CN114992138A - 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 - Google Patents
基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 Download PDFInfo
- Publication number
- CN114992138A CN114992138A CN202210664270.7A CN202210664270A CN114992138A CN 114992138 A CN114992138 A CN 114992138A CN 202210664270 A CN202210664270 A CN 202210664270A CN 114992138 A CN114992138 A CN 114992138A
- Authority
- CN
- China
- Prior art keywords
- fault
- water supply
- supply pump
- signal
- neural 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0077—Safety measures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种工业循环水系统供水泵故障诊断方法，包括以下步骤：首先，利用三轴加速度传感器采集与供水泵状态强相关的驱动端振动信号，将振动信号进行信号‑图像转换，实现一维振动时序信号的三通道二维图化；采用生成对抗网络对原始样本进行数据增强，扩充供水泵故障图像数据集；在此基础上，采用卷积‑双向长短时记忆神经网络模型提取故障特征；融合注意力机制方法对故障深度特征进行加权，获得关键深度特征；最后将关键深度特征进行聚类，确定所述故障类型，建立供水泵故障诊断模型。本发明针对工业循环水系统供水泵故障诊断问题，基于供水泵驱动端振动信号，提出一种高效的供水泵故障诊断方法，提高供水泵故障诊断效率。
Description
技术领域
本发明涉及水利设备技术领域，特别是涉及一种基于生成对抗网络的卷积-双向长短时记忆神经网络(GAN-CNN-BiLSTM)的工业循环水系统供水泵故障诊断方法。
背景技术
工业循环水系统是现代工业生产过程中一种重要的冷却方法，在保障生产正常运行和保证生产安全方面发挥着重要作用。在循环水系统中供水泵作为提供冷却水的主要动力来源，在长时间高速运转情况下容易出现轴承故障、转子不平衡、气蚀、密封环磨损、轴封磨损、流道堵塞、叶轮磨损等多种故障，进而导致循环水系统冷却水供水不足，可能威胁工业生产安全。
目前，涉及工业循环水系统供水泵故障检测的方法中，多采用传统机器学习的方法，这些方法通过人工提取振动信号特征并将其用于建立故障诊断模型，而该方法通常需要丰富的专家经验与相关领域知识，诊断效率难以保障。另外，由于供水泵故障出现频率相对较低，故障原始样本少，使用深度学习方法进行诊断在短期难以获得足量的故障样本进行分析，在样本数量较少情况下对深度学习模型进行训练容易陷入过拟合的情况，导致故障诊断准确率受到影响。
发明内容
本发明针对工业循环水系统供水泵故障诊断提出了一种基于生成对抗网络的卷积-双向长短时记忆神经网络方法，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明采用如下的技术方案：
S1：获取供水泵运行时驱动端的振动信号；
S2：数据预处理与数据转换，获得供水泵故障图像数据集；
S3：采用生成对抗网络对供水泵故障图像集进行数据扩充；
S4：采用卷积-双向长短时记忆深度神经网络的方法提取故障特征；
S5：采用注意力机制方法，增大不同故障特征之间的差异；
S6：建立供水泵故障诊断模型。
与现有技术相比，本发明提供了一种故障诊断方法，其中包括：将收集的工业循环水系统供水泵驱动端的一维振动信号经过预处理后，通过信号-图像的方法，将x、y、z三轴一维信号转换为三通道二维形式的图片；考虑到供水泵故障样本数量相对较少，采用了生成对抗网络对供水泵故障图像集进行了数据增强处理，得到了较多的数据样本，获得供水泵故障图像数据集；采用所述数据集训练卷积-双向长短时记忆神经网络，能够快速提取数据集中的故障特征；引入注意力机制对故障特征进行加权，增大不同故障特征之间的差异；根据所提取故障特征建立供水泵故障诊断模型，对供水泵实际工况进行在线故障诊断。
附图说明
图1为本发明提供的一种故障检测方法的流程示意图。
图2为本发明提供的一种故障检测方法的流程示意图。
图3为本发明提供的一种故障检测方法的流程示意图。
图4为本发明提供的一种故障检测方法的流程示意图。
图5为本发明提供的一种故障检测方法的流程示意图。
图6为本发明提供的一种故障检测方法的流程示意图。
具体实施方式：
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
为了更好的理解本公开实施例，以下通过一些场景实施例进行说明：
在一个实施例中，所述供水泵故障诊断方法采用深度学习方法诊断供水泵故障类型。其中，所述故障诊断方法包括：当循环水系统供水泵工作出现异常或故障时，根据现场工作人员或专家的经验来进行故障诊断常常无法快速定位故障位置与故障种类。而采用所述深度学习方法能够通过采集供水泵运行时的振动信号，经过快速高效的信号处理和神经网络算法分析，在线获得准确的供水泵故障类型，缩短了故障诊断时间，提高了故障诊断效率，减小了供水泵维护成本。
如图1所示，本发明提出了一种故障诊断方法，所述方法包括：
S101：获取供水泵运行时驱动端的振动信号；
S102：将所述振动信号进行数据清洗，在归一化预处理后获得标准一维时序振动信号，通过信号-图像转化方法获得供水泵故障图像集；
S103：采用生成对抗网络对供水泵故障图像集进行数据扩充；
S104：采用卷积-双向长短时记忆深度神经网络的方法从空间和时间两个维度对不同尺度的故障特征进行提取；
S105：采用注意力机制方法，增大不同故障特征之间的差异；
S106：建立供水泵故障诊断模型。
在一个实施例中，所述获取供水泵运行的特征信号根据信号采集装置采集获得。
在一个实施例中，所述信号采集装置可以是传感器，示例性的，可以是根据安装在供水泵机械外壳上的传感器采集获得所述供水泵运行的振动信号。
在一个实施例中，所述供水泵运行的振动信号可以包括以下至少之一：加速度信号、压力信号、转速信号、声音信号、流量信号。
在一个实施例中，获取供水泵运行的振动信号可以是加速度信号，所述振动信号可以由加速度振动信号采集仪器或加速度信号传感器获得。
供水泵是一种典型的旋转机构，大部分故障可以根据所述振动信号确定，获取供水泵运行的振动信号可以是加速度信号，加速度信号在不同故障中的表现不同，根据所述加速度信号获得的所述特征数据相较于根据其它信号获得的特征数据，可以更全面准确地确定供水泵的故障类别，提高了确定供水泵故障类别的效率。
在一个实施例中，可以是周期性地获取供水泵运行的加速度信号，根据所述获得周期性更新后的振动加速度数据，根据所述特征数据周期性地确定水泵的故障类别，也可以对水泵故障进行监测，及时确定水泵故障情况。
在一个实施例中，根据所述周期性获取的供水泵运行的加速度信号为若干离散的一维信号点；将所述振动信号进行数据预处理，如：数据清洗、滤波等方法，然后将预处理后的信号数据经过归一化处理后获得标准一维时序振动信号；将所述振动信号经过信号-图像方法转换，将x、y、z轴分别得到的单通道二维形式图像合并成三通道二维图像。
在一个实施例中，采用所述生成对抗网络方法，利用已有的供水泵振动信号图像数据集训练生成对抗网络中的生成器与判别器网络模型，从而得到较多的供水泵故障图像数据集，增大样本数量，解决深度神经网络在训练小样本情况下可能出现的过拟合问题。
在一个实施例中，采用卷积-双向长短时记忆神经网络的方法提取空间和时间两个维度不同尺度的故障特征，采用卷积神经网络在空间维度上提取故障特征，采用双向长短时神经网络在时间维度上提取故障特征，增强了神经网络的故障特征提取能力。
在一个实施例中，采用注意力机制方法，通过引入局部注意力机制和全局注意力机制区分故障特征之间的差异，局部注意力机制对每个通道的输出特征进行加权，全局注意力机制对所有通道的融合特征进行加权，加强不同故障特征之间的差异，使模型能够更好地对故障特征进行分类。
在一个实施例中，根据所述方法对供水泵故障特征的聚类确定供水泵故障类别，所述供水泵的故障类别包括但不限于以下至少之一：轴承故障、转子不平衡、气蚀、密封环磨损、轴封磨损、流道堵塞、叶轮磨损。
如图2所示，所述对原始数据的处理方法包括一下内容：
S201：获得一维时序加速度信号；
S202：将振动信号进行预处理，如滤波等，然后将所述一维标准时序信号转化为单通道二维灰度点阵；
S203：将所述单通道二维灰度点阵合并为三通道二维图像；
S204：获得供水泵故障图像数据集原始样本。
在一个实施例中，利用所述安装在供水泵机械外壳的三轴加速度传感器采集供水泵驱动端运行时产生的振动信号，将收集的与供水泵状态强相关的驱动端振动信号进行预处理，得到标准一维振动信号数据。
在一个实施例中，将所述获得的标准一维时序振动信号经过信号-图像转换，将x、y、z轴分别得到的单通道二维形式图像合并成三通道二维图像。
在一个实施例中，根据所述周期性获取的供水泵运行的振动加速度信号，为若干离散的一维信号点，其中离散信号点的最大值为zmax(i)、最小值为zmin(i)。对振动信号点进行归一化处理，将其转为0～255的灰度值范围内，经转换后生成的灰度值为Z(i)，其转换表达式如式
所示。
在一个实施例中，为获得一幅尺寸大小为M×M的三通道二维图像，需要从所述预处理后的供水泵振动加速度信号上，截取三段长度为M2的离散信号，在转换为灰度值的振动信号上随机截取一段信号的起始截点为i，则截取的信号段长度为[i,i+M2]；将所述一维向量转换为三通道二维M×M的图像点阵，由此得到振动信号经过转换后的三通道二维图像点阵，用于卷积-双向长短时记忆神经网络的输入，其中单个通道的点阵表达形式为：
如图3所示，所述采用三通道二维故障图像数据集对生成对抗网络进行训练，所述生成对抗网络包括生成器和判别器两个网络模型，两者分别优化各自的参数并进行博弈，以此可以生成与原始样本类似的生成样本，增大供水泵故障图像数据的样本数量，其中包括：
S301：将部分三通道二维故障图像数据原始样本输入到判别器中，作为判别器的评判标准；
S302：将随机噪声输入生成器后，生成器生成与原始样本不同的生成样本；
S303：将生成样本输入判别器中与原始样本进行比较，判别器判断该样本是否为原始样本，生成器和判别器分别记录损失函数；
S304：重复以上两步，直至判别器优化参数收敛，无法判断生成样本是否为原始样本。
在一个实施例中，生成对抗网络中的判别器根据已知原始样本建立数据判别模型，通过生成器与判别器的优化状态确定生成对抗网络是否完成训练；生成器与判别器的优化目标如下：
其中，G为生成器模型(Generator)，D为判别器模型(Discriminator)，x为原始样本，G(z)为生成样本，Pr表示原始样本的数据分布，Pz表示随机噪声向量z的先验分布。
在一个实施例中，当生成对抗网络在重复的迭代过程中，判别器D会逐渐接近最优判别器，当这个近似达到一定程度时，优化目标近似等价于最小化原始样本的数据分布Pr与生成样本的数据分布Pg之间的JS散度(Jensen-Shannon Divergence)JS(Pr||Pg)；生成对抗网络通过所述极小极大博弈交替优化生成器G和判别器D，直到两者达到纳什均衡点，此时判别器无法判断样本是否来自原始样本，对抗生成训练完成，供水泵故障图像数据集得到扩充。
如图4所示，采用所述生成对抗网络中生成的供水泵故障图像数据集训练卷积-双向长短时记忆神经网络中，其中包括：
S401：采用所述供水泵故障图像数据集训练卷积神经网络，在空间维度上对故障特征进行提取；
S402：采用所述供水泵故障图像数据集训练双向长短时记忆神经网络中，在时间维度上对故障特征进行提取；
在一个实施例中，采用供水泵故障图像数据集分别训练卷积神经网络和双向长短时记忆神经网络，所述卷积-双向长短时记忆神经网络模型分为3个部分：上通道为卷积神经网络(CNN)通道，包含两个卷积层、两个池化层、一个平铺(Flatten)层和一个隐含层；下通道为双向长短时记忆神经网络通道，包含前向长短时记忆神经网络(F-LSTM)和反向长短时记忆神经网络(B-LSTM)，该通道将所述输入的供水泵故障图像划分为若干个时间步切片进行遍历；故障诊断层包含特征融合层和Softmax分类层，对两个通道所提取的故障特征进行融合与分类。
在一个实施例中，上下通道的输入均为供水泵故障图像数据集，上通道卷积网络通过逐层的卷积挖掘故障图像在空间维度上的故障特征，下通道双向长短时记忆神经网络通过不断更新前向长短时记忆神经网络和反向长短时记忆神经网络的共享权重挖掘故障图像在时间维度上的故障特征；采用融合卷积神经网络和双向长短时记忆神经网络能够同时从空间维度与时间维度提取不同尺度的故障特征，将所述故障特征进行融合，进行故障诊断。
如图5所示，根据所述深度神经网络对故障特征的提取，采用注意力机制方法对不同故障特征进行加权，增加不同故障特征之间的差异，其中包括：
S501：采用局部注意力机制对每个通道的输出特征进行加权，分化不同故障特征的权重，增加了不同故障特征之间的差异性；
S502：采用全局注意力机制对所有通道的融合特征进行加权，有效地避免了故障聚类中的不平衡性。
在一个实施例中，由于注意力机制方法能够在通道维度与空间维度同时对故障特征进行加权运算以及即插即用的优点，在卷积-双向长短时记忆神经网络中嵌入注意力机制模块，能够有效增强深度神经网络对故障特征的提取能力；
在一个实施例中，融合局部注意力机制和全局注意力机制对通道间及所有通道的故障特征分别进行加权，进一步增加不同故障特征的差异性，获得关键深度特征，提高了故障聚类效率。
如图6所示，根据所述故障特征聚类建立供水泵故障诊断模型，其中包括：
S601：根据所述故障诊断层对故障特征的融合进行聚类；
S602：保存网络模型训练所得参数，建立供水泵故障诊断模型。
在一个实施例中，根据所述提取的供水泵故障特征进行聚类，确定所述故障种类，建立供水泵故障诊断模型。
Claims (8)
1.一种工业循环水系统供水泵故障诊断方法，其特征在于，所述方法包括：
S1：利用安装在供水泵机械外壳的三轴加速度传感器采集供水泵驱动端运行时产生的振动信号，将收集的与供水泵状态强相关的驱动端振动信号进行预处理，得到标准振动信号数据；
S2：将S1中获得的标准一维时序振动信号经过信号-图像转换，将x、y、z轴分别得到的单通道二维形式图像合并成三通道二维图像；
S3：对S2中获得的三通道二维图像，采用生成对抗网络(GAN)对原始样本进行数据增强，获得更多的供水泵故障图像数据，构建供水泵故障图像数据集；
S4：采用S3中的供水泵故障图像数据集训练卷积-双向长短时记忆神经网络(CNN-BiLSTM)，卷积神经网络与双向长短时记忆神经网络能够分别从空间与时间两个维度提取不同尺度的故障特征，增强了故障信号的信息表达能力。
S5：采用注意力机制方法中局部注意力机制和全局注意力机制两个模块来区分故障特征之间的差异，加强不同故障特征之间的差异，使模型能够更好地对故障特征进行聚类；
S6：根据所提取的故障特征，建立供水泵故障诊断模型。
2.根据权利要求1所述的一种工业循环水系统供水泵故障诊断方法，其特征在于，所述对所述振动信号进行数据清洗以及归一化预处理，得到振动信号灰度值，包括：
根据所述三轴加速度传感器收集的供水泵一维离散时序振动信号，通过数据清洗、滤波等信号预处理方法后，采用数据归一化方法：
将所述一维离散振动信号转化为0-255的灰度值；
其中，zmax(i)为离散点的最大值，zmin(i)为离散点的最小值。
3.根据权利要求2所述的工业循环水系统供水泵故障诊断方法，其特征在于，所述对所述振动信号灰度值进行信号-图像转换，生成单通道二维图像数据，其中包括：
根据所述振动灰度值信号，截取长度为M2的离散信号，假设截取所述一段信号的起始截点为i，则截取的信号段长度为[i,i+M2]；截取后的离散信号为1×M2的一维向量，将其按顺序排列转换为M×M的二维矩阵，由此得到振动信号经过转换后的单通道二维图像点阵的表达形式为：
4.根据权利要求1所述的工业循环水系统供水泵故障诊断方法，其特征在于，将所述单通道二维图像数据转化为三通道二维图像数据集，其中包括：
将x、y、z轴分别得到的单通道二维形式图像合并成三通道二维图像，根据所述三通道二维图像数据进行整合，获得生成对抗网络训练的原始样本数据集。
5.根据权利要求1所述的工业循环水系统供水泵故障诊断方法，其特征在于，采用生成对抗网络对原始样本进行数据增强处理，所述包括：
采用生成对抗网络对原始样本进行数据增强，获得更多的供水泵故障图像数据，扩充供水泵故障图像数据集。
6.根据权利要求1所述的工业循环水系统供水泵故障诊断方法，其特征在于，采用卷积-双向长短时记忆神经网络的方法对故障特征进行提取，所述方法包括：
采用所述生成对抗网络生成的供水泵故障图像数据集训练卷积-双向长短时记忆神经网络，所述深度神经网络能在空间维度与时间维度同时提取故障特征，融合卷积神经网络和双向长短时记忆神经网络能够增强神经网络对故障特征的提取能力，增大故障特征的提取效率。
7.根据权利要求1所述的工业循环水系统供水泵故障诊断方法，其特征在于，引入注意力机制对不同故障特征进行加权，增加不同故障特征之间的差异，所述方法包括：
在所述卷积-双向长短时记忆神经网络中嵌入局部注意力机制和全局注意力机制两个模块，能够对通道间及所有通道中的故障特征进行加权处理，进一步增加了不同故障特征之间的差异性，获得关键深度特征，增大了所述方法对于供水泵故障特征的聚类效率。
8.根据权利要求1所述的工业循环水系统供水泵故障诊断方法，其特征在于，根据所述故障特征聚类，确定供水泵实际故障类别，所述方法包括：
根据所述卷积-双向长短时记忆神经网络中的故障分类层对故障特征进行聚类，建立供水泵故障诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210664270.7A CN114992138B (zh) | 2022-06-13 | 2022-06-13 | 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210664270.7A CN114992138B (zh) | 2022-06-13 | 2022-06-13 | 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114992138A true CN114992138A (zh) | 2022-09-02 |
| CN114992138B CN114992138B (zh) | 2024-03-26 |
Family
ID=83032675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210664270.7A Active CN114992138B (zh) | 2022-06-13 | 2022-06-13 | 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114992138B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040199480A1 (en) * | 1999-09-28 | 2004-10-07 | Unsworth Peter J. | Detection of pump cavitation/blockage and seal failure via current signature analysis |
| CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
| CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| CN112304614A (zh) * | 2020-11-27 | 2021-02-02 | 中国人民解放军海军工程大学 | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 |
| US20210110913A1 (en) * | 2019-10-11 | 2021-04-15 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning |
| CN113032917A (zh) * | 2021-03-03 | 2021-06-25 | 安徽大学 | 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
-
2022
- 2022-06-13 CN CN202210664270.7A patent/CN114992138B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040199480A1 (en) * | 1999-09-28 | 2004-10-07 | Unsworth Peter J. | Detection of pump cavitation/blockage and seal failure via current signature analysis |
| CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
| CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
| CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
| US20210110913A1 (en) * | 2019-10-11 | 2021-04-15 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning |
| CN112304614A (zh) * | 2020-11-27 | 2021-02-02 | 中国人民解放军海军工程大学 | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN113032917A (zh) * | 2021-03-03 | 2021-06-25 | 安徽大学 | 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 |
| CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 王太勇;王廷虎;王鹏;乔卉卉;徐明达;: "基于注意力机制BiLSTM的设备智能故障诊断方法", 天津大学学报(自然科学与工程技术版), no. 06, pages 601 - 608 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
| CN117231524B (zh) * | 2023-11-14 | 2024-01-26 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114992138B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Improved generative adversarial network for vibration-based fault diagnosis with imbalanced data | |
| CN110751207B (zh) | 基于深度卷积域对抗迁移学习的故障诊断方法 | |
| CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
| CN112629851B (zh) | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 | |
| 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 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| Zhang et al. | Deep convolutional neural network using transfer learning for fault diagnosis | |
| CN114358123B (zh) | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 | |
| CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
| CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
| CN115374820A (zh) | 一种基于多源子域适应网络的旋转机械跨域故障诊断方法 | |
| CN114992138A (zh) | 基于GAN-CNN-BiLSTM的工业循环水系统供水泵故障诊断方法 | |
| CN116502072B (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
| CN114254677A (zh) | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 | |
| CN116975718A (zh) | 基于自监督学习的滚动轴承跨域故障诊断方法 | |
| CN116578907A (zh) | 一种齿轮箱的小样本故障分类方法及系统 | |
| CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
| CN116796193A (zh) | 基于信息融合和元学习的工业循环水系统供水泵跨域故障诊断方法 | |
| CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
| CN114139598B (zh) | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 | |
| CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
| CN116244640A (zh) | 一种基于联邦学习的非平衡轴承故障诊断方法及系统 | |
| Barakat et al. | Bsp-bdt classification technique: Application to rolling elements bearing | |
| CN117760731B (zh) | 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统 | |
| Liu et al. | Conditional Generative Adversarial Network for Small-Sample Fault Diagnosis of Bearings |
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 | ||
| GR01 | Patent grant |