CN116610927A - 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 - Google Patents
基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 Download PDFInfo
- Publication number
- CN116610927A CN116610927A CN202310897627.0A CN202310897627A CN116610927A CN 116610927 A CN116610927 A CN 116610927A CN 202310897627 A CN202310897627 A CN 202310897627A CN 116610927 A CN116610927 A CN 116610927A
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- point
- sample
- points
- calculating
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及风机齿轮箱故障诊断技术领域,尤其涉及一种基于FPGA的风机齿轮箱轴承故障诊断方法及诊断模块,通过将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域,确定每个样本点的k个最优局部邻域点,根据局部邻域内的距离特征和结构特征对局部邻域的权重进行重构,并计算低维映射矩阵,从而将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果,能有效保证同类高维数据的聚集,而重构权重方法能有效挖掘高维数据的本质结构,有效提高风机齿轮箱的故障诊断精度,解决了目前轴承故障诊断缺乏实时性和不精确的问题。
Description
技术领域
本发明涉及风机齿轮箱故障诊断技术领域,尤其涉及一种基于FPGA的风机齿轮箱轴承故障诊断方法及诊断模块。
背景技术
物理模型方法和机器学习方法是判断风机齿轮箱运行状态的主要方法,也是风机齿轮箱发生故障时主要的诊断依据,对风机运行状态的调整及风机齿轮箱的维护维修有着至关重要的作用。
物理模型方法通常作为理论研究,并不适用于实际工程应用。而机器学习方法对信号处理提出很高的要求,当传统局部线性嵌入算法LLE在处理风机在线监测所产生的大量高维数据时,容易导致信号处理的滞后,不能及时发现风机齿轮箱运行的故障,故障风机所作的无用功导致极大的能源浪费。同时,机器学习的诊断精度依赖于对故障数据的特征选择和提取,错误的诊断会导致风机运行的停滞,影响实际生产。
发明内容
有鉴于此,本发明的目的在于提出一种基于FPGA的风机齿轮箱轴承故障诊断方法及诊断模块,以解决现有方法高维数据容易导致信号处理滞后的问题。
基于上述目的,本发明提供了一种基于FPGA的风机齿轮箱轴承故障诊断方法,包括以下步骤:
S1、采集风机运行状态下的信号数据;
S2、对信号数据进行预处理,将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域;
S3、计算样本点到局部邻域中心点的最短距离,自适应确定每个样本点的k个最优局部邻域点;
S4、挖掘局部邻域内的距离特征和结构特征,对局部邻域的权重进行重构;
S5、根据重构后的权重,构建最小误差函数,计算低维映射矩阵;
S6、将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果。
优选地,步骤S2进一步包括:
S21、将高维信号数据向量化,得到原始数据空间,其中,N为样本点数,D为高维数据维数,x为样本点;
S22、计算原始数据空间中每个样本点的局部相似邻域,计算公式为:
;
其中,为样本点/>的第j个邻域点,/>,该值越接近1,说明第i个样本点/>与邻域点/>相似度越高,/>表示样本点/>的第t个维度,/>表示邻域点/>的第t个维度。
优选地,步骤S3进一步包括:
S31、设定邻域点k的取值范围,;
S32、计算k个邻域点的中心点;
S33、计算样本点到各中心点的距离/>,根据下式找到最小值,确定样本点的k个最优邻域点:
;
S34、对每个样本点重复步骤S33,自适应确定每个样本点的最优邻域点。
优选地,步骤S4进一步包括:
S41、在最优邻域的基础上,计算权重矩阵,各样本点/>由局部邻域点进行线性重构,通过最小化重构误差得权重矩阵/>:
;
式中,为样本点/>的第j个邻域点,/>为样本点/>与邻域点/>之间的权重,若样本点不是/>的近邻域点,则/>,权重矩阵/>,其中,k为样本点/>的近邻域点个数;
S42、进一步挖掘邻域内的距离特征和结构特征,表征高维数据的流形结构:
;
式中,表示距离权重/>和结构权重/>的乘积,/>分别表示样本点/>和所属邻近点/>的欧氏距离和测地线距离,表示样本点和所属邻域点欧式距离之和的平均值;
S43、重构权重模型定义为:
;
其中,为重构权重,/>为原始权重,/>为包含邻域距离特征和结构特征的权重。
优选地,步骤S5的具体过程包括:
计算低维映射矩阵Y,保持重构权重矩阵不变,最小化低维重构误差/>:
;
将该式进一步写成:
;
式中,且约束函数矩阵化为:/>,构建Lagrange函数:
;
对上式求导并令该式为0,计算得到低维映射矩阵Y。
优选地,步骤S6进一步包括:
将得到的低维映射集合选择50%样本作为训练集,50%样本作为测试集,通过支持向量机进行故障识别。
本发明还提供一种基于FPGA的风机齿轮箱轴承故障诊断模块,包括FPGA板及配置于FPGA板上的:
数据采集模块,用于采集风机运行状态下的信号数据;
预处理模块,用于对信号数据进行预处理,将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域;
邻域点计算模块,用于计算样本点到局部邻域中心点的最短距离,自适应确定每个样本点的k个最优局部邻域点;
权重重构模块,用于挖掘局部邻域内的距离特征和结构特征,对局部邻域的权重进行重构;
低维映射计算模块,用于根据重构后的权重,构建最小误差函数,计算低维映射矩阵;
故障诊断模块,用于将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果。
本发明的有益效果:
本发明提出的自适应邻域方法能有效保证同类高维数据的聚集,而重构权重方法能有效挖掘高维数据的本质结构,有效提高风机齿轮箱的故障诊断精度,解决了目前轴承故障诊断缺乏实时性和不精确的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,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为本发明实施例的风机齿轮箱轴承故障诊断方法流程示意图;
图2为本发明实施例的不同种类风机齿轮箱状态的分类结果示意图;
图3为本发明实施例的改进算法与其他算法的对比结果。
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明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,本说明书实施例提供一种基于FPGA的风机齿轮箱轴承故障诊断方法,包括以下步骤:
S1、采集风机运行状态下的信号数据;
S2、对信号数据进行预处理,将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域;
进一步包括以下子步骤:
S21、将高维信号数据向量化,得到原始数据空间,其中,N为样本点数,D为高维数据维数,x为样本点;
S22、计算原始数据空间中每个样本点的局部相似邻域,计算公式为:
;
其中,为样本点/>的第j个邻域点,/>,该值越接近1,说明第i个样本点/>与邻域点/>相似度越高,/>表示样本点/>的第t个维度,/>表示邻域点/>的第t个维度。
通过寻找每个样本点的局部相似邻域对故障特征的初筛选,提升后续算法的处理速度。
S3、计算样本点到局部邻域中心点的最短距离,自适应确定每个样本点的k个最优局部邻域点;
步骤S3进一步包括:
S31、设定邻域点k的取值范围,;
S32、计算k个邻域点的中心点;
S33、计算样本点到各中心点的距离/>,根据下式找到最小值,确定样本点的k个最优邻域点:
;
S34、对每个样本点重复步骤S33,自适应确定每个样本点的最优邻域点。
通过欧式距离确定每个样本点的k个最优局部邻域点,挖掘高维数据的距离特征,提升故障分类的准确性,提升算法精度。
S4、挖掘局部邻域内的距离特征和结构特征,对局部邻域的权重进行重构;
步骤S4进一步包括:
S41、在最优邻域的基础上,计算权重矩阵,各样本点/>由局部邻域点进行线性重构,通过最小化重构误差得权重矩阵/>:
;
式中,为样本点/>的第j个邻域点,/>为样本点/>与邻域点/>之间的权重,若样本点不是/>的近邻域点,则/>,权重矩阵/>,其中,k为样本点/>的近邻域点个数;
S42、进一步挖掘邻域内的距离特征和结构特征,表征高维数据的流形结构:
;
式中,表示距离权重/>和结构权重/>的乘积,/>分别表示样本点/>和所属邻近点/>的欧氏距离和测地线距离,表示样本点和所属邻域点欧式距离之和的平均值;
S43、重构权重模型定义为:
;
其中,为重构权重,/>为原始权重,/>为包含邻域距离特征和结构特征的权重。
融合最优邻域内样本点的距离特征和结构特征,挖掘高维数据的流形结构,提取数据的本质特征,减少数据失真,提高权重重构的可靠性。
S5、根据重构后的权重,构建最小误差函数,计算低维映射矩阵;
步骤S5的具体过程包括:
计算低维映射矩阵Y,保持重构权重矩阵不变,最小化低维重构误差/>:
;
将该式进一步写成:
;
式中,且约束函数矩阵化为:/>,构建Lagrange函数:
;
对上式求导并令该式为0,计算得到低维映射矩阵Y。
通过构建最小误差函数,计算低维映射矩阵,有益于通过支持向量机进行故障诊断。
S6、将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果。
具体来说,是将得到的低维映射集合选择50%样本作为训练集,50%样本作为测试集,通过支持向量机进行故障识别。通过与其他算法进行实验对比,验证本算法性能,突出本改进算法的优越性。
本发明实施例中,支持向量机得到的不同种类风机齿轮箱状态的分类结果如图2所示,根据分类结果可以得出风机齿轮箱轴承发生的故障类别。
为验证方法的精确性,在风机高维数据集上进行了4种算法的可视化评估实验,包括局部线性嵌入算法LLE,局部保持投影LPP,拉普拉斯特征映射LE和本发明所提出的改进算法。从图3可以看出,LLE、LE算法区分故障特征的效果不佳,故障特征之间存在相互重叠,类类之间的区分性及同类之间的聚合性均较差。LPP算法的类类之间区分性有明显改善,但仍有部分故障特征存在重叠。而本发明所提出的改进算法可以完全区分四类故障特征,表现出优于其他算法的特征提取效果。
本说明书实施例还提供一种基于FPGA的风机齿轮箱轴承故障诊断模块,包括FPGA板及配置于FPGA板上的:
数据采集模块,用于采集风机运行状态下的信号数据;
预处理模块,用于对信号数据进行预处理,将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域;
邻域点计算模块,用于计算样本点到局部邻域中心点的最短距离,自适应确定每个样本点的k个最优局部邻域点;
权重重构模块,用于挖掘局部邻域内的距离特征和结构特征,对局部邻域的权重进行重构;
低维映射计算模块,用于根据重构后的权重,构建最小误差函数,计算低维映射矩阵;
故障诊断模块,用于将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果。
所属邻域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、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 (6)
1.一种基于FPGA的风机齿轮箱轴承故障诊断方法,其特征在于,包括以下步骤:
S1、采集风机运行状态下的信号数据;
S2、对信号数据进行预处理,将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域;
S3、计算样本点到局部邻域中心点的最短距离,自适应确定每个样本点的k个最优局部邻域点;
S4、挖掘局部邻域内的距离特征和结构特征,对局部邻域的权重进行重构;
S5、根据重构后的权重,构建最小误差函数,计算低维映射矩阵;
S6、将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果;
步骤S2进一步包括:
S21、将高维信号数据向量化,得到原始数据空间,其中,N为样本点数,D为高维数据维数,x为样本点;
S22、计算原始数据空间中每个样本点的局部相似邻域,计算公式为:
;
其中,为样本点/>的第j个邻域点,/>,该值越接近1,说明第i个样本点/>与邻域点/>相似度越高,/>表示样本点/>的第t个维度,/>表示邻域点/>的第t个维度。
2.根据权利要求1所述的基于FPGA的风机齿轮箱轴承故障诊断方法,其特征在于,步骤S3进一步包括:
S31、设定邻域点k的取值范围,;
S32、计算k个邻域点的中心点;
S33、计算样本点到各中心点的距离/>,根据下式找到最小值,确定样本点的k个最优邻域点:
;
S34、对每个样本点重复步骤S33,自适应确定每个样本点的最优邻域点。
3.根据权利要求2所述的基于FPGA的风机齿轮箱轴承故障诊断方法,其特征在于,步骤S4进一步包括:
S41、在最优邻域的基础上,计算权重矩阵,各样本点/>由局部邻域点进行线性重构,通过最小化重构误差得权重矩阵/>:
;
式中,为样本点/>的第j个邻域点,/>为样本点/>与邻域点/>之间的权重,若样本点不是/>的近邻域点,则/>,权重矩阵/>,其中,k为样本点/>的近邻域点个数;
S42、进一步挖掘邻域内的距离特征和结构特征,表征高维数据的流形结构:
;
式中,表示距离权重/>和结构权重/>的乘积,/>分别表示样本点/>和所属邻近点/>的欧氏距离和测地线距离,/>表示样本点和所属邻域点欧式距离之和的平均值;
S43、重构权重模型定义为:
;
其中,为重构权重,/>为原始权重,/>为包含邻域距离特征和结构特征的权重。
4.根据权利要求3所述的基于FPGA的风机齿轮箱轴承故障诊断方法,其特征在于,步骤S5的具体过程包括:
计算低维映射矩阵Y,保持重构权重矩阵不变,最小化低维重构误差/>:
;
将该式进一步写成:
;
式中,且约束函数矩阵化为:/>,构建Lagrange函数:
;
对上式求导并令该式为0,计算得到低维映射矩阵Y。
5.根据权利要求4所述的基于FPGA的风机齿轮箱轴承故障诊断方法,其特征在于,步骤S6进一步包括:
将得到的低维映射集合选择50%样本作为训练集,50%样本作为测试集,通过支持向量机进行故障识别。
6.一种基于FPGA的风机齿轮箱轴承故障诊断模块,其特征在于,包括FPGA板及配置于FPGA板上的:
数据采集模块,用于采集风机运行状态下的信号数据;
预处理模块,用于对信号数据进行预处理,将高维信号数据向量化,构建运行状态风机齿轮箱的原始数据空间,并计算原始数据空间中每个样本点的局部相似邻域;
邻域点计算模块,用于计算样本点到局部邻域中心点的最短距离,自适应确定每个样本点的k个最优局部邻域点;
权重重构模块,用于挖掘局部邻域内的距离特征和结构特征,对局部邻域的权重进行重构;
低维映射计算模块,用于根据重构后的权重,构建最小误差函数,计算低维映射矩阵;
故障诊断模块,用于将得到的低维映射集合输入至支持向量机中,根据支持向量机的分类结果对风机齿轮箱进行故障诊断,得到故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897627.0A CN116610927B (zh) | 2023-07-21 | 2023-07-21 | 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897627.0A CN116610927B (zh) | 2023-07-21 | 2023-07-21 | 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610927A true CN116610927A (zh) | 2023-08-18 |
CN116610927B CN116610927B (zh) | 2023-10-13 |
Family
ID=87682290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310897627.0A Active CN116610927B (zh) | 2023-07-21 | 2023-07-21 | 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610927B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035057A (en) * | 1997-03-10 | 2000-03-07 | Hoffman; Efrem H. | Hierarchical data matrix pattern recognition and identification system |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN107944482A (zh) * | 2017-11-17 | 2018-04-20 | 上海海洋大学 | 一种基于半监督学习的高光谱图像的降维方法 |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
CN109885032A (zh) * | 2019-03-13 | 2019-06-14 | 东北大学 | 基于邻域投影保持的异构数据协同建模工业故障检测方法 |
CN112528065A (zh) * | 2020-12-17 | 2021-03-19 | 重庆邮电大学 | 一种流形相似度保持自编码器的医学超声图像检索方法 |
CN112580693A (zh) * | 2020-11-27 | 2021-03-30 | 北京化工大学 | 基于自助法重采样邻域保持嵌入的石化过程故障诊断方法 |
WO2022041678A1 (zh) * | 2020-08-30 | 2022-03-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 张量协作图判别分析遥感图像特征提取方法 |
CN114139639A (zh) * | 2021-12-06 | 2022-03-04 | 东北大学 | 一种基于自步邻域保持嵌入的故障分类方法 |
CN114969648A (zh) * | 2022-06-15 | 2022-08-30 | 齐鲁工业大学 | 基于模态自适应调整降维的故障检测方法及系统 |
CN116361722A (zh) * | 2023-03-28 | 2023-06-30 | 南通大学 | 一种改进线性局部切空间排列模型的多故障分类方法 |
-
2023
- 2023-07-21 CN CN202310897627.0A patent/CN116610927B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6035057A (en) * | 1997-03-10 | 2000-03-07 | Hoffman; Efrem H. | Hierarchical data matrix pattern recognition and identification system |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN107944482A (zh) * | 2017-11-17 | 2018-04-20 | 上海海洋大学 | 一种基于半监督学习的高光谱图像的降维方法 |
CN108122006A (zh) * | 2017-12-20 | 2018-06-05 | 南通大学 | 基于不等权局部保持嵌入的故障诊断方法 |
CN109885032A (zh) * | 2019-03-13 | 2019-06-14 | 东北大学 | 基于邻域投影保持的异构数据协同建模工业故障检测方法 |
WO2022041678A1 (zh) * | 2020-08-30 | 2022-03-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 张量协作图判别分析遥感图像特征提取方法 |
CN112580693A (zh) * | 2020-11-27 | 2021-03-30 | 北京化工大学 | 基于自助法重采样邻域保持嵌入的石化过程故障诊断方法 |
CN112528065A (zh) * | 2020-12-17 | 2021-03-19 | 重庆邮电大学 | 一种流形相似度保持自编码器的医学超声图像检索方法 |
CN114139639A (zh) * | 2021-12-06 | 2022-03-04 | 东北大学 | 一种基于自步邻域保持嵌入的故障分类方法 |
CN114969648A (zh) * | 2022-06-15 | 2022-08-30 | 齐鲁工业大学 | 基于模态自适应调整降维的故障检测方法及系统 |
CN116361722A (zh) * | 2023-03-28 | 2023-06-30 | 南通大学 | 一种改进线性局部切空间排列模型的多故障分类方法 |
Non-Patent Citations (3)
Title |
---|
BENYAMIN GHOJOGH 等: "Theoretical Connection between Locally Linear Embedding, Factor Analysis, and Probabilistic PCA", 《THE 35TH CANADIAN CONFERENCE ON ARTIFICIAL INTELLIGENCE》, pages 1 - 6 * |
殷海双 等: "基于局部线性增强嵌入的轴承故障诊断", 《组合机床与自动化加工技术》, pages 68 - 73 * |
鞠玲 等: "基于Kernel Rank-order距离的重构权重局部线性嵌入算法", 《计算机应用与软件》, vol. 37, no. 8, pages 149 - 156 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
CN116720109B (zh) * | 2023-08-09 | 2023-10-20 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116610927B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
CN116610927B (zh) | 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN103914064A (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN108875281A (zh) | 一种基于深度学习的混合智能健康状态诊断方法及装置 | |
CN102930285A (zh) | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN110751076B (zh) | 车辆检测方法 | |
Zhou et al. | Exploring faster RCNN for fabric defect detection | |
Liu et al. | Unsupervised segmentation and elm for fabric defect image classification | |
CN106709816A (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN108549741B (zh) | 盾构机主轴承密封性能健康评估方法与系统 | |
CN105787488A (zh) | 由全局向局部传递的图像特征提取方法及装置 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN112464439A (zh) | 基于三层数据挖掘的电力系统故障类型分析方法及装置 | |
Dong et al. | New quantitative approach for the morphological similarity analysis of urban fabrics based on a convolutional autoencoder | |
CN116720109B (zh) | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 | |
CN108760268B (zh) | 一种基于信息熵的立磨运行数据阶跃故障诊断方法 | |
Xie et al. | Abnormal data detection based on adaptive sliding window and weighted multiscale local outlier factor for machinery health monitoring | |
CN111144433A (zh) | 基于svm模型油井工况智能诊断分析方法及装置 | |
CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
CN110427019A (zh) | 一种基于多变量判别分析的npda故障分类方法及控制装置 | |
Hamza et al. | An end-to-end administrative document analysis system | |
Xia et al. | A study on the significance of software metrics in defect prediction | |
CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 |
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 |