CN106017876A - 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 - Google Patents
基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 Download PDFInfo
- Publication number
- CN106017876A CN106017876A CN201610311641.8A CN201610311641A CN106017876A CN 106017876 A CN106017876 A CN 106017876A CN 201610311641 A CN201610311641 A CN 201610311641A CN 106017876 A CN106017876 A CN 106017876A
- Authority
- CN
- China
- Prior art keywords
- local feature
- sample
- vibration signal
- network
- training
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,首先获取轮对轴承在不同健康状态下的振动信号,建立基于等权局部特征稀疏滤波网络的故障诊断模型;然后对稀疏滤波网络进行训练,利用训练后的稀疏滤波网络从振动信号中自动提取故障特征;最后基于提取的故障特征,训练Softmax分类器,利用训练后的分类器对轴承故障进行智能诊断,本发明高效、可靠地实现了机车轮对轴承故障特征的自动提取以及健康状态的智能诊断。
Description
技术领域
本发明属于轮对轴承的故障诊断技术领域,具体涉及基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法。
背景知识
在机械领域,机车设备向着自动化、高精度、高效率的方向发展,其轮对轴承的健康状态直接影响机车运行安全,一旦出现故障,后果不堪设想,因而需要故障诊断技术保证设备的正常运行。为全面诊断轴承故障,通常利用传感器网络监测并获取轴承的健康状态数据,由于监测轴承数量多,采集数据时间长,获取的是大数据。因此,需要研究大数据背景下机车轮对轴承故障诊断方法。
智能故障诊断依靠人工神经网络等智能算法自动、高效地识别轮对轴承健康状态,不再依赖诊断专家手动诊断故障,因此具有实现大数据背景下机车轮对轴承故障诊断的潜力。智能故障诊断通常包括以下三个步骤:数据获取,特征提取及选择,故障分类。在数据获取中,振动信号因其对早期故障敏感且容易获取等优点而被广泛应用。特征提取依靠信号处理技术提取能够反映机械健康状态的特征,而特征选择则基于主分量分析(PCA)、距离评估技术等数据降维方法从提取的特征中选择敏感特征,最后利用选择的特征训练k最近邻(kNN)、神经网络及支持向量机等智能模型进行故障分类,最终完成对轮对轴承故障的智能诊断。
通过以上步骤,可以看到:虽然智能故障诊断方法可以依靠神经网络等智能算法自动识别故障,但在其特征提取阶段,仍需要诊断专家针对机车轴承的特点,通过分析理解轴承信号特性,依赖信号处理技术和诊断专业知识,设计可以全面反映机车轮对轴承健康状态的特征提取算法,这将耗费大量时间和劳力。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提出基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,实现振动信号中故障特征的自动提取,高效、智能地完成大数据背景下轮对轴承的故障诊断。
为了达到上述目的,本发明采取的技术方案为:
基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,包括以下步骤:
1)获取轮对轴承在不同健康状态下的振动信号,建立基于等权局部特征稀疏滤波网络的故障诊断模型,故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器,稀疏滤波网络用于提取故障特征;Softmax分类器以提取的故障特征为输入,用于实现故障诊断;
2)对稀疏滤波网络进行训练,首先确定网络输入和输出维数,根据输入维数Nin,从振动信号xi中随机可重叠地选取Ns个数据段,组成样本片段训练集,然后对样本片段训练集进行白化处理;训练完成后,再将振动信号xi无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征,作为样本的局部特征,再将局部特征等权加和,作为该振动信号的样本特征,过程如下:
2.1)首先确定网络输入维数Nin和输出维数Nout,从振动信号中随机可重叠地取Ns个数据段,组成样本片段训练集其中,是第j个样本片段,且包含Nin个数据点;将样本片段训练集写成矩阵形式为对S进行白化处理,得到白化后的训练矩阵Swhite;
2.2)利用上述得到的训练矩阵Swhite训练稀疏滤波网络,具体如下:训练矩阵Swhite由白化样本片段集组成,任意选取初始权值矩阵W,白化样本片段与权值矩阵W内积得到局部特征即
将各局部特征按列组合成局部特征矩阵
首先,利用-正则化方法对局部特征矩阵的行向量进行正则化,即
其中,l表示矩阵的第l行;
然后,通过-正则化方法对的列向量进行正则化,即
其中,i表示矩阵的第i列;
最后,通过最小化代价函数训练稀疏滤波网络;
2.3)将振动信号分割成J段不可重叠样本片段,且J=N/Nin,其中,Nin是稀疏滤波网络输入维数,即振动信号xi被分割为一个样本片段集 为第j个样本片段,将每个输入训练完成的稀疏滤波网络,得到样本局部特征然后将各局部特征赋权值为1/J并加和,得到xi的样本特征fi,即
3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征,输入Softmax分类器,通过最大化该故障特征对应标签的输出概率训练分类器;训练完成后,以最大输出概率的标签作为该振动信号xi对应的健康状态,完成轮对轴承的智能故障诊断。
本发明的有益效果为:
本发明直接利用等权局部特征稀疏滤波网络从轴承原始信号中自动提取故障特征,并基于该故障特征对轮对轴承故障进行智能识别,完全摆脱了传统智能诊断方法中对诊断专家及经验知识的依赖,高效、智能地实现了轮对轴承的故障诊断,是一种可用于大数据背景下的机车轮对轴承故障诊断方法。
附图说明
图1为本发明的流程图。
图2为稀疏滤波网络示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
参照图1,基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,包括以下步骤:
1)获取轮对轴承在不同健康状态下的振动信号,建立基于等权局部特征稀疏滤波网络的故障诊断模型,故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器,稀疏滤波网络用于提取故障特征;Softmax分类器以提取的故障特征为输入,用于实现故障诊断,具体是:将每个振动信号作为一个训练样本,组成样本集其中,表示第i个振动信号,每个振动信号包含N个数据点,yi表示第i个振动信号所对应的健康状态,M为振动信号个数;
2)对步骤1)中的稀疏滤波网络进行训练,首先确定网络输入和输出维数,根据输入维数Nin,从振动信号xi中随机可重叠地选取Ns个数据段,组成样本片段训练集,然后对样本片段训练集进行白化处理;训练完成后,再将振动信号xi无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征,作为样本的局部特征,再将局部特征等权加和,作为该振动信号的样本特征,具体是:
2.1)参照图2,首先确定网络输入维数Nin和输出维数Nout,从振动信号中随机可重叠地取Ns个数据段,组成样本片段训练集其中,是第j个样本片段,且包含Nin个数据点;将样本片段训练集写成矩阵形式为为减弱样本片段之间的相关性并加速稀疏滤波网络训练时的收敛速度,对S进行白化处理,得到白化后的训练矩阵Swhite;
2.2)利用上述得到的训练矩阵Swhite训练稀疏滤波网络,具体如下:训练矩阵Swhite由白化样本片段集组成,任意选取初始权值矩阵W,白化样本片段与权值矩阵W内积得到局部特征即
将各局部特征按列组合成局部特征矩阵
首先,利用-正则化方法对局部特征矩阵的行向量进行正则化,即
其中,l表示矩阵的第l行;
然后,通过-正则化方法对的列向量进行正则化,即
其中,i表示矩阵的第i列;
最后,通过最小化代价函数训练稀疏滤波网络;
2.3)将振动信号分割成J段不可重叠样本片段,且J=N/Nin,其中,Nin是稀疏滤波网络输入维数,即振动信号xi被分割为一个样本片段集 为第j个样本片段,将每个输入训练完成的稀疏滤波网络,得到样本局部特征然后将各局部特征赋权值为1/J并加和,得到xi的样本特征fi,即
3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征,输入Softmax分类器,通过最大化该故障特征对应标签的输出概率训练分类器;训练完成后,以最大输出概率的标签作为该振动信号xi对应的健康状态,完成轮对轴承的智能故障诊断,具体是:步骤2)提取得到样本特征fi,M个样本特征组成样本特征集分别对应健康状态集为健康状态用K个标签表示,即yi=k∈{1,2,…,K},Softmax分类器针对每一个输入的样本特征fi,通过假设函数输出一个K维向量来表示健康状态取K个不同值的概率,此向量各元素的和为1,则假设函数hθ(fi)具有以下形式:
其中,θ=[θ1,θ2,…,θK]T是Softmax分类器的参数,为归一化因子,模型的训练通过最小化以下代价函数J(θ)达到:
其中,1{·}代表示性函数,λ是权重衰减因子,权重衰减因子使得代价函数变成严格的凸函数,从而理论上保证模型参数调整可得到唯一解,根据模型输出的概率分布向量,取概率最大的标签为振动信号xi所对应的健康状态,从而实现对机车轮对轴承故障的智能诊断。
实施例:通过对电力机车轮对滚动轴承故障进行智能诊断,对本发明作进一步描述。
采用的机车滚动轴承数据集共包含7个子集,分别对应7种健康状态,每个子集又包含273个样本,每个样本包含1200个数据点;所有的7644个样本中取10%的样本用于模型训练,剩下的样本用于模型精度的测试;轴承的7种健康状态包括正常状态,3种单一故障,2种复合故障,其中外圈故障包括2种故障程度,具体列表如下:
表1
使用本发明方法诊断机车轮对滚动轴承数据集,针对该数据集,选择稀疏滤波网络输入维数Nin为100,输出维数Nout为50,稀疏滤波网络训练样本片段数Ns为40000,Softmax分类器的权重衰减因子λ为1E-5,使用本发明方法,可以达到99.34%的训练精度和99%的测试精度。为验证本发明方法的有效性,将本方法的诊断结果与传统智能诊断方法的结果进行比较。在传统智能诊断方法中,首先人为设计算法提取和选择轴承故障特征,这些特征包括:均值、方差、最大值、标准差、峭度、波形指标、峰值指标、裕度指标、脉冲指标、偏斜度指标10个常用特征、以及8个小波能量比特征;然后以这些特征为输入,利用Softmax分类器实现轴承故障的智能诊断。两种方法比较结果如下表所示:
表2
从表中的对比结果可以看出,传统智能诊断方法的训练精度为98.17%,测试精度为94.81%,低于本发明方法的诊断精度。此外,本发明方法从原始振动信号中自动提取故障特征,摆脱了对诊断专家及经验知识的依赖。
通过以上机车轮对滚动轴承故障诊断具体处理过程分析以及与传统智能诊断方法的实验结果对比可以发现,本发明的方法可以从振动信号中自动提取轮对轴承故障特征,并基于这些特征,结合Softmax分类器对轴承故障进行高效可靠的智能诊断,具有实现大数据背景下机车轮对轴承故障智能诊断的潜力。
Claims (1)
1.基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,其特征在于,包括以下步骤:
1)获取轮对轴承在不同健康状态下的振动信号,建立基于等权局部特征稀疏滤波网络的故障诊断模型,故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器,稀疏滤波网络用于提取故障特征;Softmax分类器以提取的故障特征为输入,用于实现故障诊断;
2)对稀疏滤波网络进行训练,首先确定网络输入和输出维数,根据输入维数Nin,从振动信号xi中随机可重叠地选取Ns个数据段,组成样本片段训练集;然后对样本片段训练集进行白化处理,训练完成后,再将振动信号xi无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征,作为样本的局部特征,再将局部特征等权加和,作为该振动信号的样本特征,过程如下:
2.1)首先确定网络输入维数Nin和输出维数Nout,从振动信号中随机可重叠地取Ns个数据段,组成样本片段训练集其中,是第j个样本片段,且包含Nin个数据点;将样本片段训练集写成矩阵形式为对S进行白化处理,得到白化后的训练矩阵Swhite;
2.2)利用上述得到的训练矩阵Swhite训练稀疏滤波网络,具体如下:训练矩阵Swhite由白化样本片段集组成,任意选取初始权值矩阵W,白化样本片段与权值矩阵W内积得到局部特征即
将各局部特征按列组合成局部特征矩阵
首先,利用-正则化方法对局部特征矩阵的行向量进行正则化,即
其中,l表示矩阵的第l行;
然后,通过-正则化方法对的列向量进行正则化,即
其中,i表示矩阵的第i列;
最后,通过最小化代价函数训练稀疏滤波网络;
2.3)将振动信号分割成J段不可重叠样本片段,且J=N/Nin,其中,Nin是稀疏滤波网络输入维数,即振动信号xi被分割为一个样本片段集 为第j个样本片段,将每个输入训练完成的稀疏滤波网络,得到样本局部特征然后将各局部特征赋权值为1/J并加和,得到xi的样本特征fi,即
3)将稀疏滤波网络提取的样本特征作为振动信号的故障特征,输入Softmax分类器,通过最大化该故障特征对应标签的输出概率训练分类器;训练完成后,以最大输出概率的标签作为该振动信号xi对应的健康状态,完成轮对轴承的智能故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610311641.8A CN106017876A (zh) | 2016-05-11 | 2016-05-11 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610311641.8A CN106017876A (zh) | 2016-05-11 | 2016-05-11 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106017876A true CN106017876A (zh) | 2016-10-12 |
Family
ID=57100526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610311641.8A Pending CN106017876A (zh) | 2016-05-11 | 2016-05-11 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106017876A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256546A (zh) * | 2017-05-23 | 2017-10-17 | 上海海事大学 | 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 |
CN107451760A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
CN107451624A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
CN107478418A (zh) * | 2017-06-29 | 2017-12-15 | 南京航空航天大学 | 一种旋转机械故障特征自动提取方法 |
CN108225750A (zh) * | 2017-12-12 | 2018-06-29 | 南京航空航天大学 | 一种基于故障特征多相关性的旋转机械故障诊断方法 |
CN108509701A (zh) * | 2018-03-21 | 2018-09-07 | 南京航空航天大学 | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
CN108827605A (zh) * | 2018-03-20 | 2018-11-16 | 南京航空航天大学 | 一种基于改进稀疏滤波的机械故障特征自动提取方法 |
CN108871762A (zh) * | 2018-06-29 | 2018-11-23 | 广东工业大学 | 一种风电机组齿轮箱故障诊断方法 |
CN109186973A (zh) * | 2018-08-20 | 2019-01-11 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110346141A (zh) * | 2019-06-20 | 2019-10-18 | 燕山大学 | 稀疏自编码滚动轴承故障诊断方法 |
CN110631850A (zh) * | 2019-08-23 | 2019-12-31 | 西安陕鼓动力股份有限公司 | 一种大型旋转机械运行状态故障诊断***及方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
CN112487890A (zh) * | 2020-11-17 | 2021-03-12 | 山东科技大学 | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 |
CN112861275A (zh) * | 2021-01-11 | 2021-05-28 | 南京航空航天大学 | 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法 |
CN113138080A (zh) * | 2021-04-22 | 2021-07-20 | 东北大学 | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 |
CN113177484A (zh) * | 2021-04-30 | 2021-07-27 | 洛阳师范学院 | 基于lof自编码的机械故障智能诊断方法 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080219565A1 (en) * | 2007-03-06 | 2008-09-11 | Kabushiki Kaisha Toshiba | Training device and pattern recognizing device |
CN102663261A (zh) * | 2012-04-27 | 2012-09-12 | 长安大学 | 一种采用时频切片技术提取旋转机械转子轴心轨迹的方法 |
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
CN104849046A (zh) * | 2015-05-19 | 2015-08-19 | 北京建筑大学 | 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法 |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105242245A (zh) * | 2015-10-09 | 2016-01-13 | 中国科学院大学 | 基于极地探冰雷达数据低秩性和稀疏性的噪声抑制方法 |
-
2016
- 2016-05-11 CN CN201610311641.8A patent/CN106017876A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080219565A1 (en) * | 2007-03-06 | 2008-09-11 | Kabushiki Kaisha Toshiba | Training device and pattern recognizing device |
CN102663261A (zh) * | 2012-04-27 | 2012-09-12 | 长安大学 | 一种采用时频切片技术提取旋转机械转子轴心轨迹的方法 |
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
CN104849046A (zh) * | 2015-05-19 | 2015-08-19 | 北京建筑大学 | 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法 |
CN105139028A (zh) * | 2015-08-13 | 2015-12-09 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105242245A (zh) * | 2015-10-09 | 2016-01-13 | 中国科学院大学 | 基于极地探冰雷达数据低秩性和稀疏性的噪声抑制方法 |
Non-Patent Citations (2)
Title |
---|
YAGUO LEI,ETC: ""An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data"", 《IEEE XPLORE》 * |
雷亚国 等: "基于粒子滤波的滚动轴承寿命预测方法", 《2014年全国机械行业可靠性技术学术交流会暨可靠性工程分会第五届委员会成立大会论文集》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256546A (zh) * | 2017-05-23 | 2017-10-17 | 上海海事大学 | 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 |
CN107478418A (zh) * | 2017-06-29 | 2017-12-15 | 南京航空航天大学 | 一种旋转机械故障特征自动提取方法 |
CN107451624B (zh) * | 2017-09-04 | 2020-03-24 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
CN107451760A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
CN107451624A (zh) * | 2017-09-04 | 2017-12-08 | 西安交通大学 | 基于正交化局部连接网络的机械装备健康状态识别方法 |
CN108225750A (zh) * | 2017-12-12 | 2018-06-29 | 南京航空航天大学 | 一种基于故障特征多相关性的旋转机械故障诊断方法 |
CN108827605A (zh) * | 2018-03-20 | 2018-11-16 | 南京航空航天大学 | 一种基于改进稀疏滤波的机械故障特征自动提取方法 |
CN108509701A (zh) * | 2018-03-21 | 2018-09-07 | 南京航空航天大学 | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
CN108509701B (zh) * | 2018-03-21 | 2021-08-06 | 南京航空航天大学 | 一种基于振动信号的旋转机械故障直接智能诊断方法 |
CN108871762A (zh) * | 2018-06-29 | 2018-11-23 | 广东工业大学 | 一种风电机组齿轮箱故障诊断方法 |
CN109186973A (zh) * | 2018-08-20 | 2019-01-11 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109635677B (zh) * | 2018-11-23 | 2022-12-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
CN110346141A (zh) * | 2019-06-20 | 2019-10-18 | 燕山大学 | 稀疏自编码滚动轴承故障诊断方法 |
CN110285969A (zh) * | 2019-07-10 | 2019-09-27 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110631850A (zh) * | 2019-08-23 | 2019-12-31 | 西安陕鼓动力股份有限公司 | 一种大型旋转机械运行状态故障诊断***及方法 |
CN110631850B (zh) * | 2019-08-23 | 2021-05-11 | 西安陕鼓动力股份有限公司 | 一种大型旋转机械运行状态故障诊断***及方法 |
CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
CN112487890A (zh) * | 2020-11-17 | 2021-03-12 | 山东科技大学 | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 |
CN112487890B (zh) * | 2020-11-17 | 2022-03-04 | 山东科技大学 | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 |
CN112861275A (zh) * | 2021-01-11 | 2021-05-28 | 南京航空航天大学 | 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法 |
CN113138080A (zh) * | 2021-04-22 | 2021-07-20 | 东北大学 | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 |
CN113138080B (zh) * | 2021-04-22 | 2022-06-03 | 东北大学 | 基于振动孪生与极限学习的滚动轴承智能故障诊断方法 |
CN113177484A (zh) * | 2021-04-30 | 2021-07-27 | 洛阳师范学院 | 基于lof自编码的机械故障智能诊断方法 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113340598B (zh) * | 2021-06-01 | 2024-05-28 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN108830127A (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN104655425B (zh) | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN108960077A (zh) | 一种基于循环神经网络的智能故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN109765333A (zh) | 一种基于GoogleNet模型的变压器故障诊断方法 | |
CN105910827A (zh) | 基于判别性卷积特征学习的感应电机故障诊断方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
CN104596780B (zh) | 一种动车组制动***传感器故障的诊断方法 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN112113755A (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
Ren et al. | A deep learning method for fault detection of autonomous vehicles | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161012 |
|
WD01 | Invention patent application deemed withdrawn after publication |