CN107478418A - 一种旋转机械故障特征自动提取方法 - Google Patents
一种旋转机械故障特征自动提取方法 Download PDFInfo
- Publication number
- CN107478418A CN107478418A CN201710514497.2A CN201710514497A CN107478418A CN 107478418 A CN107478418 A CN 107478418A CN 201710514497 A CN201710514497 A CN 201710514497A CN 107478418 A CN107478418 A CN 107478418A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- feature
- mfrac
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种旋转机械故障特征自动提取方法,本发明方法如下:第一步,采用已收集的故障信号作为训练样本来训练稀疏滤波模型,并获得权值矩阵,通过权值矩阵来提取旋转机械振动信号的高维故障特征;第二步,采用t‑SNE算法对获得的高维特征进行降维处理实现故障特征的可视化,由此可根据提取的特征对未知的故障信号实现故障诊断。本发明通过无监督学习方法对故障信号进行智能诊断,较现有方法更加准确、合理。
Description
技术领域
本发明涉及旋转机械振动信号的故障振动技术,尤其是一种旋转机械故障特征自动提取技术。
背景技术
振动信号是机械故障特征的载体,对机械设备的振动信号进行分析,提取故障特征,然后根据故障特征判断机械设备的故障是机械故障诊断的常用方法。机械设备通常工作在多振源的工作环境中,背景噪声强烈,所以现场测得的机械振动信号通常是强背景噪声下的多分量非平稳信号,在这种情况下,从复杂的机械振动信号中提取故障特征,从而分离故障模式相近的机械振动信号就变得非常困难。因此,为了提高机械故障诊断的精度和效果,有必要探索新的信号处理方法在机械故障诊断中的应用。
随着机器学习的研究,神经网络开始吸引越来越多学者的关注。它可以通过隐藏层自动的从信号中学习到高维特征,但是它仍然需要大量的标签数据。作为一种可以替代手动设计特征表示的选择,非监督特征学习在提取好的特征表示上已经成功的应用在许多的图像、录音和音频等工作中。然而许多当前的非监督特征学习算法非常难以实现,因为它们需要各种参数的调节。一旦这些参数没有设置好则学习到的特征很有可能导致一个很差的诊断准确率。这些算法包括稀疏玻尔兹曼机、稀疏自动编码器、稀疏编码、独立成分分析等等。这些算法的可调参数例如稀疏玻尔兹曼机就有多达六种参数需要调节,独立成分分析只需要调节一个参数,但是它对于大的输入或者特征设置上尺度表现很差。Ngiam等提出了一种非监督特征学习框架称作稀疏滤波,它只专注于优化学习特征的稀疏性而忽视学习数据的分布情况,同时它对输入维数的尺度表现很完美且只有一个特征参数需要调节,因此稀疏滤波很容易调节又很容易实现通过几行MATLAB代码。同时作者采用稀疏滤波进行了图像识别和语音分类,都产生了非常完美的效果。
由于稀疏滤波的简便性及其完美性能,科研人员提出稀疏滤波来解决旋转机械的故障诊断问题。然而由于稀疏滤波学习到的特征是高维特征做不到可视化表达,因此很有必要选择一种合适的降维工具来将高维特征映射成低维表示。
发明内容
针对上述技术中的不足,本发明的目的在于提供一种基于智能故障诊断来自动提取振动信号故障特征的方法,通过稀疏滤波的非监督学习方式实现故障特征的自动提取,并通过t-SNE算法实现高维特征的可视化。
本发明提出的一种旋转机械故障特征自动提取方法包括以下步骤:
(1)收集样本:采用原始振动信号作为训练样本,采用重叠取样法从训练样本中采集Z段信号,这些分段组成训练集其中是第j个分段包含Nin个数据点,Nin用于表示稀疏滤波的输入维数,Nout表示输出维数。
(2)白化:数据集写作矩阵形式然后进行白化预处理。白化的目的是使分段直接减少相关性同时加速训练收敛速度。白化使用协方差矩阵的特征值分解:
cov(ST)=EUET (1)
式中cov(ST)是协方差矩阵,E是特征向量的正交矩阵,U是特征值的对角矩阵。
然后白化训练集Sw可以计算如下:
Sw=EU-1/2ETS (2)
(3)训练稀疏滤波:稀疏滤波模型通过被Sw训练,之后获得的权值矩阵W用于计算训练样本的局部特征。
(4)计算局部特征:训练样本xi被依次划分成K个分段,其中K是整数且等于N/Nin。K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征
(5)获得学***均法来组合局部特征获得:
(6)降低学习特征的维数:由于获得的特征fi仍然是高维数据,采用t-SNE算法来降低它的维数,然后映射的特征可以在散点图上表示出来。
本发明的有益效果是,通过稀疏滤波的非监督学习方式实现故障特征的自动提取,并通过t-SNE算法实现高维特征的可视化。
与以往的方法相比,本发明提出了基于稀疏滤波和t-SNE算法相结合的方法能够有效的提取故障特征并实现可视化操作。所以,该方法可以应用到旋转机械振动***故障诊断中,用以分析引起机械故障的类型,进行***的状态检测和故障诊断等。
附图说明
图1是本发明一种旋转机械故障特征自动提取的流程图;
图2是稀疏滤波***模型图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明:
结合附图对本发明的实施做出进一步说明。图1是本发明的方法流程图,如图1所示,该算法包括以下三个步骤。
步骤1:对原始振动信号进行预处理,具体过程如下:
(1)收集样本:采用原始振动信号作为训练样本,采用重叠取样法从训练样本中采集Z段信号,这些分段组成训练集其中是第j个分段包含Nin个数据点,Nin用于表示稀疏滤波的输入维数,Nout表示输出维数。
(2)白化:数据集写作矩阵形式然后进行白化预处理。白化的目的是使分段直接减少相关性同时加速训练收敛速度。白化使用协方差矩阵的特征值分解:
cov(ST)=EUET (1)
式中cov(ST)是协方差矩阵,E是特征向量的正交矩阵,U是特征值的对角矩阵。然后白化训练集Sw可以计算如下:
Sw=EU-1/2ETS (2)
步骤2:对步骤1所述的白化训练集Sw进行稀疏滤波处理,具体过程如下:
输入为采集的信号,输出为学习到的特征。采集到的信号被分成许多相同的样本以此来组成一个训练集其中是一个样本M是样本个数。样本通过使用权值矩阵W∈RN×L映射到特征向量上,如图2所示。对稀疏滤波来说,非线性特征是通过采用一个激活函数来计算获得,在我们的试验中,激活函数采用软阈值函数:
式中表示第i列的第j个特征值,ε=10-8。
特征值组成一个特征矩阵,我们先归一化每个特征为相等的激活值。具体做法是将每一个特征除以其在所有样本的二范数:
然后每一列再通过二范数进行归一化,这样他们就会落在二范数的单位球体上面了。具体做法是:
这时我们就可以对这些归一化过的特征进行优化了。我们使用L1范数惩罚来约束稀疏性。对于一个有M个样本的数据集,稀疏滤波的目标函数表示为:
步骤3:对步骤2所述的稀疏滤波模型通过被Sw训练,之后获得的权值矩阵W用于计算训练样本的局部特征。
(1)计算局部特征:训练样本xi被依次划分成K个分段,其中K是整数且等于N/Nin。K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征
(2)获得学***均法来组合局部特征获得:
步骤4:对步骤3所述的学习到的特征fi仍然是高维数据,采用t-SNE算法来降低它的维数,然后映射的特征可以在散点图上可视化表示出来。
t-SNE是一个非线性降维技术且尤其适用于高维数据在散点图中进行可视化操作。该方法通过定义联合概率分布pij来进行估计两特征fi和fj之间的两两相似性,具体做法是通过对称两个条件概率如下:
在上面的方程中,高斯核函数σi需如此设置:条件概率的混乱度等于预定义的混乱度。结果是高斯核函数σi的最优值在数据空间变得很小并伴随着一个高的数据密度,因此对每一个输入对象来说σi的最优值可以通过使用一个简单的二进制搜索进行确定。在低维空间特征yi和yj(即fi和fj的映射特征)之间的相似性通过使用一个归一化的重尾核函数来估计。具体的来说,特征yi和yj之间的联合分布pij通过归一化学生t分布伴随一个单自由度来计算:
归一化的学生t分布的重尾允许不相似特征在映射空间里被模拟成更远的分布,yi的位置通过最小化联合分布qij和pij之间的KL散度来决定:
式中P和Q是pij和qij的矩阵形式。通过最小化上式,fi和yi之间变得越来越相似,因此yi可以表示fi的特征。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种旋转机械故障特征自动提取方法,其特征是,该方法首先对原始振动信号进行预处理,然后,对处理过的振动信号进行稀疏滤波处理,在对稀疏滤波模型通过被白化训练之后获得的权值矩阵用于计算训练样本的局部特征;最后采用t-SNE算法来降低维数,使映射的特征可以在散点图上可视化表示出来。
2.根据权利要求1所述的一种旋转机械故障特征自动提取方法,其特征是,所述的对原始振动信号进行预处理具体为:
步骤1.1收集样本:采用原始振动信号作为训练样本,采用重叠取样法从训练样本中采集Z段信号,将所述信号分段组成训练集其中是第j个分段包含Nin个数据点,Nin用于表示稀疏滤波的输入维数,Nout表示输出维数;
步骤1.2白化:将数据集写作矩阵形式然后进行白化预处理;所述白化处理过程使用协方差矩阵的特征值分解:
cov(ST)=EUET (1)
式中cov(ST)是协方差矩阵,E是特征向量的正交矩阵,U是特征值的对角矩阵;然后白化训练集Sw计算如下:
Sw=EU-1/2ETS (2)
3.根据权利要求2所述的一种旋转机械故障特征自动提取方法,其特征是,所述的稀疏滤波处理过程具体为:
步骤2.1训练稀疏滤波:稀疏滤波模型通过被白化训练集Sw训练,之后获得的权值矩阵W用于计算训练样本的局部特征;
步骤2.2计算局部特征:训练样本xi被依次划分成K个分段,其中K是整数且等于N/Nin,K个分段组成数据集且然后我们使用训练好的稀疏滤波模型来计算每个样本的局部特征
步骤2.3获得学***均法来组合局部特征获得:
<mrow>
<msup>
<mi>f</mi>
<mi>i</mi>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
4.根据权利要求1所述的一种旋转机械故障特征自动提取方法,其特征是,所述采用t-SNE算法来降低维数具体为:
定义联合概率分布pij来进行估计两特征fi和fj之间的两两相似性,对称两个条件概率如下:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>|</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>l</mi>
</mrow>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>l</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>|</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mo>|</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mi>N</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
高斯核函数σi设置为条件概率的混乱度等于预定义的混乱度;
在低维空间设置特征yi和yj作为fi和fj的映射特征,特征yi和yj之间的联合分布pij通过归一化学生t分布伴随一个单自由度来计算:
<mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<mi>l</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>l</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
归一化的学生t分布的重尾允许不相似特征在映射空间里被模拟成更远的分布,yi的位置通过最小化联合分布qij和pij之间的KL散度来决定:
<mrow>
<mi>K</mi>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式中P和Q是pij和qij的矩阵形式,通过最小化上式,fi和yi之间变得越来越相似,因此yi可以表示fi的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710514497.2A CN107478418A (zh) | 2017-06-29 | 2017-06-29 | 一种旋转机械故障特征自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710514497.2A CN107478418A (zh) | 2017-06-29 | 2017-06-29 | 一种旋转机械故障特征自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107478418A true CN107478418A (zh) | 2017-12-15 |
Family
ID=60596101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710514497.2A Pending CN107478418A (zh) | 2017-06-29 | 2017-06-29 | 一种旋转机械故障特征自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107478418A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与*** |
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 |
CN108844733A (zh) * | 2018-04-18 | 2018-11-20 | 苏州微著设备诊断技术有限公司 | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 |
CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
CN113505830A (zh) * | 2021-07-09 | 2021-10-15 | 西安交通大学 | 旋转机械故障诊断方法、***、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103953490A (zh) * | 2014-04-23 | 2014-07-30 | 浙江工业大学 | 基于hlsne的水轮机组状态监测实现方法 |
US9142012B2 (en) * | 2012-05-31 | 2015-09-22 | Apple Inc. | Systems and methods for chroma noise reduction |
CN105809124A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 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 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106094786A (zh) * | 2016-05-30 | 2016-11-09 | 宁波大学 | 基于集成型独立元回归模型的工业过程软测量方法 |
CN106444665A (zh) * | 2016-09-22 | 2017-02-22 | 宁波大学 | 一种基于非高斯相似度匹配的故障分类诊断方法 |
-
2017
- 2017-06-29 CN CN201710514497.2A patent/CN107478418A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9142012B2 (en) * | 2012-05-31 | 2015-09-22 | Apple Inc. | Systems and methods for chroma noise reduction |
CN103953490A (zh) * | 2014-04-23 | 2014-07-30 | 浙江工业大学 | 基于hlsne的水轮机组状态监测实现方法 |
CN105809124A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 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 |
CN106094786A (zh) * | 2016-05-30 | 2016-11-09 | 宁波大学 | 基于集成型独立元回归模型的工业过程软测量方法 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106444665A (zh) * | 2016-09-22 | 2017-02-22 | 宁波大学 | 一种基于非高斯相似度匹配的故障分类诊断方法 |
Non-Patent Citations (1)
Title |
---|
谷玉海: "大型风电机组齿轮箱早期故障诊断技术与***研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与*** |
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 |
CN108844733A (zh) * | 2018-04-18 | 2018-11-20 | 苏州微著设备诊断技术有限公司 | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 |
CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
CN113505830A (zh) * | 2021-07-09 | 2021-10-15 | 西安交通大学 | 旋转机械故障诊断方法、***、设备及存储介质 |
CN113505830B (zh) * | 2021-07-09 | 2024-04-02 | 西安交通大学 | 旋转机械故障诊断方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 | |
Chen et al. | Integrating the data augmentation scheme with various classifiers for acoustic scene modeling | |
Li et al. | Mechanical fault diagnosis based on redundant second generation wavelet packet transform, neighborhood rough set and support vector machine | |
WO2019090879A1 (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN110017991A (zh) | 基于谱峭度和神经网络的滚动轴承故障分类方法及*** | |
CN110046562A (zh) | 一种风电***健康监测方法及装置 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN106653032A (zh) | 低信噪比环境下基于多频带能量分布的动物声音检测方法 | |
CN101750210A (zh) | 基于正交局部保持映射(olpp)特征约简的故障诊断方法 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN111341294B (zh) | 将文本转换为指定风格语音的方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN102539159A (zh) | 一种柴油机气门机构故障诊断方法 | |
CN105609116A (zh) | 一种语音情感维度区域的自动识别方法 | |
CN101650944A (zh) | 基于保类内核Fisher判别法的说话人辨别实现方法 | |
CN107133640A (zh) | 基于局部图像块描述子和费舍尔向量的图像分类方法 | |
CN108509701A (zh) | 一种基于振动信号的旋转机械故障直接智能诊断方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN106295708A (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
CN113327632A (zh) | 一种基于字典学习的无监督异常声检测方法和装置 | |
Zhang et al. | Temporal Transformer Networks for Acoustic Scene Classification. |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |
|
RJ01 | Rejection of invention patent application after publication |