CN118302757A - 自动诊断零件的方法 - Google Patents
自动诊断零件的方法 Download PDFInfo
- Publication number
- CN118302757A CN118302757A CN202280080166.1A CN202280080166A CN118302757A CN 118302757 A CN118302757 A CN 118302757A CN 202280080166 A CN202280080166 A CN 202280080166A CN 118302757 A CN118302757 A CN 118302757A
- Authority
- CN
- China
- Prior art keywords
- sub
- graph
- training
- signal
- rotary machine
- 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 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000002950 deficient Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002759 z-score normalization Methods 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
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
根据一个方面，本发明涉及一种基于由旋转机器所生成的时间信号自动诊断旋转机器的零件的方法，包括以下步骤：‑根据信号来构造图形，包括以下子步骤：‑将信号拆分成多个子信号；‑针对每个子信号，计算子信号的傅里叶变换以获得每个频率的振动能量；‑构造图形，该图形是具有多行和多列的矩阵，每行对应于旋转机器的旋转速度，每列对应于傅里叶变换的频率除以旋转机器的旋转速度，该矩阵针对每行和每列包含对应的振动能量；‑对人工神经网络进行监督训练，使其能够图形提供包含在操作类别集合中的操作类别，操作类别集合至少包括一个标称操作类别和一个缺陷操作类别，在包括训练图形的训练数据库上训练人工神经网络，每个训练图形与操作类别相关联；以及‑对所构造的图形使用经训练的人工神经网络来提供旋转机器的操作类别。
Description
技术领域
本发明的技术领域是零件的诊断，并且更具体地是零件的自动诊断。
本发明涉及一种用于根据由旋转机器所生成的非平稳时间信号来自动诊断旋转机器的零件的方法。本发明还涉及一种计算器、一种计算机程序产品和一种记录介质。
背景技术
在许多工业领域中，系统（例如旋转机器）的诊断对于为了解其操作状态或健康状况并因此规划维护操作以尽量减少其不可用性是至关重要的。
系统的诊断传统是通过分析由系统所生成的物理信号来进行的，这些物理信号可以通过（例如电、磁、热、声或振动）传感器来进行测量。
特别地，振动信号的分析通常被用来确定旋转机器部件（例如其轴承）的操作状态：在生产或维护阶段期间，因此在旋转机器正在操作时获取高频振动信号，以便检测轴承损坏的微弱信号特性（称为特征），从而防止旋转机器发生故障。
如今，通过计算旋转速度阶域中振动信号的统计指标来分析所获取的振动信号。然后将计算出的统计指标与表示无损坏的旋转机器群体的统计指标进行比较，损坏检测阈值，即被认为与损坏同义的偏差值，由专家凭经验和主观确定。因此，诊断是不可靠的，因为它可能因专家而异并且需要专家的干预。
因此，需要可靠地诊断系统的零件，并且更具体地是旋转机器的零件，同时限制人为干预的次数。
发明内容
本发明通过使得可以提供对旋转机器的零件的可靠且自动的诊断，为前面讨论的问题提供了解决方案。
本发明的第一方面涉及一种用于自动诊断旋转机器的零件的方法，该方法根据在旋转机器的旋转速度随时间而变化的至少一个阶段期间由旋转机器所生成的非平稳时间信号来执行，该方法包括以下步骤：
- 根据信号来构建图形，包括以下子步骤：
o 将信号拆分成多个子信号，每个子信号对应于与旋转机器的至少一个旋转速度相关联的时间间隔，并且在时间间隔内是准平稳的；
o 针对每个子信号，计算子信号的傅里叶变换，以便获得针对子信号的傅里叶变换的每个频率的振动能量；
o 构建图形，该图形是具有按升序排列的多行和按升序排列的多列的矩阵，每行对应于旋转机器的旋转速度，每列对应于傅里叶变换的频率除以旋转机器的旋转速度，该矩阵针对每行和每列包括与针对该列的傅里叶变换的频率的、该行的旋转机器的旋转速度相对应的子信号的振动能量；
- 监督训练人工神经网络以获得能够从图形中提供包括在操作类别集合中的操作类别的经训练的人工神经网络，该操作类别集合至少包括一个标称操作类别和一个缺陷操作类别，在包括多个训练图形的训练数据库上训练人工神经网络，每个训练图形由训练旋转机器所生成的非平稳时间信号构建，并与来自操作类别集合中的操作类别相关联；
- 在所构建的图形上使用经训练的人工神经网络来提供旋转机器的操作类别。
借助于本发明，旋转机器的零件的诊断是自动化的，因为一旦获得了训练数据库的操作类别，就不需要人工干预。为此，构建表示作为旋转机器的频率和旋转速度的函数的时间信号的振动能量的图形提供了图像，该图像可以被供应给为图像处理而专门化的人工神经网络，以检测图形中与损坏同义的特征，并且因此确定零件的操作类别，即确定零件是否有缺陷。针对不同的旋转速度来处理时间信号，因为损坏只可能发生在旋转机器所采用的部分旋转速度上。
作为下面描述的用于诊断航空器发动机轴承的实验的一部分，经训练的人工神经网络提供了96.25%的准确结果，其中有缺陷的发动机检测率为95%，误报率为2.5%，并且其决策基于与专家通常用来做出其诊断的特征相对应的图形区域。因此，可以认为根据本发明的方法所提供的诊断是可靠的。
除了前面段落刚刚讨论的特征之外，根据本发明的方法可以具有以下中的一个或多个补充特性，这些特性可以单独考虑或者根据任何技术上可行的组合来考虑：
- 信号是振动信号。
- 零件是包括在旋转机器中的轴承。
- 旋转机器是发动机。
- 构建图形的步骤包括将对数标度应用于所构建的图形的子步骤；
将对数标度应用于图形使得能够提高图形的对比度。
- 构建图形的步骤包括将所构建的图形的尺寸减小预定因子的子步骤。
减小图形的尺寸使得能够减少人工神经网络处理图形所需的计算时间。
- 根据本发明的方法包括构建训练数据库的步骤，包括以下子步骤：
o 对于由训练旋转机器所生成的每个非平稳时间信号，根据信号来构建初始图形；
o 对于所构建的每个初始图形，对所构建的初始图形进行标准归一化以获得训练图形。
标准归一化使得训练数据库能够同质化。
- 人工神经网络是卷积人工神经网络。
本发明的第二方面涉及一种计算器，其被配置为实现根据本发明的方法的步骤。
本发明的第三方面涉及一种包括指令的计算机程序产品，当程序在计算机上执行时，指令使计算机实现根据本发明的方法的步骤。
本发明的第四方面涉及一种包括指令的计算机可读记录介质，当指令由计算机执行时使计算机实现根据本发明的方法的步骤。
阅读以下描述并查看附图后，将更好地理解本发明及其不同应用。
附图说明
以指示而非以任何方式限制本发明的目的的方式来阐述附图。
- 图1[图1]示出了作为时间的函数的非平稳时间信号的图形。
- 图2[图2]示出了根据本发明的方法的框图。
- 图3[图3]是在根据本发明的方法的第一步骤结束时获得的图形。
- 图4[图4]示出了在根据本发明的方法的第三步骤期间训练的人工神经网络所提供的结果的混淆矩阵。
- 图5[图5]示出了在根据本发明的方法的第一步骤结束时获得的图形，在该图形上借助热图而表示了区域在经训练的人工神经网络的决策中的重要性。
具体实施方式
以指示而非以任何方式限制本发明的目的的方式来阐述附图。
本发明涉及一种用于诊断旋转机器的零件的方法，该诊断是自动的，即不需要人工干预。
“诊断旋转机器的零件”意指确定旋转机器的零件的操作状态，操作状态例如是标称操作状态或有缺陷的操作状态。
旋转机器优选为发动机，例如活塞发动机。旋转机器优选地被包括在航空器中，诸如例如涡轮喷气发动机。
零件例如是一个或多个齿轮、转子-定子组件、旋转轴、油不平衡、叶片尾流、转轮尾流或一个或多个轴承。
根据优选实施例，旋转机器是发动机，而零件是轴承。
根据本发明的方法基于由旋转机器所生成的非平稳时间信号。
“非平稳时间信号”意指频率内容随时间变化的物理时间信号。
在说明书的其余部分中，术语“非平稳时间信号”、“时间信号”或“信号”将可互换地使用。
时间信号是在旋转机器的旋转速度随时间而变化的至少一个阶段期间生成的。时间信号是非平稳的这一事实是因为旋转机器的旋转速度在时间信号生成阶段期间发生变化的这一事实。
例如，借助于可能被嵌入到旋转机器中的传感器（例如电、磁、热、声或振动传感器）来测量信号。
优选地，传感器是振动传感器，特别是加速度计。
图1示出了示例性非平稳时间信号，横坐标表示时间，而纵坐标表示信号的幅度。
根据优选实施例，该信号是振动信号。
根据本发明的方法可以作为在旋转机器的生产线的输出处检查的一部分而被执行或者可以在旋转机器的维护期间被执行。
例如，如果旋转机器是发动机，则信号例如是在操作期间发动机的加速和减速阶段期间所生成的振动信号。
根据本发明的方法100包括多个步骤，其顺序在图2中表示。
根据本发明的方法100的第一步骤101是根据信号来构建图形的步骤101。第一步骤101包括多个子步骤。
第一步骤101的第一子步骤1011是将信号拆分成多个子信号的子步骤。拆分被执行以使得每个子信号在对应的时间间隔内是准平稳的。
每个时间间隔以及因此的每个子信号与旋转机器的至少一个旋转速度相关联，该旋转速度对应于旋转机器在该时间间隔内所采取的旋转速度。
第一步骤101的第二子步骤1012是针对每个子信号计算子信号的傅里叶变换的子步骤，这使得可以针对计算出的傅里叶变换的每个频率，即针对子信号的通带的每个频率，获得与子信号中的频率相关联的振动能量。因此，振动能量对应于子信号的频率幅度。
第一步骤101的第三子步骤1013是构建图形的子步骤。
图形是具有多行和多列的矩阵。每行对应于旋转机器在用于生成时间信号的阶段上所采取的旋转速度，每列对应于第二子步骤1012中计算出的傅里叶变换的频率除以旋转机器在用于生成时间信号的阶段上所采取的旋转速度。多行按升序排列，即第一行所对应的旋转速度低于第二行所对应的旋转速度。类似地，多列按升序排列。
对于多行中的每行和多列中的每列，图形包括与针对对应于该列的傅里叶变换的频率的、对应于该行的旋转机器的旋转速度相关联的子信号的振动能量。
因此，所构建的图形是二维的，并且因此可以类似于灰度图像或彩色图像。
图3中示出了示例性的所构建的图形。所构建的图形的每个点或像素对应于给定的旋转速度、给定频率除以给定旋转速度以及给定的振动能量，该振动能量的强度由色标所定义的颜色来表示。替代地，振动能量的强度可以由灰度级标度所定义的灰度级来表示。
所构建的图形包括例如两百万至一千二百万之间的像素数。
根据一个实施例，方法100的第一步骤101还包括子步骤1014，用于将对数标度应用于在第三子步骤1013结束时获得的所构建的图形。
根据前述实施例的补充实施例，第一步骤101还包括子步骤1015，用于将第三子步骤1013结束时获得的所构建的图形的尺寸缩小预定因子。预定因子例如等于十。
可以借助于被称为“最大池化”的最大值子采样操作来进行减小所构建的图形的尺寸。
该方法还包括第三步骤103，在训练数据库上对人工神经网络进行监督训练，以便获得能够从图形中提供操作类别的经训练的人工神经网络。
操作类别被包括在操作类别集合中，该操作类别集合至少包括一个标称操作类别和一个缺陷操作类别。该操作类别集合还可以包括有风险操作类别。
监督训练，也被称为监督学习，使得可以通过更新人工神经网络的参数来训练人工神经网络用于预定义任务，从而最小化与由人工神经网络提供的输出数据段与真实输出数据段之间的误差相对应的成本函数，即人工神经网络应该输出什么以便完成对某些输入数据段的预定义任务。
因此，训练数据库包括输入数据，每个输入数据与一段输出数据相关联。
输入数据是训练图形，每个训练图形根据训练旋转机器所生成的非平稳时间信号来构建，并且每个训练图形与操作类别集合中的操作类别相关联，因此操作类别是输出数据。
每个训练旋转机器与旋转机器是相同类型，也就是说，如果旋转机器是航空器发动机，则每个训练旋转机器也是航空器发动机。
因此，人工神经网络的监督训练包括更新人工神经网络的参数，以便最小化成本函数，该成本函数与由人工神经网络根据训练数据库的训练图形而提供的操作类别预测与训练数据库的所述训练图形相关联的操作类别之间的误差相对应。
成本函数例如由二元交叉熵函数与S型（sigmoid）函数的复合产生。
成本函数例如使用具有随时间反向传播（BPTT）的随机梯度下降算法来最小化。
人工神经网络优选为卷积人工神经网络。
人工神经网络例如是VGG19人工神经网络。
根据一个实施例，方法100包括构建训练数据库的第二步骤102，在第三步骤103之前执行该第二步骤102，其包括多个子步骤。
第二步骤102的第一子步骤1021包括：对于由训练旋转机器所生成的每个信号，根据该信号来构建初始图形。
第二步骤102的第一子步骤1021以与第一步骤101相同的方式执行，即，通过将信号拆分成子信号，计算每个子信号的傅里叶变换以获得振动能量，并使用所获得的振动能量来构建初始图形。
第二步骤102的第二子步骤1022包括：对于在第一子步骤1021结束时获得的每个初始图形，对初始图形应用标准归一化（也称为z分数归一化）以获得训练图形。
该方法包括第四步骤104，在第一步骤101结束时获得的所构建的图形上使用经训练的人工神经网络来获得操作类别，并且因此获得对旋转机器的零件的诊断。
已经进行了实验以测试在旋转机器是航空器发动机并且要诊断的零件是航空器发动机的轴承的情况下训练的人工神经网络提供的结果。
包括1665个发动机的集合中的每个发动机在测试台上执行了相同的操纵。该操纵是发动机的加速，然后是发动机的减速。在此操纵期间，包括在发动机中的加速度计测量了非平稳时间振动信号。
根据本发明的方法100的第二步骤102，根据1665个测量到的振动信号来构建数据库，以获得1665个图形，并且将标称操作类别或缺陷操作类别与专家获得的每个图形手动地相关联。
全部1665个图形及其相关联的类别构成注释数据库，该数据库已根据下表中所示的比例而被划分成三个部分：训练数据库、验证数据库和测试数据库：
作为实验的一部分，所使用的人工神经网络是VGG19人工神经网络。
已在训练数据库上以监督方式训练了人工神经网络，并且已经借助验证数据库对训练进行了验证。
为了评估人工神经网络的性能，将包括在测试数据库中的图形提供给经训练的人工神经网络，并通过针对测试数据库中的每个图形而将由人工神经网络为所述图形提供的操作类别和与测试数据库中的所述图形相关联的操作类别进行比较来评估若干质量标准。
评估的质量标准如下：
- 结果的准确性，即人工神经网络指派了正确类别的发动机数量除以发动机总数；
- 缺陷发动机的检测率；
- 误报率，在这种情况下，误报是将缺陷发动机归类为标称操作发动机的类别。
结果如下表所示：
上表中列出的质量标准也可以以混淆矩阵的形式来表示，如图4中所图示。矩阵的每一列对应于真实的操作类别，即包括在测试数据库中的操作类别，矩阵的每一行对应于由人工神经网络所提供的操作类别。
混淆矩阵可以被解读如下：
- 垂直方向，对于第一列，在40台标称操作的发动机中，39台已被人工神经网络估计为标称操作的发动机，1台发动机被估计为是有缺陷的（即，假阴性），
- 垂直方向，对于第二列，在40台有缺陷的发动机中，2台已被神经网络估计为标称操作的发动机（即，2台假阳性），38台已被估计为有缺陷的，
- 水平方向，对于第一行，在41台已被神经网络估计为标称操作的发动机中，2台实际上是有缺陷的发动机，
- 水平方向，对于第二行，在39台已被人工神经网络估计为有缺陷的发动机中，1台实际上是标称操作的发动机，
- 对角线方向，从左上到右下，在80台发动机中，77台（39+38）已被人工神经网络正确估计，准确率为96.25%。
由人工神经网络用来决定指派操作类别的感兴趣区域已使用被称为梯度加权类激活映射（Grad-Cam）的模块进行可视化，该模块产生突出显示这些感兴趣区域的热图。
图5表示已应用了Grad-Cam模块的图形。突出显示的区域对应于由人类操作员手动识别的发动机轴承的损坏特征，这意味着人工神经网络正确地识别了发动机轴承的损坏特征以便决定指派缺陷操作类别。
Claims (10)
1.一种用于自动诊断旋转机器的零件的方法（100），该方法基于在旋转机器的旋转速度随时间而变化的至少一个阶段期间由旋转机器所生成的非平稳时间振动信号来执行，所述方法的特征在于，它包括以下步骤：
- 根据信号来构建（101）图形，包括以下子步骤：
o 将信号拆分（1011）成多个子信号，每个子信号对应于与旋转机器的至少一个旋转速度相关联的时间间隔，并且在所述时间间隔内是准平稳的；
o 针对每个子信号，计算（1012）子信号的傅里叶变换，以便获得针对子信号的傅里叶变换的每个频率的振动能量；
o 构建（1013）图形，所述图形是具有按升序排列的多行和按升序排列的多列的矩阵，每行对应于旋转机器的旋转速度，每列对应于傅里叶变换的频率除以旋转机器的旋转速度，矩阵针对每行和每列包括与针对列的傅里叶变换的频率的、行的旋转机器的旋转速度相对应的子信号的振动能量；
- 对人工神经网络进行监督训练（103）以获得能够从图形中提供包括在操作类别集合中的操作类别的经训练的人工神经网络，所述操作类别集合至少包括一个标称操作类别和一个缺陷操作类别，在包括多个训练图形的训练数据库上训练人工神经网络，每个训练图形根据由与旋转机器相同类型的训练旋转机器所生成的非平稳时间信号构建，并与来自操作类别集合中的一个操作类别相关联；
- 在所构建的图形上使用（104）经训练的人工神经网络来提供旋转机器的操作类别。
2.根据前一权利要求所述的方法（100），其中信号是振动信号。
3.根据前述权利要求中任一项所述的方法（100），其中零件是包括在旋转机器中的轴承。
4.根据前一权利要求所述的方法（100），其中旋转机器是发动机。
5.根据前述权利要求中任一项所述的方法（100），其中构建图形的步骤（101）包括将对数标度应用于所构建的图形的子步骤（1014）。
6.根据前述权利要求中任一项所述的方法（100），其中构建图形的步骤（101）包括将所构建的图形的尺寸缩小预定因子的子步骤（1015）。
7.根据前述权利要求中任一项所述的方法，包括构建训练数据库的步骤（102），包括以下子步骤：
- 对于由训练旋转机器所生成的每个非平稳时间信号，根据信号来构建（1021）初始图形；
- 对于所构建的每个初始图形，对所构建的初始图形进行标准归一化（1022）以获得训练图形。
8.一种计算器，被配置为实现根据前述权利要求中任一项所述的方法（100）的步骤。
9.一种包括指令的计算机程序产品，当所述程序在计算机上被执行时所述指令使所述计算机实现根据权利要求1至7中任一项所述的方法（100）的步骤。
10.一种包括指令的计算机可读存储介质，当所述指令由计算机执行时使所述计算机实现根据权利要求1至7中任一项所述的方法（100）的步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2112840A FR3130028B1 (fr) | 2021-12-02 | 2021-12-02 | Procédé de diagnostic automatique d'une pièce |
| FRFR2112840 | 2021-12-02 | ||
| PCT/FR2022/052216 WO2023099849A1 (fr) | 2021-12-02 | 2022-12-01 | Procédé de diagnostic automatique d'une pièce |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118302757A true CN118302757A (zh) | 2024-07-05 |
Family
ID=84689025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280080166.1A Pending CN118302757A (zh) | 2021-12-02 | 2022-12-01 | 自动诊断零件的方法 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4441663A1 (zh) |
| CN (1) | CN118302757A (zh) |
| FR (1) | FR3130028B1 (zh) |
| WO (1) | WO2023099849A1 (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104819846B (zh) * | 2015-04-10 | 2017-03-22 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
| US12044714B2 (en) * | 2018-08-30 | 2024-07-23 | Nec Corporation | Anomaly detection apparatus, method and computer-readable medium |
| CN109632309A (zh) * | 2019-01-17 | 2019-04-16 | 燕山大学 | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 |
| CN111256965B (zh) * | 2020-01-20 | 2022-03-11 | 郑州轻工业大学 | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 |
| CN113567131B (zh) * | 2021-07-29 | 2024-05-03 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
| CN113627375A (zh) * | 2021-08-16 | 2021-11-09 | 北京信息科技大学 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
-
2021
- 2021-12-02 FR FR2112840A patent/FR3130028B1/fr active Active
-
2022
- 2022-12-01 CN CN202280080166.1A patent/CN118302757A/zh active Pending
- 2022-12-01 EP EP22834691.2A patent/EP4441663A1/fr active Pending
- 2022-12-01 WO PCT/FR2022/052216 patent/WO2023099849A1/fr active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023099849A1 (fr) | 2023-06-08 |
| FR3130028A1 (fr) | 2023-06-09 |
| EP4441663A1 (fr) | 2024-10-09 |
| FR3130028B1 (fr) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| Gunerkar et al. | Classification of ball bearing faults using vibro-acoustic sensor data fusion | |
| Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
| US10634621B2 (en) | Information processing method, information processing apparatus, and program | |
| EP1818746A1 (en) | Method of condition monitoring | |
| KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
| Cheng et al. | A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| EP3712728A1 (en) | Apparatus for predicting equipment damage | |
| Bilski et al. | Automated diagnostics of analog systems using fuzzy logic approach | |
| 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 | |
| CN108593286A (zh) | 旋转机械的故障诊断方法及旋转机械的故障诊断装置 | |
| van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
| CN115931318A (zh) | 故障智能诊断方法、装置、设备及存储介质 | |
| Benmahdi et al. | RT-OPTICS: real-time classification based on OPTICS method to monitor bearings faults | |
| CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
| Mohamad et al. | Gear fault diagnostics using extended phase space topology | |
| CN118302757A (zh) | 自动诊断零件的方法 | |
| Popescu et al. | Change detection in vibration analysis—A review of problems and solutions | |
| Baggeröhr et al. | Novel bearing fault detection using generative adversarial networks | |
| Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
| Zhang et al. | A hybrid feature selection and health indicator construction scheme for delay-time-based degradation modelling of rolling element bearings | |
| Darveau | Prognostics and Availability for Industrial Equipment Using High Performance Computing (HPC) and AI Technology | |
| Chan et al. | Explainable health state prediction for social iots through multi-channel attention | |
| Gardonyi et al. | An enhanced evaluation method of sequential probability ratio test |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |