CN115049852A - 一种轴承故障诊断方法、装置、存储介质及电子设备 - Google Patents

一种轴承故障诊断方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN115049852A
CN115049852A CN202210972101.XA CN202210972101A CN115049852A CN 115049852 A CN115049852 A CN 115049852A CN 202210972101 A CN202210972101 A CN 202210972101A CN 115049852 A CN115049852 A CN 115049852A
Authority
CN
China
Prior art keywords
data
neural network
diagnosis
target neural
preset
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
Application number
CN202210972101.XA
Other languages
English (en)
Other versions
CN115049852B (zh
Inventor
王罗
刘瑞阔
李俊卿
胡晓东
邹祖冰
邓友汉
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202210972101.XA priority Critical patent/CN115049852B/zh
Publication of CN115049852A publication Critical patent/CN115049852A/zh
Application granted granted Critical
Publication of CN115049852B publication Critical patent/CN115049852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Acoustics & Sound (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种轴承故障诊断方法、装置、存储介质及电子设备，获取第一数据；对第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签；获取目标神经网络；将第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据；利用第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果。将轴承故障振动数据转换为带故障类型标签的数据，极大程度上保留数据信息；利用目标神经网络得到与原始带故障类型标签的数据高度拟合的数据，并与原始带故障类型标签的数据经过诊断融合得到诊断结果，解决了故障诊断中故障样本不足及样本不均衡导致的诊断准确率低的缺点。

Description

一种轴承故障诊断方法、装置、存储介质及电子设备
技术领域
本发明涉及故障诊断技术领域，具体涉及一种轴承故障诊断方法、装置、存储介质及电子设备。
背景技术
在航空航天、轨道交通、海洋工程以及高档数控机床等领域广泛使用的机械设备都在向着高速率、自动化、多功能和精密化方向发展，使得机械设备结构日趋复杂，产生故障的隐患也随之持续上涨。轴承作为机械动力传递的关键部件，一直是机械故障诊断的重要对象。现有的轴承故障诊断技术大都在数据充足的条件下进行诊断，当数据不足、样本不均衡时，故障诊断结果与实际不符，达不到理想的效果。
发明内容
有鉴于此，本发明实施例提供了涉及一种轴承故障诊断方法、装置、存储介质及电子设备，以解决现有技术中由于数据不足、样本不均衡导致故障诊断结果准确率较差的技术问题。
本发明提出的技术方案如下：
第一方面，本发明实施例提供一种轴承故障诊断方法，该轴承故障诊断方法包括：获取第一数据，所述第一数据为轴承故障振动数据；对所述第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签；获取目标神经网络，所述目标神经网络是利用预设算法优化后的生成对抗网络；将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据；利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果。
可选地，在第一方面的一种可能的实现方式中，所述目标神经网络包括生成器和判别器；所述获取目标神经网络，包括：获取任意随机数与所述第一数据的故障类型标签；将所述任意随机数和所述第一数据的故障类型标签输入所述生成器进行处理，得到第一图像数据；利用所述判别器判别所述第一图像数据的真假和类别，得到第一判决结果。
可选地，在第一方面的一种可能的实现方式中，所述判别器利用Dropout机制进行拟合处理；所述获取目标神经网络，包括：获取第一神经网络；利用所述第一神经网络，确定所述第一数据的故障类型标签以及所述第一数据的故障类型标签对应的嵌入维度值和Dropout概率值，所述嵌入维度值反映所述故障类型标签的标签映射维度；利用预设算法对所述嵌入维度值与所述Dropout概率值进行优化处理，得到第一嵌入维度值与第一Dropout概率值；以所述第一图像数据和所述第二数据构建真假损失函数与分类判别损失函数，以所述第一嵌入维度值与所述第一Dropout概率值对所述第一神经网络进行训练直至所述真假损失函数与所述分类判别损失函数满足预设要求，得到目标神经网络。
可选地，在第一方面的一种可能的实现方式中，将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，包括：将所述第二数据输入所述目标神经网络，重复“对所述生成器进行训练直至预设生成器损失函数满足要求，对所述判别器进行训练”，直至所述预设生成器损失函数与预设判别器损失函数满足要求，利用所述目标神经网络生成第三数据。
可选地，在第一方面的一种可能的实现方式中，利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果，包括：将所述第三数据和所述第二数据进行混合处理，得到第四数据，所述第四数据中携带利用独热编码为所述第一数据添加的类型标签；获取至少一个神经网络学习模型；将所述第四数据输入所述至少一个预设神经网络学习模型，得到每个神经网络学习模型对所述第四数据的分类结果；利用所述每个神经网络学习模型对所述第四数据的分类结果，经过预设诊断概率融合方法，得到诊断结果。
可选地，在第一方面的一种可能的实现方式中，将所述第三数据和所述第二数据进行混合处理，得到第四数据之后，所述方法还包括：对所述第四数据进行降维处理，得到第五数据，所述第五数据表征删除冗余数据后的所述第四数据。
可选地，在第一方面的一种可能的实现方式中，所述方法还包括：根据所述诊断结果确定轴承的状态。
第二方面，本发明实施例提供一种轴承故障诊断装置，该轴承故障诊断装置包括：第一获取模块，用于获取第一数据，所述第一数据为轴承故障振动数据；第一处理模块，用于对所述第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签；第二获取模块，用于获取目标神经网络，所述目标神经网络是利用预设算法优化后的生成对抗网络；第二处理模块，用于将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据；确定模块，用于利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果。
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的轴承故障诊断方法。
第四方面，本发明实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的轴承故障诊断方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的轴承故障诊断方法，将轴承故障振动数据转换为带故障类型标签的数据，极大程度上保留数据信息；利用目标神经网络得到与原始带故障类型标签的数据高度拟合的数据，并与原始带故障类型标签的数据经过诊断融合得到诊断结果，弥补了样本数量不足和不均衡的缺陷，解决了故障诊断中故障样本不足及样本不均衡导致的诊断准确率低的缺点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的轴承故障诊断方法的流程图；
图2A是根据本发明实施例提供的滚动体故障振动数据对应的灰度图；
图2B是根据本发明实施例提供的内圈故障振动数据对应的灰度图；
图2C是根据本发明实施例提供的正常状态振动数据对应的灰度图；
图2D是根据本发明实施例提供的外圈故障振动数据对应的灰度图；
图3是根据本发明实施例提供的目标神经网络ACGAN参数寻优过程效果图；
图4是根据本发明实施例提供的目标神经网络ACGAN的原理示意图；
图5是根据本发明实施例提供的目标神经网络ACGAN中生成器与判别器的损失函数示意图；
图6是根据本发明实施例提供的GRU模型的结构示意图；
图7是根据本发明实施例的轴承故障诊断装置的结构框图；
图8是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图9是根据本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种轴承故障诊断方法，如图1所示，该方法包括如下步骤：
步骤101：获取第一数据，所述第一数据为轴承故障振动数据。
具体地，轴承故障振动数据可以包括滚动体故障振动数据、内圈故障振动数据、正常状态振动数据、外圈故障振动数据。本发明实施例对该轴承故障振动数据不做具体限定，根据实际需求获取即可。
步骤102：对所述第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签。
具体地，将获取到的轴承故障振动数据进行归一化处理，然后以4096个数据点为一组将其转换为64*64的灰度图，使得一个灰度图不会包含过多的数据，且可以用于神经网络特征提取，通过这种转换处理可以在极大程度上保留轴承故障振动数据的信息。
在一实施例中，将获取到的滚动体故障振动数据、内圈故障振动数据、正常状态振动数据、外圈故障振动数据分别转换为对应的灰度图，如图2A、2B、2C、2D所示。
然后，为该灰度图添加标签形成样本数据，即第二数据。其中，添加的标签为轴承故障振动数据对应的轴承故障类型，比如滚动体故障对应标签为0，内圈故障对应标签为1，正常状态对应标签为2，外圈故障对应标签为3。
步骤103：获取目标神经网络，所述目标神经网络是利用预设算法优化后的生成对抗网络。
具体地，预设算法可以包括粒子群算法、遗传算法等随机搜寻算法；生成对抗网络可以包括条件生成对抗网络CGAN、半监督生成对抗网络SGAN等，是非监督式学习的一种方法，由一个生成网络与一个判别网络组成，通过让这两个神经网络相互博弈的方式进行学习。
目标神经网络为利用预设算法对生成对抗网络进行优化得到，因此，目标神经网络也为一种生成对抗网络。
本发明实施例中以粒子群算法作为预设算法对生成对抗网络ACGAN进行优化。目标神经网络ACGAN同时结合了CGAN和SGAN的优点，进一步提高了生成数据的质量。其中，CGAN在生成网络中利用监督式学习进行训练，在输入数据中添加了对应的标签信息，可以将输入的标签信息生成对应的输出，进一步提高生成数据的质量；SGAN可以将判别器训练成一个分类器，有三种输入，其中一种为无标签信息的真实样本，可以减少分类任务对大量标注数据的依赖性，进一步提高生成数据的质量，目标神经网络ACGAN在训练过程中就利用了SGAN这种在判别器末端重建标签信息的思路。
步骤104：将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据。
具体地，第二数据为带标签信息的原始样本数据，作为训练数据对目标神经网络ACGAN进行训练，可以使得该目标神经网络生成与该带标签信息的原始样本数据高度拟合的样本数据，即第三数据。
步骤105：利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果。
具体地，预设诊断概率融合方法为对不同的诊断结果进行融合处理。同时利用第三数据和第二数据获取诊断结果，可以弥补故障诊断中故障样本数量不足和不均衡的缺陷。
本发明实施例提供的轴承故障诊断方法，将轴承故障振动数据转换为带故障类型标签的数据，极大程度上保留数据信息；利用目标神经网络得到与原始带故障类型标签的数据高度拟合的数据，并与原始带故障类型标签的数据经过诊断融合得到诊断结果，弥补了样本数量不足和不均衡的缺陷，解决了故障诊断中故障样本不足及样本不均衡导致的诊断准确率低的缺点。
作为本发明实施例一种可选的实施方式，目标神经网络包括生成器和判别器；步骤103，包括：获取任意随机数与所述第一数据的故障类型标签；将所述任意随机数和所述第一数据的故障类型标签输入所述生成器进行处理，得到第一图像数据；利用所述判别器判别所述第一图像数据的真假和类别，得到第一判决结果。
具体地，目标神经网络ACGAN同时结合了CGAN和SGAN的优点。其中SGAN是一个半监督生成对抗网络，可以将判别器训练成一个分类器，有三种输入，其中一种为无标签信息的真实样本，减少了分类任务对大量标注数据的依赖性，ACGAN就利用了SGAN这种在判别器末端重建标签信息的思路。
因此，在目标神经网络ACGAN训练过程中不仅使用标签信息，同时也需要重建标签信息。
具体地，目标神经网络ACGAN包括生成器和判别器。生成器的输入为随机噪声数据和标签信息，通过拼接两者提取特征进而生成样本数据；判别器的输入为生成数据或者真实数据，输出为真假判断结果和分类结果。其中，随机噪声数据为随机生成的任意随机数；标签信息为不同类别轴承故障振动数据的类型标签，具体的标签信息参考步骤102中对标签的描述，此处不再赘述；提取特征表示提取数据蕴含的信息，在该目标神经网络ACGAN中自动提取。
具体地，目标神经网络ACGAN训练过程中，生成器接收一个随机噪声和一个数据标签信息作为输入，从而生成一张图像。判别器则可以接收一张图像作为输入，同时输出图像的真假和图像标签，即通过该目标神经网络ACGAN可以得到第一图像数据的真假判决结果和分类判决结果。
作为本发明实施例一种可选的实施方式，所述判别器利用Dropout机制进行拟合处理；步骤103，还包括：获取第一神经网络；利用所述第一神经网络，确定所述第一数据的故障类型标签以及所述第一数据的故障类型标签对应的嵌入维度值和Dropout概率值，所述嵌入维度值反映所述故障类型标签的标签映射维度；利用预设算法对所述嵌入维度值与所述Dropout概率值进行优化处理，得到第一嵌入维度值与第一Dropout概率值；以所述第一图像数据和所述第二数据构建真假损失函数与分类判别损失函数，以所述第一嵌入维度值与所述第一Dropout概率值对所述第一神经网络进行训练直至所述真假损失函数与所述分类判别损失函数满足预设要求，得到目标神经网络。
具体地，第一神经网络表示未优化的初始生成对抗网络。
目标神经网络ACGAN在训练过程中需要使用标签信息，因此采用“嵌入（Embedding）”的方式将标签数据映射为一个向量；训练过程中在判别器中采用Dropout机制，可以防止数据过拟合。但是Dropout的概率值可以随机设定，不确定性较高，通过粒子群算法对这两个参数进行寻优后再对该第一神经网络进行训练可以得到目标神经网络。其中，Dropout是以一定的概率值丢弃掉神经网络中的神经元，概率值可以是0-1中的任何值。
本发明实施例中，设定粒子群粒子个数为20，粒子维度为2，最大迭代次数为100，以生成器的损失作为适应度值，即寻优目标。利用粒子群算法进行优化处理后可以得到：第一嵌入维度值为4，第一Dropout概率值为0.1
其中，粒子群算法模拟了鸟群捕食的过程，将食物或者鸟群个体位置作为优化问题的解，群体中个体利用群体中个体与最优个体以及个体之间的信息交互，向着最优个体逐渐收敛，通过位置的不断更新寻求最优解。
粒子群算法的迭代过程如公式（1）所示：
Figure 140115DEST_PATH_IMAGE001
（1）
式中：
Figure 824037DEST_PATH_IMAGE002
表示粒子的速度；
Figure 319740DEST_PATH_IMAGE003
表示粒子的位置；
Figure 380100DEST_PATH_IMAGE004
表示第
Figure 12070DEST_PATH_IMAGE004
个粒子；
Figure 866893DEST_PATH_IMAGE005
表示某个粒子 的第
Figure 381051DEST_PATH_IMAGE005
项元素；
Figure 245102DEST_PATH_IMAGE006
表示惯性权重因子；
Figure 997158DEST_PATH_IMAGE007
表示当前迭代次数；
Figure 554041DEST_PATH_IMAGE008
和
Figure 281127DEST_PATH_IMAGE009
均表示加速因子，用以 调节学习的最大步长；
Figure 948868DEST_PATH_IMAGE010
和
Figure 555430DEST_PATH_IMAGE011
均表示0和1之间的随机数，用以增加搜索的随机性；
Figure 17635DEST_PATH_IMAGE012
表示 个体最优位置；
Figure 709648DEST_PATH_IMAGE013
表示全局最优位置。
粒子群算法的伪代码为：
Begin：
（1）输入粒子总数k、粒子维度d和迭代次数M；
（2）初始化粒子群，包括每个粒子的速度和位置、个体最优以及全局最优；
Do：
For 每个粒子
计算适应度；
If （适应度值优于粒子历史最佳值）
更新个体最优位置；
End
选取当前粒子群中的最优粒子；
If （当前最优粒子优于粒子群历史最优粒子）
更新全局最优位置；
For 每个粒子
更新粒子的速度和位置；
End
While 不满足终止条件
在一实施例中，通过粒子群算法对这两个参数进行寻优的过程如图3所示。
判别器的输入为生成器对应的生成数据或者真实数据，输出为真假判断结果和分 类结果。因此，利用第一图像数据（生成数据）和第二数据（真实数据）构建如下述公式（2）所 示的真假损失函数
Figure 649922DEST_PATH_IMAGE014
与如下述公式（3）所示的分类判别损失函数
Figure 642149DEST_PATH_IMAGE015
：
Figure 275256DEST_PATH_IMAGE016
（2）
Figure 720143DEST_PATH_IMAGE017
（3）
式中，
Figure 729688DEST_PATH_IMAGE018
表示第二数据；
Figure 576421DEST_PATH_IMAGE019
表示第一图像数据；
Figure 114850DEST_PATH_IMAGE020
表示真假判决结果；
Figure 981787DEST_PATH_IMAGE021
表 示分类判决结果；
Figure 529443DEST_PATH_IMAGE022
表示类别；
利用第一嵌入维度值与第一Dropout概率值对第一神经网络进行训练直至该真假 损失函数
Figure 496262DEST_PATH_IMAGE014
与分类判别损失函数
Figure 205592DEST_PATH_IMAGE015
趋于收敛时，停止训练并得到目标神经网络ACGAN。
在一实施例中，目标神经网络ACGAN的原理示意图如图4所示。
作为本发明实施例一种可选的实施方式，步骤104，包括：将所述第二数据输入所述目标神经网络，重复“对所述生成器进行训练直至预设生成器损失函数满足要求，对所述判别器进行训练”，直至所述预设生成器损失函数与预设判别器损失函数满足要求，利用所述目标神经网络生成第三数据。
具体地，目标神经网络ACGAN训练的结果是让生成器和判别器达到纳什平衡。生成器训练的目的是迷惑判别器，本发明实施例中，目标神经网络ACGAN采用三层隐藏层的结构判别器来增强判别能力。但是判别能力增强的同时可能会出现压制生成器，从而不能为生成器提供有效指导的现象。因此，在训练初期，对生成器进行多次训练才对判别器进行一次训练，当生成器能力较强时，恢复两者各训练一次。当迭代次数在1000次左右时，损失函数趋于收敛，停止训练并用目标神经网络ACGAN生成足够的样本数据，即第三数据。损失函数包括生成器损失函数和判别器损失函数，如图5所示。
在训练过程中，训练十轮（代码设定）输出判别器和生成器的损失函数，当生成器损失函数较小时，就认为生成器生成能力较强。本发明实施例中对生成器能力的判断标准不做具体限定，只要满足需求即可。
损失函数趋于收敛的判断标准为观察训练过程中的损失函数变化。当训练过程中损失函数变化很细微时，则认为对应损失函数趋于收敛。
作为本发明实施例一种可选的实施方式，步骤105，包括：将所述第三数据和所述第二数据进行混合处理，得到第四数据，所述第四数据中携带利用独热编码为所述第一数据添加的类型标签；获取至少一个神经网络学习模型；将所述第四数据输入所述至少一个预设神经网络学习模型，得到每个神经网络学习模型对所述第四数据的分类结果；利用所述每个神经网络学习模型对所述第四数据的分类结果，经过预设诊断概率融合方法，得到诊断结果。
具体地，将第三数据和第二数据混合得到第四数据，并将该第四数据按照7:3的比例划分为训练集和测试集，并以独热编码的形式为不同状态的数据打上不同的标签。如下表1所示：
表1、轴承运行状态对应的标签和独热编码
Figure 890651DEST_PATH_IMAGE023
其中，独热编码表示一位有效编码，通过使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
对该第四数据进行主成分分析（Principal Component Analysis，PCA）数据降维处理得到第五数据。具体地，数据维度过高时，数据中的冗余信息往往造成特征提取困难和训练慢，因此在训练神经网络学习模型之前，通过PCA将数据降维，可以提高神经网络学习模型训练的速度和诊断的准确率。因此，得到的第五数据为删除冗余数据后的第四数据。
本发明实施例中，获取3个神经网络学习模型：卷积神经网络之图像分类模型（Convolutional Neural Networks,CNN）、经典卷积神经网络模型LeNet、循环神经网络CNN-GRU。
CNN主要包括输入层、卷积层、池化层、全链接层和输出层。卷积层中存在很多卷积单元，即卷积核，每个卷积单元的参数都通过反向传播算法不断优化得到，卷积核通过有规律地“扫描”提取特征，然后经过激活函数的作用，增强非线性的拟合能力，如公式（4）所示：
Figure 241998DEST_PATH_IMAGE024
（4）
其中，“*”表示卷积运算；
Figure 63324DEST_PATH_IMAGE025
表示偏差量；
Figure 474713DEST_PATH_IMAGE026
和
Figure 115910DEST_PATH_IMAGE027
分别表示第
Figure 5369DEST_PATH_IMAGE028
层的输入和 输出；
Figure 946780DEST_PATH_IMAGE029
表示权重；
Figure 263492DEST_PATH_IMAGE030
表示激活函数，一般采用ReLu作为激活函数。
原始输入经过卷积层之后，仍然携带较多的特征，此时再进入池化层，将特征矩阵分块，取其最大值（即最大池化）或取其平均值（即平均池化）。如公式（5）所示：
Figure 657564DEST_PATH_IMAGE031
（5）
其中
Figure 88064DEST_PATH_IMAGE032
表示池化层的输出。
经过池化层降维后的数据被整合成固定长度的特征向量后由全链接层对提取的特征进行非线性组合以得到输出。如公式（6）所示：
Figure 883982DEST_PATH_IMAGE033
（6）
CNN的输出层为一个线性层，最终输出一个向量。
LeNet结合了特征提取和图像识别，是早期经典卷积模型，包含一个输入层、两个卷积层、两个池化层和三个全连接层，其识别准确性非常好。本发明实施例中为了增强网络的特征提取能力，避免出现梯度消失和过拟合现象，在传统Lenet-5的基础上，以ReLU代替Sigmoid作为激活函数，并添加了Dropout层，提高了网络泛化能力。
GRU为在LSTM的基础上进行改进得到的循环神经网络，对应的总体结构如图6所示。
其中，门控循环单元可由下述公式（7）和公式（8）表示：
Figure 637174DEST_PATH_IMAGE034
（7）
Figure 252963DEST_PATH_IMAGE035
（8）
式中：
Figure 310656DEST_PATH_IMAGE036
表示重置门的
Figure 429922DEST_PATH_IMAGE037
时刻输出；
Figure 354015DEST_PATH_IMAGE038
表示更新门的
Figure 457100DEST_PATH_IMAGE037
时刻输出；
Figure 226473DEST_PATH_IMAGE039
表示
Figure 731404DEST_PATH_IMAGE037
时刻的 输入；
Figure 826399DEST_PATH_IMAGE040
表示
Figure 682360DEST_PATH_IMAGE041
时刻隐状态；
Figure 255423DEST_PATH_IMAGE042
、
Figure 880440DEST_PATH_IMAGE043
、
Figure 146336DEST_PATH_IMAGE044
和
Figure 238662DEST_PATH_IMAGE045
均表示权重矩阵；
Figure 880996DEST_PATH_IMAGE046
和
Figure 360519DEST_PATH_IMAGE047
均表示偏置矩阵；
Figure 797316DEST_PATH_IMAGE048
表示激活函数，取Sigmoid函数。
然后，将重置门的输出
Figure 362290DEST_PATH_IMAGE049
与上一时刻隐状态
Figure 277156DEST_PATH_IMAGE050
进行集成，得到
Figure 876765DEST_PATH_IMAGE051
时刻的候选隐 状态，如公式（9）所示：
Figure 218884DEST_PATH_IMAGE052
（9）
最后结合更新门输出，得到最终的隐状态，如公式（10）所示：
Figure 271154DEST_PATH_IMAGE053
（10）
CNN-GRU是将数据首先经过CNN进行特征提取，然后再用GRU对CNN处理后的数据进行时序特征提取。
将第四数据输入每一个神经网络学习模型进行训练可以得到每个神经网络学习 模型对第四数据的分类结果
Figure 255291DEST_PATH_IMAGE054
。其中，
Figure 709406DEST_PATH_IMAGE055
表示第
Figure 222427DEST_PATH_IMAGE055
个神经网络学习 模型。
将每个神经网络学习模型对第四数据的分类结果进行融合。
首先，计算
Figure 761992DEST_PATH_IMAGE056
与
Figure 284240DEST_PATH_IMAGE057
的一致性相关系数
Figure 592862DEST_PATH_IMAGE058
，如公式（11）所示：
Figure 542364DEST_PATH_IMAGE059
（11）
式中：
Figure 300716DEST_PATH_IMAGE056
表示第
Figure 626656DEST_PATH_IMAGE055
个神经网络学习模型对第四数据的第
Figure 789784DEST_PATH_IMAGE061
种运行状态的分类概 率；
Figure 910186DEST_PATH_IMAGE062
表示
Figure 424344DEST_PATH_IMAGE063
个神经网络学习模型中去除第
Figure 22816DEST_PATH_IMAGE055
个神经网络学习模型的其他
Figure 40451DEST_PATH_IMAGE064
个 神经网络学习模型对第四数据的第
Figure 597334DEST_PATH_IMAGE061
种运行状态的分类概率；
Figure 333209DEST_PATH_IMAGE065
表示第四数据的运行状态 的总种类数；
其次，根据公式（12）进行融合：
Figure 735371DEST_PATH_IMAGE066
（12）
然后，保持
Figure 873091DEST_PATH_IMAGE068
中各个元素比例不变，将各元素的和化为1，得到最终融合结果，如公式（13）所示：
Figure 600876DEST_PATH_IMAGE069
（13）
式中：
Figure 558468DEST_PATH_IMAGE070
表示最终诊断结果矩阵；
Figure 29900DEST_PATH_IMAGE071
表示第
Figure 22127DEST_PATH_IMAGE061
个第四数据的诊断结果。
最后，根据
Figure 658163DEST_PATH_IMAGE070
的结果可以确定轴承的运行状态，实现故障诊断。
在一实例中，样本划分情况分别为：
1）样本1：不使用ACGAN生成样本，使用1200个原始数据，四种状态的数据均为300个；
2）样本2：不使用ACGAN生成样本，使用8000个原始数据，四种状态数据均为2000个；
3）样本3：使用ACGAN生成6000个样本，并与原始2000个数据混合，混合后四种状态的数据均为2000个。其中，四种状态包括滚动体故障、内圈故障、正常状态、外圈故障；ACGAN生成样本即为第三数据。
经过训练，3种样本下各种模型的分类准确率如下表2所示：
表2、不同模型在不同样本上的分类准确率
Figure 368630DEST_PATH_IMAGE072
其中，Stacking融合表示将：CNN、LeNet、CNN-GRU3个神经网络学习模型进行融合后的诊断融合模型。
根据上表2可以得到：
1）对各个子模型和本发明实施例提供的模型诊断概率融合方法的分类准确率进行比较，可以看出，融合模型的准确率明显大于任何一个子模型，证明了模型融合的必要性和有效性；
2）虽然Stacking融合能够提高模型正确率，但这种优化是以牺牲训练速度为代价的，与之相比，经本发明实施例提供的模型诊断概率融合方法在融合时只涉及矩阵运算，耗费的时间几乎可以忽略；在样本3上，虽然两种融合方法正确率都达到了100%，但是在测试集的2400个数据上，Stacking融合消耗的时间为16s，而本发明实施例提供的模型诊断概率融合方法消耗时间仅为3.5s。
3）比较各方法在三类样本上的表现可以看出，样本不足可能导致模型诊断效果不佳，证明了数据扩充的必要性；而ACGAN生成的样本比原始样本含有更少的噪声，能够提高故障诊断模型的诊断精度。
综上，本发明实施例所述的轴承故障诊断方法大大提高了故障识别的准确率，在识别故障的同时可以确定故障发生的位置。
本发明实施例还提供一种轴承故障诊断装置，如图7所示，该装置包括：
第一获取模块701，用于获取第一数据，所述第一数据为轴承故障振动数据；详细内容参见上述方法实施例中步骤101的相关描述。
第一处理模块702，用于对所述第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签；详细内容参见上述方法实施例中步骤102的相关描述。
第二获取模块703，用于获取目标神经网络，所述目标神经网络是利用预设算法优化后的生成对抗网络；详细内容参见上述方法实施例中步骤103的相关描述。
第二处理模块704，用于将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据；详细内容参见上述方法实施例中步骤104的相关描述。
确定模块705，用于利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果；详细内容参见上述方法实施例中步骤105的相关描述。
本发明实施例提供的轴承故障诊断装置，将轴承故障振动数据转换为带故障类型标签的数据，极大程度上保留数据信息；利用目标神经网络得到与原始带故障类型标签的数据高度拟合的数据，并与原始带故障类型标签的数据经过诊断融合得到诊断结果，弥补了样本数量不足和不均衡的缺陷，解决了故障诊断中故障样本不足及样本不均衡导致的诊断准确率低的缺点。
作为本发明实施例一种可选的实施方式，所述目标神经网络包括生成器和判别器；所述第二获取模块包括：第一获取子模块，用于获取任意随机数与所述第一数据的故障类型标签；第一输入子模块，用于将所述任意随机数和所述第一数据的故障类型标签输入所述生成器进行处理，得到第一图像数据；第一判别子模块，用于利用所述判别器判别所述第一图像数据的真假和类别，得到第一判决结果。
作为本发明实施例一种可选的实施方式，所述判别器利用Dropout机制进行拟合处理；所述第二获取模块还包括：第二获取子模块，用于获取第一神经网络；第一确定子模块，用于利用所述第一神经网络，确定所述第一数据的故障类型标签以及所述第一数据的故障类型标签对应的嵌入维度值和Dropout概率值，所述嵌入维度值反映所述故障类型标签的标签映射维度；第一处理子模块，用于利用预设算法对所述嵌入维度值与所述Dropout概率值进行优化处理，得到第一嵌入维度值与第一Dropout概率值；第一训练子模块，用于以所述第一图像数据和所述第二数据构建真假损失函数与分类判别损失函数，以所述第一嵌入维度值与所述第一Dropout概率值对所述第一神经网络进行训练直至所述真假损失函数与所述分类判别损失函数满足预设要求，得到目标神经网络。
作为本发明实施例一种可选的实施方式，所述第二处理模块包括：第二输入子模块，用于将所述第二数据输入所述目标神经网络，重复“对所述生成器进行训练直至预设生成器损失函数满足要求，对所述判别器进行训练”，直至所述预设生成器损失函数与预设判别器损失函数满足要求，利用所述目标神经网络生成第三数据。
作为本发明实施例一种可选的实施方式，所述确定模块包括：第二处理子模块，用于将所述第三数据和所述第二数据进行混合处理，得到第四数据，所述第四数据中携带利用独热编码为所述第一数据添加的类型标签；第三获取子模块，用于获取至少一个神经网络学习模型；第三输入子模块，用于将所述第四数据输入所述至少一个预设神经网络学习模型，得到每个神经网络学习模型对所述第四数据的分类结果；第二确定子模块，用于利用所述每个神经网络学习模型对所述第四数据的分类结果，经过预设诊断概率融合方法，得到诊断结果。
作为本发明实施例一种可选的实施方式，所述确定模块还包括：第三处理子模块，用于对所述第四数据进行降维处理，得到第五数据，所述第五数据表征删除冗余数据后的所述第四数据。
作为本发明实施例一种可选的实施方式，所述装置还包括：第一确定模块，用于根据所述诊断结果确定轴承的状态。
本发明实施例提供的轴承故障诊断装置的功能描述详细参见上述实施例中轴承故障诊断方法描述。
本发明实施例还提供一种存储介质，如图8所示，其上存储有计算机程序801，该指令被处理器执行时实现上述实施例中轴承故障诊断方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（RandomAccessMemory，RAM）、快闪存储器（FlashMemory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图9所示，该电子设备可以包括处理器91和存储器92，其中处理器91和存储器92可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器91可以为中央处理器（Central Processing Unit，CPU）。处理器91还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器92作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器91通过运行存储在存储器92中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的轴承故障诊断方法。
存储器92可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器91所创建的数据等。此外，存储器92可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器92可选包括相对于处理器91远程设置的存储器，这些远程存储器可以通过网络连接至处理器91。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器92中，当被所述处理器91执行时，执行如图1-6所示实施例中的轴承故障诊断方法。
上述电子设备具体细节可以对应参阅图1至图6所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种轴承故障诊断方法，其特征在于，所述方法包括：
获取第一数据，所述第一数据为轴承故障振动数据；
对所述第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签；
获取目标神经网络，所述目标神经网络是利用预设算法优化后的生成对抗网络；
将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据；
利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述目标神经网络包括生成器和判别器；所述获取目标神经网络，包括：
获取任意随机数与所述第一数据的故障类型标签；
将所述任意随机数和所述第一数据的故障类型标签输入所述生成器进行处理，得到第一图像数据；
利用所述判别器判别所述第一图像数据的真假和类别，得到第一判决结果。
3.根据权利要求2所述的方法，其特征在于，所述判别器利用Dropout机制进行拟合处理；所述获取目标神经网络，包括：
获取第一神经网络；
利用所述第一神经网络，确定所述第一数据的故障类型标签以及所述第一数据的故障类型标签对应的嵌入维度值和Dropout概率值，所述嵌入维度值反映所述故障类型标签的标签映射维度；
利用预设算法对所述嵌入维度值与所述Dropout概率值进行优化处理，得到第一嵌入维度值与第一Dropout概率值；
以所述第一图像数据和所述第二数据构建真假损失函数与分类判别损失函数，以所述第一嵌入维度值与所述第一Dropout概率值对所述第一神经网络进行训练直至所述真假损失函数与所述分类判别损失函数满足预设要求，得到目标神经网络。
4.根据权利要求3所述的方法，其特征在于，将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，包括：
将所述第二数据输入所述目标神经网络，重复“对所述生成器进行训练直至预设生成器损失函数满足要求，对所述判别器进行训练”，直至所述预设生成器损失函数与预设判别器损失函数满足要求，利用所述目标神经网络生成第三数据。
5.根据权利要求1所述的方法，其特征在于，利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果，包括：
将所述第三数据和所述第二数据进行混合处理，得到第四数据，所述第四数据中携带利用独热编码为所述第一数据添加的类型标签；
获取至少一个神经网络学习模型；
将所述第四数据输入所述至少一个预设神经网络学习模型，得到每个神经网络学习模型对所述第四数据的分类结果；
利用所述每个神经网络学习模型对所述第四数据的分类结果，经过预设诊断概率融合方法，得到诊断结果。
6.根据权利要求5所述的方法，其特征在于，将所述第三数据和所述第二数据进行混合处理，得到第四数据之后，所述方法还包括：
对所述第四数据进行降维处理，得到第五数据，所述第五数据表征删除冗余数据后的所述第四数据。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述诊断结果确定轴承的状态。
8.一种轴承故障诊断装置，其特征在于，包括：
第一获取模块，用于获取第一数据，所述第一数据为轴承故障振动数据；
第一处理模块，用于对所述第一数据进行转换处理，得到第二数据，所述第二数据中携带所述第一数据的故障类型标签；
第二获取模块，用于获取目标神经网络，所述目标神经网络是利用预设算法优化后的生成对抗网络；
第二处理模块，用于将所述第二数据输入所述目标神经网络进行训练处理，得到第三数据，所述第三数据为与所述第二数据高度拟合的数据；
确定模块，用于利用所述第三数据和所述第二数据，经过预设诊断概率融合方法，得到诊断结果。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的轴承故障诊断方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的轴承故障诊断方法。
CN202210972101.XA 2022-08-15 2022-08-15 一种轴承故障诊断方法、装置、存储介质及电子设备 Active CN115049852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210972101.XA CN115049852B (zh) 2022-08-15 2022-08-15 一种轴承故障诊断方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210972101.XA CN115049852B (zh) 2022-08-15 2022-08-15 一种轴承故障诊断方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN115049852A true CN115049852A (zh) 2022-09-13
CN115049852B CN115049852B (zh) 2022-12-02

Family

ID=83167420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210972101.XA Active CN115049852B (zh) 2022-08-15 2022-08-15 一种轴承故障诊断方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115049852B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807481A (zh) * 2024-02-28 2024-04-02 苏州元脑智能科技有限公司 故障识别方法、模型的训练方法、装置、设备以及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108760302A (zh) * 2018-05-08 2018-11-06 南京风电科技有限公司 一种风力发电机组轴承的在线监测与故障诊断系统
CN112254964A (zh) * 2020-09-03 2021-01-22 太原理工大学 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112649198A (zh) * 2021-01-05 2021-04-13 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
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN113884290A (zh) * 2021-09-28 2022-01-04 江南大学 基于自训练半监督生成对抗网络的调压器故障诊断方法
CN115017946A (zh) * 2022-05-27 2022-09-06 南京航空航天大学 一种小样本类不平衡的轴承智能故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108760302A (zh) * 2018-05-08 2018-11-06 南京风电科技有限公司 一种风力发电机组轴承的在线监测与故障诊断系统
CN112254964A (zh) * 2020-09-03 2021-01-22 太原理工大学 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN112629863A (zh) * 2020-12-31 2021-04-09 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
WO2022141669A1 (zh) * 2020-12-31 2022-07-07 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112649198A (zh) * 2021-01-05 2021-04-13 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
CN113469060A (zh) * 2021-07-02 2021-10-01 浙大城市学院 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN113884290A (zh) * 2021-09-28 2022-01-04 江南大学 基于自训练半监督生成对抗网络的调压器故障诊断方法
CN115017946A (zh) * 2022-05-27 2022-09-06 南京航空航天大学 一种小样本类不平衡的轴承智能故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807481A (zh) * 2024-02-28 2024-04-02 苏州元脑智能科技有限公司 故障识别方法、模型的训练方法、装置、设备以及介质
CN117807481B (zh) * 2024-02-28 2024-05-10 苏州元脑智能科技有限公司 故障识别方法、模型的训练方法、装置、设备以及介质

Also Published As

Publication number Publication date
CN115049852B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN112966074B (zh) 一种情感分析方法、装置、电子设备以及存储介质
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN110751698B (zh) 一种基于混和网络模型的文本到图像的生成方法
KR20210040248A (ko) 물질의 생성 구조-특성 역 계산 공동 설계
CN114120041B (zh) 一种基于双对抗变分自编码器的小样本分类方法
Wang et al. Learning efficient binarized object detectors with information compression
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN114297036A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN115049852B (zh) 一种轴承故障诊断方法、装置、存储介质及电子设备
CN111160526B (zh) 基于mape-d环形结构的深度学习系统在线测试方法与装置
CN110704668B (zh) 基于网格的协同注意力vqa方法和装置
CN110991247B (zh) 一种基于深度学习与nca融合的电子元器件识别方法
CN115600137A (zh) 面向不完备类别数据的多源域变工况机械故障诊断方法
CN117795527A (zh) 使用自回归语言模型神经网络评估输出序列
CN115345222A (zh) 一种基于TimeGAN模型的故障分类方法
CN116826734A (zh) 一种基于多输入模型的光伏发电功率预测方法及装置
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN114119151A (zh) 下一个购物篮个性化推荐方法、系统及介质
CN112580658B (zh) 图像语义描述方法、装置、计算设备及计算机存储介质
CN117236900B (zh) 基于流程自动化的个税数据处理方法及系统
CN117830728B (zh) 异常流量检测方法、装置、电子设备及介质
Grover et al. DeepCuts: Single-Shot Interpretability based Pruning for BERT
Mwelinde et al. Bearing Fault Diagnosis Integrated Model Based on Hierarchical Fuzzy Entropy, Convolutional Neural Network and Long Short-Term Memory
Divović et al. Balancing imbalanced datasets using generative adversarial neural networks
CN118095040A (zh) 一种电力调度系统支撑平台可靠性评估方法及相关设备

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