CN114742094A - 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 - Google Patents
一种基于深度形态卷积网络的振动信号缺陷特征提取方法 Download PDFInfo
- Publication number
- CN114742094A CN114742094A CN202210263247.7A CN202210263247A CN114742094A CN 114742094 A CN114742094 A CN 114742094A CN 202210263247 A CN202210263247 A CN 202210263247A CN 114742094 A CN114742094 A CN 114742094A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- defect
- deep
- feature extraction
- convolution network
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于深度形态卷积网络的振动信号缺陷特征提取方法,该方法基于深度形态卷积网络构建,并进行训练得到具有形态滤波残差卷积块和自校准残差学习模块的缺陷特征提取模型,通过该缺陷特征提取模型对待测振动信号数据进行缺陷特征提取来获取待测旋转机械设备的缺陷信息,从而实现利用振动信号数据对旋转机械设备进行故障诊断。该振动信号缺陷特征提取方法能够对包含大量背景噪声的振动信号进行缺陷特征提取,有效进行机械故障诊断,并且可以做到对旋转机械设备的实时监测,具有较高的故障诊断正确率。
Description
技术领域
本发明属于机械故障诊断领域,具体涉及一种基于深度形态卷积网络的振动信号缺陷特征提取方法。
背景技术
旋转机械广泛应用于各种工业领域,如制造业、运输业、航空航天业等。由于极端的工作条件,旋转机械经常发生各种故障,造成机械缺陷、经济损失甚至人员伤亡。因此,迫切需要对机械设备进行故障诊断,以确保机械传动系统的安全。如果旋转机器的部件出现局部缺陷,将产生持续时间较短的脉冲,振动信号将呈现振幅调制的故障特征。从旋转机械采集的振动信号由许多振动成分组成,例如轴承的旋转和齿轮的啮合。因此,振动信号通常是非平稳和非线性的。此外,当故障发生在早期阶段时,故障相关特征将很弱,信号影响中包含的故障判别特征不可避免地被强背景噪声覆盖。因此,从振动信号中提取故障相关分量是一个困难的问题。
振动信号分析是机械故障诊断的有效工具,它可以提供与故障相关的振动成分,抑制冗余成分(即背景噪声)。目前有多种信号处理方法,包括时域分析、频域分析和时频分析。需要注意的是,时域和频域分析只能处理平稳和线性信号,而同时考虑时间和频率的时频分析可以处理非线性和非平稳信号。然而,这些时频方法(例如短时傅里叶变换、小波变换、经验模式分解)仍然存在一些缺陷,例如模态混合和端点效应。形态滤波不同于上述时频分析方法,它是一种非线性分析方法,可以从振动信号中提取脉冲特征。然而,目前还没有将形态学滤波器嵌入机器学习模型中,用于振动信号的直接特征学习。
由于形态滤波器最初用于图像处理,因此没有用于振动信号特征学习的形态网络。形态滤波器可以有效地从振动信号中提取脉冲,而振动信号是与机器故障相关的重要信号成分。因此,需要构造一个深度形态卷积网络模型,该模型能够提取脉冲分量并基于形态滤波器抑制噪声。
发明内容
为解决上述问题,提供一种基于深度形态卷积网络(Deep MorphologicalConvolutional Neural Network,DMCNN)的振动信号缺陷特征提取方法,本发明采用了如下技术方案:
本发明提供了一种基于深度形态卷积网络的振动信号缺陷特征提取方法,用于对旋转机械设备进行故障诊断,其特征在于,包括以下步骤:步骤S1,使用振动信号传感器收集旋转机械设备的振动信号数据;步骤S2,对振动信号数据进行预处理,并基于预处理后的振动信号数据构建训练集以及测试集;步骤S3,构建可滤除噪声的深度形态卷积网络,该深度形态卷积网络包括形态滤波残差卷积块、一个自校准残差学习模块以及全连接层以及Softmax分类器;步骤S4,将训练集输入至深度形态卷积网络中进行训练,并利用测试集对训练完成的深度形态卷积网络进行测试;步骤S5,将训练好的深度形态卷积网络作为缺陷特征提取模型;步骤S6,采集待测旋转机械设备的待测振动信号数据,基于缺陷特征提取模型对待测振动信号数据进行缺陷特征提取与缺陷类型识别,从而获得待测旋转机械设备的缺陷类型。
本发明提供的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,还可以具有这样的技术特征,其中,预处理为对振动信号数据进行数据分段和归一化处理。
本发明提供的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,还可以具有这样的技术特征,其中,形态滤波残差卷积块包含一个开闭并行分支以及一个基于信号特征融合模块。
本发明提供的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,还可以具有这样的技术特征,其中,开闭并行分支用于对振动信号数据进行特征提取并滤除噪声,从而获取特征映射,信号特征融合模块对特征映射利用基于峭度加权的融合方法进行融合以获取对应的形态特征映射,自校准残差学习模块根据形态特征映射进行权重的重新校准。
本发明提供的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,还可以具有这样的技术特征,其中,在步骤S6中的训练中,采用随机梯度下降法对深度形态卷积网络的权重参数进行更新。
本发明提供的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,还可以具有这样的技术特征,其中,振动信号传感器的灵敏度为100mV/g,分辨率为0.001g,振动信号传感器的信号采集卡为一个4通道C系列动态信号采集模块。
发明作用与效果
根据本发明的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,基于深度形态卷积网络构建了具有形态滤波残差卷积块和自校准残差学习模块的缺陷特征提取模型,通过该缺陷特征提取模型对待测振动信号数据进行缺陷特征提取从而获取旋转机械设备的缺陷信息。由于采用了形态滤波残差卷积块,充分利用了传统形态滤波方法的优势,能够有效提取冲击特征、滤除噪声。同时,还由于基于自校准残差学习模块能够对形态特征进行进一步的特征学习,因此,也为改进CNN的特征学习和参数优化提供了一条很好的途径。
本发明的振动信号缺陷特征提取方法能够对包含大量背景噪声的振动信号进行缺陷特征提取,有效进行机械故障诊断,并且可以做到对旋转机械设备的实时监测,具有较高的故障诊断正确率。
附图说明
图1是本发明实施例中基于深度形态卷积网络的振动信号缺陷特征提取方法的流程图;
图2是本发明实施例中的缺陷特征提取模型的结构示意图;
图3是本发明实施例中形态滤波网络层的基于峭度加权的信号融合示意图;
图4是本发明实施例中自校准残差学习模块的结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的一种基于深度形态卷积网络的振动信号缺陷特征提取方法作具体阐述。
<实施例>
图1是本发明实施例中基于深度形态卷积网络的振动信号缺陷特征提取方法的流程图。
如图1所示,基于深度形态卷积网络的振动信号缺陷特征提取方法包括以下步骤:
步骤S1,使用振动信号传感器收集旋转机械设备的振动信号数据。
本实施例中,振动信号传感器的类型为YD84D-V,传感器的灵敏度和分辨率分别为100mV/g和0.001g。信号采集卡的型号为NI9234 cDAQ,是一个4通道C系列动态信号采集模块。
步骤S2,对振动信号数据进行预处理,并基于预处理后的振动信号数据构建训练集以及测试集。
本实施例中,对收集的振动信号数据进行数据分段和归一化处理,以消除异常值,并按照2048为单个样本长度划分数据集。
步骤S3,构建可滤除噪声的深度形态卷积网络。
步骤S4,将训练集输入至深度形态卷积网络中进行训练,并利用测试集对训练完成的深度形态卷积网络进行测试。
本实施例中,采用随机梯度下降法对深度形态卷积网络的权重参数进行更新。
步骤S5,将训练好的深度形态卷积网络作为缺陷特征提取模型。
图2是本发明实施例中的缺陷特征提取模型的结构示意图,图3是本发明实施例中的形态滤波残差卷积块的结构示意图。
如图2所示,该缺陷特征提取模型络包括形态滤波残差卷积块、自校准残差学习模块、全连接层、池化层以及Softmax分类器。
其中,形态滤波残差卷积块包括一个并行的开操作和闭操作分支和一个基于峭度加权的信号特征融合模块(如图3所示)。
图3是本发明实施例中形态滤波网络层的基于峭度加权的信号融合示意图。
本实施例中,如图3所示,首先由形态滤波块的网络层包含形态滤波操作腐蚀、膨胀、开操作和闭操作,然后通过信号特征融合模块利用基于峭度加权的融合方法进行融合以获取对应的形态特征映射。具体地:
首先,利用形态滤波残差卷积块的网络层的开闭并行分支对振动信号数据进行开、闭操作的特征提取,并滤除噪声,从而获取特征映射,计算公式如下:
式中,xi为输入的第i通道的振动信号数据,yj为第j通道的特征映射,sd和se分别是膨胀和腐蚀的结构元素。
然后,将上述开操作和闭操作得到的特征映射利用基于峭度的加权融合方法进行融合,峭度的计算方式如下:
基于峭度加权的特征融合方法计算过程为:
式中,k表示每个通道的峭度值,i=1,2,…,I和j=1,2,…,J分别表示开操作和闭操作分支中的通道数,con是这些通道的通道连接,fopen和fclose分别是开操作和闭操作分支的特征映射。
图4是本发明实施例中自校准残差学习模块的结构示意图。
最后,将得到的形态特征映射进一步输入到自校准残差模块中,如图4所示,由自校准残差学习模块根据形态特征映射进行权重的重新校准。该自校准残差学习模块的计算方式如下:
y=F(fmorph,{W})+w·fmorph
式中,fmorph是形态滤波网络层的输出,F()表示残差学习映射,w表示特征选择的重新校准权重,计算方式如下:
wc=σ(W2σ(z,W1))
式中,GAP表示全局平均池化操作,uc表示第c通道中的特征映射,L表示该特征的空间维度,W1和W2分别表示降维层和增维层的权重矩阵,wc是第c通道的融合权重。
步骤S6,采集待测旋转机械设备的待测振动信号数据,基于缺陷特征提取模型对待测振动信号数据进行缺陷特征提取与缺陷类型识别,从而获得待测旋转机械设备的缺陷类型。
本实施例中,采用基于深度形态卷积网络的振动信号缺陷特征提取方法与其他方法进行实验对比,各个方法得到的故障诊断结果对比如下表1所示:
1 | 2 | 3 | 4 | 5 | AVG | |
DMCNN | 99.14 | 98.78 | 98.82 | 97.79 | 98.51 | 98.61 |
DenseNet | 97.41 | 98.32 | 96.95 | 97.50 | 98.24 | 97.69 |
ResNet | 96.16 | 97.50 | 97.12 | 96.42 | 96.54 | 96.75 |
1-D CNN | 97.01 | 97.73 | 98.01 | 97.01 | 97.55 | 97.46 |
表1
DenseNet表示密集连接网络(Densely connected convolutional network,DenseNet),ResNet表示残差网络(Residual network,ResNet),1-D CNN表示1维卷积神经网络(one-dimensional convolutional network,1-D CNN),DMCNN为深度形态卷积网络(即本实施例中的缺陷特征提取模型)。
由表1的结果可以得到,各个模型方法得到的审计意见的结果中,本实施例的采用DMCNN的缺陷特征提取模型的平均准确率为98.61%,在四种模型中为最高值,表示本实施例的缺陷特征提取方法具有很高的准确率,且相较于现有技术中的方法得到结果有着较大的提升,具有较高的应用价值。
实施例作用与效果
根据本实施例提供的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,该方法基于深度形态卷积网络构建了具有形态滤波残差卷积块和自校准残差学习模块的缺陷特征提取模型,通过该缺陷特征提取模型对待测振动信号数据进行缺陷特征提取从而获取旋转机械设备的缺陷信息。本实施例的缺陷特征提取方法能够对包含大量背景噪声的振动信号进行缺陷特征提取,有效进行机械故障诊断,并且可以做到对旋转机械设备的实时监测,具有较高的故障诊断正确率。
实施例中,由于深度形态卷积网络使用了形态滤波残差卷积块,充分利用传统形态滤波方法的优势,有效提取冲击特征,滤除噪声,因此实现了较高的故障诊断正确率。
另外,在实施例中,由于使用了基于峭度加权的特征融合方法,有效增强了富有冲击特征的通道,为特征加权融合提供了新思路。同时,还由于基于自校准残差学习模块能够对形态特征进行进一步的特征学习,因此,也为改进CNN的特征学习和参数优化提供了一条很好的途径。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
Claims (6)
1.一种基于深度形态卷积网络的振动信号缺陷特征提取方法,用于对旋转机械设备进行故障诊断,其特征在于,包括以下步骤:
步骤S1,使用振动信号传感器收集旋转机械设备的振动信号数据;
步骤S2,对所述振动信号数据进行预处理,并基于预处理后的振动信号数据构建训练集以及测试集;
步骤S3,构建可滤除噪声的深度形态卷积网络,该深度形态卷积网络包括形态滤波残差卷积块、自校准残差学习模块、全连接层以及Softmax分类器;
步骤S4,将所述训练集输入至所述深度形态卷积网络中进行训练,并利用所述测试集对训练完成的所述深度形态卷积网络进行测试;
步骤S5,将训练好的所述深度形态卷积网络作为缺陷特征提取模型;
步骤S6,采集待测旋转机械设备的待测振动信号数据,基于所述缺陷特征提取模型对所述待测振动信号数据进行缺陷特征提取与缺陷类型识别,从而获得所述待测旋转机械设备的缺陷类型。
2.根据权利要求1所述的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,其特征在于:
其中,所述预处理为对所述振动信号数据进行数据分段和归一化处理。
3.根据权利要求1所述的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,其特征在于:
其中,所述形态滤波残差卷积块包含一个开闭并行分支以及一个基于信号特征融合模块。
4.根据权利要求3所述的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,其特征在于:
其中,所述开闭并行分支用于对所述振动信号数据进行特征提取并滤除噪声,从而获取特征映射,
所述信号特征融合模块对所述特征映射利用基于峭度加权的融合方法进行融合以获取对应的形态特征映射,
所述自校准残差学习模块根据所述形态特征映射进行权重的重新校准。
5.根据权利要求1所述的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,其特征在于:
其中,在所述步骤S6中的训练中,采用随机梯度下降法对所述深度形态卷积网络的权重参数进行更新。
6.根据权利要求1所述的一种基于深度形态卷积网络的振动信号缺陷特征提取方法,其特征在于:
其中,所述振动信号传感器的灵敏度为100mV/g,分辨率为0.001g,
所述振动信号传感器的信号采集卡为一个4通道C系列动态信号采集模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263247.7A CN114742094A (zh) | 2022-03-17 | 2022-03-17 | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263247.7A CN114742094A (zh) | 2022-03-17 | 2022-03-17 | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742094A true CN114742094A (zh) | 2022-07-12 |
Family
ID=82277095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210263247.7A Pending CN114742094A (zh) | 2022-03-17 | 2022-03-17 | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742094A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077815A (zh) * | 2023-10-13 | 2023-11-17 | 安徽大学 | 一种在有限样本下基于深度学习的轴承故障诊断方法 |
-
2022
- 2022-03-17 CN CN202210263247.7A patent/CN114742094A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077815A (zh) * | 2023-10-13 | 2023-11-17 | 安徽大学 | 一种在有限样本下基于深度学习的轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830127B (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN114742094A (zh) | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 | |
CN103926097B (zh) | 一种用于采集和提取低速重载设备故障特征信息的方法 | |
CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN108615018A (zh) | 基于时域直方图特征提取的对象物状态识别方法 | |
CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
Zhang et al. | Weighted sparsity-based denoising for extracting incipient fault in rolling bearing |
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 |