CN115374842A - 基于生成对抗网络的机械轴承故障分类方法及系统 - Google Patents
基于生成对抗网络的机械轴承故障分类方法及系统 Download PDFInfo
- Publication number
- CN115374842A CN115374842A CN202210926167.5A CN202210926167A CN115374842A CN 115374842 A CN115374842 A CN 115374842A CN 202210926167 A CN202210926167 A CN 202210926167A CN 115374842 A CN115374842 A CN 115374842A
- Authority
- CN
- China
- Prior art keywords
- countermeasure network
- sample data
- discriminator
- data
- frequency domain
- 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
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
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
本发明公开了一种基于生成对抗网络的机械轴承故障分类方法及系统,方法包括从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理;基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练;使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。本发明对故障数据的预测识别效果更准确。
Description
技术领域
本发明涉及机械设备故障诊断技术领域,特别是涉及一种基于生成对抗网络的机械轴承故障分类方法及系统。
背景技术
机械故障诊断在现代工业生产中发挥着关键作用。未被检测出的故障可能导致重大的生产事故,经济损失甚至人员伤亡,有必要在工业应用中采用故障诊断技术来避免危险情况。随着工业化4.0时代的到来以及智能制造的发展,健康监测系统已经很好地应用在学术和工业领域中。由于这些监控系统的广泛应用,因此从系统中收集了大量数据,可用于诊断系统的状况。运用效果更明显的机器学习方法识别机械结构的健康状态已经成为故障诊断方向的一个趋势,从而实现对机械损伤的早期识别,及时采取预防措施,防止损伤故障的发展,以保证结构系统可靠、安全、稳定、有效地运行。
在信息化的大数据时代,将机器学习(ML)算法应用到工程领域成为一种潮流,即通过从大量的监测数据中提取特征量来获取信息,然后对机械结构进行健康状态的预测以及评估。机器学习主要由模型、算法、数据还有特征工程组成。根据训练数据中标签量的完整性,可以将机器学习任务分类为有监督,无监督和半监督学习。在有监督学习任务下,训练数据Ds={(xi,yi)}包含特征向量xi和样本i对应的描述性标签yi。通过特定算法对模型进行训练,利用最小化训练模型预测的标签与原始真实数据之间的分类误差,以找到从原始特征空间xi到标签空间yi的函数关系。机器学习通过提取训练数据的高阶特征量,以得到更好的机械故障分类效果,而不是直接匹配实际数据的真实分布。
目前有监督的机器学习方法广泛的应用在实际工程当中,并且取得了较大的研究进展。有监督学习的训练集中的所有样本均需包含数据标签,样本信息可包括时域的原始信号、频域的特征信号、振动的固定频率以及模态信息等,而数据标签可包括结构损伤类型、位置以及刚度降低因子等。
尽管有监督学习在基于振动的机械故障损伤识别中取得了进展,但前提条件是需要大量已知标签的训练数据才能实现较好的预测效果。如果缺少标签信息的指导以及数据稀疏性的问题,判别模型都可能不会得到可靠的结果。现行条件下获取实际应用的所有数据的标签信息成本较高。对于损伤识别方面,传统的机器学习模型需要人工地选择损伤特征,而这类人工特征的通用性不强,并且这类特征想要涵盖所有的损伤信息是比较困难的,在某些情况下可能是不适用的。近几年发展的深度学习模型能够从输入信息中寻找优质的特征量训练网络模型,而且学习能力比传统机器学习模型更为强大,模型识别精度更高。综上,深度学习能够提高识别精度,减少对人工的依赖,提高智能化水平。
滚动轴承是大型机械设备的关键零部件之一,广泛应用于不同工业领域。但在实际工作中不断变化的轴承工况,使得大量有标签的数据难以获得,同时传统机械损伤定位方法存在可靠性低以及信噪比高的特点。因此,能够准确预测以及识别滚动轴承健康状态的方法对工业生产具有重大意义。
发明内容
本发明针对上述问题,提供了一种在不同工况下均适用的基于生成对抗网络的机械轴承故障分类方法、系统及存储介质。
本发明的第一方面,提供了一种基于生成对抗网络的机械轴承故障分类方法,方法包括如下步骤:
从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理,即将时域上的样本数据转换为频域样本数据;
基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练,具体包括:
生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本,用于干扰判别器的判断;判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本;通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,使整个生成对抗网络不断训练,直至生成器和判别器都达到最优状态;
使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。
本发明的进一步技术方案:生成对抗网络进行训练采用AdamOptimizer算法最大化生成器以及最小化判别器的损失函数以达到纳什均衡。
本发明的进一步技术方案:损失函数具体表达式为:
其中,Pdata(x)为生成对抗网络结构响应的真实分布,Pnoise(z)为生成对抗网络的噪声输入分布,D(x)为判别器目标函数,G(z)为生成器目标函数,z为随机噪声变量,x表示真实样本数据。
本发明的进一步技术方案:机械轴承故障包括四种类型:正常状态,轴承滚轮故障、外圈故障以及内圈故障,其中每种故障类型有四种不同的损伤尺寸,故障细项特征类型为16种。
本发明的第二方面,提供了一种基于生成对抗网络的机械轴承故障分类系统,系统包括:
样本数据预处理模块,用于从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理,即将时域上的样本数据转换为频域样本数据;
生成对抗网络训练模块,用于基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练,具体包括:
生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本,用于干扰判别器的判断;判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本;通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,使整个生成对抗网络不断训练,直至生成器和判别器都达到最优状态;
分类模块,用于使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。
本发明的第三方面,提供了基于生成对抗网络的机械轴承故障分类系统,包括:处理器;以及存储器,其中,所述存储器中存储有计算机可执行程序,当由所述处理器执行所述计算机可执行程序时,执行上述基于生成对抗网络的机械轴承故障分类方法。
本发明的第四方面,提供了一种计算机可读存储介质,其上存储有指令,所述指令在被处理器执行时,使得所述处理器执行上述基于生成对抗网络的机械轴承故障分类方法。
本发明提出在不同工况下均适用的基于生成对抗网络的机械轴承故障分类方法、系统及存储介质。将FFT变换作为数据预处理,因为FFT变换可以产生信号的频域空间信息,并且它是在不同工作负载下的非平稳信号的有效工具,能够更好的提取振动信号中的动力信息;提出了运用含有多层神经网络的GAN算法,可用于训练故障状态下的轴承数据来提高不同种工况下的分类效果,本发明实施例可证明本发明对故障数据的预测识别效果更准确。
附图说明
图1是本发明实施例中基于生成对抗网络的机械轴承故障分类方法示意图;
图2是本发明实施例中轴承实验验证装置结构示意图;
图3是本发明实施例中基于生成对抗网络的机械轴承故障分类系统结构示意图;
图4是本发明实施例中的计算机设备的架构;
图5是本发明实施例中测试集和训练集相互比对的混淆矩阵结果图;
图6是本发明实施例中数据识别分类的二维可视化结果图。
具体实施方式
为进一步对本发明的技术方案作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的步骤。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或硬件获取模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本发明实施例针对基于生成对抗网络的机械轴承故障分类方法、系统及存储介质,提供了如下实施例:
基于本发明的实施例1
本实施例用于说明基于生成对抗网络的机械轴承故障分类方法,如图1所示,方法包括如下步骤:
从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理,即将时域上的样本数据转换为频域样本数据;
具体实施过程中,应用快速傅立叶变换(FFT)对样本数据进行空间域上的变化,将从振动数据集中随机选取样本数据,然后使用FFT变换方法对其进行数据预处理。FFT变换可将时域上的振动信号转换为频域空间上的频域谱图。
基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练,具体包括:
生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本,用于干扰判别器的判断;判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本;通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,使整个生成对抗网络不断训练,直至生成器和判别器都达到最优状态;
具体实施过程中,通过判别器以及生成器之间的纳什均衡,对原始样本数据以及虚拟信号进行判别。GAN的基本模型主要包含生成器(Generator,G)和判别器(Discriminator,D)。生成器旨在学习真实样本数据分布,生成与真实样本数据分布相似的样本,以干扰判别器的判断,而判别器则是要正确判别其输入样本是真实样本数据还是生成的伪样本,起到辨别真伪的作用。通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,整个网络不断得以训练,直至两者都达到最优状态。
训练生成对抗网络的过程等同于找到最合适的神经网络拓扑结构和局部参数最大化生成网络G以及最小化判别网络D的损失函数:
其中Pdata(x)为结构响应的真实分布,Pnoise(z)为生成对抗网络模型的噪声输入分布,D(x)为判别器目标函数,G(z)为生成器目标函数,z为随机噪声变量,x表示真实样本数据。本实施例中将采用AdamOptimizer优化算法最大化/最小化等式(1),以达到纳什均衡。
使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。
具体实施过程中,使用最终的生成对抗网络对故障信号进行识别分类,通过最终判别器对所生成数据以及原始样本数据真假进行判别筛选,得到训练后最优化的结果,并采用T分布随机近邻嵌入(T-SNE)算法对训练结果进行二维可视化。
进一步的,本发明的优选实施例中,机械轴承故障包括四种类型:正常状态,轴承滚轮故障、外圈故障以及内圈故障,其中每种故障类型有四种不同的损伤尺寸,故障细项特征类型为16种。
具体实施过程中,采用电机轴承故障数据集,轴承运转状况包含四种故障损伤类型,分别由正常状态(Normal),轴承滚轮故障(Ball),外圈故障(OR)以及内圈故障(IR)表示。其中每种故障类型有四种不同的损伤尺寸,损伤尺寸分别为0.1778毫米,0.3556毫米,0.5334毫米,0.7112毫米(mm)。因此,在健康状态类型中,有十六种状态。图2为本实施例中轴承实验验证装置。实验数据集在0,1,2和3马力(HP)四个负载条件下采集,用来测试本发明所提出方法的效果,整个GAN的迭代次数是12000次。
基于本发明的实施例2
以下,参照图3来描述根据本公开实施例1的方法对应的系统,一种基于生成对抗网络的机械轴承故障分类系统,系统300包括:样本数据预处理模块301,用于从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理,即将时域上的样本数据转换为频域样本数据;生成对抗网络训练模块302,用于基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练,具体包括:生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本,用于干扰判别器的判断;判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本;通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,使整个生成对抗网络不断训练,直至生成器和判别器都达到最优状态;分类模块303,用于使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。除了上述3个模块以外,系统300还可以包括其他部件,然而,由于这些部件与本公开实施例的内容无关,因此在这里省略其图示和描述。
一种基于生成对抗网络的机械轴承故障分类系统300的具体工作过程参照上述基于生成对抗网络的机械轴承故障分类方法实施例1的描述,不再赘述。
基于本发明的实施例3
根据本发明实施例的装置也可以借助于图4所示的计算设备的架构来实现。图4示出了该计算设备的架构。如图4所示,计算机系统401、系统总线403、一个或多个CPU404、输入/输出402、存储器405等。存储器405可以存储计算机处理和/或通信使用的各种数据或文件以及CPU所执行包括实施例1-实施2方法的程序指令。图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要调整图4中的一个或多个组件。
基于本发明的实施例4
本发明实施例也可以被实现为计算机可读存储介质。根据实施例4的计算机可读存储介质上存储有计算机可读指令。当所述计算机可读指令由处理器运行时,可以执行参照以上附图描述的根据本发明实施例1-实施3的基于生成对抗网络的机械轴承故障分类方法。
本发明实施例针对以上所述基于生成对抗网络的机械轴承故障分类方法、系统及存储介质,利用实施例1-4,对所提出的生成对抗网络在不同工作负载下进行训练测试。生成对抗网络中Pnoise(z)初始设定为随机变量,而Pdata(x)为经过步骤一处理得到的频谱信号。实施例以负载为1HP的频谱数据作为训练集,分别对负载0HP,1HP,2HP,3HP的频谱数据进行测试,其结果如表一所示。
表一不同负载条件下的生成对抗网络(GAN)的测试结果
实施例对生成对抗网络(GAN)尝试学习训练数据的分布,通过更新网络参数提取能够反映轴承损伤信息的高阶特征量。当训练和测试数据来自相同负载条件下的数据集时,可以得到良好的聚类结果。例如,在任务C-1-1中(C-i-j代表不同的训练任务,其中训练集为i HP数据,测试集为j HP数据),通过训练得到的聚类数量接近真实值16,且调兰德指数(ARI)在欧式空间度量以及散度度量上都接近于1(实施例引用调整兰德系数(AdjustedRand index,ARI)对测试结果进行评估,且ARI取值在-1到1之间,其值越大表明聚类效果越好)。
如图5所示,给出的测试集和训练集相互比对的混淆矩阵结果。本实施例将每种不同状态的测试集以及训练集的差异通过混淆矩阵的形式呈现。该混淆矩阵为对角矩阵,说明本发明训练出来的生成对抗网络模型非常接近真实值。
当训练数据和测试数据来自不同的负载条件时,C-1-0、C-1-2、C-1-3测试得到的聚类数量都为16,聚类数量仍然等于真实值16,同时ARI指数在欧式空间度量以及散度度量上都超过了0.982。
如图6所示,给出了数据识别分类的二维可视化结果。通过T-SNE算法对GAN提取的高阶特征量进行聚类,测试集经过判别器可分布成16种聚类点,说明GAN训练后预测的效果明显。上述实施例中均获得了较好的聚类结果,训练模型可从单个负载条件提取的高阶特征用来验证来自不同负载条件的测试数据,证明了本发明方法具备较好的鲁棒性和有效性。
利用实施例1-4以及上述性能分析,本发明提出在不同工况下均适用的基于生成对抗网络的机械轴承故障分类方法、系统及存储介质。将FFT变换作为数据预处理,因为FFT变换可以产生信号的频域空间信息,并且它是在不同工作负载下的非平稳信号的有效工具,能够更好的提取振动信号中的动力信息;提出了运用含有多层神经网络的GAN算法,可用于训练故障状态下的轴承数据来提高不同种工况下的分类效果,本发明实施例可证明本发明对故障数据的预测识别效果更准确。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的步骤、方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种步骤、方法所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于生成对抗网络的机械轴承故障分类方法,其特征在于,所述方法包括以下步骤:
从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理,即将时域上的样本数据转换为频域样本数据;
基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练,具体包括:
生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本,用于干扰判别器的判断;判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本;通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,使整个生成对抗网络不断训练,直至生成器和判别器都达到最优状态;
使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。
2.根据权利要求1所述的基于生成对抗网络的机械轴承故障分类方法,其特征在于,生成对抗网络进行训练采用AdamOptimizer算法最大化生成器以及最小化判别器的损失函数以达到纳什均衡。
4.根据权利要求1所述的基于生成对抗网络的机械轴承故障分类方法,其特征在于,机械轴承故障包括四种类型:正常状态,轴承滚轮故障、外圈故障以及内圈故障,其中每种故障类型有四种不同的损伤尺寸,故障细项特征类型为16种。
5.一种基于生成对抗网络的机械轴承故障分类系统,其特征在于,系统包括:
样本数据预处理模块,用于从机械振动数据集中随机选取样本数据,使用快速傅里叶变换对样本数据进行预处理,即将时域上的样本数据转换为频域样本数据;
生成对抗网络训练模块,用于基于生成对抗网络中的判别器和生成器之间的纳什均衡,对生成对抗网络进行训练,具体包括:
生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本,用于干扰判别器的判断;判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本;通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗,使整个生成对抗网络不断训练,直至生成器和判别器都达到最优状态;
分类模块,用于使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选,得到最优化的判别结果,最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。
6.一种基于生成对抗网络的机械轴承故障分类系统,其特征在于,包括:处理器;以及存储器,其中,所述存储器中存储有计算机可执行程序,当由所述处理器执行所述计算机可执行程序时,执行权利要求1-4中任一项所述的基于生成对抗网络的机械轴承故障分类方法。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的基于生成对抗网络的机械轴承故障分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926167.5A CN115374842A (zh) | 2022-08-03 | 2022-08-03 | 基于生成对抗网络的机械轴承故障分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926167.5A CN115374842A (zh) | 2022-08-03 | 2022-08-03 | 基于生成对抗网络的机械轴承故障分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374842A true CN115374842A (zh) | 2022-11-22 |
Family
ID=84064695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210926167.5A Pending CN115374842A (zh) | 2022-08-03 | 2022-08-03 | 基于生成对抗网络的机械轴承故障分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374842A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204786A (zh) * | 2023-01-18 | 2023-06-02 | 北京控制工程研究所 | 生成指定故障趋势数据的方法和装置 |
CN117407784A (zh) * | 2023-12-13 | 2024-01-16 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
-
2022
- 2022-08-03 CN CN202210926167.5A patent/CN115374842A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204786A (zh) * | 2023-01-18 | 2023-06-02 | 北京控制工程研究所 | 生成指定故障趋势数据的方法和装置 |
CN116204786B (zh) * | 2023-01-18 | 2023-09-15 | 北京控制工程研究所 | 生成指定故障趋势数据的方法和装置 |
CN117407784A (zh) * | 2023-12-13 | 2024-01-16 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
CN117407784B (zh) * | 2023-12-13 | 2024-03-12 | 北京理工大学 | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Machine learning-based fault diagnosis for single-and multi-faults in induction motors using measured stator currents and vibration signals | |
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
Yang et al. | A multi-source ensemble domain adaptation method for rotary machine fault diagnosis | |
Zhang et al. | Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks | |
Puchalski | A technique for the vibration signal analysis in vehicle diagnostics | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN116124398B (zh) | 旋转机械故障检测方法及装置、设备、存储介质 | |
Zhu et al. | A simulation-data-driven subdomain adaptation adversarial transfer learning network for rolling element bearing fault diagnosis | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
Hu et al. | KPCA and AE Based Local‐Global Feature Extraction Method for Vibration Signals of Rotating Machinery | |
Zheng et al. | Optimization-based improved kernel extreme learning machine for rolling bearing fault diagnosis | |
Ndjakomo Essiane et al. | Faults detection and identification in PV array using kernel principal components analysis | |
Qin et al. | Adaptive diagnosis of DC motors using R-WDCNN classifiers based on VMD-SVD | |
Vitor et al. | Induction motor short circuit diagnosis and interpretation under voltage unbalance and load variation conditions | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
Thakur et al. | Classification and Authentication of Induction Motor Faults using Time and Frequency Feature Dependent Probabilistic Neural Network Model | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
Patel et al. | Induction motor bearing fault classification using PCA and ANN | |
Wang et al. | Explainable machine learning for motor fault diagnosis | |
Xiao et al. | Health assessment for piston pump using LSTM neural network | |
Li et al. | Fault diagnosis of bearings based on a sensitive feature decoupling technique | |
CN116296396A (zh) | 一种基于混合注意力机制残差网络的滚动轴承故障诊断方法 |
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 |