CN114354185A - 一种基于解耦网络的齿轮箱故障诊断方法 - Google Patents
一种基于解耦网络的齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN114354185A CN114354185A CN202111636409.9A CN202111636409A CN114354185A CN 114354185 A CN114354185 A CN 114354185A CN 202111636409 A CN202111636409 A CN 202111636409A CN 114354185 A CN114354185 A CN 114354185A
- Authority
- CN
- China
- Prior art keywords
- decoupling
- loss
- network
- fault diagnosis
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001172 regenerating effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010044048 Tooth missing Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及仿真分析技术领域,具体涉及一种基于解耦网络的齿轮箱故障诊断方法,包括获取历史故障数据样本作为训练数据;将训练数据输入基于MMD距离的解耦网络,解耦网络进行训练过程中计算解耦损失和分类损失,并将解耦损失与分类损失融合,反向传播损失,优化网络参数;将待检测故障的数据输入完成训练的解耦网络,通过该网络预测故障类型;本发明中的解耦网络在分类器之前加入了MMD距离,在特征空间中增大各个故障类别的之间的距离,从而提高齿轮箱的故障诊断精度。
Description
技术领域
本发明涉及仿真分析技术领域,具体涉及一种基于解耦网络的齿轮箱故障诊断方法。
背景技术
齿轮箱应用极其广泛,其在航空航天、发电设备、交通设备等领域有举足轻重的地位。但是由于齿轮箱的结构和工况复杂,极易发生轮齿疲劳点蚀、齿根裂纹乃至轮齿或轴断裂等失效现象,从而影响到设备的运行精度、传递效率和使用寿命,对使用者造成经济损失,因此,对齿轮箱设备进行故障诊断具有重要意义。
由于深度学习网络的强大拟合能力和出色的特征提取效果,当前深度学习方法在故障诊断领域得到了一定的应用。深度学习方法的一般流程是:特征提取、特征分类、计算损失、优化网络参数,但传统深度学习方法很少考虑不同故障类别特征之间的相似,这些相似特征耦合在一起,会在一定程度上影响用于故障诊断的深度学习网络的精度。
发明内容
为了提升齿轮箱故障诊断的精度,本发明提出一种基于解耦网络的齿轮箱故障诊断方法,具体包括以下步骤:
S1、获取历史故障数据样本作为训练数据;
S2、将训练数据输入基于MMD距离的解耦网络,解耦网络进行训练过程中计算解耦损失和分类损失,并将解耦损失与分类损失融合,反向传播损失,优化网络参数;
S3、将待检测故障的数据输入完成训练的解耦网络,通过该网络预测故障类型。
进一步的,解耦网络进行训练过程中的解耦损失表示为:
其中,Ld为解耦损失;m表示故障种类数,Xi和Xj分别代表两种不同类别的特征;λij为每两个类别之间的解耦损失的权重;L(Xi,Xj)为两个类别i、j之间的MMD距离;θ表示总的解耦损失的权重。
进一步的,每两个类别之间的解耦损失的权重λij表示为:
其中,FPij表示第i类对第j类的假阳率;FPji表示第j类对第i类的假阳率。
进一步的,两个类别i、j之间的MMD距离L(Xi,Xj)表示为:
其中,sup(·)表示取上界;f(·)是一个非线性映射,将特征映射到再生核希尔伯特空间中;表示求概率分布为p的特征Xi映射到再生核希尔伯特空间后的期望;表示求概率分布为q的特征Xj映射到再生核希尔伯特空间后的期望。
进一步的,分类损失表示为:
其中,Lc表示分类损失;m表示训练数据集的样本数;n表示故障类别数;1{yk=l}表示当yk=l时结果才为1,其他情况结果为0;p(·)表示分类器的输出。
进一步的,将解耦损失与分类损失融合,即总的损失表示为:
L=Ld+Lc;
其中,Lc表示分类损失;Ld为解耦损失。
进一步的,基于MMD距离的解耦网络包括特征提取器、解耦模块以及分类器,特征提取器包括级联的三个卷积块和一个全连接层,每个卷积块由BN层、卷积层和池化层构成;解耦模块包括一个解耦层,解耦层用于计算网络的解耦损失;分类器包括一个全连接层。
本发明中的解耦网络在分类器之前加入了MMD距离,在特征空间中增大各个故障类别的之间的距离,从而提高齿轮箱的故障诊断精度。
附图说明
图1为本发明公开的一种基于最大均值差异的齿轮箱故障诊断解耦网络的具体实施方式流程图;
图2为本发明使用的神经网络结构示意图;
图3为本发明所使用网络的训练流程图。
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。
本发明提供一种基于解耦网络的齿轮箱故障诊断方法,具体包括以下步骤:
S1、获取历史故障数据样本作为训练数据;
S2、将训练数据输入基于MMD距离的解耦网络,解耦网络进行训练过程中计算解耦损失和分类损失,并将解耦损失与分类损失融合,反向传播损失,优化网络参数;
S3、将待检测故障的数据输入完成训练的解耦网络,通过该网络预测故障类型。
在本实施例中,、获取故障数据样本作为训练数据,并将采集到的数据信号取1024点分割为一个样本,然后将该1024点做小波包变换,并构建32×32的时频矩阵,作为待诊断数据。
将训练数据输入基于MMD距离的解耦网络,实施网络训练。本发明使用卷积神经网络(CNN)作为特征提取器,为了降低过拟合,网络中还使用了batch normalize(BN)技术和Dropout技术。本发明使用的网络结构,如图2所示,网络结构参数如表1所示。
表1网络结构参数
在本实施例中,解耦网络进行训练过程中的解耦损失表示为:
式中,m表示故障种类数,Xi和Xj分别代表两种不同类别的特征;λij为每两个类别之间的解耦损失的权重;L(Xi,Xj)为两个类别i、j之间的MMD距离,L(Xi,Xj)的计算公式为:
式中,sup(·)表示取上界;表示求期望;p表示Xi的概率分布;q表示Xj的概率分布;f(·)是一个非线性映射,将特征映射到再生核希尔伯特空间(ReproducingKernel Hilbert Space,RKHS)中去;表示求概率分布为p的特征Xi的映射到再生核希尔伯特空间后期望;表示求概率分布为q的特征Xj的映射后到再生核希尔伯特空间期望;本发明使用高斯核函数作为映射函数。
λij的计算方式为:以类别i、j之间的假阳率(False Positive,FP)为基础,FP值越高,则表示这两个类别之间分类错误率很高,它们之间的距离不够大,容易混淆,应进一步增大这两个类别之间的距离,即λij越大。具体计算公式为:
式中,FPij表示第i类对第j类的假阳率;FPji表示第j类对第i类的假阳率;m表示故障类别总数。
使用交叉熵作为分类损失,设分类器的损失为Lc,则Lc的计算公式如下:
式中,m表示训练数据集的样本数;n表示故障类别数;1{yk=l}表示当yk=l时结果才为1,其他情况结果为0;p(·)表示分类器的输出。
将解耦损失与分类损失相加,反向传播损失,优化网络参数,提高网络的故障诊断精度。总的损失函数如下所示:
网络的总体训练流程如图3所示。将原始待诊断数据进行小波包变换,提取其小波系数矩阵作为输入,通过特征提取器进一步提取高维特征,然后计算解耦损失、分类损失,并将它们相加,随后优化网络参数。
本实施例中将解耦损失、分类损失通过相加进行融合,需要说明的是本领域技术人员可以根据实际情况,将解耦损失、分类损失通过其他线性或者非线性方式进行融合。
为了验证本发明公开的方法的有效性,使用动力传动综合实验台采集平行齿轮箱故障信号。实验台主要包括驱动电机、两级行星齿轮箱、两级平行齿轮箱和磁粉制动器。采用NI9234信号采集卡和振动加速度传感器(型号为:PCB352C03)以25600Hz的采样频率采集平行齿轮箱水平和竖直方向的振动信号。针对平行齿轮箱的运行状态,共设置8种不同类别的故障,分别是:齿轮表面磨损故障、齿轮齿根裂纹故障、齿轮断齿故障、齿轮偏心故障、齿轮缺齿故障、轴承滚动体故障、轴承内圈故障、轴承外圈故障,所有数据均在恒定转速、恒定负载的情况下采集。将原始振动每取1024点做小波包变换,并取小波系数,总共得到6400个32×32的时频矩阵,每类800个。将数据随机打乱后,按照1:1的比例划分训练集,即训练集3200个样本,测试集3200个样本,迭代次数35。重复实验20次,普通卷积网络(θ=0)和本发明所公开的方法得到的结果入表2所示。
表2普通CNN与本发明的故障诊断效果对比
可以看到,本发明公开的基于解耦网络的齿轮箱故障诊断方法,精度比普通CNN高0.65%,且具有更好的测试稳定性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于解耦网络的齿轮箱故障诊断方法,其特征在于,具体包括以下步骤:
S1、获取历史故障数据样本作为训练数据;
S2、将训练数据输入基于MMD距离的解耦网络,解耦网络进行训练过程中计算解耦损失和分类损失,并将解耦损失与分类损失融合,反向传播损失,优化网络参数;
S3、将待检测故障的数据输入完成训练的解耦网络,通过该网络预测故障类型。
6.根据权利要求1所述的一种基于解耦网络的齿轮箱故障诊断方法,其特征在于,将解耦损失与分类损失融合,即总的损失表示为:
L=Ld+Lc
其中,Lc表示分类损失;Ld为解耦损失。
7.根据权利要求1所述的一种基于解耦网络的齿轮箱故障诊断方法,其特征在于,基于MMD距离的解耦网络包括特征提取器、解耦模块以及分类器,特征提取器包括级联的三个卷积块和一个全连接层,每个卷积块由BN层、卷积层和池化层构成;解耦模块包括一个解耦层,解耦层用于计算网络的解耦损失;分类器包括一个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111636409.9A CN114354185A (zh) | 2021-12-29 | 2021-12-29 | 一种基于解耦网络的齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111636409.9A CN114354185A (zh) | 2021-12-29 | 2021-12-29 | 一种基于解耦网络的齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114354185A true CN114354185A (zh) | 2022-04-15 |
Family
ID=81103890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111636409.9A Pending CN114354185A (zh) | 2021-12-29 | 2021-12-29 | 一种基于解耦网络的齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354185A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526218A (zh) * | 2022-11-29 | 2022-12-27 | 科瑞工业自动化系统(苏州)有限公司 | 一种列车轮对踏面形貌在线监测方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253627A1 (en) * | 2017-03-06 | 2018-09-06 | Xerox Corporation | Conditional adaptation network for image classification |
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN111291810A (zh) * | 2020-02-05 | 2020-06-16 | 深圳大学 | 基于目标属性解耦的信息处理模型生成方法及相关设备 |
CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
CN111982514A (zh) * | 2020-08-12 | 2020-11-24 | 河北工业大学 | 一种基于半监督深度信念网络的轴承故障诊断方法 |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
US20210141859A1 (en) * | 2018-06-22 | 2021-05-13 | Fujifilm Corporation | Data processing device, data processing method, data processing program, and non-transitory recording medium |
CN112861787A (zh) * | 2021-03-09 | 2021-05-28 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
CN112883994A (zh) * | 2020-12-28 | 2021-06-01 | 重庆邮电大学 | 一种均衡分布适配的旋转机械变工况故障诊断方法 |
CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN113610219A (zh) * | 2021-08-16 | 2021-11-05 | 中国石油大学(华东) | 一种基于动态残差的多源域自适应方法 |
CN113705695A (zh) * | 2021-08-31 | 2021-11-26 | 重庆邮电大学 | 一种基于卷积神经网络的配电网故障数据辨识方法 |
-
2021
- 2021-12-29 CN CN202111636409.9A patent/CN114354185A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253627A1 (en) * | 2017-03-06 | 2018-09-06 | Xerox Corporation | Conditional adaptation network for image classification |
US20210141859A1 (en) * | 2018-06-22 | 2021-05-13 | Fujifilm Corporation | Data processing device, data processing method, data processing program, and non-transitory recording medium |
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN111291810A (zh) * | 2020-02-05 | 2020-06-16 | 深圳大学 | 基于目标属性解耦的信息处理模型生成方法及相关设备 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
CN111709448A (zh) * | 2020-05-20 | 2020-09-25 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN111982514A (zh) * | 2020-08-12 | 2020-11-24 | 河北工业大学 | 一种基于半监督深度信念网络的轴承故障诊断方法 |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112883994A (zh) * | 2020-12-28 | 2021-06-01 | 重庆邮电大学 | 一种均衡分布适配的旋转机械变工况故障诊断方法 |
CN112861787A (zh) * | 2021-03-09 | 2021-05-28 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
CN113095413A (zh) * | 2021-04-14 | 2021-07-09 | 山东建筑大学 | 变工况故障诊断方法、系统、存储介质及设备 |
CN113610219A (zh) * | 2021-08-16 | 2021-11-05 | 中国石油大学(华东) | 一种基于动态残差的多源域自适应方法 |
CN113705695A (zh) * | 2021-08-31 | 2021-11-26 | 重庆邮电大学 | 一种基于卷积神经网络的配电网故障数据辨识方法 |
Non-Patent Citations (5)
Title |
---|
RUYI HUANG等: "A Transferable Capsule Network for Decoupling Compound Fault of Machinery", 2020 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (I2MTC), 28 May 2020 (2020-05-28), pages 6 * |
李子恒: "高铁牵引系统复合故障智能诊断方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 07, 15 July 2021 (2021-07-15), pages 033 - 543 * |
毛文涛;杨超;刘亚敏;田思雨;: "面向轴承早期故障检测的多尺度残差注意力深度领域适配模型", 计算机应用, no. 10, pages 108 - 116 * |
胡向东, 梁川: "基于SE-ResNeXt的滚动轴承故障诊断方法", 计算机测量与控制, vol. 29, no. 07, 31 July 2021 (2021-07-31), pages 46 - 51 * |
陈欢: "基于解耦的未见组合识别研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 05, 15 May 2021 (2021-05-15), pages 138 - 970 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526218A (zh) * | 2022-11-29 | 2022-12-27 | 科瑞工业自动化系统(苏州)有限公司 | 一种列车轮对踏面形貌在线监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN113255078A (zh) | 一种样本不均衡条件下的轴承故障检测方法及装置 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN107145675A (zh) | 基于bp神经网络算法的电力变压器故障诊断装置及方法 | |
CN109255333B (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
CN113705602B (zh) | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN104899608B (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
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 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN114354185A (zh) | 一种基于解耦网络的齿轮箱故障诊断方法 | |
CN113591638A (zh) | 一种基于卷积胶囊网络的行星齿轮箱故障诊断方法 | |
CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN112686279A (zh) | 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法 | |
CN116127398B (zh) | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
CN116007938B (zh) | 一种轴承劣化分析和故障诊断方法及系统 | |
CN113420387B (zh) | 一种压实机械滚动轴承的迁移诊断方法和系统 | |
CN115310204B (zh) | 影响汽车nvh性能的生产异常智能溯源方法 | |
CN117407698B (zh) | 一种混合距离引导的领域自适应故障诊断方法 |
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 |