CN116975527A - 一种基于软阈值化与小波变换去噪的故障诊断方法 - Google Patents
一种基于软阈值化与小波变换去噪的故障诊断方法 Download PDFInfo
- Publication number
- CN116975527A CN116975527A CN202310777845.0A CN202310777845A CN116975527A CN 116975527 A CN116975527 A CN 116975527A CN 202310777845 A CN202310777845 A CN 202310777845A CN 116975527 A CN116975527 A CN 116975527A
- Authority
- CN
- China
- Prior art keywords
- signal
- threshold
- fault diagnosis
- soft thresholding
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 230000009466 transformation Effects 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于软阈值化与小波变换去噪的故障诊断方法，具体包括：采集振动信号，将采集得到的数据划分为训练集、测试集和验证集；对数据进行小波变换预处理，通过数据二维时频图表达，得到信号的高频分量和低频分量；构建软阈值与注意力机制非线性层；搭建基于ResNet模型；得出故障类型和位置。本发明采用小波变换对信号进行处理，将一维信号变换成二维时频图，进行特征维度的升维；使用软阈值化处理，将提取的高维特征在自注意力机制的作用下生成阈值，去除对故障诊断分类无效的噪声特征，提高故障信号的信噪比，从而提高诊断的准确率和可靠性；还能够保留信号中的重要信息，避免对信号过度处理，以保持信号的原始特性。
Description
技术领域
本发明属于信号处理技术领域，具体涉及一种基于软阈值化与小波变换去噪的故障诊断方法。
背景技术
在实际应用中，信号可能会受到各种干扰和噪声的影响，比如高斯噪声、斜坡噪声等，会导致信号质量下降，从而影响故障诊断的准确性。现有的信号故障信息的提取易存在以下问题：
(1)去噪效果不佳：在实际应用中，现有的技术方法往往不能对信号进行完全的去噪，噪声仍然会对故障诊断结果产生较大的影响；
(2)算法复杂度高：由于这些方法涉及到复杂的数学理论和计算方法，所以算法复杂度较高，需要较高的计算资源和时间；
(3)参数选择不够合理：这些方法需要选取一些参数，如小波阈值、奇异值个数等，但是如何选择这些参数并没有一个通用的方法，往往需要根据具体情况进行调整；
(4)对信号特征要求较高：这些方法往往对信号的特征要求较高，如需要满足一定的平稳性、非平稳性等条件，而实际信号中往往会受到多种因素的干扰，导致信号的特征不够明显，从而影响故障诊断的准确性。
另外，在故障信号的特征提取时，由于工业信号中的故障特征通常是微弱的，所以需要对信号进行特征提取才能识别故障，而传统的特征提取方法往往需要人工干预，费时费力，并且容易出现误判的情况。
在进行故障诊断时，需要对故障进行分类，以便选择正确的维修方案。传统的分类方法往往需要大量的人工干预和经验，不仅费时费力，而且容易出现误判的情况。
综上可知，如何准确地提取信号中的故障信息，成为故障诊断中的一个关键问题。
发明内容
本发明目的在于提供一种基于软阈值化与小波变换去噪的故障诊断方法，通过利用小波变换将信号变换成时频信号，通过软阈值化对变换后的时频信号去噪处理，最后使用深度学习模型(深度残差网络ResNet)进行故障诊断。以解决现有技术中故障诊断准确度低的技术问题。为实现该目的，本发明的具体技术内容如下：
一种基于软阈值化与小波变换去噪的故障诊断方法，该方法具体包括：
S1:采集振动信号，将采集得到的数据划分为训练集、测试集和验证集；
S2:对数据进行小波变换预处理，通过数据二维时频图表达，得到信号的高频分量和低频分量；
S3:构建软阈值与注意力机制非线性层；
S4:搭建基于ResNet模型；
S5:得出故障类型和位置。
进一步地，步骤S2中先将原始振动信号进行小波变换，得到不同尺度的频率分量；然后，将每个频率分量进行时间抽取，得到二维时频图，其中横坐标表示时间，纵坐标表示频率。
进一步地，所述高频分量包含信号的细节信息，所述低频分量包含信号的总体趋势信息，对于高频分量和低频分量，通过小波分析工具箱，采用不同的小波基函数进行分解，小波变换的数学表达式为：
通过对小波基函数ψa,b(t)对信号x(t)进行尺度和平移变换，分析信号的局部特征；a和b分别表示尺度参数和平移参数，t表示时间。
进一步地，所述步骤S3中，特征软阈值化是将每一个特征通道转换到一个范围内的系数，与设定的阈值进行比较，根据对比的结果进行处理，软阈值化方法如下所示：
其中，x表示输入特征，y表示输出特征，τ为阈值，并且软阈值函数求导后的梯度只有0和1，避免了在梯度爆炸和梯度消失。
进一步地，所述步骤S3中通过注意力自适应获取每个通道特征的阈值，需先将特征图进行压缩，其理论公式为：
其中zi表示第i个特征通道被压缩后的特征值；Xi,j,k是输入特征；H和W是特征图的高和宽。
进一步地，所述步骤S3中的通过注意力自适应获取每个通道特征的阈值，让压缩后的特征图通过构建的子网络，该子网络包含两个全连接层，得到一个特征通道长度的向量。
a1＝ReLU(W1z+b1),a2＝ReLU(W2a1+b2)，
其中，z是被压缩成C维的特征向量，W1和W2是全连接层的权重，b1和b2是全连接的偏置，a1和a2是全连接的输出，ReLU是激活函数。
进一步地，所述步骤S3中的通过注意力自适应获取每个通道特征的阈值，让全连接的输出b2，通过一个sigmoid函数，在sigmoid函数的作用下，阈值不仅是一个正数，且不超过1，使得输出不会全为0，
αi＝sigmoid(b2i),i∈{1,2,...,C}，
其中，αi是b2的缩放参数，则最后的阈值为threshold＝αi·zi，这样每一个特征通道都对应一个收缩阈值。
进一步地，通过αi与zi相乘得到自适应的阈值，去除了与噪声相关的特征，网络最后输出了故障的诊断类型。
进一步地，所述步骤S4中的ResNet模型采用ResNet-18，网络的深度为18。
与现有技术相比，本发明有以下优点：
1)去除噪声的效果好：小波变换具有多尺度分析的能力，能够将信号分解为不同尺度的频率成分，有利于去除噪声对信号的影响；
2)保留信号的特征：软阈值化方法在去除小于阈值的特征的同时，能够保留重要的信号特征；
3)自适应程度高：对于不同的振动信号，能够通过自注意力的学习确定不同信号不同通道的去噪阈值。
4)能够快速处理大量数据，计算效率高、实现简单等优点，适用于工业自动化领域，具有广泛的应用前景。
附图说明
图1为本发明故障诊断方法流程图；
图2为本发明小波变换后的振动信号时频显示图；
图3为本发明基于ResNet网络的软阈值去噪模型图；
图4为本发明基于ResNet网络的软阈值去噪模型的故障诊断结果。
具体实施方式
下面结合附图对本发明一种基于软阈值化与小波变换去噪的故障诊断方法作进一步说明。
如图1所示，一种基于软阈值化与小波变换去噪的故障诊断方法，具体包括以下步骤：
步骤一：采集振动信号。采集机械上传感器的振动信号，将采集得到的数据划分为训练集、测试集和验证集，基于常见的故障诊断类别进行分别，给数据打上标签，标签使用独热编码。
步骤二：小波变换预处理，得到数据二维时频图表达。将原始振动信号通过小波变换转换为二维时频图，得到信号的高频分量和低频分量。具体方法为：首先，将原始振动信号进行小波变换，得到不同尺度的频率分量；然后，将每个频率分量进行时间抽取，得到二维时频图，其中横坐标表示时间，纵坐标表示频率。即将一维信号转换为二维时频图，方便后续处理。如图2所示为小波变换后的振动信号时频显示。
对于高频分量和低频分量，通常采用不同的小波基函数进行分解，以便更好地理解和提取信号特征。高频分量通常包含信号的细节信息，低频分量则包含信号的总体趋势信息。对高频分量和低频分量的分析采用小波分析工具箱，利用MATLAB等软件实现，通过调整小波基函数和分解层数等参数，以更好地适应不同类型的信号。
其中，小波变换的数学表达式为：
通过对小波基函数ψa,b(t)对信号x(t)进行尺度和平移变换，分析信号的局部特征；a和b分别表示尺度参数和平移参数，t表示时间。小波变换能够提供多尺度分析的能力，通过调整尺度参数a可以在不同的时间尺度上对信号进行分析。
可以理解，小波变换可以将一维的振动时间序列数据转换成二维的时频图，使得振动信号的时域和频域信息同时得到保留，这种时频表示具有更丰富的信息，在后续的深度学习模型中，小波变换的时频图用于替代一维的振动时序数据作为模型的输入，从而可以提高模型的准确性和泛化能力。
步骤三：构建软阈值与注意力机制非线性层。特征软阈值化是将每一个特征通道转换到一个范围内的系数，与设定的阈值进行比较，根据对比的结果进行处理。软阈值化方法如下所示：
其中x表示输入特征，y表示输出特征，τ为阈值；软阈值化将接近0的数转换为0，不像ReLU将负数变为0，因此有用的负数特征也可以被保存；软阈值化函数的导数仅为0或1，能够避免梯度消失和梯度爆炸。
在传统信号去噪方法中，为阈值设置一个合适的值是困难的，软阈值化中的关键是滤波器，该滤波器可以将有用的信息转换为正负值很大的特征，并且将噪声信息转换为接近0的特征。深度学习通过使用梯度下降算法自动学习过滤器，将软阈值化和深度学习组合起来是一种消除噪声相关信息和构建有判别力特征的有效方式。通过注意力机制用于给予不同部分的输入数据不同的权重，从而使学习模型更关注重要的信息，忽略无关紧要的信息。根据注意力自适应获取重要性的特性，获取每个通道特征的阈值，首先进行特征图的压缩，其理论公式为：
其中zi表示第i个特征通道被压缩后的特征值；Xi,j,k是输入特征；H和W是特征图的高和宽。
让压缩后的特征图通过构建的子网络，该子网络包含两个全连接层，得到一个特征通道长度的向量，
a1＝ReLU(W1z+b1),a2＝ReLU(W2a1+b2)
其中，z是被压缩成C维的特征向量，W1和W2是全连接层的权重，b1和b2是全连接的偏置，a1和a2是全连接的输出，ReLU是激活函数。
让全连接的输出b2，通过一个sigmoid函数，在sigmoid函数的作用下，阈值不仅是一个正数，而且不会太大，不超过1，使得输出不会全为0，
αi＝sigmoid(b2i),i∈{1,2,...,C}，
其中，αi是b2的缩放参数，则最后的阈值为threshold＝αi·zi，这样每一个特征通道都对应一个收缩阈值。
步骤四：搭建基于ResNet模型。如图3所示为构建基于ResNet网络的软阈值去噪模型图。为了减少不必要的计算开支，在取得故障诊断分类效果较好的同时，优化模型的参数(包括网络的层数L，卷积核的大小K等)，基本的网络模型采用ResNet-18，网络的深度为18。
软阈值化去噪作为一个非线性模块插入到残差模型中，将学习得到的高维特征图经过池化，将特征图压缩到通道级，通过一个前馈神经网络(FFN)学习到通道长度的一组向量，将向量通过softmax函数压缩到[0，1]之间，最后特定通道的尺度值与输入特征图的特定通道平均值相乘，得到每一个通道的阈值。再进行软阈值化处理，避免了人工设置阈值的专家先验知识，对于不同的输入振动信号，可以自适应地进行去噪处理。
ResNet网络引入了残差学习的思想，通过添加跨层的捷径连接，让网络能够更好地学习到残差信息，从而让网络层数更深，提高了网络的准确性和可训练性。并且，ResNet网络通过跨层的捷径连接，让网络中的梯度信息直接流向浅层网络，有效地解决了梯度消失和梯度爆炸的问题，使得网络在层数加深时仍能保持较好的训练效果。
步骤五：得出故障类型。如图4所示，在数据集中的测试集中进行模型有效性的验证，结果表明，本发明的模型能有效去除故障信号中的噪声特征，有效分类各种故障类型。
基于软阈值化与小波变换去噪的故障诊断方法的关键点在于将原始信号通过小波变换转换为二维时频图，利用自注意力机制结合软阈值化方法自适应确定信号特征图中每个通道的阈值，通过软阈值化将噪声特征去除，提高信号的信噪比。另外，该方法还采用了多种评价指标来对诊断结果进行综合评估，从而确保了诊断结果的可靠性和准确性。
本发明通过小波变换将信号转换成时频域图像，进一步利用卷积神经网络提取图像特征，通过卷积层、池化层等深度学习技术进行处理，通过残差模型的注意力机制阶段，将对分类无用的噪声特征去除，提高模型的可解释性。具体而言，结合软阈值化的去噪方法，使得信号更加清晰，再从中提取故障特征进行诊断。其中，小波变换能够将信号的时间域和频率域信息结合起来，具有良好的时频局部性，能够有效地提取出信号的特征信息。而软阈值化方法则能够去除信号中的噪声，从而减少对信号特征的影响。在故障诊断的过程中，对提取出的故障特征进行分析，能够更加准确地确定故障的类型和位置。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，该方法具体包括：
S1:采集振动信号，将采集得到的数据划分为训练集、测试集和验证集；
S2:对数据进行小波变换预处理，通过数据二维时频图表达，得到信号的高频分量和低频分量；
S3:构建软阈值与注意力机制非线性层；
S4:搭建基于ResNet模型；
S5:得出故障类型和位置。
2.根据权利要求1所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，步骤S2中先将原始振动信号进行小波变换，得到不同尺度的频率分量；然后，将每个频率分量进行时间抽取，得到二维时频图，其中横坐标表示时间，纵坐标表示频率。
3.根据权利要求2所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，所述高频分量包含信号的细节信息，所述低频分量包含信号的总体趋势信息，对于高频分量和低频分量，通过小波分析工具箱，采用不同的小波基函数进行分解，小波变换的数学表达式为：
通过对小波基函数ψa,b(t)对信号x(t)进行尺度和平移变换，分析信号的局部特征；a和b分别表示尺度参数和平移参数，t表示时间。
4.根据权利要求1所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，所述步骤S3中，特征软阈值化是将每一个特征通道转换到一个范围内的系数，与设定的阈值进行比较，根据对比的结果进行处理，软阈值化方法如下所示：
其中，x表示输入特征，y表示输出特征，τ为阈值，并且软阈值函数求导后的梯度只有0和1。
5.根据权利要求4所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，所述步骤S3中通过注意力自适应获取每个通道特征的阈值，需先将特征图进行压缩，其理论公式为：
其中zi表示第i个特征通道被压缩后的特征值；Xi,j,k是输入特征；H和W是特征图的高和宽。
6.根据权利要求5所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，所述步骤S3中的通过注意力自适应获取每个通道特征的阈值，让压缩后的特征图通过构建的子网络，该子网络包含两个全连接层，得到一个特征通道长度的向量：
a1＝ReLU(W1z+b1),a2＝ReLU(W2a1+b2)
其中，z是被压缩成C维的特征向量，W1和W2是全连接层的权重，b1和b2是全连接的偏置，a1和a2是全连接的输出，ReLU是激活函数。
7.根据权利要求6所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，所述步骤S3中的通过注意力自适应获取每个通道特征的阈值，让全连接的输出b2，通过一个sigmoid函数，在sigmoid函数的作用下，阈值为正数，且不超过1，使得输出不会全为0；
αi＝sigmoid(b2i),i∈{1,2,...,C}
其中，αi是b2的缩放参数，则最后的阈值为threshold＝αi·zi，每一个特征通道对应一个收缩阈值。
8.根据权利要求7所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，通过αi与zi相乘得到自适应的阈值，去除了与噪声相关的特征，网络最后输出了故障的诊断类型。
9.根据权利要求1-8任一项所述的一种基于软阈值化与小波变换去噪的故障诊断方法，其特征在于，所述步骤S4中的ResNet模型采用ResNet-18，网络的深度为18。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777845.0A CN116975527A (zh) | 2023-06-29 | 2023-06-29 | 一种基于软阈值化与小波变换去噪的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777845.0A CN116975527A (zh) | 2023-06-29 | 2023-06-29 | 一种基于软阈值化与小波变换去噪的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116975527A true CN116975527A (zh) | 2023-10-31 |
Family
ID=88477544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310777845.0A Pending CN116975527A (zh) | 2023-06-29 | 2023-06-29 | 一种基于软阈值化与小波变换去噪的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975527A (zh) |
-
2023
- 2023-06-29 CN CN202310777845.0A patent/CN116975527A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
| CN112991199B (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
| Onur | Improved image denoising using wavelet edge detection based on Otsu’s thresholding | |
| CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
| CN112820322A (zh) | 一种基于自监督对比学习的半监督音频事件标注方法 | |
| CN113627375A (zh) | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 | |
| CN111580161A (zh) | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 | |
| CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
| CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、系统和存储介质 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| Wang et al. | A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN114036977A (zh) | 基于二维图像编码特征的风机电能质量扰动监测方法 | |
| CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
| CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
| CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
| CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
| CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
| CN112485001A (zh) | 一种面向智慧电梯的故障诊断方法 | |
| CN116594061A (zh) | 一种基于多尺度u形注意网络的地震数据去噪方法 | |
| CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
| CN116975527A (zh) | 一种基于软阈值化与小波变换去噪的故障诊断方法 | |
| Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 |
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 |