‑LSTM的工业机器人谐波减速器早期故障检测方法。步骤1：获得谐波减速器振动状态的数据集；步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；步骤3：对去除噪声的数据集使用CNN‑LSTM网络进行数据处理；步骤4：对步骤3进行CNN‑LSTM网络数据处理后的数据集进行约束优化；步骤5：对步骤4的约束优化后的数据集进行分类与故障检测。本发明用以解决谐波减速器发生故障带来的停机损失。

Description

基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检 测方法
技术领域
本发明属于工业机器人领域，具体涉及一种基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法。
背景技术
减速器是工业机器人的核心部件之一。减速器通过内部机械结构达到增大输出端扭矩、降低输入端转速的效果。由于工业机器人的任务特性和安装环境特性，对减速器的精度、耐磨损度和体积有较高要求。工业机器人减速器长期工作在高负载、大扭矩和高温的环境，其故障率居高不下。工业机器人常用减速器有谐波减速器、RV减速器与行星减速器。其中，谐波减速器的应用最为广泛，其独特的内部结构导致了复杂的故障模式，对谐波减速器进行早期故障检测可以在严重故障之前采取相应措施，有效避免因为停机带来的损失。
通过对谐波减速器振动试验信号的分析可以获取谐波减速器的状态信息。但是目前各代表性企业更多关注谐波减速器的基本性能指标，缺少对其早期故障检测方法的研究。
发明内容
本发明提供一种基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，用以解决谐波减速器发生故障带来的停机损失。
本发明通过以下技术方案实现：
一种基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，所述早期故障检测方法包括以下步骤：
步骤1：获得谐波减速器振动状态的数据集；
步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；
步骤3：对去除噪声的数据集使用CNN-LSTM网络进行数据处理；
步骤4：对步骤3进行CNN-LSTM网络数据处理后的数据集进行约束优化；
步骤5：对步骤4的约束优化后的数据集进行分类与故障检测。
进一步的，所述步骤1具体为，通过谐波减速器试验平台中的感知单元以获得谐波减速器在多种现实工况下的振动状态数据集；所述振动状态数据集包括谐波减速器在不同故障类型、转速和负载下的振动信号；
所述感知单元为不同位置的振动传感器。
进一步的，所述步骤2WLCTD算法去除的噪声具体为，对待处理信号进行某一尺度下的小波分解，得到分量i中第j点的局部小波系数为：
Figure RE-GDA0003356927450000021
其中，wi,l是分量i的小波分解系数，m是第j点的区域相关点数量；第j点的局部相关系数为：
Figure RE-GDA0003356927450000022
第j点的归一化局部相关系数表示为：
Figure RE-GDA0003356927450000023
其中，
Figure RE-GDA0003356927450000024
最终的局部相关阈值准λ则表示为：
Figure RE-GDA0003356927450000025
其中，M是经验系数，根据去噪程度的需求进行调整；σi是小波系数的标准差；在进行WLCTD时，小波分解系数与λ进行比较，如果大于λ则认为是真实信号的分解系数，反之则是噪声信号的分解系数并予以消除。
进一步的，所述步骤3CNN-LSTM网络包括CNN模块与LSTM模块，所述CNN模块包括卷积层1、池化层1、卷积层2和池化层2，所述步骤2的去除噪声的数据经过卷积层1、池化层1、卷积层2和池化层2进入LSTM模块。
进一步的，所述LSTM模块包括Lstm神经单元、Dropout层、全连接层和Softmax 输出，所述池化层2输出的数据经过Lstm神经单元、Dropout层、全连接层和Softmax 输出至步骤4进行约束优化。
进一步的，所述卷积层1和卷积层2，由许多卷积单元构成，卷积单元由反向传播算法计算得到。
进一步的，所述池化层1和池化层2通过池化操作对数据进行降维，用更高层次的特征来表示原始信息。
进一步的，所述全连接层对前面步骤计算的结果进行分类，全连接层中每一个神经单元都与前一层所有的Lstm神经单元全部连接，进行线性的加权求和的过程。
进一步的，所述CNN-LSTM网络具体为，
将提取的特征向量xt与状态记忆单元ct-1，中间输出ht-1和输入门共同决定状态记忆单元中需要被遗忘的部分；输入门中的xt经过σ和tanh激活函数共同决定状态记忆单元中需要保留的向量；更新后的状态记忆单元ct和输出门ot共同决定中间输出ht；具体的计算公式如下所示:
it＝σ(xtWxi+ht-1Whi+bi) (5)
ft＝σ(xtWxf+ht-1Whf+bf) (6)
ot＝σ(xtWxo+ht-1Who+bo) (7)
Figure RE-GDA0003356927450000031
Figure RE-GDA0003356927450000032
ht＝ot⊙tanhct (10)
其中
Figure RE-GDA0003356927450000033
是指预备的状态记忆单元；Wxi，Whi和bi是指输入门的权重和偏差；Wxf，Whf和bf是指遗忘门的权重和偏差；Wxc，Whc和bc是预备状态记忆单元的权重和偏差；⊙是指按照元素相乘。
本发明的有益效果是：
本发明利用谐波减速器现实工况数据进行验证，有效应用于工业机器人谐波减速器早期故障检测中并提升工业机器人运行可靠性。
附图说明
图1本发明的方法流程图。
图2现有的RNN结构示意图。
图3现有的LSTM记忆模块结构示意图。
图4本发明的早期故障检测准确率对比图。
图5本发明的早期故障检测准确率计算耗时对比图。
图6本发明的早期故障检测准确率对比图。
图7本发明的早期故障检测耗时对比图。
图8本发明的系统配置图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
小波局部相关阈值去噪(Wavelet Local Correlation Threshold Denoising,WLCTD)算法；卷积神经网络-长短期记忆(Convolutional Neural Network-Long ShortTerm Memory, CNN-LSTM)模型。
一种基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，所述早期故障检测方法包括以下步骤：
步骤1：获得谐波减速器振动状态的数据集；
步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；
步骤3：对去除噪声的数据集使用CNN-LSTM网络进行数据处理；
步骤4：对步骤3进行CNN-LSTM网络数据处理后的数据集进行约束优化；
步骤5：对步骤4的约束优化后的数据集进行分类与故障检测。
进一步的，所述步骤1具体为，通过谐波减速器试验平台中的感知单元以获得谐波减速器在多种现实工况下的振动状态数据集；所述振动状态数据集包括谐波减速器在不同故障类型、转速和负载下的振动信号；
所述感知单元为不同位置的振动传感器。
进一步的，所述步骤2WLCTD算法去除的噪声具体为，对待处理信号进行某一尺度下的小波分解，得到分量i中第j点的局部小波系数为：
Figure RE-GDA0003356927450000041
其中，wi,l是分量i的小波分解系数，m是第j点的区域相关点数量；第j点的局部相关系数为：
Figure RE-GDA0003356927450000042
第j点的归一化局部相关系数表示为：
Figure RE-GDA0003356927450000043
其中，
Figure RE-GDA0003356927450000044
最终的局部相关阈值准λ则表示为：
Figure RE-GDA0003356927450000045
其中，M是经验系数，根据去噪程度的需求进行调整；σi是小波系数的标准差；在进行WLCTD时，小波分解系数与λ进行比较，如果大于λ则认为是真实信号的分解系数，反之则是噪声信号的分解系数并予以消除。
进一步的，所述步骤3CNN-LSTM网络包括CNN模块与LSTM模块，所述CNN模块包括卷积层1、池化层1、卷积层2和池化层2，所述步骤2的去除噪声的数据经过卷积层1、池化层1、卷积层2和池化层2进入LSTM模块。
进一步的，所述LSTM模块包括Lstm神经单元、Dropout层、全连接层和Softmax 输出，所述池化层2输出的数据经过Lstm神经单元、Dropout层、全连接层和Softmax 输出至步骤4进行约束优化。
进一步的，所述卷积层1和卷积层2，由许多卷积单元构成，卷积单元由反向传播算法计算得到。卷积层最主要的功能是通过对输入数据进行卷积运算从而提取出隐藏的特征信息。提升卷积层的层数可以增强其挖掘原始信号深层隐藏特征的能力。
进一步的，所述池化层1和池化层2通过池化操作对数据进行降维，用更高层次的特征来表示原始信息。增加池化层的目的是为了降低冗余信息，提升模型的尺度不变性和旋转不变性，同时也可以有效防止过拟合现象的发生。
进一步的，所述全连接层对前面步骤计算的结果进行分类，全连接层中每一个神经单元都与前一层所有的Lstm神经单元全部连接，进行线性的加权求和的过程。
进一步的，所述CNN-LSTM网络具体为，
将提取的特征向量xt与状态记忆单元ct-1，中间输出ht-1和输入门共同决定状态记忆单元中需要被遗忘的部分；输入门中的xt经过σ和tanh激活函数共同决定状态记忆单元中需要保留的向量；更新后的状态记忆单元ct和输出门ot共同决定中间输出ht；具体的计算公式如下所示:
it＝σ(xtWxi+ht-1Whi+bi) (5)
ft＝σ(xtWxf+ht-1Whf+bf) (6)
ot＝σ(xtWxo+ht-1Who+bo) (7)
Figure RE-GDA0003356927450000051
Figure RE-GDA0003356927450000052
ht＝ot⊙tanhct (10)
其中
Figure RE-GDA0003356927450000053
是指预备的状态记忆单元；Wxi，Whi和bi是指输入门的权重和偏差；Wxf，Whf和bf是指遗忘门的权重和偏差；Wxc，Whc和bc是预备状态记忆单元的权重和偏差；⊙是指按照元素相乘。
将CNN-LSTM方法与代表性的SVM、CNN和LSTM算法进行比较，评价指标为故障检测准确率和计算时间。使用的数据集设置如表1所示，共进行五次重复实验以避免偶然误差，实验结果分别如图6和图7所示。
表1谐波减速器振动信号数据集说明
Figure RE-GDA0003356927450000061
本发明提出的CNN-LSTM检测方法在五次实验中都达到了最高的检测准确率，保持在94％以上，较其他三种方法中最高的准确率分别提升了1.5％、2％、2％、1.9％和1.9％。结合计算耗时来看，LSTM网络能够达到比CNN更高的检测准确率，但是耗时最多。而 CNN-LSTM网络的耗时处于CNN与LSTM之间，比CNN增加了3.2％、-0.62％、1.4％、 6.9％和2.8％的计算耗时，但是达到了最高的准确率。总的来看，本文提出的CNN-LSTM 早期故障检测方法具有优异的性能和不错的计算负担平衡。
为了验证所提出的WLCTD算法对早期故障检测方法性能的提升，将去噪的数据与未去噪的数据分别作为模型输入进行对比实验。使用了CNN-LSTM算法与LSTM算法共同验证。共进行五次重复实验以避免偶然误差。评价指标为故障检测准确率和计算耗时。实验结果分别如图6和图7所示。
WLCTD算法明显提升了故障检测算法的准确率，具体来说，在五次实验中对 CNN-LSTM算法的准确率分别提升了9.8％、9.4％、9.8％、9.2％和9.2％；对LSTM算法的准确率分别提升了12.0％、13.2％、11.8％、12.0％和12.1％。从计算耗时上，WLCTD算法会占用一定的计算资源，具体来说，在五次实验中CNN-LSTM算法的计算耗时分别增加了 3.7％、1.9％、4.9％、3.2％和5.0％；LSTM算法的计算耗时分别增加了4.8％、6.1％，6.0％， 7.3％和6.8％，基本可以忽略不计。总的来看，本文提出的WLCTD算法可以有效提升故障检测算法的性能，且具有较高的计算效率。
本发明应用如图8所示，工业机器人中包含谐波减速器，通过振动传感器采集谐波减速器的信号形成振动信号数据集，将数据集中的数据进行WLCTD算法和CNN-LSTM 模型训练，通过CNN-LSTM模型预测早期故障，并进行故障检测，最后进行维修决策支持。

Claims (9)

1.一种基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述早期故障检测方法包括以下步骤：
步骤1：获得谐波减速器振动状态的数据集；
步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；
步骤3：对去除噪声的数据集使用CNN-LSTM网络进行数据处理；
步骤4：对步骤3进行CNN-LSTM网络数据处理后的数据集进行约束优化；
步骤5：对步骤4的约束优化后的数据集进行分类与故障检测。
2.根据权利要求1所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述步骤1具体为，通过谐波减速器试验平台中的感知单元以获得谐波减速器在多种现实工况下的振动状态数据集；所述振动状态数据集包括谐波减速器在不同故障类型、转速和负载下的振动信号；
所述感知单元为不同位置的振动传感器。
3.根据权利要求1所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述步骤2WLCTD算法去除的噪声具体为，对待处理信号进行某一尺度下的小波分解，得到分量i中第j点的局部小波系数为：
Figure FDA0003257041300000011
其中，wi,l是分量i的小波分解系数，m是第j点的区域相关点数量；第j点的局部相关系数为：
Figure FDA0003257041300000015
第j点的归一化局部相关系数表示为：
Figure FDA0003257041300000012
其中，
Figure FDA0003257041300000013
最终的局部相关阈值准λ则表示为：
Figure FDA0003257041300000014
其中，M是经验系数，根据去噪程度的需求进行调整；σi是小波系数的标准差；在进行WLCTD时，小波分解系数与λ进行比较，如果大于λ则认为是真实信号的分解系数，反之则是噪声信号的分解系数并予以消除。
4.根据权利要求1所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述步骤3CNN-LSTM网络包括CNN模块与LSTM模块，所述CNN模块包括卷积层1、池化层1、卷积层2和池化层2，所述步骤2的去除噪声的数据经过卷积层1、池化层1、卷积层2和池化层2进入LSTM模块。
5.根据权利要求4所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述LSTM模块包括Lstm神经单元、Dropout层、全连接层和Softmax输出，所述池化层2输出的数据经过Lstm神经单元、Dropout层、全连接层和Softmax输出至步骤4进行约束优化。
6.根据权利要求4所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述卷积层1和卷积层2，由许多卷积单元构成，卷积单元由反向传播算法计算得到。
7.根据权利要求4所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述池化层1和池化层2通过池化操作对数据进行降维，用更高层次的特征来表示原始信息。
8.根据权利要求5所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述全连接层对前面步骤计算的结果进行分类，全连接层中每一个神经单元都与前一层所有的Lstm神经单元全部连接，进行线性的加权求和的过程。
9.根据权利要求4或5所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述CNN-LSTM网络具体为，
将提取的特征向量xt与状态记忆单元ct-1，中间输出ht-1和输入门共同决定状态记忆单元中需要被遗忘的部分；输入门中的xt经过σ和tanh激活函数共同决定状态记忆单元中需要保留的向量；更新后的状态记忆单元ct和输出门ot共同决定中间输出ht；具体的计算公式如下所示:
it＝σ(xtWxi+ht-1Whi+bi) (5)
ft＝σ(xtWxf+ht-1Whf+bf) (6)
ot＝σ(xtWxo+ht-1Who+bo) (7)
Figure FDA0003257041300000021
Figure FDA0003257041300000022
ht＝ot⊙tanhct (10)
其中
Figure FDA0003257041300000031
是指预备的状态记忆单元；Wxi，Whi和bi是指输入门的权重和偏差；Wxf，Whf和bf是指遗忘门的权重和偏差；Wxc，Whc和bc是预备状态记忆单元的权重和偏差；⊙是指按照元素相乘。
CN202111062865.7A 2021-09-10 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 Active CN113887702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111062865.7A CN113887702B (zh) 2021-09-10 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111062865.7A CN113887702B (zh) 2021-09-10 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法

Publications (2)

Publication Number Publication Date
CN113887702A true CN113887702A (zh) 2022-01-04
CN113887702B CN113887702B (zh) 2024-06-04

Family

ID=

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102189269B1 (ko) * 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
CN112132792A (zh) * 2020-09-04 2020-12-25 浙江大学 基于高光谱和深度学习的山核桃内源异物像素级检测方法
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112577736A (zh) * 2020-12-04 2021-03-30 上海电力大学 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
KR102189269B1 (ko) * 2019-10-22 2020-12-09 경북대학교 산학협력단 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템
CN112132792A (zh) * 2020-09-04 2020-12-25 浙江大学 基于高光谱和深度学习的山核桃内源异物像素级检测方法
CN112507785A (zh) * 2020-11-02 2021-03-16 北京工商大学 一种基于cnn和lstm的滚动轴承故障分析
CN112577736A (zh) * 2020-12-04 2021-03-30 上海电力大学 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋大凤;李广含;张琳;潘冰;曾小华;彭宇君;王庆年;: "模糊逻辑在混合动力汽车电机故障检测中的应用", 吉林大学学报(工学版), no. 02, 15 March 2016 (2016-03-15) *

Similar Documents

Publication Publication Date Title
Yang et al. The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network
US20210041862A1 (en) Malfunction early-warning method for production logistics delivery equipment
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN111241755A (zh) 电力负荷预测方法
Zhao et al. Multiscale graph-guided convolutional network with node attention for intelligent health state diagnosis of a 3-PRR planar parallel manipulator
CN113203566A (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN112818033A (zh) 基于神经网络的袋式除尘器破袋智能检测方法
CN117056849B (zh) 一种无监督的复杂机械设备异常状态监测方法及系统
CN112182954A (zh) 一种基于lstm的流体仿真数据预测模型
CN112393934A (zh) 基于稀疏自编码与极限学习机的风电机组故障诊断方法
Li et al. A 2-D long short-term memory fusion networks for bearing remaining useful life prediction
CN114741945A (zh) 一种航空发动机在线故障的诊断方法
CN113392475A (zh) 一种工业机器人减速机智能故障识别方法
CN113887702A (zh) 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN113887702B (zh) 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN117076887A (zh) 一种泵站机组运行状态预测和健康评估方法及系统
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN115099135A (zh) 一种改进的人工神经网络多类型作业功耗预测方法
CN115330082A (zh) 一种基于注意力机制的lstm网络的pm2.5浓度预测方法
Ge et al. Remaining useful life prediction using deep multi-scale convolution neural networks
CN114841196A (zh) 一种基于监督学习的机械设备智能故障检测方法及系统
Peng et al. A temporal convolutional network based method for fault diagnosis of DEH system
CN113878613B (zh) 一种基于wlctd与oma-vmd的工业机器人谐波减速器早期故障检测方法
Marweni et al. Deep learning for fault detection and diagnosis: Application to photovoltaic system
CN112270095B (zh) 一种大尺寸铝合金零件生产线健康状态评估方法

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