CN116756675B - 一种基于脉冲神经网络的轴承故障诊断分类方法 - Google Patents
一种基于脉冲神经网络的轴承故障诊断分类方法 Download PDFInfo
- Publication number
- CN116756675B CN116756675B CN202311019714.2A CN202311019714A CN116756675B CN 116756675 B CN116756675 B CN 116756675B CN 202311019714 A CN202311019714 A CN 202311019714A CN 116756675 B CN116756675 B CN 116756675B
- Authority
- CN
- China
- Prior art keywords
- bearing fault
- data
- pulse
- signal
- neural network
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 230000003321 amplification Effects 0.000 claims abstract description 14
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 239000012528 membrane Substances 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 210000000170 cell membrane Anatomy 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F18/21—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
- G06F18/25—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于脉冲神经网络的轴承故障诊断分类方法，通过分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号；将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号；基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型；基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型；将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据。本发明轴承故障识别精度高。
Description
技术领域
本发明涉及轧辊轴承故障检测技术领域，尤其公开了一种基于脉冲神经网络的轴承故障诊断分类方法。
背景技术
轴承是钢铁机械中非常关键的零件，承载着旋转部件的重量和运动载荷，轴承的故障会对机械设备的性能和寿命产生严重的影响，其运行状况直接决定产品品质。特别是轧机轴承属于高端精密部件，轧辊轴承工作环境十分复杂，包括高温下工作，高压水，氧化皮飞溅环境下，多种外部不利环境会促使轴承烧损速度加快。为了确保轧机设备的正常运转、延长设备的寿命、确保产品品质，轴承故障检测是非常重要的环节。
通过对轴承的检测和分析，可以及早发现轴承的异常情况，避免轴承的进一步磨损和损坏。常见的轴承故障包括内外圈辊道麻点，滚动体擦伤、裂纹、脱落，保持架断裂等。针对这些轴承故障，常见的检测方法包括声音分析、振动分析、温度检测和油液分析等。在实际的维护保养中，可以结合多种方法进行轴承故障检测，以提高检测的准确性和可靠性。同时，及时更换故障轴承可以减少机械设备的停机时间和维修成本提高机械设备的生产效率和经济效益。
脉冲神经网络（Spiking Neural Network，SNN）是源于生物启发的第三代人工神经网络模型，具有较强的生物基础支撑，已经被广泛的用于信号分析与识别任务中。目前已有相关研究将脉冲神经网络用于轴承故障诊断中。例如专利申请《基于LMD和脉冲神经网络的轴承故障诊断方法》（公开号：CN111275004B）利用LMD将轴承振动信号分解为若干个PF分量，计算出这些PF分量和原始振动信号的统计学特征；接着将计算出的统计学特征进行min-max归一化，利用高斯群编码的方法将归一化后的特征向量编码为脉冲序列；然后搭建脉冲神经网络模型，利用改进的Tempotron算法对脉冲神经网络模型的输入层与输出层之间的突触权重进行学习，直至满足训练终止条件，再利用训练好的模型进行故障诊断；专利申请《基于脉冲神经网络的轴承故障检测方法、系统、设备和存储介质》（公开号：CN115993248A）提出了一种基于脉冲神经网络的轴承故障检测方法，该方法基于脉冲神经网络对滚动轴承进行故障检测，使用变分模态分解作为样本数据的分解方法，并且选择了10个特征指标描述对应样本数据的特征信息，同时使用Tempotron学习算法学习脉冲神经网络模型，从而解决了上述问题。
但以上脉冲神经网络主要以Tempotron学习算法为主，在实际应用过程中，对信号的时间特征和空间特征提取不明显，且学习效率不高。另外，由于神经网络的故障诊断方法属于基于数据驱动的诊断方法，需要大量的样本数据来训练故障诊断模型。但是在实际的机械设备中，往往难以获取大量的样本数据，尤其是故障数据。
因此，现有轴承故障诊断方法中存在的上述缺陷，是目前亟待解决的技术问题。
发明内容
本发明提供了一种基于脉冲神经网络的轴承故障诊断分类方法，旨在解决现有轴承故障诊断方法中存在的上述缺陷。
本发明涉及一种基于脉冲神经网络的轴承故障诊断分类方法，包括以下步骤：
分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号；
将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号；
基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型；
基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型用于输出轴承故障类别；
将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据；
将待识别的轴承故障脉冲数据输入轴承故障信号分类模型中，确定轴承故障类别。
进一步地，分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到多组重组后的轴承故障信号的步骤包括：
构建数据集：基于预设的不重叠原则，通过预设的第一窗口对故障数据进行截取处理，以得到第一数组，其中，第一窗口的固定长度为k，第一数组包括n×k的数组；
数据分解：将数据集中每一行数据视为一个数据样本，得到k个数据样本；然后将每个数据样本使用变分模态算法进行信号的分解，使用变分模态算法将第i、j两行数据样本分成多个子信号，将第i、j两行数据样本的子信号分量中幅值最小的分量视为噪声；
数据扩增：将第i行数据样本的噪声信号与第j行数据样本中非噪声信号进行组合，得到两组新的信号数据样本；将i、j两行数据样本的事例推广到数据集中：将每一行的数据样本的非噪声分量都与剩余n-1行数据的噪声分量结合以产生新的数据样本。
进一步地，数据分解的步骤中，使用变分模态算法把每一行的故障信号分为5个模态，算法原理表述如下：
其中，为在约束条件下使每阶模态的估计带宽之和最小，且各模态之和等于输入信号；k为分解的模态个数，/>为L2范数，/>为求偏导的函数，/>为狄拉克函数，/>为虚数单位，/>为数学常数，/>为时间，/>为子模态，/>代表受约束的意思，/>为待分析信号，μk为模态函数，/>为每阶模态的中心频率。
进一步地，将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号的步骤中，根据脉冲编码算法将轴承故障信号转换成轴承故障数据脉冲信号，脉冲编码算法的原理公式为：
其中，M为滤波器的数量，为M个绝对值函数之和，/>为绝对值函数，为S+T时刻的脉冲估计值，/>为线性滤波脉冲的响应。
进一步地，基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型的步骤中，使用泄漏集成点火模型作为神经元激活模型，具体为：
其中，为电容，/>为电压随时间的变化率，/>为时变电流，/>为衰变速率，为电压，/>为自动衰减的电压，/>为输出脉冲，/>为细胞膜电压，/>为细胞膜阈值电压，/>为t+1阶段细胞膜电压，/>为细胞膜电压泄漏率，/>为输入电压或者脉冲，/>为可学习参数，/>为t+1阶段的输入电压或脉冲。
进一步地，基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型的步骤中，
在脉冲神经网络模型中设置信号输入层、时序特征提取层、空间特征提取层、特征融合层、全连接层和识别层，
输入层用于获得转换为脉冲信号的训练集中未识别的轴承故障信号；
时序特征提取层用于通过设置不同的时序卷积核1×T，分层提取不同频段的轴承故障信号的时序特征，其中T在不同层拥有不同长度；
空间特征提取层用于对于完成上述步骤之后的轴承故障信号使用C×1的卷积核提取不同通道之间的高维特征，其中，C代表通道数；
特征融合层用于融合通道在完成空间提取特征操作之后的轴承故障信号序列；
全连接层用于在整个脉冲神经网络中起到分类器的作用；
识别层用于根据全连接层所预测的轴承故障信号的脉冲序列确定轴承故障信号所属的意图的类别。
进一步地，时序特征提取层和空间特征提取层用于分别使用卷积操作与池化操作对轴承故障信号进行特征提取，其计算公式如下：
其中，为卷积的输出结果，/>为偏置量，/>为求和操作，/>为神经网络中的权重，/>为卷积操作的输入值，为平均池化的输出结果，(/>代表池化核的尺寸，为先计算池化核内元素之和再取平均值，为平均池化操作的输入值，Ni表示一次训练所选取的样本数，Cj表示通道，stride表示池化核步长；/>为输出通道的索引，/>为卷积核在输入信号中的位置或索引，/>为信号的高度对于一个通道的脑电数据默认设置为1，/>为信号的宽度，m和n为池化窗口内的相对位置偏移量。
进一步地，基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型用于输出轴承故障类别的步骤中，
使用交叉熵损失函数作为损失函数，并在调节网络参数时选择Adam优化网络模型，公式如下：
其中，为x分到class的概率，class代表信号的实际标签；x表示当前的预测结果向量；/>为通过exp运算转为非负数再计算出当前样本被分到class类的概率，j代表当前的样本编号，/>为样本的实际标签。
进一步地，基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型用于输出轴承故障类别的步骤中，
脉冲神经网络的特性在于当膜电位高于膜阈值时细胞会向外发出脉冲，通过公式清晰表示为：
其中，表示输出脉冲；/>代表Heaviside阶跃函数；U[t]为膜电压，/>为膜阈值电压；当U[t]膜电压大于/>膜阈值电压时，通过Heaviside阶跃函数就会产生脉冲信号。
进一步地，将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据的步骤中，
将待识别的轴承故障数据通过训练数据对应标签进行捆绑，然后使用BSA算法进行脉冲编码。
本发明提供一种基于脉冲神经网络的轴承故障诊断分类方法，通过分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号；将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号；基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型；基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型用于输出轴承故障类别；将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据；将待识别的轴承故障脉冲数据输入轴承故障信号分类模型中，确定轴承故障类别。本发明采用对原始轴承故障信号先滤波再重组，获得新的轴承故障信号，并将轴承故障信号通过脉冲编码算法转换为脉冲信号；在脉冲神经网络模型构建的过程中，根据轴承故障信号所具有特征，设置不同的时序卷积核分层提取不同频段的轴承故障信号的时序特征；在空间特征提取层获取不同通道之间的高维特征，在轴承故障信号识别上具有更高的识别精度。
本发明提供一种基于脉冲神经网络的轴承故障诊断分类方法，具有以下有益效果：
1、缓解神经网络训练过程中的过拟合问题：提出一种扩充轴承故障信号训练集的方法，有效缓解因轴承故障信号数据量少所产生的过拟合现象。
2、轴承故障信号特性分析全面：针对包含关键信息的轴承故障信号频段，设计不同尺寸的神经网络卷积核参数充分提取故障信息中的特征。
3、神经网络收敛快速：脉冲神经网络在进行前向传播时，神经网络的层与层之间是以0，1脉冲的形式进行信息的传递，因此会极大地减少神经网络的计算量从而实现网络的快速收敛。
4、泛化能力强：对于不同种类的轴承故障信号，只需要按照实验流程获取满足神经网络输入格式的信号就可以将信号进行预测并获得良好的分类精度。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
图1为本发明提供的基于脉冲神经网络的轴承故障诊断分类方法一实施例的流程示意图；
图2为图1中所示的分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号的步骤一实施例的细化流程示意图；
图3为本发明轴承故障数据截取构造数据集示意图；
图4为本发明第i行信号的分解结果示意图，其中(a)为原始信号，(b)(c)(d)分别是IMF0、IMF1、IMF2，(e)(f)分别为IMF4、IMF3；
图5为本发明第j行信号的分解结果示意图，其中(a)为原始信号，(b)(c)(d)分别是IMF0、IMF1、IMF2，(e)(f)分别为IMF4、IMF3；
图6为泄漏集成点火模型（LIF）原理图；
图7为解释脉冲神经网络在脉冲发放时无法微分的原因的脉冲微分原理示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
如图1所示，本发明第一实施例提出一种基于脉冲神经网络的轴承故障诊断分类方法，包括以下步骤：
步骤S100、分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号。
实验采用凯斯西储大学的滚动轴承振动数据，选用SKF-6205驱动端轴承，信号采样频率为12kHz，实验所选轴承单点直径损伤分别为0.007mm、0.014mm、0.021mm的故障，每种故障直径内含有滚动体故障、内圈故障以及外圈故障共三种故障类型。实验数据集由九种故障数据集以及一种正常数据组成。
对原始轴承故障数据进行分割，并使用VMD（Variational Modal Decomposition,变分模态算法）对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号。
步骤S200、将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号。
使用BSA（Bens Spiker Algorithm，脉冲编码算法）将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号。
步骤S300、基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型。
根据轴承故障信号所具有的特性设计脉冲神经网络的网络结构。
步骤S400、基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型用于输出轴承故障类别。
基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型的分类结果是轴承故障信号所对应动作的编号。
步骤S500、将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据。
将待识别的测试集轴承故障信号通过BSA（Bens Spiker Algorithm，脉冲编码算法）转换为待识别的脉冲序列，得到待识别的轴承故障脉冲数据。在本实施例中，将待识别的轴承故障数据通过训练数据对应标签进行捆绑，然后使用BSA算法进行脉冲编码。
步骤S600、将待识别的轴承故障脉冲数据输入轴承故障信号分类模型中，确定轴承故障类别。
将待识别的轴承故障信号输入训练和优化后的基于脉冲神经网络的轴承故障信号分类模型中，确定脉冲信号的类别。
本实施例提供的基于脉冲神经网络的轴承故障诊断分类方法，同现有技术相比，通过分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号；将多组重组后的轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号；基于轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型；基于多组不同的所述轴承故障数据脉冲信号对脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，轴承故障信号分类模型用于输出轴承故障类别；将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据；将待识别的轴承故障脉冲数据输入轴承故障信号分类模型中，确定轴承故障类别。本实施例提供的基于脉冲神经网络的轴承故障诊断分类方法，采用对原始轴承故障信号先滤波再重组，获得新的轴承故障信号，并将轴承故障信号通过脉冲编码算法转换为脉冲信号；在脉冲神经网络模型构建的过程中，根据轴承故障信号所具有特征，设置不同的时序卷积核分层提取不同频段的轴承故障信号的时序特征；在空间特征提取层获取不同通道之间的高维特征，在轴承故障信号识别上具有更高的识别精度。
进一步地，请见图2，图2为图1中所示的步骤S100一实施例的细化流程示意图，在本实施例中，步骤S100包括：
步骤S110、构建数据集：基于预设的不重叠原则，通过预设的第一窗口对故障数据进行截取处理，以得到第一数组，其中，第一窗口的固定长度为k，所述第一数组包括n×k的数组。
现假设有一组长度为nk的原始轴承故障数据。
请见图3，构建数据集：设置固定长度为k的窗口对故障数据据按照不重叠的原则进行截取，通过该操作后，这一组故障数据就会变成形状为n×k的数组。将这n×k的数组作为脉冲神经网络训练和预测的数据集。
步骤S120、数据分解：将数据集中每一行数据视为一个数据样本，得到k个数据样本；然后将每个数据样本使用变分模态算法进行信号的分解，使用变分模态算法将第i、j两行数据样本分成多个子信号，将第i、j两行数据样本的子信号分量中幅值最小的分量视为噪声。
数据分解：将数据集中每一行数据视为一个数据样本，这样就得到k个数据样本。然后将每个数据样本使用变分模态算法（VMD）进行信号的分解。这里对第i，j(i，j∈[1，k]))行数据样本进行举例说明：使用变分模态算法将第i、j行数据样本分成5个子信号，将两组数据样本的子信号分量中幅值最小的分量视为噪声。如图4和图5所示。
步骤S130、数据扩增：将第i行数据样本的噪声信号与第j行数据样本中非噪声信号进行组合，得到两组新的信号数据样本；将i、j两行数据样本的事例推广到数据集中：将每一行的数据样本的非噪声分量都与剩余n-1行数据的噪声分量结合以产生新的数据样本。
数据扩增：根据图4和图5所示，将第i、j行数据样本子信号IMF3的幅值最小可以作为噪声信号。因此，将第i行数据样本的噪声信号与第j行数据样本中非噪声信号进行组合，通过这一步操作，可以得到两组新的信号数据样本。
综上，将第i、j两行数据样本的事例推广到数据集中：每一行的数据样本的非噪声分量都可以与剩余n-1行数据的噪声分量结合产生新的数据样本，这一方法能够将数据集扩大到原来的n-1倍，可以有效缓解因数据量不足所导致的神经网络训练时的过拟合现象。
优选地，请见图1至图7，本实施例提供的基于脉冲神经网络的轴承故障诊断分类方法，步骤S120中，使用变分模态算法把每一行的故障信号分为5个模态，算法原理表述如下：
（1）
（2）
公式（1）和（2）中，为在约束条件下使每阶模态的估计带宽之和最小，且各模态之和等于输入信号；k为分解的模态个数，/>为L2范数，/>为求偏导的函数，为狄拉克函数，/>为虚数单位，/>为数学常数，/>为时间，/>为子模态，/>代表受约束的意思，/>为待分析信号，μk为模态函数，/>为每阶模态的中心频率。
在步骤S100中，将每截取到的一组信号通过变分模态算法（VMD）进行分解，其中幅值最小的信号分量将被视为噪声，剩下的信号视为包含故障信号的信号分量；当步骤S100完成后将会得到n组信号，将每一组的信号分量与其余n-1组的噪声分量组合，此操作可以扩大数据集到原来的n-1倍。
进一步地，步骤S200中，在BSA算法中使用了一个FIR（Finite Impulse Response，非递归型滤波器）重建滤波器以及需要计算两个误差值和/>，通过编码算法后可以得到同一受试者的多组不同的脉冲序列。根据脉冲编码算法将轴承故障信号转换成轴承故障数据脉冲信号，脉冲编码算法的原理公式为：
（3）
（4）
公式（3）和（4）中，其中，M为滤波器的数量，为M个绝对值函数之和，/>为绝对值函数，/>为S+T时刻的脉冲估计值，/>为线性滤波脉冲的响应。
本实施例提供的基于脉冲神经网络的轴承故障诊断分类方法，BSA算法对于噪声和干扰有一定的抵抗能力。即使在存在噪声的环境下，脉冲编码仍然可以有效地解码并恢复原始信息。同时BSA使用时间间隔编码信息，使得解码过程相对简单不需要复杂的解码器或译码表。
优选地，步骤S300中，使用泄漏集成点火模型作为神经元激活模型，泄露集成点火模型的放电原理如图6所示，当细胞膜接收到输入脉冲时，其膜电压会进行累计如果在下一个周期内没有后续的电压输入，膜电压会呈现自动衰减的过程，当出现连续的电压输入，膜电压的持续累计超过膜阈值时该细胞就会发放处一个脉冲，其运算公式如下所示：
（5）
（6）
（7）
公式（5）~（7）中，为电容，/>为电压随时间的变化率，/>为时变电流，/>为衰变速率，/>为电压，/>为自动衰减的电压，/>为输出脉冲，/>为细胞膜电压，为细胞膜阈值电压，/>为t+1阶段细胞膜电压，/>为细胞膜电压泄漏率，/>为输入电压或者脉冲，/>为可学习参数，/>为t+1阶段的输入电压或脉冲。
进一步地，步骤S300中，在脉冲神经网络模型中设置信号输入层、时序特征提取层、空间特征提取层、特征融合层、全连接层和识别层，其中，输入层用于获得转换为脉冲信号的训练集中未识别的轴承故障信号；时序特征提取层用于通过设置不同的时序卷积核1×T，分层提取不同频段的轴承故障信号的时序特征，其中T在不同层拥有不同长度；空间特征提取层用于对于完成上述步骤之后的轴承故障信号使用C×1的卷积核提取不同通道之间的高维特征，其中，C代表通道数；特征融合层用于融合通道在完成空间提取特征操作之后的轴承故障信号序列；全连接层用于在整个脉冲神经网络中起到分类器的作用；识别层用于根据全连接层所预测的轴承故障信号的脉冲序列确定轴承故障信号所属的意图的类别。
时序特征提取层和空间特征提取层用于分别使用卷积操作与池化操作对轴承故障信号进行特征提取，其计算公式如下：
（8）
(9)
公式（8）和（9）中，为卷积的输出结果，/>为偏置量，为求和操作，/>为神经网络中的权重，/>为卷积操作的输入值，/>为平均池化的输出结果，(/>代表池化核的尺寸，为先计算池化核内元素之和再取平均值，为平均池化操作的输入值，Ni表示一次训练所选取的样本数，Cj表示通道，stride表示池化核步长；/>为输出通道的索引，/>为卷积核在输入信号中的位置或索引，/>为信号的高度对于一个通道的脑电数据默认设置为1，/>为信号的宽度，m和n为池化窗口内的相对位置偏移量。
本实施例提供的基于脉冲神经网络的轴承故障诊断分类方法，在脉冲神经网络模型构建的过程中根据轴承故障信号所具有特征，分别设置时序特征提取层和空间特征提取层并将这两种不同的特性进行融合，这样能够充分分析轴承故障数据所具有的特征。
进一步地，步骤S400中，使用交叉熵损失函数（Cross Entropy Loss）作为损失函数，并在调节网络参数时选择Adam优化网络模型，公式如下：
（10）
公式（10）中，为x分到class的概率，class代表信号的实际标签；x表示当前的预测结果向量；/>为通过exp运算转为非负数再计算出当前样本被分到class类的概率，j代表当前的样本编号，/>为样本的实际标签。
优选地，为了解决优化网络参数需要考虑脉冲神经网络在反向传播时会出现的不可微分的问题，如图7所示，所以在步骤S400中，脉冲神经网络的特性在于当膜电位高于膜阈值时细胞会向外发出脉冲，通过公式清晰表示为：
（11）
公式（11）中，表示输出脉冲；/>代表Heaviside阶跃函数；U[t]为膜电压，为膜阈值电压；当U[t]膜电压大于/>膜阈值电压时，通过Heaviside阶跃函数就会产生脉冲信号；使用代理梯度的方式进行解决。在没有脉冲则脉冲梯度项为0，否则设置梯度项为1。
具体而言，所述使用代替梯度下降的方法需要在设计脉冲神经网络时设置。
总之，本实施例提供的基于脉冲神经网络的轴承故障诊断分类方法，具有以下有益效果：
1、缓解神经网络训练过程中的过拟合问题：提出一种扩充轴承故障信号训练集的方法，有效缓解因轴承故障信号数据量少所产生的过拟合现象。
2、轴承故障信号特性分析全面：针对包含关键信息的轴承故障信号频段，设计不同尺寸的神经网络卷积核参数充分提取故障信息中的特征。
3、神经网络收敛快速：脉冲神经网络在进行前向传播时，神经网络的层与层之间是以0，1脉冲的形式进行信息的传递，因此会极大地减少神经网络的计算量从而实现网络的快速收敛。
4、泛化能力强：对于不同种类的轴承故障信号，只需要按照实验流程获取满足神经网络输入格式的信号就可以将信号进行预测并获得良好的分类精度。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，包括以下步骤：
分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到重组后的轴承故障信号；
将多组重组后的所述轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号；
基于所述轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型；
基于多组不同的所述轴承故障数据脉冲信号对所述脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，所述轴承故障信号分类模型用于输出轴承故障类别；
将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据；
将所述待识别的轴承故障脉冲数据输入所述轴承故障信号分类模型中，确定轴承故障类别；
所述分割原始轴承故障数据，并对分割的原始轴承故障数据进行数据扩增，再对数据扩增的原始轴承故障数据做归一化处理，得到多组重组后的轴承故障信号的步骤包括：
构建数据集：基于预设的不重叠原则，通过预设的第一窗口对故障数据进行截取处理，以得到第一数组，其中，所述第一窗口的固定长度为k，所述第一数组包括n×k的数组，n代表行数；
数据分解：将数据集中每一行数据视为一个数据样本，得到k个数据样本；然后将每个数据样本使用变分模态算法进行信号的分解，使用变分模态算法将第i、j两行数据样本分成多个子信号，将第i、j两行数据样本的子信号分量中幅值最小的分量视为噪声；
数据扩增：将第i行数据样本的噪声信号与第j行数据样本中非噪声信号进行组合，得到两组新的信号数据样本；将i、j两行数据样本的事例推广到数据集中：将每一行的数据样本的非噪声分量都与剩余n-1行数据的噪声分量结合以产生新的数据样本；
所述基于所述轴承故障信号所具有的时序特性和空间特性，确定时序特性和空间特性相融合的脉冲神经网络模型的步骤中，使用泄漏集成点火模型作为神经元激活模型，具体为：
，
，
，
其中，为电容，/>为电压随时间的变化率，/>为时变电流，/>为衰变速率，/>为电压，/>为自动衰减的电压，/>为输出脉冲，/>为细胞膜电压，/>为细胞膜阈值电压，/>为t+1阶段细胞膜电压，/>为细胞膜电压泄漏率，/>为输入电压或者脉冲，/>为可学习参数，/>为t+1阶段的输入电压或脉冲；
在所述脉冲神经网络模型中设置信号输入层、时序特征提取层、空间特征提取层、特征融合层、全连接层和识别层，
所述输入层用于获得转换为脉冲信号的训练集中未识别的轴承故障信号；
所述时序特征提取层用于通过设置不同的时序卷积核1×T，分层提取不同频段的轴承故障信号的时序特征，其中T在不同层拥有不同长度；
所述空间特征提取层用于对于完成上述步骤之后的轴承故障信号使用C×1的卷积核提取不同通道之间的高维特征，其中，C代表通道数；
所述特征融合层用于融合通道在完成空间提取特征操作之后的轴承故障信号序列；
所述全连接层用于在整个脉冲神经网络中起到分类器的作用；
所述识别层用于根据全连接层所预测的轴承故障信号的脉冲序列确定轴承故障信号所属的意图的类别。
2.如权利要求1所述的一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，所述数据分解的步骤中，使用变分模态算法把每一行的故障信号分为5个模态，算法原理表述如下：
，
，
其中，为在约束条件下使每阶模态的估计带宽之和最小，且各模态之和等于输入信号；k为分解的模态个数，/>为L2范数，/>为求偏导的函数，/>为狄拉克函数，/>为虚数单位，/>为数学常数，/>为时间，/>为子模态，/>代表受约束的意思，/>为待分析信号，μk为模态函数，/>为每阶模态的中心频率。
3.如权利要求1所述的一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，所述将多组重组后的所述轴承故障信号进行转换，得到多组不同的轴承故障数据脉冲信号的步骤中，根据脉冲编码算法将所述轴承故障信号转换成所述轴承故障数据脉冲信号，脉冲编码算法的原理公式为：
，
，
其中，M为滤波器的数量，为M个绝对值函数之和，/>为绝对值函数，/>为S+T时刻的脉冲估计值，/>为线性滤波脉冲的响应。
4.如权利要求1所述的一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，所述时序特征提取层和所述空间特征提取层用于分别使用卷积操作与池化操作对轴承故障信号进行特征提取，其计算公式如下：
，
，
其中，为卷积的输出结果，/>为偏置量，/>为求和操作，/>为神经网络中的权重，/>为卷积操作的输入值，为平均池化的输出结果，/>代表池化核的尺寸，为先计算池化核内元素之和再取平均值，为平均池化操作的输入值，Ni表示一次训练所选取的样本数，Cj表示通道，stride表示池化核步长；/>为输出通道的索引，/>为卷积核在输入信号中的位置或索引，/>为信号的高度对于一个通道的脑电数据默认设置为1，/>为信号的宽度，m和n为池化窗口内的相对位置偏移量。
5.如权利要求1所述的一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，所述基于多组不同的所述轴承故障数据脉冲信号对所述脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，所述轴承故障信号分类模型用于输出轴承故障类别的步骤中，
使用交叉熵损失函数作为损失函数，并在调节网络参数时选择Adam优化网络模型，公式如下：
，
其中，为x分到class的概率，class代表信号的实际标签；x表示当前的预测结果向量；/>为通过exp运算转为非负数再计算出当前样本被分到class类的概率，j代表当前的样本编号，/>为样本的实际标签。
6.如权利要求5所述的一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，所述基于多组不同的所述轴承故障数据脉冲信号对所述脉冲神经网络模型进行训练优化处理，以得到轴承故障信号分类模型，所述轴承故障信号分类模型用于输出轴承故障类别的步骤中，
脉冲神经网络的特性在于当膜电位高于膜阈值时细胞会向外发出脉冲，通过公式清晰表示为：
，
其中，表示输出脉冲；/>代表Heaviside阶跃函数；U[t]为膜电压，/>为膜阈值电压；当U[t]膜电压大于/>膜阈值电压时，通过Heaviside阶跃函数就会产生脉冲信号。
7.如权利要求1所述的一种基于脉冲神经网络的轴承故障诊断分类方法，其特征在于，所述将待识别的轴承故障数据进行脉冲编码，得到待识别的轴承故障脉冲数据的步骤中，
将待识别的轴承故障数据通过训练数据对应标签进行捆绑，然后使用BSA算法进行脉冲编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311019714.2A CN116756675B (zh) | 2023-08-14 | 2023-08-14 | 一种基于脉冲神经网络的轴承故障诊断分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311019714.2A CN116756675B (zh) | 2023-08-14 | 2023-08-14 | 一种基于脉冲神经网络的轴承故障诊断分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756675A CN116756675A (zh) | 2023-09-15 |
| CN116756675B true CN116756675B (zh) | 2023-11-07 |
Family
ID=87948023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311019714.2A Active CN116756675B (zh) | 2023-08-14 | 2023-08-14 | 一种基于脉冲神经网络的轴承故障诊断分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756675B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657250A (zh) * | 2017-10-30 | 2018-02-02 | 四川理工学院 | 轴承故障检测及定位方法及检测定位模型实现系统和方法 |
| CN113743528A (zh) * | 2021-09-15 | 2021-12-03 | 集美大学 | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 |
| CN113850181A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 基于特征信息融合的燃气轮机进口导叶系统故障诊断方法 |
| CN113869410A (zh) * | 2021-09-28 | 2021-12-31 | 云南农业大学 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
| CN114782741A (zh) * | 2022-03-28 | 2022-07-22 | 北京化工大学 | 一种基于机理仿真与数据驱动相融合的故障诊断方法 |
| CN115993248A (zh) * | 2023-02-17 | 2023-04-21 | 西北工业大学 | 基于脉冲神经网络的轴承故障检测方法、系统、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109061474A (zh) * | 2018-10-15 | 2018-12-21 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
| US20220383090A1 (en) * | 2021-05-25 | 2022-12-01 | International Business Machines Corporation | Sound anomaly detection with mixed augmented datasets |
-
2023
- 2023-08-14 CN CN202311019714.2A patent/CN116756675B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657250A (zh) * | 2017-10-30 | 2018-02-02 | 四川理工学院 | 轴承故障检测及定位方法及检测定位模型实现系统和方法 |
| CN113743528A (zh) * | 2021-09-15 | 2021-12-03 | 集美大学 | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 |
| CN113850181A (zh) * | 2021-09-23 | 2021-12-28 | 华北电力大学 | 基于特征信息融合的燃气轮机进口导叶系统故障诊断方法 |
| CN113869410A (zh) * | 2021-09-28 | 2021-12-31 | 云南农业大学 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
| CN114782741A (zh) * | 2022-03-28 | 2022-07-22 | 北京化工大学 | 一种基于机理仿真与数据驱动相融合的故障诊断方法 |
| CN115993248A (zh) * | 2023-02-17 | 2023-04-21 | 西北工业大学 | 基于脉冲神经网络的轴承故障检测方法、系统、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积脉冲神经网络的故障诊断方法研究;马新娜等;《广西师范大学学报(自然科学版)》;第40卷(第3期);第113-118页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756675A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
| Luo et al. | Convolutional neural network based on attention mechanism and Bi-LSTM for bearing remaining life prediction | |
| Chao et al. | Adaptive decision-level fusion strategy for the fault diagnosis of axial piston pumps using multiple channels of vibration signals | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
| CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
| CN116306289B (zh) | 一种基于多源域自适应的机电设备跨域剩余寿命预测方法 | |
| CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
| CN115017826B (zh) | 一种装备剩余使用寿命预测方法 | |
| de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
| CN113392881A (zh) | 一种基于迁移学习的旋转机械故障诊断方法 | |
| Tian et al. | Deep learning-based open set multi-source domain adaptation with complementary transferability metric for mechanical fault diagnosis | |
| Lee et al. | Unsupervised anomaly detection of the gas turbine operation via convolutional auto-encoder | |
| CN114239749A (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
| CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
| CN116756675B (zh) | 一种基于脉冲神经网络的轴承故障诊断分类方法 | |
| CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
| CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
| CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
| CN116861343A (zh) | 一种轴承故障诊断方法 | |
| 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 | |
| CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |