CN116448428B - 电机轴承故障诊断方法、装置、电子设备及可读存储介质 - Google Patents

电机轴承故障诊断方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN116448428B
CN116448428B CN202310713309.4A CN202310713309A CN116448428B CN 116448428 B CN116448428 B CN 116448428B CN 202310713309 A CN202310713309 A CN 202310713309A CN 116448428 B CN116448428 B CN 116448428B
Authority
CN
China
Prior art keywords
motor bearing
fault diagnosis
vibration signal
signal data
bearing fault
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
Application number
CN202310713309.4A
Other languages
English (en)
Other versions
CN116448428A (zh
Inventor
欧周权
文灿辉
徐勇俊
刘洋
杨皓楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongda Electromagnetic Energy Co ltd
Original Assignee
Tongda Electromagnetic Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongda Electromagnetic Energy Co ltd filed Critical Tongda Electromagnetic Energy Co ltd
Priority to CN202310713309.4A priority Critical patent/CN116448428B/zh
Publication of CN116448428A publication Critical patent/CN116448428A/zh
Application granted granted Critical
Publication of CN116448428B publication Critical patent/CN116448428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了一种电机轴承故障诊断方法、装置、电子设备及可读存储介质，应用于机械设备故障检测领域。其中，方法包括获取待检测电机轴承的多个传感器所采集的振动信号数据；各传感器安装于待检测电机轴承所在平面的多个方向上；将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接融合特征进行推断，得到电机轴承故障诊断结果。本申请可以解决单一传感数据的故障诊断性能受限问题，有效提高电机轴承诊断精准度。

Description

电机轴承故障诊断方法、装置、电子设备及可读存储介质
技术领域
本申请涉及机械设备故障检测领域，特别是涉及一种电机轴承故障诊断方法、装置、电子设备及可读存储介质。
背景技术
电机轴承为利用光滑的金属滚珠或滚柱以及润滑的内圈和外圈金属面来减小摩擦的工业零部件，其通过滚珠或滚柱承载着负载，支撑着电机主轴，使电机可以平稳旋转，对各类机械设备的稳定运行至关重要。由于受到恶劣工作环境、天气、温度等不可抗力因素影响，电机轴承在运行过程中容易出现各种故障，若不及时处理，极易引发整个机械设备发生安全事故。
相关技术为了降低机械设备事故发生概率，通常在电机轴承上安装一传感器，通过分析该传感器所采集的数据诊断电机轴承是否发生故障。但是，单一传感器数据难以全面地反映出电机轴承的状态特征，无法精准诊断电机轴承的故障诊断。
鉴于此，提高电机轴承诊断精准度，是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种电机轴承故障诊断方法、装置、电子设备及可读存储介质，能够有效提高电机轴承的诊断精准度。
为解决上述技术问题，本申请提供以下技术方案：
本申请一方面提供了一种电机轴承故障诊断方法，包括：
获取待检测电机轴承的多个传感器所采集的振动信号数据；各传感器安装于所述待检测电机轴承所在平面的多个方向上；
将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，所述电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接融合特征进行推断，得到电机轴承故障诊断结果。
可选的，所述将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型之前，包括：
预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架；
利用训练样本数据集，以最小化损失值为目标训练所述电机轴承故障诊断模型框架，得到电机轴承故障诊断模型；
其中，所述特征提取层包括多个特征提取子层，每个特征提取子层均包括卷积自编码器的卷积编码器、高效注意力模块和长短期记忆网络；所述融合推断层包括多层感知机、联合损失学习模块和每个特征提取子层的卷积自编码器的卷积解码器；所述特征提取子层的数量与振动信号数据的模态数相同。
可选的，所述提取每一模态振动信号数据的时空注意力特征，包括：
分别将每个模态振动信号数据输入至相对应的特征提取子层；
对每个模态振动信号数据，利用所述卷积自编码器提取输入的当前模态振动信号数据间交互信息的编码-解码底层特征，将各编码-解码底层特征输入至所述高效注意力模块；所述高效注意力模块通过处理所述编码-解码底层特征以捕获所述当前模态振动信号数据的空间特征信息，并将所述空间特征信息输入至所述长短期记忆网络；所述长短期记忆网络通过处理所述空间特征信息以提取具有交互信息的时空注意力特征。
可选的，所述将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，包括：
对各模态振动信号数据进行归一化处理，并将归一化处理后的各模态振动信号数据重组为二维网格矩阵形式，以得到多模态振动数据。
可选的，预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架，包括：
基于联合损失函数构建联合损失学习模块；所述联合损失函数为：
式中，为损失值，/>为损失函数调控因子，/>为任务损失值，/>为h模态振动信号数据的重构损失值，/>为v模态振动信号数据的重构损失值，/>为相似性损失值。
可选的，所述基于联合损失函数构建联合损失学习模块，包括：
调用交叉熵损失计算关系式计算任务损失值，所述交叉熵损失计算关系式为：
；
式中，N为所述训练样本数据集所包含的训练样本总数，为样本/>的故障类型标签，/>为样本/>的网络推断结果。
可选的，所述基于联合损失函数构建联合损失学习模块，包括：
调用均方差函数计算关系式计算相似性损失值，所述均方差函数计算关系式为：
；
式中，为h模态振动信号数据的时空注意力特征，/>为h模态振动信号数据的时空注意力特征。
本申请另一方面提供了一种电机轴承故障诊断装置，包括：
多模态数据获取模块，用于获取待检测电机轴承的多个传感器所采集的振动信号数据；各传感器安装于所述待检测电机轴承所在平面的多个方向上；
故障诊断模块，用于将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，所述电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接融合特征进行推断，得到电机轴承故障诊断结果。
本申请还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述电机轴承故障诊断方法的步骤。
本申请最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述电机轴承故障诊断方法的步骤。
本申请提供的技术方案的优点在于，获取多个传感器所采集的能够反映电机轴承运行情况的多个模态的振动信号数据，利用预先训练好的电机轴承故障诊断模型提取和融合不同传感器信号间交互信息的时空注意力特征，这些特征能够更加精准的反映电机轴承的状态，进而可以得到更加精准的电机轴承的故障诊断结果，从而解决单一传感数据的故障诊断性能受限问题，提升电机轴承故障诊断精度。
此外，本申请还针对电机轴承故障诊断方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
为了更清楚的说明本申请或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种电机轴承故障诊断方法的流程示意图；
图2为本申请提供的一个示例性应用场景的电机轴承故障诊断模型的结构框架示意图；
图3为本申请提供的一个示例性应用场景的特征提取层的结构示意图；
图4为本申请提供的一个示例性应用场景的卷积编码器的输出示意图；
图5为本申请提供的一个示例性应用场景的高效注意力模块的输出示意图；
图6为本申请提供的一个示例性应用场景的长短期记忆网络的输出示意图；
图7为本申请提供的一个示例性应用场景的融合推断层的输出示意图；
图8为本申请提供的泛化性能试验结果示意图；
图9为本申请提供的电机轴承故障诊断装置的一种具体实施方式结构图；
图10为本申请提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及二者的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。在介绍了本申请的技术方案后下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本申请提供的一种电机轴承故障诊断方法的流程示意图，本申请可包括以下内容：
S101：获取待检测电机轴承的多个传感器所采集的振动信号数据。
在本实施例中，待检测电机轴承为需要进行故障诊断的电机轴承，传感器用于采集待检测电机轴承的振动信号，传感器例如可为加速度传感器，当然所属领域技术人员可根据实际应用场景灵活选择任何一种能够采集振动信号的传感器的类型和型号，这均不影响本申请的实现。本申请用于采集待检测电机轴承的振动信号的传感器有多个，这多个传感器安装于待检测电机轴承所在平面的多个方向上，从而得到待检测电机轴承的多个模态的振动信号数据，至于每个方向上安装的传感器数量以及安装方向可根据实际应用场景灵活确定，但至少要保证2个方向，比如在水平方向和竖直方向上均安装加速度传感器。
S102：将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接融合特征进行推断，得到电机轴承故障诊断结果。
本实施例的电机轴承故障诊断模型为基于深度学习算法训练得到的，可用于执行检测电机轴承是否发生故障的任务。训练好的电机轴承故障诊断模型至少包括数据处理层、特征提取层和融合推断层，数据处理层用于将输入的各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，特征提取层的数据输入格式与该层所采用的网络结构相关。特征提取层用于提取每一模态振动信号数据的时空注意力特征，融合推断层用于将各时空注意力特征进行拼接融合，并对融合特征进行标签预测，根据电机轴承故障诊断模型所预测的标签得到待检测电机轴承的故障诊断结果。
在本申请提供的技术方案中，获取多个传感器所采集的能够反映电机轴承运行情况的多个模态的振动信号数据，利用预先训练好的电机轴承故障诊断模型提取和融合不同传感器信号间交互信息的时空注意力特征，这些特征能够更加精准的反映电机轴承的状态，进而可以得到更加精准的电机轴承的故障诊断结果，从而解决单一传感数据的故障诊断性能受限问题，提升电机轴承故障诊断精度。
需要说明的是，本申请中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。
在上述实施例中，对于如何训练得到电机轴承故障诊断模型并不做任何限定，基于此，本申请还提供了一个模型训练实施例，可包括下述内容：
预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架；利用训练样本数据集，以最小化损失值为目标训练电机轴承故障诊断模型框架，得到电机轴承故障诊断模型。
在本实施例中，数据处理层可将输入的各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据。特征提取层的编码采集卷积自编码器，其要求输入数据为二维网格矩阵形式，故需要将一维数据转换为二维数据。相应的，数据处理层在训练过程中用于将每个训练样本的各模态振动信号数据进行归一化处理，并将归一化处理后的各模态振动信号数据重组为二维网格矩阵形式。在实际应用中，其用于将待检测电机轴承的各模态振动信号数据进行归一化处理，并将归一化处理后的各模态振动信号数据重组为二维网格矩阵形式，以得到多模态振动数据。
本实施例的特征提取层包括多个特征提取子层，每个特征提取子层均包括卷积自编码器的卷积编码器、高效注意力模块和长短期记忆网络；特征提取子层的数量与振动信号数据的模态数相同，举例来说，传感器安装在水平方向和竖直方向上，则特征提取层包括2个特征提取子层，如图2所示，分别用于提取水平振动模态和竖直振动模态的时空注意力特征。考虑到卷积自编码器相较于卷积神经网络，能够通过在输入信号和重构特征间的重构损失约束更好地捕获输入信号的细节特征，本实施例的特征提取层的特征编码网络采用卷积自编码器，利用卷积自编码器来提取振动信号的底层特征。卷积自编码器包括卷积编码器和卷积解码器，其可采用下述关系式对输入数据进行编码和解码处理：
；
式中，h m (x m )表示卷积自编码器CAE对输入的m模态振动信号数据的编码表示，R m 表示卷积自编码器CAE对m模态振动信号数据的解码表示，h，v为电机轴承的模态。
由于轴箱电机轴承振动信号的故障特征呈现为周期性，且主要集中在故障点触发时刻附近。本实施例的特征提取层还包括用于提取信号的空间注意力特征的高效注意力ECA模块，其能够根据全局信息的权重对特征图的通道维度进行加权，以加强具有故障信息空间特征图的重要性并减弱无效信息空间特征图的重要性，从而提高整个电机轴承故障诊断模型的诊断性能。本实施例可通过下述关系式提取输入的编码-解码底层特征的空间注意力特征：
；
式中，h m ECA 表示m模态振动信号数据的注意力加权表示，也即m模态振动信号数据的底层编码特征的空间注意力特征。
最后，本实施例的特征提取层中还部署有可用于提取输入信号的上下文信息的长短期记忆网络LSTM，LSTM通过状态细胞和遗忘门能够有效地避免梯度消失问题，并轻松学习到输入信号的长期依赖的信息，提升电机轴承故障诊断模型对时间特征的提取能力。本实施例可通过下述关系式提取输入信号的上下文信息，以得到时空注意力特征：
；
式中，S m 表示m模态振动信号数据的时空注意力特征表示。
由此可见，在模型训练过程中，根据各样本数据对应的实际物理应用场景中电机轴承所采集的振动信号数据的模态数确定特征提取层所包含的特征提取子层数，对每一个模态振动信号数据，在利用数据处理层对其处理之后，将其输入至一个特征提取子层，特征提取子层利用卷积自编码器提取输入的训练样本的模态振动信号数据间交互信息的编码-解码底层特征，将各编码-解码底层特征输入至高效注意力模块；高效注意力模块通过处理编码-解码底层特征以捕获该模态振动信号数据的空间特征信息，并将空间特征信息输入至长短期记忆网络；长短期记忆网络通过处理空间特征信息以提取该训练样本的模态振动信号数据具有交互信息的时空注意力特征。当电机轴承故障诊断模型训练好之后，其在实际应用过程中，分别将待检测电机轴承的每个模态振动信号数据输入至相对应的特征提取子层；对待检测电机轴承的每个模态振动信号数据，利用卷积自编码器提取输入的当前模态振动信号数据间交互信息的编码-解码底层特征，将各编码-解码底层特征输入至高效注意力模块；高效注意力模块通过处理编码-解码底层特征以捕获当前模态振动信号数据的空间特征信息，并将空间特征信息输入至长短期记忆网络；长短期记忆网络通过处理空间特征信息以提取具有交互信息的时空注意力特征。
为了提高电机轴承故障诊断模型性能，本实施例将每个模态振动信号数据的时空注意力特征进行拼接，然后进行数据融合。数据融合能够简单有效地整合各模态特征信息，有效地丰富输入信息量，进而有效提高电机轴承故障诊断模型性能。本实施例的融合推断层利用多层感知机MLP基于下述关系式对拼接后的不同模态的时空注意力特征进行特征融合和推断：
式中，P表示推断表示，为h模态振动信号数据的时空注意特征，/>为m模态振动信号数据的时空注意特征，/>为特征拼接操作。
在电机轴承故障诊断模型训练过程中，损失函数用于衡量电机轴承故障诊断模型的预测值与真实值的不一致程度，损失函数越小，电机轴承故障诊断模型的鲁棒性就越好，电机轴承故障诊断精度也就越高。为了提高电机轴承故障诊断精度，本实施例的融合推断层还包括联合损失学习模块和每个特征提取子层的卷积自编码器的卷积解码器。联合损失学习模块基于每个卷积解码器输出的解码特征，基于联合的损失函数指导电机轴承故障诊断模型，直至满足电机轴承故障诊断模型的训练停止条件。
作为一种可选的实施方式，为了有效地辅助模型网络提取相应的特征，上述联合损失学习模块是基于联合损失函数来构建，联合损失函数可表示为：
式中，为损失值，/>为损失函数调控因子，/>为任务损失值，/>为h模态振动信号数据的重构损失值，/>为v模态振动信号数据的重构损失值，/>为相似性损失值。
其中，由于电机轴承故障诊断的本质为分类任务在工业领域的应用，可选的，可采取交叉熵损失函数作为任务损失，也即可通过调用交叉熵损失计算关系式计算任务损失值，交叉熵损失计算关系式表示为：
；
式中，N为训练样本数据集所包含的训练样本总数，为样本/>的故障类型标签，为样本/>的网络推断结果。
然后，由于在编码-解码结构的模型中，重构损失常被添加到输入信号和重构输出之间用于辅助模型捕获输入信号的细节特征，从而优化模型的性能。因此，本实施例还采用该损失指导卷积自编码器训练，从而使得电机轴承故障诊断模型在学习过程中由于在不同数据间添加了相似性损失使得电机轴承故障诊断模型在学习过程中能够学习到不同数据的公共特性也即交互信息。可选的，本实施例可通过采用下述关系式计算重构损失：
；
式中， 表示平方L2范数。
最后，由于在执行融合任务之前充分地提取各模态输出特征之间的交互信息（也即模态不变性特征），能够有效地减轻特征融合的负担，并提升电机轴承故障诊断模型性能，而在各模态振动信号数据的特征表示之间添加距离度量约束是常用的模态不变性特征提取方法。因此，为了减少技术复杂度，可采用均方差函数作为相似性损失函数。可选的，可通过调用均方差函数计算关系式计算相似性损失值，均方差函数计算关系式可表示为：
；
式中，为h模态振动信号数据的时空注意力特征，/>为h模态振动信号数据的时空注意力特征。
为了使所属领域技术人员清楚明白本申请的技术方案，且进一步验证本申请提供的技术方案的有效性，本申请还提供了一个示意性的实施例，本实施例在水平方向和竖直方向安置加速度传感器，用于电机轴承的振动信号数据，如图2所示，电机轴承故障诊断模型框架包括数据处理层、特征提取层和融合推断层；特征提取层包括2个特征提取子层，水平振动模态特征提取子层和竖直振动模态特征提取子层，每个特征提取子层均包括卷积自编码器的卷积编码器、高效注意力模块和长短期记忆网络。融合推断层包括多层感知机、联合损失学习模块和每个特征提取子层的卷积自编码器的卷积解码器，联合损失学习模块包括利用由任务损失函数（交叉熵损失）、相似性损失和重构损失（均方差损失）构成的联合损失函数，电机轴承故障诊断模型框架的数据处理流程和每个网络结构的网络参数请参阅图3所示。电机轴承故障诊断模型的数据处理层将水平振动信号数据和竖直振动信号数据进行归一化处理，并将1-D数据重组为2-D网格矩阵形式。将处理好的水平振动信号数据和竖直振动信号数据输入到受相似性损失约束的卷积自编码器中以提取具有不同数据间交互信息的编码-解码底层特征；将所提取的编码底层特征输入高效通道注意力模块中以捕获数据的空间信息；将各注意力特征输入长短记忆网络以提取具有交互信息的时空注意力特征。将获取的水平振动信号数据和竖直振动信号数据的时空注意力特征拼接后输入至多层感知机中以进行特征融合和推断。将网络中相关的特征输入到联合损失函数中以计算损失值，并以最小化损失值为目标训练电机轴承故障诊断模型。
为了验证电机轴承故障诊断模型的检测精度和检测效果，程序实验是通过python代码得到实现的，仿真实验的设备包括（1）处理器（AMD Ryzen 9 5900HX Six-CoreProcessor, 3.29 GHz）；（2）运行内存（32G）；（3）GPU（NVIDIA GeForce RTX 3080）；（4）代码操作环境（Pytorch=1.10, Python=3.8）。实验采用电机轴承损伤数据集，具体情况为设备在转速N=900rpm、负载扭矩T=0.7Nm、径向力F=1000N运行条件下，电机轴承在5种健康状态下所测试的两种水平-竖直振动数据，具体情况如下表1所示。此外，在每个状态数据集中提取160000个数据用于实验，并以3:1的比例划分训练样本集和测试样本集。
表1数据集参数
在实验的迭代训练过程中，采用损失函数调控因子a=0.7、Epoch=500、Batch_size=100、学习率=0.01的Adam优化器训练电机轴承故障诊断模型。为了有效地验证所提方法的有效性，将本申请所提供的电机轴承故障诊断模型（为了便于描述，可称为CTS-MFN）与现有的经典深度学习模型如卷积神经网络CNN、CAE、CNN-LSTM、CNN-FN及CAE-FN进行对比，实验结果如表2所示：
表2 实验结果对比表
根据表2的对比实验可知：1）在振动方向相同的情况下，CNN-LSTM模型的诊断精度分别高于CAE和CNN模型约1%~1.5%，这表明了LSTM网络所提取的时间特征能够给诊断模型带来积极效果；2）在实验方法相同的情况下，水平振动方向对应的识别精度略高于竖直振动方向0.5%~1%，这是由振动测量的方向差异造成的。观察融合模型(CNN-FN、CAE-FN)和非融合模型的（CNN、CAE和CNN-LSTM）对比实验，发现融合模型的故障诊断精度高于非融合模型3%~5%，这种显著的性能提升验证了融合模型的有效性。此外，由实验可知本申请的电机轴承故障诊断模型的故障诊断精度达到了98.8%，优于其他现有的方法，证实本申请的电机轴承故障诊断模型的优越性。
为了进一步验证CTS-MFN模型的电机轴承故障诊断性能，对电机轴承故障诊断模型的卷积编码层、高效注意力模块、长短期记忆网络和融合推断层的输出进行T-SNE可视化分析，以验证电机轴承故障诊断模型的聚类融合效果，结果如图4-图7所示。其中，5种灰度的点表示电机轴承不同的健康状态。当灰度相同的点越近，灰度不同的点距离越远就表示网络的聚类效果越好，即网络故障诊断性能越好。由图4-图7可知，输入数据的可视化分布随着网络结构层次的深入，其可视化表现由“分散杂乱”逐渐向“类间大，类内小”转变，这表明了聚类效果随着网络的前向过程从劣到优，也证明了CTS-MFN融合聚类效果的有效性。
对比分析与可视化分析验证了CTS-MFN模型的有效性，但仍缺乏对模型和损失函数设计的合理性分析，因此本实施例还采用消融实验对电机轴承故障诊断模型展开进一步定量分析，实验结果如表3所示：
表3 消融分析结果
根据表3的损失函数消融结果可知：1）重构损失和相似性损失的缺失都会给模型带来负面效果，这表明了损失函数设计的合理性；2）相似性损失的缺失相较于重构损失，其振动精度额外降低了0.8%，这表明了模态交互特征给模型带来的积极作用略高于由重构损失带来的细节性特征。观察结构消融实验可知：1）高效注意力模块和长短期记忆网络模块的消融都会给模型带来负面影响，这是因为高效注意力模块和长短期记忆网络能够帮助模型学习输入信号的时空特征以优化网络性能；2）长短期记忆网络的缺失相较于高效注意力模块给模型带了的负面影响更加严重（精度降低了约0.6%），这说明了对于电机轴承振动数据来说，时间特征的重要程度要由于空间注意特征。
为进一步验证电机轴承故障诊断模型的综合性能，本实施例还进行了泛化性能实验，引入西安交大电机轴承数据集、西储大学电机轴承数据集对模型进行测试，实验结果如图8所示。由泛化性能实验可知，CTS-MFN模型在另外两种数据集上分别取得98.6%、99.7%的电机轴承故障诊断精度，故障诊断准确率较高且仍优于对比实验中的融合模型（CNN-FN、CAE-FN），表明本申请的技术方案具有良好的泛化性能，也验证了基于CTS-MFN模型的电机轴承故障诊断方法的优越性。
本申请还针对电机轴承故障诊断方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本申请提供的电机轴承故障诊断装置进行介绍，该装置用以实现本申请提供的电机轴承故障诊断方法，在本实施例中，电机轴承故障诊断装置可以包括或被分割成一个或多个程序模块，该一个或多个程序模块被存储在存储介质中，并由一个或多个处理器所执行，已完成实施例一公开的电机轴承故障诊断方法。本申请所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述电机轴承故障诊断装置在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能，下文描述的电机轴承故障诊断装置与上文描述的电机轴承故障诊断方法可相互对应参照。
基于功能模块的角度，参见图9，图9为本申请提供的电机轴承故障诊断装置在一种具体实施方式下的结构图，该装置可包括：
多模态数据获取模块901，用于获取待检测电机轴承的多个传感器所采集的振动信号数据；各传感器安装于待检测电机轴承所在平面的多个方向上；
故障诊断模块902，用于将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接融合特征进行推断，得到电机轴承故障诊断结果。
可选的，在本实施例的一些实施方式中，上述装置例如还可以包括模型训练模块，用于预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架；利用训练样本数据集，以最小化损失值为目标训练电机轴承故障诊断模型框架，得到电机轴承故障诊断模型；其中，特征提取层包括多个特征提取子层，每个特征提取子层均包括卷积自编码器的卷积编码器、高效注意力模块和长短期记忆网络；融合推断层包括多层感知机、联合损失学习模块和每个特征提取子层的卷积自编码器的卷积解码器；特征提取子层的数量与振动信号数据的模态数相同。
作为上述实施例的一种可选的实施方式，上述故障诊断模块902还用于分别将每个模态振动信号数据输入至相对应的特征提取子层；对每个模态振动信号数据，利用卷积自编码器提取输入的当前模态振动信号数据间交互信息的编码-解码底层特征，将各编码-解码底层特征输入至高效注意力模块；高效注意力模块通过处理编码-解码底层特征以捕获当前模态振动信号数据的空间特征信息，并将空间特征信息输入至长短期记忆网络；长短期记忆网络通过处理空间特征信息以提取具有交互信息的时空注意力特征。
作为上述实施例的另一种可选的实施方式，上述故障诊断模块902还可用于对各模态振动信号数据进行归一化处理，并将归一化处理后的各模态振动信号数据重组为二维网格矩阵形式，以得到多模态振动数据。
作为上述实施例的再一种可选的实施方式，上述模型训练模块还用于基于联合损失函数构建联合损失学习模块；联合损失函数为：
；
式中，为损失值，/>为损失函数调控因子，/>为任务损失值，/>为h模态振动信号数据的重构损失值，/>为v模态振动信号数据的重构损失值，/>为相似性损失值。
可选的，在上述实施例的一些实施方式中，联合损失学习模块还可用于调用交叉熵损失计算关系式计算任务损失值，交叉熵损失计算关系式为：
；
式中，N为训练样本数据集所包含的训练样本总数，为样本/>的故障类型标签，为样本/>的网络推断结果。
可选的，在上述实施例的另一些实施方式中，联合损失学习模块还可用于调用均方差函数计算关系式计算相似性损失值，均方差函数计算关系式为：
；
式中，为h模态振动信号数据的时空注意力特征，/>为h模态振动信号数据的时空注意力特征。
本申请电机轴承故障诊断装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本实施例能够有效提高电机轴承的诊断精准度。
上文中提到的电机轴承故障诊断装置是从功能模块的角度描述，进一步的，本申请还提供一种电子设备，是从硬件角度描述。图10为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图10所示，该电子设备包括存储器100，用于存储计算机程序；处理器101，用于执行计算机程序时实现如上述任一实施例提到的电机轴承故障诊断方法的步骤。
其中，处理器101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器101还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器101可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器101可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器101还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器100可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器100还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器100在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器100在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器100还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器100不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行电机轴承故障诊断方法过程中的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器100至少用于存储以下计算机程序1001，其中，该计算机程序被处理器101加载并执行之后，能够实现前述任一实施例公开的电机轴承故障诊断方法的相关步骤。另外，存储器100所存储的资源还可以包括操作系统1002和数据1003等，存储方式可以是短暂存储或者永久存储。其中，操作系统1002可以包括Windows、Unix、Linux等。数据1003可以包括但不限于电机轴承故障诊断结果对应的数据等。
在一些实施例中，上述电子设备还可包括有显示屏102、输入输出接口103、通信接口104或者称为网络接口、电源105以及通信总线106。其中，显示屏102、输入输出接口103比如键盘（Keyboard）属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口104可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线106可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解，图10中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器107。
本申请所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本申请能够有效提高电机轴承的诊断精准度。
可以理解的是，如果上述实施例中的电机轴承故障诊断方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器（例如SD或DX存储器等）、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本申请还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述电机轴承故障诊断方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上对本申请所提供的一种电机轴承故障诊断方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (9)

1.一种电机轴承故障诊断方法，其特征在于，包括：
获取待检测电机轴承的多个传感器所采集的振动信号数据；各传感器安装于所述待检测电机轴承所在平面的多个方向上；
预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架；利用训练样本数据集，以最小化损失值为目标训练所述电机轴承故障诊断模型框架，得到电机轴承故障诊断模型；
将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，所述电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接、融合特征进行推断，得到电机轴承故障诊断结果；
其中，所述特征提取层包括多个特征提取子层，每个特征提取子层均包括卷积自编码器的卷积编码器、高效注意力模块和长短期记忆网络；所述融合推断层包括多层感知机、联合损失学习模块和每个特征提取子层的卷积自编码器的卷积解码器；所述特征提取子层的数量与振动信号数据的模态数相同。
2.根据权利要求1所述的电机轴承故障诊断方法，其特征在于，所述提取每一模态振动信号数据的时空注意力特征，包括：
分别将每个模态振动信号数据输入至相对应的特征提取子层；
对每个模态振动信号数据，利用所述卷积自编码器提取输入的当前模态振动信号数据间交互信息的编码-解码底层特征，将各编码-解码底层特征输入至所述高效注意力模块；所述高效注意力模块通过处理所述编码-解码底层特征以捕获所述当前模态振动信号数据的空间特征信息，并将所述空间特征信息输入至所述长短期记忆网络；所述长短期记忆网络通过处理所述空间特征信息以提取具有交互信息的时空注意力特征。
3.根据权利要求1所述的电机轴承故障诊断方法，其特征在于，所述将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，包括：
对各模态振动信号数据进行归一化处理，并将归一化处理后的各模态振动信号数据重组为二维网格矩阵形式，以得到多模态振动数据。
4.根据权利要求1所述的电机轴承故障诊断方法，其特征在于，预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架，包括：
基于联合损失函数构建联合损失学习模块；所述联合损失函数为：
;
式中，L total 为损失值，α为损失函数调控因子，L task 为任务损失值，为h模态振动信号数据的重构损失值，/>为v模态振动信号数据的重构损失值，L sim 为相似性损失值。
5.根据权利要求4所述的电机轴承故障诊断方法，其特征在于，所述基于联合损失函数构建联合损失学习模块，包括：
调用交叉熵损失计算关系式计算任务损失值，所述交叉熵损失计算关系式为：
;
式中，N为所述训练样本数据集所包含的训练样本总数，y i 为样本i的故障类型标签，P i 为样本i的网络推断结果。
6.根据权利要求4所述的电机轴承故障诊断方法，其特征在于，所述基于联合损失函数构建联合损失学习模块，包括：
调用均方差函数计算关系式计算相似性损失值，所述均方差函数计算关系式为：
;
式中，S h 为h模态振动信号数据的时空注意力特征，S v 为v模态振动信号数据的时空注意力特征。
7.一种电机轴承故障诊断装置，其特征在于，包括：
多模态数据获取模块，用于获取待检测电机轴承的多个传感器所采集的振动信号数据；各传感器安装于所述待检测电机轴承所在平面的多个方向上；
模型训练模块，用于预先搭建包括数据处理层、特征提取层、融合推断层的电机轴承故障诊断模型框架；利用训练样本数据集，以最小化损失值为目标训练所述电机轴承故障诊断模型框架，得到电机轴承故障诊断模型；其中，所述特征提取层包括多个特征提取子层，每个特征提取子层均包括卷积自编码器的卷积编码器、高效注意力模块和长短期记忆网络；所述融合推断层包括多层感知机、联合损失学习模块和每个特征提取子层的卷积自编码器的卷积解码器；所述特征提取子层的数量与振动信号数据的模态数相同；
故障诊断模块，用于将各模态振动信号数据输入至预先训练好的电机轴承故障诊断模型，所述电机轴承故障诊断模型将各模态振动信号数据转换为符合特征提取层输入要求的多模态振动数据，提取每一模态振动信号数据的时空注意力特征，通过对各时空注意力特征的拼接、融合特征进行推断，得到电机轴承故障诊断结果。
8.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至6任一项所述电机轴承故障诊断方法的步骤。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电机轴承故障诊断方法的步骤。
CN202310713309.4A 2023-06-16 2023-06-16 电机轴承故障诊断方法、装置、电子设备及可读存储介质 Active CN116448428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310713309.4A CN116448428B (zh) 2023-06-16 2023-06-16 电机轴承故障诊断方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310713309.4A CN116448428B (zh) 2023-06-16 2023-06-16 电机轴承故障诊断方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN116448428A CN116448428A (zh) 2023-07-18
CN116448428B true CN116448428B (zh) 2023-09-08

Family

ID=87130578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310713309.4A Active CN116448428B (zh) 2023-06-16 2023-06-16 电机轴承故障诊断方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116448428B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116643170B (zh) * 2023-07-21 2023-10-31 湖南璟德科技有限公司 电机轴系振动测试方法、装置和计算机设备
CN117150408A (zh) * 2023-09-11 2023-12-01 元始智能科技(南通)有限公司 一种基于多模态对比学习的电机故障诊断方法
CN117571321B (zh) * 2023-11-24 2024-04-30 浙江大学 轴承故障检测方法、装置、设备及存储介质
CN117725403B (zh) * 2024-02-08 2024-04-12 天津大学 一种面向智能制造的互信息特征提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995910A (en) * 1997-08-29 1999-11-30 Reliance Electric Industrial Company Method and system for synthesizing vibration data
CN112857804A (zh) * 2021-02-09 2021-05-28 广东海洋大学 一种滚动轴承故障诊断的方法、装置、介质及计算机设备
CN113191215A (zh) * 2021-04-12 2021-07-30 西安理工大学 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN114781448A (zh) * 2022-04-19 2022-07-22 齐鲁工业大学 一种轴承故障特征提取方法、系统、介质以及设备
CN115034267A (zh) * 2022-06-14 2022-09-09 黄河交通学院 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法
CN115839847A (zh) * 2022-09-07 2023-03-24 齐鲁工业大学 基于wdcnn-lstm的轴承故障诊断方法及系统
CN116257037A (zh) * 2023-05-15 2023-06-13 通达电磁能股份有限公司 控制器测试程序的生成方法、系统、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995910A (en) * 1997-08-29 1999-11-30 Reliance Electric Industrial Company Method and system for synthesizing vibration data
CN112857804A (zh) * 2021-02-09 2021-05-28 广东海洋大学 一种滚动轴承故障诊断的方法、装置、介质及计算机设备
CN113191215A (zh) * 2021-04-12 2021-07-30 西安理工大学 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN114781448A (zh) * 2022-04-19 2022-07-22 齐鲁工业大学 一种轴承故障特征提取方法、系统、介质以及设备
CN115034267A (zh) * 2022-06-14 2022-09-09 黄河交通学院 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法
CN115839847A (zh) * 2022-09-07 2023-03-24 齐鲁工业大学 基于wdcnn-lstm的轴承故障诊断方法及系统
CN116257037A (zh) * 2023-05-15 2023-06-13 通达电磁能股份有限公司 控制器测试程序的生成方法、系统、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Multi-sensor vibration signal based three-stage fault prediction for rotating mechanical equipment;PENG H;Entropy;全文 *

Also Published As

Publication number Publication date
CN116448428A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116448428B (zh) 电机轴承故障诊断方法、装置、电子设备及可读存储介质
WO2023015941A1 (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
WO2021164326A1 (zh) 一种视频处理方法、装置、设备及计算机可读存储介质
CN113033622A (zh) 跨模态检索模型的训练方法、装置、设备和存储介质
CN110599200B (zh) Ota酒店的虚假地址的检测方法、系统、介质及设备
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及系统
CN116502175A (zh) 一种图神经网络故障诊断方法、装置和存储介质
US20230252295A1 (en) Method of generating multimodal set of samples for intelligent inspection, and training method
CN114429566A (zh) 一种图像语义理解方法、装置、设备及存储介质
CN113313215A (zh) 图像数据处理方法、装置、计算机设备和存储介质
CN113781462A (zh) 一种人体伤残检测方法、装置、设备及存储介质
CN110909578A (zh) 一种低分辨率图像识别方法、装置和存储介质
CN115374927A (zh) 一种神经网络模型训练的方法、异常检测的方法及设备
CN114783597B (zh) 多类疾病诊断的诊断方法及装置、电子设备和存储介质
CN116164822A (zh) 基于知识图谱的流量计故障诊断方法、装置、介质
CN115482353A (zh) 重建网络的训练方法、重建方法、装置、设备和介质
CN115130232A (zh) 零件的寿命预测方法、装置、设备、存储介质及程序产品
CN113486853A (zh) 视频检测方法及装置、电子设备和介质
CN112560848A (zh) 兴趣点poi预训练模型的训练方法、装置及电子设备
Hoffmann et al. Embedding anomaly detection autoencoders for wind turbines
CN113997989B (zh) 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质
CN118133992A (zh) 模型训练方法、对象识别方法、电子设备及可读存储介质
CN118135395A (zh) 建筑施工现场安全风险监测方法及其系统
Wang et al. Defect Detection of Steel Wire Rope in Coal Mine Based on Improved YOLOv5 Deep Learning.
CN117423154A (zh) 微表情识别方法、识别模型训练方法、装置、设备及介质

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