CN115238833A - 一种空气涡轮起动机轴承性能退化特征提取方法 - Google Patents
一种空气涡轮起动机轴承性能退化特征提取方法 Download PDFInfo
- Publication number
- CN115238833A CN115238833A CN202211154667.8A CN202211154667A CN115238833A CN 115238833 A CN115238833 A CN 115238833A CN 202211154667 A CN202211154667 A CN 202211154667A CN 115238833 A CN115238833 A CN 115238833A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- features
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 36
- 230000015556 catabolic process Effects 0.000 title claims abstract description 35
- 239000007858 starting material Substances 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000002156 mixing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 28
- 238000012360 testing method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
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 Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种空气涡轮起动机轴承性能退化特征提取方法。包括以下步骤：一、空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠：包括序列数据预处理、多传感器数据平行卷积及卷积特征堆叠；二、多传感器数据的多尺度特征的注意力调节与特征数据混合：包括通道注意力调节、空间注意力调节及特征数据混合。本发明实现了对多传感器数据的特征融合，且网络结构灵活适用于各种采样频率下多种信号，所提出的方法相比于传统的利用卷积网络提取特征方法更能精准地提取出空气涡轮起动机轴承性能退化特征，算法规模小、运算简单，易于工程实现。
Description
技术领域
本发明涉及空气涡轮起动机性能检测技术，尤其涉及一种空气涡轮起动机轴承性能退化特征提取方法。
背景技术
空气涡轮起动机（ATS）是飞机发动机的重要部件之一。ATS将压缩引气内能转化为机械能来提升发动机转子转速，以保证发动机在规定时间内能够平稳运行。因为起飞前起动机故障会导致航班的恶性延误，因此有效防止或预测ATS故障具有重要意义。在ATS的各个部件中，滚动轴承是关键的基础元件，任何轴承的意外故障都可能导致与起动机能否正常运行相关的失效损失。因此，如何准确提取滚动轴承的性能退化特征，判断轴承当前工作状态成为研究中的重要课题。
由于数据驱动方法可以推断出隐藏在数据中的因果关系，并直接模拟系统的退化特征，因此它可以成为处理大量监测数据并提取性能退化特征的可行选择。数据驱动的方法侧重于利用先前传感器数据，以预测退化趋势或给出工作状态的概率分布。基于数据驱动的特征提取方法被用于轴承性能检测技术领域，小波分析、经验模态分解(EMD)和希尔伯特黄变换(HHT)等方法及其组合的人工设计方法被广泛用于提取轴承多种类型特征。该方法需要人工设计或使用信号处理来获得代表性特征，受制于专家先验知识，可移植性差，因此自动化特征提取方法开始被引入到性能退化特征提取领域。
发动机起动系统复杂，通常使用大量的传感器。与单传感器数据相比，多传感器数据可以获得更丰富的退化信息。由于ATS工作环境中存在噪声，仅使用振动信号会使提取效果不准确。而实际上，工作温度、转速和负载压力等其他监测数据也会对工作状态产生显著影响。由于传感器变量的不同特性，所采集不同数据具有不同的频率。此外，由于采样频率高，使用原始多传感器数据会使网络结构复杂，参数较多。总之，ATS轴承的特征提取方法仍然存在两个主要缺点。首先，一般的特征提取方法使用浅层神经网络，特征的提取能力受制于网络的结构，且多为顺序神经网络，只考虑最终的输出数据，不足以捕捉与退化状态相关的特征。其次，以往的研究大多假设多传感器具有相同采用频率，而实际工况下不同传感器的采样频率往往不同，如果将不同传感器采集到的数据削平或填充补齐，会使有用的退化特征信息损失或使提取网络复杂化。同时也很少有研究发明考虑将多传感器特征进行融合来提取性能退化特征。
发明内容
针对现有方法特征提取精准性受网络结构影响，以及现有方法较少考虑多传感器信号的采样频率等问题，本发明提出一种基于深度学习的空气涡轮起动机轴承性能退化特征提取方法。本发明采用一维卷积神经网络（1-DCNN）适用于处理一维传感器信号，为了处理不同的多速率传感器信号，为每种类型的传感器设置合适的1-DCNN架构。在卷积操作过程中，提出了多尺度特征堆叠机制，并引入了卷积注意力模块（CBAM）来调节多尺度特征间的权重，最后设计了一个特定的混合层，得到最终高度抽象的ATS轴承性能退化特征。
本发明采取的技术方案是：一种空气涡轮起动机轴承性能退化特征提取方法包括以下步骤：
第一步、空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠
所述空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠有如下三个子步骤：
A1、序列数据预处理
对不同频率的空气涡轮起动机多传感器信号按照采样时长进行切片形成采样集，对切片采样集数据进行三维化处理，得到一个数据块，再对数据块中数据进行归一化处理，完成序列数据预处理。
A2、多传感器数据平行卷积
建立多个一维卷积神经网络以平行处理各传感器预处理后的数据，各一维卷积神经网络的网络结构由各传感器采样频率的不同而有所调整，各一维卷积神经网络依次设置三个卷积层和两个池化层以提取出各传感器数据的卷积特征。
A3、卷积特征堆叠
将所述各传感器数据由平行卷积过程中第三个卷积层对应的全局特征和第二个池化层对应的局部特征在卷积通道维度上分别进行堆叠，以形成各传感器数据的多尺度特征；再将各传感器数据多尺度特征在传感器数目维度上进行堆叠，以形成多传感器数据的多尺度特征。
第二步、多传感器数据的多尺度特征的注意力调节与特征数据混合
所述多传感器数据的多尺度特征的注意力调节采用卷积注意力模块，卷积注意力模块包括通道注意力调节和空间注意力调节；所述多传感器数据的多尺度特征的注意力调节与特征数据混合有如下三个子步骤：
S1、通道注意力调节
在所述卷积通道维度上对所述多传感器数据的多尺度特征中蕴含重要特征的通道施加较大权重，并对不必要特征的通道施加较小权重，得到经通道注意力调节的数据特征。
S2、空间注意力调节
在所述多尺度特征的空间维度上对经通道注意力调节的数据特征的不同空间位置施加不同权重，以捕捉所述经通道注意力调节的数据特征中不同特征数据之间的相关性，得到经空间注意力调节的数据特征。
S3、特征数据混合
在所述经空间注意力调节的数据特征后加入特征数据混合层，利用可训练的权重矩阵实现对数据特征的多尺度特征混合操作，得到最终表征空气涡轮起动机轴承性能退化的特征向量。
本发明的有益效果是：
（1）针对多传感器信号采用可变结构的1D-CNN网络，能够更好的处理不同类型输入，并将网络多尺度特征进行堆叠，实现网络的自动提取特征功能。
（2）引入注意力机制和提出特征混合层，可以更加清晰地提取序列信息中包含的有用特征，完成多传感器特征融合以提高网络的特征提取精准性，很好地表征轴承性能退化特征。
（3）实现了对多传感器数据的特征融合，且网络结构灵活适用于各种采样频率下多种信号，相比于传统的利用卷积网络提取特征方法更能精准地提取出空气涡轮起动机轴承性能退化特征。
（4）算法规模小、运算简单，易于工程实现。
附图说明
图1本发明流程图；
图2为通道注意力调节模块示意图；
图3为空间注意力调节模块示意图；
图4为测试集轴承工作到3360秒时特征提取曲线图；
图5为测试集轴承工作到4360秒时特征提取曲线图；
图6为测试集轴承工作到5360秒时特征提取曲线图；
图7为测试集轴承工作到6360秒时特征提取曲线图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明：
一种空气涡轮起动机轴承性能退化特征提取方法有如下步骤：
第一步、空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠
空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠分成以下三个子步骤：
（1）序列数据预处理。获取ATS轴承全寿命多传感器数据集，包括振动加速度、扭矩、压力和工作温度；多个传感器以测量系统中不同量程物理值。采样持续时间t形成一个采样集，然后经过一定时间间隔之后收集下一个采样集数据。在本实施例设定实验条件下，每间隔10秒采集0.1秒的数据作为采样集。同一采样集中不同传感器的采样点数是不同的。这是因为各个传感器的采样频率不同，假设采样频率为fs，则采样点数k可以计算为t×fs。
将原始传感器数据按照采样集即按照相同的采样时长进行切片，然后对数据进行三维化处理，得到一个数据块，其中数据块的深度与采样集的总数T相等，数据块的高度与传感器个数D相等，数据块的长度由采样点数k确定，该长度因传感器采样频率而异。接下来应用数据归一化对数据块进行调整，将不同传感器的数据转换为相同大小的区间，以消除各传感器数据量程不同的影响，完成对序列数据的预处理。
（2）多传感器数据平行卷积。建立平行1D-CNN网络以单独处理各传感器数据，并为每种类型的传感器提供合适的网络结构。利用1D-CNN网络捕获敏感信息，并根据不同传感器的特性实现对传感器数据的特征提取。对不同的传感器数据进行一维卷积，得到对应的卷积特征。对于本实施例的多传感器配置情况，提出了一种用于ATS轴承的特定网络结构。平行CNN网络的每一独立1D-CNN网络包括六层，即三个卷积层、两个最大池化层和一个连接层。具体网络的搭建顺序如下：[Conv1, Pooling1, Conv2, Pooling2, Conv3,Concatenate]，其中Conv代表卷积层，Pooling代表池化层，Concatenate代表连接层，Concatenate层为下一子步骤的主要内容。
卷积操作是沿着序列数据的时间维度进行的，也就是按照采样点逐点进行的。在卷积层中，神经元通过多个一维卷积核连接到前一层，然后将偏差添加到其输出，卷积运算表达式如下：
式中：v j r 和v i r-1分别代表第r层的第j个输出特征和第r-1层的第i个输入特征，w ij r 和b j r 为第r层的卷积核和偏置，“conv1D”表示一维卷积算子，ψ是卷积层的非线性激活函数。对于本实施例特定网络的三个卷积层，r取值1、3和5。
池化层一般设置在卷积层之后。由于最大值池化可以尽可能地压缩和提取特征，因此本实施例采用最大值池化策略，最大池化层表达式如下：
式中：v j r 和p j r 分别代表池化层的输入和输出，m表示池化尺寸大小。具体来说，r取值2和4。
各传感器数据经过各自独立1D-CNN网络的三个卷积层和两个最大池化层后分别得到由第三卷积层(Conv3)提取到的全局特征Fconv3和第二个池化层(Pooling2)提取到的局部特征Fpooling2。
（3）卷积特征堆叠。特征堆叠操作将第三卷积层(Conv3)提取的全局特征Fconv3和中间池化层(Pooling2)提取的局部特征Fpooling2在卷积通道维度上进行堆叠，由连接层(Concatenate层)来具体执行，连接层要求所进行堆叠的两部分特征具有相同的宽度，平行1D-CNN网络中参数的不同设置可以改变每部分特征的宽度。为了确保堆叠前两部分特征具有相同的宽度，第三卷积层(Conv3)设置为相同填充和单步跨度。在各传感器数据分别完成卷积通道维度上的堆叠，形成各传感器数据的多尺度特征块后，再利用Concatenate层将各传感器数据的多尺度特征块进行在传感器数目维度即特征块高度维度上的堆叠，形成多传感器数据的多尺度特征块Fstack，多尺度特征块的高度等于多传感器D的个数。
第二步、多尺度特征的注意力调节与特征数据混合
多尺度特征的注意力调节与特征数据混合分成以下三个子步骤：
（1）通道注意力调节。为使第一步骤中提取出的多尺度特征能够更精准的表征ATS轴承性能退化特征，引入卷积注意力模块，主要由通道注意力模块和空间注意力模块两部分组成，分别用于通道注意力调节和空间注意力调节。首先是利用通道注意力模块进行对多尺度特征进行调节，其旨在关注多尺度特征块Fstack中蕴含的重要特征并抑制不必要的特征。参见图2，首先在通道维度方向上进行全局池化操作，再经过一个多层感知机(MLP)得到权重，然后相加作为最终的注意力向量(权重)。此处的全局池化包含了最大值池化(MaxPool)和平均值池化(AvgPool)两种运算；多层感知机中间层较小，有助于特征数据信息整合。通道注意力模块的算法表达式如下：
式中：A C (Fstack)为通道注意力调节运算符，该运算符为一个一维向量；σC{}是通道注意力模块的非线性激活函数。
经通道注意力调节的数据特征块表达式为：
式中：表示逐元素乘法。
（2）空间注意力调节。旨在为不同的传感器特征分配权重，捕捉通道注意力调节后的特征数据块F C 中不同特征数据之间的相关性。参见图3，首先使用MaxPool和AvgPool对经通道注意力模块调节的特征数据块F C 进行压缩操作，这里的压缩变成了通道层面上的压缩，仅得到两个二维的特征映射(一个来自MaxPool，另外一个来自AvgPool)，再将其按照通道维度严格对准并堆叠在一起，得到一个通道数为2的三维特征映射，最后再使用一个包含单个卷积核的隐含层对其进行卷积即专门提取特征数据之间的相关性。空间注意力模块的算法表达式如下：
式中：A S (F C )为空间注意力调节运算符，该运算符是一个二维映射矩阵； | ; |是在通道维度上的堆叠操作；σS{}是空间注意力模块的非线性激活函数；f[]是卷积运算。
经空间注意力调节的数据特征块表达式为：
经卷积注意力模块调节后的数据特征块F S 的维数没有改变，更加注重数据特征块中的重要信息，以进一步提高特征提取网络的性能。
（3）特征数据混合。在ATS轴承性能退化特征提取网络中增加一个混合层，该混合层紧接在空间注意力模块后面，对经空间注意力模块调节的特征数据块F S 进一步实施多尺度特征混合操作，最终得到表征ATS性能衰退的特征向量Z p 。如果将经过平行卷积和注意力调节后的特征直接用于模型训练，模型参数将非常复杂。混合层进一步对注意力调节后的特征数据块Z p 进行多尺度特征混合操作，最终得到表征空气涡轮起动机轴承性能退化的特征向量Z p 。具体地，混合层首先对数据特征块F S 的各通道实施矩阵乘法运算；再把运算结果求和；然后利用非线性激活函数对求和结果实施特征提取，给出对应的特征向量Z p 。计算空气涡轮起动机轴承性能退化的特征向量表达式如下：
式中：σ是混合层的非线性激活函数，用于提取矩阵相加后特征块的非线性特征；n是数据特征块F S 的通道总数；F S l 是数据特征块F S 在通道维度上的第l层切片；w S l 是混合层中与F S l 对应的一维权重矩阵，其维度为WF S ×1，WF S 等于F S l 的宽度。在此基础上，通过混合层对特征块进行处理，完成多传感器特征融合，提取出具有代表性的ATS轴承退化特征。
为了验证本发明提供的一种空气涡轮起动机轴承性能退化特征提取方法的有效性，本方法采用轴承全周期加速疲劳实验平台进行验证实验。选择与ATS轴承具有相似结构和性能的轴承进行加速退化实验，以收集从正常运行到出现故障的多传感器信号。试验台机械部分主要由驱动电机、传动轴和轴承试验箱三部分组成。试验箱主要包括试验轴承、支承轴承、径向加载装置和箱体。信号采集部分由多个传感器构成。其中振动信号和扭矩信号的采样频率为20.5kHz，压力信号的采样频率为10kHz，温度信号为10Hz。
将轴承剩余寿命（RUL）作为评价性能退化特征的量化指标，再引入相对误差百分比Er、单体预测得分A i 和整体预测得分Score作为评估实验结果的指标，其公式表示如下：
式中：i代表第i个单体，Er i 表示第i个单体的相对误差百分比，PreRULi表示剩余寿命预测值，ActRULi表示剩余寿命真实值，m表示测试集数量。
实验：基于本实施例整体网络框架在ATS轴承不同长度数据集上的性能，为了进一步说明整体架构的优越性，截取不同长度的测试集轴承3和轴承4的数据作为测试集，作为模拟实际运行到不同时间的RUL预测结果来验证网络提取精度。图4至图7描述了轴承4分别工作到3360s、4360s、5360s和6360s时每组网络的特征提取情况。四个子图的网络性能随着时间点数量的增加而增加。当时间在0s到2000s之间时，所有不同点的提取结果都与实际RUL存在一定的差异，因为它处于轴承退化的早期阶段。结果表明，提取结果与退化中晚期的实际值接近。
将轴承3和轴承4的数据作为测试集与各种特征提取方法结果比较见表1：
表 1 各种特征提取方法结果比较
表1显示了不同方法在不同预测时刻的详细特征提取结果及其百分比误差。如表1所示，本方法在轴承3和轴承4上误差百分比Er在大多数时间点都小于其他特征提取方法。在大多数情况下，随着测试集长度的增加，提取特征拟合效果会变得更好。从表1可以看出本发明所提出模型的特征提取效果远优于手动提取特征方法，在一定程度上优于双向长短时记忆网络(BiLSTM)和不引入卷积注意力及特征混合层的简单平行卷积方法。本方法在处理多传感器数据的长期退化特征拟合方面显示出优势，百分比误差降低了0.98%，整体预测得分提高了0.023。
Claims (2)
1.一种空气涡轮起动机轴承性能退化特征提取方法，其特征在于，包括以下步骤：
第一步、空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠
所述空气涡轮起动机轴承多传感器序列数据平行卷积与多尺度堆叠有如下三个子步骤：
A1、序列数据预处理
对不同频率的空气涡轮起动机多传感器信号按照采样时长进行切片形成采样集，对切片采样集数据进行三维化处理，得到一个数据块，再对数据块中数据进行归一化处理，完成序列数据预处理；
A2、多传感器数据平行卷积
建立多个一维卷积神经网络以平行处理各传感器预处理后的数据，各一维卷积神经网络的网络结构由各传感器采样频率的不同而有所调整，各一维卷积神经网络依次设置三个卷积层和两个池化层以提取出各传感器数据的卷积特征；
A3、卷积特征堆叠
将所述各传感器数据由平行卷积过程中第三个卷积层对应的全局特征和第二个池化层对应的局部特征在卷积通道维度上分别进行堆叠，以形成各传感器数据的多尺度特征；再将各传感器数据多尺度特征在传感器数目维度上进行堆叠，以形成多传感器数据的多尺度特征；
第二步、多传感器数据的多尺度特征的注意力调节与特征数据混合
所述多传感器数据的多尺度特征的注意力调节采用卷积注意力模块，卷积注意力模块包括通道注意力调节和空间注意力调节；所述多传感器数据的多尺度特征的注意力调节与特征数据混合有如下三个子步骤：
S1、通道注意力调节
在所述卷积通道维度上对所述多传感器数据的多尺度特征中蕴含重要特征的通道施加较大权重，并对不必要特征的通道施加较小权重，得到经通道注意力调节的数据特征；
S2、空间注意力调节
在所述多尺度特征的空间维度上对经通道注意力调节的数据特征的不同空间位置施加不同权重，以捕捉所述经通道注意力调节的数据特征中不同特征数据之间的相关性，得到经空间注意力调节的数据特征；
S3、特征数据混合
在所述经空间注意力调节的数据特征后加入特征数据混合层，利用可训练的权重矩阵实现对数据特征的多尺度特征混合操作，得到最终表征空气涡轮起动机轴承性能退化的特征向量。
2.根据权利要求1所述的一种空气涡轮起动机轴承性能退化特征提取方法，其特征在于，步骤S3中，所述特征数据混合是对经空间注意力调节的数据特征F S 进一步实施多尺度特征混合操作，最终得到表征空气涡轮起动机轴承性能退化的特征向量Zp，计算空气涡轮起动机轴承性能退化的特征向量表达式如下：
式中：σ是混合层的非线性激活函数；n是数据特征F S 的通道总数；F S l 是数据特征F S 在通道维度上的第l层切片；w S l 是混合层中与F S l 对应的一维权重矩阵，其维度为WF S ×1，WF S 等于F S l 的宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211154667.8A CN115238833B (zh) | 2022-09-22 | 2022-09-22 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211154667.8A CN115238833B (zh) | 2022-09-22 | 2022-09-22 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115238833A true CN115238833A (zh) | 2022-10-25 |
| CN115238833B CN115238833B (zh) | 2022-11-25 |
Family
ID=83667259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211154667.8A Active CN115238833B (zh) | 2022-09-22 | 2022-09-22 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115238833B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115851332A (zh) * | 2022-12-26 | 2023-03-28 | 新疆凯龙清洁能源股份有限公司 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814863A (zh) * | 2020-07-03 | 2020-10-23 | 南京信息工程大学 | 一种轻量级车辆与行人的检测方法 |
| CN112465759A (zh) * | 2020-11-19 | 2021-03-09 | 西北工业大学 | 一种基于卷积神经网络的航空发动机叶片缺陷检测方法 |
| CN112581409A (zh) * | 2021-01-05 | 2021-03-30 | 西安理工大学 | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 |
| CN112801902A (zh) * | 2021-01-29 | 2021-05-14 | 福州大学 | 一种基于改进生成对抗网络的交通图像去雾方法 |
| CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113592794A (zh) * | 2021-07-16 | 2021-11-02 | 华中科技大学 | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 |
| CN113744178A (zh) * | 2020-08-06 | 2021-12-03 | 西北师范大学 | 一种基于卷积注意力模型的皮肤病变分割方法 |
| CN114332462A (zh) * | 2021-12-31 | 2022-04-12 | 福州大学 | 一种针对大脑病变融入注意力机制的mri分割方法 |
| CN114707731A (zh) * | 2022-04-11 | 2022-07-05 | 合肥工业大学 | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 |
| CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
| CN114972107A (zh) * | 2022-06-14 | 2022-08-30 | 福州大学 | 基于多尺度堆叠式注意力网络的低照度图像增强方法 |
| CN115048873A (zh) * | 2022-08-12 | 2022-09-13 | 太原科技大学 | 一种用于飞机发动机的剩余使用寿命预测系统 |
-
2022
- 2022-09-22 CN CN202211154667.8A patent/CN115238833B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814863A (zh) * | 2020-07-03 | 2020-10-23 | 南京信息工程大学 | 一种轻量级车辆与行人的检测方法 |
| CN113744178A (zh) * | 2020-08-06 | 2021-12-03 | 西北师范大学 | 一种基于卷积注意力模型的皮肤病变分割方法 |
| CN112465759A (zh) * | 2020-11-19 | 2021-03-09 | 西北工业大学 | 一种基于卷积神经网络的航空发动机叶片缺陷检测方法 |
| CN112581409A (zh) * | 2021-01-05 | 2021-03-30 | 西安理工大学 | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 |
| CN112801902A (zh) * | 2021-01-29 | 2021-05-14 | 福州大学 | 一种基于改进生成对抗网络的交通图像去雾方法 |
| CN113255882A (zh) * | 2021-04-30 | 2021-08-13 | 南通大学 | 一种基于改进卷积胶囊网络的轴承故障诊断方法 |
| CN113592794A (zh) * | 2021-07-16 | 2021-11-02 | 华中科技大学 | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 |
| CN114332462A (zh) * | 2021-12-31 | 2022-04-12 | 福州大学 | 一种针对大脑病变融入注意力机制的mri分割方法 |
| CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
| CN114707731A (zh) * | 2022-04-11 | 2022-07-05 | 合肥工业大学 | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 |
| CN114972107A (zh) * | 2022-06-14 | 2022-08-30 | 福州大学 | 基于多尺度堆叠式注意力网络的低照度图像增强方法 |
| CN115048873A (zh) * | 2022-08-12 | 2022-09-13 | 太原科技大学 | 一种用于飞机发动机的剩余使用寿命预测系统 |
Non-Patent Citations (4)
| Title |
|---|
| RUNXIA GUO: "Remaining useful life prediction for the air turbine starter based on empirical mode decomposition and relevance vector machine", 《SAGE》 * |
| UNXIA GUO: "Remaining Useful Life Prediction for Rolling Bearings Using EMD-RISI-LSTM", 《IEEE》 * |
| 曹永杰: "基于平行卷积神经网络的结构损伤识别", 《CNKI》 * |
| 靳建华: "基于特征融合的滚动轴承不平衡故障诊断方法研究", 《CNKI》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115851332A (zh) * | 2022-12-26 | 2023-03-28 | 新疆凯龙清洁能源股份有限公司 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115238833B (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| 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 | |
| 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 | |
| CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
| CN110954312A (zh) | 一种基于无键相整周期信号的往复机械故障诊断方法 | |
| CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
| CN115238833B (zh) | 一种空气涡轮起动机轴承性能退化特征提取方法 | |
| 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 | |
| WO2023206860A1 (zh) | 一种机械设备故障的确定方法及装置 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN114707731A (zh) | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 | |
| Yang et al. | A novel multiple feature-based engine knock detection system using sparse bayesian extreme learning machine | |
| CN114964782A (zh) | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统 | |
| CN115046766A (zh) | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 | |
| CN110782007A (zh) | 一种基于神经网络的飞行数据缺失补充方法 | |
| Bi et al. | Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine | |
| Lu et al. | An automated bearing fault diagnosis using a self-normalizing convolutional neural network | |
| Babu et al. | Misfire detection in a multi-cylinder diesel engine: A machine learning approach | |
| Kozlenko et al. | Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN111766067A (zh) | 基于深度学习的机务外场飞机发动机故障预测方法 | |
| Chakraborty et al. | Bearing Fault Detection based on Internet of Things using Convolutional Neural Network | |
| Intachai et al. | A Prototype Similarity-based System for Remaining Useful Life Estimation for Future Industry by Singular Spectrum Analysis-Long Short Term Memory Neural Networks Algorithm | |
| CN111814953B (zh) | 一种基于通道剪枝的深度卷积神经网络模型的定位方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231101 Address after: Room 306, Building C2, Science and Technology Park, Civil Aviation University of China, Zone C, Guangxuan Road Aviation Business Center, Dongli District, Tianjin, 300300 Patentee after: Tianjin Ruichi Aviation Technology Co.,Ltd. Address before: 300300 Tianjin city Dongli District North Road No. 2898 Patentee before: CIVIL AVIATION University OF CHINA |
|
| TR01 | Transfer of patent right |