CN115034262A - 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法 - Google Patents

一种基于融合卷积神经网络和优化svm的轴承故障诊断方法 Download PDF

Info

Publication number
CN115034262A
CN115034262A CN202210593358.4A CN202210593358A CN115034262A CN 115034262 A CN115034262 A CN 115034262A CN 202210593358 A CN202210593358 A CN 202210593358A CN 115034262 A CN115034262 A CN 115034262A
Authority
CN
China
Prior art keywords
neural network
fusion
convolutional neural
svm
bearing
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
CN202210593358.4A
Other languages
English (en)
Inventor
林珍莉
曾宪文
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji 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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202210593358.4A priority Critical patent/CN115034262A/zh
Publication of CN115034262A publication Critical patent/CN115034262A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明涉及一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，包括以下步骤：1)获取轴承时域振动信号并分为一维向量和二维矩阵两种数据形式；2)将两种数据形式的轴承时域振动信号输入融合卷积神经网络中提取并融合得到故障振动信号特征；3)构建支持向量机进行训练并通过海洋捕食者算法优化其参数；4)将故障振动信号特征输入优化后的支持向量机中进行分类，得到最终的轴承故障类型。与现有技术相比，本发明具有提高特征提取率和故障分类准确率等优点。

Description

一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法
技术领域
本发明涉及轴承寿命预测及健康诊断领域，尤其是涉及一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法。
背景技术
滚动轴承如果在机械运行的时候发生故障,将严重影响正常的工作，因此有效解决故障发生的原因,不仅是提高轴承稳健性的重要措施，也是保证工业机械设备正常运行的关键。滚动轴承运行到轴承寿命殆尽的整个过程中，其发生故障的概率也不同。对于具有重要作用的轴承，定时维修是非常不科学的。因此，轴承检测和故障诊断技术的研究和应用受到越来越多研究学者的关注，成为故障诊断领域的研究热点，也成为了保障电机良好运行状况的重要措施。
现有轴承故障诊断技术中，出现了基于机器学习方法和深度学习的方法，机器学习和轴承故障诊断相结合，需要大量的专业知识和复杂的手工特征提取工程，深度学习是自动特征提取，准确率更高，尤其是基于卷积神经网络的轴承故障诊断模型更具有通用性。
但是在现有的技术中存在以下缺点：
第一，在机器学习领域滚动轴承诊断模型操作复杂，需要专业人员进行手动特征提取，这导致研究成本较大；
第二，在深度学习领域轴承故障诊断使用卷积神经网络的模型虽然更普遍和方便，但为了提升准确率需要对CNN进行改进和优化，在CNN模型中分类器的选择也是提高模型准确率的关键。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，用以快速判断轴承的损毁类型和程度，降低因轴承故障造成机器损坏甚至整个系统瘫痪的现象，节省人力和物力，降低因故障而造成的经济损失。
本发明的目的可以通过以下技术方案来实现：
一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，包括以下步骤：
1)获取轴承时域振动信号并分为一维向量和二维矩阵两种数据形式；
2)将两种数据形式的轴承时域振动信号输入融合卷积神经网络中提取并融合得到故障振动信号特征；
3)构建支持向量机进行训练并通过海洋捕食者算法优化其参数；
4)将故障振动信号特征输入优化后的支持向量机中进行分类，得到最终的轴承故障类型。
所述的融合卷积神经网络由一维向量特征提取子网络、二维向量特征提取子网络、特征汇聚层以及两层全连接层，所述的一维向量特征提取子网络包括依次连接的第一输入层、第一卷积层、第一池化层、第二卷积层和第二池化层，所述的二维向量特征提取子网络包括依次连接的第二输入层、第三卷积层、第三池化层、第四卷积层和第四池化层，所述的特征汇聚层分别与第二池化层和第四池化层连接，用以将池化层输出的特征进行融合后输入全连接层中。
所述的步骤3)中，支持向量机的待优化参数包括核参数与惩罚因子。
所述的步骤3)中，通过海洋捕食者算法优化支持向量机的参数具体包括以下步骤：
31)设置海洋捕食者参数，初始化种群；
32)设置支持向量机的待优化参数的取值范围，计算猎物矩阵适应度值，记录最优位置，获取精英矩阵；
33)根据迭代阶段选择对应的更新方式更新捕食者的位置，将训练支持向量机得到的测试集和训练集的错误率之和作为海洋捕食者算法的适应度值，并计算适应度值，更新最优位置，若训练达到精度要求，将所得的参数作为支持向量机的最优参数，否则返回步骤33)继续更新捕食者的位置。
所述的步骤33)中，迭代阶段包括迭代初期、迭代中期和迭代后期，在迭代初期时，海洋捕食者维持当前位置，在迭代中时，种群被分为两部分，其中，猎物做莱维运动，海洋捕食者做布朗运动，在迭代后期时，海洋捕食者做莱维运动。
所述的步骤3)中，对滚动轴承数据集进行重叠采样和删除冗余的数据，按照8：1：1的比例划分训练集、验证集与测试集后对支持向量机进行训练。
所述的轴承故障类型包括三种驱动端尺寸下的内圈、外圈和滚动体故障。
所述的三种驱动端尺寸分别为0.007mm、0.014mm、0.021mm。
所述的步骤4)中，优化后的支持向量机采用的核函数为RBF。
在融合卷积神经网络中，为防止过拟合，采用Dropout方法减少中间特征的数量，增加每层各个特征的正交性。
与现有技术相比，本发明具有以下优点：
一、本发明通过融合一维和二维卷积神经网络的优点，克服了单个卷积神经网络特征提取的不足，在分类阶段选用MPA算法对支持向量机的核参数和惩罚因子进行优化，解决了参数人为选取的随机性，不仅提高了特征的提取率，更提高了故障分类准确率。
二、本发明通过基于融合CNN与MPA-SVM的滚动轴承故障诊断方法，有效解决了轴承故障诊断模型中细微故障特征提取困难、信息冗余、泛化效果不好、分类准确率低等问题。
附图说明
图1为本发明融合CNN和MPA-SVM的故障诊断原理图。
图2为MPA算法流程图。
图3为CNN+MPA-SVM分类准确率曲线。
图4为CNN+MPA-SVM损失率曲线。
图5为融合CNN+MPA-SVM模型分类结果混淆矩阵。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
针对轴承故障诊断模型中细微故障特征提取困难、信息冗余、泛化效果不好、分类准确率低等问题，本发明提供一种基于融合卷积神经网络(CNN)和海洋捕食者算法(MPA)优化支持向量机(SVM)的滚动轴承故障诊断方法，用于诊断轴承故障类型以便进行维修和预测轴承使用寿命，如图1所示，该方法的基本原理如下：
S1、数据输入：将轴承原始时域振动信号分为一维和二维两种形式，并分别输入一维和二维卷积神经网络进行自适应特征提取，融合两者的优点便于更全面的提取轴承的特征。
S2、分类模型：首先在CNN前向传播中，一维卷积核和二维卷积核分别提取故障振动信号的特征，为了减少参数和过拟合问题，选择最大池化层来降低特征数据的维数，然后使用全连接层对特征进行拟合，在反向传播阶段，通过Adam训练算法更新权重，以获得全局最优解，从而使误差损失函数最小化，最后，利用SVM进行故障分类，得到10种轴承故障的分类精度。
S3、参数优化：分别利用MPA、PSO、SSA算法对SVM的核参数和惩罚因子进行优化，通过训练此模型，让核参数和惩罚因子达到最优值，通过对比找到最优算法使SVM的分类精度达到最优。
S4、方法验证：利用振动信号的测试数据集对优化后的分类模型进行了验证。
1、基于融合CNN和SVM的轴承故障诊断模型：
相较于传统人为设计的特征提取方法，CNN可以提取轴承故障振动信号的更深层特征，一维卷积是滑动窗口在宽或高方向上的相乘和求和，常用于序列模型，二维卷积是在高和宽两个维度上同时进行，常用来处理图像数据，本发明结合二者的优点，融合了1DCNN和2DCNN，采用不同尺度的卷积核对不同维数的输入信号进行卷积，卷积过程数学表达式为：
Figure BDA0003666545540000041
式中，
Figure BDA0003666545540000042
为第l层经过卷积后的第j个元素，
Figure BDA0003666545540000043
为权重矩阵，mj为第l－1层输出数据的第j个卷积区域，
Figure BDA0003666545540000044
为当前输出特征图中的元素，
Figure BDA0003666545540000045
为偏置项，f(x)为激活函数，max()为最大值函数，f(x)表达式为：
f(x)＝max[0,lg(1+ex)] (2)
池化层是一种降采样形式，主要过滤掉冗余的信息，减小参数数量。同时，它可以加快计算速度，防止过度拟合，
Figure BDA0003666545540000046
表示第t层第l个特征图的偏置项，
Figure BDA0003666545540000047
表示第t-1层的元素，由于轴承振动信号易受噪声干扰，所以本发明选取最大池化作为池化层，可表示为：
Figure BDA0003666545540000051
特征图经过池化层的压缩、简化后，在汇聚层将两者池化层的输出连接成一个向量，输入全连接层，全连接层主要用于对获取到的特征进行拟合操作，同时为了防止过拟合采用Dropout方法，减少中间特征的数量，增加每层各个特征的正交性，最后采用SVM对采集到的特征进行最后的分类，卷积神经网络的模型参数如表1所示。
表1融合CNN和MPA-SVM模型结构参数表
编号 层名称 各层参数设置
1 输入层1-1 大小：1×1024
1 输入层2-1 大小：32×32
2 卷积层1-1 大小：1×3，数目：8
2 卷积层2-1 大小：3×3，数目：8
3 池化层1-1 大小：1×2，数目：16
3 池化层2-1 大小：2×2，数目：16
4 卷积层1-2 大小：1×3，数目：16
4 卷积层2-2 大小：3×3，数目：16
5 池化层1-2 大小：1×2，数目：16
5 池化层2-2 大小：2×2，数目：16
6 全连接层1 大小：5120，数目：1
7 全连接层2 大小：512，数目：1
8 MPA-SVM 大小：1×10，数目：1
2、基于MPA的SVM的参数优化：
SVM本质模型是特征空间中最大化间隔的线性分类器，是一种二分类模型，在SVM中核参数的选取影响SVM的性能，惩罚因子代表了分类准确性和模型复杂度之间的权衡，而核参数和惩罚因子的选取都是人为，带有一定的随机性和不精确性。海洋捕食者算法(MPA)是由Afshan Faramarzi等人在2020年提出来的，其灵感来源于海洋捕食者觅食策略。MPA具有很强的寻优能力，相较于其他传统智能优化算法，MPA的计算速度和精确度更高。为了提高分类的严谨性和精确度，本发明采用MPA对SVM的核参数与惩罚因子进行优化，从而对故障类型进行识别。
如图2所示，利用MPA优化SVM参数的优化过程分为三个主要阶段，考虑不同的速度比，同时模拟捕食者和猎物的整个生命周期：
阶段一：发生在优化的迭代初期，此时全局搜索非常重要，此阶段捕食者采取的最佳策略就是维持当前位置，则有：
Figure BDA0003666545540000061
Figure BDA0003666545540000062
其中，stepsize为此阶段的移动步长，
Figure BDA0003666545540000063
为呈正态分布的布朗游走随机向量，
Figure BDA0003666545540000064
为逐项乘法运算符，这个符号模拟了猎物的运动，P＝0.5，R为[0,1]内的随机均匀分布值，Eliteri为由顶级捕食者组成的精英矩阵，Prey表示猎物矩阵，si是移动步长。
阶段二：此时猎物与捕食者都在寻找猎物，该策略发生在迭代中期，种群被分为两部分，其中猎物做莱维运动，负责算法在搜索空间内开发，捕食者做布朗运动，负责算法在搜索空间内探索。
前半部分种群跟新规则如下：
Figure BDA0003666545540000065
Figure BDA0003666545540000066
后半部分种群跟新规则如下：
Figure BDA0003666545540000067
Figure BDA0003666545540000068
式中，RL是Levy分布组成出来的一个向量，RB是采用布朗随机游走产生的随机数组成的向量，维度都是d，P是常数，等于0.5，CF是步长自适应参数，式中RL表示莱维运动随机向量，CF为捕食者移动步长的自适应参数。
阶段三：该阶段发生在迭代后期，应主要注意提高算法的局部开发，此时捕食者的最佳策略为莱维运动，则有：
Figure BDA0003666545540000069
Figure BDA00036665455400000610
在公式中，RL和elite矩阵的点乘模拟了捕食者的Levi运动，因此捕食者的运动又被模拟为猎物位置的更新。
利用MPA优化SVM参数的步骤说明如下：
1)设置海洋捕食者参数，初始化种群。
2)设置SVM需要优化的参数的取值范围，计算猎物矩阵适应度值，记录最优位置，计算出精英矩阵。
3)捕食者根据迭代阶段，选择对应的更新方式，更新捕食者位置。将训练SVM得到的测试集和训练集的错误率和作为MPA的适应度值，计算适应度值，更新最优位置。若训练达到精度要求，将所得的参数作为SVM的最优结构参数，否则返回到步骤3)，采用最优参数测试SVM，得到轴承故障诊断的分类结果。
实施例
本例中，本发明提供一种基于融合卷积神经网络(CNN)和海洋捕食者算法(MPA)优化支持向量机(SVM)的滚动轴承故障诊断方法的步骤内容介绍如下：
(1)数据预处理：
本发明选用美国凯斯西储大学电气工程实验室的滚动轴承数据集，实验数据选取OHP下采样频率为48Khz的驱动端数据，驱动端的尺寸又分为三类即0.007mm、0.014mm、0.021mm，相对应每种尺寸下又可分为内圈、外圈和滚动体故障，这种组合就有九种不同的故障，再加上正常状态的轴承数据，本发明诊断的故障类型共有十种，为了增加数据集的数量增强模型的可行性，对原始数据进行重叠采样和删除冗余的数据，然后按8：1：1的比例划分训练集、验证集与测试集，故障类型如表2所示。
表2故障类型
编号 轴承状态 故障尺寸/mm
0 滚动体故障 0.007
1 滚动体故障 0.014
2 滚动体故障 0.021
3 内部故障 0.007
4 内部故障 0.014
5 内部故障 0.021
6 外部故障 0.007
7 外部故障 0.014
8 外部故障 0.021
9 正常状态 -
(2)模型的训练与评估
本例中选择Google公司的tensorflow深度学习框架搭建实验所示模型，搭建融合CNN和MPA-SVM模型，同时对训练数据集进行训练，训练时的dropout为0.6，测试时为1.0。通过融合CNN，在汇聚层将两者池化层的输出连接成一个向量，送进全连接层。模型训练结束之后，取全连接层的输出作为提取到的故障特征信号。之后采用优化后的SVM对采集到的特征进行分类，即MPA优化SVM中的核参数和惩罚因子，核函数为RBF，优化后的惩罚参数为107.999，核参数0.121。训练集分类精度为100.0％，验证集分类精度为99.6％。
训练集和验证集输入融合CNN-MPA-SVM模型经过100次迭代得到结果如图3和图4所示，从图中看出经过20次迭代之后，模型验证集的识别准确率变换已经平稳且接近100％，损失函数已经减小到接近于0，说明本方法对滚动轴承故障检测诊断有很好的效果，该模型识别结果的混淆矩阵如图5所示。从图中可看出本模型对轴承故障诊断具有很高的精确度。
(3)故障诊断能力对比
对上述融合CNN采集的特征进行分类，并以验证集的分类精度作为准确率函数，对四种分类方法进行比较。从表3可以看出方式一的准确率最低。当采用优化算法进行优化后准确率都得到了提高，说明优化SVM的参数的确能提高模型的准确率，对比表3以下三种算法可知方式四融合CNN和MPA-SVM的准确率最高效果最好,此时验证集的准确率为99.6％，优化后的惩罚参数为107.999，核参数为0.121。从表3可看出本发明的模型最好。
表3模型测试集故障分类准确率对比。
模型 准确率
融合CNN+SVM 94.6％
融合CNN+PSO-SVM 98.9％
融合CNN+SSA-SVM 99.2％
融合CNN+MPA-SVM 99.6％
本发明针对轴承故障诊断模型中细微故障特征提取困难、信息冗余、泛化效果不好、分类准确率低等问题，提出了一种基于融合CNN与MPA-SVM的滚动轴承故障诊断方法，并通过仿真验证了其有效性，本发明的优点如下：
1)利用一维CNN和二维CNN各自的特点融合在一起对滚动轴承信号进行特征提取，并利用SVM进行分类，能够使模型发挥更大的识别价值。
2)新型MPA算法优化SVM的核参数和惩罚因子，可以避免训练时间过长或参数不合适导致效果不理想的情况，提高了分类准确率。
3)所构建的基于融合CNN和MPA-SVM的轴承故障诊断模型相较于其他三种，本方法识别率最高。
综上，随着经济和工业化的发展，滚动轴承作为机械正常运行的重要零件，本发明采用了新型MPA算法优化SVM的核参数和惩罚因子，能够避免训练时间过长或参数不合适导致效果不理想的情况，提高了分类准确率，通过诊断模型能够快速的判断轴承的损毁类型和程度，无需专业人员人工操作，不仅节省的人力物力，更是减轻了由轴承故障所造成的经济损失。

Claims (10)

1.一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，包括以下步骤：
1)获取轴承时域振动信号并分为一维向量和二维矩阵两种数据形式；
2)将两种数据形式的轴承时域振动信号输入融合卷积神经网络中提取并融合得到故障振动信号特征；
3)构建支持向量机进行训练并通过海洋捕食者算法优化其参数；
4)将故障振动信号特征输入优化后的支持向量机中进行分类，得到最终的轴承故障类型。
2.根据权利要求1所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的融合卷积神经网络由一维向量特征提取子网络、二维向量特征提取子网络、特征汇聚层以及两层全连接层，所述的一维向量特征提取子网络包括依次连接的第一输入层、第一卷积层、第一池化层、第二卷积层和第二池化层，所述的二维向量特征提取子网络包括依次连接的第二输入层、第三卷积层、第三池化层、第四卷积层和第四池化层，所述的特征汇聚层分别与第二池化层和第四池化层连接，用以将池化层输出的特征进行融合后输入全连接层中。
3.根据权利要求1所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的步骤3)中，支持向量机的待优化参数包括核参数与惩罚因子。
4.根据权利要求3所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的步骤3)中，通过海洋捕食者算法优化支持向量机的参数具体包括以下步骤：
31)设置海洋捕食者参数，初始化种群；
32)设置支持向量机的待优化参数的取值范围，计算猎物矩阵适应度值，记录最优位置，获取精英矩阵；
33)根据迭代阶段选择对应的更新方式更新捕食者的位置，将训练支持向量机得到的测试集和训练集的错误率之和作为海洋捕食者算法的适应度值，并计算适应度值，更新最优位置，若训练达到精度要求，将所得的参数作为支持向量机的最优参数，否则返回步骤33)继续更新捕食者的位置。
5.根据权利要求4所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的步骤33)中，迭代阶段包括迭代初期、迭代中期和迭代后期，在迭代初期时，海洋捕食者维持当前位置，在迭代中时，种群被分为两部分，其中，猎物做莱维运动，海洋捕食者做布朗运动，在迭代后期时，海洋捕食者做莱维运动。
6.根据权利要求1所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的步骤3)中，对滚动轴承数据集进行重叠采样和删除冗余的数据，按照8：1：1的比例划分训练集、验证集与测试集后对支持向量机进行训练。
7.根据权利要求1所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的轴承故障类型包括三种驱动端尺寸下的内圈、外圈和滚动体故障。
8.根据权利要求7所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的三种驱动端尺寸分别为0.007mm、0.014mm、0.021mm。
9.根据权利要求1所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，所述的步骤4)中，优化后的支持向量机采用的核函数为RBF。
10.根据权利要求2所述的一种基于融合卷积神经网络和优化SVM的轴承故障诊断方法，其特征在于，在融合卷积神经网络中，为防止过拟合，采用Dropout方法减少中间特征的数量，增加每层各个特征的正交性。
CN202210593358.4A 2022-05-27 2022-05-27 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法 Pending CN115034262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210593358.4A CN115034262A (zh) 2022-05-27 2022-05-27 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210593358.4A CN115034262A (zh) 2022-05-27 2022-05-27 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN115034262A true CN115034262A (zh) 2022-09-09

Family

ID=83120353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210593358.4A Pending CN115034262A (zh) 2022-05-27 2022-05-27 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN115034262A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095188A (zh) * 2023-10-19 2023-11-21 中国南方电网有限责任公司 一种基于图像处理的电力安全加强方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095188A (zh) * 2023-10-19 2023-11-21 中国南方电网有限责任公司 一种基于图像处理的电力安全加强方法及系统
CN117095188B (zh) * 2023-10-19 2023-12-29 中国南方电网有限责任公司 一种基于图像处理的电力安全加强方法及系统

Similar Documents

Publication Publication Date Title
CN106682688B (zh) 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN113255882B (zh) 一种基于改进卷积胶囊网络的轴承故障诊断方法
CN111967486A (zh) 一种基于多传感器融合的复杂装备故障诊断方法
CN112700434B (zh) 医学图像的分类方法及其分类装置
CN114037844A (zh) 基于滤波器特征图的全局秩感知神经网络模型压缩方法
CN105160400A (zh) 基于l21范数的提升卷积神经网络泛化能力的方法
CN111984817B (zh) 一种基于自注意力机制加权的细粒度图像检索方法
CN115034262A (zh) 一种基于融合卷积神经网络和优化svm的轴承故障诊断方法
CN117390371A (zh) 基于卷积神经网络的轴承故障诊断方法、装置及设备
CN114580388A (zh) 数据处理方法、对象预测方法、相关设备及存储介质
CN114822823A (zh) 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统
CN113191450B (zh) 一种基于动态标签调整的弱监督目标检测算法
CN114441173A (zh) 基于改进深度残差收缩网络的滚动轴承故障诊断方法
CN112651499A (zh) 一种基于蚁群优化算法和层间信息的结构化模型剪枝方法
CN117333887A (zh) 一种基于深度学习的甲骨文字体分类方法
CN110288606B (zh) 一种基于蚁狮优化的极限学习机的三维网格模型分割方法
CN116350234A (zh) 基于gcnn-lstm模型的ecg心律失常分类方法及系统
CN114882270A (zh) 基于粒子群优化算法的主动脉夹层ct图像分类方法
CN108304546A (zh) 一种基于内容相似度和Softmax分类器的医学图像检索方法
CN114720129A (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及系统
CN109934139B (zh) 一种基于群智能算法的肌肉电信号通道组合优化方法
CN117708771B (zh) 一种基于itsobp的综合传动装置故障预测算法
CN116698410B (zh) 一种基于卷积神经网络的滚动轴承多传感器数据监控方法
CN112435742B (zh) 一种用于对fMRI脑功能连接数据进行特征约简的邻域粗糙集方法
CN116561528B (zh) 一种旋转机械的rul预测方法

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