CN115758216A - 一种轴承故障诊断方法 - Google Patents
一种轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115758216A CN115758216A CN202211459147.8A CN202211459147A CN115758216A CN 115758216 A CN115758216 A CN 115758216A CN 202211459147 A CN202211459147 A CN 202211459147A CN 115758216 A CN115758216 A CN 115758216A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- lstm
- neural network
- convolutional neural
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开一种轴承故障诊断方法，包括以下步骤：针对滚动轴承振动信号进行预处理，对振动信号进行连续小波变换获得时频图，用同步压缩方法对小波系数进行提取小波脊线，获得清晰的时频表达结果图，进行归一化操作，将数据集划分为训练集和测试集；利用卷积神经网络强大的特征提取能力提取时频图特征；将提取的特征通过双向长短期记忆层；引入注意力机制层调整不同特征向量的注意力权重，过滤冗余特征，保留目标特征；最终利用softmax分类器输出分类标签。本发明可以使轴承故障诊断精度更高，并且在不同背景噪声的干扰下，特征学习能力更强。
Description
技术领域
本发明属于机械轴承故障诊断与健康管理(Prognostics Health Management,PHM)人工智能技术领域，尤其涉及一种基于同步压缩小波变换的卷积双向长短时记忆和注意力机制的轴承故障诊断方法。
背景技术
滚动轴承是工业机械中使用最广泛的轴承之一，同时也是重要的机器部件，其健康状况是保证设备能够正常工作的关键因素。据相关文献统计，约有40％-50％的旋转机械设备故障是由滚动轴承故障引起的。轴承轴承一旦发生故障，会引发大面积的机械故障，也可能会影响加工质量，降低机械使用寿命，会导致整个系统运行出现问题并带来经济损失，由于滚动轴承故障是制造中的主要问题，因此建立一种实用的算法工具来准确、快速、可靠地诊断原始信号与故障模式之间的复杂非线性相关性至关重要。
早期的故障诊断主要提取振动信号的时域、频域和时频域特征。由于滚动轴承故障振动信号大部分是非线性和非平稳信号,时频分析方法,如小波变换,经验模态分解(Empirical Mode Decomposition,EMD)及在其基础上发展的局部均值分解(Local MeanDecomposition,LMD)和局部特征尺度分解(Local Characteristicscale Decomposition,LCD)等,由于能够同时提供振动信号时域和频域的局部信息而在滚动轴承故障诊断中得到了广泛应用。
小波分析是信号特征提取方法中的经典算法。同步压缩小波变换(synchrosqueezed wavelet transform,SWT)是一种类似于EMD原理的新方法。SWT对小波变换之后的频谱图进行再分配，应用小波变换后信号的相位不受尺度变化影响的原理，将相同频率下的尺度求和，将相同频率周围的系数压缩至此频率；最后通过特殊的映射关系将时间—尺度平面转化为时间—频率平面，得到系数集中的频谱图；相较于传统的信号特征提取方式具有较高的信号提取精度,可以提取并重构出不同频率成分。卷积神经网络(convolution neural network,CNN)是深度学习中的一个重要模型结构，在人脸识别和目标识别等方面有很好的表现。CNN是一种前馈神经网络，可以自动提取特征。双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)是双向的LSTM，它能够从正向和反向学习，这意味着可以更好地利用序列数据前后之间的内部关系。注意力机制(Attention Mechanism，AM)是深度学习算法中的一种特殊结构，可以用来自动学习和计算输入对输出的贡献大小。
本发明提出的一种基于同步压缩小波变换的卷积双向长短时记忆和注意力机制的轴承故障诊断方法，首先将通过CWT获得的时频图经过SWT获取更清晰的时频图，然后用CNN特征提取并结合BiLSTM网络提取故障信号中时序特征，并添加AM模块来进行故障诊断。相较于传统的轴承故障诊断方法，本发明的方法能够对轴承故障特征更好的提取，并创新性的提出了加入注意力机制模块，使模型重点关注故障特征明显的信息，忽略无用的噪音，以此来提高诊断效率。
发明内容
本发明基于轴承故障，提出一种同步压缩小波变换的卷积双向长短时记忆和注意力机制的方法。
相比于现有的轴承故障诊断方法，该方法引入注意力机制层对信号序列的特征段进行了有效筛选，进一步增强了模型的特征提取能力。
针对CNN网络提取特征单一且未充分利用时序特征的问题，在传统CNN的基础上，结合BiLSTM网络提取故障信号中时序特征，BiLSTM网络相较于LSTM能够获取时序信息的双向特征。
针对在强噪声背景下轴承早期微弱故障特征难以提取问题，本发明创新性的提出了用SWT方法对多分量信号进行分解，可以有效避免CWT分解能量的泄露问题，解决了噪声环境下滚动轴承故障识别率较低的问题。
本发明的目的是提供一种基于同步压缩小波变换的卷积双向长短时记忆和注意力机制的轴承故障诊断方法，以解决数据利用不充分、特征提取并分类的困难、噪声干扰影响诊断的问题。
一种基于同步压缩小波变换的卷积双向长短时记忆和注意力机制的轴承故障诊断方法，包括以下步骤：
一种轴承故障诊断方法，包括以下步骤：
步骤a，将轴承振动信号进行预处理，进行连续小波变换获得时频图；
步骤b，用同步压缩方法对小波系数提取小波脊线，获得时频表达结果图；
步骤c，将步骤b中由时频表达结果图构成的数据集进行归一化操作，之后划分为训练集、测试集和验证集；
步骤d，搭建卷积神经网络模型，设置模型参数；
步骤e，模型训练：将训练集输入步骤d中搭建的卷积神经网络模型，通过卷积神经网络模型提取训练集的时频图特征；
步骤f，将提取到的时频图特征通过双向长短时记忆层捕捉时序数据的时间相关性；
步骤g，将步骤e中通过双向长短时记忆层的特征，通过注意力机制层调整不同特征向量的注意力权重；
步骤h，利用softmax分类器输出轴承故障分类结果；
步骤i，将验证集输入步骤h中训练后的卷积神经网络模型，以验证卷积神经网络模型的训练效果，根据验证结果微调卷积神经网络模型的参数；
步骤j，判断卷积神经网络模型的网络训练次数m是否达到预先设定的迭代次数N，如果是，进行下一步，否则重复步骤e；
步骤k，将测试集输入步骤j中验证后的卷积神经网络模型，以测试已验证的卷积神经网络模型性能。
优选地，步骤a具体为：
首先对滚动轴承信号进行预处理，进行连续小波变换获得时频图；
之后采集振动信号，对信号进行重叠截取，获取时频图并缩放为32×32大小的图像；
其中，连续小波变换具体公式为：
其中，a为尺度因子；b为时移因子；
ψ(t)为母小波；
ψa,b(t)为小波基函数，由母小波通过改变a和b而产生的一组函数。
优选地，步骤b中，同步压缩公式为：
其中，Tf(ωl，b)为同步压缩小波变换系数矩阵；
ω为频率变量；
a为尺度因子；
ωl为离散的频率重心；
b为小波变换系数矩阵的时移因子；
ak-ak-1＝(Δa)k；
ωl-ωl-1＝Δω；
ak为第k个小波系数Wf的尺度因子。
优选地，步骤c中，将得到的时频图归一化，之后添加标签并随机划分为训练集、验证集和测试集；
其中采用min-max标准化方法对轴承信号进行归一化处理，并将其结果映射到[0，255]之间；
min-max具体公式为：
其中，X是原始数据；
Xnorm是归一化之后的结果；
Xmax是原始数据中最大值；
Xmin是原始数据中最小值；
round函数对数值进行四舍五入。
优选地，步骤e中，卷积神经网络采用LeNet-5的结构，结构由两个卷积层、两个下采样层和三个连接层组成。
优选地，步骤f中，双向长短时记忆网络包括前向LSTM与后向LSTM组合；
LSTM公式具体公式为：
ft＝σ(wt[ht-1，xt]+bf)；
it＝σ(wt[ht-1，xt]+bi)；
C′t＝tanh(wc[ht-1，xt]+bc)；
Ct＝ftCt-1+itC′t；
ot＝σ(wo[ht-1，xt]+bo)；
Ht＝OttanhCt；
其中：f为遗忘门；
i为输入门；
o为输出门的计算结果；
C′t为LSTM细胞状态待更新值；
Ct为更新后的细胞状态值；
Ht为LSTM细胞单元最终的输出值；
ht-1为LSTM中上一时刻记忆细胞单元的输出值；
xt为当前时刻记忆细胞单元的输入值；
w为记忆细胞单元内参与训练的权重矩阵；
b为偏置向量；
σ为Sigmoid函数，充当不同“门”结构的激活函数；
tanh为双曲正切函数，充当不同“门”结构的激活函数；
双向长短时记忆网络的具体公式为：
其中：LSTM+(…)为上文中LSTM细胞单元运算；
LSTM-(…)为上文中LSTM细胞单元运算；
Why为BiLSTM正向计算层；
Why为BILSTM反向计算层的权重值；
by为输出层的偏置向量；
xt为当前时刻记忆细胞单元的输入值；
ht-1为LSTM中上一时刻记忆细胞单元的输出值；
yt为双向长短时记忆网络最终的输出值。
有益效果：
(1)通过引入注意力机制层对信号序列的特征段进行了有效筛选，进一步增强了模型的特征提取能力。
(2)用SWT来获取时频图，能够高精度地刻画时频分辨率，而且具有较高的信号提取精度，可以提取并重构出不同频率成分。
(3)将卷积神经网络(convolution neural network，CNN)作为前端提取轴承信号特征，双向长短时记忆网络(bidirectional long short-term memory，BiLSTM)作为后端挖掘轴承数据的时序性，进行轴承故障诊断，降低了轴承故障诊断的误差，最大化利用轴承不同维度的信息。
(4)该发明方法可以自动学习特征具备智能性、鲁棒性好、模型简单可解释性强易于操作人员理解及推广使用。
附图说明
图1是卷积神经网络模型结构示意图；
图2是长短时记忆网络结构示意图；
图3是双向长短时记忆网络结构示意图；
图4是基于同步压缩小波变换的卷积双向长短时记忆和注意力机制的轴承故障诊断方法总体算法流程图。
具体实施方式
下面结合附图对本发明作进一步说明：
针对现有的传统时频分析方法的固定窗在分析非线性调频信号时存在时频聚集性不高、无法实现时频高分辨率表达等问题，本发明在小波变换的基础上引入同步压缩理论，利用信号的局部信息特征，提出窗口伸缩优化的同步压缩变换算法，能够进一步体现同步压缩变换的优势，进一步锐化时频脊线，从而增强时频表示的能量聚集水平,提高信号时频分辨率,实现时变转速工况下振动信号时频域特征的高分辨率表示和转速信息的快速提取。
本发明主要是针对滚动轴承故障信号随机性非线性的特点以及噪声影响,本发明研究了同步压缩变换故障信号提取方法,同时将其与小波变换结合,形成同步压缩小波变换(synchrosqueezing wavelet transform,SWT)方法。克服了单一尺度CNN学习特征信息不丰富的问题，同时融合BiLSTM模型进一步提取时序特征信息。引入了AM模块进行特征筛选，对更重要的特征赋予更高的权重。CNN结构如图1所示，双向长短时记忆网络结构如图3所示，整个发明流程图如图4所示。
为了具体说明本发明的方法，本发明对凯斯西储大学数据集进行分析。
该数据集包括在不同负载下使用加速度传感器，测得的驱动端、风扇端滚动轴承的振动信号。每种载荷下都含有滚动轴承的四种状态：正常、滚珠故障、内圈故障和外圈故障，且每种故障类型都包含3种不同的故障程度，分别为0.07英寸损伤直径、0.14英寸损伤直径和0.21英寸损伤直径。设置了10种不同故障状态,每种状态样本数为1000,共计10000个样本。
为了检验本文方法在不同故障状态及损伤程度下的诊断性能,将10种状态分成5个组合类别,分别为数据集A、B、C、D和E，分别是在负载为0hp、1hp、2hp和3hp下的样本。其中A,B和C为不同故障类型,相同故障程度,而D,E为相同故障类型,不同故障程度。对每组合类别,分别从不同故障类型中随机选取250个数据样本,构成该类别的1000个测试样本集,其余为训练样本。
a)首先，进行数据预处理，进行连续小波变换获得时频图，采集振动信号，对信号进行重叠截取，获取时频图并缩放为32×32大小的图像，连续小波变换具体公式为：
其中，a和b分别为尺度因子和时移因子，ψ(t)为母小波，ψa，b(t)为母小波通过改变a和b，即伸缩和移位产生的一组函数，成为小波基函数。
b)用同步压缩方法对小波系数进行提取小波脊线，获得清晰的时频表达结果图，同步压缩小波变换是一种重新再分配方法，通过分配平面上的值到不同的时间-频率点，其目的是“锐化”时间-频率表示，将频谱图的能量集中起来使得频谱图稀疏化。它改变了小波变换结果的模糊化，得到更加清晰的时频分布，有着比小波变换更高的视频分辨率，具体公式为：
其中，ω频率变量，a尺度因子，(ωl，b)是在离散的ak上计算的，且ak-ak-1＝(Δa)k，同样压缩变换过程中Tf(ωl，b)也是在离散的频率重心ωl上进行计算的，且ωl-ωl-1＝Δω。
c)将得到的时频图归一化，添加标签并随机划分为训练集、验证集和测试集，采用min-max标准化方法对轴承信号进行归一化处理，并将其结果映射到[0，255]之间，具体公式为：
其中，X是原始数据，Xnorm是归一化之后的结果，Xmax是原始数据中最大值，Xmin是原始数据中最小值，这里为了消除小数，使用round函数对数值进行四舍五入。
d)数据预处理之后，搭建卷积神经网络模型并设置模型参数。
e)模型训练：将训练集输入步骤d中搭建的卷积神经网络模型，通过卷积神经网络模型提取训练集的时频图特征。
即利用卷积神经网络(convolutional neural network，CNN)提取图片中的特征。卷积神经网络采用LeNet-5的结构，结构由两个卷积层、两个下采样层和三个连接层组成。
f)特征提取之后，用长短时记忆网络学习特征。双向长短时记忆网络能够获取时序信息的双向特征，它是由前向LSTM与后向LSTM组合而成。因此它可以更好地利用序列数据前后之间的内部关系。具体公式为：
LSTM公式具体公式为：
ft＝σ(wt[ht-1，xt]+bf)；
it＝σ(wt[ht-1，xt]+bi)；
C′t＝tanh(wc[ht-1，xt]+bc)；
Ct＝ftCt-1+itC′t；
ot＝σ(wo[ht-1，xt]+bo)；
Ht＝OttanhCt；
其中：f为遗忘门；
i为输入门；
o为输出门的计算结果；
C′t为LSTM细胞状态待更新值；
Ct为更新后的细胞状态值；
Ht为LSTM细胞单元最终的输出值；
ht-1为LSTM中上一时刻记忆细胞单元的输出值；
xt为当前时刻记忆细胞单元的输入值；
w为记忆细胞单元内参与训练的权重矩阵；
b为偏置向量；
σ为Sigmoid函数，充当不同“门”结构的激活函数；
tanh为双曲正切函数，充当不同“门”结构的激活函数；
双向长短时记忆网络的具体公式为：
其中：LSTM+(…)为上文中LSTM细胞单元运算；
LSTM-(…)为上文中LSTM细胞单元运算；
Why为BiLSTM正向计算层；
Why为BILSTM反向计算层的权重值；
by为输出层的偏置向量；
xt为当前时刻记忆细胞单元的输入值；
ht-1为LSTM中上一时刻记忆细胞单元的输出值；
yt为双向长短时记忆网络最终的输出值。
g)考虑到BiLSTM层输出的特征向量不一定对轴承故障识别都具有同等贡献，引入AM层调整不同特征向量的注意力权重，过滤冗余特征，保留目标特征。
h)利用softmax分类器输出分类标签(轴承故障分类结果)。
i)验证集验证模型训练效果，根据验证结果微调模型参数。即将验证集输入步骤h中训练后的卷积神经网络模型，以验证卷积神经网络模型的训练效果，根据验证结果微调卷积神经网络模型的参数
j)判断卷积神经网络模型的网络训练次数m是否达到预先设定的迭代次数N，如果是，进行下一步，否则重复训练模型。
k)将测试集输入步骤j中验证后的卷积神经网络模型，以测试已验证的卷积神经网络模型性能。
即最后测试集测试已训练好的模型性能，计算评价指标，输出计算结果，结束计算。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种轴承故障诊断方法，其特征在于：包括以下步骤：
步骤a，将轴承振动信号进行预处理，进行连续小波变换获得时频图；
步骤b，用同步压缩方法对小波系数提取小波脊线，获得时频表达结果图；
步骤c，将步骤b中由时频表达结果图构成的数据集进行归一化操作，之后划分为训练集、测试集和验证集；
步骤d，搭建卷积神经网络模型，设置模型参数；
步骤e，模型训练：将训练集输入步骤d中搭建的卷积神经网络模型，通过卷积神经网络模型提取训练集的时频图特征；
步骤f，将提取到的时频图特征通过双向长短时记忆层捕捉时序数据的时间相关性；
步骤g，将步骤e中通过双向长短时记忆层的特征，通过注意力机制层调整不同特征向量的注意力权重；
步骤h，利用softmax分类器输出轴承故障分类结果；
步骤i，将验证集输入步骤h中训练后的卷积神经网络模型，以验证卷积神经网络模型的训练效果，根据验证结果微调卷积神经网络模型的参数；
步骤j，判断卷积神经网络模型的网络训练次数m是否达到预先设定的迭代次数N，如果是，进行下一步，否则重复步骤e；
步骤k，将测试集输入步骤j中验证后的卷积神经网络模型，以测试已验证的卷积神经网络模型性能。
2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述步骤a具体为：
首先对滚动轴承信号进行预处理，进行连续小波变换获得时频图；
之后采集振动信号，对信号进行重叠截取，获取时频图并缩放为32×32大小的图像；
其中，连续小波变换具体公式为：
其中，a和为尺度因子；b为时移因子；
ψ(t)为母小波；
ψa,b(t)为小波基函数，由母小波通过改变a和b而产生的一组函数。
3.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤b中，同步压缩公式为：
其中，Tf(ωl,b)为同步压缩小波变换系数矩阵；
ω为频率变量；
a为尺度因子；
ωl为离散的频率重心；
b为小波变换系数矩阵的时移因子；
ak-ak-1＝(Δa)k；
ωl-ωl-1＝Δω；
ak为第k个小波系数Wf的尺度因子。
4.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤c中，将得到的时频图归一化，之后添加标签并随机划分为训练集、验证集和测试集；
其中采用min-max标准化方法对轴承信号进行归一化处理，并将其结果映射到[0,255]之间；
min-max具体公式为：
其中，X是原始数据；
Xnorm是归一化之后的结果；
Xmax是原始数据中最大值；
Xmin是原始数据中最小值；
round函数对数值进行四舍五入。
5.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤e中，卷积神经网络采用LeNet-5的结构，结构由两个卷积层、两个下采样层和三个连接层组成。
6.根据权利要求1所述的轴承故障诊断方法，其特征在于，步骤f中，双向长短时记忆网络包括前向LSTM与后向LSTM组合；
LSTM公式具体公式为：
ft＝σ(wt[ht-1,xt]+bf)；
it＝σ(wt[ht-1,xt]+bi)；
C′t＝tanh(wc[ht-1,xt]+bc)；
Ct＝ftCt-1+itC′t；
ot＝σ(wo[ht-1,xt]+bo)；
Ht＝OttanhCt；
其中：f为遗忘门；
i为输入门；
o为输出门的计算结果；
C′t为LSTM细胞状态待更新值；
Ct为更新后的细胞状态值；
Ht为LSTM细胞单元最终的输出值；
ht-1为LSTM中上一时刻记忆细胞单元的输出值；
xt为当前时刻记忆细胞单元的输入值；
w为记忆细胞单元内参与训练的权重矩阵；
b为偏置向量；
σ为Sigmoid函数，充当不同“门”结构的激活函数；
tanh为双曲正切函数，充当不同“门”结构的激活函数；
双向长短时记忆网络的具体公式为：
其中：LSTM+(…)为上文中LSTM细胞单元运算；
LSTM-(…)为上文中LSTM细胞单元运算；
Why为BiLSTM正向计算层；
W′hy为BILSTM反向计算层的权重值；
by为输出层的偏置向量；
xt为当前时刻记忆细胞单元的输入值；
ht-1为LSTM中上一时刻记忆细胞单元的输出值；
yt为双向长短时记忆网络最终的输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211459147.8A CN115758216A (zh) | 2022-11-17 | 2022-11-17 | 一种轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211459147.8A CN115758216A (zh) | 2022-11-17 | 2022-11-17 | 一种轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115758216A true CN115758216A (zh) | 2023-03-07 |
Family
ID=85334121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211459147.8A Pending CN115758216A (zh) | 2022-11-17 | 2022-11-17 | 一种轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115758216A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
-
2022
- 2022-11-17 CN CN202211459147.8A patent/CN115758216A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
| CN116933170B (zh) * | 2023-09-18 | 2024-01-02 | 福建福清核电有限公司 | 一种机械密封故障分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | Remaining useful life prediction of roller bearings based on improved 1D-CNN and simple recurrent unit | |
| CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
| Zhang et al. | Bearing performance degradation assessment using long short-term memory recurrent network | |
| Huang et al. | Motor fault detection and feature extraction using RNN-based variational autoencoder | |
| Han et al. | Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis | |
| CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
| Kong et al. | Discriminative dictionary learning based sparse representation classification for intelligent fault identification of planet bearings in wind turbine | |
| CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
| CN110941928A (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
| CN104616033A (zh) | 基于深度学习和支持向量机的滚动轴承故障诊断方法 | |
| CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
| CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
| CN106197999A (zh) | 一种行星齿轮故障诊断方法 | |
| CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
| CN108428023B (zh) | 基于量子加权门限重复单元神经网络的趋势预测方法 | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| CN116226646A (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN115758216A (zh) | 一种轴承故障诊断方法 | |
| Wang et al. | Feature fusion based ensemble method for remaining useful life prediction of machinery | |
| Senanayaka et al. | Autoencoders and recurrent neural networks based algorithm for prognosis of bearing life | |
| Zhong et al. | Development of a plug-and-play anti-noise module for fault diagnosis of rotating machines in nuclear power plants | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| Li et al. | A novel unsupervised anomaly detection method for rotating machinery based on memory augmented temporal convolutional autoencoder | |
| CN114676733A (zh) | 一种基于稀疏自编码辅助分类生成式对抗网络的复杂供输机构故障诊断方法 | |
| Li et al. | Intelligent fault diagnosis of rotating machinery based on deep recurrent neural network |
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 |