CN107657250B - 轴承故障检测及定位方法及检测定位模型实现***和方法 - Google Patents

轴承故障检测及定位方法及检测定位模型实现***和方法 Download PDF

Info

Publication number
CN107657250B
CN107657250B CN201711032275.3A CN201711032275A CN107657250B CN 107657250 B CN107657250 B CN 107657250B CN 201711032275 A CN201711032275 A CN 201711032275A CN 107657250 B CN107657250 B CN 107657250B
Authority
CN
China
Prior art keywords
data
layer
fault
detection
positioning
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.)
Active
Application number
CN201711032275.3A
Other languages
English (en)
Other versions
CN107657250A (zh
Inventor
李兆飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
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 Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN201711032275.3A priority Critical patent/CN107657250B/zh
Publication of CN107657250A publication Critical patent/CN107657250A/zh
Application granted granted Critical
Publication of CN107657250B publication Critical patent/CN107657250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种轴承故障检测及定位方法及检测定位模型实现***和方法。对滚动轴承的无标签分类数据进行数据预处理后，输入到训练好的特征学习及检测模型，解决滚动轴承在多个故障模式下的快速检测及定位问题，通过最小化损失函数对每一种分类结果出现的概率投票进行统计；如果某故障特征得票数最多，即确定该故障为当前估计的故障模式并定位故障部位。整个特征学习过程不需要任何人工的特征提取过程，特征学习算法以原始数据作为输入，而且学习过程采用无监督的特征学习过程，通过深度的数据扩充和投影，所提取的轴承故障特征可以实现高效的自表达，解决了有标签数据获取困难的问题，并且具有很高的检测及定位精度特点。

Description

轴承故障检测及定位方法及检测定位模型实现***和方法
技术领域
本发明涉及一种适用于轴承故障检测及定位方法及检测定位模型实现***和方法，特别是涉及一种适用于滚动轴承检测定位的故障检测及定位方法及检测定位模型实现***和方法。
背景技术
近年来，随着机械设备朝向大型化、复杂化、连续化、自动化及集中化发展的趋势，设备的结构和组成越来越复杂，各子***之间的联系也越来越密切，这些设备运行的共同点是无法完全依靠传统方法建立准确的物理模型进行监控，而且在运行中由于非线性因素（如阻尼、刚度、摩擦力间隙、外载荷等）的影响，又时刻产生大量反映过程运行状态和运行机理的非平稳数据，即使正常运行的***，由于***噪声和环境噪声等的干扰也会使运行数据表现出很强的非线性特性，通常是多频率成分叠加（如当滚动轴承发生故障时，振动信号除了原有的转速所对应的频率外还会产生相应的倍频以及分频，而不同的故障强度产生的倍频和分频等故障信息也各有不同），甚至出现连续谱分布。因而，非线性机械设备故障诊断相当困难，关键机械设备一旦发生故障，会造成非常严重的经济损失和人员伤亡，因机械设备故障而产生的灾难性事故在国内外多次发生。
各种机械设备中大部分是旋转机械，而滚动轴承是各种旋转机械中应用最普遍、最易损坏的配套件和基础件，被称为机械的关节。据统计。旋转机械的故障有30％是由轴承引起的。故有效对机械设备滚动轴承故障进行检测，不仅有助于提高机械***的安全运转率，减少重大事故危害，还能获得潜在的社会和经济效益。
滚动轴承运行状态信号是其最直观的反映，工况信号可以使用多种方法获取数据，主要有红外测温方法、振动监测方法、声发射方法、油液分析方法和无损检测方法等。普遍采用的是振动监测方法，因为振动监测的理论和测量方法简单且比较成熟，便于自动化和在线诊断，振动测量可以迅速地表现轴承的运行状态和机理，是一种无损检测技术。相关统计表明，从振动信号中可以检测出轴承90%的故障。因此，在滚动轴承状态监测和故障诊断研究中，利用振动工况信号对其工作状态信号进行监测和诊断是目前最常用的方法。滚动轴承故障诊断就是要通过对能够反映轴承工作状态的信号的采集，分析与处理，来识别轴承的状态。轴承故障诊断的一般过程主要包括：信号采集（包括振动、温度、噪声、油液及图像信号）、信息处理（特征提取与特征选择）和状态识别与决策（故障诊断、异常检测与决策干预等）。
滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术，滚动轴承故障的智能诊断技术就是把神经网络、专家***、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。通过从反映滚动轴承状态的信号中提取故障特征(征兆)来辨识轴承运行状态，这些参量能够反映***故障的特征变化，故称其为故障特征量。而同一故障可以在几个特征量上得到反映，不同的故障可能有相同的特征相互影响，相互渗透是故障诊断的难点，对滚动轴承工况信号故障特征提取和识别关系到故障诊断的可靠性和准确性，是轴承故障诊断研究中的关键问题。根据处理信号特征的不同，滚动轴承故障特征提取方法分为平稳信号分析方法（时域和频域法）和非平稳信号分析方法（时间-频率技术及自适应时频分析）。
但是这些滚动轴承特征提取方法的一个共同特点都是人工选择设计特征， 然后结合相应的故障分类技术诊断故障。因为轴承工况数据是一种多尺度多层次的综合信息，人工设计特征没有统一的认识，这种方法费时费力，需要启发式专业知识，很大程度上靠经验和运气，使得数量有限的故障征兆对于轴承历次工况的解释能力相当微弱。因此，仅从低层次的手动提取及选择复杂故障特征出发进行诊断难以满足智能诊断的需求。所以，借鉴人脑在分层次提取对象特征，并且每一层对信号进行单独处理的特点，对反映轴承运行状态的信号进行深度学习，通过自动组合低层特征形成更加抽象的高层表示属性或特征的新思想，以发现数据的分布式特征表示，可更加有效的监测滚动轴承性能。
此外，由于滚动轴承工况有标签数据难于获取，因此，充分利用深度学习可自动学习滚动轴承工况信号深层次特征的特点，结合不同深度学习神经网络模型的优点，设计无监督学习的具有多个隐层的深度神经网络混合模型，挖掘轴承工况数据中隐含的高层次信息特征对可能发生的故障构建检测器做出判断，并对故障进行定位，故障检测效果必将优于单纯用某一种深度学习模型搭建的深层神经网络，是一种先进并有效的技术。
发明内容
本发明要解决的一个技术问题是提供一种克服现有轴承故障诊断中人工设计特征及特征表达的不足，有标签数据获取困难等问题的自动提取轴承工况数据特征进行故障检测及定位的***及方法。
本发明要解决的另一个技术问题是提供一种能够适用于轴承故障检测及定位的深度神经网络学习及检测模型。
一种适用于轴承故障检测及定位的检测模型实现***，其特征在于：包括，
数据预处理模块，对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；
检测模块，接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器（denoising autoencoder,DA）实现，第3层和第4层采用受限玻尔兹曼机（restricted boltzmann machines，RBM）实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；
所述检测模块包括，
数据扩充模块，包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第二个隐层节点数进行压缩；
所述N大于等于2小于等于5；
数据投影模块，包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。
以污染处理后的数据作为深度神经网络检测模型的输入，通过层叠神经网络（deep belief network,DBN）恢复出受污染前的样本数据，实现对原始数据的自表达，从而提高模型的抽象能力，得到对原始数据更一般的表达，提高故障诊断的抗噪能力。
由于RBM的预训练过程与维度无关，并且由第二步中数据的可恢复性可以保证投影结果的相对稳定，可以利用这一模型对数据进行有效的投影和表达。这样，根据每一层的类型对网络进行无监督逐层的预训练后，网络可获得性能较好的初始权重，也就是得到了表达能力较强的特征。数据扩充和投影后得到的权向量，即为故障特征量，这样就预训练得到了特征学习模型。
所述去噪自编码器为栈式去噪自编码器(stacked denoising autoencoder,SDA)。SDA方法同一个矩阵对输入数据进行编码和解码，通过最小化原始输入和解码数据的误差来逐层学习这个矩阵（输入数据的某种表示），且将第一个隐层（第1层）的输出作为第二个隐层（第2层）的输入，实现原始数据可恢复性的作用。
所述N等于3，此时的重构误差及可分性最好。
还包括训练微调模块，对滚动轴承有标签非平稳原始数据进行所述数据预处理后，以5层深度特征学习及检测模型学习到的权向量作为Softmax算法的输入，用Softmax回归算法作为滚动轴承多故障检测及定位快速算法，通过最小化损失函数统计滚动轴承内圈、外圈、滚动体故障及正常状态共5种分类结果出现的投票概率，如果某故障特征得票数最多，则检测出该故障特征参数对应的故障模式发生。由于预训练找到了一个较为合理的初始权值，因此，利用反向传播算法对最终的SDA层叠DBN和Softmax回归的整个5层模型权值及偏置进行微调，至此，得到了最终的特征学习模型。并利用有标签数据对检测结果进行测试，得到故障检测及定位模型。
一种适用于轴承故障检测及定位的检测模型实现方法，其特征在于：具体方法步骤为：
一、对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；
二、接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；
所述步骤二的实现由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；
所述5层深度特征学习及检测模型包括数据扩充和数据投影，其中，
数据扩充包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第2层节点数进行压缩；
所述N大于等于2小于等于5；
数据投影包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。
所述去噪自编码器为栈式去噪自编码器。
所述N等于3。
所述方法还包括，采用有标签数据对特征学***稳原始数据进行所述数据预处理后，以5层深度特征学习及检测模型学习到的权向量作为Softmax算法的输入，用Softmax回归算法作为滚动轴承多故障检测及定位快速算法，通过最小化损失函数统计滚动轴承内圈、外圈、滚动体故障及正常状态共5种分类结果出现的投票概率，如果某故障特征得票数最多，则检测出该故障特征参数对应的故障模式发生。
所述去趋势处理中，保留振动信号中的尖峰和突变部分。
所述污染处理中，在去趋势后样本中加入随机噪声，以均匀分布将输入层的部分节点设置为随机值，得到新的污染输入样本。
所述数据投影还包括，采用保持对比散度算法提高近似程度进行无监督预训练。
基于上述适用于轴承故障检测及定位的检测模型实现***或实现方法的轴承故障检测及定位方法，具体方法为：对滚动轴承的无标签分类数据进行所述数据预处理后，输入到训练好的特征学习及检测模型，解决滚动轴承在多个故障模式下的快速检测及定位问题，通过最小化损失函数对每一种分类结果出现的概率投票进行统计；如果某故障特征得票数最多，即确定该故障为当前估计的故障模式并定位故障部位。
该深度神经网络学习及检测模型为栈式去噪自编码器(stacked denoisingautoencoder,SDA)层叠深度置信网络（deep belief network,DBN）和Softmax回归的5层深度特征学习及检测模型；所述5层深度特征学习及检测模型中，4层特征学习模型由去噪自编码器（denoising autoencoder,DA）和受限玻尔兹曼机（restricted boltzmannmachines，RBM）两种不同的基础模块搭建。第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障。
与现有技术相比，本发明的有益效果是：整个特征学习过程不需要任何人工的特征提取过程，特征学习算法以原始数据作为输入，而且学习过程采用无监督的特征学习过程，通过深度的数据扩充和投影，所提取的轴承故障特征可以实现高效的自表达，解决了有标签数据获取困难的问题，并且具有很高的检测及定位精度特点。
附图说明
图1为本发明轴承故障检测及定位模型的网络结构示意图。
图2为本发明其中一实施例的故障特征学习及检测模型预训练过程示意图。
图3为本发明其中一实施例的故障检测及定位过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
以下提供本专利一种SDA层叠DBN和Softmax回归的轴承故障检测及定位技术的具体实施方式。实施方式给出了网络节点及网络参数设置的具体实施例，但不限于该实施例。
1、搭建深度SDA2-DBN2网络的具体实施方式：
如图1所示，一种SDA层叠DBN和Softmax回归的5层深度特征学习及检测模型构建中，4层特征学习模型由去噪自编码器和受限玻尔兹曼机两种不同的基础模块搭建。前两层数据扩充用去噪自编码器搭建，其中，设置第一隐层（第1层）的节点数是输入维数的三倍，将数据映射到一个三倍输入维数的高维空间，实现较好数据扩充的功能，并对提取更加抽象特征的第二个隐层（第2层）节点数进行压缩（一般取小于输入维数1/3的整数）。中间两层数据迁移采用受限玻尔兹曼机级联得到深度置信网络对去噪自编码器的输出进行投影得到整个网络的第三和第四隐层（第3层和第4层），并且，设置第三层节点数等于第二层节点数，第四层节点数取第三层节点数的一半。最后进行投票检测及定位轴承故障的逻辑斯特回归层节点数设置为4（滚动轴承正常状态，内圈、外圈及滚动体故障4种状态）。除第一层节点数设置为输入维数的三倍左右，第二层与第三层的节点数相等，其它特征学习层的具体节点数不限于该实施例。
2、SDA层叠DBN和Softmax回归的故障检测及定位三个阶段具体实施方式：
第一阶段：用无标签数据进行预训练得到特征学习模型，如图3所示，该阶段又分为如下几个步骤：
第一步：数据预处理：滚动轴承不同频率，不同部位采集的无标签非平稳原始信号作为输入样本x，首先采用去趋势处理，即利用均方误差对滚动轴承正常及故障信号若干小区间的多行式拟合（本专利采用的是二阶多项式）消除其趋势，保留信号中的尖峰和突变部分。然后采用污染处理，即在去趋势后样本中加入随机噪声，以均匀分布将输入层的部分节点设置为随机值，本实施例中随机将20%的元素设置为随机值，得到新的污染输入样本x'；然后以污染处理后的样本x'作为SDA2—DBN2神经网络模型的输入。
第二步：数据扩充：预训练之前，SDA2—DBN2-Softmax网络的初始权值和偏置取随机数。SDA方法同一个矩阵对输入数据进行编码和解码，通过最小化原始输入和解码数据的误差来逐层学习这个矩阵（输入数据的某种表示），预训练两层SDA时，每1层的迭代次数为20次，且将第一个隐层的输出权值和偏置作为第二个隐层的输入。
第三步：数据投影：中间两层2层深度置信网络对去噪自编码器的输出进行投影，采用保持对比散度算法提高近似程度进行无监督预训练，预训练受限玻尔兹曼机时，每次更新参数我们都运行1次吉布斯采样，即对比散度的步数为1。由于受限玻尔兹曼机的预训练过程与维度无关，并且由第二步中数据的可恢复性可以保证投影结果的相对稳定。这样，根据每一层的类型对网络进行无监督逐层的预训练后，网络可获得性能较好的权重和偏置，第四层网络的权重即为表达能力较强的故障特征。至此，得到了无监督预训练后的特征学习模型。
第二阶段：用有标签数据对特征学习模型训练并微调，测试后得到检测模型阶段。
如图2所示，对滚动轴承有标签非平稳原始数据与第一阶段进行相同的预处理后，以第一阶段SDA层叠DBN模型学习到的权向量及偏置作为Softmax算法的输入，通过最小化整体损失函数对每一种分类结果进行概率投票。根据第一阶段预训练得到的较为合理的初始权值，利用反向传播算法对最终的SDA2—DBN2-Softmax的整个5层模型权值及偏置进行微调，微调时反向传播算法迭代次数的上限为200次，同时反向传播时的权值约束系数均为0.1。在具体实施反向传播算法微调时，各模型均存在过学习的现象，可通过在微调时引入1范数和2范数约束来限制模型的表达能力。至此，得到了有监督预训练后的特征学习及检测模型。
第三阶段：对无标签待分类轴承数据采用特征学习模型与检测模型进行检测及定位阶段。
如图3所示，该阶段对无标签待分类数据与第一阶段进行相同的预处理后，然后应用前面阶段训练得到的特征学习模型，学习待分类数据的特征，最后将学习到的数据特征作为检测模型的输入，对滚动轴承进行快速分类及定位，通过最小化损失函数对每一种分类结果进行概率投票。如果某故障特征得票数最多，即确定该故障为当前估计的故障模式并定位故障部位。

Claims (10)

1.一种适用于轴承故障检测及定位的检测模型实现***，其特征在于：包括，
数据预处理模块，对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；
检测模块，接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；
所述检测模块包括，
数据扩充模块，包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第二个隐层节点数进行压缩；
所述N大于等于2小于等于5；
数据投影模块，包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。
2.根据权利要求1所述的实现***，其特征在于；所述去噪自编码器为栈式去噪自编码器；所述N等于3。
3.根据权利要求1或2所述的实现***，其特征在于；还包括训练微调模块，对滚动轴承有标签非平稳原始数据进行所述数据预处理后，以5层深度特征学习及检测模型学习到的权向量作为Softmax算法的输入，用Softmax回归算法作为滚动轴承多故障检测及定位快速算法，通过最小化损失函数统计滚动轴承内圈、外圈、滚动体故障及正常状态共4种分类结果出现的投票概率，如果某故障特征得票数最多，则检测出该故障特征参数对应的故障模式发生。
4.一种适用于轴承故障检测及定位的检测模型实现方法，其特征在于：具体方法步骤为：
一、对滚动轴承无标签非平稳原始数据，依次进行去趋势处理和污染处理；
二、接收数据预处理模块输出的数据，并将该数据进行恢复为数据预处理前的数据样本，实现对原始数据的自表达；
所述步骤二的实现由5层深度特征学习及检测模型组成，第1层和第2层采用去噪自编码器实现，第3层和第4层采用受限玻尔兹曼机实现；第5层采用逻辑斯特回归进行投票检测及定位轴承故障；
所述5层深度特征学习及检测模型包括数据扩充和数据投影，其中，
数据扩充包括所述第1层和第2层，第1层的输出作为第2层的输入；设置第1层节点数是输入维数的N倍，将输入数据映射到一个N倍高维空间，实现数据扩充及可分性的功能，并对提取更加抽象特征的第2层节点数进行压缩；
所述N大于等于2小于等于5；
数据投影包括所述第3层和第4层，采用受限玻尔兹曼机级联得到两层深度置信网络对去噪自编码器的输出进行投影。
5.根据权利要求4所述的实现方法，其特征在于：所述去噪自编码器为栈式去噪自编码器；所述N等于3。
6.根据权利要求4或5所述的实现方法，其特征在于：所述方法还包括，采用有标签数据对特征学***稳原始数据进行所述数据预处理后，以5层深度特征学习及检测模型学习到的权向量作为Softmax算法的输入，用Softmax回归算法作为滚动轴承多故障检测及定位快速算法，通过最小化损失函数统计滚动轴承内圈、外圈、滚动体故障及正常状态共4种分类结果出现的投票概率，如果某故障特征得票数最多，则检测出该故障特征参数对应的故障模式发生。
7.根据权利要求6所述的实现方法，其特征在于：所述去趋势处理中，保留振动信号中的尖峰和突变部分。
8.根据权利要求6所述的实现方法，其特征在于：所述污染处理中，在去趋势后样本中加入随机噪声，以均匀分布将输入层的部分节点设置为随机值，得到新的污染输入样本。
9.根据权利要求6所述的实现方法，其特征在于：所述数据投影还包括，采用保持对比散度算法提高近似程度进行无监督预训练。
10.基于权利要求1所述的实现***或权利要求4所述的实现方法的轴承故障检测及定位方法，具体方法为：对滚动轴承的无标签分类数据进行所述数据预处理后，输入到训练好的特征学习及检测模型，解决滚动轴承在多个故障模式下的快速检测及定位问题，通过最小化损失函数对每一种分类结果出现的概率投票进行统计；如果某故障特征得票数最多，即确定该故障为当前估计的故障模式并定位故障部位。
CN201711032275.3A 2017-10-30 2017-10-30 轴承故障检测及定位方法及检测定位模型实现***和方法 Active CN107657250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711032275.3A CN107657250B (zh) 2017-10-30 2017-10-30 轴承故障检测及定位方法及检测定位模型实现***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711032275.3A CN107657250B (zh) 2017-10-30 2017-10-30 轴承故障检测及定位方法及检测定位模型实现***和方法

Publications (2)

Publication Number Publication Date
CN107657250A CN107657250A (zh) 2018-02-02
CN107657250B true CN107657250B (zh) 2020-11-24

Family

ID=61095285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711032275.3A Active CN107657250B (zh) 2017-10-30 2017-10-30 轴承故障检测及定位方法及检测定位模型实现***和方法

Country Status (1)

Country Link
CN (1) CN107657250B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108592812B (zh) * 2018-05-10 2019-12-31 电子科技大学 风机叶片光纤载荷应变特征提取及裂纹监测方法
CN109214356A (zh) * 2018-09-29 2019-01-15 南京东振测控技术有限公司 一种基于dcnn模型的风机传动***故障智能诊断方法
CN109491816B (zh) * 2018-10-19 2022-05-27 中国船舶重工集团公司第七一六研究所 基于知识的故障诊断方法
CN109519340A (zh) * 2018-12-27 2019-03-26 中国船舶重工集团海装风电股份有限公司 一种风电机组传动***故障诊断方法
CN112345872A (zh) * 2020-12-04 2021-02-09 中国南方电网有限责任公司超高压输电公司昆明局 基于深度置信网络的换流站二次回路异常识别和预警方法
CN112949097B (zh) * 2021-04-19 2022-09-16 合肥工业大学 一种基于深度迁移学习的轴承剩余寿命预测模型和方法
CN113554602B (zh) * 2021-06-30 2023-04-18 西安翔迅科技有限责任公司 一种风机变桨轴承监测方法
CN113588266B (zh) * 2021-07-19 2022-06-07 西安交通大学 一种故障语义空间内嵌的滚动轴承复合故障诊断方法
CN113740667B (zh) * 2021-08-30 2022-06-14 华北电力大学 一种融合自编码器和卷积神经网络的电网故障诊断方法
CN114484732B (zh) * 2022-01-14 2023-06-02 南京信息工程大学 一种基于投票网络的空调机组传感器故障诊断方法
CN115031357B (zh) * 2022-05-10 2023-05-30 南京信息工程大学 一种适用于不同类型故障特征的基于投票策略的故障诊断方法
CN115587294B (zh) * 2022-12-08 2023-02-28 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法
CN116756675B (zh) * 2023-08-14 2023-11-07 湘江实验室 一种基于脉冲神经网络的轴承故障诊断分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254177A (zh) * 2011-04-22 2011-11-23 哈尔滨工程大学 一种不均衡数据svm轴承故障检测方法
CN104777418A (zh) * 2015-05-11 2015-07-15 重庆大学 一种基于深度波尔兹曼机的模拟电路故障诊断方法
CN104792530A (zh) * 2015-04-15 2015-07-22 北京航空航天大学 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法
CN106127230A (zh) * 2016-06-16 2016-11-16 上海海事大学 基于人类视觉感知的图像识别方法
CN106203625A (zh) * 2016-06-29 2016-12-07 中国电子科技集团公司第二十八研究所 一种基于多重预训练的深层神经网络训练方法
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN107169535A (zh) * 2017-07-06 2017-09-15 谈宜勇 生物多光谱图像的深度学习分类方法及装置
CN206504869U (zh) * 2017-02-27 2017-09-19 苏州大学 一种滚动轴承故障诊断装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254177A (zh) * 2011-04-22 2011-11-23 哈尔滨工程大学 一种不均衡数据svm轴承故障检测方法
CN104792530A (zh) * 2015-04-15 2015-07-22 北京航空航天大学 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法
CN104777418A (zh) * 2015-05-11 2015-07-15 重庆大学 一种基于深度波尔兹曼机的模拟电路故障诊断方法
CN106127230A (zh) * 2016-06-16 2016-11-16 上海海事大学 基于人类视觉感知的图像识别方法
CN106203625A (zh) * 2016-06-29 2016-12-07 中国电子科技集团公司第二十八研究所 一种基于多重预训练的深层神经网络训练方法
CN106769048A (zh) * 2017-01-17 2017-05-31 苏州大学 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法
CN206504869U (zh) * 2017-02-27 2017-09-19 苏州大学 一种滚动轴承故障诊断装置
CN107169535A (zh) * 2017-07-06 2017-09-15 谈宜勇 生物多光谱图像的深度学习分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Deep Learning and Its Applications to Machine Health Monitoring: A Survey";Rui Zhao 等;《arXiv:1612.07640v1 [cs.LG]》;20161216;第1-14页 *
"多重分形去趋势波动分析的振动信号故障诊断";李兆飞 等;《华中科技大学学报》;20121231;第40卷(第12期);第5-9、17页 *

Also Published As

Publication number Publication date
CN107657250A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现***和方法
CN106895975B (zh) 基于Stacked SAE深度神经网络的轴承故障诊断方法
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN110779746B (zh) 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法
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
CN112906644B (zh) 基于深度迁移学习的机械故障智能诊断方法
Tao et al. Bearing fault diagnosis method based on stacked autoencoder and softmax regression
CN108398268B (zh) 一种轴承性能退化评估方法
CN112183581A (zh) 基于自适应迁移神经网络的半监督机械故障诊断方法
CN109946080B (zh) 一种基于嵌入式循环网络的机械设备健康状态识别方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、***、设备及介质
CN111523081A (zh) 一种基于增强门控循环神经网络的航空发动机故障诊断方法
CN111680788A (zh) 基于深度学习的设备故障诊断方法
Martin-del-Campo et al. Dictionary learning approach to monitoring of wind turbine drivetrain bearings
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN110991471A (zh) 一种高速列车牵引***故障诊断方法
CN113850161A (zh) 基于lstm深度降噪自编码器的飞轮故障识别方法
CN113255591A (zh) 一种基于随机森林和融合特征的轴承故障诊断方法
Oh et al. Fault detection for lubricant bearing with CNN
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN117112991A (zh) 一种基于改进深度残差收缩网络的轴承故障诊断方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及***
CN116910574A (zh) 基于元学习和时间卷积网络的机械设备诊断方法及装置

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
GR01 Patent grant
GR01 Patent grant