CN116740523A - 一种基于图像多层次融合卷积的回转支承故障诊断方法 - Google Patents
一种基于图像多层次融合卷积的回转支承故障诊断方法 Download PDFInfo
- Publication number
- CN116740523A CN116740523A CN202310909707.3A CN202310909707A CN116740523A CN 116740523 A CN116740523 A CN 116740523A CN 202310909707 A CN202310909707 A CN 202310909707A CN 116740523 A CN116740523 A CN 116740523A
- Authority
- CN
- China
- Prior art keywords
- convolution
- image
- slewing bearing
- vibration signal
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Processing (AREA)
Abstract
本发明公布了一种基于图像多层次融合卷积的回转支承故障诊断方法，包括：获取各种故障类型的回转支承振动信号，分别将每种类型的振动信号切分为多段振动信号，贴上相应标签；将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，构建图像样本集，按照一定比例划分为训练集、验证集和测试集，对图像数据进行标准化；构建多层次融合卷积模型，实现故障的智能诊断。本发明能够提取时间序列数据的关键信息，同时能够避免微弱故障细节特征的丢失，实现精准识别回转支承故障状态，从而有效维护设备的安全运行。
Description
技术领域
本发明涉及一种回转支承故障诊断方法，尤其是一种基于图像多层次融合卷积的回转支承故障诊断方法。
背景技术
回转支承是一种重要的旋转机械部件，被广泛应用于挖掘机、盾构机、风力发电机等大型工程设备中。如果回转支承发生故障，不仅会影响设备的正常运转，还可能导致严重的安全事故和经济损失。通过对回转支承进行故障诊断，可以及时发现和排除潜在故障，防止故障的扩大和危害的产生，从而保障设备的安全运行和生产效率，降低设备的维护成本。因此，对回转支承进行故障诊断具有重要的意义。
近年来，深度学习备受关注，而卷积神经网络作为深度学习框架中的一种，在语音识别和计算机视觉领域表现优异，被广泛应用于故障诊断领域。卷积神经网络拥有十分优秀的特征提取能力，能够充分挖掘丰富的特征信息，实现端到端的回转支承故障诊断。回转支承通常处于强噪声的工业环境下，直接使用卷积神经网络对其进行深层次故障特征提取会因为数据品质不高、忽略浅层网络特征而导致重要特征信息丢失，使得实际工况的回转支承故障诊断异常困难。
发明内容
本发明的目的在于提供一种基于图像多层次融合卷积的回转支承故障诊断方法，可实现对回转支承高精度的故障识别。
本发明的技术方案如下：
一方面，本发明提供了一种基于图像多层次融合卷积的回转支承故障诊断方法，包括以下步骤：
步骤(1)、获取各种故障类型的回转支承振动信号，分别将每种类型的振动信号切分为多段振动信号，贴上相应标签；
步骤(2)、将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，构建图像样本集，按照一定比例划分为训练集、验证集和测试集，对图像数据进行标准化；
步骤(3)、构建多层次融合卷积模型：分别建立浅层次和深层次深度可分离卷积通道，浅层次通道用于提取原始振动信号转换成图像的特征，深层次通道用于提取重构振动信号转换成图像的特征；将两条不同特征层次的通道进行融合，通过CBAM注意力模块自适应地提取特征；
步骤(4)、将训练集和验证集输入到模型中进行训练，完成训练后，对测试集进行分类，最终输出故障诊断结果。
优选的，在所述步骤(1)中，获取各种故障类型的回转支承振动信号包括健康振动信号、外圈故障振动信号和螺栓断裂振动信号。按照如下公式切分信号：
d＝[L+(n-1)*a]/n，
其中，L表示某种故障类型的振动信号总长度，d表示采样窗口长度，a表示相邻两段信号重叠长度，n表示某种故障类型的样本数量。
优选的，在所述步骤(2)中，重构振动信号的具体方法为，采用EEMD、CEEMD、CEEMDAN或者ICEEMDAN对振动信号进行分解，获得固有模态函数IMF，计算每个IMF分量与原信号的互相关系数，筛选出相关系数大于预设阈值的分量，从而重构振动信号；
互相关系数计算公式如下：
其中，r为互相关系数，x和y分别为xi和yi的均值，n表示计算互相关系数的振动信号数量，i表示第i个点。
优选的，在所述步骤(2)中，转换图像所采用的具体方法为格拉姆角场或马尔科夫转移场；
图像数据标准化公式如下：
x为图像矩阵，x*为标准化图像矩阵，μ为图像数据的均值，σ为图像数据的标准差。
优选的，在所述步骤(3)中，多层次融合卷积模型具体结构为：
(a)构建两个通道，第一个为浅层次深度可分离卷积通道，包含深度可分离卷积层、批量标准化、ReLU激活函数和最大池化；
(b)第二个为深层次深度可分离卷积通道，引入深度可分离卷积层和最大池化层，之后交叉加入三个密集连接块和两个过渡层；每个密集连接块含有两层，每层包含批量标准化、ReLU激活函数和深度可分离卷积层；每个过渡层包含批量标准化、ReLU激活函数、卷积和最大池化；
(c)将两条通道进行特征融合，引入CBAM注意力模块，之后依次连接Flatten层、全连接层、Dropout；
(d)分类层的神经元个数等于回转支承故障类别总数，采用Softmax激活函数；
其中，深度可分离卷积分为深度卷积和逐点卷积，先对特征图的每个通道进行一次卷积，不改变通道数，然后使用K个1×1的卷积核对上一步的特征图在深度方向上进行加权组合，生成K个通道数的特征图，从而减少模型的参数量和计算量。
第二方面，本发明提供一种基于图像多层次融合卷积的回转支承故障诊断系统，该系统包括：
数据采集模块：用于获取回转支承振动信号；
数据预处理模块：分别将每种类型的振动信号切分为多段振动信号，贴上相应标签；将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，构建图像样本集，按照一定比例划分为训练集、验证集和测试集，对图像数据进行标准化；
模型构建模块：构建多层次融合卷积模型，分别建立浅层次和深层次深度可分离卷积通道，浅层次通道用于提取原始振动信号转换成图像的特征，深层次通道用于提取重构振动信号转换成图像的特征；将两条不同特征层次的通道进行融合，通过CBAM注意力模块自适应地提取特征；
模型评估和保存模块：模型训练完后，使用测试集评估模型训练效果；将模型保存到本地电子设备中，后续直接调用该模型进行故障诊断；
模型诊断模块：调用保存的模型，将采集到的数据经过预处理后输入到模型中进行故障分类，输出存在的故障信息。
本发明的有益效果是：
采用的方法既能够提取时间序列数据的关键信息，同时能够避免微弱故障细节特征的丢失，从而实现回转支承高精度的故障识别。
附图说明
图1为本发明中的总体流程图。
图2为实施例中三一索特挖机试验台机械结构及受力示意图。
图3-a为实施例中健康振动信号转换成的格拉姆角场图。
图3-b为实施例中外圈故障振动信号转换成的格拉姆角场图。
图3-c为实施例中螺栓断裂振动信号转换成的格拉姆角场图。
图4为本发明中的多层次深度可分离卷积网络模型。
具体实施方式
以下结合附图及实施例对本发明作详细的说明，所述是对本发明的解释而不是限定。
如图1所示，本实施例表述一种基于图像多层次融合卷积的回转支承故障诊断方法，包括如下步骤：
步骤(1)、获取各种故障类型的回转支承振动信号。如图2所示，在三一索特挖机试验台上针对SSf1530/60CWHV型号回转支承进行故障诊断试验，在回转支承上沿周向均匀布置加速度传感器，采用NI数据采集卡对回转支承进行实时数据采集，采样频率为900Hz。由于2号加速度传感器采集的信号变化最为明显，针对2号传感器进行故障分析。将所获得的回转支承每种故障状态的振动信号切分多段信号样本，贴上相应标签。
步骤(2)、将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，图像格式为RGB，像素大小为128×128。构建图像样本集，按照6：2：2的比例划分为训练集、验证集和测试集，对图像数据进行标准化。
步骤(3)、构建多层次融合卷积模型：分别建立浅层次和深层次深度可分离卷积通道，浅层次通道用于提取原始振动信号转换成图像的特征，深层次通道用于提取重构振动信号转换成图像的特征；将两条不同特征层次的通道进行融合，通过CBAM注意力模块自适应地提取特征。
步骤(4)、将训练集和验证集输入到模型中进行训练，完成训练后，对测试集进行分类，最终输出故障诊断结果。
所述步骤(1)中，所述获取各种故障类型的回转支承振动信号包括健康振动信号、外圈故障振动信号和螺栓断裂振动信号。按照如下公式切分信号：
d＝[L+(n-1)*a]/n，
其中，L表示某种故障类型的振动信号总长度，d表示采样窗口长度，a表示相邻两段信号重叠长度，n表示某种故障类型的样本数量。
所述步骤(2)中，重构振动信号的具体方法为，采用CEEMDAN对振动信号进行分解，获得固有模态函数IMF，计算每个IMF分量与原信号的互相关系数，筛选出相关系数较大的前3阶分量，从而重构振动信号；
互相关系数计算公式如下：
其中，r为互相关系数，x和y分别为xi和yi的均值，n表示计算互相关系数的振动信号数量，i表示第i个点。
所述步骤(2)中，如图3所示，转换图像所采用的具体方法为格拉姆角和场；
图像数据标准化公式如下：
x为图像矩阵，x*为标准化图像矩阵，μ为图像数据的均值，σ为图像数据的标准差。
如图4所示，所述步骤(3)中，所述多层次融合卷积模型具体结构为：
(a)构建两个通道，第一个为浅层次深度可分离卷积通道，包含深度可分离卷积层、批量标准化、ReLU激活函数和最大池化；
(b)第二个为深层次深度可分离卷积通道，引入深度可分离卷积层和最大池化层，之后交叉加入三个密集连接块和两个过渡层；每个密集连接块含有两层，每层包含批量标准化、ReLU激活函数和深度可分离卷积层；每个过渡层包含批量标准化、ReLU激活函数、卷积和最大池化；
(c)将两条通道进行特征融合，引入CBAM注意力模块，之后依次连接Flatten层、全连接层、Dropout；
(d)分类层的神经元个数等于回转支承故障类别总数，采用Softmax激活函数；
模型采用的是Adam优化算法和categorical_crossentropy损失函数，批大小为30，学习率为0.001，迭代次数为40次。需要对标签进行独热编码，健康振动信号、外圈故障振动信号和螺栓断裂振动信号标签对应的独热编码为001、010、100。
通过以上步骤，即实现了对回转支承运行故障的诊断。将本文模型与重构振动格拉姆角场图像单通道深层次卷积、原始振动格拉姆角场图像单通道浅层次卷积以及原始振动格拉姆角场结合LeNet-5进行故障诊断比较，批大小、学习率、迭代次数均保持不变，结果如表1所示。图像多层次融合卷积与其他方法相比在诊断正确率上有显著的提升，由此可见该模型的可行性和有效性。
表1.不同方法诊断结果
一种基于图像多层次融合卷积的回转支承故障诊断系统，该系统包括：
数据采集模块：用于获取回转支承振动信号；
数据预处理模块：分别将每种类型的振动信号切分为多段振动信号，贴上相应标签；将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，构建图像样本集，按照一定比例划分为训练集、验证集和测试集，对图像数据进行标准化；
模型构建模块：构建多层次融合卷积模型，分别建立浅层次和深层次深度可分离卷积通道，浅层次通道用于提取原始振动信号转换成图像的特征，深层次通道用于提取重构振动信号转换成图像的特征；将两条不同特征层次的通道进行融合，通过CBAM注意力模块自适应地提取特征；
模型评估和保存模块：模型训练完后，使用测试集评估模型训练效果；将模型保存到本地电子设备中，后续直接调用该模型进行故障诊断；
模型诊断模块：调用保存的模型，将采集到的数据经过预处理后输入到模型中进行故障分类，输出存在的故障信息。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种基于图像多层次融合卷积的回转支承故障诊断方法，其特征在于包括以下步骤：
步骤(1)、获取各种故障类型的回转支承振动信号，分别将每种类型的振动信号切分为多段振动信号，贴上相应标签；
步骤(2)、将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，构建图像样本集，按照一定比例划分为训练集、验证集和测试集，对图像数据进行标准化；
步骤(3)、构建多层次融合卷积模型：分别建立浅层次和深层次深度可分离卷积通道，浅层次通道用于提取原始振动信号转换成图像的特征，深层次通道用于提取重构振动信号转换成图像的特征；将两条不同特征层次的通道进行融合，通过CBAM注意力模块自适应地提取特征；
步骤(4)、将训练集和验证集输入到模型中进行训练，完成训练后，对测试集进行分类，最终输出故障诊断结果。
2.如权利要求1所述的一种基于图像多层次融合卷积的回转支承故障诊断方法，其特征在于，在所述步骤(1)中，所述获取各种故障类型的回转支承振动信号包括健康振动信号、外圈故障振动信号和螺栓断裂振动信号；按照如下公式切分信号：
d＝[L+(n-1)*a]/n，
其中，L表示某种故障类型的振动信号总长度，d表示采样窗口长度，a表示相邻两段信号重叠长度，n表示某种故障类型的样本数量。
3.如权利要求1所述的一种基于图像多层次融合卷积的回转支承故障诊断方法，其特征在于，在所述步骤(2)中，重构振动信号的具体方法为，采用EEMD、CEEMD、CEEMDAN或者ICEEMDAN对振动信号进行分解，获得固有模态函数IMF，计算每个IMF分量与原信号的互相关系数，筛选出相关系数大于预设阈值的分量，从而重构振动信号；
互相关系数计算公式如下：
其中，r为互相关系数，和/>分别为xi和yi的均值，n表示计算互相关系数的振动信号数量，i表示第i个点。
4.如权利要求1所述的一种基于图像多层次融合卷积的回转支承故障诊断方法，其特征在于，在所述步骤(2)中，转换图像所采用的具体方法为格拉姆角场或马尔科夫转移场；
图像数据标准化公式如下：
x为图像矩阵，x*为标准化图像矩阵，μ为图像数据的均值，σ为图像数据的标准差。
5.如权利要求1所述的一种基于图像多层次融合卷积的回转支承故障诊断方法，其特征在于，在所述步骤(3)中，所述多层次融合卷积模型具体结构为：
(a)构建两个通道，第一个为浅层次深度可分离卷积通道，包含深度可分离卷积层、批量标准化、ReLU激活函数和最大池化；
(b)第二个为深层次深度可分离卷积通道，引入深度可分离卷积层和最大池化层，之后交叉加入三个密集连接块和两个过渡层；每个密集连接块含有两层，每层包含批量标准化、ReLU激活函数和深度可分离卷积层；每个过渡层包含批量标准化、ReLU激活函数、卷积和最大池化；
(c)将两条通道进行特征融合，引入CBAM注意力模块，之后依次连接Flatten层、全连接层、Dropout；
(d)分类层的神经元个数等于回转支承故障类别总数，采用Softmax激活函数；
其中，深度可分离卷积分为深度卷积和逐点卷积，先对特征图的每个通道进行一次卷积，不改变通道数，然后使用K个1×1的卷积核对上一步的特征图在深度方向上进行加权组合，生成K个通道数的特征图，从而减少模型的参数量和计算量。
6.一种基于图像多层次融合卷积的回转支承故障诊断系统，其特征在于，包括：
数据采集模块：用于获取回转支承振动信号；
数据预处理模块：分别将每种类型的振动信号切分为多段振动信号，贴上相应标签；将振动信号进行模态分解，筛选分解后的固有模态函数重构振动信号；分别将原始振动信号和重构振动信号转换成两类图像，构建图像样本集，按照一定比例划分为训练集、验证集和测试集，对图像数据进行标准化；
模型构建模块：构建多层次融合卷积模型，分别建立浅层次和深层次深度可分离卷积通道，浅层次通道用于提取原始振动信号转换成图像的特征，深层次通道用于提取重构振动信号转换成图像的特征；将两条不同特征层次的通道进行融合，通过CBAM注意力模块自适应地提取特征；
模型评估和保存模块：模型训练完后，使用测试集评估模型训练效果；将模型保存到本地电子设备中，后续直接调用该模型进行故障诊断；
模型诊断模块：调用保存的模型，将采集到的数据经过预处理后输入到模型中进行故障分类，输出存在的故障信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909707.3A CN116740523A (zh) | 2023-07-24 | 2023-07-24 | 一种基于图像多层次融合卷积的回转支承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909707.3A CN116740523A (zh) | 2023-07-24 | 2023-07-24 | 一种基于图像多层次融合卷积的回转支承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116740523A true CN116740523A (zh) | 2023-09-12 |
Family
ID=87904647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310909707.3A Pending CN116740523A (zh) | 2023-07-24 | 2023-07-24 | 一种基于图像多层次融合卷积的回转支承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116740523A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150350A (zh) * | 2023-10-31 | 2023-12-01 | 南京凯奥思数据技术有限公司 | 基于自适应iceemdan降噪的轴承故障诊断方法及系统 |
| CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
-
2023
- 2023-07-24 CN CN202310909707.3A patent/CN116740523A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150350A (zh) * | 2023-10-31 | 2023-12-01 | 南京凯奥思数据技术有限公司 | 基于自适应iceemdan降噪的轴承故障诊断方法及系统 |
| CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
| CN117231524B (zh) * | 2023-11-14 | 2024-01-26 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116740523A (zh) | 一种基于图像多层次融合卷积的回转支承故障诊断方法 | |
| CN108444708A (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
| CN114993669B (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
| CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
| CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
| CN115331391B (zh) | 分布式结构振动监测数据智能化报警与恢复方法 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN112465798B (zh) | 一种基于生成对抗网络和记忆模块的异常检测方法 | |
| CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN108761263B (zh) | 一种基于证据理论的故障诊断系统 | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
| CN113554070B (zh) | 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 | |
| CN116068305A (zh) | 一种电弧铣削机床电气系统故障诊断装置 | |
| CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
| CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN114980723A (zh) | 一种用于跨工况贴片机吸嘴的故障预测方法、系统 | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| CN117345344B (zh) | 一种矿井声电信号智能预测方法与系统 | |
| CN114034957B (zh) | 一种基于工况划分的变压器振动异常检测方法 |
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 |