CN114722699A - 机械设备智能故障诊断方法、系统及存储介质 - Google Patents
机械设备智能故障诊断方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114722699A CN114722699A CN202210262592.9A CN202210262592A CN114722699A CN 114722699 A CN114722699 A CN 114722699A CN 202210262592 A CN202210262592 A CN 202210262592A CN 114722699 A CN114722699 A CN 114722699A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- detected
- mechanical equipment
- sample
- sparse
- 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 124
- 238000003745 diagnosis Methods 0.000 title claims abstract description 101
- 238000001228 spectrum Methods 0.000 claims abstract description 152
- 230000036541 health Effects 0.000 claims abstract description 123
- 230000003595 spectral effect Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims description 41
- 230000010354 integration Effects 0.000 claims description 17
- 230000003862 health status Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种机械设备智能故障诊断方法、系统及存储介质,属于智能机械设备技术领域,通过采集待检测的机械设备的振动数据;根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。本发明具有精度优越、抗噪鲁棒性、超参数选择稳健性以及计算效率较高等特点。
Description
技术领域
本发明属于智能机械设备领域,具体涉及一种机械设备智能故障诊断方法、系统及存储介质。
背景技术
机械装备的状态监测与故障诊断技术,在航空发动机、重型燃气轮机、风力发电机组、直升机等重大高端机械装备的减少重大安全事故、大大节约装备的运行维护成本等方面具有重要意义。
机械装备的前沿智能故障诊断方法主要包括基于深度学习模型的机械装备智能故障诊断方法和基于判别式稀疏表示的机械装备智能故障诊断方法。其中,基于深度学习模型的机械装备智能故障诊断方法,通过神经网络的堆叠与深层网络架构设计实现智能故障诊断,虽然通过其强大的抽象特征提取和学习功能,实现了复杂机械装备的健康状态的深度智能识别;但是其具有深层网络架构设计复杂和学习参数调优工作繁琐的弊端。对于基于判别式稀疏表示的机械装备智能故障诊断方法,通过信号的稀疏表示构建智能分类识别策略,不仅可以实现机械装备不同健康状态的智能诊断,还克服了模型结构设计复杂以及程序繁琐的弊端。
而基于判别式稀疏表示的机械装备智能故障诊断方法的代表性方法有基于字典学习的稀疏表示分类方法(Zhao等人,2019),该方法通过字典学习算法学习振动数据信号的稀疏表示并基于时域信号的稀疏近似误差最小准则,实现行星轴承不同健康状态下振动数据信号的识别与分类;基于增强稀疏表示的智能诊断方法(Kong等人,2021),该方法通过融合旋转机械振动数据信号的先验知识以增强稀疏表示的信号重构与判别功能,进一步利用振动时域信号的稀疏近似误差最小准则,实现了行星轴承不同健康状态的智能识别与分类。
但是,现有的基于判别式稀疏表示的机械装备智能故障诊断方法仍然存在以下弊端:
1)算法超参数的选择对于智能故障诊断性能影响较大;
2)计算效率较低且抗噪鲁棒性不足。
因此,亟需一种超鲁棒性的、高效的机械设备智能故障诊断方法。
发明内容
本发明提供一种机械设备智能故障诊断方法、系统、电子设备以及存储介质,用以克服现有技术中存在的至少一个技术问题。
为实现上述目的,本发明提供一种机械设备智能故障诊断方法,方法包括:
采集待检测的机械设备的振动数据;
根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;
根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;
通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
进一步,优选的,通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态的步骤,通过以下公式实现:
其中,label(zn)为待检测样本zn的健康状态类标;RE(Zn,Dwhole,αn (l))为谱稀疏重构误差;Zn为待检测样本的频谱特征;Dwhole为谱集成完整字典;αn (l)为健康状态l的次稀疏编码;其中,l=1,2,...,L;L为健康状态的种类。
进一步,优选的,谱集成完整字典的获取方法包括,
获取机械设备在不同运行健康状态下的振动数据;
利用移动滑窗,将不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本;
对训练信号样本进行傅里叶变换,获取训练信号样本的频谱特征;
根据训练信号样本的频谱特征,获取各个运行健康状态的谱集成子字典;
根据各个运行健康状态的谱集成子字典,确定多健康状态谱特征融合的谱集成完整字典。
进一步,优选的,利用移动滑窗,将不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本,通过以下公式实现:
yn (l)=Γn(y(l))=y(l)(in,start:in,end),
进一步,优选的,根据训练信号样本的频谱特征,获取各个运行健康状态的谱集成子字典,通过以下公式实现:
D(l)=normalize{[Y1 (l),…,Yn (l),…,YN (l)]},
其中,D(l)为谱集成子字典;{Yn (l)}(l=1,2,...,L;n=1,2,…,N)为训练信号样本的频谱特征;normalize{·}表示矩阵的逐列L2范数归一化操作。
进一步,优选的,根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征,通过以下公式实现:
Zn=Nyq{ABS{FFT{zn}}},
其中,zn为健康状态未知的第n个待检测样本;FFT为傅里叶变换算子,ABS为复数取模算子,Nyq表示仅提取奈奎斯特频率范围以内的频谱幅值特征。
进一步,优选的,在根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码的步骤中,优化稀疏编码的优化目标函数为:
其中,Dwhole为谱集成完整字典;T为稀疏阈值;Zn为健康状态未知的所述第n个待检测样本的频谱特征。
为了解决上述问题,本发明还提供一种机械设备智能故障诊断系统,包括:
采集单元,用于采集待检测的机械设备的振动数据;
数据处理单元,用于根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;
机械设备健康状态判定单元,用于通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
为了解决上述问题,本发明还提供一种电子设备,电子设备包括:
存储器,存储至少一个指令;及
处理器,执行存储器中存储的指令以实现上述所述的机械设备智能故障诊断方法中的步骤。
为了解决上述问题,本发明还提供一种计算机可读存储介质,计算机可读存储介质中存储有至少一个指令,至少一个指令被电子设备中的处理器执行以实现上述所述的机械设备智能故障诊断方法。
本发明的一种机械设备智能故障诊断方法、系统、电子设备以及存储介质,避免了深度学习模型中特征工程设计与选择的繁琐环节,不依赖于任何显式分类器;是具有精度优越、抗噪鲁棒性、超参数选择稳健性以及计算效率较高等特点的机械设备的智能故障诊断方法,达到了为机械设备故障预测、健康管理与智能运维提供了较好的技术支撑的技术效果。
附图说明
图1为根据本发明实施例的机械设备智能故障诊断方法的流程示意图;
图2为根据本发明实施例的机械设备智能故障诊断方法的原理示意图;
图3为根据本发明实施例的机械设备智能故障诊断方法的行星齿轮箱健康状态识别结果图;
图4为根据本发明实施例的机械设备智能故障诊断方法的行星齿轮箱健康状态诊断精度的对比图;
图5为根据本发明实施例的机械设备智能故障诊断方法的抗噪鲁棒性的效果对比图;
图6为根据本发明实施例的机械设备智能故障诊断方法的超参数选择的灵敏度效果对比图;
图7为根据本发明实施例的机械设备智能故障诊断方法的计算效率的效果对比图;
图8为根据本发明实施例的机械设备智能故障诊断系统的逻辑结构框图;
图9为根据本发明实施例的实现机械设备智能故障诊断方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。本发明中的人工智能软件技术为谱集成稀疏识别技术。
名词解释:
稀疏表示,为意欲用尽可能少的非0系数表示信号的主要信息,从而简化信号处理问题的求解过程。
完备字典,如果字典中的原子恰能够张成n维的欧式空间,则字典是完备的;其中,原子即为字典的列向量。而如果字典的原子数目m远远大于n,同时还能张成n维的欧式空间,则字典为过完备的。在具体的实施过程中,字典都是过完备的,因为在过完备的字典场景下分解系数系数不唯一,为自适应处理提供可能,进而可以根据自己的实际需求选择最为合适的最稀疏的系数。
稀疏分解,在过完备字典下的最优稀疏表示或稀疏逼近的过程即为信号的稀疏分解。
具体的,作为示例,图1为本发明一实施例提供的机械设备智能故障诊断方法的流程示意图。参照图1所示,本发明提供一种机械设备智能故障诊断方法,该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。机械设备智能故障诊断方法包括:步骤S110~S140。
具体地说,S110、采集待检测的机械设备的振动数据;S120、根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;S130、根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;S140、通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
图2为根据本发明实施例的机械设备智能故障诊断方法的原理示意图;如图2所示,针对现有技术在旋转机械结构复杂的场景中,存在算法超参数的选择对于智能故障诊断性能影响较大;且计算效率较低以及抗噪鲁棒性不足等问题。本发明的机械设备智能故障诊断方法包括4个部分,1、数据采集;2、训练样本与测试样本的构造以及各自频谱特征的获取;3、考虑谱特征融合的谱集成字典的设计;4、稀疏编码与谱稀疏重构误差计算;5、健康状态的智能识别。
具体地说,在数据采集过程中,通过获取机械装备在不同运行健康状态下的训练数据与健康状态未知的测试数据;在具体的执行过程中,通过将加速传感器安装于旋转机械设备的箱体外壳处,利用加速传感器采集机械设备在不同的运行健康状态下的数据形成数据集;并将数据集分为训练数据集和测试数据集。
在训练样本与测试样本的构造以及各自频谱特征的获取过程中,将训练数据集采用移动滑窗技术构造为不同运行健康状态下的训练信号样本{yn (l)},进而采用傅里叶变换算子获取训练信号样本的频谱特征Yn (l);L为健康状态的种类。将测试数据集采用移动滑窗技术构造为测试信号样本{zn},进而采用傅里叶变换算子获取测试信号样本的频谱特征Zn。
在考虑谱特征融合的谱集成字典的设计过程中,依据训练信号频谱特征构造运行健康状态特定的谱集成子字典,进而构造考虑多健康状态谱特征融合的谱集成完整字典。不断依据训练信号频谱特征构造运行健康状态特定的谱集成子字典直至谱集成子字典D(l)的健康状态索引l=L。具体地说,设置健康状态索引l=1;构造运行健康状态特定的谱集成子字典D(l);利用健康状态索引l与L是否相等,判定是否继续进行健康状态特定的谱集成子字典的构造;若谱集成子字典D(l)的健康状态索引l=L,则停止构造谱集成子字典D(l),并输出L个谱集成子字典{D(l)};若谱集成子字典D(l)的健康状态索引l<L,则更新l=l+1并返回步骤构造运行健康状态特定的谱集成子字典D(l);利用L个谱集成子字典{D(l)},考虑多健康状态的谱特征融合,构造谱特征融合的谱集成完整字典Dwhole。
在稀疏编码与谱稀疏重构误差计算过程中,通过获取测试信号频谱特征关于谱集成完整字典Dwhole的稀疏编码并分解优化稀疏编码为一系列次稀疏编码{αn (l)};设置健康状态索引l=1;计算测试信号样本频谱特征Zn关于谱集成完整字典Dwhole与所有次稀疏编码αn (l)(l=1,2,...,L)的谱稀疏重构误差RE(Zn,Dwhole,αn (l));不断计算测试信号的谱稀疏重构误差直至测试信号的谱稀疏重构误差的健康状态索引l=L;也就是说,利用健康状态索引l与L是否相等,判定是否继续计算测试信号的谱稀疏重构误差;若谱稀疏重构误差的健康状态索引l=L,则停止计算,输出测试信号的L个谱稀疏重构误差;若谱稀疏重构误差的健康状态索引l<L,则更新l=l+1并返回步骤计算测试信号的谱稀疏重构误差。
最后,在健康状态的智能识别过程中,根据基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,获取测试信号样本的健康状态类标,进而通过测试信号样本的健康状态类标辨识机械装备测试信号的健康状态。
在具体的实施过程中,机械设备智能故障诊断方法包括:步骤S110~S140。
S110、采集待检测的机械设备的振动数据。
S120、根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征。
根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征,通过以下公式实现:
Zn=Nyq{ABS{FFT{zn}}},
其中,zn为待检测的机械设备的健康状态未知的第n个测试信号样本;FFT为傅里叶变换算子,ABS为复数取模算子,Nyq表示仅提取奈奎斯特频率范围以内的频谱幅值特征。
S130、根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差。
谱集成完整字典的获取方法包括,
S1311、获取机械设备在不同运行健康状态下的振动数据;
S1312、利用移动滑窗,将不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本;对训练信号样本进行傅里叶变换,获取训练信号样本的频谱特征。
S13121、选取合适的窗长参数W与重叠率参数δ,设计振动数据信号y∈R1×m的移动滑窗算子Γn:R1×m→RW×1,实现振动数据信号y∈R1×m的第n个特定数据段的提取,
Γn(y)=y(in,start:in,end),
其中,索引in,start与in,end的确定方式如下:
S13122、将L种不同的健康状态下的训练数据集{y(l)}(l=1,2,...,L),利用移动滑窗算子构造为不同运行健康状态下的训练信号样本{yn (l)}(l=1,2,...,L;n=1,2,…,N),通过以下公式实现:
yn (l)=Γn(y(l))=y(l)(in,start:in,end),
其中,l=1,2,...,L;n=1,2,…,N;yn (l)为健康状态l的第n个训练信号样本。
S13123、采用傅里叶变换算子获取训练信号样本的频谱特征,通过以下公式实现:
Yn (l)=Nyq{ABS{FFT{yn (l)}}},
其中,l=1,2,...,L;n=1,2,…,N;FFT为傅里叶变换算子,ABS为复数取模算子,Nyq表示仅提取奈奎斯特频率范围以内的频谱幅值特征。
S1313、根据训练信号样本的频谱特征,获取各个运行健康状态的谱集成子字典。
其中,根据训练信号样本的频谱特征{Yn (l)}(l=1,2,...,L;n=1,2,…,N),获取各个运行健康状态的谱集成子字典D(l),通过以下公式实现:
D(l)=normalize{[Y1 (l),…,Yn (l),…,YN (l)]},
其中,D(l)为谱集成子字典;{Yn (l)}(l=1,2,...,L;n=1,2,…,N)为训练信号样本的频谱特征;normalize{·}表示矩阵的逐列L2范数归一化操作。
S1314、根据各个运行健康状态的谱集成子字典,确定多健康状态谱特征融合的谱集成完整字典。
根据各个运行健康状态的谱集成子字典D(l),确定多健康状态谱特征融合的谱集成完整字典Dwhole,通过以下公式实现:
Dwhole=[D(1),…,D(l),…,D(L)].
S140、通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态的步骤,通过以下公式实现:
其中,label(zn)为第n个待检测样本zn的健康状态类标;RE(Zn,Dwhole,αn (l))为谱稀疏重构误差;Zn为第n个待检测样本的频谱特征;Dwhole为谱集成完整字典;αn (l)为健康状态l的次稀疏编码;其中,l=1,2,...,L;L为健康状态的种类。
以型号为NGW11-10的行星齿轮箱为例,通过安装振动加速度传感器于行星齿轮箱的箱体外壳,利用振动数据采集系统分别获取行星齿轮箱L种(L=8)不同健康状态(包含正常NS、输入轴轴承外圈故障ORF、输入轴轴承内圈故障IRF、输入轴轴承滚动体故障REF、齿圈故障RGF、太阳轮故障SGF、行星轮故障PGF、行星轴承内圈故障PBF)下的训练振动数据集与健康状态未知的测试振动数据集。行星齿轮箱输入轴转速为1500转/分钟,训练与测试振动数据信号的采样频率与采样时间分别为25600Hz与30秒。
在具体的实施过程中,机械设备智能故障诊断方法包括:步骤S110~S140。
S110、采集待检测的机械设备的振动数据。
S120、根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征。
步骤S120为根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征的过程,包括:
S121:选取合适的窗长参数W与重叠率参数δ,设计振动数据信号y∈R1×m的移动滑窗算子Γn:R1×m→RW×1,实现振动数据信号y∈R1×m的第n个特定数据段的提取,
Γn(y)=y(in,start:in,end),
其中,索引in,start与in,end的确定方式如下:
在具体的实施过程中,窗长参数W与重叠率参数δ分别为900与0.98;每一健康状态对应的训练与测试信号样本数目N均为4218。
S122:对行星齿轮箱健康状态未知的测试振动数据z,通过以下公式采用移动滑窗算子分别构造测试信号样本{zn}:
对于n=1,2,…,N,zn=Γn(z)=z(in,start:in,end),
其中,zn为健康状态未知的第n个待检测样本。
S123:采用傅里叶变换算子获取待检测样本的频谱特征,通过以下公式实现:
对于n=1,2,…,N,Zn=Nyq{ABS{FFT{zn}}},
其中,FFT为傅里叶变换算子,ABS为复数取模算子,Nyq表示仅提取奈奎斯特频率范围以内的频谱幅值特征。
S130、根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差。
其中,T为稀疏阈值。在本实施例中,稀疏阈值T为10。
其中,对应于健康状态l的次稀疏编码αn (l),可表示为:
S1303、计算待检测样本频谱特征Zn关于谱集成完整字典Dwhole与所有次稀疏编码αn (l)(l=1,2,...,L)的谱稀疏重构误差RE(Zn,Dwhole,αn (l)),通过以下公式实现:
S140、通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。也就是说,根据基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,获取测试信号样本的健康状态类标,进而通过测试信号样本的健康状态类标辨识机械装备测试信号的健康状态。
根据基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,辨识行星齿轮箱测试信号样本的健康状态,通过以下公式实现:
其中,label(zn)为待检测样本zn的健康状态类标。
图3为根据本发明实施例的机械设备智能故障诊断方法的行星齿轮箱健康状态识别结果图;如图3所示,本发明实施例的机械设备智能故障诊断方法,能够全部完美地识别8种不同行星齿轮箱健康状态共计33744个测试样本的真实健康状态,即对于8种不同行星齿轮箱健康状态的诊断精度都可达到100%,充分体现了所提供发明在实现行星齿轮箱故障诊断时的优越诊断性能。
图4~图6对本发明实施例的机械设备智能故障诊断方法(S-ESRC)的诊断效果与现有技术中的机械设备智能故障诊断方法的诊断效果进行了对比性地整体描述;其中,现有技术中分别采用增强稀疏表示智能识别方法ESRIR、基于字典学习的稀疏表示分类方法DLSRC、深度神经网络方法DCNN。具体地说,图4为根据本发明实施例的机械设备智能故障诊断方法的行星齿轮箱健康状态诊断精度的对比图;图5为根据本发明实施例的机械设备智能故障诊断方法的抗噪鲁棒性的效果对比图;图6为根据本发明实施例的机械设备智能故障诊断方法的超参数选择的灵敏度效果对比图。
如图4所示,本发明实施例的机械设备智能故障诊断方法的行星齿轮箱健康状态诊断精度与现有技术中ESRIR、DLSRC以及DCNN三种方法的行星齿轮箱健康状态诊断精度进行了对比,通过对比可见,本发明的机械设备智能故障诊断方法(S-ESRC)对于每一种行星齿轮箱健康状态的识别均能取得最高的诊断精度,且整体平均诊断精度最高,体现了所提供发明在实现行星齿轮箱故障诊断时的优越诊断性能。
如图5所示,通过在训练数据集与测试信号数据集中同时添加随机高斯白噪声,本发明实施例的机械设备智能故障诊断方法的抗噪鲁棒性的与现有技术中ESRIR、DLSRC以及DCNN三种方法的抗噪鲁棒性进行了对比,通过对比可见,在信噪比SNR分别为-5dB、0dB、5dB、10dB、15dB与20dB的情况下,本发明实施例的机械设备智能故障诊断方法,即谱集成稀疏识别模型驱动的超鲁棒智能故障诊断方法(S-ESRC)与3种前沿对比方法(ESRIR、DLSRC以及DCNN)相比,均能取得最高的整体平均诊断精度,体现了所提供发明在实现行星齿轮箱故障诊断时的强抗噪鲁棒性。
如图6所示,本发明实施例的机械设备智能故障诊断方法的算法超参数的选择灵敏度与现有技术中ESRIR以及DLSRC两种方法的算法超参数的选择灵敏度进行了对比。如图6(a)-(c)所示的实施例,本发明提供的机械设备智能故障诊断方法(S-ESRC)与2种现有技术中的对比方法(ESRIR与DLSRC)对算法超参数(窗长W与重叠率δ)选择的灵敏度分析对比结果显示,本发明实施例的机械设备智能故障诊断方法(S-ESRC)的优越诊断性能,对于算法超参数参数窗长W与重叠率δ的选择最不敏感,在很宽泛的超参数(W,δ)选择范围内均可获得优越的诊断性能,即体现了所提供发明在实现行星齿轮箱故障诊断时具有算法超参数选择不敏感的特性。如图6(d)所示的实施例,本发明实施例的机械设备智能故障诊断方法与2种前沿对比方法(ESRIR与DLSRC)对算法超参数(稀疏阈值T)选择的灵敏度分析对比结果显示,本发明实施例的机械设备智能故障诊断方法(S-ESRC)的优越诊断性能,对于算法超参数稀疏阈值T的选择最不敏感,在很宽泛的稀疏阈值T选择范围内均可获得优越的诊断性能,即同样体现了所提供发明在实现行星齿轮箱故障诊断时具有算法超参数选择不敏感的特性。
如图7所示,本发明实施例的机械设备智能故障诊断方法与现有技术中ESRIR、DLSRC以及DCNN三种方法进行计算效率的对比发现,本发明实施例的机械设备智能故障诊断方法(S-ESRC)具有很低的训练时间成本,而且对于实施例中33744个训练信号样本与33744个测试信号样本的累计计算时间成本最短,仅仅为166.14秒,体现了本发明实施例的机械设备智能故障诊断方法在实现行星齿轮箱故障诊断时计算效率较高。
综上,采用本发明的机械设备智能故障诊断方法,为一种谱集成稀疏识别模型驱动的超鲁棒智能故障诊断方法。首先,可以不依赖复杂的深层网络架构设计与繁琐的学习参数调优,实现机械装备健康状态的智能识别。其次,通过采用了考虑多健康状态的谱特征融合策略,充分挖掘机械装备在不同健康状态下谱特征的差异性与可判别性,并构建了基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,能够兼具优越的诊断性能、算法超参数选择不敏感与良好的抗噪鲁棒性。第三,通过采用了机械装备在不同健康状态下振动信号的谱特征,进行谱集成子字典设计与考虑多健康状态谱特征融合的的谱集成完整字典构造,模型的建立过程十分简单快捷,具有计算效率高的优势。综上,本发明的机械设备智能故障诊断方法特别适用于恒定运行工况下旋转机械设备健康状态的智能识别,可以为旋转机械设备的故障预测、健康管理与智能运维提供重要技术支撑。
与上述机械设备智能故障诊断方法相对应,本发明还提供一种机械设备智能故障诊断系统。图8示出了根据本发明实施例的机械设备智能故障诊断系统的功能模块。
如图8所示,本发明提供的机械设备智能故障诊断系统800可以安装于电子设备中。根据实现的功能,所述机械设备智能故障诊断系统800可以包括采集单元810、数据处理单元820和机械设备健康状态判定单元830。本发明所述单元也可以称之为模块,指的是一种能够被电子设备的处理器所执行,并且能够完成某一固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
采集单元810,用于采集待检测的机械设备的振动数据;
数据处理单元820,用于根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;
机械设备健康状态判定单元830,用于通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
本发明所提供的上述机械设备智能故障诊断系统的更为具体的实现方式,均可以参照上述对机械设备智能故障诊断方法的实施例表述,在此不再一一列举。
如图9所示,本发明提供一种机械设备智能故障诊断方法的电子设备9。
该电子设备9可以包括处理器90、存储器91和总线,还可以包括存储在存储器91中并可在所述处理器90上运行的计算机程序,如机械设备智能故障诊断程序92。
其中,所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器91在一些实施例中可以是电子设备9的内部存储单元,例如该电子设备9的移动硬盘。所述存储器91在另一些实施例中也可以是电子设备9的外部存储设备,例如电子设备9上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括电子设备9的内部存储单元也包括外部存储设备。所述存储器91不仅可以用于存储安装于电子设备9的应用软件及各类数据,例如机械设备智能故障诊断程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器90在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器90是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器91内的程序或者模块(例如机械设备智能故障诊断程序等),以及调用存储在所述存储器91内的数据,以执行电子设备9的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器91以及至少一个处理器90等之间的连接通信。
图9仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图9示出的结构并不构成对所述电子设备9的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备9还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器90逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备9还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备9还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备9与其他电子设备之间建立通信连接。
可选地,该电子设备9还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备9中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备9中的所述存储器91存储的机械设备智能故障诊断程序92是多个指令的组合,在所述处理器90中运行时,可以实现:S110、采集待检测的机械设备的振动数据;S120、根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;S130、根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;S140、通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
具体地,所述处理器90对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。需要强调的是,为进一步保证上述机械设备智能故障诊断程序的私密和安全性,上述机械设备智能故障诊断程序存储于本服务器集群所处区块链的节点中。
进一步地,所述电子设备9集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还提供一种计算机可读存储介质,所述存储介质可以是非易失性的,也可以是易失性的,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现:S110、采集待检测的机械设备的振动数据;S120、根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;S130、根据待检测样本的频谱特征和预获取的谱集成完整字典,确定待检测样本的频谱特征对于谱集成完整字典的优化稀疏编码;并将优化稀疏编码分解为次稀疏编码;根据次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;S140、通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据谱稀疏重构误差判定待检测的机械设备的健康状态。
具体地,所述计算机程序被处理器执行时具体实现方法可参考实施例机械设备智能故障诊断方法中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等,区块链可以存储医疗数据,如个人健康档案、厨房、检查报告等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种机械设备智能故障诊断方法,其特征在于,包括:
采集待检测的机械设备的振动数据;
根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;
根据所述待检测样本的频谱特征和预获取的谱集成完整字典,确定所述待检测样本的频谱特征对于所述谱集成完整字典的优化稀疏编码;并将所述优化稀疏编码分解为次稀疏编码;根据所述次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;
通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据所述谱稀疏重构误差判定所述待检测的机械设备的健康状态。
3.如权利要求1所述的机械设备智能故障诊断方法,其特征在于,所述谱集成完整字典的获取方法包括,
获取机械设备在不同运行健康状态下的振动数据;
利用移动滑窗,将所述不同运行健康状态下的振动数据构造为不同运行健康状态下的训练信号样本;
对所述训练信号样本进行傅里叶变换,获取训练信号样本的频谱特征;
根据所述训练信号样本的频谱特征,获取各个运行健康状态的谱集成子字典;
根据所述各个运行健康状态的谱集成子字典,确定多健康状态谱特征融合的谱集成完整字典。
5.如权利要求3所述的机械设备智能故障诊断方法,其特征在于,所述根据所述训练信号样本的频谱特征,获取各个运行健康状态的谱集成子字典,通过以下公式实现:
D(l)=normalize{[Y1 (l),…,Yn (l),…,YN (l)]},
其中,D(l)为谱集成子字典;{Yn (l)}(l=1,2,...,L;n=1,2,…,N)为所述训练信号样本的频谱特征;normalize{·}表示矩阵的逐列L2范数归一化操作。
6.如权利要求1所述的机械设备智能故障诊断方法,其特征在于,所述根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征,通过以下公式实现:
Zn=Nyq{ABS{FFT{zn}}},
其中,zn为健康状态未知的第n个待检测样本;FFT为傅里叶变换算子,ABS为复数取模算子,Nyq表示仅提取奈奎斯特频率范围以内的频谱幅值特征。
8.一种机械设备智能故障诊断系统,其特征在于,包括:
采集单元,用于采集待检测的机械设备的振动数据;
数据处理单元,用于根据所采集的待检测的机械设备的振动数据,确定待检测样本以及待检测样本的频谱特征;根据所述待检测样本的频谱特征和预获取的谱集成完整字典,确定所述待检测样本的频谱特征对于所述谱集成完整字典的优化稀疏编码;并将所述优化稀疏编码分解为次稀疏编码;根据所述次稀疏编码和谱集成完整字典,确定谱稀疏重构误差;
机械设备健康状态判定单元,用于通过基于谱稀疏重构误差最小判别准则的健康状态智能识别策略,根据所述谱稀疏重构误差判定所述待检测的机械设备的健康状态。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的机械设备智能故障诊断方法中的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的机械设备智能故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262592.9A CN114722699A (zh) | 2022-03-17 | 2022-03-17 | 机械设备智能故障诊断方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262592.9A CN114722699A (zh) | 2022-03-17 | 2022-03-17 | 机械设备智能故障诊断方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722699A true CN114722699A (zh) | 2022-07-08 |
Family
ID=82237315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262592.9A Pending CN114722699A (zh) | 2022-03-17 | 2022-03-17 | 机械设备智能故障诊断方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722699A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088307A (zh) * | 2022-12-28 | 2023-05-09 | 中南大学 | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137393A1 (en) * | 2015-06-04 | 2018-05-17 | Siemens Healthcare Gmbh | Medical pattern classification using non-linear and nonnegative sparse representations |
CN110765965A (zh) * | 2019-10-30 | 2020-02-07 | 兰州理工大学 | 机械振动信号稀疏表示的快速字典学习算法 |
CN112613547A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于Fisher判别字典学习模型的齿轮运行分类方法 |
-
2022
- 2022-03-17 CN CN202210262592.9A patent/CN114722699A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137393A1 (en) * | 2015-06-04 | 2018-05-17 | Siemens Healthcare Gmbh | Medical pattern classification using non-linear and nonnegative sparse representations |
CN110765965A (zh) * | 2019-10-30 | 2020-02-07 | 兰州理工大学 | 机械振动信号稀疏表示的快速字典学习算法 |
CN112613547A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于Fisher判别字典学习模型的齿轮运行分类方法 |
Non-Patent Citations (1)
Title |
---|
YUN KONG 等: ""Discriminative Dictionary Learning-Based Sparse Classification Framework for Data-Driven Machinery Fault Diagnosis", IEEE SENSORS JOURNAL, vol. 6, no. 21, 8 January 2021 (2021-01-08), pages 8117 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088307A (zh) * | 2022-12-28 | 2023-05-09 | 中南大学 | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 |
CN116088307B (zh) * | 2022-12-28 | 2024-01-30 | 中南大学 | 基于误差触发自适应稀疏辨识的多工况工业过程预测控制方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qian et al. | A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagnosis | |
Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Kong et al. | An enhanced sparse representation-based intelligent recognition method for planet bearing fault diagnosis in wind turbines | |
Lu et al. | Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition | |
Li et al. | Bearing fault diagnosis method based on attention mechanism and multilayer fusion network | |
Zhang et al. | An FSK-MBCNN based method for compound fault diagnosis in wind turbine gearboxes | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
Li et al. | Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data | |
CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
Zhao et al. | Data augmentation via randomized wavelet expansion and its application in few-shot fault diagnosis of aviation hydraulic pumps | |
Lu et al. | Unbalanced bearing fault diagnosis under various speeds based on spectrum alignment and deep transfer convolution neural network | |
Saravanakumar et al. | Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks | |
CN114722520A (zh) | 基于增强字典学习的行星轴承智能故障诊断方法 | |
Saberi et al. | LightGBM-based fault diagnosis of rotating machinery under changing working conditions using modified recursive feature elimination | |
Wang et al. | Intelligent fault diagnosis method for gear transmission systems based on improved multi-scale reverse dispersion entropy and swarm decomposition | |
CN114722699A (zh) | 机械设备智能故障诊断方法、系统及存储介质 | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
CN115371988A (zh) | 基于多特征融合的工程机械故障诊断方法及系统 | |
Cannarile et al. | Elastic net multinomial logistic regression for fault diagnostics of on-board aeronautical systems | |
Kannan et al. | Nominal features-based class specific learning model for fault diagnosis in industrial applications | |
Tan et al. | Sensible multiscale symbol dynamic entropy for fault diagnosis of bearing | |
CN117235476A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
Wu et al. | An interpretable multiplication-convolution sparse network for equipment intelligent diagnosis in antialiasing and regularization constraint |
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 |