CN115876475B - 一种故障诊断方法、系统、设备及存储介质 - Google Patents
一种故障诊断方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115876475B CN115876475B CN202310063516.XA CN202310063516A CN115876475B CN 115876475 B CN115876475 B CN 115876475B CN 202310063516 A CN202310063516 A CN 202310063516A CN 115876475 B CN115876475 B CN 115876475B
- Authority
- CN
- China
- Prior art keywords
- bearing
- fault diagnosis
- training
- sliding window
- identified
- 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.)
- Active
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种故障诊断方法、系统、设备及存储介质,涉及故障诊断技术领域,应用于轴承故障诊断中,包括:获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段;通过训练后的轴承故障诊断模型处理所述待识别信号段,以生成并输出待诊断轴承的故障诊断结果;本发明提出数据最优分割采样点数计算公式,根据轴承不同零部件的故障特征频率,计算最优分割点数;同时设计一种具有长区间滑窗综合测试模块的轴承故障诊断模型,有效解决模型训练信号段与待识别信号段的数据分布不一致的问题,提高模型在实际应用中的预测性能。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及一种故障诊断方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
轴承(Bearing)是当代机械设备中一种重要部件,主要功能是支撑机械旋转体,降低其运动过程中的摩擦系数,轴承的正常运行关乎机械旋转体的安全。
故障诊断技术是提高轴承运行可靠性和可维护性的一项关键技术,其利用现代状态监测方法和诊断理论,对出现故障的部位、类型、机理、严重程度等进行识别和诊断,并依据诊断结果,确定相应的维修措施和方案;数据表明,通过故障诊断技术,企业能够有效提升轴承运行的连续性、减少停产带来的经济损失,增加经济效益。
故障诊断技术主要分为基于机理模型驱动和基于数据驱动的两大类方法,基于机理模型驱动的方法通过构建数学模型探索物体的运行规律,并通过研究得到相关动态之间的内在关系,定量计算正常和异常运行状态下的参数和响应信息;然而,随着轴承变得越来越复杂,建立精确的推理模型越来越困难;数据驱动的诊断方法仅使用可测量的状态监测数据或历史数据,对数据进行分析,提取特征信息,即可实现轴承的故障诊断和性能评估。
旋转在轴承中大量存在,采集到的信号往往是时间序列信号,具有很强的周期性,且不同时间点之间存在很强的相关性,这些周期性和相关性背后也隐藏着大量有价值的信息;然而轴承往往结构复杂,工作时系统中存在多个零部件不同的运动状态,其产生的信号互相调制、相互叠加,造成测量的振动数据表现出复杂的非线性特征;基于数据驱动故障诊断技术中,需要将原始振动数据分割成小样本,并分为训练集和测试集;将训练集输入到神经网络模型中不断优化模型参数;然后将测试集为输入,评估训练得到的轴承故障诊断模型性能。
然而,现有数据分割步骤并没有充分考虑轴承工作状态的机理,只是单纯从训练和神经网络结构的角度进行数据简单分割。原始数据分割时采用较小的窗口可以减少模型的计算量,增加样本数量;但是小窗口分割的数据包含较少的故障特征信息,导致模型无法充分学习到故障特征;采用大的窗口分割得到的数据集每个样本包含了足够的故障特征信息,但大窗口的干扰信息也增多,同时网络的计算量增加,使模型不能专注于故障特征信号的学习;这使得现有数据分割方法训练得到得故障诊断模模型的性能具有较高的不稳定性。
现有基于数据驱动的故障诊断方法,训练集和测试集取自同一原始振动信号序列,常采用不等间距滑窗法进行数据集的生成,且训练集和测试集尺寸相同;这使得训练集和测试集具有相同的数据分布,因此训练的轴承故障诊断模型在这种同源测试集上表现良好;训练好的轴承故障诊断模型实际应用中,将新采集的原始数据用相同分割策略生成数据,输入到训练好的轴承故障诊断模型中进行预测。由于待诊断数据分割时起始位置的不确定性,待诊断数据的相位与模型训练测试的数据相位难以一致,从而待诊断数据的分布与模型训练时的输入的数据分布具有很大差异,导致模型在实际工程应用中的预测性能远低于模型设计性能。
总结而言,现有的轴承故障诊断方法存在以下不足:
(1)数据分割策略主要由实验人员的经验确定,分割后的数据质量具有很高的不确定性,导致训练得到的轴承故障诊断模型性能具有较高的不稳定性。
(2)由于待诊断数据与训练数据分布差异较大,导致训练好的轴承故障诊断模型在实际工程应用中的预测性能远低于模型训练后的测试性能。
发明内容
为克服上述现有技术的不足,本发明提供了一种故障诊断方法、系统、设备及存储介质,提出数据最优分割采样点数计算公式,根据轴承不同零部件的故障特征频率,计算最优分割点数;同时设计一种具有长区间滑窗综合测试模块的轴承故障诊断模型,有效解决模型训练信号段与待识别信号段的数据分布不一致的问题,提高模型在实际应用中的预测性能。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种故障诊断方法;
一种故障诊断方法,应用于轴承故障诊断中,包括:
获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段;
通过训练后的轴承故障诊断模型处理所述待识别信号段,以生成并输出待诊断轴承的故障诊断结果;
其中,所述轴承故障诊断模型包括长区间滑窗综合测试模块,用于调整待识别信号段的数据分布,使之与训练信号段的数据分布保持一致。
进一步的,所述预处理具体为:基于计算得到的最优分割点数,对轴承振动信号进行不重叠连续滑窗采样,得到一组待识别信号段。
进一步的,所述最优分割点数的计算公式为:
其中,SR是轴承振动信号采样率,V是轴承转速,DF i 是第i种轴承故障类别的故障频率,i=1、2…K,K是轴承故障类别个数,ceil(.)为向上取整函数,Avg(.)是取平均数函数。
进一步的,所述轴承故障诊断模型,包括用于模型训练的训练结构和用于故障诊断的诊断结构;
所述诊断结构,是在训练结构基础上,增加长区间滑窗综合测试模块;
所述长区间滑窗综合测试模块,包括滑窗采样层和列求和平均层。
进一步的,所述滑窗采样层,是以最优分割点数为滑窗宽度,对所述待识别信号段进行逐点重叠连续滑窗采样,得到一组信号段,输入到训练结构中。
进一步的,所述列求和平均层,是存储训练结构的输出,并对输出进行求和和归一化指数函数计算,得到最终轴承故障类别的预测结果。
进一步的,所述轴承故障诊断模型的训练具体为:
基于最优分割点数,对历史长序列轴承振动信号进行预处理,得到训练集与测试集;
用训练集与测试集对轴承故障诊断模型进行训练和测试;
其中,训练集是对历史长序列轴承振动信号的前预设比例,按照最优分割点数的二倍进行分割得到的;测试集是对历史长序列轴承振动信号的剩余比例,按照最优分割点数进行分割得到的。
本发明第二方面提供了一种故障诊断系统。
一种故障诊断系统,应用于轴承故障诊断,包括预处理模块和故障诊断模块:
预处理模块,被配置为:获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段;
故障诊断模块,被配置为:通过训练后的轴承故障诊断模型处理所述待识别信号段,以生成并输出待诊断轴承的故障诊断结果;
其中,所述轴承故障诊断模型包括长区间滑窗综合测试模块,用于调整待识别信号段的数据分布,使之与训练信号段的数据分布保持一致。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的一种故障诊断方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种故障诊断方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明提出了最优分割点数计算公式,根据轴承不同零部件的故障特征频率,计算最优分割点数,在最优点或附近选择合适的数据分割点数,确保原始信号分割后得到的训练集数据长度合适且包含足够的故障特征信号。
本发明设计了一种具有长区间滑窗综合测试模块的轴承故障诊断模型,有效解决了模型训练信号段与待识别信号段的数据分布不一致的问题,提高了模型在实际应用中的预测性能。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例的不重叠连续滑窗采样示意图。
图3为第一个实施例的训练集和测试集的构建示意图。
图4为第一个实施例的数据分割窗口点数与测试精度的关系曲线图。
图5为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
轴承对于整个设备的安全至关重要,如钢铁行业的转炉的耳轴轴承或是风力发电机的主轴轴承,本实施例公开了一种故障诊断方法,以风力发电机的主轴轴承为例,对轴承在运行过程中的故障进行诊断。
如图1所示,一种故障诊断方法,应用于轴承故障诊断中,包括:
步骤S1:获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段。
背景技术中提到,轴承故障诊断模型性能优劣很大程度上取决于数据的质量和模型训练的精度,而数据的质量很大程度决定于原始数据分割策略;如果不充分结合轴承的工作机理,综合考虑轴承工作过程中不同零部件的特征信号周期,将无法选择合适的分割策略;因此,解决的第一个问题是选择最优数据分割策略问题;本实施例提出一种最优分割点数计算公式,根据不同轴承故障类别的故障频率,计算出最优分割点数。
具体的,根据轴承的机理信息和信号采样信息,计算最优分割点数。
轴承的机理信息,包括:
(2)轴承工作状态下的转速V,单位为圈/s。
信号采样信息,包括:
(1)轴承振动信号点数NP k ,为第k种轴承故障类别的振动信号点数,单位为点。
(2)轴承振动信号采样率SR,单位为Hz。
通过安装在轴承上的加速度传感器,以SR为采样率,采样点数为NP k 的轴承振动信号。
为了保证更多地获得数据中故障特征的分布信息,且尽可能充分利用所有振动信号,如图2所示,通过不重叠连续滑窗采样,获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,即以最优分割点数SZ的二倍为滑窗宽度,对轴承振动信号进行分割,得到一组待识别信号段,输入到训练好的轴承故障诊断模型中,用于识别待诊断轴承的轴承故障类别。
步骤S2:通过训练后的轴承故障诊断模型处理待识别信号段,以生成并输出待诊断轴承的故障诊断结果。
其中,轴承故障诊断模型包括长区间滑窗综合测试模块,用于调整待识别信号段的数据分布,使之与训练信号段的数据分布保持一致。
由于数据分割时起始位置的不确定性,待诊断数据的相位与模型训练数据的相位难以一致,待诊断数据的数据分布与模型训练时输入的数据分布具有很大差异,导致模型在实际工程应用中的预测性能远低于模型设计性能,如何消除这种数据分布差异,提高模型在实际应用中的预测性能具有重大应用价值,是要解决的第二个问题;本实施例在原来模型结构的基础上,增加由滑窗采样层和列求和平均层组成的长区间滑窗综合测试模块,用于诊断阶段,调整待诊断数据的数据分布,使之与训练数据的数据分布保持一致。
具体的,轴承故障诊断模型,包括训练结构和诊断结构,训练结构用于模型的训练,而诊断结构用于最终的诊断;
训练结构的模型,通过学习训练集的特征不断更新参数;诊断结构的模型,直接根据输入的数据样本预测结果,不进行参数更新。诊断结构,相比训练结构,增加了两个功能层,即滑窗采样层和列求和平均层,本实施例将这两层称为长区间滑窗综合测试模块,表1中用*表示。
表1 轴承故障诊断模型结构表
序号 | 名称 | 激活函数 | 测试状态中启用 |
1 | SWSL | 无 | * |
2 | CONV1D | Relu | |
3 | MAXPOOL1D | 无 | |
4 | CONV1D | Relu | |
5 | AVGPOOL1D | 无 | |
6 | CONV1D | Relu | |
7 | AVGPOOL1D | 无 | |
8 | FC | Relu | |
9 | FC | Relu | |
10 | FC | Softmax | |
11 | CS | Softmax | * |
SWSL:滑窗采样层,诊断结构启用;该层的作用是是以最优分割点数SZ为滑窗宽度,对输入的待识别信号段进行逐点重叠连续滑窗采样,具体为:
对输入的待识别信号段,即 2点数的信号段,从起始位置以SZ点数进行采样,每采样一次,得到一个滑窗数据,输入到后面的训练结构模型中,进行滑窗测试,并将结果保存在列求和平均层CS中;接着向后滑动一个数据点,再以SZ点数采样一个新的样本,继续输入到训练结构模型中进行滑窗测试,并将结果保存在列求和层;以此类推,直到/> 2的输入数据样本全部被计算。
滑窗测试,是将采样数据输入到训练结构中,得到可能的轴承故障类别及故障概率,而训练结构,包括下面的CONV1D、MAXPOOL1D、AVGPOOL1D和FC层。
CONV1D:一维卷积层,对输入数据进行一维卷积计算,提取故障特征。
MAXPOOL1D:一维最大池化层,对输入最大池化计算,对提取的故障特征进行最大池化的降维处理。
AVGPOOL1D:一维平均池化层,对输入平均池化计算,对降维后的故障特征进行平均池化的降维处理。
FC:线性全连接层,对输入线性全连接计算,得到预测的轴承故障类别及故障概率。
CS:列求和平均层,诊断结构启用;滑窗测试的结果,即预测的轴承故障类别及故障概率,不断保存在这一层,当待识别信号段计算完成后,将得到一个行数为SZ、列数为K的矩阵,矩阵每一行代表一个滑窗数据经过滑窗计算得到的结果,每一列代表对于某个轴承故障类别的故障概率;将这个矩阵在列方向上求和,得到一个长度为K的一维向量,对该向量进行归一化指数函数Softmax计算后,最大故障概率对应的轴承故障类别,即为预测的轴承故障类别。
在模型训练时,要构建训练集和测试集,训练集用于对训练结构的训练,而测试集,采用诊断结构,生成并输出故障诊断结果,用于对训练效果进行判断。
训练集和测试集的构建,如图3所示,对历史长序列轴承振动信号的前80%,以最优分割点数SZ为滑窗宽度,进行不重叠连续滑窗采样,即按照进行不重叠连续分割,得到一组信号段,作为训练集;对历史长序列轴承振动信号的后20%,以最优分割点数/> 2为滑窗宽度,进行不重叠连续滑窗采样,即按照/> 2进行不重叠连续分割,得到一组信号段,作为测试集。
采用训练集对模型进行训练时,采用训练结构,不需要滑窗采样层SWSL与列求和平均层CS的参与;将训练集数据输入到训练结构的模型中,经过前向传播和反向传播,不断更新模型参数,直至达到训练迭代次数或预设的训练精度。
采用测试集对模型进行测试时,采用诊断结构,需要滑窗采样层SWSL与列求和平均层CS参与计算,滑窗采样层SWSL对按照 2进行不重叠连续分割得到的点数为/> 2的信号段,以SZ为滑窗宽度,进行逐点重叠连续滑窗采样,得到的点数为SZ的信号段,输入到训练好的训练结构中进行滑窗测试;滑窗测试的结果,即预测的轴承故障类别及故障概率,保存在列求和平均层CS中,进行最后的归一化指数函数Softmax计算,得到最终的诊断结果;增加滑窗采样层SWSL与列求和平均层CS参与计算后,模型的测试性能明显提升,有效解决了诊断数据与训练数据分布不一致的问题。
为了验证上述故障诊断方法的性能提升效果,本实施例选择该领域常用公开数据集:凯斯西储大学轴承数据中心测量的轴承数据集,进行实验验证。
首先取数据集中的10类原始数据,其中,1个正常轴承原始数据,9个故障轴承原始数据;该原始数据采样率SR=12000,转速V=29.95圈/s,内圈故障、外圈故障、滚珠故障的故障频率分别为:5.4、3.6、4.7;经过最优分割点数计算公式,得到该原始数据对应的最优分割点数SZ=88。
为了验证在最优点数附近的模型性能好且稳定,选取窗口点数分别为10,20,30...1200,分别分割训练集与测试集,并按照常规测试集窗口点数的两倍生成滑窗测试集,利用上述轴承故障诊断模型进行训练、常规测试与滑窗测试。
图4为数据分割窗口点数与测试精度的关系曲线,x轴为窗口点数,y轴为模型测试精度;实折线表示采样用本实施例诊断方法得到的模型测试精度,虚折线表示采用常规故障诊断方法得到的模型测试精度,竖直虚线表示通过本实施例提出的最优分割采样点数计算公式计算得到的最优窗口点数88所在的位置;从图3中可以看到,窗口点数在88附近的模型测试精度在90以上,而且曲线波动小,所以性能较好且稳定。
通过实验结果可以得出:
(1)本实施例提出的长区间滑窗综合测试方法在不同的分割策略下的测试精度均优于常规测试方法。
(2)采用本实施例提出的最优分割策略分割得到的训练集,训练得到的模型性能较高,且在这个最优分割策略附近的训练的模型精度均较高。
实施例二
本实施例公开了一种故障诊断系统;
如图5所示,一种故障诊断系统,应用于轴承故障诊断,包括预处理模块和故障诊断模块:
预处理模块,被配置为:获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段;
故障诊断模块,被配置为:通过训练后的轴承故障诊断模型处理所述待识别信号段,以生成并输出待诊断轴承的故障诊断结果;
其中,所述轴承故障诊断模型包括长区间滑窗综合测试模块,用于调整待识别信号段的数据分布,使之与训练信号段的数据分布保持一致。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例一所述的一种故障诊断方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的一种故障诊断方法中的步骤。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (4)
1.一种故障诊断方法,应用于轴承故障诊断中,其特征在于,包括:
获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段;
通过训练后的轴承故障诊断模型处理所述待识别信号段,以生成并输出待诊断轴承的故障诊断结果;
其中,所述轴承故障诊断模型包括长区间滑窗综合测试模块,用于调整待识别信号段的数据分布,使之与训练信号段的数据分布保持一致;
所述预处理具体为:基于计算得到的最优分割点数,对轴承振动信号进行不重叠连续滑窗采样,得到一组待识别信号段;
所述最优分割点数的计算公式为:
其中,SR是轴承振动信号采样率,V是轴承转速,DFi是第i种轴承故障类别的故障频率,i=1、2…K,K是轴承故障类别个数,cei l(.)为向上取整函数,Avg(.)是取平均数函数;
所述轴承故障诊断模型,包括用于模型训练的训练结构和用于故障诊断的诊断结构;
所述诊断结构,是在训练结构基础上,增加长区间滑窗综合测试模块;
所述长区间滑窗综合测试模块,包括滑窗采样层和列求和平均层;
所述滑窗采样层,是以最优分割点数为滑窗宽度,对所述待识别信号段进行逐点重叠连续滑窗采样,得到一组信号段,输入到训练结构中;
所述列求和平均层,是存储训练结构的输出,并对输出进行求和和归一化指数函数计算,得到最终轴承故障类别的预测结果;
所述轴承故障诊断模型的训练具体为:
基于最优分割点数,对历史长序列轴承振动信号进行预处理,得到训练集与测试集;
用训练集与测试集对轴承故障诊断模型进行训练和测试;
其中,训练集是对历史长序列轴承振动信号的前预设比例,按照最优分割点数的二倍进行分割得到的;测试集是对历史长序列轴承振动信号的剩余比例,按照最优分割点数进行分割得到的。
2.一种故障诊断系统,应用于轴承故障诊断,其特征在于,采用如权利要求1所述的一种故障诊断方法进行故障诊断,包括预处理模块和故障诊断模块:
预处理模块,被配置为:获取待诊断的轴承振动信号,并对轴承振动信号进行预处理,得到待识别信号段;
故障诊断模块,被配置为:通过训练后的轴承故障诊断模型处理所述待识别信号段,以生成并输出待诊断轴承的故障诊断结果;
其中,所述轴承故障诊断模型包括长区间滑窗综合测试模块,用于调整待识别信号段的数据分布,使之与训练信号段的数据分布保持一致。
3.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1所述的一种故障诊断方法中的步骤。
4.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的一种故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063516.XA CN115876475B (zh) | 2023-02-06 | 2023-02-06 | 一种故障诊断方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063516.XA CN115876475B (zh) | 2023-02-06 | 2023-02-06 | 一种故障诊断方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115876475A CN115876475A (zh) | 2023-03-31 |
CN115876475B true CN115876475B (zh) | 2023-06-09 |
Family
ID=85758751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310063516.XA Active CN115876475B (zh) | 2023-02-06 | 2023-02-06 | 一种故障诊断方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115876475B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
EP3588049A1 (en) * | 2018-06-27 | 2020-01-01 | ABB Schweiz AG | Decision of faulty bearing |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
CN111707472A (zh) * | 2020-06-08 | 2020-09-25 | 王萌 | 基于fft和全连接层-svm的滚动轴承故障诊断方法 |
CN114295377A (zh) * | 2021-12-13 | 2022-04-08 | 南京工业大学 | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 |
CN114580087A (zh) * | 2022-05-06 | 2022-06-03 | 山东大学 | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN115409050A (zh) * | 2022-07-07 | 2022-11-29 | 华能煤炭技术研究有限公司 | 轴承故障诊断方法、装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150094966A1 (en) * | 2013-10-01 | 2015-04-02 | King Abdulaziz City For Science And Technology | Quadrature-based voltage events detection method |
KR20210076438A (ko) * | 2019-12-16 | 2021-06-24 | 한국과학기술원 | 딥러닝 기반 이상징후 감지 기법을 이용한 노이즈 분석 기반 초고감도 표적신호 검출 방법 및 시스템 |
-
2023
- 2023-02-06 CN CN202310063516.XA patent/CN115876475B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
EP3588049A1 (en) * | 2018-06-27 | 2020-01-01 | ABB Schweiz AG | Decision of faulty bearing |
CN111680446A (zh) * | 2020-01-11 | 2020-09-18 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
CN111707472A (zh) * | 2020-06-08 | 2020-09-25 | 王萌 | 基于fft和全连接层-svm的滚动轴承故障诊断方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN114295377A (zh) * | 2021-12-13 | 2022-04-08 | 南京工业大学 | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 |
CN114580087A (zh) * | 2022-05-06 | 2022-06-03 | 山东大学 | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 |
CN115409050A (zh) * | 2022-07-07 | 2022-11-29 | 华能煤炭技术研究有限公司 | 轴承故障诊断方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
基于一维卷积神经网络的滚动轴承自适应故障诊断算法;曲建岭 等;《仪器仪表学报》;全文 * |
基于深度学习的滚动轴承的故障诊断及预测;孟祥峰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115876475A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340238B (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
Feng et al. | A novel vibration-based prognostic scheme for gear health management in surface wear progression of the intelligent manufacturing system | |
Janjarasjitt et al. | Bearing condition diagnosis and prognosis using applied nonlinear dynamical analysis of machine vibration signal | |
CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
Omoregbee et al. | Fault detection in roller bearing operating at low speed and varying loads using Bayesian robust new hidden Markov model | |
CN112449696A (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN113340598B (zh) | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 | |
Cheng et al. | A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
CN111783242A (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
CN115238736A (zh) | 一种旋转机械早期故障的识别方法 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
Zhang et al. | Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels | |
CN115876475B (zh) | 一种故障诊断方法、系统、设备及存储介质 | |
Kwak et al. | Diagnosis-based domain-adaptive design using designable data augmentation and Bayesian transfer learning: Target design estimation and validation | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
CN113111752B (zh) | 针对样本不均衡的增强扩展深度置信网络的轧机故障诊断方法 | |
CN115407753A (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
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 |