CN114993677B - 不平衡小样本数据的滚动轴承故障诊断方法及系统 - Google Patents

不平衡小样本数据的滚动轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN114993677B
CN114993677B CN202210509748.9A CN202210509748A CN114993677B CN 114993677 B CN114993677 B CN 114993677B CN 202210509748 A CN202210509748 A CN 202210509748A CN 114993677 B CN114993677 B CN 114993677B
Authority
CN
China
Prior art keywords
data
rolling bearing
self
fault diagnosis
coding
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.)
Active
Application number
CN202210509748.9A
Other languages
English (en)
Other versions
CN114993677A (zh
Inventor
姜明顺
王金喜
张艺蓝
张法业
张雷
贾磊
隋青美
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210509748.9A priority Critical patent/CN114993677B/zh
Publication of CN114993677A publication Critical patent/CN114993677A/zh
Application granted granted Critical
Publication of CN114993677B publication Critical patent/CN114993677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种不平衡小样本数据的滚动轴承故障诊断方法及系统，包括：获取滚动轴承的声纹信号数据；对采集到的数据进行降维、位置编码和填充处理；基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码‑解码”模型中的编码部分与多头自注意力机制分类器搭建。本发明通过基于多头自注意力机制的自“编码‑解码”模型实现了模型预训练，解决了将多头自注意力机制应用到多模态任务数据需求问题，并有效提升了模型训练效率与故障诊断准确率。

Description

不平衡小样本数据的滚动轴承故障诊断方法及系统
技术领域
本发明涉及轴承故障诊断技术领域，尤其涉及一种不平衡小样本数据的滚动轴承故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
据不完全统计，大约30％的旋转机械故障是由滚动轴承引起的。滚动轴承在运行状态下，其裂纹、表面损伤和磨损等故障都会引起接触面的弹性冲击从而导致声纹信号的产生，同时产生大量的故障信息。基于数据驱动的深度学习方法需要大量的数据支持，这在故障诊断领域实现起来比较困难。工业数据的获取存在严重的样本异质性问题：正常数据容易获取，但特定故障数据的获取成本较高。因此，研究不平衡小数据样本的故障诊断是必要的。
近几年，Transformer模型通过多头自注意力机制从本质上提升了深度学习网络模型与学习过程的可解释性，基于此的ViT模型打破了深度学习在机器视觉与自然语言处理之间的壁垒，同时也为故障诊断任务提供了新的研究思路。
但是，将多头自注意力机制引入轴承故障诊断存在诸多困难：
(1)多头自注意力机制自身不具备降维能力，仅用多头自注意力机制网络难以实现诸如自编码器等网络结构；
(2)多头自注意力机制模块缺乏传统方法的预设偏置，例如卷积神经网络的平移不变性等，因此对于数据的需求量大，在小样本数据的条件下难以学习到数据表征；
(3)将多头自注意力机制直接运用在轴承声纹信号这类非结构化序列数据会使得模型维度过于庞大，消耗计算资源过多。
发明内容
为了解决上述问题，本发明提出了一种不平衡小样本数据的滚动轴承故障诊断方法及系统，解决了将多头自注意力机制网络应用于故障诊断任务的数据需求与输入数据维度高的问题，得到的故障诊断模型泛化性强，故障识别准确度高，可以应用于不平衡小样本数据的故障诊断。
在一些实施方式中，采用如下技术方案：
一种不平衡小样本数据的滚动轴承故障诊断方法，包括：
获取滚动轴承的声纹信号数据；
对采集到的数据进行降维、位置编码和填充处理；
基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；
其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。
作为可选的方式，对采集到的数据进行降维处理，具体包括：
将一维声纹信号利用Python内置的Reshape函数转变成二维数组。
作为可选的方式，对采集到的数据进行填充处理，具体包括：
在设定的位置对二维数组进行零填充。
作为可选的方式，所述基于多头自注意力机制的自“编码-解码”模型包括：依次设置的原始信号、编码器层、解码器层和重构信号；每个编码器层和每个解码器层均由多头自注意力块和前馈神经网络组成；所述编码器层输出的数据在输入解码器层之前经过再编码操作。
作为可选的方式，所述再编码操作具体为：取编码器输出数据的后N列，用零填充的方法填充至设定列数。
作为可选的方式，对于基于多头自注意力机制的自“编码-解码”模型的训练过程包括：
构建训练数据集，所述数据集由内圈故障数据，外圈故障数据，滚动体故障数据，保持架故障数据和正常轴承数据按照设定的比例组成；
对训练数据集中的数据分别进行降维、位置编码和填充处理；
利用处理后的数据对基于多头自注意力机制的自“编码-解码”模型进行训练。
作为可选的方式，基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型，具体为：
将滚动轴承的声纹信号数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取输出数据的后N列数据，得到降维特征数据；
在降维特征数据头部添加分类头<CLS>，形成新的数据；
将所述新的数据输入训练好的多头自注意力机制分类器，得到滚动轴承的故障类型和位置信息。
在另一些实施方式中，采用如下技术方案：
一种不平衡小样本数据的滚动轴承故障诊断系统，包括：
数据获取模块，用于获取滚动轴承的声纹信号数据；
数据预处理模块，用于对采集到的数据进行降维、位置编码和填充处理；
故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上所述的不平衡小样本数据的滚动轴承故障诊断方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的不平衡小样本数据的滚动轴承故障诊断方法。
与现有技术相比，本发明的有益效果是：
(1)本发明通过基于多头自注意力机制的自“编码-解码”模型实现了模型预训练，解决了将多头自注意力机制应用到多模态任务数据需求问题，并有效提升了模型训练效率与故障诊断准确率。
(2)本发明由预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建故障诊断模型，解决了将多头自注意力机制网络应用于故障诊断任务的数据需求与输入数据维度高的问题，得到的故障诊断模型泛化性强，故障识别准确度高，可以应用于不平衡小样本数据的故障诊断。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的不平衡小样本数据的滚动轴承故障诊断方法流程图；
图2为本发明实施例中的基于多头自注意力机制的自“编码-解码”模型结构图；
图3为本发明实施例中的故障诊断模型结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种不平衡小样本数据的滚动轴承故障诊断方法，结合图1，具体包括：
(1)获取滚动轴承的声纹信号数据；
本实施例中，通过声纹传感器按照设定的频率采集滚动轴承的数据。
(2)对采集到的数据进行降维、位置编码和填充处理；
本实施例中，对采集到的数据进行降维处理，具体为：将N＝2400的一维声纹信号
Figure GDA0004057694820000061
利用Python内置的Reshape函数转变成形状为[300,8]的二维数组，其中，300为行数，8为列数。
对采集到的数据进行位置编码处理，具体为：
通过位置编码的方法，为多头自注意力机制模型提供信号的位置信息，位置编码公式为：
Figure GDA0004057694820000062
其中，i为数据所处的具体位置序号，pos为嵌入向量，dmodel为模型的维度，设置为128。
对采集到的数据进行填充处理，具体为：
使用0填充的方法，在形状为[300,8]的二维数组之后增加第301行到第375行，列数依然为8，并填充0值，使得形状为[300,8]的二维数组变为形状为[375,8]的二维数组(即行数为375，列数为8)，填充比例为25％。进行零填充之后可以在自“编码-解码”模型的编码器层能够关注边缘数据，更好地提取信号特征。
(3)构建基于多头自注意力机制的自“编码-解码”模型，并进行训练。
本实施例中，基于多头自注意力机制的自“编码-解码”模型结构如图2所示，主要包括：“原始信号-编码器层(8层)-解码器层(2层)-重构信号”等组成，每个编码器层和解码器层均由两部分组成：多头自注意力块、前馈神经网络。其中，编码器输出数据在输入解码器前需经过再编码操作，再编码操作的好处为：使数据恢复到原来的形状(形状为[300,8]的二维数组)，便于后续解码操作。具体过程如下：取编码器输出后75列数据，用零填充的方法再次填充至300列，填充比例为400％。前馈神经网络由两层全连接层组成，激活函数使用ReLU函数。
ReLu激活函数的表达式为：
ReLU(x)＝max(0,x) (2)
多头自注意力块由四部分组成：多头线性层、按比缩放的点积注意力层、多头级联层、线性层，头数为16。
本实施例中，对于多头自注意力机制的自“编码-解码”模型的训练过程，具体如下：
(3.1)构建训练数据集
利用声纹传感器按照内圈故障信号：外圈故障信号：滚动体故障信号：保持架故障信号：正常轴承信号＝9:9:1:1:80的比例采集信号。
具体地，利用声纹传感器以25.6kHz的采样频率按照内圈故障信号：外圈故障信号：滚动体故障信号：保持架故障信号：正常轴承信号＝9:9:1:1:80的比例采集信号
Figure GDA0004057694820000071
其中，x＝x(t)为一维信号，xi为声纹信号
Figure GDA0004057694820000072
中的第i个采样点幅值，1≤i≤N，N为信号的采样点个数，本实施例中，N＝2400。
滚动轴承故障模拟平台包括变频调速三相异步电动机(额定功率1.5KW，额定转速2840RPM)、转矩转速传感器、轴承座(内含正常轴承或者故障轴承)、径向加载装置和磁粉制动器等组成。
测试情况下，电动机转速为2250RPM，即转频为37.5Hz。对于预设故障轴承，分别在内圈、外圈、滚动体和保持架施加宽0.2mm深0.5mm的裂痕故障。故障轴承滚动体个数为13，节径为38.5mm，圆柱滚子直径为6.5mm，接触角0°。外圈裂痕故障轴承示意图如图3所示。采集声纹信号的声纹传感器选用兆华电子有限公司的CRY343自由场测量传声器，其开路灵敏度(250Hz)为4mV(-48dB)±3dB，频率响应为4Hz-90kHz±3dB。
在内圈故障信号、外圈故障信号、滚动体故障信号、保持架故障信号和正常轴承信号中均按照3:7的比例构造有标签数据集和无标签数据集，模拟样本异质性问题，有标签数据作为自编码预训练网络的数据集。
(3.2)数据预处理
将所采集的信号进行降维、位置编码和填充处理；具体实现过程与步骤(2)中的实现过程相同，不再详述。
(3.3)模型训练
使用预训练数据集对基于多头自注意力机制的自“编码-解码”模型进行训练，调整模型参数。
具体地，利用带有标签的训练数据集对基于多头自注意力机制的自“编码-解码”模型进行训练，输入数据是经过数据预处理步骤的数据，监督数据是原始数据，损失函数选择平均绝对值误差函数，损失函数计算方式如下：
Figure GDA0004057694820000081
其中，y是原始信号矩阵，
Figure GDA0004057694820000082
是解码器输出的预测矩阵，yi和
Figure GDA0004057694820000083
是矩阵中的元素。
(4)基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；
本实施例中，由预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建故障诊断模型，如图3所示，对所采集的声纹信号进行诊断，得到滚动轴承的故障类型和位置信息；具体过程如下：
(4.1)提取并固定预训练完成的基于多头自注意力机制的自“编码-解码”模型。
(4.2)构建多头自注意力机制分类器，主要由“输入信号-编码器层(4层)-解码器层(4层)-输出信号”等结构组成，并且输入维度为76维。
(4.3)将有标签的数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取后75列数据，得到降维特征数据，降维特征数据不包含原始数据中与故障特征无关的冗余部分，最大程度保留信号的有效信息同时保证实现高效分类。
(4.4)在降维特征数据头部添加分类头<CLS>。
(4.5)将维度为76的新数据输入分类器，并用标签对分类器进行训练，输入数据是有标签数据的降维特征数据，监督标签是故障类别，损失函数选择多分类交叉熵函数，损失计算方式如下：
Figure GDA0004057694820000091
其中，y是故障标签，
Figure GDA0004057694820000092
是分类头输出的预测值。
实施例二
在一个或多个实施方式中，公开了一种不平衡小样本数据的滚动轴承故障诊断系统，具体包括：
数据获取模块，用于获取滚动轴承的声纹信号数据；
数据预处理模块，用于对采集到的数据进行降维、位置编码和填充处理；
故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。
需要说明的是，上述各模块的具体实施方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的不平衡小样本数据的滚动轴承故障诊断方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的不平衡小样本数据的滚动轴承故障诊断方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，包括：
获取滚动轴承的声纹信号数据；
对采集到的声纹信号数据进行降维、位置编码和填充处理；
基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；
得到滚动轴承的故障类型，具体过程包括：将滚动轴承的声纹信号数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取输出数据的后N列数据，得到降维特征数据；在降维特征数据头部添加分类头<CLS>，形成新的数据；将所述新的数据输入训练好的多头自注意力机制分类器，得到滚动轴承的故障类型和位置信息；
其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建；
对于基于多头自注意力机制的自“编码-解码”模型的训练过程包括：构建训练数据集，所述数据集由内圈故障数据，外圈故障数据，滚动体故障数据，保持架故障数据和正常轴承数据按照设定的比例组成；对训练数据集中的数据分别进行降维、位置编码和填充处理；利用处理后的数据对基于多头自注意力机制的自“编码-解码”模型进行训练；
还包括：利用带有标签的训练数据集对基于多头自注意力机制的自“编码-解码”模型进行训练，输入数据是对采集到的声纹信号数据进行降维、位置编码和填充处理后得到的数据，监督数据是原始数据，损失函数选择平均绝对值误差函数，损失函数计算方式如下：
Figure FDA0004057694810000011
其中，y是原始信号矩阵，
Figure FDA0004057694810000021
是解码器输出的预测矩阵，yi和
Figure FDA0004057694810000022
是矩阵中的元素。
2.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对采集到的声纹信号数据进行降维处理，具体包括：
将一维声纹信号利用Python内置的Reshape函数转变成二维数组。
3.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对采集到的声纹信号数据进行填充处理，具体包括：
在设定的位置对二维数组进行零填充。
4.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，所述基于多头自注意力机制的自“编码-解码”模型包括：依次设置的原始信号、编码器层、解码器层和重构信号；每个编码器层和每个解码器层均由多头自注意力块和前馈神经网络组成；所述编码器层输出的数据在输入解码器层之前经过再编码操作。
5.如权利要求4所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，所述再编码操作具体为：取编码器输出数据的后N列，用零填充的方法填充至设定列数。
6.一种不平衡小样本数据的滚动轴承故障诊断系统，用于实现权利要求1-5任一项权利要求所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，包括：
数据获取模块，用于获取滚动轴承的声纹信号数据；
数据预处理模块，用于对采集到的声纹信号数据进行降维、位置编码和填充处理；
故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。
7.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的不平衡小样本数据的滚动轴承故障诊断方法。
8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的不平衡小样本数据的滚动轴承故障诊断方法。
CN202210509748.9A 2022-05-11 2022-05-11 不平衡小样本数据的滚动轴承故障诊断方法及系统 Active CN114993677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210509748.9A CN114993677B (zh) 2022-05-11 2022-05-11 不平衡小样本数据的滚动轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210509748.9A CN114993677B (zh) 2022-05-11 2022-05-11 不平衡小样本数据的滚动轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114993677A CN114993677A (zh) 2022-09-02
CN114993677B true CN114993677B (zh) 2023-05-02

Family

ID=83026979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210509748.9A Active CN114993677B (zh) 2022-05-11 2022-05-11 不平衡小样本数据的滚动轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114993677B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452373B (zh) * 2022-09-23 2024-05-28 西安交通大学 一种基于事件相机的滚动轴承故障诊断方法
CN116243683B (zh) * 2023-03-15 2024-02-13 青岛澎湃海洋探索技术有限公司 基于转矩和多头自编码器的推进系统故障诊断方法
CN117235583B (zh) * 2023-11-13 2024-01-30 国网浙江省电力有限公司双创中心 一种gis断路器执行机构的监测方法及系统

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902921B (zh) * 2018-11-30 2022-11-25 腾讯科技（深圳）有限公司 图像处理方法、装置、设备及存储介质
CN109859760A (zh) * 2019-02-19 2019-06-07 成都富王科技有限公司 基于深度学习的电话机器人语音识别结果校正方法
CN112037776A (zh) * 2019-05-16 2020-12-04 武汉Tcl集团工业研究院有限公司 一种语音识别方法、语音识别装置及终端设备
CN110567720B (zh) * 2019-08-07 2020-12-18 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
US20210081672A1 (en) * 2019-09-13 2021-03-18 Nec Laboratories America, Inc Spatio-temporal interactions for video understanding
CN111103139A (zh) * 2019-12-31 2020-05-05 福州大学 基于grcmse与流形学习的滚动轴承故障诊断方法
CN111238815B (zh) * 2020-02-26 2022-05-06 中国民航大学 一种样本不平衡下基于数据增强的轴承故障识别方法
CN111721535B (zh) * 2020-06-23 2021-11-30 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN112183344B (zh) * 2020-09-28 2021-06-01 广东石油化工学院 基于波形和无量纲学习的大机组摩擦故障分析方法及系统
CN112417954B (zh) * 2020-10-13 2022-12-16 同济大学 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN112364706A (zh) * 2020-10-19 2021-02-12 燕山大学 一种基于类不平衡的小样本轴承故障诊断方法
CN112304614B (zh) * 2020-11-27 2023-04-25 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
CN112649198B (zh) * 2021-01-05 2023-04-18 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN112906739B (zh) * 2021-01-18 2021-11-05 河南工业大学 基于多头注意力及轴系设备周期性的故障诊断方法
CN113008559B (zh) * 2021-02-23 2022-02-22 西安交通大学 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN113128338B (zh) * 2021-03-15 2024-02-02 西安理工大学 一种小样本下印刷机滚筒故障的智能诊断方法
CN113221996A (zh) * 2021-04-30 2021-08-06 山东大学 一种基于多头注意力机制的轴承故障诊断方法及系统
CN113313028B (zh) * 2021-05-28 2024-03-12 国网陕西省电力公司电力科学研究院 一种火焰检测方法、系统、终端设备及可读存储介质
CN113255078A (zh) * 2021-05-31 2021-08-13 南京信息工程大学 一种样本不均衡条件下的轴承故障检测方法及装置
CN113505654A (zh) * 2021-06-17 2021-10-15 浙江优特轴承有限公司 基于多视角注意力网络的轴承健康状态识别方法
CN113642414A (zh) * 2021-07-19 2021-11-12 北京航空航天大学 一种基于Transformer模型的滚动轴承剩余使用寿命预测方法
CN113865868B (zh) * 2021-08-24 2023-12-22 东南大学 基于时频域表达的滚动轴承故障诊断方法
CN113935460B (zh) * 2021-09-27 2023-08-11 苏州大学 类不平衡数据集下的机械故障智能诊断方法
CN113869208B (zh) * 2021-09-28 2024-06-07 徐州卓越声振测控科技有限公司 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN113869410A (zh) * 2021-09-28 2021-12-31 云南农业大学 一种基于dcgan样本补充的滚动轴承故障诊断方法
CN113758709A (zh) * 2021-09-30 2021-12-07 河南科技大学 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
CN113947680A (zh) * 2021-10-12 2022-01-18 哈尔滨理工大学 一种基于级联多尺度视觉Transformer的图像语义分割方法
CN114444218A (zh) * 2021-10-19 2022-05-06 华北电力大学（保定） 一种多工况下小样本滚动轴承故障诊断方法
CN114036978A (zh) * 2021-10-28 2022-02-11 西安电子科技大学 一种基于Transformer和数据增强的轴承故障诊断方法及系统
CN114266269A (zh) * 2021-11-12 2022-04-01 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种轴承故障诊断方法、系统、存储介质及设备
CN114331214A (zh) * 2022-01-21 2022-04-12 山东大学 基于强化学习的域自适应轴承声纹故障诊断方法及系统

Also Published As

Publication number Publication date
CN114993677A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114993677B (zh) 不平衡小样本数据的滚动轴承故障诊断方法及系统
Hu et al. Data-driven fault diagnosis method based on compressed sensing and improved multiscale network
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN112417954A (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
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
Lu et al. A novel feature extraction method using deep neural network for rolling bearing fault diagnosis
CN110608884B (zh) 一种基于自注意力神经网络的滚动轴承状态诊断方法
CN116448428B (zh) 电机轴承故障诊断方法、装置、电子设备及可读存储介质
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN114659790B (zh) 一种变转速风电高速轴轴承故障的识别方法
CN111931625A (zh) 基于非对称损失神经网络的产品关键零件剩余寿命预测方法
CN112699597A (zh) 一种核电启动水泵滚动轴承故障检测方法及系统
CN110852154A (zh) 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质
CN112146882A (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
Zhang et al. Fault diagnosis using unsupervised transfer learning based on adversarial network
CN114626625A (zh) 基于多模块U-BiLSTM网络的轴承寿命预测方法
CN111428788A (zh) 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统
CN114925809A (zh) 基于lstm的印刷机轴承故障诊断方法及装置
CN116380466A (zh) 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统
Liu et al. Real-time fault diagnosis of rotating machinery using 1-D convolutional neural network
CN115100402A (zh) 小样本分割模型、小目标检测方法、系统、介质及设备
Chang et al. Bearing Fault Diagnosis Based on an Advanced Method: ID-CNN-LSTM

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