CN108830127B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108830127B CN108830127B CN201810240234.1A CN201810240234A CN108830127B CN 108830127 B CN108830127 B CN 108830127B CN 201810240234 A CN201810240234 A CN 201810240234A CN 108830127 B CN108830127 B CN 108830127B
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- frequency
- layer
- convolutional neural
- 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
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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络模型的旋转机械故障特征智能诊断方法,包括:(1)采集旋转机械故障振动信号数据,将数据分段并做去趋势项预处理;(2)对信号数据进行短时傅里叶时频变换分析,得到各振动信号的时频表示,并用伪色彩图显示;(3)利用插值方法缩小图像分辨率并将各图像叠加,形成训练样本和测试样本,作为卷积神经网络的输入;(4)构建深度卷积神经网络模型,包括输入层、两个卷积层、两个池化层、全连接层和softmax分类层和输出层;(5)将训练样本导入模型进行训练并获得卷积特征、池化特征和神经网络结构参数,根据构建的深度神经网络模型对未知的故障信号实现诊断。本发明较现有的时域或频域方法,具有更好的准确性和稳定性。
Description
技术领域
本发明属于旋转机械振动故障诊断技术领域,涉及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。
背景技术
旋转机械振动信号可以通过振动传感器等设备适时采集,用以准确反映机械设备工作状态。如何从海量的振动信号中提取能够准确反映机械故障特征的有效信息,并确定故障类型和工作状态,是机械故障诊断的主要研究内容。含有故障特征的旋转机械设备工作环境通常非常复杂,振动源较多,背景噪声强烈,利用现场测得的机械振动信号通常是强背景噪声下的多分量、非平稳复杂振动信号。所以其故障特征提取故障诊断的信号处理方法,对准确率和诊断效果有更高的要求。
现有技术的旋转机械振动信号处理,一般采用时域特征提取方法或频域特征提取方法。由于时域特征中不能反映频率、频谱等信息,而频域方法只能反映振动信号中的局部特征信息,也不能反映时变特征信息,因此,直接采用单一的时域或频域方法并不能准确、有效、完整的表达振动信号中的有用信息。维纳-威利分布等传统时频分析中存在交叉项干扰而严重影响了故障特征信息的提取和辨识,本文提出的基于深度卷积神经网络的故障模式识别方法能有效避免交叉项干扰等的缺陷。
随着机器学习等人工智能方法的兴起,神经网络开始越来越多的吸引众多研究者的关注。深度神经网络结构可以通过梯度下降法等优化算法从输入数据中通过隐藏层自动学习到有效的表征特征。稀疏编码、波尔茨曼机、卷积神经网络等深度学习算法已广泛应用于图像处理,音频处理,文字识别等研究中。也逐渐引用到旋转机械的振动信号特征提取中。
发明内容
本发明的目的在于克服现有技术的缺陷,提供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,该方法将振动信号的时频特征作为辨识目标,能够准确提取振动信号的时变频谱特征和能量特征,并采用卷积特征学习方法构建深度卷积神经网络模型,作为辨识模型,学习旋转机械振动信号时频表示中的复杂特征,更加有利于故障特征的表示提取。
为了解决上述技术问题,本发明采用以下技术方案。
本发明的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,其特征在于,包括以下步骤:
步骤1、采集故障振动信号并做预处理:将采集到的原始振动信号进行分段处理,采用随机重叠的方法从振动信号中提取M段信号,每一段信号有N个样本点;将提取的信号组成样本数据集{S}N×M,其中,sj∈SN×1表示第j个分段中的含有N个数据点;
利用三次多项式拟合消除每一段振动信号中的趋势项:
步骤2、利用短时Fourier变换方法提取振动信号的时频特征:将在步骤1中得到的样本数据集进行短时Fourier时频变换分析,得到各个振动信号的时频特征,并利用伪色彩图显示。
所述步骤2的过程如下:
将数据样本集写成矩阵形式SN×M,分别选择最佳采样率、阈值和时频中心,采用下式进行短时傅里叶时频变换(STFT),获得数据样本集每一段信号对应的时频变换特征信息数据:
式中,f为频率,τ为时间,ω(τ-t)为时频窗函数,x(τ)ω(τ-t)为时频中心;
然后利用计算获得的时频变换特征信息数据绘制伪色彩图,对数据进行可视化处理,叠加形成三维数据样本集。
步骤3、利用插值方法缩小图像分辨率并将各个图像叠加,形成训练样本集和测试样本集,作为卷积神经网络的输入。
所述步骤3的过程如下:
利用最邻近插值算法无失真的降低时频图像分辨率,使时频图像尺寸缩小至64×64;将所有时频图像叠加,添加对应的故障标签,随机选择50%作为训练样本集,50%作为测试样本集。
步骤4、构建深度卷积神经网络模型,包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层。先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将单层softmax分类层接到全连接层上组成深度卷积神经网络模型。
所述步骤4的过程如下:
将两个卷积层和两个池化层分别交叉叠加形成网络主体结构,将softmax分类层接到全连接层上,作为故障特征辨识层,组成完整的深度卷积神经网络模型;
在卷积层中,对于任意输入x,子序列为:
xj=ρWjxj-1 (3)
式中,W和ρ分别为卷积运算和非线性激活函数;Wj是滤波映射的权值,且每一层均写成前一层的卷积之和:
式中,u为x的元素,j=1,2,3,…,N,*是卷积运算:
式中,h为映射函数,g为激活函数。
通过随机梯度下降法的凸优化算法计算梯度,优化求解权值Wj;
采用池化方法,将目标区域分割为非重叠区域,选择池化维数为4,神经元数为300。采用最大池化函数提取特征并提高计算神经网络的计算效率;
利用深度卷积神经网络结构模型提取输入数据的卷积特征和池化特征,训练网络模型结构参数;在Softmax层的激活函数采用sigmoid函数:
步骤5、将训练样本集导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数,根据构建的深度神经网络模型对未知的故障信号实现基于时频特征提取的旋转机械故障诊断。
进一步的,步骤2所述的最佳采样率和阈值分别为512、5%。
与现有技术相比,本发明的优点和有益效果包括:
1.本发明将振动信号的时频表示作为深度神经网络的输入,智能学习时频表示中的故障特征,并对故障特征进行分类辨识。本发明的时频联合分析方法结合了时域和频域分析特点的优点,避免了时域信号不能反映频谱特征的缺点,也避免了频谱泄露和频域信号不能反映振动信号相位特征和时变特征的缺点,可以准确反映出振动信号中时变特征及其频谱特征,反映振动信号中能量集中位置和分布特点,具有很强的信息捕获和表征能力。因此,本发明将振动信号的时频表示作为辨识目标,能够准确提取振动信号的时变频谱特征和能量特征,将更加有利于故障特征的表示提取,可更加完整、准确体现振动信号中的特征信息。
2.卷积神经网络将辨识目标网格化,分块提取目标特征,对辨识目标中相邻网格之间的差异和微小变化非常敏感,对二维数据特征学习方面具有优异性能,在本发明中采用卷积特征学习方法构建深度卷积神经网络模型,作为辨识模型,利用该模型高效的学习旋转机械振动信号时频表示中的复杂特征信息,进而进行故障诊断。
3.本发明提出了基于短时傅里叶变换和深度卷积神经网络模型相结合的旋转机械故障特征信息提取和智能诊断方法,可有效地对机械设备工作状态和故障信息进行高效的辨识和判断,进行机械设备的状态监测和健康管理。
附图说明
图1是本发明的一种实施方法流程图。
图2是一组旋转机械不同类型的故障信号及其时频表示图。
图3是本发明的一种实施方法的深度卷积神经网络结构模型图。
图4是本发明的一种实施例方法的深度卷积神经网络模型提取的轴承故障卷积特征和池化特征示意图。
具体实施方式
本发明的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,其步骤包括:(1)采集旋转机械故障振动信号测试数据,将数据合理分段并做去趋势项预处理;(2)将采集到的信号数据进行短时Fourier时频变换分析,得到各个振动信号的时频特征,并利用伪色彩图显示;(3)利用插值方法缩小图像分辨率并将各个图像叠加,形成训练样本和测试样本,作为卷积神经网络的输入;(4)构建深度卷积神经网络模型,包括输入层、两个卷积层、两个池化层、全连接层和分类层和输出层;(5)将训练样本导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数,根据构建的深度神经网络模型对未知的故障信号实现基于时频特征提取的旋转机械故障诊断。本发明将振动信号的时频表示作为深度神经网络的输入,智能学习时频表示中的故障特征信息,并对故障特征进行分类辨识。通过深度卷积神经网络结构对旋转机械故障信号的时频表示进行故障诊断,较已有的时域或频域方法,具有更好的准确性和稳定性。
下面结合附图对本发明做进一步详细说明。
图1是本发明的一种实施方法流程图。如图1所示,该实施方法包括以下步骤。
步骤1:采集旋转机械故障振动测试信号,对原始振动信号进行预处理,具体过程如下:
将采集到的原始振动信号进行分段处理,采用随机重叠的方法从振动信号中提取M段信号,每一段信号有N个样本点,将提取的信号组成样本数据集{S}N×M,其中,sj∈SN×1表示第j个分段中的含有N个数据点。利用三次多项式拟合消除每一段振动信号中的趋势项。
式中,yk、xk为样本点,a0、a1为系数,通常取m=1,2,3m=1,2,3;n,k=1,2,3,…,N;来对采样数据进行多项式趋势项消除的处理。以CaseWest reverseuniversity轴承测试中心的轴承故障测试数据为例,每一种故障选择200组样本,每个样本有1024个点,总共有10种故障。
步骤2:利用短时Fourier时频变换提取振动信号中的时频特征信息
(2)短时Fourier时频变换分析:将样本数据集写成矩阵形式SN×M,设置采样率和阈值分别为512、5%,时频窗函数为ω(τ-t),时频中心为x(τ)ω(τ-t),利用以下短时Fourier变换方程计算每一段信号的时频表示,其中,f为频率,τ为时间。将获得的时频变换数据叠加形成三维数据集。并且同时可计算时频等高线图,对数据进行可视化处理。
式中,f为频率,τ为时间,利用计算获得的时频变换数据绘制伪色彩图,展现时频特征信息,对数据进行可视化处理,叠加形成三维数据集。
步骤3:建立训练集和测试集:
利用最邻近插值算法无失真的降低图像分辨率,缩小图像尺寸至64×64,降低时频表示数据的尺寸,将所有图像叠加,并添加对应的故障特征标签,标签序号从1到10,随机选择其中50%的样本作为训练集,其余的50%样本作为测试集。
步骤4:建立深度卷积神经网络结构模型:通过将两个卷积层和池化层交叉叠加,将单层softmax模型联接到全连接层上,组成深度卷积神经网络模型。
卷积神经网络包含卷积特征提取和池化特征提取两个基础步骤,本发明通过将两个卷积层和池化层交叉叠加形成网络主体结构,将单层softmax层联接到全连接层上,作为故障特征辨识层,组成完整的深度卷积神经网络模型。
在卷积层中,对于任意输入x,子序列为:
xj=ρWjxj-1 (3)
式中,W和ρ分别为卷积运算和非线性激活函数。Wj是滤波映射的权值,并且每一层都可以写成前一层的卷积之和:
式中,*是卷积运算:
式中,h为映射函数,g为激活函数。
通过随机梯度下降法的凸优化算法计算梯度,优化求解权值Wj。
池化方法作为一种降采样策略,可以将目标区域分割为非重叠区域,选择池化维数为4,神经元数为300,采用最大池化函数提取特征并提高计算神经网络的计算效率。
利用神经网络结构模型提取输入数据的卷积特征和池化特征,训练网络模型结构参数。在Softmax层的激活函数采用sigmoid函数:
步骤5:将输入数据导入网络模型,进行故障诊断测试
(5)将训练集导入构建的深度卷积神经网络模型中,训练神经网络模型结构参数,并提取卷积特征和池化特征。测试集准确率达到100%,将测试集导入训练完成的模型中,测试集分类准确率达到99.75%。
下表1所示为故障数据集描述。
下表2所示为故障训练集和测试故障诊断准确率。
表1故障数据集描述
表2故障训练集和测试故障诊断准确率
Claims (6)
1.一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,其特征在于,包括以下步骤:
步骤1、采集故障振动信号并做预处理:将采集到的原始振动信号进行分段处理,采用随机重叠的方法从振动信号中提取M段信号,每一段信号有N个样本点;将提取的信号组成样本数据集{S}N×M,其中,sj∈SN×1表示第j个分段中的含有N个数据点;
利用三次多项式拟合消除每一段振动信号中的趋势项:
步骤2、利用短时Fourier变换方法提取振动信号的时频特征:将在步骤1中得到的样本数据集进行短时Fourier时频变换分析,得到各个振动信号的时频特征,并利用伪色彩图显示;
步骤3、利用插值方法缩小图像分辨率并将各个图像叠加,形成训练样本集和测试样本集,作为卷积神经网络的输入;
步骤4、构建深度卷积神经网络模型,包括输入层、两个卷积层、两个池化层、全连接层、softmax分类层和输出层;先将两个卷积层和两个池化层分别交叉叠加,然后将第二个池化层的输出特征根据全连接的形式展开,再将softmax分类层联接到全连接层上,组成深度卷积神经网络模型;
步骤5、将训练样本集导入深度卷积神经网络模型进行训练并获得卷积特征、池化特征和神经网络结构参数,根据构建的深度卷积神经网络模型对未知的故障信号实现基于时频特征提取的旋转机械故障诊断。
3.根据权利要求2所述的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,其特征在于,所述的最佳采样率和阈值分别为512、5%。
4.根据权利要求1所述的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,其特征在于,所述步骤3的过程如下:
利用最邻近插值算法无失真的降低时频图像分辨率,使时频图像尺寸缩小至64×64;将所有时频图像叠加,添加对应的故障标签,随机选择50%作为训练样本集,50%作为测试样本集。
5.根据权利要求1所述的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,其特征在于,所述步骤4的过程如下:
将两个卷积层和两个池化层分别交叉叠加形成网络主体结构,将单层softmax模型接到最后一个池化层上,作为故障特征辨识层,组成完整的深度卷积神经网络模型;
在卷积层中,对于任意输入x,子序列为:
xj=ρWjxj-1 (3)
式中,W和ρ分别为卷积运算和非线性激活函数;Wj是滤波映射的权值,且每一层均写成前一层的卷积之和:
式中,u为x的元素,j=1,2,3,…,N,*是卷积运算:
式中,h为映射函数,g为激活函数;
通过随机梯度下降法的凸优化算法计算梯度,优化求解权值Wj;
采用池化方法,将目标区域分割为非重叠区域,采用最大池化函数提取特征并提高计算神经网络的计算效率;
利用深度卷积神经网络结构模型提取输入数据的卷积特征和池化特征,训练网络模型结构参数;在Softmax层的激活函数采用sigmoid函数:
6.根据权利要求5所述的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,其特征在于,所述的池化方法,选择池化维数为4,神经元数为300。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810240234.1A CN108830127B (zh) | 2018-03-22 | 2018-03-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810240234.1A CN108830127B (zh) | 2018-03-22 | 2018-03-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830127A CN108830127A (zh) | 2018-11-16 |
CN108830127B true CN108830127B (zh) | 2021-08-10 |
Family
ID=64154246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810240234.1A Active CN108830127B (zh) | 2018-03-22 | 2018-03-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830127B (zh) |
Families Citing this family (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858345B (zh) * | 2018-12-25 | 2021-06-11 | 华中科技大学 | 一种适用于胀管设备的智能故障诊断方法 |
CN109801401A (zh) * | 2018-12-29 | 2019-05-24 | 青岛海洋科学与技术国家实验室发展中心 | 故障检测方法、计算机可读介质、故障检测装置以及船舶 |
CN109774740A (zh) * | 2019-02-03 | 2019-05-21 | 湖南工业大学 | 一种基于深度学习的轮对踏面损伤故障诊断方法 |
CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测*** |
JP7283096B2 (ja) * | 2019-02-04 | 2023-05-30 | 株式会社ジェイテクト | 検査装置及び検査用学習モデル生成装置 |
CN109978134B (zh) * | 2019-02-26 | 2020-11-24 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110060368B (zh) * | 2019-04-22 | 2020-03-10 | 苏州大学 | 基于潜在特征编码的机械异常检测方法 |
CN110222610A (zh) * | 2019-05-27 | 2019-09-10 | 青岛海信网络科技股份有限公司 | 一种信号分类的方法及装置 |
CN110210381B (zh) * | 2019-05-30 | 2023-08-25 | 盐城工学院 | 一种域分离自适应一维卷积神经网络智能故障诊断方法 |
CN110405537B (zh) * | 2019-07-17 | 2022-02-08 | 湘潭大学 | 一种基于深度学习的导轨精度预测模型的建立方法 |
CN110516305B (zh) * | 2019-07-26 | 2021-02-12 | 西安交通大学 | 基于注意机制元学习模型的小样本下故障智能诊断方法 |
CN110333074B (zh) * | 2019-07-30 | 2021-08-17 | 北京航天发射技术研究所 | 基于卷积神经网络的多测点传动机构故障诊断方法和*** |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN110703006B (zh) * | 2019-09-04 | 2022-06-21 | 国网浙江省电力有限公司金华供电公司 | 一种基于卷积神经网络的三相电能质量扰动检测方法 |
CN110619386B (zh) * | 2019-09-09 | 2022-12-16 | 国家电网有限公司 | 一种tmr运行监测及故障智能研判方法及*** |
CN110702411B (zh) * | 2019-09-23 | 2020-11-10 | 武汉理工大学 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN111222398B (zh) * | 2019-10-28 | 2023-04-18 | 南京航空航天大学 | 一种基于时频特征融合的肌电信号解码方法 |
CN111104887B (zh) * | 2019-12-11 | 2024-03-29 | 北京化工大学 | 一种基于振动机理与深度学习技术的整周期无键相监测方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111412114B (zh) * | 2019-12-26 | 2021-12-07 | 浙江运达风电股份有限公司 | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 |
CN111289251A (zh) * | 2020-02-27 | 2020-06-16 | 湖北工业大学 | 一种滚动轴承细粒度故障识别方法 |
CN111523509B (zh) * | 2020-05-08 | 2023-08-29 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111637964B (zh) * | 2020-05-12 | 2021-10-26 | 西南交通大学 | 钢轨波磨识别方法 |
CN111623868B (zh) * | 2020-05-12 | 2021-08-20 | 西南交通大学 | 用于钢轨波磨识别的卷积神经网络构建方法 |
CN111723658B (zh) * | 2020-05-13 | 2022-06-10 | 江苏方天电力技术有限公司 | 基于卷积神经网络的旋转机械故障征兆识别方法 |
CN111753465B (zh) * | 2020-06-05 | 2022-08-16 | 长江三峡通航管理局 | 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法 |
CN111751133B (zh) * | 2020-06-08 | 2021-07-27 | 南京航空航天大学 | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 |
CN111860184B (zh) * | 2020-06-23 | 2024-04-16 | 广东省特种设备检测研究院珠海检测院 | 一种自动扶梯机械故障诊断方法和*** |
CN112036240A (zh) * | 2020-07-27 | 2020-12-04 | 国家能源集团新疆吉林台水电开发有限公司 | 一种基于分频算法诊断下机架松动故障的方法及*** |
CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
CN112345251B (zh) * | 2020-11-04 | 2022-03-04 | 山东科技大学 | 基于信号分辨率增强的机械智能故障诊断方法 |
CN112395968B (zh) * | 2020-11-11 | 2021-08-27 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
CN112348171A (zh) * | 2020-11-12 | 2021-02-09 | 大连工业大学 | 一种滚筒去鳞机的故障诊断方法 |
CN112446326B (zh) * | 2020-11-26 | 2022-04-01 | 中国核动力研究设计院 | 基于深度复卷积网络的屏蔽泵故障模式识别方法及*** |
CN112418181B (zh) * | 2020-12-13 | 2023-05-02 | 西北工业大学 | 一种基于卷积神经网络的人员落水检测方法 |
CN112633098B (zh) * | 2020-12-14 | 2023-05-30 | 华中科技大学 | 一种旋转机械故障诊断方法、***及存储介质 |
CN113670610B (zh) * | 2021-06-09 | 2022-10-04 | 广州大学 | 基于小波变换与神经网络的故障检测方法、***及介质 |
CN113409213B (zh) * | 2021-06-22 | 2023-11-14 | 中铁工程装备集团有限公司 | 柱塞泵故障信号时频图降噪增强方法和*** |
CN113537044B (zh) * | 2021-07-14 | 2022-08-26 | 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 |
CN113792585B (zh) * | 2021-08-03 | 2023-06-27 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、***、电子设备及介质 |
CN113537152A (zh) * | 2021-08-19 | 2021-10-22 | 南京航空航天大学 | 一种基于深度神经网络的流场状态故障检测方法 |
CN114034481A (zh) * | 2021-11-15 | 2022-02-11 | 燕山大学 | 一种轧机齿轮箱故障诊断***及方法 |
CN114323635B (zh) * | 2022-01-08 | 2023-08-01 | 中国船舶重工集团公司第七一九研究所 | 一种基于太赫兹雷达的阀门故障状态感算诊断方法及*** |
US11859626B2 (en) * | 2022-01-24 | 2024-01-02 | Hamilton Sundstrand Corporation | Incipient compressor surge detection using artificial intelligence |
CN114964476B (zh) * | 2022-05-27 | 2023-08-22 | 中国石油大学(北京) | 油气管道***动设备的故障诊断方法、装置及设备 |
CN114861740B (zh) * | 2022-07-07 | 2022-11-04 | 山东大学 | 基于多头注意力机制的自适应机械故障诊断方法及*** |
CN115493844A (zh) * | 2022-09-23 | 2022-12-20 | 华北电力科学研究院有限责任公司 | 汽轮发电机组汽流激振处理方法及装置 |
CN115512170B (zh) * | 2022-11-23 | 2023-04-07 | 南京航空航天大学 | 面向低品质数据的滚动轴承智能诊断方法、装置 |
CN115712065B (zh) * | 2023-01-05 | 2023-04-07 | 湖南大学 | 时频旋转门与卷积核感知匹配的电机故障诊断方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547698A (zh) * | 2015-12-31 | 2016-05-04 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
-
2018
- 2018-03-22 CN CN201810240234.1A patent/CN108830127B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547698A (zh) * | 2015-12-31 | 2016-05-04 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
佘道明等.一种新型多层深度卷积神经网络的滚动轴承故障诊断方法.《 第十二届全国振动理论及应用学术会议论文集》.2017, * |
Also Published As
Publication number | Publication date |
---|---|
CN108830127A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830127B (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 | |
Ma et al. | A novel bearing fault diagnosis method based on 2D image representation and transfer learning-convolutional neural network | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
Hasan et al. | A fault diagnosis framework for centrifugal pumps by scalogram-based imaging and deep learning | |
CN106556781A (zh) | 基于深度学习的局部放电缺陷图像诊断方法及*** | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN112487945B (zh) | 一种基于双路卷积神经网络融合的脉象识别方法 | |
CN112326210A (zh) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN108509701B (zh) | 一种基于振动信号的旋转机械故障直接智能诊断方法 | |
Ji et al. | Parallel sparse filtering for intelligent fault diagnosis using acoustic signal processing | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
Liang et al. | Intelligent fault diagnosis of rolling element bearing based on convolutional neural network and frequency spectrograms | |
CN112633195A (zh) | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Li et al. | Multilayer Grad-CAM: An effective tool towards explainable deep neural networks for intelligent fault diagnosis | |
Islam et al. | Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断***及方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 |
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 |