CN110672323A - 一种基于神经网络的轴承健康状态评估方法及装置 - Google Patents

一种基于神经网络的轴承健康状态评估方法及装置 Download PDF

Info

Publication number
CN110672323A
CN110672323A CN201910824573.9A CN201910824573A CN110672323A CN 110672323 A CN110672323 A CN 110672323A CN 201910824573 A CN201910824573 A CN 201910824573A CN 110672323 A CN110672323 A CN 110672323A
Authority
CN
China
Prior art keywords
bearing
state
bearing health
health state
variance value
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
Application number
CN201910824573.9A
Other languages
English (en)
Other versions
CN110672323B (zh
Inventor
张彩霞
曾平
王向东
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.)
Foshan University
Original Assignee
Foshan 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 Foshan University filed Critical Foshan University
Priority to CN201910824573.9A priority Critical patent/CN110672323B/zh
Publication of CN110672323A publication Critical patent/CN110672323A/zh
Application granted granted Critical
Publication of CN110672323B publication Critical patent/CN110672323B/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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及故障诊断技术领域，具体涉及一种基于神经网络的轴承健康状态评估方法及装置，首先获取训练数据，所述训练数据为表征轴承振动信号的历史数据，并提取所述训练数据的特征值和所述特征值对应的故障类型，接着确定所述训练数据的优选降维训练数据，进而计算所述优选降维训练数据中各个故障类型对应的均值和协方差矩阵，通过对实时接收的测试数据进行降维，得到降维测试数据，根据所述均值和协方差矩阵计算所述降维数据在各个故障类型下的概率值，将概率值最大的故障类型作为轴承故障诊断的故障类型，本发明提高了轴承故障诊断的在线预测速率。

Description

一种基于神经网络的轴承健康状态评估方法及装置
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于神经网络的轴承健康状态评估方法及装置。
背景技术
作为新兴的综合性的边缘学科，轴承故障诊断技术已初步形成了比较完整的学科体系。就其技术手段而言，振动诊断技术已经成为轴承故障诊断的主流技术。而计算机技术与信号信息处理技术的飞速进步，极大地推动了轴承故障诊断和监测技术向着科学化和实用化的方向发展。
然而，在目前的轴承故障诊断领域，往往存在大规模数据并发的情况，对故障诊断的实时性要求带来极大的挑战，迫切需要提高轴承故障诊断的在线预测速率。
发明内容
本发明的目的在于提供一种基于神经网络的轴承健康状态评估方法及装置，旨在提高轴承故障诊断的在线预测速率。
为了实现上述目的，本发明提供以下技术方案：
一种基于神经网络的轴承健康状态评估方法，包括：
获取训练数据，所述训练数据为表征轴承振动信号的历史数据；
提取所述训练数据的特征值和所述特征值对应的轴承健康状态；
确定包含所述特征值和所述轴承健康状态对应关系的分类模型；
响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。
进一步，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。
进一步，所述确定包含所述特征值和所述轴承健康状态对应关系的分类模型，包括：
通过自组织神经网络算法将所述特征值划分为多个特征集；
计算每个特征集的方差值和所有特征集的平均方差值；
根据所述方差值和所述平均方差值的大小生成比较结果，根据所述比较结果初步判断轴承健康状态；
根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值；
将所述类别和分类差值作为所述轴承健康状态的分类模型。
进一步，所述根据所述比较结果初步判断轴承健康状态，具体为：
当特征集的方差值≤所有特征集的平均方差值时，所述轴承健康状态为正常状态；
当特征集的方差值＞所有特征集的平均方差值时，所述轴承健康状态为异常状态。
进一步，所述根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值，包括：
获取所有特征集的方差值，比较得出所有方差值中的最小方差值和最大方差值，将所述最小方差值记为Smin,将所述最大方差值记为Smax,将所有特征集的平均方差值记为
Figure BDA0002188675750000021
通过以下公式计算所述特征集的分类差值：
Figure BDA0002188675750000022
其中，n为轴承健康状态的总类别；
通过以下公式计算所述特征集对应的轴承健康状态类别：
Figure BDA0002188675750000023
其中，Si表示第i个特征集的方差值，k为轴承健康状态的类别编号，k＝1,2,...,n。
一种基于神经网络的轴承健康状态评估装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：
提取模块，用于获取训练数据，所述训练数据为表征轴承振动信号的历史数据，提取所述训练数据的特征值和所述特征值对应的轴承健康状态；
确定模块，用于确定包含所述特征值和所述轴承健康状态对应关系的分类模型；
输出模块，用于响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。
进一步，所述提取模块中，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。
本发明的有益效果是：本发明公开一种基于神经网络的轴承健康状态评估方法及装置，首先获取训练数据，所述训练数据为表征轴承振动信号的历史数据，并提取所述训练数据的特征值和所述特征值对应的故障类型，接着确定所述训练数据的优选降维训练数据，进而计算所述优选降维训练数据中各个故障类型对应的均值和协方差矩阵，通过对实时接收的测试数据进行降维，得到降维测试数据，根据所述均值和协方差矩阵计算所述降维数据在各个故障类型下的概率值，将概率值最大的故障类型作为轴承故障诊断的故障类型。本发明提高了轴承故障诊断的在线预测速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于神经网络的轴承健康状态评估方法的流程示意图；
图2是本发明实施例步骤S300的流程示意图；
图3是本发明实施例一种基于神经网络的轴承健康状态评估装置的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所以其他实施例，都属于本发明的保护范围。
参考图1，本发明实施例提供的一种基于神经网络的轴承健康状态评估方法，包括以下步骤：
步骤S100、获取训练数据，所述训练数据为表征轴承振动信号的历史数据；
步骤S200、提取所述训练数据的特征值和所述特征值对应的轴承健康状态；
步骤S300、确定包含所述特征值和所述轴承健康状态对应关系的分类模型；
步骤S400、响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。
本实施例通过提取所述训练数据的特征值和所述特征值对应的轴承健康状态，将特征值和故障类型提取出来并进行训练数据，确定包含所述特征值和所述轴承健康状态对应关系的分类模型，使得分类模型具有良好的区分度，本实施例需要存储的参数类型更少，预测速率更快，可以应对大规模数据并发的情况，适合在线预测。
在一个具体的实施例中，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。
参考图2，作为本实施例的优选，所述步骤S300包括：
步骤S310、通过自组织神经网络算法将所述特征值划分为多个特征集；
步骤S320、计算每个特征集的方差值和所有特征集的平均方差值；
步骤S330、根据所述方差值和所述平均方差值的大小生成比较结果，根据所述比较结果初步判断轴承健康状态；
步骤S340、根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值；
步骤S350、将所述类别和分类差值作为所述轴承健康状态的分类模型。
自组织神经网络是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。多层感知器的学习和分类，是已知一定的先验知识为条件的，即网络权值的调整是在监督情况下进行的。
在这种网络中，输出节点与其邻域其它节点广泛相连，并相互激励。输入节点和输出节点之间通过强度值相连接。通过设定规则，不断地调整强度值，使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且该聚类的概率分布与输入模式的概率分布相接近。自组织神经网络最大的优点是自适应权值，极大方便寻找最优解。
在一个具体的实施例中，所述步骤S330中，根据所述比较结果初步判断轴承健康状态，具体为：
当特征集的方差值≤所有特征集的平均方差值时，所述轴承健康状态为正常状态；
当特征集的方差值＞所有特征集的平均方差值时，所述轴承健康状态为异常状态。
作为本实施例的优选，所述步骤S340包括：
获取所有特征集的方差值，比较得出所有方差值中的最小方差值和最大方差值，将所述最小方差值记为Smin,将所述最大方差值记为Smax,将所有特征集的平均方差值记为
Figure BDA0002188675750000061
通过以下公式计算所述特征集的分类差值：
Figure BDA0002188675750000062
其中，n为轴承健康状态的总类别；
通过以下公式计算所述特征集对应的轴承健康状态类别：
Figure BDA0002188675750000063
其中，Si表示第i个特征集的方差值，k为轴承健康状态的类别编号，k＝1,2,...,n。
参考图3，本实施例还提供一种基于神经网络的轴承健康状态评估装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：
获取模块100，用于获取训练数据，所述训练数据为表征轴承振动信号的历史数据；
提取模块200，用于提取所述训练数据的特征值和所述特征值对应的轴承健康状态；
确定模块300，用于确定包含所述特征值和所述轴承健康状态对应关系的分类模型；
输出模块400，用于响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。
作为优选，所述提取模块200中，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。
所述一种基于神经网络的轴承健康状态评估装置可以运行于桌上型计算机、手机、笔记本、平板电脑及云端服务器等计算设备中。所述一种基于神经网络的轴承健康状态评估装置，可运行的***可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于神经网络的轴承健康状态评估装置的示例，并不构成对一种基于神经网络的轴承健康状态评估装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于神经网络的轴承健康状态评估装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现成可编程门阵列(Field-Programmable-Gate-Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于神经网络的轴承健康状态评估装置运行***的控制中心，利用各种接口和线路连接整个一种基于神经网络的轴承健康状态评估装置可运行***的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于神经网络的轴承健康状态评估装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (7)

1.一种基于神经网络的轴承健康状态评估方法，其特征在于，包括：
获取训练数据，所述训练数据为表征轴承振动信号的历史数据；
提取所述训练数据的特征值和所述特征值对应的轴承健康状态；
确定包含所述特征值和所述轴承健康状态对应关系的分类模型；
响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。
2.根据权利要求1所述的一种基于神经网络的轴承健康状态评估方法，其特征在于，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。
3.根据权利要求2所述的一种基于神经网络的轴承健康状态评估方法，其特征在于，所述确定包含所述特征值和所述轴承健康状态对应关系的分类模型，包括：
通过自组织神经网络算法将所述特征值划分为多个特征集；
计算每个特征集的方差值和所有特征集的平均方差值；
根据所述方差值和所述平均方差值的大小生成比较结果，根据所述比较结果初步判断轴承健康状态；
根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值；
将所述类别和分类差值作为所述轴承健康状态的分类模型。
4.根据权利要求3所述的一种基于神经网络的轴承健康状态评估方法，其特征在于，所述根据所述比较结果初步判断轴承健康状态，具体为：
当特征集的方差值≤所有特征集的平均方差值时，所述轴承健康状态为正常状态；
当特征集的方差值＞所有特征集的平均方差值时，所述轴承健康状态为异常状态。
5.根据权利要求4所述的一种基于神经网络的轴承健康状态评估方法，其特征在于，所述根据所述方差值和所述平均方差值确定轴承健康状态的类别和分类差值，包括：
获取所有特征集的方差值，比较得出所有方差值中的最小方差值和最大方差值，将所述最小方差值记为Smin,将所述最大方差值记为Smax,将所有特征集的平均方差值记为
Figure FDA0002188675740000021
通过以下公式计算所述特征集的分类差值：
Figure FDA0002188675740000022
其中，n为轴承健康状态的总类别；
通过以下公式计算所述特征集对应的轴承健康状态类别：
Figure FDA0002188675740000023
其中，Si表示第i个特征集的方差值，k为轴承健康状态的类别编号，k＝1,2,...,n。
6.一种基于神经网络的轴承健康状态评估装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的模块中：
提取模块，用于获取训练数据，所述训练数据为表征轴承振动信号的历史数据，提取所述训练数据的特征值和所述特征值对应的轴承健康状态；
确定模块，用于确定包含所述特征值和所述轴承健康状态对应关系的分类模型；
输出模块，用于响应轴承健康状态评估指令，实时获取轴承振动信号，对所述轴承振动信号进行处理生成采样数据，将所述采样数据输入所述分类模型进行评估，输出轴承健康状态评估结果。
7.根据权利要求6所述的一种基于神经网络的轴承健康状态评估装置，其特征在于，所述提取模块中，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述轴承健康状态包括正常状态和异常状态，所述异常状态包括三个类别，分别为：轻度磨损状态、磨损失效状态、故障状态。
CN201910824573.9A 2019-09-02 2019-09-02 一种基于神经网络的轴承健康状态评估方法及装置 Active CN110672323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910824573.9A CN110672323B (zh) 2019-09-02 2019-09-02 一种基于神经网络的轴承健康状态评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910824573.9A CN110672323B (zh) 2019-09-02 2019-09-02 一种基于神经网络的轴承健康状态评估方法及装置

Publications (2)

Publication Number Publication Date
CN110672323A true CN110672323A (zh) 2020-01-10
CN110672323B CN110672323B (zh) 2021-03-26

Family

ID=69076519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910824573.9A Active CN110672323B (zh) 2019-09-02 2019-09-02 一种基于神经网络的轴承健康状态评估方法及装置

Country Status (1)

Country Link
CN (1) CN110672323B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638028A (zh) * 2020-05-20 2020-09-08 国网河北省电力有限公司电力科学研究院 一种基于振动特征的高压并联电抗器机械状态评估方法
CN112347898A (zh) * 2020-11-03 2021-02-09 重庆大学 一种基于dcae神经网络的滚动轴承健康指标构建方法
CN113486586A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备健康状态评估方法、装置、计算机设备及存储介质
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113687972A (zh) * 2021-08-30 2021-11-23 中国平安人寿保险股份有限公司 业务***异常数据的处理方法、装置、设备及存储介质
CN115840133A (zh) * 2023-02-24 2023-03-24 湖南遥光科技有限公司 一种电路健康分级评估方法、电子产品健康分级评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102589884A (zh) * 2012-03-01 2012-07-18 西北工业大学 一种基于GentleBoost的飞机发电机轴承故障诊断方法
CN103900816A (zh) * 2014-04-14 2014-07-02 上海电机学院 一种风力发电机组轴承故障诊断方法
CN104931263A (zh) * 2015-06-18 2015-09-23 东南大学 一种基于符号化概率有限状态机的轴承故障诊断方法
CN107886091A (zh) * 2017-12-19 2018-04-06 南京航空航天大学 一种基于深度神经网络的机械故障快速诊断方法
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN109781411A (zh) * 2019-01-28 2019-05-21 西安交通大学 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN110031226A (zh) * 2019-04-12 2019-07-19 佛山科学技术学院 一种轴承故障的诊断方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102589884A (zh) * 2012-03-01 2012-07-18 西北工业大学 一种基于GentleBoost的飞机发电机轴承故障诊断方法
CN103900816A (zh) * 2014-04-14 2014-07-02 上海电机学院 一种风力发电机组轴承故障诊断方法
CN104931263A (zh) * 2015-06-18 2015-09-23 东南大学 一种基于符号化概率有限状态机的轴承故障诊断方法
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN107886091A (zh) * 2017-12-19 2018-04-06 南京航空航天大学 一种基于深度神经网络的机械故障快速诊断方法
CN109781411A (zh) * 2019-01-28 2019-05-21 西安交通大学 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN110031226A (zh) * 2019-04-12 2019-07-19 佛山科学技术学院 一种轴承故障的诊断方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张智胜 等: "支持向量机和小波包分析下的轴承故障诊断", 《机械设计与制造》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638028A (zh) * 2020-05-20 2020-09-08 国网河北省电力有限公司电力科学研究院 一种基于振动特征的高压并联电抗器机械状态评估方法
CN112347898A (zh) * 2020-11-03 2021-02-09 重庆大学 一种基于dcae神经网络的滚动轴承健康指标构建方法
CN112347898B (zh) * 2020-11-03 2024-04-09 重庆大学 一种基于dcae神经网络的滚动轴承健康指标构建方法
CN113486586A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备健康状态评估方法、装置、计算机设备及存储介质
CN113486586B (zh) * 2021-07-06 2023-09-05 新奥新智科技有限公司 设备健康状态评估方法、装置、计算机设备及存储介质
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113687972A (zh) * 2021-08-30 2021-11-23 中国平安人寿保险股份有限公司 业务***异常数据的处理方法、装置、设备及存储介质
CN113687972B (zh) * 2021-08-30 2023-07-25 中国平安人寿保险股份有限公司 业务***异常数据的处理方法、装置、设备及存储介质
CN115840133A (zh) * 2023-02-24 2023-03-24 湖南遥光科技有限公司 一种电路健康分级评估方法、电子产品健康分级评估方法

Also Published As

Publication number Publication date
CN110672323B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN110672323B (zh) 一种基于神经网络的轴承健康状态评估方法及装置
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
WO2022042123A1 (zh) 图像识别模型生成方法、装置、计算机设备和存储介质
JP6812086B2 (ja) 網状パターン除去システムのトレーニング方法、網状パターン除去方法、装置、機器及び媒体
CN110111113B (zh) 一种异常交易节点的检测方法及装置
CN108021908B (zh) 人脸年龄段识别方法及装置、计算机装置及可读存储介质
CN113435509B (zh) 基于元学习的小样本场景分类识别方法及***
CN112114986A (zh) 数据异常识别方法、装置、服务器和存储介质
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
WO2021168617A1 (zh) 业务风控处理方法、装置、电子设备以及存储介质
CN114155397B (zh) 一种小样本图像分类方法及***
TW202029011A (zh) 螺絲鎖附異常警報方法、裝置、電腦裝置及存儲介質
CN111680642A (zh) 一种地形分类方法及装置
CN115587543A (zh) 基于联邦学习和lstm的刀具剩余寿命预测方法及***
CN111967406A (zh) 人体关键点检测模型生成方法、***、设备和存储介质
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
CN110672324A (zh) 一种基于有监督lle算法的轴承故障诊断方法及装置
CN112560791B (zh) 识别模型的训练方法、识别方法、装置及电子设备
CN110765843A (zh) 人脸验证方法、装置、计算机设备及存储介质
CN113688785A (zh) 基于多监督的人脸识别方法、装置、计算机设备及存储介质
CN111352926A (zh) 数据处理的方法、装置、设备及可读存储介质
CN110598732B (zh) 一种基于图像识别的植物健康检测方法及装置
CN112508116A (zh) 分类器生成方法、装置、存储介质及电子设备
CN114219051B (zh) 图像分类方法、分类模型的训练方法、装置及电子设备
CN114567512B (zh) 基于改进art2的网络入侵检测方法、装置及终端

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