CN116861765A - 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 - Google Patents
一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116861765A CN116861765A CN202310630154.8A CN202310630154A CN116861765A CN 116861765 A CN116861765 A CN 116861765A CN 202310630154 A CN202310630154 A CN 202310630154A CN 116861765 A CN116861765 A CN 116861765A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- dbn
- data
- data set
- digital twin
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 227
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06F2218/04—Denoising
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于数字孪生和DBN的滚动轴承故障诊断方法及系统,通过滚动轴承数字孪生模型的建立能够实时获取海量故障数据,并通过深度置信网络对滚动轴承故障进行判断。本方法的核心在于:数字孪生模型的构建和更新、对数据集特征的提取和深度置信网络(DBN)的构建。建立与物理实体对应的数字孪生模型通过不断的更新使其获取更真实的孪生数据,同时数据集中特征的提取可以防止无关信号对故障诊断的影响。本发明着眼于工业4.0、智能制造2025背景下数字信息技术的快速发展,提出基于数字孪生技术+深度学习的滚动轴承故障诊断方法,能够为获取更加精准的滚动轴承故障诊断结果及滚动轴承故障溯源提供新思路。
Description
技术领域
本发明属于数字孪生技术及智能算法应用技术领域,具体涉及一种基于数字孪生和DBN的滚动轴承故障诊断方法及系统。
背景技术
滚动轴承作为广泛运用在旋转机械上的重要部件之一。在保持运动精度和提高机械效率上发挥了不可替代的作用,也广泛的用于各类机械中。然而滚动轴承存在着使用时间长、服役强度大、工作环境恶劣等特点,为了保证所在装备的可靠性、安全性、保障性,对滚动轴承故障诊断有了更高要求。传统的滚动轴承诊断已经与机器学习之间建立了联系,通过对滚动轴承振动信号滤波和特征提取,将处理后振动信号作为输入与神经网络进行连接,从而建立面向滚动轴承故障诊断的神经网络模型,以达到对滚动轴承故障更加精准的诊断效果
目前关于滚动轴承故障诊断的研究多是基于试验台上滚动轴承的振动信号,然而实验情况下的数据缺乏实际工况下的各类物理场干扰。随着互联网和计算机技术的不断发展,数字孪生提供了物理场集成的方法,通过虚拟模型与物理模型之间达到统一,对工业过程中的滚动轴承起到模拟作用,从而起到与实际情况近似的振动信号。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于数字孪生和DBN的滚动轴承故障诊断方法及系统,用于解决传统滚动轴承DBN数据不平衡,故障数据不足的技术问题。
本发明采用以下技术方案:
一种基于数字孪生和DBN的滚动轴承故障诊断方法,包括以下步骤:
S1、建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;
S2、对步骤S1得到的特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;
S3、利用主成分分析方法对步骤S2得到的规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;
S4、构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于步骤S3得到的孪生特征滚动轴承数据集对滚动轴承故障进行预测。
具体的,步骤S1具体为:
S101、建立滚动轴承运行数字孪生模型;
S102、利用步骤S101建立的数字孪生模型,对不同工作状态下的滚动轴承振动信号进行预测,从不同工况的振动预测结果中提取对应滚动轴承的振动信号的特征数据;
S103、利用步骤S102建立的特征数据,建立滚动轴承正常运行和含故障的滚动轴承数字孪生数据集。
进一步的,步骤S101具体为:
S1011、对滚动轴承的几何参数进行测量数字化建模,确定材料特性参数,测量初始工况和环境参数;
S1012、依据步骤S1011中测量和记录的数据参数以及相应的物理关系建立滚动轴承系统的数字孪生模型;
S1013、将所有子系统集成到统一的多物理仿真平台,建立为统一的物理模型;
S1014、记录滚动轴承实际运行过程工况下各类环境参数和滚动轴承的振动信号;
S1015、将步骤S1014得到的滚动轴承实际运行过程中工况下各类环境参数输入步骤S1013得到的统一物理模型中,并利用统一物理模型对滚动轴承的实时振动信号进行实时仿真模拟计算;
S1016、对实测的滚动轴承振动信号进行降噪处理;
S1017、将步骤S1015模拟计算得到的滚动轴承振动数据与步骤S1014中检测到的滚动轴承实际运行振动信号进行对比并计算偏差值;
S1018、根据步骤S1017得到的偏差值,对统一物理模型中的参数进行调整和修正;
S1019、根据牛顿第二定律得滚动轴承运动微分方程,采用龙库塔法对滚动轴承内圈运动学方程求解,获得滚动轴承振动信号。
进一步的,步骤S1019中,滚动滚动轴承内圈运动学方程如下:
其中,min为内圈和轴的总质量,C为滚动轴承内部阻尼系数,ke为滚动体与内、外圈的总接触刚度,Frx为在内圈X方向的径向力,Fry为在内圈Y方向的径向力,δ为滚动体与滚道接触的总形变量,Xout和Yout分别为外圈分别,在X和Y方向的振动位移,Xin和Yin分别为内圈分别在X和Y方向的振动位移,j为滚动体个数,为第j个球的载荷区系数。
具体的,步骤S3具体为:
S301、计算滚动轴承数字孪生数据集的协方差矩阵∑;
S302、求∑的特征值λ1及其对应的特征向量A;
S303、选择主成分的个数,根据累计贡献率确定主成分的个数;
S304、当累计贡献率较大时,反映出原变量信息,对于p,即抽取p个主成分。
进一步的,步骤S302中,特征向量A为:
其中,p为特征值的个数,λi为第i个特征值。
进一步的,步骤S303中,主成分的个数具体为:
其中,λi为第i个特征值,λk为最大特征值中的第k个特征值,m为选取的主成分的个数,p为特征值的个数。
具体的,步骤S4具体为:
S401、确定输入样本数据集和输出样本数据集;
S402、确定DBN输入层和输出层的节点数;
S403、设定隐含层节点数,通过不断进行控制变量实验,获取恰当网格结构层数;
S404、确定输入输出节点和网络层数之后,构建基于PCA-DBN的滚动轴承故障诊断预测模型,保持已知量不变情况下,设置不同隐含层节点数,进行控制变量实验,通过模型参数调整设置的最佳隐含节点数;
S405、训练构建的基于PCA-DBN的滚动轴承故障诊断预测模型;
S406、对数字孪生数据集中的数据进行特征提取,根据提取后的特征对滚动轴承故障的相关度进行分析,确定影响滚动轴承故障成分的关键变量;
S407、基于影响滚动轴承故障的关键变量,为精准的识别滚动轴承故障建立DBN神经网络算法,达到精准识别的效果滚动轴承故障的效果。
进一步的,步骤S405具体为:
S4051、基于建立的滚动轴承运行数字孪生数据库实时获取滚动轴承在不同工况下的运行模拟的振动信号,对振动信号中的特征数据进行提取;
S4052、将降维后的振动信息数据输入到深度置信网络学习模型,训练基于PCA-DBN的滚动轴承故障诊断预测模型。
第二方面,本发明实施例提供了一种基于数字孪生和DBN的滚动轴承故障诊断系统,包括:
数据模块,建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;
预处理模块,对数据模块得到的特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;
提取模块,利用主成分分析方法对预处理模块得到的规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;
预测模块,构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于提取模块得到的孪生特征滚动轴承数据集对滚动轴承故障进行预测。
与现有技术相比,本发明至少具有以下有益效果:
一种基于数字孪生和DBN的滚动轴承故障诊断方法,将数字孪生技术的动态仿真与机器学习相结合,通过动态仿真生成故障数据的同时,利用机器学习模型进行特征提取和学习,建立了孪生数据与真实数据之间的联系。通过构建近似于测量数据的数字孪生模型,扩充了滚动轴承数据集,提升轴承故障预测算法的性能表现。
进一步的,建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集,从而扩充滚动轴承振动信号数据集以获得更加精确的故障诊断结果。
进一步的,通过数字孪生技术建立数字孪生模型,依靠数字孪生模型实时产生的海量振动信号数据,为后续故障诊断算法提供了虚拟数据源。
进一步的,通过建立运动学微分方程并求解的方法,将滚动轴承运动系统简化为一个多自由度的非线性系统,降低计算成本的同时,剖析了故障轴承的动力学机理,能够得到具有局部故障的滚动轴承孪生模型。
进一步的,主成分分析算法通过某种线性投影,将高维的数据映射到低维空间中,可以得到较少的数据维度,同时保留住较多的原数据特征。这种算法是以方差衡量信息的无监督学习,不受到样本标签的限制;由于协方差矩阵对称,各主成分之间相互正交、线性不相关,消除了原始数据成分间的相互影响;由于算法用少数指标代替多数指标,减少了指标选择的工作量。
进一步的,通过计算协方差矩阵的特征值和特征向量,最大k个特征值对应的特征向量上的投影就是k维理想特征。由最大方差理论可得,数据方差越大,所包含的信息量就越大。选择具有较大特征值的特征向量,能够尽可能地保证数据信息不丢失。
进一步的,将累计贡献率作为判断选取主成分个数的标准,选取前m个主成分能够很好地保留原本样本的信息。主成分的贡献率越大,说明保存的原有数据的信息越多,对从p个变量中提取m个主成分这一步骤作出了合理的解释。
进一步的,通过构建基于PCA-DBN的滚动轴承故障诊断预测模型,能够充分利用孪生模型生成的滚动轴承故障特征数据集,通过孪生数据训练好的模型对滚动轴承进行故障预测,同时也检验了所生成的孪生数据集的有效性。
进一步的,DBN的训练过程为分别单独无监督的训练每一层RBM网络,确保特征向映射到不同特征空间时,尽可能多的保留特征信息。通过预训练神经元之间的权重,使得整个神经网络通过微调就能达到最优解,训练好的神经网络模型可以用来识别特征、分类数据。
可以理解的是,上述第二方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
综上所述,本发明通过创建滚动轴承的数字孪生体,生成各类故障情况的传感器数据,用于训练算法来进行监测和诊断;通过主成分分析算法对数据进行特征降维,减少了指标选择的工作量;通过构建基于PCA-DBN的滚动轴承故障诊断预测模型,能够充分利用孪生模型生成的滚动轴承故障特征数据集,通过孪生数据训练好的模型对滚动轴承进行故障预测,同时也检验了所生成的孪生数据集的有效性。这种方法为故障诊断算法提供了虚拟数据源,大大降低了从现场获取故障样本的成本。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明基于DBN的滚动轴承故障结构图;
图2为本发明预测流程图;
图3为孪生模型更新流程图;
图4为本发明整体架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计S4、具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于数字孪生和DBN的滚动轴承故障诊断方法,通过对建立的数字孪生模型实时产生的海量数据进行分析处理,实现对滚动轴承故障的预测,并对滚动轴承故障原因进行分析诊断,从而解决上述存在的问题。方法克服了传统滚动轴承DBN检测中,需要对物理实体模型进行全方位的数据检测的问题,从而解决上述问题;提取数字孪生模型的数据,验证了深度神经网络与数字孪生模型连接的可行性,为精准提高滚动轴承故障诊断精度做出了贡献;通过建立与物理实体系统相对应的滚动轴承数字孪生模型获取全方位的滚动轴承运动数据,利用主成分分析法对学习平台获取的数据集进行特征数据提取,将特征数据集和滚动轴承故障数据集构成样本集,按7:3比例划分为训练集和测试集,通过训练集训练,测试集微调构建基于深度置信网络(DBN)的滚动轴承故障诊断神经网络模型。
请参阅图2,本发明一种基于数字孪生和DBN的滚动轴承故障诊断方法,包括以下步骤:
S1、建立与滚动轴承运动物理模型对应的数字孪生模型,通过贝叶斯算法使数字孪生模型与实际物理模型之间误差不断减小,获取数字孪生模型中产生的海量数据,作为滚动轴承数字孪生数据集;
S101、建立滚动轴承运行数字孪生模型;
S1011、对滚动轴承的几何参数进行测量数字化建模,进行测量,对材料特性参数进行查询,对于初始工况和环境参数进行测量并记录;
对应物理模型的主轴滚动轴承集合结构参数可以从对应图纸文件中获取;所述材料特性至少应该包括对应滚动轴承的材料牌号和对应力学性能;所述工况和环境参数应该包括滚动轴承的工作转速、温度和对应载荷。
S1012、依据步骤S1011中测量和记录的数据参数以及相应的物理关系,建立滚动轴承系统的数字孪生模型;
物理作用关系至少包括,滚动轴承中滚动体/保持架/内圈/外圈之间的接触力和力矩、热与力的耦合关系,以及作用力和应变的关系;所述数字孪生模型,包括但不限于结构动力学模型、热力耦合模型、应力分析模型。
S1013、对于不同子模型之间的协调关系和接口进行重复的考虑,将所有子系统通过软件集成到统一的多物理仿真平台,将所述的子系统建立为统一的物理模型;
S1014、对滚动轴承再实际的运行过程中工况下各类环境参数和滚动轴承的振动信号进行监测和记录;
S1015、将上述滚动轴承实际运行过程中工况下各类环境参数输入到S1013得到的统一物理模型中去,并利用所述物理模型对滚动轴承的实时振动信号进行实时仿真模拟计算;
S1016、对实测的滚动轴承振动信号进行降噪处理;
S1017、将S1015模拟计算得到的滚动轴承振动数据与S1014中检测到的滚动轴承实际运行振动信号进行对比,计算两者的偏差值;
S1018、根据得到的偏差值,对统一物理模型中的参数进行调整和修正,从而使统一物理系统仿真得出振动信号与实际运行振动信号数据不断逼近,减小二者之间的偏差;
S1019、为了提升运算效率将滚动轴承运动过程看做六自由度的振动模型,根据牛顿第二定律,可得滚动轴承运动微分方程,采用龙库塔法对滚动轴承内圈运动学方程求解,获得滚动轴承振动信号,滚动滚动轴承内圈运动学方程如下:
其中,min为内圈和轴的总质量,C为滚动轴承内部阻尼系数,ke为滚动体与内、外圈的总接触刚度,Frx为在内圈X方向的径向力,Fry为在内圈Y方向的径向力,δ为滚动体与滚道接触的总形变量,Xout和Yout分别为外圈分别,在X和Y方向的振动位移,Xin和Yin分别为内圈分别在X和Y方向的振动位移,j为滚动体个数,为第j个球的载荷区系数。
S102、利用S101中所建立的数字孪生模型,对不同工作状态下的滚动轴承滚动轴承振动信号进行预测,从不同工况的振动预测结果中提取对应滚动轴承的振动信号的特征数据;
S103、利用步骤S102建立的特征数据,建立滚动轴承正常运行和含故障的滚动轴承数字孪生数据集,为后续步骤中故障诊断方法奠定基础。
S2、对步骤S1获取的海量数据进行数据的预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;
采用最大-最小归一化进行数据标准化处理:
。
S3、利用主成分分析方法(PCA)对步骤S2规范化的数据集进行特征数据提取,形成孪生特征滚动轴承数据集;
S301、计算滚动轴承数字孪生数据集的协方差矩阵∑;
∑=(Sij)m×m
其中,i,j=1,2,3,...,m,Sij为特征xi和xj的协方差,为特征xi的平均值,/>为特征xj的平均值。
S302、求∑的特征值λ1及其对应的特征向量A;
∑的前p个较大的特征值λ1≥λ2≥...≥λm,即为前p个主要成分对应的方差,其中λ1对应单位特征向量A就是主要成分Fi关于原变量的系数,则可知原变量第i个主成分Fi为:
Fi=A'X
主成分的信息贡献反应了主成分所包含的信息量的大小,A为:
S303、选择主成分的个数,最终选择主成分的个数由其累计贡献率确定;
S304、当累计贡献率较大时,反映出原变量信息,对于p,即抽取p个主成分。
S4、基于步骤S3得到的孪生特征滚动轴承数据集通过深度置信网络(DBN)的构建对滚动轴承故障进行预测。
请参阅图1,DBM由多个RBM堆叠而成,包含一个输入层、多个隐藏层和一个输出层,通过不断训练获得合适的网格参数,构造基于PCA-DBN的面向滚动轴承的故障诊断模型,具体步骤如下:
S401、确定输入样本数据集和输出样本数据集;
S402、确定DBN输入层和输出层的节点数;
S403、设定隐含层节点数,通过不断进行控制变量实验,获取恰当网格结构层数;
S404、确定输入输出节点和网络层数之后,构建基于PCA-DBN的滚动轴承故障诊断预测模型,保持已知量不变情况下,设置不同隐含层节点数,进行控制变量实验,通过模型参数调整确定模型的最佳隐含节点数;
S405、训练构建的基于PCA-DBN的滚动轴承故障诊断预测模型;
S4051、基于建立的滚动轴承运行数字孪生数据集实时获取滚动轴承在不同工况下的运行模拟的振动信号,对振动信号中的特征数据进行提取;
S4052、将降维后的振动信息数据输入到深度置信网络学习模型,训练基于PCA-DBN的滚动轴承故障诊断预测模型;
S406、对数字孪生数据集中的数据进行特征提取,根据提取后的特征对滚动轴承故障的相关度进行分析,确定影响滚动轴承故障成分的关键变量;
S407、基于影响滚动轴承故障的关键变量,为精准的识别滚动轴承故障建立DBN神经网络算法,达到精准识别的效果滚动轴承故障的效果。
请参阅图3,孪生模型更新流程图。根据实际物理模型的测量数据和孪生模型得到的仿真数据,构建目标函数,判断是否迭代收敛。若收敛,则使用更新后的参数更新孪生模型,若不收敛,则重新选择更新参数,构建参数方程,重新构建目标函数。
请参阅图4,本发明整体架构图。根据轴承物理模型数据集中采集的数据,作为数字孪生模型的输入,进行模型的动态更新。对得到的特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;利用主成分分析方法对得到的规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于得到的孪生特征滚动轴承数据集对滚动轴承故障进行预测。
本发明再一个实施例中,提供一种基于数字孪生和DBN的滚动轴承故障诊断系统,该系统能够用于实现上述基于数字孪生和DBN的滚动轴承故障诊断方法,具体的,该基于数字孪生和DBN的滚动轴承故障诊断系统包括数据模块、预处理模块、提取模块以及预测模块。
其中,数据模块,建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;
预处理模块,对数据模块得到的特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;
提取模块,利用主成分分析方法对预处理模块得到的规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;
预测模块,构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于提取模块得到的孪生特征滚动轴承数据集对滚动轴承故障进行预测。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于数字孪生和DBN的滚动轴承故障诊断方法的操作,包括:
建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;对特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;利用主成分分析方法对规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于孪生特征滚动轴承数据集对滚动轴承故障进行预测。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于数字孪生和DBN的滚动轴承故障诊断方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;对特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;利用主成分分析方法对规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于孪生特征滚动轴承数据集对滚动轴承故障进行预测。
综上所述,本发明一种基于数字孪生和DBN的滚动轴承故障诊断方法及系统,通过数字孪生技术建立数字孪生模型与深度置信网络的结合,依靠数字孪生模型实时产生的海量振动信号数据,并对其进行特征提取,使其特征信号与深度置信网络建立连接,从而构建滚动轴承故障诊断深度置信网络模型,可以使对滚动轴承故障的故障诊断更加具有先导性,前瞻性。便于提取物理世界中难以察觉的信号,获取更多数据,从而对滚动轴承故障进行更加精准的预测。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)
1.一种基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
S1、建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;
S2、对步骤S1得到的特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;
S3、利用主成分分析方法对步骤S2得到的规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;
S4、构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于步骤S3得到的孪生特征滚动轴承数据集对滚动轴承故障进行预测。
2.根据权利要求1所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S1具体为:
S101、建立滚动轴承运行数字孪生模型;
S102、利用步骤S101建立的数字孪生模型,对不同工作状态下的滚动轴承振动信号进行预测,从不同工况的振动预测结果中提取对应滚动轴承的振动信号的特征数据;
S103、利用步骤S102建立的特征数据,建立滚动轴承正常运行和含故障的滚动轴承数字孪生数据集。
3.根据权利要求2所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S101具体为:
S1011、对滚动轴承的几何参数进行测量数字化建模,确定材料特性参数,测量初始工况和环境参数;
S1012、依据步骤S1011中测量和记录的数据参数以及相应的物理关系建立滚动轴承系统的数字孪生模型;
S1013、将所有子系统集成到统一的多物理仿真平台,建立为统一的物理模型;
S1014、记录滚动轴承实际运行过程工况下各类环境参数和滚动轴承的振动信号;
S1015、将步骤S1014得到的滚动轴承实际运行过程中工况下各类环境参数输入步骤S1013得到的统一物理模型中,并利用统一物理模型对滚动轴承的实时振动信号进行实时仿真模拟计算;
S1016、对实测的滚动轴承振动信号进行降噪处理;
S1017、将步骤S1015模拟计算得到的滚动轴承振动数据与步骤S1014中检测到的滚动轴承实际运行振动信号进行对比并计算偏差值;
S1018、根据步骤S1017得到的偏差值,对统一物理模型中的参数进行调整和修正;
S1019、根据牛顿第二定律得滚动轴承运动微分方程,采用龙库塔法对滚动轴承内圈运动学方程求解,获得滚动轴承振动信号。
4.根据权利要求3所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S1019中,滚动滚动轴承内圈运动学方程如下:
其中,min为内圈和轴的总质量,C为滚动轴承内部阻尼系数,ke为滚动体与内、外圈的总接触刚度,Frx为在内圈X方向的径向力,Fry为在内圈Y方向的径向力,δ为滚动体与滚道接触的总形变量,Xout和Yout分别为外圈分别,在X和Y方向的振动位移,Xin和Yin分别为内圈分别在X和Y方向的振动位移,j为滚动体个数,ζj为第j个球的载荷区系数。
5.根据权利要求1所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S3具体为:
S301、计算滚动轴承数字孪生数据集的协方差矩阵∑;
S302、求∑的特征值λ1及其对应的特征向量A;
S303、选择主成分的个数,根据累计贡献率确定主成分的个数;
S304、当累计贡献率较大时,反映出原变量信息,对于p,即抽取p个主成分。
6.根据权利要求5所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S302中,特征向量A为:
其中,p为特征值的个数,λi为第i个特征值。
7.根据权利要求5所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S303中,主成分的个数具体为:
其中,λi为第i个特征值,λk为最大特征值中的第k个特征值,m为选取的主成分的个数,p为特征值的个数。
8.根据权利要求1所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S4具体为:
S401、确定输入样本数据集和输出样本数据集;
S402、确定DBN输入层和输出层的节点数;
S403、设定隐含层节点数,通过不断进行控制变量实验,获取恰当网格结构层数;
S404、确定输入输出节点和网络层数之后,构建基于PCA-DBN的滚动轴承故障诊断预测模型,保持已知量不变情况下,设置不同隐含层节点数,进行控制变量实验,通过模型参数调整设置的最佳隐含节点数;
S405、训练构建的基于PCA-DBN的滚动轴承故障诊断预测模型;
S406、对数字孪生数据集中的数据进行特征提取,根据提取后的特征对滚动轴承故障的相关度进行分析,确定影响滚动轴承故障成分的关键变量;
S407、基于影响滚动轴承故障的关键变量,为精准的识别滚动轴承故障建立DBN神经网络算法,达到精准识别的效果滚动轴承故障的效果。
9.根据权利要求8所述的基于数字孪生和DBN的滚动轴承故障诊断方法,其特征在于,步骤S405具体为:
S4051、基于建立的滚动轴承运行数字孪生数据集实时获取滚动轴承在不同工况下的运行模拟的振动信号,对振动信号中的特征数据进行提取;
S4052、将降维后的振动信息数据输入到深度置信网络学习模型,训练基于PCA-DBN的滚动轴承故障诊断预测模型。
10.一种基于数字孪生和DBN的滚动轴承故障诊断系统,其特征在于,包括:
数据模块,建立与滚动轴承运动物理模型对应的数字孪生模型,从数字孪生模型产生的振动信号中提取特征数据作为滚动轴承数字孪生数据集;
预处理模块,对数据模块得到的特征数据进行预处理,对预处理后的数据进行数据的最大-最小值标准化处理,获得规范化的数据集;
提取模块,利用主成分分析方法对预处理模块得到的规范化数据集进行特征数据提取,形成孪生特征滚动轴承数据集;
预测模块,构建基于PCA-DBN的滚动轴承故障诊断预测模型,基于提取模块得到的孪生特征滚动轴承数据集对滚动轴承故障进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630154.8A CN116861765A (zh) | 2023-05-30 | 2023-05-30 | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630154.8A CN116861765A (zh) | 2023-05-30 | 2023-05-30 | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861765A true CN116861765A (zh) | 2023-10-10 |
Family
ID=88232976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630154.8A Pending CN116861765A (zh) | 2023-05-30 | 2023-05-30 | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117359391A (zh) * | 2023-12-08 | 2024-01-09 | 江苏雷鸣智能装备有限公司 | 数控机床滚动轴承的故障智能诊断方法及系统 |
-
2023
- 2023-05-30 CN CN202310630154.8A patent/CN116861765A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117359391A (zh) * | 2023-12-08 | 2024-01-09 | 江苏雷鸣智能装备有限公司 | 数控机床滚动轴承的故障智能诊断方法及系统 |
CN117359391B (zh) * | 2023-12-08 | 2024-02-13 | 江苏雷鸣智能装备有限公司 | 数控机床滚动轴承的故障智能诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582225B (zh) | 一种遥感图像场景分类方法及装置 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN112417954A (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN113822139B (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN116861765A (zh) | 一种基于数字孪生和dbn的滚动轴承故障诊断方法及系统 | |
CN116090111B (zh) | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN113076694B (zh) | 基于物联网的风机故障评价设备 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
Ullah et al. | Machine health surveillance system by using deep learning sparse autoencoder | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN112633362B (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN117726240A (zh) | 一种基于卷积神经网络的质量评价分类方法及系统 | |
CN111382792B (zh) | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 |
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 |