TWI812305B - 故障診斷系統及故障診斷方法 - Google Patents
故障診斷系統及故障診斷方法 Download PDFInfo
- Publication number
- TWI812305B TWI812305B TW111123895A TW111123895A TWI812305B TW I812305 B TWI812305 B TW I812305B TW 111123895 A TW111123895 A TW 111123895A TW 111123895 A TW111123895 A TW 111123895A TW I812305 B TWI812305 B TW I812305B
- Authority
- TW
- Taiwan
- Prior art keywords
- frequency image
- signal
- fault diagnosis
- processor
- module
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 abstract description 13
- 238000005096 rolling process Methods 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 13
- 230000000052 comparative effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 6
- 230000008520 organization Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Alarm Systems (AREA)
- Air Bags (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本發明提供一種故障診斷系統，其用以診斷一機構且包含一感測器以及一處理器。感測器搜集機構運轉時的一振動訊號。處理器訊號連接感測器以接收振動訊號，且處理器包含一分解模組、一頻率圖像轉換模組及一診斷模組。分解模組進行一變分模式分解演算法，以將振動訊號分離為複數個訊號源。頻率圖像轉換模組訊號連接分解模組，以將前述複數訊號源轉換為一頻率圖像。診斷模組訊號連接頻率圖像轉換模組，診斷模組以一DenseNet模型對頻率圖像進行分類，以確認機構的一運轉狀況。藉此可快速且準確地診斷出機構是否異常。
Description
本發明有關一種診斷系統及診斷方法，且尤其是有關一種用於診斷機構是否故障的故障診斷系統及故障診斷方法。
機械中包含多個機構例如軸承等，而此些機構的運轉可使機械作動以達到所需目的。然而，機構在長久運轉後容易會有元件的磨耗產生，且機構間各元件運作時可能產生碰撞、干涉而導致變形，最後可能導致機構的故障及失效。
隨著技術的進步，深度學習或是機械學習被發展出來，其可依據機構運轉的資料來分析並擷取特徵值，以進行故障診斷。然而，特徵值的選擇沒有一定的規範或數量的限制，而特徵值的選擇又與診斷分析的準確度有關，因此，習知的診斷方式仍有其限制存在。是以，如何有效且準確地對運轉的機構進行故障診斷，一直都是相關領域學業者研究的重點之一。
為了解決上述問題，本發明提供一種故障診斷系統及故障診斷方法，透過其系統配置可以有效地診斷機構的運轉狀況。
依據本發明一實施方式提供一種故障診斷系統，其用以診斷一機構且包含一感測器以及一處理器。感測器搜集機構運轉時的一振動訊號。處理器訊號連接感測器以接收振動訊號，且處理器包含一分解模組、一頻率圖像轉換模組及一診斷模組。分解模組進行一變分模式分解演算法，以將振動訊號分離為複數個訊號源。頻率圖像轉換模組訊號連接分解模組，以將前述複數訊號源轉換為一頻率圖像。診斷模組訊號連接頻率圖像轉換模組，診斷模組以一DenseNet模型對頻率圖像進行分類，以確認機構的一運轉狀況。
藉此，變分模式分解演算法分離之複數訊號源可被轉換為頻率圖像，並由DenseNet模型直接對頻率圖像進行診斷，而不須再擷取特徵值，並能快速且準確地進行故障診斷。
依據前述實施方式之故障診斷系統，其中，頻率圖像轉換模組可以希爾伯特轉換將前述複數訊號源轉換為頻率圖像。
依據前述實施方式之故障診斷系統，其中，前述複數訊號源的數量可為五。
依據本發明另一實施方式提供一種故障診斷方法，用以診斷一機構且包含一振動訊號接收步驟、一訊號源分解步驟、一頻率圖像轉換步驟以及一診斷步驟。於振動訊號接收步驟中，提供一感測器以蒐集機構運轉時的一振動訊號，使一處理器接收振動訊號。於訊號源分解步驟中，使處理器進行一變分模式分解演算法，以將振動訊號分離為複數個訊號源。於頻率圖像轉換步驟中，使處理器將前述複數訊號源轉換為一頻率圖像。於診斷步驟中，使處理器以一DenseNet模型對頻率圖像進行分類，以確認機構的一運轉狀況。
依據前述實施方式之故障診斷方法，其中，於頻率圖像轉換步驟中，可使處理器以希爾伯特轉換將前述複數訊號源轉換為頻率圖像。
依據前述實施方式之故障診斷方法，其中，於訊號源分解步驟中，可設定前述複數訊號源的數量為五。
以下將參照圖式說明本發明之實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，閱讀者應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示；並且重複之元件將可能使用相同的編號或類似的編號表示。
請參閱第1圖，其中第1圖繪示依照本發明一實施例之一種故障診斷系統100的系統架構圖。故障診斷系統100用以診斷一機構M1且包含一感測器110以及一處理器120。感測器110搜集機構M1運轉時的一振動訊號。處理器120訊號連接感測器110以接收振動訊號，且處理器120包含一分解模組121、一頻率圖像轉換模組122及一診斷模組123。分解模組121進行一變分模式分解演算法(Variational Mode Decomposition；VMD)，以將振動訊號分離為複數個訊號源。頻率圖像轉換模組122訊號連接分解模組121，以將前述複數訊號源轉換為一頻率圖像。診斷模組123訊號連接頻率圖像轉換模組122，診斷模組123以一DenseNet模型對頻率圖像進行分類，以確認機構M1的一運轉狀況。
藉此，變分模式分解演算法分離之複數訊號源可被轉換為頻率圖像，並由DenseNet模型直接對頻率圖像進行診斷，而不須再擷取特徵值，並能快速且準確地進行故障診斷。以下將詳細說明故障診斷系統100的細節。
機構M1可例如是一軸承並包含內滾圈、外滾圈以及滾珠，感測器110可具有加速規結構，例如為二通道加速規結構且設置在機構M1上，以感測機構M1運轉時的狀態，然不以此為限。
變分模式分解演算法的目的是將實質輸入訊號皆解為離散數量的訊號源，並假定每個訊號源緊湊地圍繞著一個中心頻率。換句話說，於本實施例中，變分模式分解演算法是假定振動訊號是由一系列具有特定中心頻率、有限頻寬的訊號源組成，進而可通過對變分問題進行求解，得到中心頻率與頻寬限制，找到各中心頻率在頻域中對應的有效成分，而能得到固有模態函數(Intrinsic Mode Function；IMF)或稱本徵模態函數，即訊號源。在本實施例中，用L
2范數梯度的平方(norm gradient square L2)估計固有模態函數的帶寬，則變分模式分解演算法表示如式(1)，其中
表示待分析訊號並可僅以
表示，而由感測器110所感測之振動訊號可做為
，
表示固有模態函數並可僅以
表示，
表示固有模態函數的中心頻率，
為脈詠函數(average pulse function)，
為第一階偏導數(first-order partial derivative)，
為卷積(Convolution)，
是虛數單位，
為判别精度，
表示固有模態函數的數量：
,
(1)
。
採用增廣拉格朗日法(extended Lagrange)將約束變分問題轉換為非約束變分問題，表示為式(2)，其中
表示懲罰因子，
表示拉格朗日乘數並可僅以
表示：
(2)。
之後，再用交替方向乘數方式(alternate direction method of multipliers；ADMM)來解決非約變分問題，如式(3)，而具體步驟是用式(4)、(5)分別求解得
及
極小值，對於所有的
進行式(6)，重覆求解直至式(7)的迭代條件滿足，即可得到
個固有模態函數，也就是求得
個分離的訊號源，其中
、
、
轉至頻率域後是分別以
、
、
表示，
為一個常數的收斂因子：
} (3)；
(4)；
(5)；
(6)；及
(7)。
在本實施例中，可設定分離的複數訊號源數量為五，即，讓
等於5，然不以此為限。在得到
個分離的訊號源後，可使用頻率圖像轉換模組122進行頻率圖像的轉換。其中，可使用希爾伯特轉換(Hilbert transformation)將前述複數訊號源轉換為頻率圖像，而頻率圖像中可包含各訊號源的頻率及時間關係。
診斷模組123中，是事先採用多個訓練資料訓練DenseNet(Dense Convolutional Network，稠密卷積神經網路)以建構出一DenseNet模型。DenseNet可將前面所有層的輸出都拼接到本層，而DenseNet的網路架構主要可以由密集塊(DenseBlock)和過渡層(transition layer)組成，並可進行卷積程序、池化程序等，其細節非本發明之改良重點，在此不贅述。訓練資料可以是由與機構M1同種類的機構實際蒐集而來，或由模擬產生。仔細而言，可蒐集機構M1在不同運轉狀況下的資料，當機構M1為軸承時，運轉狀況可包含正常運轉、內滾圈異常、外滾圈異常、滾珠異常或複合異常等，運轉狀況可依機構M1的類型而定，而為了建立DenseNet模型，此些資料均會經上述的分解模組121分解及由頻率圖像轉換模組122轉為頻率圖像，再做為訓練資料，因而可建立出可判斷機構M1運轉狀況的DenseNet模型。
據此，由於診斷模組123已事先建構出DenseNet模型，故當感測器110收到振動訊號並經由分解模組121分解及由頻率圖像轉換模組122轉換為頻率圖像後，即可由診斷模組123依據頻率圖像判定機構M1的運轉狀況，而能進行對應之維修或處理。
請參閱第2圖，其中第2圖繪示依照本發明另一實施例之一種故障診斷方法200的方塊流程圖，以下將配合第1圖的故障診斷系統100說明故障診斷方法200。故障診斷方法200可用以診斷機構M1且包含一振動訊號接收步驟210、一訊號源分解步驟220、一頻率圖像轉換步驟230以及一診斷步驟240。
於振動訊號接收步驟210中，提供一感測器110以蒐集機構M1運轉時的一振動訊號，並使一處理器120接收振動訊號。
於訊號源分解步驟220中，使處理器120進行一變分模式分解演算法，以將振動訊號分離為複數個訊號源。其中，可如上面所述，由分解模組121使用式(1)至式(7)分解振動訊號以取得
個分離的訊號源。
於頻率圖像轉換步驟230中，使處理器120將前述複數訊號源轉換為一頻率圖像。其中，可使處理器120的頻率圖像轉換模組122以希爾伯特轉換將前述複數訊號源轉換為頻率圖像。
最後，於診斷步驟240中，使處理器120以一DenseNet模型對頻率圖像進行分類，以確認機構M1的一運轉狀況。
＜實驗例＞
於實驗例中，是透過馬達驅動一軸承轉動，並設定軸承有五種運轉狀況：正常運轉、內滾圈異常、外滾圈異常、滾珠異常及複合異常。此外，在驅動軸承轉動時，可以透過馬達改變軸承的轉動速度，而處於四種速度狀態：加速狀態、減速狀態、先加速後減速狀態以及先減速後加速狀態，五種運轉狀況於四種速度狀態下各測驗3次，故每種運轉狀況的資料為12筆，共可得到60筆資料。並且，於變分模式分解演算法中，設定分離出五個訊號源。
請參閱第3A圖及第3B圖，其中第3A圖繪示應用第2圖實施例之故障診斷方法200的實驗例於正常運轉時的訊號源的振幅波形圖，第3B圖繪示第3A圖實驗例於正常運轉時的頻率圖像。此為軸承是正常運轉且於加速狀態下測試的一次結果，並且速度可由846 RPM(每分鐘轉速)增至14258 RPM。如第3A圖所示，使用變分模式分解演算法可準確地分離出五個訊號源，即訊號源1至訊號源5，並以希爾伯特轉換將第3A圖的訊號源轉為第3B圖的頻率圖像，而可見對應五個訊號源的主要頻率分別為57千赫、35千赫、15千赫、5千赫及1.6千赫。
請參閱第4A圖及第4B圖，其中第4A圖繪示應用第2圖實施例之故障診斷方法200的實驗例於內滾圈異常時的訊號源的振幅波形圖，第4B圖繪示第4A圖實驗例於內滾圈異常時的頻率圖像。此為軸承是內滾圈異常且於加速狀態下測試的一次結果，如第4A圖所示，使用變分模式分解演算法可準確地分離出五個訊號源，即訊號源1至訊號源5，並以希爾伯特轉換將第4A圖的訊號源轉為第4B圖的頻率圖像，而可見對應五個訊號源的主要頻率分別為35千赫、23千赫、9千赫、5.4千赫及1.9千赫。
請參閱第5A圖及第5B圖，其中第5A圖繪示應用第2圖實施例之故障診斷方法200的實驗例於外滾圈異常時的訊號源的振幅波形圖，第5B圖繪示第5A圖實驗例於外滾圈異常時的頻率圖像。此為軸承是外滾圈異常且於加速狀態下測試的一次結果，如第5A圖所示，使用變分模式分解演算法可準確地分離出五個訊號源，即訊號源1至訊號源5，並以希爾伯特轉換將第5A圖的訊號源轉為第5B圖的頻率圖像，而可見對應五個訊號源的主要頻率分別為65千赫、37千赫、10千赫、5千赫及0.75千赫。
請參閱第6A圖及第6B圖，其中第6A圖繪示應用第2圖實施例之故障診斷方法200的實驗例於滾珠異常時的訊號源的振幅波形圖，第6B圖繪示第6A圖實驗例於滾珠異常時的頻率圖像。此為軸承是滾珠異常且於加速狀態下測試的一次結果，如第6A圖所示，使用變分模式分解演算法可準確地分離出五個訊號源，即訊號源1至訊號源5，並以希爾伯特轉換將第6A圖的訊號源轉為第6B圖的頻率圖像，而可見對應五個訊號源的主要頻率分別為33千赫、22千赫、10千赫、5千赫及1.9千赫。請特別注意，雖第6B圖中主要頻率為22千赫的波型較不明顯，但不影響本發明。
請參閱第7A圖及第7B圖，其中第7A圖繪示應用第2圖實施例之故障診斷方法200的實驗例於複合異常時的訊號源的振幅波形圖，第7B圖繪示第7A圖實驗例於複合異常時的頻率圖像。此為軸承是複合異常且於加速狀態下測試的一次結果，如第7A圖所示，使用變分模式分解演算法可準確地分離出五個訊號源，即訊號源1至訊號源5，並以希爾伯特轉換將第7A圖的訊號源轉為第7B圖的頻率圖像，而可見對應五個訊號源的主要頻率分別為12千赫、9千赫、7千赫、5千赫、1.5千赫。
每種運轉狀況的資料中，有7筆會作DenseNet的訓練資料以建構出DenseNet模型，而另外5筆資料會做為診斷的驗證資料。表一為本案實驗例與第1比較例至第5比較例的準確率與計算時間，其中第1比較例至第5比較例的訓練資料及驗證資料均與本案的實驗例相同，而僅有所使用的神經網路不同。第1比較例使用AlexNet，第2比較例使用GooleNet，第3比較例使用ResNet，第4比較例使用MobileNet，而第5比較例使用ShuffleNet。由表一可知，即便同樣是對頻率圖像做診斷，使用DenseNet的計算時間較短，且準確率高於其他種類的神經網路。
表一、實驗例與第1比較例至第5比較例之比較
| 第1比較例 AlexNet | 第2比較例 GooleNet | 第3比較例 ResNet | |
| 計算時間(秒) | 162 | 173 | 160 |
| 準確率(%) | 80 | 84 | 84 |
| 第4比較例 MobileNet | 第5比較例 ShuffleNet | 實驗例 DenseNet | |
| 計算時間(秒) | 151 | 148 | 146 |
| 準確率(%) | 88 | 88 | 92 |
由上述之說明可知，本案發明使用變分模式分解演算法將振動訊號分離後，再轉換為頻率圖像並由DenseNet模型進行分類，可有效加快診斷時間並且增加診斷的準確率。此外，本案發明可在機構轉速變化時進行診斷，而能更增加其運用的靈活性。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:故障診斷系統
110:感測器
120:處理器
121:分解模組
122:頻率圖像轉換模組
123:診斷模組
200:故障診斷方法
210:振動訊號接收步驟
220:訊號源分解步驟
230:頻率圖像轉換步驟
240:診斷步驟
M1:機構
第1圖繪示依照本發明一實施例之一種故障診斷系統的系統架構圖；
第2圖繪示依照本發明另一實施例之一種故障診斷方法的方塊流程圖；
第3A圖繪示應用第2圖實施例之故障診斷方法的實驗例於正常運轉時的訊號源的振幅波形圖；
第3B圖繪示第3A圖實驗例於正常運轉時的頻率圖像；
第4A圖繪示應用第2圖實施例之故障診斷方法的實驗例於內滾圈異常時的訊號源的振幅波形圖；
第4B圖繪示第4A圖實驗例於內滾圈異常時的頻率圖像；
第5A圖繪示應用第2圖實施例之故障診斷方法的實驗例於外滾圈異常時的訊號源的振幅波形圖；
第5B圖繪示第5A圖實驗例於外滾圈異常時的頻率圖像；
第6A圖繪示應用第2圖實施例之故障診斷方法的實驗例於滾珠異常時的訊號源的振幅波形圖；
第6B圖繪示第6A圖實驗例於滾珠異常時的頻率圖像；
第7A圖繪示應用第2圖實施例之故障診斷方法的實驗例於複合異常時的訊號源的振幅波形圖；以及
第7B圖繪示第7A圖實驗例於複合異常時的頻率圖像。
100:故障診斷系統
110:感測器
120:處理器
121:分解模組
122:頻率圖像轉換模組
123:診斷模組
M1:機構
Claims (6)
- 一種故障診斷系統，用以診斷一機構，該故障診斷系統包含： 一感測器，搜集該機構運轉時的一振動訊號；以及 一處理器，訊號連接該感測器以接收該振動訊號，且該處理器包含： 一分解模組，進行一變分模式分解演算法，以將該振動訊號分離為複數個訊號源； 一頻率圖像轉換模組，訊號連接該分解模組，以將該些訊號源轉換為一頻率圖像；及 一診斷模組，訊號連接該頻率圖像轉換模組，該診斷模組以一DenseNet模型對該頻率圖像進行分類，以確認該機構的一運轉狀況。
- 如請求項1所述之故障診斷系統，其中，該頻率圖像轉換模組以希爾伯特轉換將該些訊號源轉換為該頻率圖像。
- 如請求項1所述之故障診斷系統，其中，該些訊號源的數量為五。
- 一種故障診斷方法，用以診斷一機構，該故障診斷方法包含： 一振動訊號接收步驟，提供一感測器以蒐集該機構運轉時的一振動訊號，使一處理器接收該振動訊號； 一訊號源分解步驟，使該處理器進行一變分模式分解演算法，以將該振動訊號分離為複數個訊號源； 一頻率圖像轉換步驟，使該處理器將該些訊號源轉換為一頻率圖像；以及 一診斷步驟，使該處理器以一DenseNet模型對該頻率圖像進行分類，以確認該機構的一運轉狀況。
- 如請求項4所述之故障診斷方法，其中，於該頻率圖像轉換步驟中，使該處理器以希爾伯特轉換將該些訊號源轉換為該頻率圖像。
- 如請求項4所述之故障診斷方法，其中，於該訊號源分解步驟中，設定該些訊號源的數量為五。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111123895A TWI812305B (zh) | 2022-06-27 | 2022-06-27 | 故障診斷系統及故障診斷方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111123895A TWI812305B (zh) | 2022-06-27 | 2022-06-27 | 故障診斷系統及故障診斷方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI812305B true TWI812305B (zh) | 2023-08-11 |
| TW202400979A TW202400979A (zh) | 2024-01-01 |
Family
ID=88585816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111123895A TWI812305B (zh) | 2022-06-27 | 2022-06-27 | 故障診斷系統及故障診斷方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI812305B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060100797A1 (en) * | 2004-10-28 | 2006-05-11 | Anne Poorman | System and method for vibration monitoring |
| TWI465707B (zh) * | 2011-11-07 | 2014-12-21 | Univ Nat Changhua Education | 利用振動訊號、聲紋訊號診斷滾珠導螺桿預壓力失調之量測系統及其方法 |
| TW201944210A (zh) * | 2018-04-13 | 2019-11-16 | 矽統科技股份有限公司 | 觸控面板上的敲擊事件的識別方法及系統，以及終端觸控產品 |
| US20190383702A1 (en) * | 2012-01-30 | 2019-12-19 | S.P.M. Instrument Ab | Apparatus and method for analysing the condition of a machine having a rotating part |
| CN113537044A (zh) * | 2021-07-14 | 2021-10-22 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
-
2022
- 2022-06-27 TW TW111123895A patent/TWI812305B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060100797A1 (en) * | 2004-10-28 | 2006-05-11 | Anne Poorman | System and method for vibration monitoring |
| TWI465707B (zh) * | 2011-11-07 | 2014-12-21 | Univ Nat Changhua Education | 利用振動訊號、聲紋訊號診斷滾珠導螺桿預壓力失調之量測系統及其方法 |
| US20190383702A1 (en) * | 2012-01-30 | 2019-12-19 | S.P.M. Instrument Ab | Apparatus and method for analysing the condition of a machine having a rotating part |
| TW201944210A (zh) * | 2018-04-13 | 2019-11-16 | 矽統科技股份有限公司 | 觸控面板上的敲擊事件的識別方法及系統，以及終端觸控產品 |
| CN113537044A (zh) * | 2021-07-14 | 2021-10-22 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202400979A (zh) | 2024-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Soualhi et al. | Health monitoring of bearing and gear faults by using a new health indicator extracted from current signals | |
| Senanayaka et al. | Multiple classifiers and data fusion for robust diagnosis of gearbox mixed faults | |
| Lei et al. | A multidimensional hybrid intelligent method for gear fault diagnosis | |
| Cococcioni et al. | Robust diagnosis of rolling element bearings based on classification techniques | |
| Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
| Sánchez et al. | Multi-fault diagnosis of rotating machinery by using feature ranking methods and SVM-based classifiers | |
| Yang et al. | Intelligent diagnosis of rotating machinery faults-a review | |
| KR20210061517A (ko) | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 | |
| Touzout et al. | Hybridization of time synchronous averaging, singular value decomposition, and adaptive neuro fuzzy inference system for multi-fault bearing diagnosis | |
| CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
| Karpat et al. | Convolutional neural networks based rolling bearing fault classification under variable operating conditions | |
| Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
| TWI812305B (zh) | 故障診斷系統及故障診斷方法 | |
| Afia et al. | Spectral proper orthogonal decomposition and machine learning algorithms for bearing fault diagnosis | |
| Li et al. | Rotating machinery anomaly detection using data reconstruction generative adversarial networks with vibration energy analysis | |
| Gowthami et al. | Fault classification of induction motor bearing using adaptive neuro fuzzy inference system | |
| Nascimento et al. | T4PdM: A deep neural network based on the transformer architecture for fault diagnosis of rotating machinery | |
| Heidarbeigi et al. | Evolving an artificial neural network classifier for condition monitoring of massy ferguson tractor gearbox | |
| Nguyen et al. | Big vibration data diagnosis of bearing fault base on feature representation of autoencoder and optimal LSSVM-CRO classifier model | |
| Li et al. | Deep learning based end-to-end rolling bearing fault diagnosis | |
| Khan et al. | Intelligent prediction of multiple defects in rolling element bearing using ANN algorithm | |
| Syed et al. | Effect of K-Nearest Neighbours (k-NN) in Classifying Planetary Gearbox Faults Using Statistical Features | |
| Syed et al. | Fault Classification using Fuzzy Logic in an Epicyclic Gearbox with Statistical Features | |
| Nassser et al. | Condition monitoring using wavelet transform and fuzzy logic by vibration signals | |
| Zhang et al. | CNN4GCDD: A one-dimensional convolutional neural network-based model for gear crack depth diagnosis |