CN115879026A - 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 - Google Patents
一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 Download PDFInfo
- Publication number
- CN115879026A CN115879026A CN202211560142.4A CN202211560142A CN115879026A CN 115879026 A CN115879026 A CN 115879026A CN 202211560142 A CN202211560142 A CN 202211560142A CN 115879026 A CN115879026 A CN 115879026A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- convolutional neural
- layer
- oil
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于CNN‑集成分类器的旋挖钻机液压系统故障诊断方法和系统,属于旋挖钻机液压系统故障诊断技术领域。方法包括:提取反应旋挖钻机液压系统故障状态的原始数据,通过连续小波变换将数据处理成适合卷积神经网络输入的图像,通过前向传递和误差反向传播训练卷积神经网络,将卷积神经网络每一池化层和全连接层输出的特征图分别送入支持向量机、K近邻和随机森林分类器,通过分类熵组合策略确定故障类型并输出对应的故障原因。解决了目前单一靠卷积神经网络完成故障特征提取和故障分类所存在的分类精度不足和浅层故障特征利用不足的问题,本发明方法使卷积神经网络的特征提取能力得到最大化利用并提高了故障诊断精度。
Description
技术领域
本发明属于机械故障诊断技术领域,同时属于计算机应用领域,特别涉及一种基于CNN-集成分类器的旋挖钻机液压系统故障诊断方法。
背景技术
旋挖钻机是基础建筑工程中的大型桩工机械,广泛应用于高层建筑,城乡道路交通建设,铁路公路桥梁等桩基础工程的建设。
旋挖钻机作业过程的主要工况有倒立桅、提钻、钻进,这些工况都离不开液压系统的参与,随着科学技术的进步和旋挖钻机智能化、功能集成化程度的提高,旋挖钻机液压系统变得越来越复杂。由于系统中各元件和工作液体都是在封闭油路内工作,不像机械结构件那样直观,也不像电气设备那样可利用各种检测仪器方便地测量各种参数,而且一般故障根源有许多种可能,所有这些特点都给液压系统的故障诊断和维修带来挑战。
现有的基于卷积神经网络的故障诊断方法存在不足,在特征提取方面,卷积神经网络只利用了高级特征所包含的故障信息,丢失了浅层特征包含的故障信息。在故障分类方面,现有的基于卷积神经网络的故障诊断方法利用卷积神经网络的分类层进行故障分类,而卷积神经网络的分类层无法充分利用数据特征所包含的故障信息,存在分类精度不足的问题。
发明内容
本发明方法通过利用卷积神经网络浅层和深层输出的特征作为训练样本送入多个分类器,包括支持向量机、随机森林和K近邻分类器,并将此方法应用于旋挖钻机液压系统,通过在线监测旋挖钻机液压系统各部分油液压力、油液流量、油温等信号来实时监测液压系统状态变化,并在发生故障时可以准确反馈故障位置以及对应的故障原因。可以解决目前旋挖钻机液压系统发生故障时无法准确定位故障位置且无法得知故障原因的难题,可以大大降低维修时的时间和经济成本
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断方法,包括如下步骤:
步骤1、数据采集:分别获取旋挖钻机液压系统正常状态和故障状态时的液压压力信号、液压流量信号、液压温度信号、电机振动信号和电机功率信号;
步骤2、数据预处理:将采集的旋挖钻机正常状态和故障状态下的原始信号进行归一化处理,通过重叠采样增加样本数量,利用连续小波变换将采集的液压系统原始状态信号转换为时频谱,并且将时频谱以灰度图像的形式显示;
步骤3、将经过预处理后的数据划分为训练集和验证集;
步骤4、搭建CNN网络模型提取数据特征,
所述的CNN网络模型由输入层、隐含层和输出层组成,其中隐含层由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层和全连接层依次连接构成,输出层为Softmax分类层;
首先随机初始化CNN网络模型参数,然后在离线过程中,使用步骤3中获得的训练集对网络模型进行预先训练;训练过程中计算softmax分类层的损失函数,并通过Adam优化算法最小化损失函数以此来更新CNN网络模型参数;反复训练若干次后通过验证集验证模型,当精度满足要求后,得到预训练好的CNN网络模型。
步骤5、将在线监测的旋挖钻机液压系统各部分数据输入预训练好的CNN网络模型提取数据特征,提取出网络模型中第一池化层、第二池化层、第三池化层、第四池化层和全连接层的计算结果;每一层的结果分别送入支持向量机分类器(SVM)、随机森林分类器(RF)和K临近分类器(KNN),并通过分类熵组合策略获取最终诊断结果和故障原因;
其中,所述的分类熵组合策略的执行步骤如下:
计算基本分类器的混淆矩阵,
计算总精度和局部精度,
计算每个分类器的权重,
Wij=exp(2(Lacij-β))TACi
是常数
计算分类熵
si表示第i个分类器的分类结果,
获取集成分类结果
j=1,2,…L
步骤6、输出诊断结果及对应故障原因。
进一步的,所述步骤1中,故障状态的故障类型一共有12种,12种故障类型中,每一种故障类型对应多种故障原因,
其中,正常操作下放过程中突然掉钻X1的故障原因有液压油粘稠度过高y1、液压油清洁度太低y2、电磁阀卡滞y3、主卷压力值有偏差y4和补油管位置不理想y5;
钻杆在卸土时有时溜钻杆X2的故障原因有制动油缸损坏y6和主卷补油不足y7;
主卷扬只有下放动作X3的故障原因有马达溢流阀卡滞,使阀芯不能回位y8,以及马达溢流阀压力调整太低y9;
桅杆不垂直X4的故障原因有桅杆液压锁损坏y10和桅杆液压油缸损坏或内泄y11;
立桅不同步X5的故障原因有油缸大腔螺栓阻尼孔大小不一致y12、平衡阀问题y13和油缸本身存在内泄y14;
动力头扭矩不足X6的故障原因有液压油路问题y15、顺序阀问题y16、补油阀上的溢流阀泄压y17和主油管压力值不够y18;
加压无动作有压力X7的故障原因有平衡阀损坏或阀芯卡住y19和M4阀阀芯卡住y20;
加压油缸自动下落X8的故障原因有平衡阀损坏锁不住y21
全车无动作X9的故障原因有液压油箱油量不够,主泵吸空y22;吸油滤清器堵死y23;主泵损坏y24;伺服系统压力过低或无压力y25;安全阀调定压力过低或卡死y26和主泵吸油管爆裂或拔脱y27;
全车动作迟缓无力X10的故障原因有液压油箱油位不足y28;先导系统压力过低y29;系统安全阀压力过低y30;主泵供油不足,提前变量y31;液压油变质y32和主泵内泄严重y33
回转迟缓无力X11的故障原因有液压油管外泄严重y34;伺服阀内泄大,压力低于规定值y35;多路阀回转过载压力低y36和回转马达内泄严重y37;
油泵系统不供油或供油不足X12的故障原因有主泵有故障y38、油箱油量不足y39和先导阀压力不足y40。
进一步的,步骤2中将采集的旋挖钻机正常状态和故障状态下的原始信号进行归一化处理,所述归一化处理的公式为:
步骤2中重叠采样即从原始信号进行采集训练样本时,每一段信号与其后一段信号之间是有重叠的,具体是通过窗口滑移来实现的,采集样本时,选定样本长度,偏移步长为s,若采集的原始时间序列共包含n个数据点,则该时间序列可以产生[n-(l-s)]个训练样本。
步骤2中连续小波变换采用Morlet连续小波函数,其公式为:
ψ(t)=exp(-β2t2/2)cos(πt)
式中t表示时间;β表示波形参数,用于控制小波参数;
时序信号函数和小波函数之间的相似性方程为:
式中,f(t)表示时序信号函数;a表示尺度因子;b表示平移因子;
进一步的,所述的步骤3中的源域数据由正常状态和12种故障状态下40种故障原因的数据构成;
进一步的,所述步骤4中CNN网络模型,卷积层激活函数可以选择Relu激活函数或者Tanh激活函数;池化层可以选择最大值池化和平均值池化;
当构建的卷积网络模型层数较多时,在卷积层和池化层的中间增加批量归一化层,以加快算法的收敛速度,提高模型的泛化能力;
所述的损失函数采用改进的交叉熵损失函数,即添加聚类距离作为损失函数的一部分,以实现更好的聚类并提高每一诊断类别之间的可分性。
改进的交叉熵损失函数公式为:
J=Jenttopy+λ1·Jnorm+λ2·Jcluster
其中,jentropy是交叉熵损失函数,Jnorm是正则化损失,jcluster是聚类距离损失,λ1和λ2是超参数;
所述Adam优化算法的公式为:
θ*=arg minθL(f(xi;θ))
其中,L(·)、f(·)是目标函数值与输出值,θ是卷积神经网络的所有参数;θ*是卷积神经网络的最优参数,xi是卷积神经网络的输入。
进一步的,所述步骤5中,所述支持向量机(SVM)的核函数可以选择线性核函数、多项式核函数和高斯核函数中的一种,其公式分别为:
K(x,y)=x·y
K(x,y)=(x.y+1)p
所述K近邻分类器(KNN)的K值需根据训练后拟合精度的好坏优化调整,距离度量方式可选取欧氏距离、曼哈顿距离和切比雪夫距离中的一种,其公式分别为:
d12=max(|x1i-x2i|)
所述随机森林分类器(RF)采用CART节点划分方法,决策树的个数在每次训练完成后,根据拟合精度优化调整,以基尼系数作为特征重要性判断依据,其公式为:
第二方面,本发明提供一种基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断系统,包括:
数据采集模块:用于采集旋挖钻机液压系统各部位信号;
数据转换模块:用于对采集到的原始信号进行归一化处理,将一维时序信号转换为灰度图像,并将数据划分为训练集和测试集;
模型构建模块:用于建立卷积神经网络-集成分类器故障诊断模型,将训练数据输入搭建的卷积神经网络模型,通过前向传递和误差反向传播更新网络参数并保存训练好的故障诊断模型;
故障诊断模块:将在线监测数据输入训练好的故障诊断模型,输出诊断结果,并对输出结果给出相应解释。
与现有技术相比,本发明的有益效果是:
本发明的优点在于,可以通过在线监测旋挖钻机液压系统各部分油液压力、油液流量、油温等信号来实时监测液压系统状态变化,并在发生故障时可以准确反馈故障位置以及对应的故障原因。可以解决目前旋挖钻机液压系统发生故障时无法准确定位故障位置且无法得知故障原因的问题。本发明方法利用卷积神经网络强大的特征提取能力进行数据特征的提取,综合利用卷积神经网络提取的浅层特征和深层特征,最大程度上利用了数据中包含的故障信息。将提取的特征送入多个分类器进行故障分类,并采用分类熵组合策略选取最终诊断结果,与利用卷积神经网络进行故障分类的传统方法相比,本发明方法提出以集成分类器进行故障分类,可以充分利用各分类器对故障特征识别的优势,提高了旋挖钻机液压系统的故障识别精度。
附图说明
图1为本发明所述采用卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法流程图。
图2为本发明实例中所采用的卷积神经网络结构图。
图3油液流量信号的灰度图像转化。
图4油液压力信号的灰度图像转化。
图5卷积神经网络模型迭代训练图。
图6旋挖钻机液压系统原理图。
图7旋挖钻机液压系统故障诊断系统结构图
图中,1-吸油过滤器;2-油箱;3-柱塞泵;4-电机;5-单向阀;6-压力继电器;7-压力表;8-多路换向阀;9-减压阀;10-电磁换向阀;11-变量马达;12-手动先导阀;13-压力传感器;14-节流阀;15-电磁换向阀;16-平衡阀;17-双向液压锁;18-手动换向阀;19-溢流阀;20-单向阀;21-双联叶片泵;22-电机;23-油冷却器;24-回油过滤器;25-温度传感器;26-空滤器;27-油位传感器;28-污染度传感器;29-流量传感器;30-电机功率传感器;31-振动传感器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
一种基于卷积神经网络-集成分类器的旋挖钻机液压系统故障诊断方法,流程图如图1所示,具体步骤如下:
(1)采集旋挖钻机各部分液压压力信号、液压流量信号、液压温度信号、振动信号和电机功率信号;如图3旋挖钻机液压系统原理图所示,采集信号所用的传感器包括压力传感器13、流量传感器29、温度传感器25、电机功率传感器30和振动传感器31;
采集的信号数据包括正常状态和12种故障状态,每一种故障类型对应多种故障原因,具体如下表1所示。
表1旋挖钻机液压系统故障类型及故障原因分析
(2)数据预处理
(2.1)对信号中每个信号点的故障特征参数组成的数据矩阵做归一化处理,处理的公式如下:
(2.2)为增加样本数量,对数据进行重叠采样即从原始信号进行采集训练样本时,每一段信号与其后一段信号之间是有重叠的,具体是通过窗口滑移来实现的,采集样本时,选定样本长度l,偏移步长为s,若采集的原始时间序列共包含n个数据点,则该时间序列可以产生个训练样本;
(2.3)通过连续小波变换将数据转换成更适合卷积神经网络输入的时频图。
在本发明方法采用Morlet连续小波函数,其公式为:
ψ(t)=exp(-β2t2/2cos(πt)
式中t表示时间;β表示波形参数,用于控制小波参数;
时序信号函数和小波函数之间的相似性方程为:
为了避免图像颜色对特征提取以及最终诊断结果的影响,需要对时频图进行灰度图像转化;
(3)划分训练集和验证集
将预处理后的数据按照一定比例划分为训练集和验证集,划分比例可以选择7:3或6:4,要保证训练集占据更大比例。源域数据由正常状态和12种故障状态下的数据构成;
(4)建立并训练卷积神经网络
(4.1)构建卷积神经网络模型
卷积神经网络模型包括输入层、隐含层和输出层,隐含层的基本结构包括卷积层、池化层和全连接层,输出层选择softmax函数。激活函数可以选择Relu激活函数或者Tanh激活函数,两种激活函数的公式分别为:
当构建的卷积网络模型层数较多时,可添加批量归一化层以加快算法的收敛速度,提高模型的泛化能力,池化层可以选择平均池化和最大池化;
(4.2)交叉熵损失函数
最小化损失函数采用改进的交叉熵损失函数,即添加聚类距离作为损失函数的一部分,以实现更好的聚类并提高每一诊断类别之间的可分性。
改进的交叉熵损失函数公式为:
J=Jentropy+λ1·Jnorm+λ2·Jcluster
其中,Jentropy是交叉熵损失函数,Jnorm是正则化损失,Jcluster是聚类距离损失,λ1和λ2是超参数;
所述Adam优化算法的公式为:
θ*=arg minθL(f(xi;θ))
其中,L(·)、f(·)是目标函数值与输出值,θ是卷积神经网络的所有参数;θ*是卷积神经网络的最优参数,xi是卷积神经网络的输入;
(5)将将在线监测的旋挖钻机液压系统各部分数据输入预训练好的CNN网络模型提取数据特征,将池化层和全连接层的输出分别送入SVM、RF和KNN,并通过分类熵组合策略获取最终诊断结果;
具体案例:采用德国萨尔布卢肯大学采集的液压系统状态评估数据作为实验数据说明本方法的可行性,需要说明的是本发明实例仅利用表征液压泵内泄漏状态的油液流量时序信号和油液压力时序信号,油液流量信号和油液压力信号的采样频率分别为10Hz和100Hz,数据包括2205个样本,每个样本有6600个采样点,首先,为提高模型精度和收敛速度,对数据进行归一化处理,将数值区间转化到[0,1]之间。其次,对时序数据进行连续小波变换转化时频谱并对时频谱进行灰度化处理,转换成灰度图像,如图4分别为油液流量信号和油液压力信号的预处理,本发明实例所采用的卷积神经网络结构如表2所示,Conv(5×5×32)/Relu表示该卷积层有32个大小为5×5的卷积核且激活函数为Relu函数。Maxpool(2×2)表示池化窗口大小为2×2,池化层选择最大值池化。Softmax的输出通道是3对应本发明实施例中液压泵的三种故障状态,分别是无泄漏、轻微泄露和严重泄露。批量归一化尺度选择50,最大迭代次数为100,初始化学习率为0.0001,训练集和测试集的划分比例为7:3,则训练样本的数目为1544,测试样本的数目为661个。分类器的属性设置如表3所示。
表2卷积神经网络结构
表3分类器属性
所搭建的卷积神经网络共有4个池化层和1个全连接层,对应的KNN、SVM、RF分类器各有5个。
卷积神经网络的训练过程如图6所示,进行100次迭代后的拟合精度为93.73%,拟合精度符合要求,卷积神经网络训练完毕并保存模型。将卷积神经网络池化层和全连接层的输出分别送入对应的KNN、SVM、RF分类器,分类精度如表4所示。
表4各分类器的识别精度
KNN<sub>1</sub> | KNN<sub>2</sub> | KNN<sub>3</sub> | KNN<sub>4</sub> | KNN<sub>5</sub> |
94.4% | 93.7% | 97.5% | 88.6% | 97.2% |
SVM<sub>1</sub> | SVM<sub>2</sub> | SVM<sub>3</sub> | SVM<sub>4</sub> | SVM<sub>5</sub> |
86.9% | 88.3% | 87.2% | 90.1% | 89.9% |
RF<sub>1</sub> | RF<sub>2</sub> | RF<sub>3</sub> | RF<sub>4</sub> | RF<sub>5</sub> |
95.3% | 92.7% | 89.7% | 84.2% | 90.3% |
当每一层对应的分类器训练完成后,通过分类熵组合策略为每个分类器分配权重,通过该策略结合每一分类器的诊断结果输出最终的诊断结果。经过分类熵组合策略优化输出后,诊断精度为98.6%,优于表4中各单分类器的诊断精度,所以本方法应用在液压系统故障诊断领域是可行的。
Claims (9)
1.一种基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断方法,包括如下步骤:
步骤1、数据采集:分别获取旋挖钻机液压系统正常状态和故障状态时的液压压力信号、液压流量信号、液压温度信号、电机振动信号和电机功率信号;
步骤2、数据预处理:将采集的旋挖钻机正常状态和故障状态下的原始信号进行归一化处理,通过重叠采样增加样本数量,利用连续小波变换将采集的液压系统原始状态信号转换为时频谱,并且将时频谱以灰度图像的形式显示;
步骤3、将经过预处理后的数据划分为训练集和验证集;
步骤4、搭建CNN网络模型提取数据特征,
所述的CNN网络模型由输入层、隐含层和输出层组成,其中隐含层由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层和全连接层依次连接构成,输出层为Softmax分类层;
首先随机初始化CNN网络模型参数,然后在离线过程中,使用步骤3中获得的训练集对网络模型进行预先训练;训练过程中计算softmax分类层的损失函数,并通过Adam优化算法最小化损失函数以此来更新CNN网络模型参数;反复训练若干次后通过验证集验证模型,当精度满足要求后,得到预训练好的CNN网络模型。
步骤5、将在线监测的旋挖钻机液压系统各部分数据输入预训练好的CNN网络模型提取数据特征,提取出网络模型中第一池化层、第二池化层、第三池化层、第四池化层和全连接层的计算结果;每一层的结果分别送入支持向量机分类器、随机森林分类器和K临近分类器,并通过分类熵组合策略获取最终诊断结果和故障原因;
其中,所述的分类熵组合策略的执行步骤如下:
计算基本分类器的混淆矩阵,
计算总精度和局部精度,
计算每个分类器的权重,
Wij=exp(2(Lacij-β))TACi
β是常数
计算分类熵
si表示第i个分类器的分类结果,
获取集成分类结果
步骤6、输出诊断结果及对应故障原因。
2.根据权利要求1所述的基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断方法,其特征在于,步骤1中,故障状态的故障类型一共有12种,12种故障类型中,每一种故障类型对应多种故障原因,
其中,正常操作下放过程中突然掉钻X1的故障原因有液压油粘稠度过高y1、液压油清洁度太低y2、电磁阀卡滞y3、主卷压力值有偏差y4和补油管位置不理想y5;
钻杆在卸土时有时溜钻杆X2的故障原因有制动油缸损坏y6和主卷补油不足y7;
主卷扬只有下放动作X3的故障原因有马达溢流阀卡滞,使阀芯不能回位y8,以及马达溢流阀压力调整太低y9;
桅杆不垂直X4的故障原因有桅杆液压锁损坏y10和桅杆液压油缸损坏或內泄y11;
立桅不同步X5的故障原因有油缸大腔螺栓阻尼孔大小不一致y12、平衡阀问题y13和油缸本身存在內泄y14;
动力头扭矩不足X6的故障原因有液压油路问题y15、顺序阀问题y16、补油阀上的溢流阀泄压y17和主油管压力值不够y18;
加压无动作有压力X7的故障原因有平衡阀损坏或阀芯卡住y19和M4阀阀芯卡住y20;
加压油缸自动下落X8的故障原因有平衡阀损坏锁不住y21
全车无动作X9的故障原因有液压油箱油量不够,主泵吸空y22;吸油滤清器堵死y23;主泵损坏y24;伺服系统压力过低或无压力y25;安全阀调定压力过低或卡死y26和主泵吸油管爆裂或拔脱y27;
全车动作迟缓无力X10的故障原因有液压油箱油位不足y28;先导系统压力过低y29;系统安全阀压力过低y30;主泵供油不足,提前变量y31;液压油变质y32和主泵內泄严重y33
回转迟缓无力X11的故障原因有液压油管外泄严重y34;伺服阀內泄大,压力低于规定值y35;多路阀回转过载压力低y36和回转马达內泄严重y37;
油泵系统不供油或供油不足X12的故障原因有主泵有故障y38、油箱油量不足y39和先导阀压力不足y40。
4.根据权利要求1所述的基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断方法,其特征在于,步骤2中重叠采样即从原始信号进行采集训练样本时,每一段信号与其后一段信号之间是有重叠的,具体是通过窗口滑移来实现的,采集样本时,选定样本长度,偏移步长为s,若采集的原始时间序列共包含n个数据点,则该时间序列可以产生[n-(l-s)]个训练样本。
6.根据权利要求1所述的基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断方法,其特征在于,步骤3中的源域数据由正常状态和12种故障状态下40种故障原因的数据构成。
7.根据权利要求1所述的基于卷积神经网络-集成分类器模型的旋挖钻机故障诊断方法,其特征在于,所述步骤4中CNN网络模型,卷积层激活函数可以选择Relu激活函数或者Tanh激活函数;池化层可以选择最大值池化或平均值池化;
当构建的卷积网络模型层数较多时,在卷积层和池化层的中间增加批量归一化层,以加快算法的收敛速度,提高模型的泛化能力;
所述的损失函数采用改进的交叉熵损失函数,即添加聚类距离作为损失函数的一部分,以实现更好的聚类并提高每一诊断类别之间的可分性。
改进的交叉熵损失函数公式为:
J=Jentropy+λ1·Jnorm+λ2·Jcluster
其中,Jentropy是交叉熵损失函数,Jnorm是正则化损失,Jcluster是聚类距离损失,λ1和λ2是超参数;
所述Adam优化算法的公式为:
θ*=argminθL(f(xi;θ))
其中,L(·)、f(·)是目标函数值与输出值,θ是卷积神经网络的所有参数;θ*是卷积神经网络的最优参数,xi是卷积神经网络的输入。
9.一种基于权利要求1所述方法的旋挖钻机故障诊断系统,其特征在于,该系统包括:
用于采集旋挖钻机液压系统液压压力信号、液压流量信号、液压温度信号、电机振动信号和电机功率信号的数据采集模块,
用于对采集到的原始信号进行归一化处理,将一维时序信号转换为灰度图像,并将数据划分为训练集和测试集的数据转换模块,
用于建立卷积神经网络-集成分类器故障诊断模型,将训练数据输入搭建的卷积神经网络模型,通过前向传递和误差反向传播更新网络参数并保存训练好的故障诊断模型的模型构建模块;
以及将在线监测数据输入训练好的故障诊断模型,输出诊断结果,并对输出结果给出相应解释的故障诊断模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560142.4A CN115879026A (zh) | 2022-12-07 | 2022-12-07 | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560142.4A CN115879026A (zh) | 2022-12-07 | 2022-12-07 | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879026A true CN115879026A (zh) | 2023-03-31 |
Family
ID=85766197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211560142.4A Pending CN115879026A (zh) | 2022-12-07 | 2022-12-07 | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879026A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522998A (zh) * | 2023-06-16 | 2023-08-01 | 嘉洋智慧安全科技(北京)股份有限公司 | 信息处理方法、装置、设备及介质 |
CN116817306A (zh) * | 2023-08-29 | 2023-09-29 | 奥德集团有限公司 | 一种可监测并控制燃气流量的燃气设备 |
CN117290732A (zh) * | 2023-11-24 | 2023-12-26 | 山东理工昊明新能源有限公司 | 故障分类模型的构建方法、风电设备故障分类方法及装置 |
CN117876371A (zh) * | 2024-03-11 | 2024-04-12 | 南京理工大学 | 基于改进卷积神经网络的液压泵零件齐套检测方法 |
CN117892251A (zh) * | 2024-03-18 | 2024-04-16 | 山东神力索具有限公司 | 基于人工智能的索具锻造工艺参数监测预警方法及装置 |
-
2022
- 2022-12-07 CN CN202211560142.4A patent/CN115879026A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522998A (zh) * | 2023-06-16 | 2023-08-01 | 嘉洋智慧安全科技(北京)股份有限公司 | 信息处理方法、装置、设备及介质 |
CN116817306A (zh) * | 2023-08-29 | 2023-09-29 | 奥德集团有限公司 | 一种可监测并控制燃气流量的燃气设备 |
CN116817306B (zh) * | 2023-08-29 | 2023-12-01 | 奥德集团有限公司 | 一种可监测并控制燃气流量的燃气设备 |
CN117290732A (zh) * | 2023-11-24 | 2023-12-26 | 山东理工昊明新能源有限公司 | 故障分类模型的构建方法、风电设备故障分类方法及装置 |
CN117290732B (zh) * | 2023-11-24 | 2024-03-01 | 山东理工昊明新能源有限公司 | 故障分类模型的构建方法、风电设备故障分类方法及装置 |
CN117876371A (zh) * | 2024-03-11 | 2024-04-12 | 南京理工大学 | 基于改进卷积神经网络的液压泵零件齐套检测方法 |
CN117892251A (zh) * | 2024-03-18 | 2024-04-16 | 山东神力索具有限公司 | 基于人工智能的索具锻造工艺参数监测预警方法及装置 |
CN117892251B (zh) * | 2024-03-18 | 2024-06-07 | 山东神力索具有限公司 | 基于人工智能的索具锻造工艺参数监测预警方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115879026A (zh) | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 | |
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
Zhang et al. | A new bearing fault diagnosis method based on modified convolutional neural networks | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN111830408A (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
CN113203566B (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
Li et al. | A CNN model based on innovative expansion operation improving the fault diagnosis accuracy of drilling pump fluid end | |
CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN108805195A (zh) | 一种基于二值深层神经网络的电机群故障诊断方法 | |
CN112488179A (zh) | 一种基于gru的旋转机械故障诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN113177577A (zh) | 一种基于改进卷积神经网络的轴承故障诊断方法 | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN114152442B (zh) | 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Wang et al. | A multi-branch convolutional transfer learning diagnostic method for bearings under diverse working conditions and devices | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN113705407B (zh) | 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法 | |
CN116894215B (zh) | 一种基于半监督动态图注意的齿轮箱故障诊断方法 | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
Du et al. | Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm | |
Zhang et al. | A pruned-optimized weighted graph convolutional network for axial flow pump fault diagnosis with hydrophone signals | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis |
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 |