CN117571321A - 轴承故障检测方法、装置、设备及存储介质 - Google Patents
轴承故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117571321A CN117571321A CN202311583879.2A CN202311583879A CN117571321A CN 117571321 A CN117571321 A CN 117571321A CN 202311583879 A CN202311583879 A CN 202311583879A CN 117571321 A CN117571321 A CN 117571321A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- class
- detection model
- target bearing
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 200
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000005236 sound signal Effects 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 23
- 238000004590 computer program Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 8
- 239000008186 active pharmaceutical agent Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种轴承故障检测方法、装置、设备及存储介质,该方法包括:通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型,并输入至对应的目标轴承故障检测模型中,每个目标轴承故障检测模型输出每个故障类别的初始类别概率;基于设定历史数据集确定每个目标轴承故障检测模型的每个故障类别的精度;基于初始类别概率和精度确定轴承的故障类别。本发明可以提高故障检测的准确率。
Description
技术领域
本公开实施例涉及轴承故障诊断技术领域,尤其涉及一种轴承故障检测方法、装置、设备及存储介质。
背景技术
作为工业生产中不可替代的旋转机械,轴承在能源、化工、汽车、农业等领域中广泛应用。传统轴承故障检测方法的核心是特征提取和故障分类。然而人工特征提取依赖专家经验,且部分特征需要动力学模型作为先验知识,因此传统轴承故障检测方法具有一定的局限性。随着人工智能的发展,机器学习,尤其是深度学习在轴承故障诊断中广泛使用。虽然深度学习不依赖专家知识,能够自动提取特征并进行故障识别,实现端到端的故障诊断,但依然存在轴承故障检测准确率低的问题。
发明内容
本公开实施例提供一种轴承故障检测方法、装置、设备及存储介质,可以提高轴承故障检测的准确率。
第一方面,本公开实施例提供了一种轴承故障检测方法,包括:通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。
第二方面,本公开实施例还提供了一种轴承故障检测装置,信号采集模块,用于通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;划分模块,用于分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;模型获取模块,用于分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;初始类别概率获得模块,用于分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;故障类别精度确定模块,用于基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;故障类别确定模块,用于基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开实施例所述的轴承故障检测方法。
第四方面,本公开实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例所述的轴承故障检测方法。
本公开实施例的技术方案,通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。本公开实施例,通过每个目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定轴承的故障类别的方式,可以提高故障检测的准确率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例所提供的轴承故障检测方法流程示意图;
图2为本发明实施例提供的第一模块效果示意图;
图3为本发明实施例提供的第二模块效果示意图;
图4为本发明实施例提供的目标轴承故障检测模型结构效果示意图;
图5为本发明实施例提供的一种轴承故障检测示意图;
图6为本发明实施例提供的一种轴承故障检测效果示意图;
图7为本发明实施例提供的另一种轴承故障检测效果示意图;
图8为本发明实施例提供的又一种轴承故障检测效果示意图;
图9为本发明实施例提供的又一种轴承故障检测效果示意图;
图10为本发明实施例提供的又一种轴承故障检测效果示意图;
图11为本发明实施例提供的又一种轴承故障检测效果示意图;
图12为本发明实施例提供的又一种轴承故障检测效果示意图;
图13为本公开实施例所提供的一种轴承故障检测装置结构示意图;
图14为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1为本公开实施例所提供的轴承故障检测方法流程示意图,本公开实施例适用于对轴承故障进行检测的情况,该方法可以由轴承故障检测装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。如图1所示,方法包括:
S110、通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号。
可选的,所述传感器包括声压传感器和加速度传感器;所述声压传感器和所述加速度传感器的数量均包括多个;所述声压传感器用于采集轴承运行过程中的声音信号;所述加速度传感器用于采集轴承运行过程中的振动信号。
本实施例,对声压传感器和加速度传感器的安装位置不限限制,可以采集到轴承在运行过程中的声音信号和振动信号即可。
示例性的,声压传感器和所述加速度传感器的数量均包括2个,则可以得到2个单声音信号,2个单振动信号。
S120、分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号。
示例性的,以2个单声音信号,2个单振动信号进行为例,若将2个单声音信号分别记作A1,A2,2个单振动信号分别记作为V1,V2,对2个单声音信号,2个单振动信号进行划分之后,可以得到6组信号,分别为:A1、A2、A1A2、V1、V2以及V1V2。A1A2为2个单声音信号,也可以称为多声音信号;V1V2为2个单振动信号,也可以称为多振动信号。
S130、分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型。
示例性的,仍以A1、A2、A1A2、V1、V2以及V1V2信号为例,由于在训练阶段,通过训练集分别训练6组轴承故障检测模型,得到6组训练后的轴承故障检测模型,因此,在实际应用中,可以获取到A1、A2、A1A2、V1、V2以及V1V2对应的目标轴承故障检测模型。
S140、分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率。
示例性的,将A1输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率;将A2输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率;将A1A2输入至对应的目标轴承故障检测模型中(目标轴承故障检测模型为卷积神经网络,可以通过双通道同时处理A1和A2),输出每个故障类别的初始类别概率;将V1输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率;将V2输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率;将V1V2输入至对应的目标轴承故障检测模型中(目标轴承故障检测模型为卷积神经网络,可以通过双通道同时处理V1和V2),输出每个故障类别的初始类别概率。
可选的,对于多信号的目标轴承故障检测模型,所述目标轴承故障检测模型包括一个第一模块和多个第二模块;所述第一模块与第一个第二模块之间串联连接,所述多个第二模块之间串联连接;其中,所述多信号的目标轴承故障检测模型包括多个声音信号的目标轴承故障检测模型和多个振动信号的目标轴承故障检测模型。
示例性的,多信号的目标轴承故障检测模型可以为A1A2对应的目标轴承故障检测模型,也可以为V1V2对应的目标轴承故障检测模型。
可选的,对于单信号的目标轴承故障检测模型,所述目标轴承故障检测模型包括多个第二模块;所述多个第二模块之间串联连接;其中,所述单信号的目标轴承故障检测模型包括每个声音信号的目标轴承故障检测模型和每个振动信号的目标轴承故障检测模型。
示例性的,单信号的目标轴承故障检测模型可以为A1对应的目标轴承故障检测模型,也可以为A2对应的目标轴承故障检测模型,也可以为V1对应的目标轴承故障检测模型,也可以为V2对应的目标轴承故障检测模型。
可选的,第一模块包括第一卷积核、第二卷积核以及第三卷积核,所述第一卷积核、所述第二卷积核以及所述第三卷积核之间并联连接,所述第一卷积核、所述第二卷积核以及所述第三卷积核的尺寸不同;第二模块包括第四卷积核、第五卷积核、第六卷积核以及池化层,所述第四卷积核、所述第五卷积核以及所述第六卷积核之间并联连接,所述第四卷积核、所述第五卷积核以及所述第六卷积核的尺寸不同。
可选的,所述第一模块用于对所述第一卷积核、所述第二卷积核以及所述第三卷积核输出的特征进行拼接,所述第一模块还用于对拼接后的特征进行批归一化;所述第二模块用于对所述第四卷积核、所述第五卷积核以及所述第六卷积核输出的特征进行深度拼接,所述第二模块还用于通过所述池化层对深度拼接后的特征进行特征选择。
示例性的,对于采样频率为25600Hz的声音信号和振动信号,一个样本使用4096的采样点。对于多信号的目标轴承故障检测模型,也即包括第一模块和多个第二模块的模型,多个第二模块的数量以2个为例,模型的参数如表1所示。
表1模型的参数
对于单信号的目标轴承故障检测模型,也即仅包括多个第二模块的模型,以2个第二模块为例,模型的参数如表2所示。
表2模型的参数
示例性的,如图2所示,图2为本发明实施例提供的第一模块效果示意图。第一模块同时使用三个不同感受野的卷积核融合多传感器数据,得到三个融合的信号,并将融合后的信号拼接后进行批归一化操作,得到第一数据级融合特征,图2中,a可以为4096,b为2,k1可以为5,k2可以为25,k3可以为125,本实施例,通过第一模块,可以充分挖掘多源同质信号中的低频成分和高频成分的信息。其中,同质信号指同一类型传感器的信号。
图3为本发明实施例提供的第二模块效果示意图。如图3所示,第二模块的输入为第一模块的输出。通过第二模块可以提取多尺度特征。
本实施例中,由于A1A2对应的目标轴承故障检测模型以及V1V2对应的目标轴承故障检测模型对信号的处理过程相同,因此以A1A2对应的目标轴承故障检测模型为例进行说明,多个第二模块以2个为例:
将A1A2同时输入至所述第一模块中,获得第一数据级融合特征;将所述第一数据级融合特征输入至第一个第二模块中,第一个第二模块的输出输入至第二个第二模块中,将第二个第二模块的输出输入至分类层中,得到初始类别概率。具体的,将A1A2分别输入至所述第一卷积核、所述第二卷积核以及所述第三卷积核,获得第一卷积特征、第二卷积特征以及第三卷积特征;将第一卷积特征、第二卷积特征以及第三卷积特征进行拼接,获得拼接特征;对拼接特征进行归一化,获得第一数据级融合特征;将第一数据级融合特征分别输入至所述第四卷积核、所述第五卷积核以及所述第六卷积核,获得第四卷积特征、第五卷积特征以及第六卷积特征;将第四卷积特征、第五卷积特征以及第六卷积特征进行深度拼接,获得深度拼接特征;将所述深度拼接特征输入至池化层中,获得第二数据级融合特征。再将第二数据级融合特征输入至第二个第二模块中,由于每个第二模块对信号处理的过程相同,在此不再赘述。示例性的,如图4所示,图4为本发明实施例提供的目标轴承故障检测模型结构效果示意图。
对于单信号的目标轴承故障检测模型,由于相比多信号的目标轴承故障检测模型,不包括第一模块,仅包括多个第二模块,而每个第二模块对信号处理的过程相同,在此也不作赘述。
S150、基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度。
其中,设定历史数据集可以理解为验证集。本实施例,可以将验证集中的信号输入至对应的目标轴承故障检测模型中,获得验证集对应的每个故障类别的精度。
在设定历史数据集中,获得第i个目标轴承故障检测模型对第j故障类别的精度:
其中,TPij和FPij分别是第i个目标轴承故障检测模型第j故障类别的真正例和假正例。
S160、基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。
本实施例,可以基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率,根据每个故障类别的目标类别概率确定所述轴承的故障类别。其中,故障类别可以包括正常状态和故障状态类别,故障状态类别可以为具体的故障零件类别。
可选的,基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别,包括:基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率;将多个故障类别的目标类别概率中的最大目标类别概率对应的故障类别作为所述轴承的故障类别。
本实施例,可以利用改进的Dempster-Shafer证据理论(DS证据理论)方法对每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率。
可选的,基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率,包括:根据所述每个目标轴承故障检测模型的每个故障类别的精度对相应的初始类别概率进行折扣处理,获得每个目标轴承故障检测模型的每个故障类别的折扣概率;基于所述每个目标轴承故障检测模型的每个故障类别的折扣概率确定剩余概率;将所述剩余概率分配给每个目标轴承故障检测模型的辨识框架,获得每个目标轴承故障检测模型的折扣处理后的基本概率分配函数;将每个目标轴承故障检测模型的折扣处理后的概率分配函数进行合成,获得合成概率分配函数;基于所述合成概率分配函数确定每个故障类别的目标类别概率。
其中,基本概率分配函数(basic probability assignment,BPA)。示例性的,对于M个目标轴承故障检测模型,每个目标轴承故障检测模型的Softmax层得到的每个类别的初始类别概率作为M组基本概率分配(BPA),BPA函数定义如下:
其中,mi(θj)表示第i个目标轴承故障检测模型的Softmax层中得到第j类别的初始类别概率。
利用改进DS证据理论方法对每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率的具体过程如下:
根据精度Pij对初始类别概率mi(θj)做折扣处理,将剩余的概率分配给辨识框架Θ,获得折扣处理后的BPA函数mi′:
其中,折扣处理即Pij·mi(θj)。
基于DS证据理论,独立的BPA函数可根据Dempsterrule合成规则进行合成,记为:定义如下:
其中,m′可以表示合成概率分配函数。辨识框架(the frame of discernment)定义为Θ={θ1,θ2,…,θN}。其中,θN代表N个互斥且穷举的故障类别。Ai∈Θ。
本公开实施例的技术方案,通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。本公开实施例,通过每个目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定轴承的故障类别的方式,可以实现在轴承运行过程中的在线故障状态检测,可以提高故障检测的准确率,从而可以从根本上减少了轴承故障发生的概率。另外,通过融合声音信号和振动信号的信息,可以进一步提高轴承故障诊断的精度。
示例性的,图5为本发明实施例提供的一种轴承故障检测示意图。如图5所示,将A1输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率和精度;将A2输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率和精度;将A1A2输入至对应的目标轴承故障检测模型中(目标轴承故障检测模型为卷积神经网络,可以通过双通道同时处理A1和A2),输出每个故障类别的初始类别概率和精度;将V1输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率和精度;将V2输入至对应的目标轴承故障检测模型中,输出每个故障类别的初始类别概率和精度;将V1V2输入至对应的目标轴承故障检测模型中(目标轴承故障检测模型为卷积神经网络,可以通过双通道同时处理V1和V2),输出每个故障类别的初始类别概率和精度。通过改进DS证据理论对6组模型输出的每个故障类别的初始类别概率和精度进行处理,可以得到每个故障类别的目标类别概率。其中,A1、A2、V1和V2对应的目标轴承故障检测模型结构相同,A1A2和V1V2对应的目标轴承故障检测模型结构相同。
示例性的,图6为本发明实施例提供的一种轴承故障检测效果示意图,图6为使用单信号的目标轴承故障检测模型对A1声音信号进行检测的效果示意图,图7为本发明实施例提供的一种轴承故障检测效果示意图,图7为使用单信号的目标轴承故障检测模型对A2声音信号进行检测的效果示意图,图8为本发明实施例提供的一种轴承故障检测效果示意图,图8为使用多信号的目标轴承故障检测模型对A1A2声音信号进行检测的效果示意图,图9为本发明实施例提供的一种轴承故障检测效果示意图,图9为使用单信号的目标轴承故障检测模型对V1振动信号进行检测的效果示意图,图10为本发明实施例提供的一种轴承故障检测效果示意图,图10为使用单信号的目标轴承故障检测模型对V2振动信号进行检测的效果示意图,图11为本发明实施例提供的一种轴承故障检测效果示意图,图11为使用多信号的目标轴承故障检测模型对V1V2振动信号进行检测的效果示意图,图12为本发明实施例提供的一种轴承故障检测效果示意图,图12为使用改进的DS证据理论对图6、图7、图8、图9、图10以及图11的输出的结果进行融合的效果示意图,可以看到在目标轴承故障检测模型的Softmax层使用单个信号分类的结果存在较大的混淆,而使用同质信号进行融合之后(如A1A2和V1V2)分类的结果存在较小的混淆。使用改进的DS证据理论之后,分类的结果趋于分离,因此本发明提供的轴承故障检测方法的准确率高。其中,图6、图7、图8、图9、图10、图11以及图12中的故障类别均以5个为例。
图13为本公开实施例所提供的一种轴承故障检测装置结构示意图。所述装置包括:信号采集模块1301、划分模块1302、模型获取模块1303、初始类别概率获得模块1304、故障类别精度确定模块1305以及故障类别确定模块1306。
信号采集模块1301,用于通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;
划分模块1302,用于分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;
模型获取模块1303,用于分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;
初始类别概率获得模块1304,用于分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;
故障类别精度确定模块1305,用于基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;
故障类别确定模块1306,用于基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。
本公开实施例的技术方案,通过信号采集模块多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;通过划分模块分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;通过模型获取模块分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;通过初始类别概率获得模块分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;通过故障类别精度确定模块基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;通过故障类别确定模块基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。本公开实施例,通过每个目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定轴承的故障类别的方式,可以提高故障检测的准确率。
可选的,所述传感器包括声压传感器和加速度传感器;所述声压传感器和所述加速度传感器的数量均包括多个;所述声压传感器用于采集轴承运行过程中的声音信号;所述加速度传感器用于采集轴承运行过程中的振动信号。
可选的,对于多信号的目标轴承故障检测模型,所述目标轴承故障检测模型包括一个第一模块和多个第二模块;所述第一模块与第一个第二模块之间串联连接,所述多个第二模块之间串联连接;其中,所述多信号的目标轴承故障检测模型包括多个声音信号的目标轴承故障检测模型和多个振动信号的目标轴承故障检测模型;对于单信号的目标轴承故障检测模型,所述目标轴承故障检测模型包括多个第二模块;所述多个第二模块之间串联连接;其中,所述单信号的目标轴承故障检测模型包括每个声音信号的目标轴承故障检测模型和每个振动信号的目标轴承故障检测模型。
可选的,第一模块包括第一卷积核、第二卷积核以及第三卷积核,所述第一卷积核、所述第二卷积核以及所述第三卷积核之间并联连接,所述第一卷积核、所述第二卷积核以及所述第三卷积核的尺寸不同;第二模块包括第四卷积核、第五卷积核、第六卷积核以及池化层,所述第四卷积核、所述第五卷积核以及所述第六卷积核之间并联连接,所述第四卷积核、所述第五卷积核以及所述第六卷积核的尺寸不同。
可选的,所述第一模块用于对所述第一卷积核、所述第二卷积核以及所述第三卷积核输出的特征进行拼接,所述第一模块还用于对拼接后的特征进行批归一化;所述第二模块用于对所述第四卷积核、所述第五卷积核以及所述第六卷积核输出的特征进行深度拼接,所述第二模块还用于通过所述池化层对深度拼接后的特征进行特征选择。
可选的,故障类别精度确定模块具体用于:基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率;将多个故障类别的目标类别概率中的最大目标类别概率对应的故障类别作为所述轴承的故障类别。
本公开实施例所提供的轴承故障检测装置可执行本公开任意实施例所提供的轴承故障检测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
图14示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图14所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如轴承故障检测方法。
在一些实施例中,轴承故障检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的轴承故障检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行轴承故障检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SoC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种轴承故障检测方法,其特征在于,包括:
通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;
分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;
分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;
分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;
基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;
基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。
2.根据权利要求1所述的方法,其特征在于,所述传感器包括声压传感器和加速度传感器;所述声压传感器和所述加速度传感器的数量均包括多个;所述声压传感器用于采集轴承运行过程中的声音信号;所述加速度传感器用于采集轴承运行过程中的振动信号。
3.根据权利要求1所述的方法,其特征在于,
对于多信号的目标轴承故障检测模型,所述目标轴承故障检测模型包括一个第一模块和多个第二模块;所述第一模块与第一个第二模块之间串联连接,所述多个第二模块之间串联连接;其中,所述多信号的目标轴承故障检测模型包括多个声音信号的目标轴承故障检测模型和多个振动信号的目标轴承故障检测模型;
对于单信号的目标轴承故障检测模型,所述目标轴承故障检测模型包括多个第二模块;所述多个第二模块之间串联连接;其中,所述单信号的目标轴承故障检测模型包括每个声音信号的目标轴承故障检测模型和每个振动信号的目标轴承故障检测模型。
4.根据权利要求3所述的方法,其特征在于,第一模块包括第一卷积核、第二卷积核以及第三卷积核,所述第一卷积核、所述第二卷积核以及所述第三卷积核之间并联连接,所述第一卷积核、所述第二卷积核以及所述第三卷积核的尺寸不同;
第二模块包括第四卷积核、第五卷积核、第六卷积核以及池化层,所述第四卷积核、所述第五卷积核以及所述第六卷积核之间并联连接,所述第四卷积核、所述第五卷积核以及所述第六卷积核的尺寸不同。
5.根据权利要求4所述的方法,其特征在于,所述第一模块用于对所述第一卷积核、所述第二卷积核以及所述第三卷积核输出的特征进行拼接,所述第一模块还用于对拼接后的特征进行批归一化;所述第二模块用于对所述第四卷积核、所述第五卷积核以及所述第六卷积核输出的特征进行深度拼接,所述第二模块还用于通过所述池化层对深度拼接后的特征进行特征选择。
6.根据权利要求4所述的方法,其特征在于,基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别,包括:
基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率;
将多个故障类别的目标类别概率中的最大目标类别概率对应的故障类别作为所述轴承的故障类别。
7.根据权利要求6所述的方法,其特征在于,基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定每个故障类别的目标类别概率,包括:
根据所述每个目标轴承故障检测模型的每个故障类别的精度对相应的初始类别概率进行折扣处理,获得每个目标轴承故障检测模型的每个故障类别的折扣概率;
基于所述每个目标轴承故障检测模型的每个故障类别的折扣概率确定剩余概率;
将所述剩余概率分配给每个目标轴承故障检测模型的辨识框架,获得每个目标轴承故障检测模型的折扣处理后的基本概率分配函数;
将每个目标轴承故障检测模型的折扣处理后的概率分配函数进行合成,获得合成概率分配函数;
基于所述合成概率分配函数确定每个故障类别的目标类别概率。
8.一种轴承故障检测装置,其特征在于,包括:
信号采集模块,用于通过多个传感器采集轴承运行过程中的声音信号和振动信号,获得多个声音信号和多个振动信号;
划分模块,用于分别对所述多个声音信号和所述多个振动信号进行划分,获得多个单声音信号、一个多声音信号、多个单振动信号以及一个多振动信号;
模型获取模块,用于分别获取每个单声音信号、多声音信号、每个单振动信号以及多振动信号对应的目标轴承故障检测模型;
初始类别概率获得模块,用于分别将所述多个单声音信号、所述多声音信号、所述多个单振动信号以及所述多振动信号输入至对应的目标轴承故障检测模型中,每个所述目标轴承故障检测模型输出每个故障类别的初始类别概率;
故障类别精度确定模块,用于基于设定历史数据集确定每个所述目标轴承故障检测模型的每个故障类别的精度;
故障类别确定模块,用于基于每个所述目标轴承故障检测模型的每个故障类别的初始类别概率和精度确定所述轴承的故障类别。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的轴承故障检测方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的轴承故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583879.2A CN117571321B (zh) | 2023-11-24 | 2023-11-24 | 轴承故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583879.2A CN117571321B (zh) | 2023-11-24 | 2023-11-24 | 轴承故障检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117571321A true CN117571321A (zh) | 2024-02-20 |
CN117571321B CN117571321B (zh) | 2024-04-30 |
Family
ID=89891482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311583879.2A Active CN117571321B (zh) | 2023-11-24 | 2023-11-24 | 轴承故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571321B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636367A (zh) * | 2012-04-23 | 2012-08-15 | 浙江大学 | 一种模拟风力及海流载荷的多自由度动力加载装置 |
CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
CN114840938A (zh) * | 2022-04-22 | 2022-08-02 | 武汉理工大学 | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 |
CN114993669A (zh) * | 2022-04-20 | 2022-09-02 | 燕山大学 | 多传感器信息融合的传动系统故障诊断方法及系统 |
CN115200864A (zh) * | 2022-07-05 | 2022-10-18 | 中国国家铁路集团有限公司 | 轨道车辆轴箱轴承的故障检测方法和装置 |
CN115597868A (zh) * | 2022-11-24 | 2023-01-13 | 杭州电子科技大学(Cn) | 一种基于小波信号处理和深度学习的轴承故障分类方法 |
WO2023060542A1 (zh) * | 2021-10-15 | 2023-04-20 | 舍弗勒技术股份两合公司 | 轴承故障检测方法及存储介质 |
CN116416497A (zh) * | 2023-04-17 | 2023-07-11 | 广东海洋大学 | 一种轴承故障诊断系统及方法 |
CN116448428A (zh) * | 2023-06-16 | 2023-07-18 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
CN117009814A (zh) * | 2023-07-17 | 2023-11-07 | 河北工业大学 | 一种基于多源信息融合的发动机故障诊断方法及系统 |
CN117030263A (zh) * | 2023-08-08 | 2023-11-10 | 安徽工业大学 | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 |
-
2023
- 2023-11-24 CN CN202311583879.2A patent/CN117571321B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636367A (zh) * | 2012-04-23 | 2012-08-15 | 浙江大学 | 一种模拟风力及海流载荷的多自由度动力加载装置 |
CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
WO2023060542A1 (zh) * | 2021-10-15 | 2023-04-20 | 舍弗勒技术股份两合公司 | 轴承故障检测方法及存储介质 |
CN114993669A (zh) * | 2022-04-20 | 2022-09-02 | 燕山大学 | 多传感器信息融合的传动系统故障诊断方法及系统 |
CN114840938A (zh) * | 2022-04-22 | 2022-08-02 | 武汉理工大学 | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 |
CN115200864A (zh) * | 2022-07-05 | 2022-10-18 | 中国国家铁路集团有限公司 | 轨道车辆轴箱轴承的故障检测方法和装置 |
CN115597868A (zh) * | 2022-11-24 | 2023-01-13 | 杭州电子科技大学(Cn) | 一种基于小波信号处理和深度学习的轴承故障分类方法 |
CN116416497A (zh) * | 2023-04-17 | 2023-07-11 | 广东海洋大学 | 一种轴承故障诊断系统及方法 |
CN116448428A (zh) * | 2023-06-16 | 2023-07-18 | 通达电磁能股份有限公司 | 电机轴承故障诊断方法、装置、电子设备及可读存储介质 |
CN117009814A (zh) * | 2023-07-17 | 2023-11-07 | 河北工业大学 | 一种基于多源信息融合的发动机故障诊断方法及系统 |
CN117030263A (zh) * | 2023-08-08 | 2023-11-10 | 安徽工业大学 | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
周俊 等: "轴承复合故障欠定盲提取算法研究", 昆明理工大学学报(自然科学版), no. 05, 31 October 2015 (2015-10-31), pages 56 - 64 * |
Also Published As
Publication number | Publication date |
---|---|
CN117571321B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583332B (zh) | 人脸识别方法、人脸识别系统、介质及电子设备 | |
US20220253631A1 (en) | Image processing method, electronic device and storage medium | |
CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN115690443B (zh) | 特征提取模型训练方法、图像分类方法及相关装置 | |
US20240135698A1 (en) | Image classification method, model training method, device, storage medium, and computer program | |
CN110378389A (zh) | 一种Adaboost分类器计算机创建装置 | |
CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN113011155B (zh) | 用于文本匹配的方法、装置、设备和存储介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN113449778A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN117571321B (zh) | 轴承故障检测方法、装置、设备及存储介质 | |
CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113627611A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114117037A (zh) | 意图识别方法、装置、设备和存储介质 | |
CN116302661B (zh) | 一种异常预测方法、装置、电子设备及存储介质 | |
CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
CN113052175B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN114693995B (zh) | 应用于图像处理的模型训练方法、图像处理方法和设备 | |
CN114911963B (zh) | 一种模板图片分类方法、装置、设备、存储介质及产品 |
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 |