WO2019178930A1 - 一种机械设备故障诊断方法 - Google Patents

一种机械设备故障诊断方法 Download PDF

Info

Publication number
WO2019178930A1
WO2019178930A1 PCT/CN2018/087490 CN2018087490W WO2019178930A1 WO 2019178930 A1 WO2019178930 A1 WO 2019178930A1 CN 2018087490 W CN2018087490 W CN 2018087490W WO 2019178930 A1 WO2019178930 A1 WO 2019178930A1
Authority
WO
WIPO (PCT)
Prior art keywords
classifier
fault diagnosis
fault
combined
mechanical device
Prior art date
Application number
PCT/CN2018/087490
Other languages
English (en)
French (fr)
Inventor
楼佩煌
郭大宏
钱晓明
屠嘉晨
张炯
Original Assignee
南京航空航天大学
天奇自动化工程股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南京航空航天大学, 天奇自动化工程股份有限公司 filed Critical 南京航空航天大学
Publication of WO2019178930A1 publication Critical patent/WO2019178930A1/zh

Links

Images

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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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

Definitions

  • the invention belongs to the field of application of intelligent system technology, and particularly relates to a method for fault diagnosis of mechanical equipment.
  • the present invention aims to provide a mechanical equipment fault diagnosis method, which can make up for the shortcomings of the conventional fault diagnosis technology, such as poor versatility and low precision.
  • a method for diagnosing mechanical equipment faults comprising the following steps:
  • T i error rate error (T i) when T i error rate error (T i) exceeds a preset threshold value t, discarding the training set D i, regenerate new training set D i and the corresponding New base classifier T i ;
  • the error T i is the rate error (T i) updating the weight w j, and to all data sets of heavy standardized, so that the right updated weight sum and a pre-update The sum of the weights is the same;
  • the output results c i of all base classifiers that assign the same category number to the combined classifier are summed, and the category number corresponding to the largest summation value is used as the returned predicted value.
  • the preset threshold t has a value range of (0, 0.6).
  • step (f) the voting weight of the base classifier T i
  • the base classifier adopts a BP neural network model and a support vector machine.
  • the invention adopts the combined classification method to realize the diagnosis of mechanical equipment component failures, can be used for online real-time fault diagnosis, timely discovers mechanical equipment failures, and prevents major accidents from occurring. At the same time, compared with other fault diagnosis methods, this method significantly improves the accuracy of fault diagnosis.
  • Figure 1 is a flow chart of the method of the present invention.
  • a rolling bearing commonly used in automobile assembly line production is taken as an example to illustrate a mechanical device fault diagnosis method designed by the present invention, as shown in FIG. 1, and the steps are as follows.
  • Step 1 Fault feature extraction: The vibration signal of the bearing is collected by the vibration sensor, and then the signal analysis is performed to extract the fault feature to form a fault feature vector.
  • Step 2 Offline base classifier training: The model is trained by using the stored historical fault feature vector.
  • the fault types of the rolling bearing are divided into inner ring fault, rolling element fault and outer ring fault, and 60 normal state data and each fault are taken.
  • Fifteen training samples are used to train 20 base classifiers according to the weight of the Adaboost lifting algorithm. Among them, BP neural network and support vector machine each have 10, and then each base classifier will get a voting weight.
  • the combined classifier is a combination of multiple base classifiers that combine multiple base classifiers into one large composite classifier.
  • the base classifier performs the classification prediction by itself, and then gives the class label, and the combined classifier gives the final result according to the label predicted by the base classifier.
  • the classification performance of a combined classifier is usually better than a single classification algorithm.
  • the combined classifier combines the k base classifier models T 1 , T 2 , ..., T k to create an improved combined classification model T * .
  • k sets of training sets D 1 , D 2 , ..., D k are constructed to train each base classifier, respectively.
  • all the base classifiers first classify themselves, then give the classification results, and then combine the classifiers to synthesize the results of all the classifiers to obtain the class label.
  • the BP neural network is a multi-layer feedforward network, which serves as a base classifier in a combined classifier.
  • the hidden layer of the BP neural network may be one or more layers.
  • Let p 1 , p 2 ,..., p n be the input values of the BP neural network, ⁇ 1 , ⁇ 2 ,..., ⁇ m is the output value of the BP neural network, and ⁇ ij and ⁇ jk are BP neural networks. Weight.
  • the algorithm flow is as follows:
  • the weight of the network is initialized to a random number, assuming that the number of nodes in the input layer is n, the number of nodes in the hidden layer is 1, and the number of nodes in the output layer is m.
  • the excitation function is g(x), and the excitation function takes the Sigmoid function in the following form:
  • Output of the hidden layer The net input of the hidden layer unit is calculated by the linear combination of its inputs, and each unit has a number of inputs which are the outputs of the units connected to it. Each connection has a weight. Given the unit j of the hidden layer, the input to unit j is:
  • ⁇ ij is the connection weight of the unit i of the previous layer to the unit j of the next layer
  • O i is the output of the unit i of the previous layer
  • ⁇ j is the offset of the unit j.
  • O j is the actual output of unit j and T j is the desired output.
  • ⁇ jk is the connection weight of the unit j to the unit k
  • E k is the error of the unit k
  • Support Vector Machine is a non-linear mapping that maps raw data to higher dimensions and then searches for the best separated hyperplane on the new dimension. For the linear separable problem, the optimal separation plane can be found, and the SVM can handle the problem by searching for the largest edge hyperplane.
  • the shortest distance defining one side from the hyperplane to its edge is equal to the shortest distance from the hyperplane to the other side of its edge, where the "side" of the edge is parallel to the hyperplane.
  • the separation hyperplane can be written as:
  • W is the weight vector
  • W ⁇ w 1 , w 2 , ..., w n ⁇ .
  • the hyperplane divides the same sample into one side and satisfies the following conditions:
  • the optimal hyperplane can be obtained by:
  • the basis function uses a Gaussian radial basis kernel function:
  • ⁇ is the width parameter
  • Step 3 Online fault classification: Bring the fault feature vector generated by the online vibration signal into the combined classification model, and obtain the final fault diagnosis result of the combined classification according to the classification result and voting weight of each base classifier.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种机械设备故障诊断方法。首先，利用信号分析方法提取传感器采集信号中包含的机械设备故障特征，并组成故障特征向量；然后，利用故障特征向量离线训练故障诊断分类器，所述故障诊断分类器采用组合分类器，该组合分类器采用Adaboost提升算法作为组合方法；最后，运用训练好的故障诊断分类器实时进行机械设备的故障诊断。本方法采用组合分类方法实现了机械设备零部件故障的诊断，能用于在线实时故障诊断，及时发现机械设备故障，防止重大事故的发生。同时，相比较其他故障诊断方法，该方法显著提高了故障诊断的精度。

Description

一种机械设备故障诊断方法 技术领域
本发明属于智能系统技术应用领域，特别涉及了一种机械设备故障诊断方法。
背景技术
由于智能化系统的发展和应用，机械设备趋向于复杂化和多功能化，使得日常维护变得日益困难。系统包含的智能自动化设备越来越多，其结构复杂，空间跨度大，涉及到多个子系统，而且各个环节交互错综复杂，任何一个环节的异常或者故障的发生均有可能导致整体生产效率和可靠性的降低，因此对于设备的监控和故障诊断变得越来越重要。近年来，数据库和数据采集在生产和制造中得到大量应用，设备的状态监测系统应运而生，企业累计了大量设备监测数据。这些数据的采集和积累使得对于设备的实时故障诊断成为了可能。同时，由于大数据技术和人工智能技术得到了广泛的重视和发展，各种数据挖掘算法、机器学习算法和可视化技术的应用，使企业可以充分利用这些数据中的大量信息去监控机器的运行状态、诊断故障原因以及严重程度。将数据挖掘或者机器学习算法融入故障诊断技术，和生产设备状态监控相结合，有助于改善传统状态监控系统的不足。
文献“旋转机械故障诊断的时频分析方法及其应用研究[硕士学位论文]，武汉科技大学，2014”通过信号分析方法对旋转机械进行分析，从而进行故障诊断。文献“旋转机械在线监测与故障诊断系统的研究[硕士学位论文]，电子科技大学，2013”设计了机械设备故障监控系统和框架。如今虽然已经有了很多故障分析方法和监控方法，但是对于在线智能故障诊断仍然缺乏高效的方法，有的算法缺乏通用性，有的算法精度不高，难以满足需求。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种机械设备故障诊断方法，弥补现有故障诊断技术通用性差、精度较低等缺点。
为了实现上述技术目的，本发明的技术方案为：
一种机械设备故障诊断方法，包括以下步骤：
(1)利用信号分析方法提取传感器采集信号中包含的机械设备故障特征，并组成故障特征向量；
(2)利用故障特征向量离线训练故障诊断分类器，所述故障诊断分类器采用组合分类器，该组合分类器采用Adaboost提升算法作为组合方法；
(3)运用训练好的故障诊断分类器实时进行机械设备的故障诊断。
进一步地，训练和测试故障诊断分类器的步骤如下：
(a)数据集D包括d个数据组：(x 1,y 1),(x 2,y 2),…,(x d,y d)，其中，x j表示第j个故障特征向量，y j表示类标号，j＝1,2,…,d，对数据集D中的每个数据组的权重w j初始化为
Figure PCTCN2018087490-appb-000001
(b)从数据集D中进行k轮有放回地抽样，得到训练集D i，其中，D i表示第i轮抽样得到的训练集，i＝1,2,…,k，k为组合分类器中基分类器的个数；
(c)根据训练集D i得到对应的基分类器T i；
(d)计算T i的错误率error(T i)，当T i的错误率error(T i)超过预设阈值t时，丢弃训练集D i，重新产生新的训练集D i以及对应的新的基分类器T i；
(e)对于每个被正确分类的数据组，根据T i的错误率error(T i)更新权重w j，并对所有数据组的权重进行规范化，使得更新后的权重之和与更新前的权重之和相同；
(f)赋予每个基分类器T i的表决权重W i，T i的错误率error(T i)值越低，W i的值越高，得到包含k个基分类器的组合分类器；
(g)使用组合分类器对测试数据x分类，将所有类的权重w j初始化为0，从第一个基分类器开始，依次计算每个基分类器的分类结果，则每一个基分类器的输出结果如下：
c i＝W i·T i(x)
对于每个类别号，对将同一类别号分配给组合分类器的所有基分类器的输出结果c i求和，将求和值最大所对应的类别号作为返回的预测值。
进一步地，在步骤(d)中，
Figure PCTCN2018087490-appb-000002
其中，err(x j)是数据组x j的误分类误差，如果x j被T i误分类，则err(x j)＝1，否则err(x j)＝0。
进一步地，在步骤(d)中，预设阈值t的取值范围是(0，0.6)。
进一步地，在步骤(f)中，基分类器T i的表决权重
Figure PCTCN2018087490-appb-000003
进一步地，所述基分类器采用BP神经网络模型和支持向量机。
采用上述技术方案带来的有益效果：
本发明采用组合分类方法实现了机械设备零部件故障的诊断，能用于在线实时故障诊断，及时发现机械设备故障，防止重大事故的发生。同时，相比较其他故障诊断方法，该方法显著提高了故障诊断的精度。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本实施例以汽车装配线生产中常用的滚动轴承为例，说明本发明设计的机械设备故障诊断方法，如图1所示，步骤如下。
步骤1、故障特征提取：通过振动传感器采集轴承的振动信号，然后进行信号分析，提取故障特征，构成故障特征向量。
步骤2、离线基分类器训练：利用存储的历史故障特征向量来进行模型训练，滚动轴承的故障类型分为内圈故障，滚动体故障和外圈故障，取60个正常状态数据和每种故障各15个作为训练样本，根据Adaboost提升算法的权重分别训练20个基分类器，其中BP神经网络和支持向量机各10个，然后每个基分类器都会得到一个投票权重。
组合分类器由多个基分类器组合而成，它将多个基分类器组合成一个大的复合分类器。基分类器自己进行分类预测，然后给出类标号，组合分类器根据基分类器预测的标号给出最后结果。组合分类器的分类性能通常优于单一的分类算法。组合分类器将k个基分类器模型T 1，T 2，…，T k进行组合，从而创建一个改进的组合分类模型T *。对于数据集D，构建k组训练集D 1，D 2，…，D k，分别用来训练每一个基分类器。对于测试数据集，所有的基分类器先自行进行分类，然后给出分类结果，接着组合分类器综合所有分类器的结果得出类标号。
BP神经网络是一种多层前馈网络，在此作为组合分类器中的基分类器。BP神经网络的隐含层可以为一层或多层。设p 1,p 2,...,p n是BP神经网络的输入值，α 1,α 2,...,α m是BP神经网络的输出值，ω ij和ω jk是BP神经网络的权值。算法流程如下所述：
(1)网络的初始化：网络的权重被初始化为随机数，假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。激励函数为g(x)，激励函数取Sigmoid函数，形式如下：
Figure PCTCN2018087490-appb-000004
(2)隐含层的输出：隐藏层单元的净输入用其输入的线性组合计算，每个 单元都有许多输入，这些输入是连接它的上一层的单元的输出。每个连接都有一个权重。给定隐藏层的单元j，到单元j的输入为：
Figure PCTCN2018087490-appb-000005
其中，ω ij是上一层的单元i到下一层的单元j的连接权重，O i是上一层单元i的输出，θ j是单元j的偏置。
(3)输出层j的输出：
Figure PCTCN2018087490-appb-000006
(4)误差的计算：通过更新权重和反映网络预测误差的偏置，向后传播误差，对于输出层单元j，误差E j可以用下式计算：
E j＝O j(1-O j)(T j-O j)
其中，O j是单元j的实际输出，T j是期望输出。
对于隐藏层单元j，误差计算为：
Figure PCTCN2018087490-appb-000007
其中，ω jk是单元j到单元k的连接权重，而E k是单元k的误差。
(5)更新权重和偏置：设学习率为η，权重和偏置分别由下式更新：
ω ij＝ω ij+Δω ij＝ω ij+ηE jO j
θ j＝θ j+Δθ j＝ηE j
(6)训练终止：如果相邻的两次误差之间的差别是小于指定的值或者迭代超过指定的周期数，则训练结束。
支持向量机(SVM)是一种非线性映射，把原始数据映射到较高维度上， 然后在新维度上搜索最佳分离超平面。对于线性可分问题，可以找到最优的分离平面，SVM可以通过搜索最大边缘超平面来处理该问题。
关于边缘，定义从超平面到其边缘的一个侧面的最短距离等于从该超平面到其边缘的另一个侧面的最短距离，其中边缘的“侧面”平行于超平面。分离超平面可以记为：
W·x+b＝0
其中，W是权重向量，W＝{w 1,w 2,...,w n}。超平面将同类样本划分到一侧，满足如下条件：
Figure PCTCN2018087490-appb-000008
最优超平面可以用下式来得到：
Figure PCTCN2018087490-appb-000009
其中，||W||是是欧几里得范数，即
Figure PCTCN2018087490-appb-000010
对于线性不可分问题，常用的方法是通过非线性映射φ:R d→H，将原数据变换到较高维空间H中，然后在高维空间中构建最优分类超平面。在高维空间中求解超平面，可以用核函数K(x i,x j)来代替点积运算，从而减少计算开销。即下式所示：
K(x i,x j)＝φ(x i)·φ(x j)
基函数使用高斯径向基核函数：
Figure PCTCN2018087490-appb-000011
其中，σ为宽度参数。
步骤3、在线故障分类：将在线振动信号生成的故障特征向量带入组合分类模型，根据每个基分类器的分类结果和投票权重，得到组合分类的最终故障诊断 结果。
实施例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，均落入本发明保护范围之内。

Claims (6)

  1. 一种机械设备故障诊断方法，其特征在于，包括以下步骤：
    (1)利用信号分析方法提取传感器采集信号中包含的机械设备故障特征，并组成故障特征向量；
    (2)利用故障特征向量离线训练故障诊断分类器，所述故障诊断分类器采用组合分类器，该组合分类器采用Adaboost提升算法作为组合方法；
    (3)运用训练好的故障诊断分类器实时进行机械设备的故障诊断。
  2. 根据权利要求1所述机械设备故障诊断方法，其特征在于：训练和测试故障诊断分类器的步骤如下：
    (a)数据集D包括d个数据组：(x 1,y 1),(x 2,y 2),…,(x d,y d)，其中，x j表示第j个故障特征向量，y j表示类标号，j＝1,2,…,d，对数据集D中的每个数据组的权重w j初始化为
    Figure PCTCN2018087490-appb-100001
    (b)从数据集D中进行k轮有放回地抽样，得到训练集D i，其中，D i表示第i轮抽样得到的训练集，i＝1,2,…,k，k为组合分类器中基分类器的个数；
    (c)根据训练集D i得到对应的基分类器T i；
    (d)计算T i的错误率error(T i)，当T i的错误率error(T i)超过预设阈值t时，丢弃训练集D i，重新产生新的训练集D i以及对应的新的基分类器T i；
    (e)对于每个被正确分类的数据组，根据T i的错误率error(T i)更新权重w j，并对所有数据组的权重进行规范化，使得更新后的权重之和与更新前的权重之和相同；
    (f)赋予每个基分类器T i的表决权重W i，T i的错误率error(T i)值越低，W i的值越高，得到包含k个基分类器的组合分类器；
    (g)使用组合分类器对测试数据x分类，将所有类的权重w j初始化为0，从第一个基分类器开始，依次计算每个基分类器的分类结果，则每一个基分类器 的输出结果如下：
    c i＝W i·T i(x)
    对于每个类别号，对将同一类别号分配给组合分类器的所有基分类器的输出结果c i求和，将求和值最大所对应的类别号作为返回的预测值。
  3. 根据权利要求2所述机械设备故障诊断方法，其特征在于：在步骤(d)中，
    Figure PCTCN2018087490-appb-100002
    其中，err(x j)是数据组x j的误分类误差，如果x j被T i误分类，则err(x j)＝1，否则err(x j)＝0。
  4. 根据权利要求2所述机械设备故障诊断方法，其特征在于：在步骤(d)中，预设阈值t的取值范围是(0，0.6)。
  5. 根据权利要求2所述机械设备故障诊断方法，其特征在于：在步骤(f)中，基分类器T i的表决权重
    Figure PCTCN2018087490-appb-100003
  6. 根据权利要求2所述机械设备故障诊断方法，其特征在于：所述基分类器采用BP神经网络模型和支持向量机。
PCT/CN2018/087490 2018-03-21 2018-05-18 一种机械设备故障诊断方法 WO2019178930A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810232882.2 2018-03-21
CN201810232882.2A CN108827671A (zh) 2018-03-21 2018-03-21 一种机械设备故障诊断方法

Publications (1)

Publication Number Publication Date
WO2019178930A1 true WO2019178930A1 (zh) 2019-09-26

Family

ID=64154147

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/087490 WO2019178930A1 (zh) 2018-03-21 2018-05-18 一种机械设备故障诊断方法

Country Status (2)

Country Link
CN (1) CN108827671A (zh)
WO (1) WO2019178930A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610148A (zh) * 2021-08-04 2021-11-05 北京化工大学 一种基于偏置加权AdaBoost的故障诊断方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109739197A (zh) * 2019-01-15 2019-05-10 广东石油化工学院 一种化工废料处理设备的多工况故障预测方法
CN113639985B (zh) * 2021-08-16 2022-04-12 上海交通大学 一种基于优化故障特征频谱的机械故障诊断与状态监测方法
CN117060353A (zh) * 2023-07-31 2023-11-14 中国南方电网有限责任公司超高压输电公司电力科研院 基于前馈神经网络高压直流输电系统故障诊断方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150001158A (ko) * 2013-06-26 2015-01-06 주식회사 포스코 베어링 진단 시스템
CN105241665A (zh) * 2015-09-06 2016-01-13 南京航空航天大学 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法
CN105738109A (zh) * 2016-02-22 2016-07-06 重庆大学 基于稀疏表示与集成学习的轴承故障分类诊断方法
CN107560850A (zh) * 2017-08-26 2018-01-09 中南大学 基于小波阈值降噪与AdaBoost的轴系故障识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240720A (zh) * 2013-06-24 2014-12-24 北京大学深圳研究生院 一种基于多重分形和信息融合的语音情感识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150001158A (ko) * 2013-06-26 2015-01-06 주식회사 포스코 베어링 진단 시스템
CN105241665A (zh) * 2015-09-06 2016-01-13 南京航空航天大学 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法
CN105738109A (zh) * 2016-02-22 2016-07-06 重庆大学 基于稀疏表示与集成学习的轴承故障分类诊断方法
CN107560850A (zh) * 2017-08-26 2018-01-09 中南大学 基于小波阈值降噪与AdaBoost的轴系故障识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG, SHUAI: "Fault Diagnosis of Raiway Rolling Bearing Based on SVM-AdaBoost", URBAN PUBLIC TRANSPOT, 31 May 2017 (2017-05-31), pages 30 - 36 *
HU , JINHAI ET AL.: "Ensemble of Classification Methods Based on SVM and Its Application in Diagnosis", JOURNAL OF PROPULSION TECHNOLOGY, vol. 28, no. 6, 31 December 2007 (2007-12-31), pages 669 - 673 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610148A (zh) * 2021-08-04 2021-11-05 北京化工大学 一种基于偏置加权AdaBoost的故障诊断方法
CN113610148B (zh) * 2021-08-04 2024-02-02 北京化工大学 一种基于偏置加权AdaBoost的故障诊断方法

Also Published As

Publication number Publication date
CN108827671A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
WO2022037068A1 (zh) 一种机床轴承故障诊断方法
Surucu et al. Condition monitoring using machine learning: A review of theory, applications, and recent advances
WO2019178930A1 (zh) 一种机械设备故障诊断方法
WO2024021246A1 (zh) 基于持续学习的跨设备增量轴承故障诊断方法
CN111830408A (zh) 一种基于边缘计算和深度学习的电机故障诊断系统及方法
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
WO2021257128A2 (en) Quantum computing based deep learning for detection, diagnosis and other applications
Huang et al. Machine fault detection for intelligent self-driving networks
Wu et al. A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions
CN113505655A (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
Zhou et al. A multistage deep transfer learning method for machinery fault diagnostics across diverse working conditions and devices
CN115600150A (zh) 一种基于深度迁移学习的多模态齿轮箱故障诊断方法
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN114817856B (zh) 一种基于结构信息保持域适应网络的抽油机故障诊断方法
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
Wang et al. Network-combined broad learning and transfer learning: A new intelligent fault diagnosis method for rolling bearings
Xu et al. Deep domain adversarial method with central moment discrepancy for intelligent transfer fault diagnosis
CN116956215A (zh) 一种传动系统故障诊断方法及系统
You et al. An adaptable UAV sensor data anomaly detection method based on TCN model transferring
Wu et al. Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18910327

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18910327

Country of ref document: EP

Kind code of ref document: A1