CN115901259A - 基于二维图像与cnn的滚动轴承弱故障诊断方法 - Google Patents
基于二维图像与cnn的滚动轴承弱故障诊断方法 Download PDFInfo
- Publication number
- CN115901259A CN115901259A CN202211405523.5A CN202211405523A CN115901259A CN 115901259 A CN115901259 A CN 115901259A CN 202211405523 A CN202211405523 A CN 202211405523A CN 115901259 A CN115901259 A CN 115901259A
- Authority
- CN
- China
- Prior art keywords
- cnn
- rolling bearing
- dimensional image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000005096 rolling process Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于二维图像与CNN的滚动轴承弱故障诊断方法，该方法将轴承微弱故障一维时间序列划分为具有固定长度的数据子集，通过数据降维方法在不损失信号整体信息的基础上，降维压缩数据子集数据量；通过二维图像转换算法，将降维后的一维时间序列转换为二维图像以方便卷积神经网络学习分类并提高分类准确度；设计卷积神经网络结构、参数以及训练方法等；最后实现了滚动轴承微弱故障的准确、高效诊断。本发明克服了传统滤波降噪方法对轴承微弱故障诊断力不足的局限性，能够在不损失原信号有用信息的基础上实现更加准确的微弱故障诊断，实现了滚动轴承微弱故障的智能诊断。
Description
技术领域
本发明属于滚动轴承状态监测与故障诊断技术领域，涉及一种基于二维图像与CNN的滚动轴承弱故障诊断方法。
背景技术
滚动轴承是旋转机械的重要基础部件，常在关键设备中起到重要支撑作用，其运行状态往往决定了机械设备能否正常运行，因此对滚动轴承开展有效监测，对于可能存在个故障及时发现或预警，对于保证运行的可靠性和降低维修成本具有重要意义。
传统的故障诊断方法主要是针对超强故障，对于机械设备的超强故障，意味着机械故障已经发展到了中晚期，故障特征明显，机械零部件性能严重退化。然而，故障诊断的意义在于及早的发现问题并提供可行的“治疗方案”，并不是等待设备出现明显故障时再开具“死亡证明”。因此如何尽早的发现问题，防微杜渐，防患于未然对于提升设备的运行时间，提高设备的运行质量，降低企业生产成本等等具有很重要的意义。
纵观国内外在轴承微弱故障诊断领域的解决方法中，无论最大峭度谱准则、动力学仿真模型、多物理量信息融合、改进型小波虑噪、经验模态分解、混合域特征提取、信息熵、排列熵等都注重于手动设计滤波和特征选择过程，都需要专业的背景知识，并且诊断过程繁琐缺乏智能性。比如，将傅里叶幅值谱等作为卷积神经网络的训练样本，然而对于微弱故障，其故障特征信号微弱且常常隐藏在大量的背景噪声中，使用傅里叶幅值谱并不能精准的反应故障特征，同时该方法在一定程度上也对故障信号所包含的信息起到了削弱作用，这样就降低了卷积神经网络的识别准确度，在一定程度上不利于轴承微弱故障的准确诊断。因此，在轴承微弱故障诊断领域，尽管取得了相对不错的效果，但是对处于噪声等复杂情况下的轴承微弱故障诊断效果仍有待提高。
发明内容
本发明的目的是提供一种基于二维图像与CNN的滚动轴承弱故障诊断方法，克服了传统滤波降噪方法对轴承微弱故障诊断准确度不高的问题。
本发明所采用的技术方案是，基于二维图像与CNN的滚动轴承弱故障诊断方法，具体步骤如下：
步骤1、采集滚动轴承微弱故障振动信号一维时间序列，得到原始信号数据样本集；
步骤2、将原始信号数据样本集按照固定时间长度划分为多段一维时间序列子集；
步骤3、在保证不损失信号整体信息的基础上，使用数据压缩算法分别对每段一维时间序列子集进行降维压缩，得到新的一维时间序列集；
步骤4、根据二维图像转换算法，将新的一维时间序列集中的时间序列分别转换成为二维图像样本，得到二维图像样本集；
步骤5、给二维图像样本集中的每个样本分别设置故障类型标签，并按照打乱样本随机划分原则，将设置故障类型标签的二维图像样本划分为训练集、验证集与测试集；
步骤6、设计卷积神经网络CNN；
步骤7、使用步骤5中得到的训练集、验证集与测试集开展卷积神经网络CNN的训练，并将训练好的卷积神经网络CNN封装；
步骤8、使用步骤7中训练好的卷积神经网络CNN进行滚动轴承弱故障诊断。
本发明的特点还在于：
步骤1中滚动轴承微弱故障振动信号一维时间序列采集步骤如下：
步骤1.1、选择实验设备，布置实验台并在轴承座安装加速度传感器，检验实验台是否能正常工作；
步骤1.2、通过数字录音记录器接收加速度传感器采集到的振动信号，作为轴承工作过程中的一维时间序列振动信号；
步骤1.3、将数字录音记录器传输至上位机，完成一维时间序列采集。
步骤2中固定时间长度指轴承至少运转一个周期。
步骤3中采用的数据降维算法为分段聚合近似法、分段线性近似法、离散傅里叶变换法、离散小波变换法或奇异值分解法。
步骤4中采用二维图像转换算法为格拉姆角场法、马尔科夫变迁场算法或小波时频图算法。
步骤5中训练集、验证集与测试集中二维图像样本比例为6:1:3。
步骤6中卷积神经网络CNN设计步骤如下：
步骤6.1、设计卷积神经网络CNN的结构，具体如下表；
表1卷积神经网络各层及各层参数
步骤6.2、设置卷积神经网络CNN的参数，包括小批量样本数、初始学习率、学习率减小方式、学习率减小因子、学习率减小周期间隔、每轮训练或验证前是否打乱数据、最大轮数、损失函数、训练方法，其中，小批量样本数取27、初始学习率0.01；学习率减小方式为：按周期下固定比例缩减，学习率减小周期间隔20，每轮训练或验证前打乱数据，最大轮数100；损失函数为交叉熵函数，训练方法采用SGDM或Adam或RMSProp。
步骤7中卷积神经网络CNN的训练过程为：将各二维图像样本和对应的故障类型标签输入卷积神经网络CNN开始按照预定参数进行训练、验证和测试，最终得到训练好的卷积神经网络CNN。
步骤8的具体过程为：以训练好的卷积神经网络CNN为诊断工具，将待诊断的微弱故障轴承一维时间序列按照步骤1-步骤4进行处理，得到待诊断二维图像样本集，将待诊断二维图像样本集中的样本输入训练好的卷积神经网络CNN，卷积神经网络CNN的输出值即为待诊断轴承微弱故障类型。
本发明基于二维图像与CNN的滚动轴承弱故障诊断方法与现有技术的诊断方法相比，具有如下的有益效果：
1)克服了传统滤波降噪方法对轴承微弱故障诊断力不足的局限性，能够在不损失原信号有用信息的基础上实现了滚动轴承微弱故障的智能诊断，从而杜绝了传统方法中大量的人工专业化参数设置和操作过程，降低了人工操作复杂度，使得诊断过程更加的便捷；2)将轴承一维振动信号转化为二维图像，从而使得数据形式更适合卷积神经网络进行分类，能够充分发挥卷积神经网络的分类能力；3)在保证信号整体信息的基础上，压缩信号数据量从而压缩了转换图像的大小，加速数据学习训练过程并降低了数据训练、验证过程中的硬件运行压力。
附图说明
图1是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的流程图；
图2是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的一维时间序列样本分割图；
图3是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的格拉姆角场生成图；
图4是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的马尔科夫变迁场生成图；
图5是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的小波时频分析图；
图6是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的分段聚合近似降维前后的格拉姆角场对比图；
图7是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的本申请方法与不同主流一维时间序列学习模型训练准确度对比图；
图8是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的各类样本验证准确度图；
图9是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的各类样本损失函数图；
图10是本发明基于二维图像与CNN的滚动轴承弱故障诊断方法的各类样本混淆矩阵图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于二维图像与CNN的滚动轴承弱故障诊断方法，如图1所示，具体步骤如下：
步骤1、采集滚动轴承微弱故障振动信号一维时间序列，得到原始信号数据样本集；
具体步骤如下：
步骤1.1、选择实验设备，布置实验台并在轴承座安装加速度传感器，检验实验台是否能正常工作；
步骤1.2、通过数字录音记录器接收加速度传感器采集到的振动信号，作为轴承工作过程中的一维时间序列振动信号；
步骤1.3、将数字录音记录器传输至上位机，得到原始信号数据样本集。
步骤2、将原始信号数据样本集按照固定时间长度划分为多段一维时间序列子集，每个一维时间序列子集长度需保证轴承至少运转一个周期，图2中直观展示了原始信号数据样本集划分为一维时间序列样本子集过程；
其中，一维时间序列子集划分的原则按照下式进行：
式(1)中：N为轴承转速，fs为采样频率，n为样本数据长度，ceil为向上取整运算；
步骤3、在保证不损失信号整体信息的基础上，使用数据压缩算法分别对每段一维时间序列子集进行降维压缩，得到新的一维时间序列集；
数据降维算法采用分段聚合近似法(Piecewise Aggregate Approximation,PAA)、分段线性近似法(piecewise liner approximation,PLA)、离散傅里叶变换法(discrete fourier transform,DFT)、离散小波变换法(discrete wavelet transform,DWT)或奇异值分解法(singular value decomposition,SVD)；
其中，分段聚合近似PAA公式如下：
式(2)中：xi为一维时间序列子集中的任一时间序列元素，i∈[1,n]表示其当前计算数据位，n表示一维时间序列子集中的时间序列长度，k表示一维时间序列压缩率，
为新的一维时间序列集中任一时间序列元素，j∈[1,l]，l表示新的一维时间序列集中时间序列的长度，n＝k*l；
步骤4、采用二维图像转换算法，将新的一维时间序列集中的时间序列分别转换成为二维图像样本，得到二维图像样本集；
其中，二维图像转换算法采用格拉姆角场法(gramian angular sum fields,GASF)/(gramian angular difference fields,GADF)、马尔科夫变迁场(Markovtransition field,MTF)或小波时频图(Wavelet time-frequency diagram)；
其中，格拉姆角场法按下式计算：
式(3)中，X＝{x1,x2,…,xl}为给定一维时间序列，
为归一化后的新的一维时间序列集中任一时间序列；
式(4)中，
为
对应的极坐标余弦角；rj为
对应的极坐标半径；tj为xj对应的时间戳；n'为归一化因子，表示一维时间序列X的总采样点数；
式(5)中：GASF—格拉姆和角场；GADF—格拉姆差角场，格拉姆角场生成图如图3所示，图3中展示了格拉姆和或差角场图的计算过程。
马尔科夫变迁场可由下式计算：
式(6)中，以沿时间轴的一阶马尔科夫链的形式将分位数转换为尺寸Q×Q
采用小批量法：能够从数据集中选出一部分数据，用这些选出来的数据来计算一次网络参数更新值，然后再用平均参数更新值来调整整个网络的参数，以兼顾稳定性与权重更新速度同时克服训练方法的不稳定性。
步骤6的作用是开展卷积神经网络训练。采用封装训练好的卷积神经网络，其作用是：将训练好的卷积神经网络封装，一遍使用该网络时可不经训练，直接使用训练成的网络进行分类。
步骤7的作用是使用卷积神经网络开展滚动轴承微弱故障诊断。
将本申请方法与不同主流一维时间序列学习模型训练准确度对比，具体数据如下表2中所示：
表2不同机器学习算法训练对比
从表2可以看出：本方法虽然训练时间较长，但在可接受的训练时间内测试集准确度最高，综上分析可以得出本文方法较其他方法具有明显的诊断准确度优势。图7为本申请方法与不同主流一维时间序列学习模型训练准确度对比图，从图7中可看出：对比主流一维时间序列学习模型LSTM、BiLSTM和GRU等，本诊断方法准确度增长最为迅速且测试准确度最终能稳定在较高水平。
下面通过实施例对本发明的方法进行进一步阐述：
实施例1：
基于本发明的算法，对凯斯西楚大学的滚动轴承故障探伤数据开展实际诊断验证。为提升神经网络分类泛化性，忽略负载大小区别只关注故障类别标签，按正常、滚动体故障、内圈故障、外圈故障划分样本标签。根据前述计算轴承振动一维时间序列的各种二维图像。对于每种二维图像分别得到正常样本数量：1450个，滚动体故障样本数量：950个，内圈故障样本数量：952个，外圈故障样本数量：953个；按照6:1:3的比例随机打乱样本划分训练集、验证集与测试集。训练环境CPU为i5-7500H，16G内存，GPU为1050Ti，4G显存。分别将上述制作好的二维图像样本输入卷积神经网络CNN。
经训练后，多数样本类型测试准确度都保持在95％以上，其中GADF：98.07％，GASF：97.37％，小波时频图：98.61％，如图8中所示；多数样本类型损失函数值均能下降并维持在较小范围内，其中GADF/GASF/小波时频图三者均能在前5轮之内均迅速下降并稳定至0.1附近，如图9中所示；从图10可以看出：多数样本类型下，本方法均能取得较为准确的各类故障分类结果。
Claims (10)
1.基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，具体步骤如下：
步骤1、采集滚动轴承微弱故障振动信号一维时间序列，得到原始信号数据样本集；
步骤2、将原始信号数据样本集按照固定时间长度划分为多段一维时间序列子集；
步骤3、在保证不损失信号整体信息的基础上，使用数据压缩算法分别对每段一维时间序列子集进行降维压缩，得到新的一维时间序列集；
步骤4、采用二维图像转换算法，将新的一维时间序列集中的时间序列分别转换成为二维图像样本，得到二维图像样本集；
步骤5、给二维图像样本集中的每个样本分别设置故障类型标签，并按照打乱样本随机划分原则，将设置故障类型标签的二维图像样本划分为训练集、验证集与测试集；
步骤6、设计卷积神经网络CNN；
步骤7、使用步骤5中得到的训练集、验证集与测试集开展卷积神经网络CNN的训练，并将训练好的卷积神经网络CNN封装；
步骤8、使用步骤7中训练好的卷积神经网络CNN进行滚动轴承弱故障诊断。
2.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，所述步骤1中滚动轴承微弱故障振动信号一维时间序列采集步骤如下：
步骤1.1、选择实验设备，布置实验台并在轴承座安装加速度传感器，检验实验台是否能正常工作；
步骤1.2、通过数字录音记录器接收加速度传感器采集到的振动信号，作为轴承工作过程中的一维时间序列振动信号；
步骤1.3、将数字录音记录器传输至上位机，完成一维时间序列采集。
3.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，步骤2中所述的固定时间长度指轴承至少运转一个周期。
4.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，步骤3中所采用的数据降维算法为分段聚合近似法、分段线性近似法、离散傅里叶变换法、离散小波变换法或奇异值分解法。
5.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，步骤4中所采用二维图像转换算法为格拉姆角场法、马尔科夫变迁场算法或小波时频图算法。
6.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，步骤5中所述的训练集、验证集与测试集中二维图像样本比例为6:1:3。
7.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，步骤6中所述的卷积神经网络CNN设计步骤如下：
步骤6.1、设计卷积神经网络CNN的结构，具体如下表；
表1卷积神经网络各层及各层参数
步骤6.2、设置卷积神经网络CNN的参数，包括小批量样本数、初始学习率、学习率减小方式、学习率减小因子、学习率减小周期间隔、每轮训练或验证前是否打乱数据、最大轮数、损失函数、训练方法，其中，小批量样本数取27、初始学习率0.01；学习率减小方式为：按周期下固定比例缩减，学习率减小周期间隔20，每轮训练或验证前打乱数据，最大轮数100；损失函数为交叉熵函数，训练方法采用SGDM或Adam或RMSProp。
8.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，步骤7中所述的卷积神经网络CNN的训练过程为：将各二维图像样本和对应的故障类型标签输入卷积神经网络CNN开始按照预定参数进行训练、验证和测试，最终得到训练好的卷积神经网络CNN。
9.根据权利要求1所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，所述步骤8的具体过程为：以训练好的卷积神经网络CNN为诊断工具，将待诊断的微弱故障轴承一维时间序列按照步骤1-步骤4进行处理，得到待诊断二维图像样本集，将待诊断二维图像样本集中的样本输入训练好的卷积神经网络CNN，卷积神经网络CNN的输出值即为待诊断轴承微弱故障类型。
10.根据权利要求8所述的基于二维图像与CNN的滚动轴承弱故障诊断方法，其特征在于，卷积神经网络CNN的训练方法采用动量随机梯度下降法、自适应低阶矩估计的随机目标函数一阶梯度优化算法或均方根方向传播法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211405523.5A CN115901259A (zh) | 2022-11-10 | 2022-11-10 | 基于二维图像与cnn的滚动轴承弱故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211405523.5A CN115901259A (zh) | 2022-11-10 | 2022-11-10 | 基于二维图像与cnn的滚动轴承弱故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115901259A true CN115901259A (zh) | 2023-04-04 |
Family
ID=86483387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211405523.5A Pending CN115901259A (zh) | 2022-11-10 | 2022-11-10 | 基于二维图像与cnn的滚动轴承弱故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115901259A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719060A (zh) * | 2023-08-04 | 2023-09-08 | 北京航空航天大学 | 基于信息融合的深度学习网络的紧组合导航故障检测方法 |
-
2022
- 2022-11-10 CN CN202211405523.5A patent/CN115901259A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719060A (zh) * | 2023-08-04 | 2023-09-08 | 北京航空航天大学 | 基于信息融合的深度学习网络的紧组合导航故障检测方法 |
| CN116719060B (zh) * | 2023-08-04 | 2023-10-31 | 北京航空航天大学 | 基于信息融合的深度学习网络的紧组合导航故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171263B (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
| Meng et al. | Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
| CN108760266B (zh) | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 | |
| CN108106844B (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
| CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
| CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
| CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
| CN109186964B (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
| CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
| CN111538947A (zh) | 风力发电机轴承故障分类模型的构建方法 | |
| Li et al. | Crack fault detection for a gearbox using discrete wavelet transform and an adaptive resonance theory neural network | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
| CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
| CN115901259A (zh) | 基于二维图像与cnn的滚动轴承弱故障诊断方法 | |
| CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN111610024A (zh) | 一种基于振动信号的齿轮裂纹故障诊断方法 | |
| 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 | |
| Zhang et al. | Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels | |
| CN117828531A (zh) | 一种基于多传感器多尺度特征融合的轴承故障诊断方法 | |
| CN112395968A (zh) | 基于神经网络的机械旋转部件故障诊断方法及装置 |
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 |