CN109060347A - 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 - Google Patents
基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 Download PDFInfo
- Publication number
- CN109060347A CN109060347A CN201811252944.2A CN201811252944A CN109060347A CN 109060347 A CN109060347 A CN 109060347A CN 201811252944 A CN201811252944 A CN 201811252944A CN 109060347 A CN109060347 A CN 109060347A
- Authority
- CN
- China
- Prior art keywords
- planetary gear
- sdae
- grunn
- mixed model
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 title description 10
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 18
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000002405 diagnostic procedure Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000006247 magnetic powder Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于SDAE和GRUNN的行星齿轮故障识别方法,所述方法包括如下步骤:步骤一、构建基于SDAE和GRUNN的混合模型,消除输入数据的噪声成分,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;步骤二、将行星齿轮故障诊断的训练样本看作步骤一构建的混合模型的输入数据,采用Adam优化算法和dropout技术训练混合模型,防止过拟合现象的发生;步骤三、根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。该方法在训练样本数较小的情况下能获得良好的诊断效果,并具有较强的抗噪能力和时变转速适应能力,为行星齿轮故障识别提供了一种新颖的解决思路。
Description
技术领域
本发明涉及一种行星齿轮故障识别方法,尤其涉及一种基于堆叠消噪自动编码器(Stacked denoising autoencoder,SDAE)和门控循环单元神经网络(Gated recurrentunit neural network,GRUNN)的行星齿轮故障识别方法。
背景技术
行星齿轮箱具有传动比大和结构紧凑等特点,已广泛应用于汽车、风力发电和直升机等设备的机械传动***中。而复杂恶劣的工作环境常导致行星齿轮箱内部的齿轮发生裂纹、点蚀和磨损等故障,从而引起整个***的失灵,甚至导致巨大的经济损失。因此,行星齿轮箱的故障诊断对避免潜在事故的发生和保障机械***的可靠运行具有十分重要的意义。
近年来,深度学习理论因其强大的特征提取和表示能力而受到学者的广泛关注。它已被成功应用于行星齿轮箱的故障诊断中。典型的深度学习模型包括深度置信网络(Deep belief network,DBN)、堆叠自动编码器(Stacked autoencoder,SAE)、卷积神经网络(Convolutional neural network,CNN)和循环神经网络(Recurrent neural network,RNN)。DBN虽具有简单的结构和极强的表示能力,但提取的故障特征常包含大量的冗余信息,从而极大地增加了计算复杂度,降低了识别准确率。SAE虽具有突出的消噪特性,但其难于准确表示输入数据与故障类型间的映射关系。而且,对于复杂的非静态输入数据,它无法获得满意的诊断效果。尽管CNN已成功应用于行星齿轮箱的故障诊断,但在噪声环境下,其诊断效果会迅速恶化,难于准确判断行星齿轮箱状态。RNN常与其它深度学习模型相结合,实现对输入数据的消噪处理。然而,基于RNN的故障诊断方法较少应用于时变转速工况下行星齿轮箱的故障诊断。行星齿轮常常运行在噪声环境和时变转速工况下,仅能采集到非静态的调制信号,从而严重影响行星齿轮故障识别效果。
发明内容
本发明为了解决噪声环境和时变转速工况下行星齿轮故障识别问题,提供了一种基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法。该方法在训练样本数较小的情况下能获得良好的诊断效果,并具有较强的抗噪能力和时变转速适应能力,为行星齿轮故障识别提供了一种新颖的解决思路。
本发明的目的是通过以下技术方案实现的:
一种基于SDAE和GRUNN的行星齿轮故障识别方法,包括如下步骤:
步骤一、构建基于SDAE和GRUNN的混合模型,消除输入数据的噪声成分,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;
步骤二、将行星齿轮故障诊断的训练样本看作步骤一构建的混合模型的输入数据,采用Adam优化算法和dropout技术训练混合模型,防止过拟合现象的发生;
步骤三、根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。
采用本发明的基于SDAE和GRUNN的行星齿轮故障识别方法,与其它行星齿轮故障识别方法相比,本发明具有如下优点:
1、本发明利用SDAE的堆叠结构和消噪训练自动地从噪声数据中提取鲁棒故障特征,改进同一行星齿轮状态的聚类分布,具有较强的抗噪能力。
2、本发明采用Adam优化算法和dropout技术训练开发的混合模型,从而解决多参数的优化问题,防止过拟合现象的发生。
3、本发明将SDAE和GRUNN相结合,构建出深层次的神经网络,从而挖掘出关键的故障特征。
4、本发明能在训练样本数较小的情况下获得良好的诊断效果。
5、本发明利用GRUNN处理前后关联的时序数据,缓解常规RNN在训练过程可能导致的梯度消失或梯度***问题,具有较强的时变转速适应能力。
附图说明
图1为本发明基于SDAE和GRUNN的行星齿轮故障识别方法的流程图;
图2为六种行星齿轮的时域波形图;
图3为不同SNR下五种诊断方法的待诊样本准确率;
图4为不同训练样本数下五种诊断方法的待诊样本准确率。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
具体实施方式一:本实施方式提供了一种基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法,如图1所示,所述方法具体实施步骤如下:
步骤一、构建基于SDAE和GRUNN的混合模型,消除输入数据的噪声成分,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;
步骤二、将行星齿轮故障诊断的训练样本看作步骤一构建的混合模型的输入数据,采用Adam优化算法和dropout技术训练混合模型,防止过拟合现象的发生;
步骤三、根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中,基于SDAE和GRUNN的混合模型由SDAE、GRUNN和softmax分类器组成,其中:SDAE的输入数据为行星齿轮振动的时域信号,具有多隐层结构的SDAE可消除输入信号的噪声成分。将SDAE的输出看作GRUNN的输入,从而提取输入信号的故障特征。softmax分类器将提取的故障特征转换为行星齿轮状态的概率分布。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中,采用Adam优化算法和dropout技术训练混合模型的具体步骤如下:
步骤二一、设置添加进SDAE输入数据中的噪声比例,通过最小化输入和输出的重构误差,实现SDAE各隐层参数的初始化;
步骤二二、设置dropout率,并将dropout技术应用于混合模型,从而获得“较稀薄的”深度学习模型;
步骤二三、计算softmax分类器输出的概率分布与目标类的概率分布之间的交叉熵损失函数,并将其作为Adam优化算法中的目标函数,交叉熵损失函数的计算公式为:
式中,p(x)为目标类的概率分布,q(x)为softmax分类器输出的概率分布;
步骤二四、设置Adam优化算法的学习率α、两个矩估计指数衰减率β1和β2、数值稳定常数ε,并将Adam优化算法用于训练步骤二二获得的深度学习模型。
采用以下实施例验证本发明的有益效果。
实施例:
本实施例以行星齿轮为研究对象,通过识别其故障状态验证基于SDAE和GRUNN的行星齿轮故障识别方法的有效性。所述方法的具体实施步骤如下:
步骤一、构建基于SDAE和GRUNN的混合模型。
本实施例在行星齿轮箱实验台上进行。该实验台主要由驱动电机、两个对称放置的行星齿轮箱与磁粉制动器组成。采用六种行星齿轮模拟行星齿轮的六种典型状态,即正常(NC)、碎齿(CT)、断齿(MT)、轻度齿根裂纹(WTRC)、重度齿根裂纹(HTRC)、齿面磨损(FW)。利用加速度传感器获得行星齿轮的振动加速度信号。在停机的过程中采集信号,驱动电机转速从60Hz降至30Hz。采样频率为25.6kHz,采样时间为4s。通过磁粉制动器模拟三种行星齿轮箱负载,每种负载采集20组样本,六种行星齿轮一共可获得360组样本。图2为六种行星齿轮的时域波形图。本实施例将288组样本看作训练样本,72组样本看作待诊样本,样本数之比为4:1。使用的程序开发框架为Tensorflow1.1.0,编程语言为Python。计算机配置为8核i7-6700处理器,16GB内存。构建基于SDAE和GRUNN的混合模型。该模型由3个SDAE隐层、2个GRUNN隐层和1个softmax分类器组成。SDAE隐层的神经元数目和GRUNN隐层的神经元数目分别为180和120。输入数据为23×23矩阵。
步骤二、将行星齿轮故障诊断的训练样本看作该混合模型的输入数据,采用Adam优化算法和dropout技术训练该混合模型。噪声比例设为0.3,Dropout率设为0.1,学习率α设为0.001,两个矩估计指数衰减率β1和β2分别设为0.9和0.99,数值稳定常数ε设为10-8,迭代次数设为550。
步骤三、根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮状态。行星齿轮状态的识别准确率如表1所示。从表1可以看出,行星齿轮故障越严重,诊断效果越好。这是由于从故障较重行星齿轮的训练样本中提取的故障特征更具特点,有助于识别待诊样本中行星齿轮状态。而且,每种状态的待诊样本准确率均超过96%,平均准确率均高于99%。因此,本发明的方法能准确地识别行星齿轮状态。
表1行星齿轮状态的识别准确率
为研究信噪比(Signal-to-noise ratio,SNR)对诊断效果的影响,将本发明的方法与BPNN、SVM、SDAE和GRUNN进行对比。采用MATLAB 2016a中的工具箱,实现基于BPNN或SVM的行星齿轮状态识别。BPNN的隐层单元数、学习率和迭代次数分别设为120、0.1和280。SVM的高斯核函数和惩罚参数分别设为10和180。采用EEMD方法提取样本中的时域特征和频域特征,一共可提取24个故障特征用作BPNN和SVM的输入。SDAE包含5个隐层和1个softmax分类器,隐层神经元数目设为180。GRUNN包含5个GRU层和1个softmax分类器,GRU层神经元数目设为120。不同SNR下五种诊断方法的待诊样本准确率如图3所示。从图3中可以看出,随着SNR的减小,待诊样本准确率逐渐降低。然而,与其它诊断方法相比,本发明的方法总是获得最高的待诊样本准确率,且待诊样本准确率均超过96%。对比结果表明在五种诊断方法中,本发明的方法具有较强的抗噪能力。
为研究训练样本数对诊断效果的影响,将本发明的方法与BPNN、SVM、SDAE和GRUNN进行对比。不同训练样本数下五种诊断方法的待诊样本准确率如图4所示。从图4中可以看出,随着训练样本数的增加,待诊样本准确率逐渐提高。当训练样本数超过200时,待诊样本准确率趋于稳定,本发明的方法依然获得最高的待诊样本准确率。主要原因在于训练样本数的增加在改进诊断效果的同时,也引入了更多外部干扰。本发明的方法采用Adam优化算法和dropout技术训练开发的混合模型,从而解决多参数的优化问题,防止过拟合现象的发生。此外,在训练样本数较小的情况下,本发明方法的待诊样本准确率明显高于其它诊断方法。这是由于本发明的方法将SDAE和GRUNN相结合,构建出深层次的神经网络,从而挖掘出关键的故障特征。因此,本发明的方法能在训练样本数较小的情况下获得良好的诊断效果。
为了研究本发明的方法对时变转速的适应能力,将本发明的方法与DBN、SAE、CNN和RNN进行对比。这四种诊断方法中深度学习模型的结构和训练过程与该混合模型相似。它们均包含5个隐层,并采用Adam优化算法和dropout技术进行模型训练。三个样本集分别看作训练样本或待诊样本,它们的描述如表2所示。五种诊断方法的待诊样本准确率如表3所示。其中,A→B是指将样本集A看作训练样本,将样本集B看作待诊样本。从表3可以看出,五种诊断方法的待诊样本准确率逐渐降低。样本集中驱动电机的转速越低,诊断效果越差。主要原因在于当驱动电机转速超过50Hz时,深度学习模型每次的输入数据至少包含了一个旋转周期。较低的驱动电机转速可能导致深度学习模型每次的输入数据不能包含足够的训练或测试信息。与其它方法相比,本发明的方法均获得最高的待诊样本准确率。原因在于本发明的方法将SDAE和GRUNN组合在一起;利用SDAE的堆叠结构和消噪训练自动地从噪声数据中提取鲁棒故障特征;利用GRUNN处理前后关联的时序数据,缓解梯度消失或梯度***问题。因此,本发明的方法具有较强的时变转速适应能力。
表2三个样本集的描述
表3五种诊断方法的待诊样本准确率
Claims (5)
1.一种基于SDAE和GRUNN的行星齿轮故障识别方法,其特征在于所述方法包括如下步骤:
步骤一、构建基于SDAE和GRUNN的混合模型,消除输入数据的噪声成分,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;
步骤二、将行星齿轮故障诊断的训练样本看作步骤一构建的混合模型的输入数据,采用Adam优化算法和dropout技术训练混合模型,防止过拟合现象的发生;
步骤三、根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。
2.根据权利要求1所述的基于SDAE和GRUNN的行星齿轮故障识别方法,其特征在于所述步骤一中,基于SDAE和GRUNN的混合模型由SDAE、GRUNN和softmax分类器组成,将SDAE的输出看作GRUNN的输入,从而提取输入信号的故障特征,softmax分类器将提取的故障特征转换为行星齿轮状态的概率分布。
3.根据权利要求2所述的基于SDAE和GRUNN的行星齿轮故障识别方法,其特征在于所述SDAE的输入数据为行星齿轮振动的时域信号。
4.根据权利要求1、2或3所述的基于SDAE和GRUNN的行星齿轮故障识别方法,其特征在于所述步骤二中,采用Adam优化算法和dropout技术训练混合模型的具体步骤如下:
步骤二一、设置添加进SDAE输入数据中的噪声比例,通过最小化输入和输出的重构误差,实现SDAE各隐层参数的初始化;
步骤二二、设置dropout率,并将dropout技术应用于混合模型,从而获得“较稀薄的”深度学习模型;
步骤二三、计算softmax分类器输出的概率分布与目标类的概率分布之间的交叉熵损失函数,并将其作为Adam优化算法中的目标函数;
步骤二四、设置Adam优化算法的学习率α、两个矩估计指数衰减率β1和β2、数值稳定常数ε,并将Adam优化算法用于训练步骤二二获得的深度学习模型。
5.根据权利要求4所述的基于SDAE和GRUNN的行星齿轮故障识别方法,其特征在于所述交叉熵损失函数的计算公式如下:
式中,p(x)为目标类的概率分布,q(x)为softmax分类器输出的概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252944.2A CN109060347B (zh) | 2018-10-25 | 2018-10-25 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252944.2A CN109060347B (zh) | 2018-10-25 | 2018-10-25 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109060347A true CN109060347A (zh) | 2018-12-21 |
CN109060347B CN109060347B (zh) | 2020-01-14 |
Family
ID=64764486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811252944.2A Expired - Fee Related CN109060347B (zh) | 2018-10-25 | 2018-10-25 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109060347B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965885A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院电子学研究所 | 一种基于去噪自动编码器的bcg信号降噪方法及装置 |
CN110068760A (zh) * | 2019-04-23 | 2019-07-30 | 哈尔滨理工大学 | 一种基于深度学习的异步电动机故障诊断方法 |
CN110146281A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
CN112149355A (zh) * | 2020-09-27 | 2020-12-29 | 浙江科技学院 | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 |
CN113086798A (zh) * | 2021-04-06 | 2021-07-09 | 中南大学 | 基于门控循环网络和典型相关分析的电梯故障检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105103060A (zh) * | 2012-11-19 | 2015-11-25 | 联邦政府预算机构《用于军事、特殊和双用途智力活动结果的法律保护的联邦机构》 | 对技术***中不可控的多个故障局部化的方法和实施该方法的设备 |
WO2018046412A1 (en) * | 2016-09-07 | 2018-03-15 | Koninklijke Philips N.V. | Semi-supervised classification with stacked autoencoder |
US9922272B2 (en) * | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
-
2018
- 2018-10-25 CN CN201811252944.2A patent/CN109060347B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105103060A (zh) * | 2012-11-19 | 2015-11-25 | 联邦政府预算机构《用于军事、特殊和双用途智力活动结果的法律保护的联邦机构》 | 对技术***中不可控的多个故障局部化的方法和实施该方法的设备 |
US9922272B2 (en) * | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
WO2018046412A1 (en) * | 2016-09-07 | 2018-03-15 | Koninklijke Philips N.V. | Semi-supervised classification with stacked autoencoder |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
Non-Patent Citations (3)
Title |
---|
孙文珺等: "基于稀疏自动编码深度神经网络的感应电动机故障诊断", 《机械工程学报》 * |
杨观赐等: "基于Dopout 与ADAM 优化器的改进CNN 算法", 《华中科技大学学报(自 然 科 学 版)》 * |
蒋爱国: "基于多模态堆叠自动编码器的感应电机故障诊断", 《电子测量与仪器学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068760A (zh) * | 2019-04-23 | 2019-07-30 | 哈尔滨理工大学 | 一种基于深度学习的异步电动机故障诊断方法 |
CN109965885A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院电子学研究所 | 一种基于去噪自动编码器的bcg信号降噪方法及装置 |
CN110146281A (zh) * | 2019-06-06 | 2019-08-20 | 南京航空航天大学 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
CN112149355A (zh) * | 2020-09-27 | 2020-12-29 | 浙江科技学院 | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 |
CN112149355B (zh) * | 2020-09-27 | 2023-08-22 | 浙江科技学院 | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 |
CN113086798A (zh) * | 2021-04-06 | 2021-07-09 | 中南大学 | 基于门控循环网络和典型相关分析的电梯故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109060347B (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109060347A (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
WO2023044979A1 (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
CN109029977B (zh) | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 | |
CN105510023B (zh) | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 | |
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN106096562B (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
CN106323636A (zh) | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 | |
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 | |
CN106408088A (zh) | 一种基于深度学习理论的旋转机械设备故障诊断方法 | |
CN105716857A (zh) | 一种行星齿轮箱健康状态评估方法 | |
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 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN109187021A (zh) | 基于熵的多源风电机组轴承故障诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN109029974A (zh) | 一种基于一维卷积神经网络的行星齿轮箱故障检测方法 | |
Xu et al. | Deep coupled visual perceptual networks for motor fault diagnosis under nonstationary conditions | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
Lu et al. | Unbalanced bearing fault diagnosis under various speeds based on spectrum alignment and deep transfer convolution neural network | |
CN107036808A (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、***、设备及介质 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的***故障诊断方法 | |
CN113392475A (zh) | 一种工业机器人减速机智能故障识别方法 | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221014 Address after: Room 103-1, Yizi Building, No. 23, Sandadi Road, Xiangfang District, Harbin City, Heilongjiang Province, 150000 Patentee after: Harbin Kesu Intelligent Technology Co.,Ltd. Address before: No. 52 Xuefu Road, Nangang District, Harbin, Heilongjiang Province Patentee before: HARBIN University OF SCIENCE AND TECHNOLOGY |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200114 |