CN115876473A - 基于PWVD和DenseNet的轴承故障诊断方法 - Google Patents
基于PWVD和DenseNet的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN115876473A CN115876473A CN202211606818.9A CN202211606818A CN115876473A CN 115876473 A CN115876473 A CN 115876473A CN 202211606818 A CN202211606818 A CN 202211606818A CN 115876473 A CN115876473 A CN 115876473A
- Authority
- CN
- China
- Prior art keywords
- bearing
- time
- densenet
- frequency
- data
- 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
Abstract
本发明涉及一种基于PWVD和DenseNet的轴承故障诊断方法,包括采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。本发明能够较好的应用于滚动轴承故障诊断任务,准确率更高、抗噪性能好、训练稳定。
Description
技术领域
本发明涉及机械故障诊断技术领域,尤其是一种基于PWVD和DenseNet的轴承故障诊断方法。
背景技术
随着旋转机械设备自动化水平的不断提高,其复杂性也大大增加,各零部件的联系越来越密切,一个部件的故障可能引起其他部件的损坏,甚至影响整个设备的稳定运行,因此对设备进行故障诊断不仅可以降低维护成本,还可以有效的防止突发性故障带来的损失。
通常直接通过对原始信号的分析难以判断故障,但如果可以从原始信号中提取到有效反应轴承状态的信息,故障诊断就会容易很多,因此该方法的关键在于提取有效信息或者特征。随着数字信号处理研究的不断深入,提取特征从单纯的时域特征发展为时域、频域、和时频域的多角度特征;随着深度学习的发展,其在故障诊断中也得到广泛应用。例如CNN通过卷积层过滤器的作用,可以自动提取时频图像的局部特征,避免了人为选择特征的主观性,本身具有的局部感知域、权重共享以及时间和空间上的降采样结构,使之能够充分利用数据所包含的局部性特征,同时优化网络结构,并且在一定程度上保证位移和变形的不变性,特别适用于图像的处理和理解。但是在旋转机械实际运行过程中,采集信号常带有较强的噪声,对特征提取和机器学习模型的训练带来严重的不利影响,诊断精度显著下降。
发明内容
针对现有技术的不足,本发明提供一种基于PWVD和DenseNet的轴承故障诊断方法,目的是提高噪声环境下轴承故障诊断的准确率。
本发明采用的技术方案如下:
本申请提供一种基于PWVD和DenseNet的轴承故障诊断方法,包括:
S1、采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;
S2、采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;
S3、将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;
S4、利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。
进一步技术方案为:
步骤S1中,采用数据重叠分割法对数据进行切分,包括:
获取一定时间内的振动信号,振动信号总长度为L,设定单个样本数据长度为L1,步长为D,第一个样本的数据点索引为[1,2,…,L1],第二个样本的数据点索引为[D+1,D+2,…,D+L1],以此类推,总共获得N个样本,其值为:
式中,N、D、L、L1分别为所获得的样本数、索引步长、振动信号数据总长度、单个样本数据长度。
步骤S2中,采用伪魏格纳分布对样本进行时频分析,包括:
建立魏格纳分布模型:
其中,Ws(t,Ω)为魏格纳分布数据,x()为原始振动信号经过Hilbert变换得到的解析信号,x*()为x()的复共轭,j、Ω、t、τ分别为虚数单位、信号频率、时间、信号的时延;
基于魏格纳分布模型,对原始振动信号在时间轴进行加窗处理,获得伪魏格纳分布,其表达式如下:
式中,PWs(t,Ω)为伪魏格纳分布数据,h()为窗函数,e为自然对数,Δ为窗长。
步骤S2中,采用伪魏格纳分布对样本进行时频分析,还包括:
对将所述伪魏格纳分布在时间上进行离散化,令t=nTs,τ=2mTs,得:
式中,m和n为离散信号索引,1/Ts代表采样频率,2M-1代表离散窗窗长;
令Ts=1,ω=ΩTs,对上式进行归一化得:
式中,ω为频率;
令Δω=2π/(2M-1),ω=kΔω,k=0~2M-1,对上式的频率ω进行离散化得伪魏格纳分布的离散化表达式:
式中,PWs(k,n)为离散化的伪魏格纳分布数据;
将样本中的原始振动信号样本输入到所述离散化表达式中进行计算输出三通道图像,得到伪魏格纳分布时频图。
所述窗函数h()满足以下条件:
对称性,即h(τ)=h(-τ);
对于任意|τ|>Δ/2,都有h(τ)=0,Δ为窗长;
h(τ)的傅里叶变换为低通函数。
所述卷积神经网络为DenseNet,其由Dense Block、Tansition Layer和全连接层组成;
所述Dense Block由多层Dense Layer组成,每一层之间有一个表示特征通道数增长率的系数k,设第l层通道数为m,那么第l+1层的通道数则为m×(1+k),以保证学习到更多的特征,前面所有Dense Layer输出均会作为下一层的输入,每一层学习到的特征也会被下一层使用。
所述Dense Layer是由批量归一化函数、激活函数、卷积核尺寸为1×1的卷积层、批量归一化函数、激活函数、卷积核尺寸为3×3的卷积层组成。
所述DenseNet利用Tansition Layer连接每一个Dense Block,Tansition Layer由批量归一化函数、激活函数、卷积核尺寸为1×1的卷积层、步长为2的池化层组成。
所述DenseNet首先由一个卷积核尺寸7×7的卷积层和步长为2的最大池化层提取振动信号的浅层特征,然后利用两个Dense Block和Tansition Layer提取深层次特征,最后由两个全连接层并输出故障类别。
本申请还提供一种基于PWVD和DenseNet的滚动轴承故障诊断系统,包括:
数据切分模块,用于采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;
时频分析模块,用于采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;
网络模型建立模块,用于将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;
识别模块,用于利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。
本发明的有益效果如下:
本发明设计了适用于噪声环境下的PWVD-DenseNet模型,实现了能够充分挖掘故障信息的特征提取,能够较好的应用于滚动轴承故障诊断任务,准确率更高、抗噪性能好、训练稳定。
本发明将PWVD和DenseNet相结合,两者的适配性好,通过PWVD将原始振动信号转变为时频图,能够很好的反映振动信号中蕴含的故障信息,此外结合DenseNet网络强大的特征提取能力,提升了故障识别精度和抗噪性能。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例采集的原始振动信号的波形图。
图3为本发明实施例振动信号经过PWVD处理后得到的时频图。
图4为本发明实施例的Dense Block结构示意图。
图5是本发明实施例的DenseNet模型结构图。
图6为本发明实施例的DenseNet模型在训练过程中的验证集的准确率图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
本申请的一种基于PWVD和DenseNet的轴承故障诊断方法,包括:
S1、采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;
S2、采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;
S3、将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;
S4、利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。
其中,卷积神经网络采用DenseNet。本申请将伪魏格纳分布(Pseudo Wigner-Ville Distribution,PWVD)和DenseNet相结合,两者的适配性好,通过PWVD将原始振动信号转变为时频图,能够很好的反映振动信号中蕴含的故障信息,此外结合DenseNet网络强大的特征提取能力,提升了故障识别精度和抗噪性能。实现了能够充分挖掘故障信息的特征提取,能够较好的应用于滚动轴承故障诊断任务,准确率更高、抗噪性能好、训练稳定。
以下以具体实施例进一步说明本申请的基于PWVD和DenseNet的轴承故障诊断方法。
参见图1,所述方法具体包括以下步骤:
S1、采集正常状态、外圈故障、内圈故障和滚动体故障状态的轴承振动信号,并进行数据预处理,根据轴承状态对数据赋予不同的标签,利用数据重叠分割对原始振动信号进行切分形成样本,具体包括:
步骤S11、数据预处理:对采集的原始振动信号添加高斯白噪声,信噪比分别为0,-5dB,-10dB。添加高斯白噪声的目的方便后续充分验证本方法的抗噪性能。
步骤S12、利用数据重叠分割法划分步骤S11中的振动信号,获取一定时间内的振动信号,振动信号总长度为L,设定单个样本数据长度为L1,步长为D,第一个样本的数据点索引为[1,2,…,L1],第二个样本的数据点索引为[D+1,D+2,…,D+L1],以此类推,总共获得N个样本,其值为:
式中,N、D、L、L1分别为所获得的样本数、索引步长、振动信号数据总长度、单个样本数据长度,本实施例取L1=1024D=200,总共获得6000个样本。
如图2为四种状态下某一样本的波形图,图2中(a)、(b)、(c)、(d)分别表示正常状态、外圈故障状态、内圈故障状态和滚动体故障状态。
S2、将切分好的样本进行伪魏格纳分布(Pseudo Wigner-Ville Distribution,PWVD)以获取能够充分反映故障信息的时频图,然后将得到的时频图按照0.7:0.1:0.2的比例分为训练集、验证集和测试集。伪魏格纳分布是对魏格纳分布(Wigner-VilleDistribution,WVD)的改进,WVD是一种双线性形式的时频分析方法,其本质为信号瞬时自相关函数的傅里叶变换。具有简单的形式、良好的性质、时频聚焦性好以及直观感强等优点。
S21、魏格纳分布模型如下:
其中,Ws(t,Ω)为魏格纳分布数据,x()为原始振动信号经过Hilbert变换得到的解析信号,x*()为x()的复共轭,j、Ω、t、τ分别为虚数单位、信号频率、时间、信号的时延;
S22、由上式可以看出,信号x(t)出现了两次,属于二次变换,因此存在交叉项,为抑制交叉干扰项,对原始振动信号在时间轴进行加窗处理,获得伪魏格纳分布,其表达式如下:
式中,PWs(t,Ω)为伪魏格纳分布数据,h()为窗函数,e为自然对数,Δ为窗长。
所述窗函数h()为Hamming窗,满足以下条件:
对称性,即h(τ)=h(-τ);
对于任意|τ|>Δ/2,都有h(τ)=0,Δ为窗长;
h(τ)的傅里叶变换为低通函数。
S23、为实现采样振动信号的PWVD时频图像特征提取,对将所述伪魏格纳分布在时间上进行离散化,令t=nTs,τ=2mTs,得:
式中,m和n为离散信号索引,1/Ts代表采样频率,2M-1代表离散窗窗长;
令Ts=1,ω=ΩTs,对上式进行归一化得:
式中,ω为频率;
令Δω=2π/(2M-1),ω=kΔω,k=0~2M-1,对上式的频率ω进行离散化得伪魏格纳分布的离散化表达式:
式中,PWs(k,n)为离散化的伪魏格纳分布数据;
S24、将样本中的原始振动信号样本输入到所述离散化表达式中进行计算输出三通道图像,得到伪魏格纳分布时频图。
如图3所示,为4种状态下某一样本的PWVD时频图,图像大小为512×1024,可以看到,正常状态的能量分布主要集中在0~1000Hz,故障状态能量则主要集中在3000Hz附近,因此PWVD时频图能够准确反映每次冲击。图3中(a)、(b)、(c)、(d)分别表示正常状态、外圈故障状态、内圈故障状态和滚动体故障状态。
S3、将所述训练集和验证集的样本输入到DenseNet中进行训练,建立所述输入的时频图数据与所述预测标签之间的映射关系,当目标函数满足迭代终止条件时停止训练。对于传统的神经网络,随着网络层数的增加,会出现梯度消失和梯度爆炸现象,模型难以收敛。为了解决这个问题,本实施例的DenseNet网络设计了Dense Block,Dense Block的结构如图4所示,由多层Dense Layer组成,每一层之间有一个表示特征通道数增长率的系数k,设第l层通道数为m,那么第l+1层的通道数则为m×(1+k),从而可以保证学习到更多的特征。此外,前面所有的Dense Layer输出均会作为下一层的输入,每一层学习到的特征也会被下一层使用,利用这种稠密连接保证了任意两层之间均有信息交互,实现了特征重用,有效解决了梯度消失的问题。本实例的Dense Layer是由BatchNorm+ReLU+1×1Conv+BatchNorm+ReLU+3×3Conv组成,其中BatchNorm为批量归一化函数,ReLU为激活函数,1×1Conv为卷积层且其卷积核尺寸为1×1。DenseNet利用Tansition Layer连接每一个DenseBlock,它是由BatchNorm+ReLU+1×1Conv+2×2AvgPool组成,其中2×2AvgPool表示池化层其步长为2。
步骤S3具体包括:
步骤S31、如图5为所使用的DenseNet网络结构图,首先由一个卷积核尺寸7×7的卷积层和2×2MaxPool提取振动信号的浅层特征,然后利用2个Dense Block和TansitionLayer提取深层次特征,特征增长率设置为32,最后连接两个全连接层并输出故障类别;训练时采用Adam优化器,batch size为32,Dropout设置0.2,初始学习率为0.01,损失函数采用均方误差损失函数,设置学习率衰减。
步骤S32、如图6所示,为DenseNet模型验证集准确率的损失函数随迭代次数的变化情况,可以看出,训练开始时,验证集准确率较低,随着训练的进行准确率寻思增加,当迭代次数为50时,准确率已经接近在99%,之后准确率趋于稳定,表明模型收敛,训练完成。
S4、将所述测试集的样本输入到训练好的DenseNet中,得到轴承状态类型,计算诊断精度,并于多个对比模型进行对比,分析模型性能。
为了验证本申请所提出的PWVD-DenseNet模型的性能,采用了三个常用于滚动轴承故障诊断的方法作为对比,分别是SVM、DenseNet和短时傅里叶变换(Short-TimeFourier Transform,STFT)时频图结合DenseNet,记作STFT-DenseNet。将不同加噪情况下的数据分别输入四个网络模型中,获得测试集的轴承状态并与真实标签对比计算得出各个模型的诊断准确率,如表1所示。
表1
可以看出,SVM在三种情况下的准确率均最低,尤其是在加噪情况下准确率下降较快,这也说明了普通的机器学习模型在故障识别中的性能不如深度学习模型;而DenseNet和STFT-DenseNet两者准确率差别不大,在加噪情况下依然能保持90%左右;PWVD+CNN模型是在DenseNet的基础上预先加入了基于PWVD的时频图转换,诊断准确率相较DenseNet有所提高,尤其在加噪情况下提升显著;此外,对比基于STFT的时频图转换方法,本申请所提方法平均准确率高了3%左右,抗噪性能更加优越。综上所示,本申请所提方法具有较高的诊断准确率,抗噪性能良好,能够有效用于滚动轴承故障诊断。
本申请实施例还提供一种基于PWVD和DenseNet的轴承故障诊断系统,包括:
数据切分模块,用于采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;
时频分析模块,用于采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;
网络模型建立模块,用于将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;
识别模块,用于利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于PWVD和DenseNet的轴承故障诊断方法,其特征在于,包括:
S1、采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;
S2、采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;
S3、将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;
S4、利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。
4.根据权利要求3所述的基于PWVD和DenseNet的轴承故障诊断方法,其特征在于,步骤S2中,采用伪魏格纳分布对样本进行时频分析,还包括:
对将所述伪魏格纳分布在时间上进行离散化,令t=nTs,τ=2mTs,得:
式中,m和n为离散信号索引,1/Ts代表采样频率,2M-1代表离散窗窗长;
令Ts=1,ω=ΩTs,对上式进行归一化得:
式中,ω为频率;
令Δω=2π/(2M-1),ω=kΔω,k=0~2M-1,对上式的频率ω进行离散化得伪魏格纳分布的离散化表达式:
式中,PWs(k,n)为离散化的伪魏格纳分布数据;
将样本中的原始振动信号样本输入到所述离散化表达式中进行计算输出三通道图像,得到伪魏格纳分布时频图。
6.根据权利要求1所述的基于PWVD和DenseNet的轴承故障诊断方法,其特征在于,所述卷积神经网络为DenseNet,其由Dense Block、Tansition Layer和全连接层组成;
所述Dense Block由多层Dense Layer组成,每一层之间有一个表示特征通道数增长率的系数k,设第l层通道数为m,那么第l+1层的通道数则为m×(1+k),以保证学习到更多的特征,前面所有Dense Layer输出均会作为下一层的输入,每一层学习到的特征也会被下一层使用。
7.根据权利要求6所述的基于PWVD和DenseNet的轴承故障诊断方法,其特征在于,所述Dense Layer是由批量归一化函数、激活函数、卷积核尺寸为1×1的卷积层、批量归一化函数、激活函数、卷积核尺寸为3×3的卷积层组成。
8.根据权利要求6所述的基于PWVD和DenseNet的轴承故障诊断方法,其特征在于,所述DenseNet利用Tansition Layer连接每一个Dense Block,Tansition Layer由批量归一化函数、激活函数、卷积核尺寸为1×1的卷积层、步长为2的池化层组成。
9.根据权利要求6所述的基于PWVD和DenseNet的轴承故障诊断方法,其特征在于,所述DenseNet首先由一个卷积核尺寸7×7的卷积层和步长为2的最大池化层提取振动信号的浅层特征,然后利用两个Dense Block和Tansition Layer提取深层次特征,最后由两个全连接层并输出故障类别。
10.一种基于PWVD和DenseNet的轴承故障诊断系统,其特征在于,包括:
数据切分模块,用于采集不同轴承状态下的原始轴承振动信号,并进行加噪处理,包括正常状态、外圈故障、内圈故障和滚动体故障状态,根据轴承状态对数据赋予相应的标签,对数据进行切分形成样本;
时频分析模块,用于采用伪魏格纳分布对样本进行时频分析,获取能够充分反映故障信息的时频图;
网络模型建立模块,用于将所述时频图划分为训练集、验证集和测试集,分别输入到卷积神经网络中进行训练、验证和测试,建立时频图与对应标签之间的映射关系模型;
识别模块,用于利用所述映射关系模型通过轴承振动信号获得轴承故障状态类型识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606818.9A CN115876473A (zh) | 2022-12-14 | 2022-12-14 | 基于PWVD和DenseNet的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211606818.9A CN115876473A (zh) | 2022-12-14 | 2022-12-14 | 基于PWVD和DenseNet的轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115876473A true CN115876473A (zh) | 2023-03-31 |
Family
ID=85767488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211606818.9A Pending CN115876473A (zh) | 2022-12-14 | 2022-12-14 | 基于PWVD和DenseNet的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115876473A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184124A (zh) * | 2023-04-26 | 2023-05-30 | 华东交通大学 | 一种配电网故障类型识别方法 |
CN117251680A (zh) * | 2023-10-09 | 2023-12-19 | 石家庄铁道大学 | 轴承故障诊断网络 |
-
2022
- 2022-12-14 CN CN202211606818.9A patent/CN115876473A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184124A (zh) * | 2023-04-26 | 2023-05-30 | 华东交通大学 | 一种配电网故障类型识别方法 |
CN117251680A (zh) * | 2023-10-09 | 2023-12-19 | 石家庄铁道大学 | 轴承故障诊断网络 |
CN117251680B (zh) * | 2023-10-09 | 2024-05-07 | 石家庄铁道大学 | 轴承故障诊断网络 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN113240016A (zh) | 一种基于深度学习的滚动轴承故障诊断方法 | |
CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
Qi et al. | Feature classification method of frequency cepstrum coefficient based on weighted extreme gradient boosting | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
CN113962264A (zh) | 一种基于深度学习的航空发动机转子系统故障诊断算法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
CN114970628A (zh) | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 | |
CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 | |
CN110631827B (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 | |
CN114593916A (zh) | 一种基于多通道振动特征的轴承故障诊断方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
Duan et al. | A novel adaptive fault diagnosis method for wind power gearbox | |
CN112347917A (zh) | 一种燃气轮机故障诊断方法、系统、设备及存储介质 | |
CN113887136B (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 |
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 |