CN114354184A - 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 - Google Patents
一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 Download PDFInfo
- Publication number
- CN114354184A CN114354184A CN202111624091.2A CN202111624091A CN114354184A CN 114354184 A CN114354184 A CN 114354184A CN 202111624091 A CN202111624091 A CN 202111624091A CN 114354184 A CN114354184 A CN 114354184A
- Authority
- CN
- China
- Prior art keywords
- main shaft
- early warning
- scale
- warning model
- health early
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000014509 gene expression Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置,属于大型回转装备主轴健康监测与状态识别技术领域,解决现有缺少主轴健康预警模型有效地保证大型回转装备工作性能的同时能显著地降低经济损失的问题。本发明的方法包括:获取大型回转装备主轴状态振动信号;分别从时域、频域和时频域进行特征提取,获取多维特征;对多维特征进行降维处理,将降维处理后的多维特征划分为训练集和测试集;基于BP神经网络建立大型回转装备主轴健康预警模型,并利用训练集和测试集对大型回转装备主轴健康预警模型进行训练和测试,完成大型回转装备主轴健康预警模型的建立。本发明适用于大型回转装备主轴健康监测与状态识别。
Description
技术领域
本申请涉及大型回转装备主轴健康监测与状态识别技术领域,尤其涉及一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置。
背景技术
大型回转装备主轴系统主要由主轴芯轴、轴承及传动齿轮等部件组成,其运行过程中的健康状态直接影响大型回转装备的回转精度和其正常工作。以数控机床为例,当其主轴机械结构由于磨损等发生异常时,会直接导致工件在加工过程中产生受损、精度不合格等,甚至会进一导致整个主轴系统彻底损坏,给生产制造带来巨大损失。
调查表明,我国每年大型回转装备的维修成本达到机器总成本的10%以上,在国产大型回转装备主要存在的问题中,主轴故障多发高达30%。据日本专家调查表明,相较于未使用主轴故障诊断技术,使用后主轴故障率有效地减小75%,同时使维修费用减少20%-50%。对于大型回转装备,通过对其主轴振动进行在线监测,并通过主轴健康预警模型反映主轴工作状态的健康状况,可以及时发现主轴工作异常并判断异常原因。但目前,缺少有效的主轴健康预警模型,可以有效地保证大型回转装备工作性能的同时能显著地降低经济损失。
发明内容
本发明目的是为了解决现有缺少有效的主轴健康预警模型的问题。本发明提供了一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置,可以有效地保证大型回转装备工作性能的同时能显著地降低经济损失。
本发明是通过以下技术方案实现的,本发明一方面,提供一种基于深度学习的大型回转装备主轴健康预警模型建立方法,所述方法包括:
获取大型回转装备主轴状态振动信号;
根据所述主轴状态振动信号,分别从时域、频域和时频域进行特征提取,获取多维特征;
对所述多维特征进行降维处理,将所述降维处理后的多维特征划分为训练集和测试集;
基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立。
进一步地,所述获取大型回转装备主轴状态振动信号,具体包括:
利用振动传感器采集大型回转装备主轴状态振动信号;
将所述主轴状态振动信号通过多通道采集设备进行传输到上位机软件中。
进一步地,所述时域的特征包括有量纲特征和无量纲特征,所述有量纲特征包括有效值、平均值、标准差、最大值和最小值,所述无量纲特征包括波形因子、峰值因子、脉冲因子和峭度因子;
所述频域的特征包括重心频率、平均频率、均方根频率和频率标准差;
所述时频域的特征为所述主轴状态振动信号经过小波包分解,各分解频带的能量占比。
进一步地,所述对所述多维特征进行降维处理,具体包括:通过主成分分析算法对所述多维特征进行降维处理。
进一步地,所述基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立,具体包括:
构建BP神经网络,所述BP神经网络的输入层iL的节点数为α,节点数α等于降维处理后的多维特征的样本维度m,每个节点接收一维特征样本,隐含层hL节点数β,输出层为γ,输入层与隐含层的连接权值为wji hL,相应的偏置因子为bj hL,隐含层与输出层的节点权重为woj oL,对应的偏置因子为bk oL;
前向计算,具体包括:
设隐含层iL层的第j个节点的输入uj iL为:
其中Xi为PCA降维后的特征样本的第i维特征样本,即PCA(i);
根据输入uj iL可得隐含层iL层的第j个节点的输出yj iL为:
其中fiL为该节点的激活函数;
求解输出层的输入uk oL与输出yk oL为:
式中foL为隐含层iL层的第j个节点的激活函数;
反向计算,具体包括:
从输出层计算输出误差;
基于梯度下降法依次计算各层权值与偏置值的改变量,达到修正权值与偏置的目的,使网络输出误差达到目标值。
另一方面,基于一种基于深度学习的大型回转装备主轴健康预警模型建立方法,本发明提供一种基于深度学习的大型回转装备主轴健康预警模型建立装置,所述装置包括:
信号获取模块,用于获取大型回转装备主轴状态振动信号;
特征提取模块,用于根据所述主轴状态振动信号,分别从时域、频域和时频域进行特征提取,获取多维特征;
降维处理模块,用于对所述多维特征进行降维处理,将所述降维处理后的多维特征划分为训练集和测试集;
模型建立模块,用于基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立。
进一步地,所述信号获取模块包括:
采集模块,用于利用振动传感器采集大型回转装备主轴状态振动信号;
传输读取模块,用于将所述主轴状态振动信号通过多通道采集设备进行传输到上位机软件中。
进一步地,在所述特征提取模块中,所述时域的特征包括有量纲特征和无量纲特征,所述有量纲特征包括有效值、平均值、标准差、最大值和最小值,所述无量纲特征包括波形因子、峰值因子、脉冲因子和峭度因子;
所述频域的特征包括重心频率、平均频率、均方根频率和频率标准差;
所述时频域的特征为所述主轴状态振动信号经过小波包分解,各分解频带的能量占比。
进一步地,所述降维处理模块包括降维子模块,该降维子模块用于通过主成分分析算法对所述多维特征进行降维处理。
第三方面,本发明提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法的步骤。
本发明首次提出了建立主轴健康预警模型,实现对主轴的健康状态进行检测和预警,有效地保证大型回转装备工作性能的同时能显著地降低经济损失。
本发明的有益效果:
本发明基于BP神经网络建立大型回转装备主轴健康预警模型,通过本发明获取大型回转装备主轴状态振动信号,以振动信号的原始数据进行多维特征提取,并将多维度的特征指标按照主成分分析法完成指标降维,在不损失大型回转装备主轴状态特征的前提下完成特征维度的降低,并基于特征数据样本实现大型回转装备的主轴健康预警。
本发明在保证特征样本信息的同时,降特征样本维度,进而提高后续处理效率。建立基于深度学习的大型回转装备主轴健康预警模型,通过该模型可以有效实现主轴工作状态的健康状况的获取,通过深度学习方法,可以提高获取效率,通过对主轴的健康状态进行检测和预警,可以有效地识别大型回转装备的健康状态,根据大型回转装备的健康状态确定相应的决策,从而有效地保证大型回转装备工作性能,进而显著地降低经济损失。
本发明适用于大型回转装备主轴健康监测与状态识别。
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为本发明的机床健康预警模型建立流程图;
图2为本发明的BP神经网络结构。
具体实施方式
本发明基于大型回转装备主轴振动信号,采用多域分析进行大型回转装备主轴状态信号的特征提取,以特征指标作为深度学习训练数据进行大型回转装备主轴的状态识别与故障诊断。以下结合附图对本发明的实施方式进行详细说明。
实施方式一、如图1所示,一种基于深度学习的大型回转装备主轴健康预警模型建立方法,所述方法包括:
获取大型回转装备主轴状态振动信号;
根据所述主轴状态振动信号,分别从时域、频域和时频域进行特征提取,获取多维特征;
对所述多维特征进行降维处理,将所述降维处理后的多维特征划分为训练集和测试集;
基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立。
本实施方式中,通过型回转设备主轴状态振动信号来衡量大型回转装备主轴运行状态,将该型回转设备主轴状态振动信号作为原始数据,分别基于振动信号的时域、频域以及时频域进行多维度大型回转装备主轴状态的特征指标提取,对提取的多维特征样本进行降维处理,以降维后的特征指标作为深度学习的数据样本,这样可以在保证特征样本信息的同时,降特征样本维度,进而提高后续处理效率。最后基于BP神经网络建立大型回转装备主轴健康预警模型,将上述数据样本按照训练集与测试集划分后完成模型的训练与测试,进而完成基于深度学习的大型回转装备主轴健康预警模型的建立,通过该模型可以有效实现主轴工作状态的健康状况的获取,通过深度学习方法,可以提高获取效率。
实施方式二,本实施方式是对实施方式一所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法的进一步限定,本实施方式中,对所述获取大型回转装备主轴状态振动信号做了进一步限定,具体包括:
利用振动传感器采集大型回转装备主轴状态振动信号;
将所述主轴状态振动信号通过多通道采集设备进行传输到上位机软件中。
本实施方式中通过振动传感器采集、多通道采集设备传输,最终由上位机软件读取获取大型回转装备主轴状态振动信号,作为后续步骤的原始数据,给出了后续的原始数据的具体获取方式,该方式可以快速有效地获取原始数据。
实施方式三,本实施方式是对实施方式一所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法的进一步限定,本实施方式中,对所述时域、频域和时频域的特征做了进一步限定,具体包括:
所述时域的特征包括有量纲特征和无量纲特征,所述有量纲特征包括有效值、平均值、标准差、最大值和最小值,所述无量纲特征包括波形因子、峰值因子、脉冲因子和峭度因子;
所述频域的特征包括重心频率、平均频率、均方根频率和频率标准差;
所述时频域的特征为所述主轴状态振动信号经过小波包分解,各分解频带的能量占比。
所提取的时域特征及其计算表达式如表1所示
表1大型回转装备主轴状态信号时域特征计算表达式
所提取的频域特征及其计算表达式如表2所示。其中u(i)为振动信号的Xv经过离散傅里叶变换后所得到的频域信号。
表2频域指标计算表达式
所提取的时频域特征为原始振动信号经过小波包分解,各分解频带的能量占比。其计算表达式如式(1)所示。其中xk,m(i)为振动信号的Xv经过小波包分解后,第k层的第m个分解信号,n为振动信号的Xv的数据长度,En(Xv)为振动信号Xv的总能量。
本实施方式分别基于振动信号的时域、频域以及时频域进行多维度大型回转装备主轴状态的特征指标提取,最终将所提取的时域特征、频域特征以及时频域特征作为振动信号的多维特征样本供后续使用。
实施方式四,本实施方式是对实施方式一所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法的进一步限定,本实施方式中,对所述多维特征进行降维处理做了进一步限定,具体包括:通过主成分分析算法对所述多维特征进行降维处理。
本实施方式中,利用PCA分析算法对所述多维特征进行降维处理。PCA分析算法的过程包括构造原始矩阵,求解协方差矩阵,奇异值分解及获取成分贡献率,最后得到降维后的特征样本集合。本实施方式将多域提取的特征样本集合作为原始矩阵X,首先经过式(1)求解矩阵X的协方差矩阵Cx,式中n为特征样本维度;之后按照式(2)求解协方差矩阵Cx的特征值与特征向量,式中λi与ui分别为第i阶特征值与特征向量;最终求解使贡献概率p(m)为99.5%的阶数m,以充分保留原始特征样本的所有特征指标信息,贡献概率p(m)由式(3)求解。
Cxui=λiui,i=1,2...n (3)
基于以上分析求解可得到降维后的大型回转装备主轴特征样本集合Y为:
Y=[u1,u2,...um]TX (5)
本实施方式通过主成分分析算法进行多维特征指标的降维处理,以降维后的特征指标作为深度学习的数据样本,通过PCA分析算法进行多维特征样本的降维处理,以在保证特征样本信息的同时,降特征样本维度,进而提高后续处理效率。
实施方式五,本实施方式是对实施方式一所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法的进一步限定,本实施方式中,对所述基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立做了进一步限定,具体包括:
构建BP神经网络,基于BP神经网络建立大型回转装备健康预警。其中BP神经网络结构如图2所示,所述BP神经网络的输入层iL的节点数为α,节点数α等于降维处理后的多维特征的样本维度m,每个节点接收一维特征样本,隐含层hL节点数β,输出层为γ,输入层与隐含层的连接权值为wji hL,相应的偏置因子为bj hL,隐含层与输出层的节点权重为woj oL,对应的偏置因子为bk oL;
(1)前向计算
设隐含层iL层的第j个节点的输入uj iL为:
其中Xi为PCA降维后的特征样本的第i维特征样本,即PCA(i)
依据输入uj iL可得隐含层iL层的第j个节点的输出yj iL为:
其中fiL为该节点的激活函数,激活函数表现为神经元对环境的反馈力,常用的包括Relu、Sigmoid及tanh等,对于分类任务,隐含层及输出层多使用Sigmoid函数,Sigmoid函数又分为tansig与logsig函数,如式(8)所示。
其中,e为自然底数约等于2.71828,x为函数自变量f(x)为函数因变量。
同理求解输出层的输入uk oL与输出yk oL为:
式中foL为隐含层iL层的第j个节点的激活函数,经过以上各式可实现BP神经网络的前向计算与传播,为了提高网络泛化能力,提高网络稳健性,需要针对各层各节点权值与偏置进行更新与迭代,即网络的反向误差传递
(2)反向传播
反向传播首先从输出层计算输出误差,基于梯度下降法依次计算各层权值与偏置值的改变量,达到修正权值与偏置的目的,最后使网络输出误差达到目标值。权值修正公式为:
wji(n+1)=wji(n)+Δwji(n) (10)
式中Δwji(n)表示修正量,表达式为:
式中η表示网络学习率,E(n)表示误差函数。
输出层的误差传递函数表示为:
式中yk oL(n)样本训练时输出向量,Yk oL(n)为样本实际输出向量。通过E(n)求得对wkj的梯度:
δj(n)称为输出层的局部梯度,亦可求出偏置修正量Δbkj(n):
同理求出隐含层的权值Δwji(n)与偏置修正量Δbji(n)分别为:
至此完成大型回转装备的健康预警模型的建立。
本实施方式基于BP神经网络建立大型回转装备主轴健康预警模型,将上述数据样本按照训练集与测试集划分后完成模型的训练与测试。
本发明基于BP神经网络建立大型回转装备主轴健康预警模型,通过本发明获取大型回转装备主轴状态振动信号,以振动信号的原始数据进行多维特征提取,并将多维度的特征指标按照主成分分析法完成指标降维,在不损失大型回转装备主轴状态特征的前提下完成特征维度的降低,并基于特征数据样本实现大型回转装备的主轴健康预警。
本发明可根据振动传感器所采集的振动信号对大型回转装备主轴的运行状态在线监测,并在大型回转装备主轴运行异常时及时发现并反馈主轴工作异常信息,进而确保大型回转装备主轴系统的稳定工作。
Claims (10)
1.一种基于深度学习的大型回转装备主轴健康预警模型建立方法,其特征在于,所述方法包括:
获取大型回转装备主轴状态振动信号;
根据所述主轴状态振动信号,分别从时域、频域和时频域进行特征提取,获取多维特征;
对所述多维特征进行降维处理,将所述降维处理后的多维特征划分为训练集和测试集;
基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立。
2.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法,其特征在于,所述获取大型回转装备主轴状态振动信号,具体包括:
利用振动传感器采集大型回转装备主轴状态振动信号;
将所述主轴状态振动信号通过多通道采集设备进行传输到上位机软件中。
3.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法,其特征在于,所述时域的特征包括有量纲特征和无量纲特征,所述有量纲特征包括有效值、平均值、标准差、最大值和最小值,所述无量纲特征包括波形因子、峰值因子、脉冲因子和峭度因子;
所述频域的特征包括重心频率、平均频率、均方根频率和频率标准差;
所述时频域的特征为所述主轴状态振动信号经过小波包分解,各分解频带的能量占比。
4.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法,其特征在于,所述对所述多维特征进行降维处理,具体包括:通过主成分分析算法对所述多维特征进行降维处理。
5.根据权利要求1所述的一种基于深度学习的大型回转装备主轴健康预警模型建立方法,其特征在于,所述基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立,具体包括:
构建BP神经网络,所述BP神经网络的输入层iL的节点数为α,节点数α等于降维处理后的多维特征的样本维度m,每个节点接收一维特征样本,隐含层hL节点数β,输出层为γ,输入层与隐含层的连接权值为wji hL,相应的偏置因子为bj hL,隐含层与输出层的节点权重为woj oL,对应的偏置因子为bk oL;
前向计算,具体包括:
设隐含层iL层的第j个节点的输入uj iL为:
其中Xi为PCA降维后的特征样本的第i维特征样本,即PCA(i);
根据输入uj iL可得隐含层iL层的第j个节点的输出yj iL为:
其中fiL为该节点的激活函数;
求解输出层的输入uk oL与输出yk oL为:
式中foL为隐含层iL层的第j个节点的激活函数;
反向计算,具体包括:
从输出层计算输出误差;
基于梯度下降法依次计算各层权值与偏置值的改变量,达到修正权值与偏置的目的,使网络输出误差达到目标值。
6.一种基于深度学习的大型回转装备主轴健康预警模型建立装置,其特征在于,所述装置包括:
信号获取模块,用于获取大型回转装备主轴状态振动信号;
特征提取模块,用于根据所述主轴状态振动信号,分别从时域、频域和时频域进行特征提取,获取多维特征;
降维处理模块,用于对所述多维特征进行降维处理,将所述降维处理后的多维特征划分为训练集和测试集;
模型建立模块,用于基于BP神经网络建立大型回转装备主轴健康预警模型,并利用所述训练集和测试集对所述大型回转装备主轴健康预警模型进行训练和测试,完成所述大型回转装备主轴健康预警模型的建立。
7.根据权利要6所述的一种基于深度学习的大型回转装备主轴健康预警模型建立装置,其特征在于,所述信号获取模块包括:
采集模块,用于利用振动传感器采集大型回转装备主轴状态振动信号;
传输读取模块,用于将所述主轴状态振动信号通过多通道采集设备进行传输到上位机软件中。
8.根据权利要求6所述的一种基于深度学习的大型回转装备主轴健康预警模型建立装置,其特征在于,在所述特征提取模块中,所述时域的特征包括有量纲特征和无量纲特征,所述有量纲特征包括有效值、平均值、标准差、最大值和最小值,所述无量纲特征包括波形因子、峰值因子、脉冲因子和峭度因子;
所述频域的特征包括重心频率、平均频率、均方根频率和频率标准差;
所述时频域的特征为所述主轴状态振动信号经过小波包分解,各分解频带的能量占比。
9.根据权利要求6所述的一种基于深度学习的大型回转装备主轴健康预警模型建立装置,其特征在于,所述降维处理模块包括降维子模块,该降维子模块用于通过主成分分析算法对所述多维特征进行降维处理。
10.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624091.2A CN114354184B (zh) | 2021-12-28 | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624091.2A CN114354184B (zh) | 2021-12-28 | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114354184A true CN114354184A (zh) | 2022-04-15 |
CN114354184B CN114354184B (zh) | 2024-06-21 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115647933A (zh) * | 2022-11-02 | 2023-01-31 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
CN115716217A (zh) * | 2022-11-02 | 2023-02-28 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常的检测方法、装置以及存储介质 |
TWI834215B (zh) * | 2022-07-11 | 2024-03-01 | 國立虎尾科技大學 | 機械工具健康狀態的監測方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN111076933A (zh) * | 2019-12-14 | 2020-04-28 | 西安交通大学 | 一种机床主轴轴承敏感特征指标集构建与健康状态识别方法 |
CN113537328A (zh) * | 2021-07-07 | 2021-10-22 | 大连理工大学人工智能大连研究院 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN111076933A (zh) * | 2019-12-14 | 2020-04-28 | 西安交通大学 | 一种机床主轴轴承敏感特征指标集构建与健康状态识别方法 |
CN113537328A (zh) * | 2021-07-07 | 2021-10-22 | 大连理工大学人工智能大连研究院 | 一种基于深度学习的旋转机械故障诊断方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI834215B (zh) * | 2022-07-11 | 2024-03-01 | 國立虎尾科技大學 | 機械工具健康狀態的監測方法 |
CN115647933A (zh) * | 2022-11-02 | 2023-01-31 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
CN115716217A (zh) * | 2022-11-02 | 2023-02-28 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常的检测方法、装置以及存储介质 |
CN115716217B (zh) * | 2022-11-02 | 2023-09-01 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常的检测方法、装置以及存储介质 |
CN115647933B (zh) * | 2022-11-02 | 2023-10-27 | 富联裕展科技(深圳)有限公司 | 主轴偏摆异常检测方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
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 | |
CN111761409A (zh) | 一种基于深度学习的多传感器数控机床刀具磨损监测方法 | |
CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN110083860B (zh) | 一种基于相关变量选择的工业故障诊断方法 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN113496312A (zh) | 基于多维特征提取融合与长短期记忆网络的刀具剩余寿命预测方法、设备及存储介质 | |
CN116070527B (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
CN112518425B (zh) | 基于多源样本迁移强化学习的智能加工刀具磨损预测方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN116644348A (zh) | 基于传递式对抗迁移的跨机械部件故障诊断方法及装置 | |
CN114354184B (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN114997216A (zh) | 一种基于张量多模态特征高阶匹配的轴承故障识别方法 | |
CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 |
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 |