CN114186617A - 一种基于分布式深度学习的机械故障诊断方法 - Google Patents

一种基于分布式深度学习的机械故障诊断方法 Download PDF

Info

Publication number
CN114186617A
CN114186617A CN202111391186.4A CN202111391186A CN114186617A CN 114186617 A CN114186617 A CN 114186617A CN 202111391186 A CN202111391186 A CN 202111391186A CN 114186617 A CN114186617 A CN 114186617A
Authority
CN
China
Prior art keywords
data
layer
mechanical
mechanical equipment
deep learning
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
CN202111391186.4A
Other languages
English (en)
Other versions
CN114186617B (zh
Inventor
董亚波
韩兴佳
初宁
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202111391186.4A priority Critical patent/CN114186617B/zh
Publication of CN114186617A publication Critical patent/CN114186617A/zh
Application granted granted Critical
Publication of CN114186617B publication Critical patent/CN114186617B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于分布式深度学习的机械故障诊断方法，包括：获取初始历史机械设备数据集，对初始历史机械设备数据集进行归一化和划分处理得到历史机械设备数据集，分为训练样本集；构建分布式深度学习训练系统，每个特征提取器用于对所述的机械设备数据进行多次特征提取得到关键特征数据，分类器用于利用多通道信息融合模块将多个关键特征数据进行融合得到机械故障类别的概率分布以判断机械故障；利用训练样本集，采用交叉熵损失函数对分布式深度学习训练系统进行训练，训练结束时，提取确定参数的多个特征提取器和分类器作为分布式深度学习模型。该诊断方法能够较高精度，高效的判断机械故障。

Description

一种基于分布式深度学习的机械故障诊断方法
技术领域
本发明属于机械故障诊断领域，具体涉及一种基于分布式深度学习的机械故障诊断方法。
背景技术
随着现代工业的快速发展，生产设备的规模及自动化程度越来越高，同时工作强度不断增大，生产设备对实时故障诊断的需求日益迫切。目前，工业设备正向着大型化、高速化、自动化的方向发展。机械设备作为工业设备领域中最为常见的组成部分，被广泛应用于航空、航天、交通运输、智能制造等重要领域，因此有必要对机械设备及其关键部位进行有效的状态监测与故障诊断。
机械设备运行过程中产生着大量反映其运行状况的实时信息，这些信息包括振动、声音、温度等多方面的物理量。机械设备一旦出现异常，必将带来相应的物理信息的变化。为了从不同的角度描述机械设备的运行状况，需采集更多的机械信息，通过基于数据或信息的分析，对机械设备进行有效的智能监测与诊断。因此，故障诊断的目的就是通过获取的机械信息对设备实现有效的诊断与分析，以降低或减少机械设备故障所带来的损失或危害。
基于数据驱动的故障诊断方法近些年来取得一定的成果，其通过振动或声音传感器等传感器设备采集数据，传输至云服务器进行特征提取模型进行分类或者直接输入端到端深度学习模型分类。
但是传统故障检测方法的共同点是均需要将多个传感器采集的全部数据传输至云服务器进行统一提取特征并输入模型进行判别，传感器采样频率高、数据量大，且在生产机械中有许多场景不适合安装线路复杂的有线传感器系统，只能安装电池供电的低功耗无线振动传感器。然而，无线振动传感器传输速度不及有线传感器系统，因此导致数据传输时延长，故障诊断实时性不高；且由于需要传输大量振动数据，导致无线振动传感器的电池使用寿命大大缩短。
因此，采用无线振动传感器时，有必要在无线振动传感器侧对数据进行处理压缩以后再向云服务器传输，以减少数据传输量、提高实时性、降低无线振动传感器能耗。
发明内容
本发明提供了一种基于分布式深度学习的机械故障诊断方法，该诊断方法能够较高精度，高效的判断机械故障。
一种基于分布式深度学习的机械故障诊断方法，包括：
S1：利用多个采集传输装置获取初始历史机械设备数据集，对初始历史机械设备数据集进行归一化处理，并通过机械设备运动周期和采样频率对归一化处理结果进行划分得到历史机械设备数据集，将所述的历史机械设备数据集进行类别标签标记作为训练样本集；
S2：构建分布式深度学习训练系统，包括多个特征提取器和分类器，每个特征提取器用于对所述的机械设备数据进行多次特征提取得到关键特征数据，分类器用于利用多通道信息融合模块将多个关键特征数据进行融合得到融合特征数据，融合特征数据通过softmax层得到机械故障类别的概率分布以判断机械故障；
S3：利用训练样本集，采用交叉熵损失函数对分布式深度学习训练系统进行训练，训练结束时，提取确定参数的多个特征提取器和分类器作为分布式深度学习模型；
S4：应用时，将实时机械设备数据输入至分布式深度学习模型判断机械故障。
所述的对初始历史机械设备数据集进行归一化处理，包括：
对机械设备数据进行归一化处理得到归一化机械设备数据xi'为：
Figure BDA0003368884290000021
其中，xi为利用第i个采集传输装置获取的机械设备数据，xmax为初始历史机械设备数据集中的最大值，xmin为初始历史机械设备数据集中的最小值。
所述的每个特征提取器用于对所述的机械设备数据进行多次特征提取得到关键特征数据，包括：每个特征提取器包括多个特征提取单元，所述的机械设备数据通过多个特征提取单元逐层提取数据特征得到压缩后的关键特征数据。
所述的机械设备数据通过多个特征提取单元逐层提取数据特征得到压缩后的关键特征数据，包括：
所述的每个特征提取单元包括卷积层、平均池化层、正则化层、ReLU激活层，将机械设备数据通过卷积层、平均池化层、正则化层、ReLU激活层提取数据特征，将提取的数据特征输入至下一层特征提取单元，通过逐层的特征数据提取最终得到关键特征数据。
所述的分类器包括多通道信息融合模块、正则化层、ReLU激活层、全局平均池化层、softmax层，多个关键特征数据输入至多通道信息融合模块得到融合特征数据，将融合特征数据通过正则化层、ReLU激活层、全局平均池化层、softmax层处理得到机械故障类别的概率分布以判断机械故障。
所述的多通道信息融合模块将多个关键特征数据进行融合得到融合特征数据，包括：
所述的多通道信息融合模块包括两个通道，第一通道包括卷积层，将所述的多个关键特征数据通过第一通道的卷积操作得到第一关键特征数据图，第二通道包括正则化层、卷积层、正则化层、ReLU激活层，将所述的多个关键特征数据通过第二通道处理得到第二关键特征数据图，第一关键特征数据图和第二关键特征数据图进行融合得到融合特征数据。
所述的采用交叉熵损失函数为：
Figure BDA0003368884290000031
其中，M代表类别的数量；yic代表符号函数，样本i的真实类别等于c取1，否则取0；pic代表训练样本i属于类别c的概率，N为训练样本数量。
所述的多个采集传输装置获取初始历史机械设备数据集，包括：
所述的采集传输装置为无线振动传感器，多个无线振动传感器位于机械设备不同位置，用于采集机械设备正常运行和故障运行的数据，作为初始历史机械设备数据集，并基于无线振动传感器采样频率对采集到的数据进行划分。
每个所述的特征提取器移植到相对应的采集传输装置内，实时接收采集传输装置传送的数据，并对传送的数据进行特征提取得到关键特征数据；
所述的分类器移植到云端，用于利用无线传送接收每个特征提取器传送的关键特征，利用多通道信息融合模块将多个关键特征数据进行融合得到融合特征数据，融合特征数据通过softmax层得到机械故障类别的概率分布以判断机械故障。
与现有技术相比，本发明的有益效果为：
采用分布式深度学习方法各个无线振动传感器上的子模型并行地提取少量特征，提取到的特征数量相比原始数据长度有数量级上的缩减，能够有效降低无线振动传感器数据传输的时间，且对多个通道提取到的特征在后端分类器中能够得到较好的分类精度，达到低时延、高精度的实时故障诊断目的。
附图说明
图1是本发明具体实施方式提供的基于分布式深度学习的机械故障诊断方法的流程图；
图2是本发明具体实施方式提供的基于分布式深度学习的故障检测模型的结构示意图；
图3是本发明具体实施方式提供的特征提取器中的特征提取单元的结构示意图；
图4是本发明具体实施方式提供的后端分类器的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。此处实施方式以风机故障诊断为例，应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
一种基于分布式深度学习的机械故障诊断方法，如图1所示，具体步骤如下：
(1)对采集的初始历史机械设备数据集进行切分与预处理，获得训练样本集和测试样本集，具体步骤为：
通过无线传感器采集机械设备不同位置的初始历史机械设备数据集，先初始历史机械设备数据集进行归一化处理，使得初始历史机械设备数据集缩放到特定区间，达到保留原始分布的情况下加速网络收敛速度的目的，归一化公式为：
Figure BDA0003368884290000051
其中，xi为利用第i个采集传输装置获取的机械设备数据，xmax为初始历史机械设备数据集中的最大值，xmin为初始历史机械设备数据集中的最小值。
再对数据进行样本切分，以风机为例，其他机械同理。数据切分的点数据应保证至少包含风机转动一个周期的信息，数据切分时单个样本至少包含的点数为：
Figure BDA0003368884290000052
其中，r为风机转速，f为无线振动传感器采样频率。将切分好的数据集作为历史机械设备数据集，将所述的历史机械设备数据集分为训练样本集，并将训练样本集的数据进行类别标签标记。
(2)构建、训练分布式深度学习模型，具体步骤如下：
分布式深度学习系统，包括前端无交互的多个特征提取器与后端分类器，在训练阶段中，多个特征提取器与后端分类器处于同一个模型中训练；
所述特征提取器用于从各个无线振动传感器采集的数据中直接进行特征提取，获得的少量特征传输至云服务器，所述后端分类器用于对各个前端多个特征提取器传输到后端的特征进行分类，判断机械故障。
如图3所示，每个特征提取器所述特征提取器包括卷积层(conv)、平均池化层(avgpooling)、正则化层(BN)、ReLU激活层；特征提取器的输入为原始数据[L,1,C]，输出为提取的少量具有代表性的特征[αL,1,C],其中L为单个样本长度，C为数据通道数量，α为数据压缩率；特征提取器由多个特征提取单元组成，特征提取单元输入为上一单元提取的特征[Li,1,Ci]，输出为本单元提取的特征[Li+1,1,Ci+1]，其中，第一个特征提取单元的输入为原始数据[L,1,C]，输出为本单元提取的特征[L1,1,C1]，其余；特征提取器的作用在于可以直接在传感器端将大量数据转化为少量特征，相比于现有技术——直接将原始数据传输至云服务器端的方法，直接减少传感器端与云服务器端的通信量，解决无线传感器的带宽限制问题。
如图4所示，分类器包含多通道信息融合模块、正则化层、ReLU激活层、全局平均池化层(GAP)、softmax层；输入为历史机械设备数据集经过传感器端特征提取器得到的特征[αL,1,C]，特征经过分类器得到输出的概率分布[M]，用于决定预测的故障类型，其中，M为类别数。
所述的多通道信息融合模块包括两个通道，第一通道包括卷积层，将所述的多个关键特征数据通过第一通道的卷积操作得到第一关键特征数据图，第二通道包括正则化层、卷积层、正则化层、ReLU激活层，将所述的多个关键特征数据通过第二通道处理得到第二关键特征数据图，第一关键特征数据图和第二关键特征数据图进行融合得到融合特征数据。
损失函数使用交叉熵损失，优化器使用Adam优化器，对模型进行训练直至收敛，所用交叉熵损失函数如下：
Figure BDA0003368884290000061
其中，M代表类别的数量；yic代表符号函数，样本i的真实类别等于c取1，否则取0；pic代表训练样本i属于类别c的概率，N为训练样本数量。利用训练样本集，采用交叉熵损失函数对分布式深度学习训练系统进行训练，训练结束时，提取确定参数的多个特征提取器和分类器作为分布式深度学习模型。
(3)特征提取器移植至各个采集端，分类器移植至云服务器，具体步骤如下：
如图2所示，特征提取器由特征提取模块组成，对应图中feature extractor；分类器对应图中Classification network；sensor为负责数据采集的采集传输装置；gateway为负责由采集传输装置向服务器传输数据的网关；concatenate为将前端n个传感器传输而来的特征集中到一起的操作。
在训练好模型的基础上，将特征提取器移植到对应的无线振动传感器上，将分类器移植到云服务器上，特征提取器对各无线振动传感器采集到的数据分别进行特征提取，将提取到的特征通过边缘网关传输到云服务器，特征汇合后在分类器进行分类得到机械运行状态。
(4)数据预处理，各个特征提取器并行进行特征提取，具体步骤为：
各个无线振动传感器采集实时数据，并对数据做归一化预处理，归一化公式为:
Figure BDA0003368884290000062
其中，xi为利用第i个无线传感器获取的机械设备数据，i＝0,1,2...,n,n为无线传感器数量，xmax为初始历史机械设备数据集中的最大值，xmin为初始历史机械设备数据集中的最小值。
将处理后的数据输入至特征提取器中进行特征提取，得到数量比原始数据少得多的特征。在实施例中，原始数据单通道样本长度为684，单通道提取特征数量为4，压缩率在1％以下。
(5)特征传输至后端分类器：各无线振动传感器端完成实时机械设备数据特征提取便将特征传输至云服务器。
(6)分类器分类，获得故障诊断结果：在所有的特征传输至后端后输入至云服务器的分类器中，完成分类得到是否有故障及故障的种类。
上述基于分布式深度学习的故障诊断方法，前端特征提取器可以并行提取各通道特征，可将传输数据量压缩至原始数据量1％以下，实现数量级的压缩，能有效降低数据传输的时延及花费在传输上的能耗。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于分布式深度学习的机械故障诊断方法，其特征在于，包括：
S1：利用多个采集传输装置获取初始历史机械设备数据集，对初始历史机械设备数据集进行归一化处理，并通过机械设备运动周期和采样频率对归一化处理结果进行划分得到历史机械设备数据集，将所述的历史机械设备数据集进行类别标签标记作为训练样本集；
S2：构建分布式深度学习训练系统，包括多个特征提取器和分类器，每个特征提取器用于对所述的机械设备数据进行多次特征提取得到关键特征数据，分类器用于利用多通道信息融合模块将多个关键特征数据进行融合得到融合特征数据，融合特征数据通过softmax层得到机械故障类别的概率分布以判断机械故障；
S3：利用训练样本集，采用交叉熵损失函数对分布式深度学习训练系统进行训练，训练结束时，提取确定参数的多个特征提取器和分类器作为分布式深度学习模型；
S4：应用时，将实时机械设备数据输入至分布式深度学习模型判断机械故障。
2.根据权利要求1所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的对初始历史机械设备数据集进行归一化处理，包括：
对机械设备数据进行归一化处理得到归一化机械设备数据xi'为：
Figure FDA0003368884280000011
其中，xi为利用第i个采集传输装置获取的机械设备数据，xmax为初始历史机械设备数据集中的最大值，xmin为初始历史机械设备数据集中的最小值。
3.根据权利要求1所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的每个特征提取器用于对所述的机械设备数据进行多次特征提取得到关键特征数据，包括：每个特征提取器包括多个特征提取单元，所述的机械设备数据通过多个特征提取单元逐层提取数据特征得到压缩后的关键特征数据。
4.根据权利要求3所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的机械设备数据通过多个特征提取单元逐层提取数据特征得到压缩后的关键特征数据，包括：
所述的每个特征提取单元包括卷积层、平均池化层、正则化层、ReLU激活层，将机械设备数据通过卷积层、平均池化层、正则化层、ReLU激活层提取数据特征，将提取的数据特征输入至下一层特征提取单元，通过逐层的特征数据提取最终得到关键特征数据。
5.根据权利要求1所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的分类器包括多通道信息融合模块、正则化层、ReLU激活层、全局平均池化层、softmax层，多个关键特征数据输入至多通道信息融合模块得到融合特征数据，将融合特征数据通过正则化层、ReLU激活层、全局平均池化层、softmax层处理得到机械故障类别的概率分布以判断机械故障。
6.根据权利要求1或5所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的多通道信息融合模块将多个关键特征数据进行融合得到融合特征数据，包括：
所述的多通道信息融合模块包括两个通道，第一通道包括卷积层，将所述的多个关键特征数据通过第一通道的卷积操作得到第一关键特征数据图，第二通道包括正则化层、卷积层、正则化层、ReLU激活层，将所述的多个关键特征数据通过第二通道处理得到第二关键特征数据图，第一关键特征数据图和第二关键特征数据图进行融合得到融合特征数据。
7.根据权利要求1所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的采用交叉熵损失函数为：
Figure FDA0003368884280000021
其中，M代表类别的数量；yic代表符号函数，样本i的真实类别等于c取1，否则取0；pic代表训练样本i属于类别c的概率，N为训练样本数量。
8.根据权利要求1所述的基于分布式深度学习的机械故障诊断方法，其特征在于，所述的多个采集传输装置获取初始历史机械设备数据集，包括：
所述的采集传输装置为无线振动传感器，多个无线振动传感器位于机械设备不同位置，用于采集机械设备正常运行和故障运行的数据，作为初始历史机械设备数据集。
9.根据权利要求1或8所述的基于分布式深度学习的机械故障诊断方法，其特征在于，每个所述的特征提取器移植到相对应的采集传输装置内，实时接收采集传输装置传送的数据，并对传送的数据进行特征提取得到关键特征数据；
所述的分类器移植到云端，用于利用无线传送接收每个特征提取器传送的关键特征，利用多通道信息融合模块将多个关键特征数据进行融合得到融合特征数据，融合特征数据通过softmax层得到机械故障类别的概率分布以判断机械故障。
CN202111391186.4A 2021-11-23 2021-11-23 一种基于分布式深度学习的机械故障诊断方法 Active CN114186617B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111391186.4A CN114186617B (zh) 2021-11-23 2021-11-23 一种基于分布式深度学习的机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111391186.4A CN114186617B (zh) 2021-11-23 2021-11-23 一种基于分布式深度学习的机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN114186617A true CN114186617A (zh) 2022-03-15
CN114186617B CN114186617B (zh) 2022-08-30

Family

ID=80602378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111391186.4A Active CN114186617B (zh) 2021-11-23 2021-11-23 一种基于分布式深度学习的机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN114186617B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070139A (zh) * 2023-03-06 2023-05-05 中川建投集团有限公司 一种智能工地安全检测系统及方法
CN116625689A (zh) * 2023-05-24 2023-08-22 石家庄铁道大学 基于smder的滚动轴承故障诊断方法及系统

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150233792A1 (en) * 2012-05-31 2015-08-20 Canrig Drilling Technology Methods and Apparatuses for Defect Diagnosis in a Mechanical System
US20180005463A1 (en) * 2016-06-30 2018-01-04 Massachusetts lnstitute of Technology System, Device, and Method for Feature Generation, Selection, and Classification for Audio Detection of Anomalous Engine Operation
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN110033021A (zh) * 2019-03-07 2019-07-19 华中科技大学 一种基于一维多路卷积神经网络的故障分类方法
CN110288035A (zh) * 2019-06-28 2019-09-27 海南树印网络科技有限公司 一种智能垃圾桶在线自主学习方法及系统
CN111340238A (zh) * 2020-03-12 2020-06-26 中南大学 一种工业系统的故障诊断方法、装置、设备及存储介质
CN111723694A (zh) * 2020-06-05 2020-09-29 广东海洋大学 基于cnn-lstm时空特征融合的异常驾驶行为识别方法
CN111754520A (zh) * 2020-06-09 2020-10-09 江苏师范大学 一种基于深度学习的脑血肿分割方法及系统
CN111865702A (zh) * 2020-08-04 2020-10-30 北京航空航天大学 基于卷积神经网络的网络故障诊断方法及装置
CN111881627A (zh) * 2020-08-05 2020-11-03 哈尔滨工程大学 一种核动力装置故障诊断方法和系统
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN112257773A (zh) * 2020-10-19 2021-01-22 重庆邮电大学 基于无线传感器网络多测量向量的机械装备故障诊断方法
CN112464784A (zh) * 2020-11-25 2021-03-09 西安烽火软件科技有限公司 一种基于混合并行的分布式训练方法
CN112766331A (zh) * 2021-01-07 2021-05-07 西安建筑科技大学 一种基于多通道cnn多元信息融合的轴承故障诊断方法
CN113205503A (zh) * 2021-05-11 2021-08-03 宁波海上鲜信息技术股份有限公司 一种卫星海岸带影像质量评价方法
CN113281029A (zh) * 2021-06-09 2021-08-20 重庆大学 一种基于多尺度网络结构的旋转机械故障诊断方法及系统
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
US20210319258A1 (en) * 2019-05-07 2021-10-14 Tencent Technology (Shenzhen) Company Limited Method and apparatus for training classification task model, device, and storage medium
CN113609935A (zh) * 2021-07-21 2021-11-05 无锡我懂了教育科技有限公司 一种基于深度学习面部识别的轻量级走神判别方法
CN113642383A (zh) * 2021-06-23 2021-11-12 哈尔滨理工大学 一种基于联合损失多特征融合的人脸表情识别方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150233792A1 (en) * 2012-05-31 2015-08-20 Canrig Drilling Technology Methods and Apparatuses for Defect Diagnosis in a Mechanical System
US20180005463A1 (en) * 2016-06-30 2018-01-04 Massachusetts lnstitute of Technology System, Device, and Method for Feature Generation, Selection, and Classification for Audio Detection of Anomalous Engine Operation
CN109753923A (zh) * 2018-12-29 2019-05-14 晋西车轴股份有限公司 刀具磨损量的监测方法、系统、设备及计算机可读存储介质
CN110033021A (zh) * 2019-03-07 2019-07-19 华中科技大学 一种基于一维多路卷积神经网络的故障分类方法
US20210319258A1 (en) * 2019-05-07 2021-10-14 Tencent Technology (Shenzhen) Company Limited Method and apparatus for training classification task model, device, and storage medium
CN110288035A (zh) * 2019-06-28 2019-09-27 海南树印网络科技有限公司 一种智能垃圾桶在线自主学习方法及系统
CN111340238A (zh) * 2020-03-12 2020-06-26 中南大学 一种工业系统的故障诊断方法、装置、设备及存储介质
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN111723694A (zh) * 2020-06-05 2020-09-29 广东海洋大学 基于cnn-lstm时空特征融合的异常驾驶行为识别方法
CN111754520A (zh) * 2020-06-09 2020-10-09 江苏师范大学 一种基于深度学习的脑血肿分割方法及系统
CN111865702A (zh) * 2020-08-04 2020-10-30 北京航空航天大学 基于卷积神经网络的网络故障诊断方法及装置
CN111881627A (zh) * 2020-08-05 2020-11-03 哈尔滨工程大学 一种核动力装置故障诊断方法和系统
CN112257773A (zh) * 2020-10-19 2021-01-22 重庆邮电大学 基于无线传感器网络多测量向量的机械装备故障诊断方法
CN112464784A (zh) * 2020-11-25 2021-03-09 西安烽火软件科技有限公司 一种基于混合并行的分布式训练方法
CN112766331A (zh) * 2021-01-07 2021-05-07 西安建筑科技大学 一种基于多通道cnn多元信息融合的轴承故障诊断方法
CN113205503A (zh) * 2021-05-11 2021-08-03 宁波海上鲜信息技术股份有限公司 一种卫星海岸带影像质量评价方法
CN113281029A (zh) * 2021-06-09 2021-08-20 重庆大学 一种基于多尺度网络结构的旋转机械故障诊断方法及系统
CN113642383A (zh) * 2021-06-23 2021-11-12 哈尔滨理工大学 一种基于联合损失多特征融合的人脸表情识别方法
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN113609935A (zh) * 2021-07-21 2021-11-05 无锡我懂了教育科技有限公司 一种基于深度学习面部识别的轻量级走神判别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHUANG YE等: "AKSNet: A novel convolutional neural network with adaptive kernel width and sparse regularization for machinery fault diagnosis", 《JOURNAL OF MANUFACTURING SYSTEMS》 *
ZHUYUN CHEN AND WEIHUA LI: "Multisensor Feature Fusion for Bearing Fault Diagnosis Using Sparse Autoencoder and Deep Belief Network", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
张明德等: "基于多尺度卷积策略CNN的滚动轴承故障诊断", 《重庆理工大学（自然科学）》 *
郑卓等: "高分辨率遥感影像场景的多尺度神经网络分类法", 《测绘学报》 *
高文: "城市大脑的痛点与对策", 《智能系统学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070139A (zh) * 2023-03-06 2023-05-05 中川建投集团有限公司 一种智能工地安全检测系统及方法
CN116625689A (zh) * 2023-05-24 2023-08-22 石家庄铁道大学 基于smder的滚动轴承故障诊断方法及系统
CN116625689B (zh) * 2023-05-24 2023-12-22 石家庄铁道大学 基于smder的滚动轴承故障诊断方法及系统

Also Published As

Publication number Publication date
CN114186617B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
WO2022228049A1 (zh) 基于5g边缘计算和深度学习的航空发动机故障诊断方法
CN114186617B (zh) 一种基于分布式深度学习的机械故障诊断方法
CN113870260B (zh) 一种基于高频时序数据的焊接缺陷实时检测方法及系统
CN111431986B (zh) 基于5g和ai云边协同的工业智能质检系统
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111914883A (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
CN110675395A (zh) 输电线路智能在线监测方法
CN111947928A (zh) 一种多源信息融合的轴承故障预测系统及方法
CN110991295A (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN114993669B (zh) 多传感器信息融合的传动系统故障诊断方法及系统
CN116055413B (zh) 一种基于云边协同的隧道网络异常识别方法
CN112528774B (zh) 一种复杂电磁环境下未知雷达信号智能分选系统及方法
CN110232415B (zh) 一种基于生物信息特征的列车转向架故障识别方法
CN111666978B (zh) 一种it系统运维大数据的智能故障预警系统
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN113567159A (zh) 一种基于边云协同的刮板输送机状态监测及故障诊断方法
CN111597948A (zh) 一种轴承振动信号的故障检测和分类方法
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN113962264A (zh) 一种基于深度学习的航空发动机转子系统故障诊断算法
CN115659056A (zh) 基于大数据的用户服务精准匹配系统
CN112269778B (zh) 一种设备故障诊断方法
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
CN115374829A (zh) 一种基于深度学习的轴承故障诊断方法及系统
CN114233581A (zh) 一种风机机舱智能巡视报警系统
CN113657310A (zh) 基于多层卷积神经网络的光伏组件红外热斑故障识别方法

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