CN114897029A - 基于深度残差收缩网络的集成灶风机故障诊断方法 - Google Patents

基于深度残差收缩网络的集成灶风机故障诊断方法 Download PDF

Info

Publication number
CN114897029A
CN114897029A CN202210623668.6A CN202210623668A CN114897029A CN 114897029 A CN114897029 A CN 114897029A CN 202210623668 A CN202210623668 A CN 202210623668A CN 114897029 A CN114897029 A CN 114897029A
Authority
CN
China
Prior art keywords
residual error
fault
network
data
fault diagnosis
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
Application number
CN202210623668.6A
Other languages
English (en)
Inventor
徐滌平
宋伊晨
周水清
吴政晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shengzhou Zhejiang University of Technology Innovation Research Institute
Original Assignee
Shengzhou Zhejiang University of Technology Innovation Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shengzhou Zhejiang University of Technology Innovation Research Institute filed Critical Shengzhou Zhejiang University of Technology Innovation Research Institute
Priority to CN202210623668.6A priority Critical patent/CN114897029A/zh
Publication of CN114897029A publication Critical patent/CN114897029A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F2218/02—Preprocessing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于深度残差收缩网络的集成灶风机故障诊断方法，该方法利用多个振动传感器采集振动信号数据，并利用训练好的深度残差收缩网络进行集成灶风机故障类别检测；所述深度残差收缩网络由残差项、软阈值和多层CNN组成，所述软阈值加入注意力机制。本发明的集成灶风机故障诊断方法根据多个传感器采集到的集成灶风机故障振动信号构造故障样本，针对不同故障类型下的振动信号数据，将其处理为多维度的灰度图故障样本，并将其分为训练集和测试集；并且通过采用结合残差收缩网络模块和卷积神经网络(CNN)构建的深度残差收缩网络模型进行故障诊断。

Description

基于深度残差收缩网络的集成灶风机故障诊断方法
技术领域
本发明涉及集成灶风机故障检测技术，具体的说是涉及基于深度残差收缩网络的集成灶风机故障诊断方法。
背景技术
随着“双碳经济”的提出，集成灶逐渐占据了厨房电器中的主导地位，而集成灶的风机系统正是起到良好除烟效果的关键部件。由于集成灶内部结构复杂，当内部风机系统出现叶轮不平衡，叶轮磨损等故障时，若采用人工拆卸检测的方式去分析故障原因则过于麻烦且有时若故障判断错误还需要进行反复拆卸。目前，市面上存在通过传感器获取风机运行中的振动信号进行传统时域和频域分析进行故障诊断，但是此种方法只能进行状态评估来判断风机是否出现故障无法准确判断故障类别，虽然某些特定简单的单点故障通过观察谐波分量就能判断，但是对于一些复杂或者检测不方便的故障原因，包括风机喘振、某不确定风机系统部位安装松动、冲锋罩损坏或者由于长时间使用导致某部分风机组件上附着油污过多等，仅仅依靠频谱分析依然无法进行诊断。因此开始有集成灶厂家通过数据驱动方法发掘振动信号与故障规律之间的映射关系，提取出通用特征并通过振动信号和神经网络相结合进行故障类别诊断，相对于单一频谱分析更为准确高效。
对于传统的深度学习模型，其网络层数越多非线性的表达能力就越强，该模型就能学习到更多的特征。然而随着网络的增加，传统的多层网络结构的非线性表达很难去表示恒等映射，因此模型会出现网络退化问题。并且由于集成灶风机运行过程中所采集的振动信号，经常包含着大量的噪声。在处理强噪声振动信号的时候，大多数神经网络的特征学习能力通常会降低，可能无法检测到风机故障特征导致判别性不足，不能够准确地进行集成灶风机故障分类。
发明内容
为了克服现有技术中存在的上述不足，针对集成灶风机运行过程中振动信号噪声高，特征提取困难的问题，本发明提出了一种基于振动信号和深度残差收缩网络的集成灶风机故障诊断方法，该方法能准确地检测出集成灶风机故障类别。
本发明解决其技术问题的技术方案如下：
基于深度残差收缩网络的集成灶风机故障诊断方法，该方法利用多个振动传感器采集振动信号数据，并利用训练好的深度残差收缩网络进行集成灶风机故障类别检测；所述深度残差收缩网络由残差项、软阈值和多层CNN组成，所述软阈值加入注意力机制；
所述深度残差收缩网络的训练方法包括如下步骤：
步骤1：利用多个传感器采集集成灶风机在不同故障下的原始振动信号数据；
步骤2：对原始振动信号数据进行预处理，将振动信号转化为2维灰度图像样本并按照不同故障进行分类，将所有带标签的2维灰度图像分为训练集和测试集，用于深度学习训练；
步骤3：初始化深度残差收缩网络模型；
步骤4：将训练集代入深度残差收缩网络模型中进行集成灶风机故障诊断模型的训练和优化；
步骤5：将步骤2所得的测试集数据输入到故障诊断模型中得到故障诊断结果，通过故障分类正确率来衡量模型的有效性。
进一步，前述的基于深度残差收缩网络的集成灶风机故障诊断方法中，所述故障包括风机叶片磨损、风机喘振、叶轮积灰、排烟管道油污堆积过多中的一种或多种。实施本发明方案时，也可以加入其它故障类型。
进一步，前述的基于深度残差收缩网络的集成灶风机故障诊断方法中，分别在负压箱内壁，集流圈外侧和叶轮旋紧螺母上设置振动传感器，采集振动信号数据。通过多个振动传感器进行信号采集主要因为测量得到的信号一般都包含较强的背景噪声，导致分析单一传感器测得的信号往往难以得到全面的故障特征，影响故障识别的准确率。
进一步，前述的基于深度残差收缩网络的集成灶风机故障诊断方法中，所述振动传感器可以为无线振动传感器。
进一步，前述的基于深度残差收缩网络的集成灶风机故障诊断方法中，所述步骤2中，对原始振动信号进行预处理步骤具体包括：
步骤2.1：通过滑动采样窗口对原始数据进行重叠采样：
Figure BDA0003675592330000031
其中N为经过重叠采样后的样本数量，Lraw是原始数据长度，Lsample是单个样本长度(窗口宽度)，P为滑动窗口的移动步长(采用间隔)；
步骤2.2：将采样的振动信号数据进行Z-score标准化处理(标准化相对于归一化，在经过重叠采样有足够数量样本的情况下更为稳定，更加适合嘈杂的大数据场景，鲁棒性较好)；其中，Z-score标准化是将数据按比例缩放，使之落入一个特定区间；假设样本x＝(x1,x2,…,xk,…)的均值为μ，方差为σ，可以得到Z-score标准化后的样本z的求解公式为：
Figure BDA0003675592330000041
步骤2.3：将经过重复采样和标准化处理后的振动数据样本转化为深度残差神经网络模型易于学习处理的数据形式，将一维的振动信号样本数据矩阵化转化为灰度图故障样本；而后将标准化和矩阵化的灰度图样本进行随机划分，70％的数据作为训练集，30％的数据作为测试集。
进一步，前述的基于深度残差收缩网络的集成灶风机故障诊断方法中，所述步骤3中，初始化深度残差神经网络模型取batch-size进行网络训练，学习率取为0.005；确定网络的输出神经元为m个，包含1个风机运行正常状态和m-1个故障状态。
进一步，前述的基于深度残差收缩网络的集成灶风机故障诊断方法中，所述深度残差收缩网络模型中，首层卷积核采用宽卷积核，其它模型隐含层由残差收缩模块，以及全连接层、Softmax分类器组成，并且该网络采用Adam优化算法和Relu激活函数；
所述深度残差收缩网络通过注意力机制注意到不重要的特征，利用软阈值函数将它们设置为零，并通过注意力机制注意到重要的特征，将它们保存下来，从而加强深度神经网络从含噪声信号中提取有用特征的能力；
软阈值化将绝对值小于某个阈值的特征删除掉，将绝对值大于这个阈值的特征朝着零的方向进行收缩，通过以下公式实现：
Figure BDA0003675592330000051
其中x代表输入特征，y代表输出特征；
软阈值化的输出对输入的导数为：
Figure BDA0003675592330000052
在处理集成灶风机运转过程中所收集的振动信号数据时可能混杂着风箱处、烟道出口、集成灶头部的振动信号等等，通过软阈值化和注意力机制就可将这些噪声数据在神经网络内部删除掉，以避免对故障类别检测造成影响。
与现有技术相比，本发明的上述技术方案具有如下有益的技术效果：
(1)本发明的集成灶风机故障诊断方法采用了多传感器进行原始振动信号的数据采集，省去了振动传感器在集成灶风机布置位置的选取的步骤，降低了对实际操作人员先验知识和实际测试经验的需求程度，通过多传感器解决了对于不确定位置的安装松动等问题所导致的故障检测困难的问题；
(2)本发明的集成灶风机故障诊断方法采用了滑动窗口方法对多传感器所测得的振动信号数据进行了重复截取采样，将样本数据量扩充，进行了数据增强，解决了由于原始集成灶风机故障数据样本不足的问题，变向提高了模型故障诊断的准确性；同时，使用了深度残差收缩网络去代替传统的卷积神经网络进行风机故障诊断，通过残差项降低了多层训练过程中的样本损失，解决了集成灶风机故障诊断模型的网络退化的问题；
(3)本发明的集成灶风机故障诊断方法采用了软阈值化和注意力机制用于模型特征激活，实现了样本数据的降噪处理，有效降低了网络的恒定偏差和识别误差，与特征输入相配合能够增强对数据特征的学习能力，提高特征提取的完整性。解决了由于集成灶风机运行过程中提取振动样本数据时其他部位(集成灶头部，风箱等)所产生的噪声干扰。
(4)本发明的集成灶风机故障诊断方法实现了通过振动信号实现了在集成灶复杂故障(风机喘振、某不确定风机系统部位安装松动、风罩损坏或者由于长时间使用导致某部分风机组件上附着油污过多)前期的及时诊断，解决了人工检测的困难，帮助集成灶风机延长使用寿命维持良好的运行状态，实现了降低损失，节能减排的目的。
附图说明
图1是本发明的基于深度残差收缩网络的集成灶风机的故障诊断方法流程图；
图2是本发明中的深度残差收缩网络模型基本结构示意图。
具体实施方式
下面结合附图和具体实施方式(包括实施例)对本发明作进一步的说明，但并不作为对本发明限制的依据。以下实施例中没有详细说明的内容均为本领域技术常识。
本发明的集成灶风机故障诊断方法根据多个传感器采集到的集成灶风机故障振动信号构造故障样本，针对不同故障类型下的振动信号数据，将其处理为多维度的灰度图故障样本，并将其分为训练集和测试集；并且通过采用结合残差收缩网络模块和卷积神经网络(CNN)构建的深度残差收缩网络模型进行故障诊断。其中，将残差项加入神经网络中可以很好的解决多层网络模型的模型退化问题，利用软阈值化实现了样本降噪，很好的改善了现有集成灶风机故障检测技术缺陷，解决了对于某些复杂故障人工检测困难的问题，实现了集成灶故障前期的及时诊断。
实施例(参见图1-2)：
本实施例提供了一种基于深度残差收缩网络的集成灶风机故障诊断方法，该方法利用多个振动传感器采集振动信号数据，并利用训练好的深度残差收缩网络进行集成灶风机故障类别检测；所述深度残差收缩网络由残差项、软阈值和多层CNN组成，所述软阈值加入注意力机制；
所述深度残差收缩网络的训练方法包括如下步骤：
步骤1：利用多个传感器采集集成灶风机在不同故障下的原始振动信号数据；
步骤2：对原始振动信号数据进行预处理，将振动信号转化为2维灰度图像样本并按照不同故障进行分类，将所有带标签的2维灰度图像分为训练集和测试集，用于深度学习训练；
步骤3：初始化深度残差收缩网络模型；
步骤4：将训练集代入深度残差收缩网络模型中进行集成灶风机故障诊断模型的训练和优化；
步骤5：将步骤2所得的测试集数据输入到故障诊断模型中得到故障诊断结果，通过故障分类正确率来衡量模型的有效性。
在本实施例中，所述故障包括风机叶片磨损、风机喘振、叶轮积灰、排烟管道油污堆积过多。实施本发明方案时，也可以加入其它故障类型。
在本实施例中，分别在负压箱内壁，集流圈外侧和叶轮旋紧螺母上设置振动传感器，采集振动信号数据。通过多个振动传感器进行信号采集主要因为测量得到的信号一般都包含较强的背景噪声，导致分析单一传感器测得的信号往往难以得到全面的故障特征，影响故障识别的准确率。
在本实施例中，所述振动传感器为无线振动传感器。
在本实施例中，所述步骤2中，对原始振动信号进行预处理步骤具体为：
步骤2.1：通过滑动采样窗口对原始数据进行重叠采样：
Figure BDA0003675592330000081
其中，N为经过重叠采样后的样本数量，Lraw是原始数据长度，Lsample是单个样本长度(窗口宽度)，P为滑动窗口的移动步长(采用间隔)；
步骤2.2：将采样的振动信号数据进行Z-score标准化处理(标准化相对于归一化，在经过重叠采样有足够数量样本的情况下更为稳定，更加适合嘈杂的大数据场景，鲁棒性较好)；其中Z-score标准化是将数据按比例缩放，使之落入一个特定区间；假设样本x＝(x1,x2,…,xk,…)的均值为μ，方差为σ，可以得到Z-score标准化后的样本z的求解公式为：
Figure BDA0003675592330000091
步骤2.3：将经过重复采样和标准化处理后的振动数据样本转化为深度残差神经网络模型易于学习处理的数据形式，将一维的振动信号样本数据矩阵化转化为灰度图故障样本；而后将标准化和矩阵化的灰度图样本进行随机划分，70％的数据作为训练集，30％的数据作为测试集。
在本实施例中，所述步骤3中，初始化深度残差神经网络模型取batch-size进行网络训练，学习率取为0.005；确定网络的输出神经元为m个，包含1个风机运行正常状态和m-1个故障状态。
在本实施例中，所述深度残差收缩网络模型包括11个卷积核，其中：首层卷积核采用宽卷积核；其它模型隐含层由5个残差收缩模块(每个残差收缩模块包含2个卷积核)，以及全连接层、Softmax分类器组成，并且该网络结构采用Adam优化算法和Relu激活函数。所述深度残差收缩网络通过注意力机制注意到不重要的特征，利用软阈值函数将它们设置为零，并通过注意力机制注意到重要的特征，将它们保存下来，从而加强深度神经网络从含噪声信号中提取有用特征的能力。(在处理集成灶风机运转过程中所收集的振动信号数据时，可能混杂着风箱处、烟道出口、集成灶头部的振动信号等等，通过软阈值化和注意力机制就可将这些噪声数据在神经网络内部删除掉，以避免对故障类别检测造成影响。)
参见图2，经过滑动窗口重复采样的原始振动数据灰度图样本经过第一个卷积层后，通过ReLU激活函数进入到第二个卷积层中。第二个卷积层构造了一个获取噪声阈值的子结构；在该结构中对输入数据取绝对值并进行全局平均池化处理后得到均值参数，接着经过两个全连接层挖掘通道的特征，最后经过Sigmoid激活函数得到注意力权重参数，每个注意力权重参数作用在对应特征通道的特征向量上；注意力权重参数与均值参数相乘得到噪声阈值，因此每个特征通道都拥有独立的噪声阈值，再利用阈值对样本数据进行软阈值化处理，处理后的结果与跨层恒等映射的残差项相加，得到最终的残差收缩模块输出。
软阈值化将绝对值小于某个阈值的特征删除掉，将绝对值大于这个阈值的特征朝着零的方向进行收缩。软阈值化实现公式为：
Figure BDA0003675592330000101
其中，x代表输入特征，y代表输出特征；
软阈值化的输出对输入的导数为：
Figure BDA0003675592330000111
本发明的集成灶风机故障诊断方法采用了软阈值化和注意力机制用于模型特征激活，实现了样本数据的降噪处理，有效降低了网络的恒定偏差和识别误差，与特征输入相配合能够增强对数据特征的学习能力，提高特征提取的完整性，解决了由于集成灶风机运行过程中提取振动样本数据时其他部位(集成灶头部，风箱等)所产生的噪声干扰。
上述对本申请中涉及的发明的一般性描述和对其具体实施方式的描述不应理解为是对该发明技术方案构成的限制。本领域所属技术人员根据本申请的公开，可以在不违背所涉及的发明构成要素的前提下，对上述一般性描述或/和具体实施方式(包括实施例)中的公开技术特征进行增加、减少或组合，形成属于本申请保护范围之内的其它的技术方案。

Claims (7)

1.基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：
该方法利用多个振动传感器采集振动信号数据，并利用训练好的深度残差收缩网络进行集成灶风机故障类别检测；所述深度残差收缩网络由残差项、软阈值和多层CNN组成，所述软阈值加入注意力机制；
所述深度残差收缩网络的训练方法包括如下步骤：
步骤1：利用多个传感器采集集成灶风机在不同故障下的原始振动信号数据；
步骤2：对原始振动信号数据进行预处理，将振动信号转化为2维灰度图像样本并按照不同故障进行分类，将所有带标签的2维灰度图像分为训练集和测试集，用于深度学习训练；
步骤3：初始化深度残差收缩网络模型；
步骤4：将训练集代入深度残差收缩网络模型中进行集成灶风机故障诊断模型的训练和优化；
步骤5：将步骤2所得的测试集数据输入到故障诊断模型中得到故障诊断结果，通过故障分类正确率来衡量模型的有效性。
2.根据权利要求1所述的基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：所述故障包括风机叶片磨损、风机喘振、叶轮积灰、排烟管道油污堆积过多中的一种或多种。
3.根据权利要求1所述的基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：该方法中，分别在负压箱内壁，集流圈外侧和叶轮旋紧螺母上设置振动传感器，采集振动信号数据。
4.根据权利要求3所述的基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：所述传感器为无线振动传感器。
5.根据权利要求1所述的基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：
所述步骤2中，对原始振动信号进行预处理步骤具体包括：
步骤2.1：通过滑动采样窗口对原始数据进行重叠采样：
Figure FDA0003675592320000021
其中N为经过重叠采样后的样本数量，Lraw是原始数据长度，Lsample是单个样本长度，P为滑动窗口的移动步长；
步骤2.2：将采样的振动信号数据进行Z-score标准化处理；其中Z-score标准化是将数据按比例缩放，使之落入一个特定区间；假设样本x＝(x1,x2,…,xk,…)的均值为μ，方差为σ，可以得到Z-score标准化后的样本z的求解公式为：
Figure FDA0003675592320000022
步骤2.3：将经过重复采样和标准化处理后的振动数据样本转化为深度残差神经网络模型易于学习处理的数据形式，将一维的振动信号样本数据矩阵化转化为灰度图故障样本；而后将标准化和矩阵化的灰度图样本进行随机划分，70％的数据作为训练集，30％的数据作为测试集。
6.根据权利要求1所述的基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：所述步骤3中，初始化深度残差神经网络模型取batch-size进行网络训练，学习率取为0.005；确定网络的输出神经元为m个，包含1个风机运行正常状态和m-1个故障状态。
7.根据权利要求1所述的基于深度残差收缩网络的集成灶风机故障诊断方法，其特征在于：
所述深度残差收缩网络模型中，首层卷积核采用宽卷积核，其它模型隐含层由残差收缩模块，以及全连接层、Softmax分类器组成，并且该网络采用Adam优化算法和Relu激活函数；
所述深度残差收缩网络通过注意力机制注意到不重要的特征，利用软阈值函数将它们设置为零，并通过注意力机制注意到重要的特征，将它们保存下来，从而加强深度神经网络从含噪声信号中提取有用特征的能力；
软阈值化将绝对值小于某个阈值的特征删除掉，将绝对值大于这个阈值的特征朝着零的方向进行收缩，通过以下公式实现：
Figure FDA0003675592320000031
其中x代表输入特征，y代表输出特征；
软阈值化的输出对输入的导数为：
Figure FDA0003675592320000032
CN202210623668.6A 2022-06-02 2022-06-02 基于深度残差收缩网络的集成灶风机故障诊断方法 Pending CN114897029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210623668.6A CN114897029A (zh) 2022-06-02 2022-06-02 基于深度残差收缩网络的集成灶风机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210623668.6A CN114897029A (zh) 2022-06-02 2022-06-02 基于深度残差收缩网络的集成灶风机故障诊断方法

Publications (1)

Publication Number Publication Date
CN114897029A true CN114897029A (zh) 2022-08-12

Family

ID=82725862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210623668.6A Pending CN114897029A (zh) 2022-06-02 2022-06-02 基于深度残差收缩网络的集成灶风机故障诊断方法

Country Status (1)

Country Link
CN (1) CN114897029A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115771165A (zh) * 2022-12-06 2023-03-10 华中科技大学 无故障样本下的工业机器人故障检测与定位方法、系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115771165A (zh) * 2022-12-06 2023-03-10 华中科技大学 无故障样本下的工业机器人故障检测与定位方法、系统
CN115771165B (zh) * 2022-12-06 2024-06-04 华中科技大学 无故障样本下的工业机器人故障检测与定位方法、系统

Similar Documents

Publication Publication Date Title
CN110555273B (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110991295B (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN111852792B (zh) 一种基于机器视觉的风机叶片缺陷自诊断定位方法
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN107782551B (zh) 一种机械部件损伤程度的评估方法
JP2008090529A (ja) 異常検出装置、異常検出方法
CN111161756A (zh) 风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法
CN115424635B (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN112669305A (zh) 一种金属表面抗锈性能测试台及抗锈性能测评方法
CN114034481A (zh) 一种轧机齿轮箱故障诊断系统及方法
CN114897029A (zh) 基于深度残差收缩网络的集成灶风机故障诊断方法
CN113569990A (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
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN110674991A (zh) 一种基于ocsvm的火电厂一次风机异常检测方法
CN112697435B (zh) 一种基于改进seld-tcn网络的滚动轴承故障诊断方法
CN112798290B (zh) 基于频谱重构误差的燃气轮机异常状态监测方法
CN117093938A (zh) 一种基于深度学习的风机轴承的故障检测方法和系统
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
CN113177484B (zh) 基于lof自编码的机械故障智能诊断方法
CN112525336B (zh) 一种机械设备振动连续增长的自动化检测方法
CN114897016A (zh) 一种基于多源频谱特征的风机轴承故障智能诊断方法
CN113177911A (zh) 一种叶片无损评价植物臭氧敏感性的方法
CN117740378A (zh) 一种基于声发射监测的支铰滑动轴承故障诊断方法

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