CN110231165B - 一种基于期望差异约束置信网络的机械设备故障诊断方法 - Google Patents

一种基于期望差异约束置信网络的机械设备故障诊断方法 Download PDF

Info

Publication number
CN110231165B
CN110231165B CN201910466135.XA CN201910466135A CN110231165B CN 110231165 B CN110231165 B CN 110231165B CN 201910466135 A CN201910466135 A CN 201910466135A CN 110231165 B CN110231165 B CN 110231165B
Authority
CN
China
Prior art keywords
training
fault
edc
vibration signal
mechanical equipment
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
CN201910466135.XA
Other languages
English (en)
Other versions
CN110231165A (zh
Inventor
雷亚国
姜鑫伟
邢赛博
李乃鹏
司小胜
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910466135.XA priority Critical patent/CN110231165B/zh
Publication of CN110231165A publication Critical patent/CN110231165A/zh
Application granted granted Critical
Publication of CN110231165B publication Critical patent/CN110231165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (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)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于期望差异约束置信网络的机械设备故障诊断方法，首先获取机械设备在不同健康状态下的振动信号，提取平移不变特征；以平移不变特征为输入，提取振动信号的深度特征；然后以深度特征为输入，提取对工况鲁棒的故障特征；最后基于提取的对工况鲁棒的故障特征，训练Softmax分类器，利用训练后的分类器完成多工况下机械设备故障的智能诊断，本发明利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的机械设备故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好，同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。

Description

一种基于期望差异约束置信网络的机械设备故障诊断方法
技术领域
本发明属于机械设备故障诊断技术领域，具体涉及一种基于期望差异约束置信网络的机械设备故障诊断方法。
背景知识
机械设备广泛应用于航空航天、石油化工、精密机床、高速列车等诸多领域，在这些领域中，机械设备常常工作于工况复杂的环境中，恶劣的工况环境使得机械设备故障频发，因此需要对机械设备进行故障诊断和维护，以保证机械设备的安全可靠、稳定运行。传统故障诊断方法一般包括信号获取、特征提取、故障识别三个步骤，随着深度学习理论的引入，深度智能故障诊断方法能够直接从原始信号中自适应提取故障特征，实现机械健康状态的智能识别，从而克服了机械“大数据”时代下传统故障诊断方法过于依赖诊断专业知识及泛化能力较弱的缺点。作为一种常用的深度学习模型，深度置信网络(Deep BeliefNetwork，DBN)因其模型及训练算法简单，常用于智能故障诊断领域。作为DBN的基本组件受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)可以自动提取用于诊断的数据特征，结合训练数据标签训练分类器，实现故障识别。然而，在故障诊断过程中，往往只能收集到某些工况下的带标签训练数据，因此训练得到的RBM模型仅仅能够识别这些工况下发生的故障，但是在缺失标签数据的新工况下，由于工况变化引起提取的特征分布发生变化，致使故障识别精度下降。因此针对机械设备某些运行工况下带标签数据不完备的问题，需要一种无监督特征学习方法，提取对工况鲁棒的特征，最终实现多工况下故障的准确识别。
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一种基于期望差异约束置信网络的机械设备故障诊断方法，从原始振动信号中提取对工况鲁棒的故障特征，提高缺失标签数据的新工况下机械设备的故障诊断的可靠性和准确性。
为了达到上述目的，本发明采取的技术方案为：
一种基于期望差异约束置信网络的机械设备故障诊断方法，包括以下步骤：
1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集
Figure BDA0002079449560000021
其中，C是信号样本的个数，D是每个振动信号样本包含的数据点数；
2)获取振动信号训练集，通过对比散度算法训练局连滑移受限波尔兹曼机；然后以振动信号样本集为输入，通过局连滑移受限波尔兹曼机，提取振动信号的平移不变特征fSIF；
3)获取平移不变特征训练集，通过对比散度算法训练全连接受限玻尔兹曼机；然后以平移不变特征样本集为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征fDF；
4)获取深度特征训练集，通过对比散度算法训练鲁棒受限玻尔兹曼机；然后以深度特征样本集为输入，通过鲁棒受限玻尔兹曼机，提取对工况鲁棒的故障特征fRF；
5)将故障特征fRF作为振动信号的故障特征，输入到Softmax分类器，通过最大化该振动信号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对应的健康状态，完成多工况下机械设备的智能故障诊断。
所述的步骤3)训练中的目标函数为：
Figure BDA0002079449560000031
式中，v表示可见单元，vi表示第i个可见单元，ai表示vi的偏置，h表示隐藏单元，hj表示第j个隐藏单元，bj表示hj的偏置，wij表示连接vi和hj的权重，σi表示高斯噪声的标准差。
所述的步骤4)中提取对工况鲁棒的故障特征，具体包括以下步骤：
4.1)利用深度特征fDF，通过同时最小化步骤3)训练中的目标函数和期望差异约束EDC(Expectation Difference Constraint)来完成训练，其中步骤3)训练中的目标函数是通过对比散度算法来最小化，期望差异约束EDC是通过梯度下降算法来最小化，期望差异约束EDC的w、a及b的更新过程如下所示：
Figure BDA0002079449560000032
Figure BDA0002079449560000033
Figure BDA0002079449560000034
式中，t为迭代次数，η为学习率，期望差异约束EDC的w、a及b的梯度值为：
Figure BDA0002079449560000041
Figure BDA0002079449560000042
Figure BDA0002079449560000043
其中期望差异约束EDC的梯度值为：
Figure BDA0002079449560000044
Figure BDA0002079449560000045
式中
Figure BDA0002079449560000046
其中期望差异约束EDC设计为：
Figure BDA0002079449560000047
通过结合步骤3)训练中的目标函数和期望差异约束EDC，期望差异约束受限玻尔兹曼机的目标函数为：
Figure BDA0002079449560000048
式中，
Figure BDA0002079449560000049
β为EDC的惩罚因子；P为训练样本数目；Q测试样本数目；
Figure BDA00020794495600000410
输入为第P个训练样本时第j个隐层单元的输出；
Figure BDA00020794495600000411
输入为第Q个测试样本时第j个隐层单元的输出；
4.2)以步骤3)中提取的深度特征fDF作为输入，提取对工况鲁棒的故障特征fRF；
fRF＝sigm(w·fDF+b)
式中，sigm(·)表示激活函数。
本发明的有益效果为：
本发明利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的机械设备故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好；同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。
附图说明
图1为本发明实施例的流程图。
图2为本发明鲁棒受限玻尔兹曼机的结构图。
图3为本发明方法的诊断结果。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述。
参照图1，一种基于期望差异约束置信网络的机械设备故障诊断方法，包括以下步骤：
1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集
Figure BDA0002079449560000051
其中，C是信号样本的个数，D是每个振动信号样本包含的数据点数；
2)获取振动信号训练集，通过对比散度算法训练局连滑移受限波尔兹曼机；然后以振动信号样本集为输入，通过局连滑移受限波尔兹曼机，提取振动信号的平移不变特征fSIF，具体为：
2.1)在振动信号集
Figure BDA0002079449560000061
上以Itrain为截取样本片段的步长分别截取M个数据点，组成N((D-M)/Itrain+1)个训练样本集；依次通过白化和Z-score标准化得到预处理后的训练样本集
Figure BDA0002079449560000062
然后以预处理后的训练样本集作为输入，通过对比散度算法完成训练；
Z-score标准化操作表达式如下所示：
Figure BDA0002079449560000063
式中，x为原始数据；
Figure BDA0002079449560000064
为原始数据的均值；σ为原始数据的标准差；x*为Z-score标准化后的数据；
2.2)以步长Itest获取振动信号的局部特征集
Figure BDA0002079449560000065
其中K＝(D-M)/Itest+1；通过
Figure BDA0002079449560000066
操作提取每一个局部数据集
Figure BDA0002079449560000067
的局部特征fi，其中WLC、bLC分别为权重和偏置，得到的所有局部特征组成信号的局部特征矩阵
Figure BDA0002079449560000068
2.3)取局部特征矩阵每一列的最大值，作为振动信号xi的信号平移不变特征fSIF；
Figure BDA0002079449560000069
其中max(fLC,1)表示计算矩阵fLC中每一列的最大值；
3)获取平移不变特征训练集，通过对比散度算法训练全连接受限玻尔兹曼机；然后以平移不变特征样本集为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征fDF，具体包括以下步骤：
3.1)利用平移不变特征fSIF，通过对比散度算法完成训练，过程如下：
a)任意给定初始权值W、可见层偏置a和隐藏层偏置b，从振动信号集中提取平移不变特征，得到平移不变特征训练集；
b)利用平移不变特征训练集，通过使用对比散度算法来最小化目标函数，完成训练；
训练中的目标函数为：
Figure BDA0002079449560000071
式中，v表示可见单元，vi表示第i个可见单元，ai表示vi的偏置，h表示隐藏单元，hj表示第j个隐藏单元，bj表示hj的偏置，wij表示连接vi和hj的权重，σi表示高斯噪声的标准差；
其中对比散度算法为：
Δwij＝ε(<vihj>data-<vihj>reco)
Δai＝ε(<vi>data-<vi>reco)
Δbj＝ε(<hj>data-<hj>reco)
式中，ε为学习率，<·>data表示数据的期望值，<·>reco表示重构的期望值；
3.2)结合平移不变特征训练集通过BP算法进行微调；
3.3)以步骤2)中提取的平移不变特征fSIF作为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征fDF；
4)参照图2，获取深度特征训练集，通过对比散度算法训练鲁棒受限玻尔兹曼机；然后以深度特征样本集为输入，通过鲁棒受限玻尔兹曼机，提取对工况鲁棒的故障特征fRF，具体包括以下步骤：
4.1)利用深度特征fDF，通过同时最小化步骤3)训练中的目标函数和期望差异约束EDC(Expectation Difference Constraint)来完成训练，其中步骤3)训练中的目标函数是通过对比散度算法来最小化，期望差异约束EDC是通过梯度下降算法来最小化，期望差异约束EDC的w、a及b的更新过程如下所示：
Figure BDA0002079449560000081
Figure BDA0002079449560000082
Figure BDA0002079449560000083
式中，t为迭代次数，η为学习率，期望差异约束EDC的w、a及b的梯度值为：
Figure BDA0002079449560000084
Figure BDA0002079449560000085
Figure BDA0002079449560000086
式中，Δwij，Δai，Δbj已由步骤3)求出；
其中EDC的梯度值为：
Figure BDA0002079449560000087
Figure BDA0002079449560000088
式中
Figure BDA0002079449560000091
其中期望差异约束EDC设计为：
Figure BDA0002079449560000092
通过结合步骤3)训练中的目标函数和期望差异约束EDC，期望差异约束受限玻尔兹曼机的目标函数为：
Figure BDA0002079449560000093
式中，
Figure BDA0002079449560000094
β为EDC的惩罚因子；P为训练样本数目；Q测试样本数目；
Figure BDA0002079449560000095
输入为第P个训练样本时第j个隐层单元的输出；
Figure BDA0002079449560000096
输入为第Q个测试样本时第j个隐层单元的输出；
4.2)以步骤3)中提取的深度特征作fDF为输入，提取对工况鲁棒的故障特征fRF；
fRF＝sigm(w·fDF+b)
式中，sigm(·)表示激活函数；
5)将故障特征fRF作为振动信号的故障特征，输入到Softmax分类器，通过最大化该振动信号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对应的健康状态，完成多工况下机械设备的智能故障诊断。
实施例：通过对多工况下机械设备中的齿轮故障进行智能诊断，对本发明作进一步描述。
本实施例采用的数据集为二级行星齿轮箱故障数据集，共包含5个子集，分别对应5种健康状态，分别为太阳轮磨损、太阳轮剥落、行星轮裂纹、行星轮轴承故障和正常状态。每种健康状态分别对应4种工况条件，在这里采用的是不同转速条件下的数据集，转速分别为30Hz、35Hz、40Hz和45Hz。行星齿轮箱每种健康状态的每种转速下采集50个振动信号样本，每个振动信号样本的数据长度为2560个数据点。因此，每种健康状态下共采集了200个振动信号样本，整个数据集共包含1000个振动信号样本。为了验证本发明方法在不同工况下的诊断性能，分别用单一转速下的样本训练模型，剩下的不同转速的样本作为未知的新工况，对本发明方法的诊断性能进行测试。使用本发明方法对行星齿轮箱故障数据集进行诊断，针对该数据集，设置期望差异约束置信网络参数如下所示：步骤2)中选择可见层单元数为100，隐藏单元数为400，截取样本片段的步长为60，学***移不变特征；步骤3)选择隐藏单元数为350，训练的学习率为1E-4，迭代500次后停止训练，微调过程学习率为2.5E-3，提取深度特征；步骤4)中选择隐藏单元数为350，学习率5E-6，EDC项的惩罚系数选取为0.2，经过500次迭代后停止训练，提取对工况鲁棒的故障特征；训练Softmax分类器的权重衰减因子λ为1E-5。使用本发明方法，得到的故障诊断精度如表1所示，从表1中可以看出，本发明方法在各个转速差异值下均可保持90％以上的诊断精度，诊断稳定性较高，说明本发明方法在转速变化时的故障识别鲁棒性较好。
为验证本发明方法的有效性，将本发明方法与基于局连滑移受限玻尔兹曼机的故障诊断方法以及基于卷积神经网络的故障诊断方法的故障识别精度进行对比。诊断结果对比如图3所示。从图3的对比结果可以看出，本发明方法得到的故障识别精度更高，对转速变化的鲁棒性更好，从而克服了新转速下带标签振动信号数据缺失的问题。通过以上行星齿轮箱故障诊断具体处理过程分析以及与两种方法的诊断结果对比可以发现，本发明利用期望差异约束置信网络，能够直接从原始的振动信号中提取对工况鲁棒的齿轮故障特征，并且能够在多工况下得到较高的诊断精度，故障识别鲁棒性较好，同时减少了不同工况下的特征分布差异，提高了新工况下的故障诊断精度。
表1
Figure BDA0002079449560000111

Claims (1)

1.一种基于期望差异约束置信网络的机械设备故障诊断方法，其特征在于，包括以下步骤：
1)获取多工况下机械设备在不同健康状态下的振动信号，组成振动信号集
Figure FDA0002357085650000011
其中，C是信号样本的个数，D是每个振动信号样本包含的数据点数；
2)获取振动信号训练集，通过对比散度算法训练局连滑移受限波尔兹曼机；然后以振动信号样本集为输入，通过局连滑移受限波尔兹曼机，提取振动信号的平移不变特征fSIF；
3)获取平移不变特征训练集，通过对比散度算法训练全连接受限玻尔兹曼机；然后以平移不变特征样本集为输入，通过全连接受限玻尔兹曼机，提取振动信号的深度特征fDF；
4)获取深度特征训练集，通过对比散度算法训练鲁棒受限玻尔兹曼机；然后以深度特征样本集为输入，通过鲁棒受限玻尔兹曼机，提取对工况鲁棒的故障特征fRF；
5)将故障特征fRF作为振动信号的故障特征，输入到Softmax分类器，通过最大化该振动信号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对应的健康状态，完成多工况下机械设备的智能故障诊断；
所述的步骤3)训练中的目标函数为：
Figure DEST_PATH_FDA0002079449550000021
式中，v表示可见单元，vi表示第i个可见单元，ai表示vi的偏置，h表示隐藏单元，hj表示第j个隐藏单元，bj表示hj的偏置，wij表示连接vi和hj的权重，σi表示高斯噪声的标准差；
所述的步骤4)中提取对工况鲁棒的故障特征，具体包括以下步骤：
4.1)利用深度特征fDF，通过同时最小化步骤3)训练中的目标函数和期望差异约束EDC(Expectation Difference Constraint)来完成训练，其中步骤3)训练中的目标函数是通过对比散度算法来最小化，期望差异约束EDC是通过梯度下降算法来最小化，期望差异约束EDC的w、a及b的更新过程如下所示：
Figure FDA0002357085650000021
Figure FDA0002357085650000022
Figure FDA0002357085650000023
式中，t为迭代次数，η为学习率，期望差异约束EDC的w、a及b的梯度值为：
Figure FDA0002357085650000024
Figure FDA0002357085650000025
Figure FDA0002357085650000026
其中期望差异约束EDC的梯度值为：
Figure FDA0002357085650000027
Figure FDA0002357085650000031
式中
Figure FDA0002357085650000032
其中期望差异约束EDC设计为：
Figure FDA0002357085650000033
通过结合步骤3)训练中的目标函数和期望差异约束EDC，期望差异约束受限玻尔兹曼机的目标函数为：
Figure FDA0002357085650000034
式中，
Figure FDA0002357085650000035
β为EDC的惩罚因子；P为训练样本数目；Q测试样本数目；
Figure FDA0002357085650000036
输入为第P个训练样本时第j个隐层单元的输出；
Figure FDA0002357085650000037
输入为第Q个测试样本时第j个隐层单元的输出；
4.2)以步骤3)中提取的深度特征fDF作为输入，提取对工况鲁棒的故障特征fRF；
fRF＝sigm(w·fDF+b)
式中，sigm(·)表示激活函数。
CN201910466135.XA 2019-05-31 2019-05-31 一种基于期望差异约束置信网络的机械设备故障诊断方法 Active CN110231165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910466135.XA CN110231165B (zh) 2019-05-31 2019-05-31 一种基于期望差异约束置信网络的机械设备故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910466135.XA CN110231165B (zh) 2019-05-31 2019-05-31 一种基于期望差异约束置信网络的机械设备故障诊断方法

Publications (2)

Publication Number Publication Date
CN110231165A CN110231165A (zh) 2019-09-13
CN110231165B true CN110231165B (zh) 2020-03-31

Family

ID=67858308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910466135.XA Active CN110231165B (zh) 2019-05-31 2019-05-31 一种基于期望差异约束置信网络的机械设备故障诊断方法

Country Status (1)

Country Link
CN (1) CN110231165B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259834A (zh) * 2020-01-20 2020-06-09 武汉大学 基于集成深度置信网络的变压器故障诊断方法及***
CN111337256B (zh) * 2020-03-27 2020-12-29 西安交通大学 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598734A (zh) * 2015-01-22 2015-05-06 西安交通大学 滚动轴承集成期望最大化和粒子滤波的寿命预测模型
CN105206270A (zh) * 2015-08-20 2015-12-30 长安大学 一种组合pca和rbm的孤立数字语音识别分类***及方法
CN108595272A (zh) * 2018-05-02 2018-09-28 厦门集微科技有限公司 一种请求分发方法和装置、计算机可读存储介质
CN109086817A (zh) * 2018-07-25 2018-12-25 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5210262B2 (ja) * 2009-08-03 2013-06-12 ルネサスエレクトロニクス株式会社 メモリテスト回路

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598734A (zh) * 2015-01-22 2015-05-06 西安交通大学 滚动轴承集成期望最大化和粒子滤波的寿命预测模型
CN105206270A (zh) * 2015-08-20 2015-12-30 长安大学 一种组合pca和rbm的孤立数字语音识别分类***及方法
CN108595272A (zh) * 2018-05-02 2018-09-28 厦门集微科技有限公司 一种请求分发方法和装置、计算机可读存储介质
CN109086817A (zh) * 2018-07-25 2018-12-25 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Expectation maximization approach to data-based fault diagnostics;Magdi S. Mahmoud 等;《Information Sciences》;20120127;第235卷;第80-96页 *
基于半随机滤波-期望最大化算法的剩余寿命在线预测;冯磊 等;《航空学报》;20150225;第36卷(第2期);第555-563页 *
基于最小期望代价的汽轮机代价敏感故障诊断;刘金福 等;《仪器仪表学报》;20081231;第29卷(第12期);第2599-2604页 *

Also Published As

Publication number Publication date
CN110231165A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN112418013B (zh) 一种小样本下基于元学习的复杂工况轴承故障诊断方法
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN109186973B (zh) 一种无监督深度学习网络的机械故障诊断方法
CN107451760B (zh) 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法
Kong et al. Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery
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
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
Wang et al. Intelligent rolling bearing fault diagnosis via vision ConvNet
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
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
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
CN105738109A (zh) 基于稀疏表示与集成学习的轴承故障分类诊断方法
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
CN112163640A (zh) 基于深度卷积迁移学习行星齿轮箱故障诊断方法及***
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN112113755B (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
CN110231165B (zh) 一种基于期望差异约束置信网络的机械设备故障诊断方法
CN112541511A (zh) 基于卷积神经网络的多通道时间序列数据故障诊断方法
CN112613547B (zh) 基于Fisher判别字典学习模型的齿轮运行分类方法
CN113850161A (zh) 基于lstm深度降噪自编码器的飞轮故障识别方法
CN111665050B (zh) 一种基于聚类k-svd算法的滚动轴承故障诊断方法
CN113268833A (zh) 一种基于深度联合分布对齐的迁移故障诊断方法
CN111444871A (zh) 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法
CN113095179A (zh) 元度量学习驱动的直升机行星齿轮箱故障诊断方法
CN112541510A (zh) 基于多通道时间序列数据的智能故障诊断方法

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