CN116499748A - 基于改进smote和分类器的轴承故障诊断方法、系统 - Google Patents

基于改进smote和分类器的轴承故障诊断方法、系统 Download PDF

Info

Publication number
CN116499748A
CN116499748A CN202310761115.1A CN202310761115A CN116499748A CN 116499748 A CN116499748 A CN 116499748A CN 202310761115 A CN202310761115 A CN 202310761115A CN 116499748 A CN116499748 A CN 116499748A
Authority
CN
China
Prior art keywords
sample
smote
classifier
training set
improved
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.)
Granted
Application number
CN202310761115.1A
Other languages
English (en)
Other versions
CN116499748B (zh
Inventor
王振亚
伍星
刘韬
刘畅
柳小勤
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202310761115.1A priority Critical patent/CN116499748B/zh
Publication of CN116499748A publication Critical patent/CN116499748A/zh
Application granted granted Critical
Publication of CN116499748B publication Critical patent/CN116499748B/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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于改进SMOTE和分类器的轴承故障诊断方法、系统。方法包括：依据采集的轴承原始振动信号构建样本，获得样本集；对样本集进行数据预处理，划分不均衡训练集、测试集；将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合；依据改进SMOTE的合成公式，生成虚拟样本；将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。本发明能避免传统SMOTE直接插值导致的类内分布不平衡问题；提高了诊断准确率。

Description

基于改进SMOTE和分类器的轴承故障诊断方法、系统
技术领域
本发明涉及一种基于改进SMOTE和分类器的轴承故障诊断方法、系统，属于机械装备故障诊断与状态监测技术领域。
背景技术
滚动轴承作为智能装备的基础零部件被广泛应用于国防工业、航空航天、铁路交通、电力工业等领域，对国民经济有着重要的影响。由于高速、重载等众多工程现场因素的影响，滚动轴承在服役期间经常会出现各种故障导致设备的停机，进而导致企业效益受损，甚至威胁到操作人员的生命。因此，如何有效的对轴承的健康状况进行监测有着重要的意义。
当前，流行的智能诊断模型多依赖于完整的设备状态数据和状态标记，但工程实际中存在故障类型数据获取困难、成本高、正常状态监测数据量充足而故障失效数据少且价值密度较低等问题，导致智能诊断建模有效监测数据的不平衡。数据不平衡问题会导致诊断的效率和准确率不理想，严重制约了智能诊断理论在工程中的应用与推广。
以人工智能为代表的数据生成模型，如生成对抗式网络GANs、迁移学习（TL,Transfer Learning）、生成查询网络(GQN, Generative Query Network)等都被引入数据不平衡问题分析。但是该类方法存在模型训练稳定性差、耗时长、参数冗余等问题，当数据量处于极度不平衡时，深度学习模型难以在小规模数据中学习到深度信息。为了避免上述问题，过采样算法成为一种有效手段，但是传统统合成过采样算法（Synthetic MinorityOversampling Technique, SMOTE）生成故障数据信息量有限，具有一定的盲目性，导致准确率低。因此，如何利用有限的故障样本进行高精度的故障诊断，解决数据不均衡问题一直是该领域的难点。
发明内容
本发明提供了一种基于改进SMOTE和分类器的轴承故障诊断方法、系统，将原始SMOTE算法的合成公式进行了改造，打破了原始算法在样本-样本内差值的局限性，引入了偏移因子与缩放因子，少数类样本进行类内训练集与测试集划分，增加样本利用率；进一步地建立了偏移因子、缩放因子与分类器准确率的自适应迭代关系，使用粒子群进行优化，得到最优的参数组合，生成虚拟样本，以使得不均衡数据集达到平衡，用于解决数据不均衡情况下故障诊断精度较低的问题。
本发明的技术方案是：
根据本发明的一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断方法，包括：S1、依据采集的轴承原始振动信号构建样本，获得样本集；S2、对样本集进行数据预处理，划分不均衡训练集、测试集；S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；S4、使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；S5、将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；S6、使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
所述预处理为对样本集中的每一个样本进行特征提取得到特征矩阵，使用PCA降维方法对特征提取后的特征矩阵进行降维，取累积主成分贡献率大于等于95%的主成分进行保留。
所述改进SMOTE的合成公式如下：
；
其中，表示改进SMOTE生成的样本，/>定义为偏移因子，/>定义为缩放因子，/>表示的是/>的第/>个邻近样本，/>为不均衡训练集中的少数类样本。
所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关 系，得到最优参数组合，具体为：建立偏移因子、缩放因子与SVM分类准确率的优化关系，优化 手段为粒子群算法，定义SVM分类准确率为，优化的目标为SVM分类准确率最大，即 最小，得到最优参数组合。
所述S4，使用目标优化算法进行最优参数组合获取时，利用不均衡训练集中的少数类样本划分类内训练集及类内测试集对分类器进行训练和测试。
所述偏移因子、缩放因子取值范围：，。
根据本发明的另一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断系统，包括：第一获得模块，用于依据采集的轴承原始振动信号构建样本，获得样本集；划分模块，用于对样本集进行数据预处理，划分不均衡训练集、测试集；建立模块，用于将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；生成模块，用于使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；获得模块，用于将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；诊断模块，使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
根据本发明的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于改进SMOTE和分类器的轴承故障诊断方法。
本发明的有益效果是：一方面，本发明能避免传统SMOTE直接插值导致的类内分布不平衡问题；另一方面，鉴于SVM在不均衡样本分类领域体现的优异性能，本发明建立了参数生成边界与SVM分类准确率的优化关系，避免少数类有限数据点限制，在保证分类准确率的基础前提下实现生成数据的多样性，提高了诊断准确率。
附图说明
图1是本发明的总体流程图；
图2是本发明实施例主成分贡献率分布图；
图3是不均衡训练集训练SVM模型后，使用测试集得到的混淆矩阵图；
图4是原始少数类样本与使用改进SMOTE扩充后的样本可视化结果图；
图5是本发明中使用测试集验证改进SMOTE生成的数据带入SVM训练模型得到的混淆矩阵图；
图6是本发明所提方法与传统SMOTE算法、KM-SMOTE以及Borderline-SMOTE对比结果图。
具体实施方式
下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-6所示，根据本发明实施例的一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断方法，包括：S1、依据采集的轴承原始振动信号构建样本，获得样本集；S2、对样本集进行数据预处理，划分不均衡训练集、测试集；S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；S4、使用目标优化算法建立了偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；S5、将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；S6、使用均衡训练集训练分类器，测试集进行测试得到诊断结果。
进一步地，所述依据采集的轴承原始振动信号构建样本，具体为：将采集到的原始 振动信号进行分段处理，取大于一个周期内的点数作为一个样本。所述一个周期内的点数 计算公式为；其中，D为周期内的点数，Fs为采样频率，fr为转频。
进一步地，所述预处理为对样本集中的每一个样本进行特征提取得到特征矩阵，使用PCA降维方法对特征提取后的特征矩阵进行降维，取累积主成分贡献率大于等于95%的主成分进行保留。其中，特征提取个数为11个，特征包括：标准差、有效值、偏度系数、峭度、峭度因子、峰值指标、波形因子、脉冲因子、裕度因子、能量、功率谱能量。
进一步地，将原始SMOTE算法的合成公式引入偏移因子与缩放因子，获得改进SMOTE的合成公式；
原始SMOTE公式如下：
，其中，为不均衡训练集中的少数类样本；表示的是的第个邻近样本，；N表示少数类样本个数；表示过采样后的样本； 表示为0到1之间的一个随机数。
进一步地，所述改进SMOTE的合成公式如下：
，其中表示改进SMOTE生成的样本，定义为偏移因子， 定义为缩放因子，表示的是的第个邻近样本，为不均衡训练集中的少数类样本。
进一步地，所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自 适应迭代关系，具体为：建立偏移因子、缩放因子与SVM分类准确率的优化关系，优化手段为 粒子群算法，定义SVM分类准确率为，优化的目标为SVM分类准确率最大，即最 小，得到最优参数组合，生成虚拟样本。
进一步地，所述S4，使用目标优化算法进行最优化参数组合获取时，利用不均衡训练集划分类内训练集及类内测试集对分类器进行训练和测试。
进一步地，所述偏移因子、缩放因子取值范围：，。
根据本发明实施例的另一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断系统，包括：第一获得模块，用于依据采集的轴承原始振动信号构建样本，获得样本集；划分模块，用于对样本集进行数据预处理，划分不均衡训练集、测试集；建立模块，用于将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；生成模块，用于使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；获得模块，用于将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；诊断模块，使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
根据本发明实施例的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于改进SMOTE和分类器的轴承故障诊断方法。
再进一步地，本申请给出如下可选地具体实施过程：
实施的实验数据为某实验室故障模拟试验台的滚动轴承信号，分别采集了滚动轴承在正常内圈故障的振动信号，实验设置负载为20KN，转轴转速3600r/min（转频fr=60Hz），采样频率Fs=25.6KHz，每种工况连续采集10s。
具体如下：
Step1、数据划分；将采集到的模拟试验台滚动轴承振动信号进行分段处理，取1024个点作为一个样本，每种工况各得到250个样本，构建的初始样本集；本实施例中，采集正常状态、内圈故障状态两种工况的样本。
Step2、数据预处理；将Step1中得到的每一个样本进行特征提取，提取特征为：标准差、有效值、偏度系数、峭度、峭度因子、峰值指标、波形因子、脉冲因子、裕度因子、能量、功率谱能量，每种状态得到250×11的特征矩阵，每种状态使用PCA进行特征约减，保留累计主元贡献率大于95%的主成分进行下一步分析，图2为主成分贡献率分布图，分析得到所提特征映射到PCA空间内的前四主成分累计贡献率之和为97.2%的，保留4个主成分。
Step3、划分不均衡训练集训练集与测试集；从正常工况的250个样本中取200个为多数类样本，从内圈故障工况的250个样本取40个作为少数类样本，多数类样本和少数类样本共同组成不均衡训练集；从各工况中余下的样本中各取50个构建测试集进行测试。图3为不均衡训练集训练SVM模型后，使用测试集得到的混淆矩阵，通过图3可知，SVM模型的整体诊断精度较低，因此对上述少数类样本进行扩充是有必要的。
Step4、建立偏移因子、缩放因子与SVM准确率的自适应迭代关系，并使用粒子群算 法优化。取少数类样本40个中的20个进行训练，20个作为测试。定义SVM准确率为，基于 不平衡比例，过采样倍数为10，优化的目标为SVM准确率最大，即最小，使用粒子群进 行优化得到最佳参数组合，其中参数范围：，。最大迭代次数：50，种群大 小为40，最终得到最优参数组合，；依据改进SMOTE的合成公式，生成200个虚 拟样本；
Step5、将本发明方法生成的虚拟样本与不均衡训练集中多数类样本组成均衡训练集来训练SVM模型。利用Step 4将少数类内圈故障样本进行扩充，图4为原始少数类样本与使用改进SMOTE扩充后的样本可视化结果，其中上半部分为原始少数类样本，下半部分为扩充后的结果，即本发明方法生成的虚拟样本。接着，使用测试集进行测试。测试集混淆矩阵如图5所示，对比图3可以看出本发明方法提高了故障诊断率。
此外，将本发明所提方法与传统SMOTE算法、KM-SMOTE以及Borderline-SMOTE进行了对比，对比结果如图6所示，从图6可以看出，本发明较其它方法具有更高的分类准确率。
进一步，对比了传统GAN、WGAN-GP方法的数据生成速度，结果如表1所示，从表1可以看出，本发明具备更快地生成速度，更适用于工程实际。其中，表1中，OFSC-SMOTE表示具有偏移和缩放视角的少数类过采样算法（Synthetic Minority Oversampling Techniquewith offset and scaled views, OFSC-SMOTE），即本发明改进SMOTE）。
表 1
综上所述，将本发明所述方法，成功应用于故障模拟实验台的滚动轴承振动数据，解决了数据不平衡条件下的故障诊断问题，证明了该方法的可行性和有效性。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，包括：
S1、依据采集的轴承原始振动信号构建样本，获得样本集；
S2、对样本集进行数据预处理，划分不均衡训练集、测试集；
S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；
S4、使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；
S5、将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；
S6、使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
2.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述预处理为对样本集中的每一个样本进行特征提取得到特征矩阵，使用PCA降维方法对特征提取后的特征矩阵进行降维，取累积主成分贡献率大于等于95%的主成分进行保留。
3.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述改进SMOTE的合成公式如下：
；
其中，表示改进SMOTE生成的样本，/>定义为偏移因子，/>定义为缩放因子，/>表示的是/>的第/>个邻近样本，/>为不均衡训练集中的少数类样本。
4.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，具体为：建立偏移因子、缩放因子与SVM分类准确率的优化关系，优化手段为粒子群算法，定义SVM分类准确率为，优化的目标为SVM分类准确率最大，即/>最小，得到最优参数组合。
5.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述S4，使用目标优化算法进行最优参数组合获取时，利用不均衡训练集中的少数类样本划分类内训练集及类内测试集对分类器进行训练和测试。
6.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述偏移因子、缩放因子/>取值范围：/>，/>。
7.一种基于改进SMOTE和分类器的轴承故障诊断系统，其特征在于，包括：
第一获得模块，用于依据采集的轴承原始振动信号构建样本，获得样本集；
划分模块，用于对样本集进行数据预处理，划分不均衡训练集、测试集；
建立模块，用于将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；
生成模块，用于使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；
获得模块，用于将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；
诊断模块，使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-6中任意一项所述的基于改进SMOTE和分类器的轴承故障诊断方法。
CN202310761115.1A 2023-06-27 2023-06-27 基于改进smote和分类器的轴承故障诊断方法、系统 Active CN116499748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310761115.1A CN116499748B (zh) 2023-06-27 2023-06-27 基于改进smote和分类器的轴承故障诊断方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310761115.1A CN116499748B (zh) 2023-06-27 2023-06-27 基于改进smote和分类器的轴承故障诊断方法、系统

Publications (2)

Publication Number Publication Date
CN116499748A true CN116499748A (zh) 2023-07-28
CN116499748B CN116499748B (zh) 2023-08-29

Family

ID=87325158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310761115.1A Active CN116499748B (zh) 2023-06-27 2023-06-27 基于改进smote和分类器的轴承故障诊断方法、系统

Country Status (1)

Country Link
CN (1) CN116499748B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517585A (en) * 1993-05-05 1996-05-14 Liberty Technologies, Inc. System and method for stable analysis of sampled transients arbitrarily aligned with their sample points
CN108228716A (zh) * 2017-12-05 2018-06-29 华南理工大学 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法
US10084553B1 (en) * 2016-12-22 2018-09-25 Seagate Technology Llc Iterative recovery from baseline or timing disturbances
CN108696379A (zh) * 2017-04-07 2018-10-23 南京航空航天大学 基于集成学习和smote的蜂窝网络故障诊断系统
CN109540562A (zh) * 2018-12-12 2019-03-29 上海理工大学 一种冷水机组故障诊断方法
CN109558893A (zh) * 2018-10-31 2019-04-02 华南理工大学 基于重采样池的快速集成污水处理故障诊断方法
CN110398650A (zh) * 2019-08-05 2019-11-01 国网河北省电力有限公司电力科学研究院 基于k-邻近SMOTE和深度学习的变压器故障诊断方法
EP3709042A1 (en) * 2019-03-14 2020-09-16 Koninklijke Philips N.V. Mr imaging using a 3d radial or spiral acquisition with soft motion gating
CN112924177A (zh) * 2021-04-02 2021-06-08 哈尔滨理工大学 一种改进深度q网络的滚动轴承故障诊断方法
WO2021128510A1 (zh) * 2019-12-27 2021-07-01 江苏科技大学 基于sdae和改进gwo-svm的轴承缺陷识别方法
WO2021135630A1 (zh) * 2019-12-31 2021-07-08 福州大学 基于grcmse与流形学习的滚动轴承故障诊断方法
CN113139595A (zh) * 2021-04-20 2021-07-20 湖南大学 一种基于角度和方向聚类的过采样方法
CN113378927A (zh) * 2021-06-11 2021-09-10 哈尔滨理工大学 一种基于聚类的自适应加权过采样方法
CN113486931A (zh) * 2021-06-21 2021-10-08 南京航空航天大学 一种基于pda-wgangp的滚动轴承增强诊断方法
CN115221930A (zh) * 2022-09-20 2022-10-21 苏州鸿哲智能科技有限公司 一种滚动轴承的故障诊断方法
CN115545070A (zh) * 2022-09-14 2022-12-30 苏州大学 基于综合平衡网络的类不平衡轴承智能诊断方法
CN115618263A (zh) * 2022-09-29 2023-01-17 哈尔滨工业大学 一种基于Feature-level SMOTE的复杂装备不均衡故障诊断方法
CN115962946A (zh) * 2023-01-18 2023-04-14 三峡大学 基于改进WGAN-GP和Alxnet的轴承故障诊断方法
CN116296338A (zh) * 2023-03-30 2023-06-23 昆明理工大学 一种旋转机械故障诊断方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517585A (en) * 1993-05-05 1996-05-14 Liberty Technologies, Inc. System and method for stable analysis of sampled transients arbitrarily aligned with their sample points
US10084553B1 (en) * 2016-12-22 2018-09-25 Seagate Technology Llc Iterative recovery from baseline or timing disturbances
CN108696379A (zh) * 2017-04-07 2018-10-23 南京航空航天大学 基于集成学习和smote的蜂窝网络故障诊断系统
CN108228716A (zh) * 2017-12-05 2018-06-29 华南理工大学 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法
CN109558893A (zh) * 2018-10-31 2019-04-02 华南理工大学 基于重采样池的快速集成污水处理故障诊断方法
CN109540562A (zh) * 2018-12-12 2019-03-29 上海理工大学 一种冷水机组故障诊断方法
EP3709042A1 (en) * 2019-03-14 2020-09-16 Koninklijke Philips N.V. Mr imaging using a 3d radial or spiral acquisition with soft motion gating
CN110398650A (zh) * 2019-08-05 2019-11-01 国网河北省电力有限公司电力科学研究院 基于k-邻近SMOTE和深度学习的变压器故障诊断方法
WO2021128510A1 (zh) * 2019-12-27 2021-07-01 江苏科技大学 基于sdae和改进gwo-svm的轴承缺陷识别方法
WO2021135630A1 (zh) * 2019-12-31 2021-07-08 福州大学 基于grcmse与流形学习的滚动轴承故障诊断方法
CN112924177A (zh) * 2021-04-02 2021-06-08 哈尔滨理工大学 一种改进深度q网络的滚动轴承故障诊断方法
CN113139595A (zh) * 2021-04-20 2021-07-20 湖南大学 一种基于角度和方向聚类的过采样方法
CN113378927A (zh) * 2021-06-11 2021-09-10 哈尔滨理工大学 一种基于聚类的自适应加权过采样方法
CN113486931A (zh) * 2021-06-21 2021-10-08 南京航空航天大学 一种基于pda-wgangp的滚动轴承增强诊断方法
CN115545070A (zh) * 2022-09-14 2022-12-30 苏州大学 基于综合平衡网络的类不平衡轴承智能诊断方法
CN115221930A (zh) * 2022-09-20 2022-10-21 苏州鸿哲智能科技有限公司 一种滚动轴承的故障诊断方法
CN115618263A (zh) * 2022-09-29 2023-01-17 哈尔滨工业大学 一种基于Feature-level SMOTE的复杂装备不均衡故障诊断方法
CN115962946A (zh) * 2023-01-18 2023-04-14 三峡大学 基于改进WGAN-GP和Alxnet的轴承故障诊断方法
CN116296338A (zh) * 2023-03-30 2023-06-23 昆明理工大学 一种旋转机械故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MOHAMMED TEMRAZ，MARK T. KEANE: "Solving the class imbalance problem using a counterfactual method for data augmentation", 《MACHINE LEARNING WITH APPLICATIONS》, pages 1 - 16 *
刘云鹏;和家慧;许自强;王权;李哲;高树国;: "基于SVM SMOTE的电力变压器故障样本均衡化方法", 高电压技术, no. 07, pages 304 - 311 *
包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03, pages 182 - 189 *
王振亚 等: "不平衡技术在轴承故障诊断中的应用", 《机械与电子》, vol. 39, no. 6, pages 29 - 34 *

Also Published As

Publication number Publication date
CN116499748B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111426950B (zh) 多尺度时空卷积深度信念网络的风力发电机故障诊断方法
CN110994604B (zh) 基于lstm-dnn模型的电力系统暂态稳定评估方法
CN110609477B (zh) 一种基于深度学习的电力系统暂态稳定性判别系统及方法
CN108964046B (zh) 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法
CN109194225B (zh) 一种双馈电机参数在线辨识方法
CN112818491A (zh) 基于主成分分析和聚类算法的风电场聚合等值建模方法
CN109670213A (zh) 一种风电场多机等值建模方法及装置
CN108335010A (zh) 一种风电出力时间序列建模方法及系统
CN106570790A (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN115017787A (zh) 基于智能算法的风电场电压穿越特性等值建模方法及系统
CN115392133A (zh) 采用高斯混合模型的风电场最优聚类等值方法
CN104166777A (zh) 计及多重相关性的风速矢量数据模拟生成方法
CN116499748B (zh) 基于改进smote和分类器的轴承故障诊断方法、系统
CN109802440B (zh) 基于尾流效应因子的海上风电场等值方法、系统和装置
CN110610203A (zh) 基于dwt和极限学习机的电能质量扰动分类方法
CN110635474A (zh) 一种基于长短期记忆网络的电网动态轨迹趋势预测方法
CN116305683A (zh) 基于样本均衡化的电力系统暂态稳定评估方法及系统
CN115377999A (zh) 一种基于宽频测量数据的次同步振荡辨识的方法
CN102043910B (zh) 一种基于Top-n-gram的蛋白质远程同源性检测和折叠识别方法
CN104636630B (zh) 一种基于均值滤波和等梯度的热电厂蒸汽压力滤波方法
CN115618202A (zh) 一种基于流形嵌入和关键特征选取的机械故障诊断方法
CN114221359A (zh) 基于决策树的新能源电力系统调频能力建模与分析方法
CN107392379B (zh) 一种基于Lorenz扰动的时间序列风速预测方法
CN112101393A (zh) 一种风电场风机聚类方法及装置

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