CN116720109B - 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 - Google Patents

基于fpga的改进局部线性嵌入风机轴承故障诊断方法 Download PDF

Info

Publication number
CN116720109B
CN116720109B CN202310996172.8A CN202310996172A CN116720109B CN 116720109 B CN116720109 B CN 116720109B CN 202310996172 A CN202310996172 A CN 202310996172A CN 116720109 B CN116720109 B CN 116720109B
Authority
CN
China
Prior art keywords
calculating
sample point
weight
fault diagnosis
adjacent points
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
CN202310996172.8A
Other languages
English (en)
Other versions
CN116720109A (zh
Inventor
王善永
王佩林
吴俊杰
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.)
Aotuo Technology Co ltd
Original Assignee
Aotuo Technology 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 Aotuo Technology Co ltd filed Critical Aotuo Technology Co ltd
Priority to CN202310996172.8A priority Critical patent/CN116720109B/zh
Publication of CN116720109A publication Critical patent/CN116720109A/zh
Application granted granted Critical
Publication of CN116720109B publication Critical patent/CN116720109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (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的改进局部线性嵌入风机轴承故障诊断方法，本发明通过将高维信号数据向量化，构建风机齿轮箱轴承的原始数据空间，对原始高维数据的实时处理速度有一定地提高，有效地增强了风机齿轮箱轴承故障诊断的实时性，通过对局部线性嵌入算法的改进，能够有效挖掘原始高维数据的局部结构，进一步提取故障数据的本质特征，提高了风机齿轮箱轴承故障诊断的准确度。

Description

基于FPGA的改进局部线性嵌入风机轴承故障诊断方法
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的改进局部线性嵌入风机轴承故障诊断方法。
背景技术
在风力发电的风机主控系统中，风机齿轮箱的运行可靠性至关重要，因此常通过设置FPGA模块和传感器来分析风机齿轮箱运行数据从而得到故障诊断结果，再反馈给CPU，振动分析法和机器学习方法是目前风机轴承故障诊断的主要方法，两种方法都是通过传感器测取风机轴承的振动信号，然后对轴承振动信号分析得出风机轴承的故障类型，而实现风机轴承故障诊断。
振动分析法和机器学习法都对故障特征的选择和提取有着较高的要求。但振动分析法在实际使用的过程中过于依赖人工选取特征，有一定的主观性。机器学习法在处理实时产生的大量高维风机信号时容易造成信号滞后，不能及时发现风机运行的故障，实时性不佳。同时由于风机轴承的实际工况复杂多变，但两种方法在模式识别过程中，通常通过经验确定算法参数，且各个算法的参数固定不变，难以适应实时变换的复杂工作环境，难以保证对轴承故障特征的识别准确可靠。
发明内容
有鉴于此，本发明的目的在于提出一种基于FPGA的改进局部线性嵌入风机轴承故障诊断方法，以解决目前风机齿轮箱轴承故障诊断提取故障特征不准确、实时性不强的问题。
基于上述目的，本发明提供了一种基于FPGA的改进局部线性嵌入风机轴承故障诊断方法，包括以下步骤：
S1、采集风机运行状态下的齿轮箱轴承信号数据；
S2、对信号数据进行预处理，将高维信号数据向量化，构建风机齿轮箱轴承的原始数据空间，利用余弦相似度计算原始空间中每个样本点的前p个近邻点；
S3、计算每个样本点周围的前p个近邻点的距离之和并排序，根据排序结果对每个样本点的邻域分配近邻点；
S4、挖掘局部邻域内的局部线性结构和近邻结构，对局部线性嵌入的权重进行重构；
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，得到并输出故障诊断结果；
其中，步骤S2进一步包括：
S21、将高维数据向量化，得到原始数据空间，其中，N为样本点数，D为高维数据维数；
S22、利用余弦相似度计算每个样本点周围的前p个近邻点，余弦相似度的计算公式为
；
其中，，/>表示的是样本/>的第t维，/>的值越大，/>与/>之间的相似度越高，/>表示样本/>和/>之间的余弦相似度，q表示样本个数。
优选地，步骤S3进一步包括：
S31、计算每个样本点周围的前p个近邻点的距离之和，计算公式为
；
其中表示第i个样本点与其前p个近邻点的距离之和；
S32、对计算的近邻点之和进行排序，给定近邻点k的范围[kmin, kmax]；
S33、通过公式为每个样本点选择邻域内近邻点的个数，/>表示第1个样本点与其前p个近邻点的距离之和，/>表示最后一个样本点与其前p个近邻点的距离之和。
优选地，步骤S4的具体过程包括：
S41、计算样本点邻域内局部线性结构权重，计算公式为
；
其中表示/>和/>之间的重构权值，如果/>是/>的邻居，则/>可由计算，反之/>,/>表示/>的权重系数向量（/>表示/>和/>之间的重构权值）；
S42、计算样本点邻域内的近邻结构权重，计算公式为
；
S43、对局部线性结构权重和近邻结构权重进行融合，公式为
，其中/>表示调节参数，/>；
其中，为重构权重，/>为原始权重，/>为包含近邻结构权重。
优选地，步骤S5的具体过程包括：
S51、计算低维映射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Y求导并令该式为0，计算得到低维映射Y；
其中，L表示构建的拉格朗日函数，为重构权重，/>为原始权重，/>为包含近邻结构权重，WLij表示的是样本xi和xj之间的原始权重，WEij表示的是样本xi和xj之间的重构权重，WNij表示的是样本xi和xj之间的近邻结构权重，I是单位矩阵，M，m是求解拉格朗日函数中的协方差矩阵，tr表示的是矩阵的迹，/>是构建拉格朗日函数必要的系数。
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，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：
1、本发明对原始高维数据的实时处理速度有一定地提高，有效地增强了风机齿轮箱轴承故障诊断的实时性。
2、本发明通过对局部线性嵌入算法的改进，能够有效挖掘原始高维数据的局部结构，进一步提取故障数据的本质特征，提高了风机齿轮箱轴承故障诊断的准确度。
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为本发明实施例的基于FPGA的改进局部线性嵌入风机轴承故障诊断方法流程示意图；
图2为本发明实施例的支持向量机得到的不同种类风机齿轮箱轴承故障的分类结果示意图；
图3为使用现有的LLE算法得到的不同种类风机齿轮箱轴承故障的分类结果示意图。
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的改进局部线性嵌入风机轴承故障诊断方法，包括以下步骤：
S1、采集风机运行状态下的齿轮箱轴承信号数据，如传感器采集齿轮箱轴承信号数据传输给FPGA模块；
S2、对信号数据进行预处理，将高维信号数据向量化，构建风机齿轮箱轴承的原始数据空间，利用余弦相似度计算原始空间中每个样本点的前p个近邻点，具体来说，包括以下子步骤：
S21、将高维数据向量化，得到原始数据空间，其中，N为样本点数，D为高维数据维数。
S22、利用余弦相似度计算每个样本点周围的前p个近邻点，余弦相似度的计算公式为
；
其中，，/>表示的是样本/>的第t维，/>的值越大，/>与/>之间的相似度越高。通过使用余弦相似度来度量每个样本之间的距离，相较于传统欧式距离来说，能够更好地反应样本之间的关系。
S3、计算每个样本点周围的前p个近邻点的距离之和并排序，根据排序结果对每个样本点的邻域分配近邻点，举例来说，进一步包括以下子步骤：
S31、计算每个样本点周围的前p个近邻点的距离之和，计算公式为
;
其中表示第i个样本点与其前p个近邻点的距离之和；
S32、对计算的近邻点之和进行排序，给定近邻点k的范围[kmin, kmax]；
S33、通过公式为每个样本点选择邻域内近邻点的个数。
传统LLE算法人工指定近邻点个数，无法保证算法的特征提取能力，本文采用根据样本分布的稀疏稠密程度自适应地选取样本近邻点，能够让算法更好地自动地选择合适的近邻点。
S4、挖掘局部邻域内的局部线性结构和近邻结构，对局部线性嵌入的权重进行重构，举例来说，步骤S4的具体过程包括：
S41、计算样本点邻域内局部线性结构权重，计算公式为
；
其中表示/>和/>之间的重构权值，如果/>是/>的邻居，则/>可由式（1）计算，反之/>，。/>表示/>的权重系数向量；
S42、计算样本点邻域内的近A邻结构权重，计算公式为
；
S43、对局部线性结构权重和近邻结构权重进行融合，公式为
；
其中，为重构权重，/>为原始权重，/>为包含近邻结构权重。
通过在局部线性结构的基础之上加入邻域内近邻序列结构，能够更好地保持原始流形结构。
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，举例来说，步骤S5的具体过程包括：
S51、计算低维映射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Y求导并令该式为0，计算得到低维映射Y。
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，得到故障诊断结果并进行输出，如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。
本发明提出的基于样本点分布密集程度的自适应邻域方法能有效选取样本点的邻域，融合局部线性结构权重和邻域内近邻结构权重能够有效挖掘高维数据的本质结构，提高风机齿轮箱轴承故障诊断的准确度，提出改进局部线性嵌入的风机齿轮箱轴承故障诊断方法，解决了提取故障特征不准确、实时性不强的问题。
本发明实施例中，通过输入我们从东北石油大学数据库中获取的风机齿轮箱数据集，支持向量机得到的不同种类风机齿轮箱轴承故障的分类结果如图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。
图3是使用同样的数据集，通过现有的LLE算法得到的风机齿轮箱轴承故障的分类结果，从结果可以看出，本发明提供的方法，分类准确度更高。
所属领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 (3)

1.一种基于FPGA的改进局部线性嵌入风机轴承故障诊断方法，其特征在于，所述方法包括以下步骤：
S1、采集风机运行状态下的齿轮箱轴承信号数据；
S2、对信号数据进行预处理，将高维信号数据向量化，构建风机齿轮箱轴承的原始数据空间，利用余弦距离计算原始空间中每个样本点的前p个近邻点；
S3、计算每个样本点周围的前p个近邻点的距离之和并排序，根据排序结果对每个样本点的邻域分配近邻点；
S4、挖掘局部邻域内的局部线性结构和近邻结构，对局部线性嵌入的权重进行重构；
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，得到并输出故障诊断结果；
其中，步骤S2进一步包括：
S21、将高维数据向量化，得到原始数据空间，其中，N为样本点数，D为高维数据维数；
S22、利用余弦距离计算每个样本点周围的前p个近邻点，余弦距离的计算公式为
；
其中，，/>表示的是样本/>的第t维，/>的值越大，/>与/>之间的相似度越高，表示样本/>和/>之间的余弦距离，q表示样本个数；
步骤S3进一步包括：
S31、计算每个样本点周围的前p个近邻点的距离之和，计算公式为
；
其中表示第i个样本点与其前p个近邻点的距离之和；
S32、对计算的近邻点之和进行排序，给定近邻点k的范围[kmin, kmax]；
S33、通过公式为每个样本点选择邻域内近邻点的个数，/>表示第1个样本点与其前p个近邻点的距离之和， />表示最后一个样本点与其前p个近邻点的距离之和；
步骤S4的具体过程包括：
S41、计算样本点邻域内局部线性结构权重，计算公式为
；
其中表示/>和/>之间的重构权值，如果/>是/>的邻居，则/>可由/>计算，反之/>，/>表示/>的权重系数向量；
S42、计算样本点邻域内的近邻结构权重，计算公式为
；
S43、对局部线性结构权重和近邻结构权重进行融合，公式为
，其中/>表示调节参数，/>；
其中，为重构权重，/>为原始权重，/>为包含近邻结构权重。
2.根据权利要求1所述的基于FPGA的改进局部线性嵌入风机轴承故障诊断方法，其特征在于，步骤S5的具体过程包括：
S51、计算低维映射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Y求导并令该式为0，计算得到低维映射Y；
其中，L表示构建的拉格朗日函数，为重构权重，/>为原始权重，/>为包含近邻结构权重，WLij表示的是样本xi和xj之间的原始权重，WEij表示的是样本xi和xj之间的重构权重，WNij表示的是样本xi和xj之间的近邻结构权重，I是单位矩阵，M，m是求解拉格朗日函数中的协方差矩阵，tr表示的是矩阵的迹，/>是构建拉格朗日函数必要的系数。
3.根据权利要求2所述的基于FPGA的改进局部线性嵌入风机轴承故障诊断方法，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，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。
CN202310996172.8A 2023-08-09 2023-08-09 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 Active CN116720109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310996172.8A CN116720109B (zh) 2023-08-09 2023-08-09 基于fpga的改进局部线性嵌入风机轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310996172.8A CN116720109B (zh) 2023-08-09 2023-08-09 基于fpga的改进局部线性嵌入风机轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN116720109A CN116720109A (zh) 2023-09-08
CN116720109B true CN116720109B (zh) 2023-10-20

Family

ID=87866421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310996172.8A Active CN116720109B (zh) 2023-08-09 2023-08-09 基于fpga的改进局部线性嵌入风机轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN116720109B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828464B (zh) * 2024-03-05 2024-05-03 傲拓科技股份有限公司 基于局部线性嵌入算法的风机故障诊断方法及诊断模块

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107527064A (zh) * 2017-07-24 2017-12-29 广东石油化工学院 一种流形学习在故障诊断数据提取中的应用
CN110032167A (zh) * 2019-02-26 2019-07-19 中国西安卫星测控中心 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法
CN111062447A (zh) * 2019-12-26 2020-04-24 东北石油大学 通过降维方式进行风力发电机故障诊断的方法和装置
CN111506041A (zh) * 2020-03-09 2020-08-07 兰州理工大学 一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法
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
WO2022011754A1 (zh) * 2020-07-16 2022-01-20 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
CN113962308A (zh) * 2021-10-25 2022-01-21 成都飞机工业（集团）有限责任公司 一种航空设备故障预测方法
CN115792506A (zh) * 2023-02-07 2023-03-14 国网辽宁省电力有限公司电力科学研究院 一种运用emd和lle的单相接地故障检测系统及方法
CN116610927A (zh) * 2023-07-21 2023-08-18 傲拓科技股份有限公司 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10925508B2 (en) * 2018-11-16 2021-02-23 Pacesetter, Inc. Atrial flutter detection utilizing nonlinear dimension reduction

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107527064A (zh) * 2017-07-24 2017-12-29 广东石油化工学院 一种流形学习在故障诊断数据提取中的应用
CN110032167A (zh) * 2019-02-26 2019-07-19 中国西安卫星测控中心 基于局部线性嵌入的卫星姿态控制系统微小故障检测方法
CN111062447A (zh) * 2019-12-26 2020-04-24 东北石油大学 通过降维方式进行风力发电机故障诊断的方法和装置
CN111506041A (zh) * 2020-03-09 2020-08-07 兰州理工大学 一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法
WO2022011754A1 (zh) * 2020-07-16 2022-01-20 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
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
CN113962308A (zh) * 2021-10-25 2022-01-21 成都飞机工业（集团）有限责任公司 一种航空设备故障预测方法
CN115792506A (zh) * 2023-02-07 2023-03-14 国网辽宁省电力有限公司电力科学研究院 一种运用emd和lle的单相接地故障检测系统及方法
CN116610927A (zh) * 2023-07-21 2023-08-18 傲拓科技股份有限公司 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Local Linear Embedding with Adaptive Neighbors;Jiaqi Xue等;《Pattern Recognition》;第136卷;109205:1-13 *
Weighted locally linear embedding for dimension reduction;Yaozhang Pan等;《Pattern Recognition》;798-811 *
基于Kernel Rank-order距离的重构权重局部线性嵌入算法;鞠玲等;《计算机应用与软件》;第37卷(第08期);149-155+206 *
基于LLE及其改进距离算法的轴承故障诊断模型;魏永合;刘炜;杨艳君;苏君金;;组合机床与自动化加工技术(第07期);73-77+81 *
基于LLE的滚动轴承故障信号的特征提取及诊断研究;何红凯;《中国优秀硕士学位论文全文数据库_工程科技Ⅱ辑》;C029-699 *
基于非线性距离和夹角组合的最近特征空间嵌入方法;杜弘彦;王士同;李滔;;计算机工程与科学(第05期);888-897 *

Also Published As

Publication number Publication date
CN116720109A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
CN110728411B (zh) 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN116720109B (zh) 基于fpga的改进局部线性嵌入风机轴承故障诊断方法
CN114926746B (zh) 基于多尺度差分特征注意力机制的sar图像变化检测方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN107230197B (zh) 基于卫星云图和rvm的热带气旋客观定强方法
CN111288973B (zh) 海表流速获取方法、装置、计算机设备和存储介质
CN113191429A (zh) 一种电力变压器套管故障诊断方法及装置
CN111753877B (zh) 一种基于深度神经网络迁移学习的产品质量检测方法
CN115935139A (zh) 一种海洋观测数据的空间场插补方法
CN113591948A (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
Wan et al. Position encoding enhanced feature mapping for image anomaly detection
Jiang et al. Anomaly detection of industrial multi-sensor signals based on enhanced spatiotemporal features
CN116610927B (zh) 基于fpga的风机齿轮箱轴承故障诊断方法及诊断模块
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及系统
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
González‐Abad et al. Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches
CN109670408A (zh) 一种基于对象的遥感图像水体提取方法
CN116881652B (zh) 基于优选负样本和随机森林模型的滑坡易发性评价方法
Cui et al. Double-branch local context feature extraction network for hyperspectral image classification
Gilleland et al. Computationally efficient spatial forecast verification using Baddeley’s delta image metric
CN116399592A (zh) 一种基于通道注意力双路径特征提取的轴承故障诊断方法
CN117009916A (zh) 基于多传感器信息融合与迁移学习的促动器故障诊断方法
CN116610990A (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
Li et al. Multiscale Change Detection Network Based on Channel Attention and Fully Convolutional BiLSTM for Medium-Resolution Remote Sensing Imagery

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