CN114252266A - 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 - Google Patents
一种基于dbn-svdd模型的滚动轴承性能退化评估方法 Download PDFInfo
- Publication number
- CN114252266A CN114252266A CN202111610964.4A CN202111610964A CN114252266A CN 114252266 A CN114252266 A CN 114252266A CN 202111610964 A CN202111610964 A CN 202111610964A CN 114252266 A CN114252266 A CN 114252266A
- Authority
- CN
- China
- Prior art keywords
- dbn
- model
- rolling bearing
- performance degradation
- svdd
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及滚动轴承性能评估领域,具体涉及一种基于DBN‑SVDD的滚动轴承性能退化评估方法,其特征在于,包括步骤:(1)提取特征:获取正常状态下的滚动轴承振动信号数据,对所获取的振动信号进行FFT和归一化处理,将所得到的数据作为训练样本建立DBN特征提取模型,获得特征向量;(2)建立模型:用DBN模型中DBN无监督预训练部分提取出的正常状态下的特征向量作为训练样本建立SVDD评估模型,并获得滚动轴承的性能退化指标;(3)实时评估:把将同一滚动轴承的未知振动信号输入上述训练建立完成的模型中,得到性能退化指标,描绘出滚动轴承的性能退化曲线。
Description
技术领域
本发明涉及滚动轴承性能评估领域,尤其是涉及一种基于DBN-SVDD模型的滚动轴承性能退化评估方法。
背景技术
滚动轴承设备是机械系统中的重要部件之一,其运行状态直接影响到机械系统的安全性,而轴承状态从正常运行到最终失效通常要经历不同的性能退化过程。因此,对轴承设备进行可靠的性能退化评估,准确追踪其运行状态,对机械设备的维护维修具有重要意义。
在滚动轴承性能退化评估中,最为关键的是退化特征的提取和退化特征指标的评估。常用的提取退化特征指标的方法有时、频域特征和信号分解方法。时域特征指标如有效值(RMS)和峰度。Rai等人采用基于经验模式分解和单值分解的模型提取轴承的初步退化趋势,然后采用基于K-medoids聚类模型构建最终退化特征指标,评价轴承的健康状态。周建民等人提出一种融合FCM-SVDD模型的方法,利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,将得到的退化指标作为特征矩阵输入到FCM和SVDD模型,得到融合方法的性能退化曲线。但是这些退化特征指标构建模型高度依赖于手工经验,且在滚动轴承振动信号取自不同的操作系统时,要自适应地改变时频域指标和指标评估的方法,才能对轴承设备做出可靠的性能退化评估。
深度学习是近年来关注的热点之一,其在面对大数据时具有较强的自适应非线性特征提取能力,可以减少对手工经验的依赖,而DBN作为深度学习的基本模型之一被广泛应用于滚动轴承故障分类诊断,但用于轴承性能退化评估上的并不多见,Dong等人提出了一种基于迁移学习和DBN的滚动轴承退化评估模型,将退化评价的研究转化为退化模式的分类任务,完成不同工况下的退化模式评估。Peng等人提出使用不带输出层的DBN轴承信号特征得到性能退化指标做出性能退化评估,并使用改进的粒子滤波模型来预测滚动轴承的剩余寿命。
但是上述提到的基于DBN提取特征的滚动轴承性能退化评估方法,在建立DBN模型时,所用信号数据多为试验所得的轴承全寿命周期数据,而轴承实际运行中正常状态居多,获得的大数据也多为正常状态下的振动信号。
基于此,应用正常数据建模,并能评估整个滚动轴承寿命周期的性能退化情况显得尤为重要。本文提出一种基于DBN-SVDD的滚动轴承性能退化评估方法,使用轴承正常数据对DBN进行建模实现特征向量的提取,提取的正常状态下的特征向量作为训练样本建立SVDD评估模型,用轴承全寿命周期数据测试训练后的DBN-SVDD模型,完成其性能退化评估。
发明内容
为了克服现有技术的不足,本发明提供了一种基于DBN-SVDD模型的滚动轴承性能退化评估方法。
为了实现以上目的,本发明提供如下技术方案:
一种基于DBN-SVDD的滚动轴承性能退化评估方法,包括步骤:
(1)提取特征:获取正常状态下的滚动轴承振动信号数据,对所获取的振动信号进行FFT和归一化处理,将所得到的数据作为训练样本建立DBN特征提取模型,获得特征向量;
(2)建立模型:用DBN模型中DBN无监督预训练部分提取出的正常状态下的特征向量作为训练样本建立SVDD评估模型,并获得滚动轴承的性能退化指标;
(3)实时评估:把将同一滚动轴承的未知振动信号输入上述训练建立完成的模型中,得到性能退化指标,描绘出滚动轴承的性能退化曲线。
本技术方案进一步的优化,所述DBN是由多个受限玻尔兹曼机(RBM)逐个堆叠而形成,每个RBM都由个可见层和个隐含层构成,每个可见层由多个可见层单元构成,每个隐含层也由多个隐含层单元构成,所述可见层为每个RBM的输入层,所述隐含层为每个RBM的输出层,每个RBM的输出层作为下一个RBM的输入层。
本技术方案进一步的优化,步骤(1)具体包括:
(a)将经过FFT处理后的滚动轴承振动信号幅值范围规范到0~1,归一化方式为:其中ymin和ymax表示归一化的范围值,这里ymin=0,ymin=0。xmin和xmax表示被归一化数据中的最小值和最大值。
(b)将经过FFT和归一化预处理后的滚动轴承振动信号的数据,输入DBN模型中,完成对DBN模型中无监督预训练部分的训练;
(c)将滚动轴承数据输入训练好的DBN模型中,利用DBN模型中堆叠的多个RBM对输入的滚动轴承数据进行逐层特征提取,最后一个受限玻尔兹曼机提取出DBN提取的特征向量。
本技术方案进一步的优化,SVDD评估模型建立的具体内容为:
将通过DBN模型提取的特征向量作为SVDD模型的训练样本,完成SVDD模型训练,构建包含正常状态下特征向量的半径为R的超球体,将新样本输入训练好的SVDD模型中,得出新样本与超球体球心之间的相对距离d,将新样本与超球体球心之间的相对距离d作为轴承的性能退化指标DI,当D1≤R,新样本被识别为轴承在正常状态下运行的目标,当D1≥R,表明轴承处于退化状态,且DI可以表示轴承的故障严重程度,即DI越大故障严重程度越大。
与现有技术相比本发明具有以下有益效果:对振动信号进行FFT变换和归一化处理,再输入DBN特征提取模型中,自动提取出特征向量,减少了对人工经验的依赖;并且利用SVDD模型对特征向量的描述可以较好的表征轴承性能退化情况。以正常状态下的振动信号作为训练样本进行DBN-SVDD性能退化评估模型的构建,克服实际轴承设备运行中故障样本较难获取的问题,对实际生产中轴承早期故障的发生和性能退化评估具有很好的指导意义,对于设备性能监测具有重要意义。
附图说明
图1为本发明滚动轴承性能退化评估流程图;
图2为本发明DBN结构图;
图3为本发明SVDD原理图;
图4为本发明具体实施例所用数据原始信号图;
图5为本发明具体实施例第四层RBM提取的特征向量图;
图6为本发明具体实施例基于DBN-SVDD的性能退化评估结果图;
图7为本发明具体实施例基于DBN-SVDD的性能退化评估结果局部图;
图8为本发明实施例的对比方法有效值做性能退化指标结果图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
参阅图1所示,为本发明滚动轴承性能退化评估流程图,本发明为一种基于DBN-SVDD的滚动轴承性能退化评估方法,该方法包括以下步骤:首先提取特征向量,的获取正常状态下的滚动轴承振动信号数据,对所获取的振动信号进行FFT和归一化处理,将所得到的数据作为训练样本建立DBN特征提取模型,获得特征向量。然后建立DBN模型,用DBN模型中DBN无监督预训练部分提取出的正常状态下的特征向量作为训练样本建立SVDD评估模型,并获得滚动轴承的性能退化指标。最后实时评估,把将同一滚动轴承的未知振动信号输入上述训练建立完成的模型中,得到性能退化指标,描绘出滚动轴承的性能退化曲线。
参阅图2所示,为本发明DBN结构图,DBN是由多个受限玻尔兹曼机RBM单元组成的多隐层神经网络,DBN的结构如图2所示。其中的RBM由两层组成,用于输入数据的可视化层v和提取特征的隐含层h,可视化层v和隐含层h中分别包含几个独立不相互连接的神经元节点,但层层之间是完全连接的。
例如,一个RBM单元中,可视化层v有m个可见单元,隐含层h有n个隐藏单元,a和b分别表示可视化层v和隐含层h的偏置项,w是可视化层v和隐含层h之间的连接权重,则该联合结构网络的层间单元节点具有的能量表示为:其中wij表示第i个节点vi和第j个节点hj之间的权重值。
RBM中可见层v与隐含层h之间的联合概率分布可由网络的节点能量表示为:
RBM中可见层v与隐含层h之间的条件概率分布可以表示为:
其中,f(x)为激活函数,采用sigmoid函数。
DBN模型预训练时,当前的RBM的输出被用作下一个RBM的输入,每个RBM通过使用对比发散(CD-K)进行无监督学习单独训练,以此更新网络参数,降低重构误差,该算法更新准则为:
其中,k为迭代次数,η为学习率。
构成DBN的多个RBM对轴承正常状态数据进行无监督贪婪学习来确定每层RBM之间的连接权重值及可见层和隐藏层的偏置项,以此完成对DBN特征提取模型的训练。
步骤(2)建立模型:用DBN模型中DBN无监督预训练部分提取出的正常状态下的特征向量作为训练样本建立SVDD评估模型,并获得滚动轴承的性能退化指标。
参阅3所示,本发明SVDD原理图,其主要思想是找到一个包含所有或大部分目标的最小体积的最优超球,针对一个目标类样本集{xi,i=1,2,...,n},寻找包含所有或大多数目标类样本的最优超球,该超球由中心c和半径R描述,满足以下优化函数:
其中C是一个惩罚参数,它控制超球体和误差之间的权衡,ξi是松弛变量,允许一些训练数据在超球体之外。
一般来说,方程(9)是通过引入拉格朗日乘子来求解的,它可以引入拉格朗日乘子αi转化为以下函数:
由于输入空间中的数据并不总是线性预测的,引入核函数K把原来线性不可分的问题转换成高维空间中线性可分的问题,同时并没有增加太多的计算量,高斯核是最常用的函数,定义如下:
其中σ是宽度参数,将其用于方程(10)得到:
当样本点位于超球体内,则αi=0;当样本点位于超球体的边界上,则0<αi<C;当样本点位于超球体之外时,则αi=C。在超球体界面上的样本为支持向量(xsv)。通过核函数的方法将训练样本由低维空间映射到高维空间中,从而使得新的高维空间中对目标样本进行很好的描述,在映射空间中超球体半径R可由任意支持向量到中心的距离计算得到:
对于新样本z,它与球心的距离可表示为:
求出新样本与超球体球心之间的相对距离d,将其作为轴承的性能退化指标DI,如果DI≤R,则新样本被识别为轴承在正常状态下运行的目标,否则它是一个离群点,表明轴承处于退化状态。
本发明利用在ABLT系列轴承寿命强化试验机上实验获取的一组全寿命周期滚动轴承信号对本发明进行验证,其中轴承型号为6307,转速为3000r/min,径向载荷为11.13kN,采样频率为25.6HZ,采用加速度传感器每隔1min采集一组长度为20480的数据,。数据采集从轴承正常状态一直持续到寿命结束,共采集了10620组数据,不包括磨合期数据(试验设备开机启动预热,逐步增加载荷,数据波动不稳定的初始阶段),最终失效形式均为内圈严重点蚀。
参阅图4所示,为本发明具体实施例所用数据原始信号图,由于现有的滚动轴承全寿命周期数据划分长度10620过长,对计算机要求过高,分别将每组的轴承数据再次分割为十组,长度为2048,因此进行实验验证轴承全寿命周期数据10620组长度为2048的数据。
本次实验选取前3000组正常状态下的轴承数据作为训练样本经实验确定DBN特征提取模型设置为四层,即其包含四个RBM,结构为500-200-100-10,迭代次数为50,初始学习率为0.01。SVDD评估模型里的惩罚参数设置为0.5,核宽度设置为1。将10620组轴承全寿命周期数据输入上述训练好的DBN-SVDD模型,其中经过DBN特征提取模型的数据大小为10620*10,将其按照顺序十组合为一组变为1062*100,再输入SVDD评估模型,得出该滚动轴承的性能退化评估结果。
参阅图5、图6和图7所示,分别为本发明具体实施例第四层RBM提取的特征向量图、本发明具体实施例基于DBN-SVDD的性能退化评估结果图和本发明具体实施例基于DBN-SVDD的性能退化评估结果局部图。从中可以看出,当样本处于0~513min期间,由于其DI值在R值之下,此阶段处于正常运行状态;在513~978min期间的样本的DI值超出R值并在一定范围内保持稳定,说明此阶段处于早期微弱故障阶段;在978~1309min段的DI值突然增加,且在小范围内DI值保持稳定,此阶段轴承处于故障加剧第一阶段;从1309min开始的DI值又有所上升,此时轴承进入故障加剧第二阶段。进一步证明本发明的优越性,选取常用性能退化指标有效值(RMS)对该组轴承数据进行评估。
参阅图8所示,为本发明实施例的对比方法有效值做性能退化指标结果图。该组轴承数据的RMS在0~980min期间波动趋势基本保持稳定,即RMS指标未能检测出即轴承早期微弱故障发生的时刻点;在980~1040min期间,RMS值突增,且波动稳定,可认为此阶段为轴承故障加剧第一阶段;从1040min开始,轴承RMS值较于前一阶段大幅增加且波动混乱,此刻轴承进入故障加剧第二阶段。与本发明发现轴承故障加剧第一阶段的时刻点978min相比晚了2min,与本发明发现故障加剧第二阶段的时刻1039min晚了1min。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (4)
1.一种基于DBN-SVDD的滚动轴承性能退化评估方法,其特征在于,包括步骤:
(1)提取特征:获取正常状态下的滚动轴承振动信号数据,对所获取的振动信号进行FFT和归一化处理,将所得到的数据作为训练样本建立DBN特征提取模型,获得特征向量;
(2)建立模型:用DBN模型中DBN无监督预训练部分提取出的正常状态下的特征向量作为训练样本建立SVDD评估模型,并获得滚动轴承的性能退化指标;
(3)实时评估:把将同一滚动轴承的未知振动信号输入上述训练建立完成的模型中,得到性能退化指标,描绘出滚动轴承的性能退化曲线。
2.根据权利要求1所述的一种基于DBN-SVDD的滚动轴承性能退化评估方法,其特征在于,所述DBN是由多个受限玻尔兹曼机逐个堆叠而形成,每个RBM都由个可见层和个隐含层构成,每个可见层由多个可见层单元构成,每个隐含层也由多个隐含层单元构成,所述可见层为每个RBM的输入层,所述隐含层为每个RBM的输出层,每个RBM的输出层作为下一个RBM的输入层。
3.根据权利要求2所述的一种基于DBN-SVDD的滚动轴承性能退化评估方法,其特征在于,所述步骤(1)具体包括:
其中ymin和ymax表示归一化的范围值,这里ymin=0,ymin=0。xmin和xmax表示被归一化数据中的最小值和最大值;
(b)将经过FFT和归一化预处理后的滚动轴承振动信号的数据,输入DBN模型中,完成对DBN模型中无监督预训练部分的训练;
(c)将滚动轴承数据输入训练好的DBN模型中,利用DBN模型中堆叠的多个RBM对输入的滚动轴承数据进行逐层特征提取,最后一个受限玻尔兹曼机提取出DBN提取的特征向量。
4.根据权利要求1所述的一种基于DBN-SVDD的滚动轴承性能退化评估方法,其特征在于,所述SVDD评估模型建立的具体内容为:
将通过DBN模型提取的特征向量作为SVDD模型的训练样本,完成SVDD模型训练,构建包含正常状态下特征向量的半径为R的超球体,将新样本输入训练好的SVDD模型中,得出新样本与超球体球心之间的相对距离d,将新样本与超球体球心之间的相对距离d作为轴承的性能退化指标DI,当D1≤R,新样本被识别为轴承在正常状态下运行的目标,当D1≥R,表明轴承处于退化状态,且DI可以表示轴承的故障严重程度,即DI越大故障严重程度越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111610964.4A CN114252266A (zh) | 2021-12-27 | 2021-12-27 | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111610964.4A CN114252266A (zh) | 2021-12-27 | 2021-12-27 | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114252266A true CN114252266A (zh) | 2022-03-29 |
Family
ID=80798002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111610964.4A Pending CN114252266A (zh) | 2021-12-27 | 2021-12-27 | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629636A (zh) * | 2023-12-05 | 2024-03-01 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN111581880A (zh) * | 2020-05-06 | 2020-08-25 | 北京工业大学 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
CN111597651A (zh) * | 2020-04-30 | 2020-08-28 | 上海工程技术大学 | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
-
2021
- 2021-12-27 CN CN202111610964.4A patent/CN114252266A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN111597651A (zh) * | 2020-04-30 | 2020-08-28 | 上海工程技术大学 | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 |
CN111581880A (zh) * | 2020-05-06 | 2020-08-25 | 北京工业大学 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
Non-Patent Citations (2)
Title |
---|
彭开香;皮彦婷;焦瑞华;唐鹏;: "航空发动机的健康指标构建与剩余寿命预测", 控制理论与应用, no. 04, pages 142 - 144 * |
程道来,魏婷婷,潘玉娜,马向华: "基于DBN-SVDD 的滚动轴承性能退化评估方法", 轴承, no. 10, pages 41 - 46 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629636A (zh) * | 2023-12-05 | 2024-03-01 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
CN117629636B (zh) * | 2023-12-05 | 2024-05-24 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN112633493A (zh) | 一种面向工业设备数据的故障诊断方法及系统 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
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 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
Cheng et al. | Interactive hybrid model for remaining useful life prediction with uncertainty quantification of bearing in nuclear circulating water pump | |
CN115238736A (zh) | 一种旋转机械早期故障的识别方法 | |
CN114252266A (zh) | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 | |
Shi et al. | A novel rotating machinery fault diagnosis method based on adaptive deep belief network structure and dynamic learning rate under variable working conditions | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
CN113126489B (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
Jin et al. | Fault diagnosis of rotating machines based on EEMD-MPE and GA-BP | |
Gao et al. | Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep belief network | |
CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN115564021A (zh) | 一种聚酯纤维聚合过程的故障根因排序方法 |
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 |