CN114241271B - 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 - Google Patents
一种多孪生迁移学习融合多信息的机械故障智能诊断方法 Download PDFInfo
- Publication number
- CN114241271B CN114241271B CN202111357230.XA CN202111357230A CN114241271B CN 114241271 B CN114241271 B CN 114241271B CN 202111357230 A CN202111357230 A CN 202111357230A CN 114241271 B CN114241271 B CN 114241271B
- Authority
- CN
- China
- Prior art keywords
- twin
- model
- mechanical
- fault
- failure
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种多孪生迁移学习融合多信息的机械故障智能诊断方法,该方法通过采集多传感器机械故障样本数据,以及对所述故障样本数据进行分类,根据分类后的故障样本数据建立数据库,对数据库进行划分,通过多孪生迁移学习模型对划分后的训练集进行训练,得到网络模型和权重文件,将所述网络模型和权重文件应用于测试模型,输出机械故障的智能诊断结果。该方法能够克服标签数据少、单一传感器容错力低、模型空间复杂度高等问题,可将ImageNet数据集域得到的预训练模型的权重参数,并应用于机械故障诊断领域,从多个传感器实现机械故障有效的智能诊断。
Description
技术领域
本发明涉及机械故障诊断领域,尤其涉及一种多孪生迁移学习融合多信息的机械故障智能诊断方法。
背景技术
轴承、齿轮、转子作为旋转机械的核心部件,被广泛应用于各种工业场景,其运行状态监测与故障诊断对于保证装备可靠性和避免出现安全事故具有十分重要的意义。
在实际工程中,由于机械故障特性信息往往被强背景噪声及其他不稳定成分所淹没,机械故障特征信息的提取成了其中一项艰巨的任务。在线监测过程中,通常是单一传感器采集单一传感器信号去辨识机械故障类别,辨识结果易受传感器安装位置与信号传递路径等因素影响,因此选择融合多传感器信息解决单一传感器信号容错能力不佳这一问题迫在眉睫。
常规的特征层的数据融合和决策层的信息融合方式均会带来深度学习模型参数量成倍数增加。而孪生网络可以在模型内部实现权值共享,同时减少模型参数量和降低模型空间复杂度。然而,常规的孪生网络中孪生子块的个数一般设置为2,这种共享权重子块个数的设置不满足机械健康监测真实场景下多传感器密布的现实条件。
同时,由于很多类型的故障数据具有稀缺性,并且寻找故障数据并进行人工标注需要耗费大量资源,所以有效故障样本的收集效率低,数据获取成本较高。在数据欠缺的情况下,传统机器学习和深度学习等智能诊断策略,都难以获得令人满意的故障诊断结果。
迁移学习模型用于机械故障智能诊断是近年来发展迅速的一个研究方向,其目标在于能够将从源域学习到的知识用于解决目标域中新的相关任务,把已训练好的模型参数迁移到新的模型来帮助新模型训练来提高目标任务的精度。
基于以上情况,本发明提出了一种多孪生迁移学习融合多信息的机械故障智能诊断方法,这种方法能够克服标签数据少、单一传感器容错力低、模型空间复杂度高等问题,可将Imag eNet数据集域得到的预训练模型的权重参数,并应用于机械故障诊断领域,从多个传感器实现机械故障有效的智能诊断。
发明内容
本发明提供一种多孪生迁移学习融合多信息的机械故障智能诊断方法,以实现对机械故障进行有效的智能诊断,以解决上述背景技术中所提出的问题,这里的多信息指多传感器信息,该方法包括以下步骤:
S1、按机械故障具体类别收集多传感器采集的一维信号序列数据,将一维信号序列数据二维图像化,建立机械故障数据库。机械故障数据库由若干个成对的二维图像化数据和故障类别标签组成;
S2、将ImageNet数据集训练后的预训练模型及其权重导出保存到HDF5文件中,文件名设置为Pre-trained model.h5;
S3、将所述HDF5文件去除最后三个全连接层后并冻结权重,命名为Pre-trainedmodel Without FC,随后将冻结权重后的模型参数迁移到多孪生迁移学习模型内的孪生子块中,孪生子块包括所述预训练模型,孪生子块之间实现权重共享;
S4、基于所述机械故障数据库,实现多孪生迁移学习模型的训练,得到训练后的多孪生迁移学习模型。将所述机械故障数据库按1:1划分为训练集和测试集。训练集用作模型训练,待模型收敛后,可得到多孪生迁移学习模型,得到的网络模型和权重文件可存为Multi-twin TL model.h5;
S5、获取实际机械故障多传感器采集的样本数据,通过所述训练后的多孪生迁移学习模型输出故障的智能诊断结果。
多孪生迁移学习模型的输入个数为N,N也对应着传感器的个数,例如N=3表示三个传感器采集故障状态信息;输出为机械故障预测类别。每个孪生子块可看作特征提取器,孪生子块内部包含Pre-trained model Without FC模块,孪生子块之间实现权重共享。最后多孪生迁移学习还需要特征融合层和最后的分类层。
可选地,所述机械故障包括:
轴承故障、齿轮故障、转子故障中的至少一种。
可选地,所述多传感器包括:
安装位置不同的传感器、类型不同的传感器中的至少一种。
可选地,安装位置不同的传感器包括:
位于驱动端的传感器、位于风扇段的传感器、位于基座位置的传感器中的至少一类。
可选地,类型不同的传感器包括:
位移传感器、速度传感器、加速度传感器、声音信号传感器中的至少一类。
可选地,多传感器的个数至少为2。
可选地,一维信号序列数据二维图像化方式包括:
直接将一维信号重新排列为二维矩阵、格拉姆角场变换(Gramian AngularField,GAF)、马尔可夫变迁场变换、递归图变换、短时傅里叶变换的一种。
可选地,所述预训练模型包括:
VGG16网络模型、ResNet网络模型、MobileNet网络模型和InceptionV3网络模型中的其中一个。
可选地,孪生子块包括:
Falltten层、全连接层中的至少一类。
可选地,所述通过多孪生迁移学习模型的所述机械故障数据库进行训练步骤中,训练集与测试集的数据量之比为1:1。
本发明提供了一种多孪生迁移学习融合多信息的机械故障智能诊断方法,通过采集多传感器机械故障样本数据,以及对所述故障样本数据进行分类,根据所述分类后的故障样本数据建立数据库,对数据集进行划分,通过多孪生迁移学习模型对划分后的所述训练集进行训练,得到网络模型和权重文件Multi-twin TL model.h5,将所述网络模型和权重Multi-twi n TL model.h5应用于测试模型,输出机械故障的智能诊断结果。
本发明提供一种多孪生迁移学习融合多信息的机械故障智能诊断方法,可实现对机械故障进行有效的智能诊断,可实现融合多传感器信息解决单一传感器信号容错能力不佳这一问题,可通过孪生网络模型内部权值共享实现数据融合同时减少模型参数量和降低模型空间复杂度并适应机械健康多传感器密布的现实条件。另外,通过预训练模型的权重进行迁移学习,可实现提高目标任务的精度的目的。
基于以上情况,本发明提出了一种多孪生迁移学习融合多信息的机械故障智能诊断方法,这种方法能够克服标签数据少、单一传感器容错力低、模型空间复杂度高等问题,可将Imag eNet数据集域得到的预训练模型的权重参数,并应用于机械故障诊断领域,从多个传感器实现机械故障有效的智能诊断。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为一种多孪生迁移学习融合多信息的机械故障智能诊断方法流程图;
图2为一种多孪生迁移学习融合多信息的机械故障智能诊断方法工作原理图;
图3为实施例中所述多孪生迁移学习模型网络结构图;
图4为实施例中多孪生迁移学习模型分类训练集和测试集准确率随迭代次数变化图;
图5为实施例中多孪生迁移学习模型分类混淆矩阵图。
具体实施方式
为了更好理解本发明技术内容,下面提供具体实施例,并结合附图对本发明做进一步解释。
多孪生迁移学习融合多信息是指,在所述预训练模型的特征提取层对应的网络结构和权重迁移到孪生子块中,孪生子块之间实现参数共享,每个孪生子块的输入为对应一个传感器采集的信号。随后将孪生子块的输出信息进行融合,最后网络的输出即为机械故障智能诊断结果。
参见图1-2,本发明提出了一种多孪生迁移学习融合多信息的机械故障智能诊断方法,包括下列步骤:
S1、按故障类别收集机械故障多传感器采集的一维信号序列数据,将一维信号序列数据二维图像化,建立机械故障数据库;
步骤S1中,通过传感器安装位置不同或传感器类型不同的多传感器对机械部件(轴承、齿轮或转子)的不同故障进行一维信号序列采集。
进一步地,对上述采集得到的一维信号进行训练集和测试集划分。训练集与测试集的数据量之比为1:1。
本发明采用机械故障数据库选择的是凯斯西储大学(Case Western ReserveUniversit y,CWRU)的轴承故障公开数据库。凯斯西储大学的轴承故障数据库是由不同故障轴承置于试验台上由通过多个传感器采集振动信号得到。试验台由电机、扭矩传感器、测力计组成。故障轴承(含驱动端轴承和风扇端轴承)用来支撑电机轴,它包含安装在试验台上的驱动端轴承和风扇端轴承。故障信号采集传感器有三个,分别是驱动端加速度传感器、风扇端加速度传感器、基座加速度传感器。试验台传感器采样频率均为12Khz,试验台电机负载为3h p,不同故障类别轴承的故障直径均为0.007inch。
为验证所提出的多孪生迁移学习融合多信息的机械故障智能诊断方法的有效性和适用性,利用凯斯西储大学公开的轴承故障数据集中的5种故障轴承状态的样本数据进行实验验证:分别为内圈故障、滚动体故障、中心位置为3点钟的外圈故障、中心位置为6点钟的外圈故障和中心位置为12点钟的外圈故障。
对应的实施例中,将驱动端加速度传感器、风扇端加速度传感器、基座加速度传感器采集得到的一维信号序列数据在二维图像化后作为故障样本加入机械故障数据库中。这里二维图像化的方式选用直接将一维信号重新排列为二维矩阵。同时,将上述故障样本的对应的实际故障类别也加入到机械故障数据库中。
S2、将ImageNet数据集训练后的预训练模型和权重导出保存到HDF5文件中,文件名设置为Pre-trained model.h5;
对应的实施例中,预训练模型选用VGG16。
S3、将所述HDF5文件去除最后三个全连接层后并冻结权重,命名为VGG16 WithoutFC,随后将冻结权重后的模型参数迁移到多孪生迁移学习模型内的孪生子块中,孪生子块包括所述预训练模型,孪生子块之间实现权重共享;
对应的实施例中,步骤S2和步骤S3的网络结构图参见图3。
对应的,图3为一种包含3个输入的多孪生迁移学习模型网络结构图。一个孪生子块包含冻结参数的VGG16 Without FC、一个Flatten层和两个全连接层(即FC1和FC2)。三个孪生子块的权重共享。三个孪生子块的输出通过Concat层实现合并。最后经过一个全连接层(即FC3)层和一个SoftMax层得到机械故障的预测类别。
S4、基于所述机械故障数据库,实现多孪生迁移学习模型的训练;
S5、获取实际机械故障多传感器采集的样本数据,这里采用测试集中的样本数据,通过所述的多孪生迁移学习模型输出故障的智能诊断结果。
对应的,图4为实施例中训练集和测试集准确率随迭代次数变化图。从结果可以看到,训练集和测试集在最后一个批次机械故障智能诊断准确率均达到了100%。
对应的,图5为实施例中测试结果对应的混淆矩阵。混淆矩阵也称误差矩阵,是表示精度评价的一种标准格式,用n行n列的矩阵形式来表示。混淆矩阵的每一列代表了真实标签,每一列的总数表示为该类别的数据实例的真实数目;每一行代表了数据的预测标签,每一行的数据总数表示预测为该类别的数据实例的数目。图中故障1代表内圈故障;图中故障2代表滚动体故障;图中故障3代表中心位置为3点钟的外圈故障;图中故障4代表中心位置为6点钟的外圈故障;图中故障5代表中心位置为12点钟的外圈故障。混淆矩阵显示所有故障样本的预测类别与实际类别一致,因此本发明的方法有效。
本发明提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (8)
1.一种多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,该方法具体包括如下步骤:
S1)按机械故障具体类别收集多传感器采集的一维信号序列数据,将一维信号序列数据二维图像化,建立机械故障数据库,所述机械故障数据库由若干个成对的二维图像化数据和故障类别标签组成;
S2)将ImageNet数据集训练后的预训练模型及其权重导出保存到HDF5文件中,文件名设置为Pre-trained model.h5;
S3)将所述HDF5文件去除最后三个全连接层后并冻结权重,命名为Pre-trained modelWithout FC,随后将冻结权重后的模型参数迁移到多孪生迁移学习模型内的各孪生子块中,孪生子块包括所述预训练模型,孪生子块之间实现权重共享;
S4)基于所述机械故障数据库,实现多孪生迁移学习模型的训练,待模型收敛后,得到训练后的多孪生迁移学习模型,此时得到的网络模型和权重文件被保存为Multi-twin TLmodel.h5;
S5)获取实际机械故障多传感器采集的样本数据,通过所述训练后的多孪生迁移学习模型输出机械故障的智能诊断结果;
其中,所述多孪生迁移学习模型的输入个数为N,N也对应着传感器和孪生子块的个数,所述多孪生迁移学习模型的输出为机械故障预测类别,所述多孪生迁移学习模型中的每个孪生子块被看作一个特征提取器,每个孪生子块的输入为对应一个传感器采集的信号,每个孪生子块内部包含冻结权重的Pre-trained model Without FC、一个Flatten层和两个全连接层FC1和FC2,N个孪生子块之间实现权重共享,随后将N个孪生子块的输出信息通过Concat层实现合并,最后经过一个全连接层FC3和一个SoftMax层得到机械故障的预测类别,即机械故障的智能诊断结果。
2.根据权利要求1所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,所述机械故障包括:轴承故障、齿轮故障、转子故障中的至少一种。
3.根据权利要求2所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,所述多传感器包括安装位置不同的传感器和类型不同的传感器中的至少一种,其中,安装位置不同的传感器包括:位于驱动端的传感器、位于风扇段的传感器、位于基座位置的传感器中的至少一类;类型不同的传感器包括:位移传感器、速度传感器、加速度传感器、声音信号传感器中的至少一类;所述多传感器的个数至少为2。
4.根据权利要求3所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,将一维信号序列数据二维图像化的方式包括:直接将一维信号重新排列为二维矩阵、格拉姆角场变换、马尔可夫变迁场变换、递归图变换、短时傅里叶变换的一种。
5.根据权利要求4所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,所述预训练模型包括:VGG16网络模型、ResNet网络模型、MobileNet网络模型和InceptionV3网络模型中的其中一个。
6.根据权利要求5所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,所述孪生子块包括Faltten层和全连接层中的至少一类。
7.根据权利要求6所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,所述机械故障数据库中包括5种故障轴承状态的样本数据,分别为内圈故障、滚动体故障、中心位置为3点钟的外圈故障、中心位置为6点钟的外圈故障和中心位置为12点钟的外圈故障。
8.根据权利要求7所述的多孪生迁移学习融合多信息的机械故障智能诊断方法,其特征在于,所述N=3,此时对应的多传感器分别为驱动端加速度传感器、风扇端加速度传感器、基座加速度传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357230.XA CN114241271B (zh) | 2021-11-16 | 2021-11-16 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357230.XA CN114241271B (zh) | 2021-11-16 | 2021-11-16 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241271A CN114241271A (zh) | 2022-03-25 |
CN114241271B true CN114241271B (zh) | 2023-04-25 |
Family
ID=80749659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111357230.XA Active CN114241271B (zh) | 2021-11-16 | 2021-11-16 | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241271B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648077B (zh) * | 2022-05-18 | 2022-09-06 | 合肥高斯智能科技有限公司 | 一种用于多点位工业数据缺陷检测的方法及装置 |
CN117330315B (zh) * | 2023-12-01 | 2024-02-23 | 智能制造龙城实验室 | 一种基于在线迁移学习的旋转机械故障监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 |
CN111400930A (zh) * | 2020-04-09 | 2020-07-10 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN112884070A (zh) * | 2021-03-17 | 2021-06-01 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的高压开关故障诊断方法 |
CN113516638A (zh) * | 2021-06-25 | 2021-10-19 | 中南大学 | 一种神经网络内部特征重要性可视化分析及特征迁移方法 |
CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN113627317A (zh) * | 2021-08-06 | 2021-11-09 | 安徽工业大学 | 一种基于单样本学习的电机轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11423538B2 (en) * | 2019-04-16 | 2022-08-23 | Covera Health | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers |
-
2021
- 2021-11-16 CN CN202111357230.XA patent/CN114241271B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766921A (zh) * | 2018-12-19 | 2019-05-17 | 合肥工业大学 | 一种基于深度领域自适应的振动数据故障分类方法 |
CN111179251A (zh) * | 2019-12-30 | 2020-05-19 | 上海交通大学 | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 |
CN111400930A (zh) * | 2020-04-09 | 2020-07-10 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
CN112884070A (zh) * | 2021-03-17 | 2021-06-01 | 云南电网有限责任公司电力科学研究院 | 一种基于迁移学习的高压开关故障诊断方法 |
CN113516638A (zh) * | 2021-06-25 | 2021-10-19 | 中南大学 | 一种神经网络内部特征重要性可视化分析及特征迁移方法 |
CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN113627317A (zh) * | 2021-08-06 | 2021-11-09 | 安徽工业大学 | 一种基于单样本学习的电机轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
Mohsen Heidari等.Using Siamese Networks with Transfer Learning for Face Recognition on Small-Samples Datasets.《2020 International Conference on Machine Vision and Image Processing (MVIP)》.2020,1-4. * |
Xinlei Chen等.Exploring Simple Siamese Representation Learning.《Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021》.2021,5750-15758. * |
张烁等.航空发动机轴承故障结构化贝叶斯稀疏表示.《航空学报》.2021,第43卷172-183. * |
杜花.基于全卷积无锚框孪生网络的目标跟踪算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2021,I138-542. * |
赵晴晴等.基于特征融合和孪生网络的行人再识别研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2020,I138-1801. * |
Also Published As
Publication number | Publication date |
---|---|
CN114241271A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN114241271B (zh) | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
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 | |
CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN112101085A (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
CN112329329B (zh) | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
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 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113324754A (zh) | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
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 | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
CN117312948A (zh) | 一种基于多传感器融合和eca-cnn的旋转机械故障诊断方法 | |
CN113094996A (zh) | 基于dda域自适应机制的智能故障迁移诊断方法 | |
Ahsan et al. | Advanced Fault Diagnosis in Rotating Machines Using 2D Grayscale Images with Improved Deep Convolutional Neural Networks | |
CN115630334B (zh) | 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用 | |
Zhang et al. | CNN4GCDD: A one-dimensional convolutional neural network-based model for gear crack depth diagnosis | |
CN116626491B (zh) | 一种五相永磁电机匝间短路故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |