CN111458148A - 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 - Google Patents
一种基于cbam的卷积神经网络滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111458148A CN111458148A CN202010339061.6A CN202010339061A CN111458148A CN 111458148 A CN111458148 A CN 111458148A CN 202010339061 A CN202010339061 A CN 202010339061A CN 111458148 A CN111458148 A CN 111458148A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- cbam
- layer
- attention module
- 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.)
- Pending
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
- G06F18/21—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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,该故障诊断方法包括以下步骤:步骤1:获取作为卷积神经网络输入数据的用于训练卷积神经网络的滚动轴承数据集;步骤2:建立基于CBAM的卷积神经网络并利用用于训练卷积神经网络的滚动轴承数据集训练该基于CBAM的卷积神经网络,得到训练完毕的基于CBAM的卷积神经网络;步骤3:将待检测的滚动轴承数据集输入至训练完毕的基于CBAM的卷积神经网络输出故障诊断结果。与现有技术相比,本发明利用CBAM来提取特征细节,提高滚动轴承故障诊断的准确率。
Description
技术领域
本发明涉及机械设备故障诊断技术领域,尤其是涉及一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,主要应用于滚动轴承故障诊断方法。
背景技术
传统滚动轴承的故障诊断技术主要有振动诊断技术、铁谱诊断技术、温度诊断技术、声学诊断技术、油膜电阻诊断技术等。这些技术通常通过对电机的振动、电流、温度等信号的处理,得到包含故障信息的特征,从而对故障进行判断。如包络分析法、经验模式分解法、小波包分解法等。
随着机器学习等智能算法的发展,越来越多的学者通过这些智能算法对故障数据进行特征提取,再利用各种优化算法,最终使用一些特定的分类器,完成故障诊断。经典的机器学习算法有k-近邻算法、决策树、支持向量机等。
传统滚动轴承故障的诊断方法提取特征的工作量较大,特征提取较为复杂,且专业性较强。而基于机器学习等智能算法的方法虽然能取得良好的效果,但仍然存在提取故障特征过程中捕获特征细节不全面等问题,准确率还有很大的提升空间。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CBAM的卷积神经网络滚动轴承故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,该故障诊断方法包括以下步骤:
步骤1:获取作为卷积神经网络输入数据的用于训练卷积神经网络的滚动轴承数据集;
步骤2:建立基于CBAM的卷积神经网络并利用用于训练卷积神经网络的滚动轴承数据集训练该基于CBAM的卷积神经网络,得到训练完毕的基于CBAM的卷积神经网络;
步骤3:将待检测的滚动轴承数据集输入至训练完毕的基于CBAM的卷积神经网络输出故障诊断结果。
进一步地,所述的步骤2中的基于CBAM的卷积神经网络为多层卷积神经网络,所述多层卷积神经网络中的第一层为卷积层,所述多层卷积神经网络中的第二层为CBAM层,所述多层卷积神经网络中的第三层为卷积层,所述多层卷积神经网络中的第四层为CBAM层,所述多层卷积神经网络中的第五层为全连接层,所述多层卷积神经网络中的第六层为Softmax层。
进一步地,所述的CBAM层由通道注意力模块和空间注意力模块组成。
进一步地,所述的通道注意力模块包括中间特征F,所述中间特征F分别经过最大池化和平均池化各自的通道后送入共享网络中,所述共享网络由多层神经网络MLP和隐藏层构成,所述的通道注意力模块将通过所述共享网络特征相加后经过Sigmoid函数得到权重系数。
进一步地,所述的通道注意力模块,其对应的过程描述公式为:
式中,MC(F)为中间特征F的通道注意力模块权重系数,σ为Sigmoid函数,MLP为多层神经网络,AvgPool为平均池化,MaxPool为最大池化,W0和W1为多层神经网络MLP的权重,为中间特征F于通道注意力模块中的平均池化值,为中间特征F于通道注意力模块中的最大池化值。
进一步地,所述的空间注意力模块包括中间特征F,所述中间特征F经过单独通道的最大池化和平均池化后并拼接送入卷积层中。
进一步地,所述的空间注意力模块,其对应的过程描述公式为:
进一步地,所述的CBAM层,其对应的过程描述公式为:
式中,F'为经过通道注意力模块的中间特征F的中间量,F"为完整经过通道注意力模块和空间注意力模块的中间特征F的输出量。
进一步地,所述的Softmax层中的激活函数为Softmax激活函数,最后通过compile函数指定Adam优化器,损失函数为交叉熵损失函数。
与现有技术相比,本发明具有以下优点:
(1)在现有的滚动轴承故障诊断中,普遍存在提取故障特征过程中捕获特征细节不全面的问题。本专利的创造性在于在卷积神经网络(CNN)中引入卷积块注意模块(CBAM),可以使网络更加专注于对当前任务来说最有用的信息。通过此方法提取到的特征信息会比传统方法得到的更多,更全面,从而提高模型最后的准确率。
(2)本发明方法利用CBAM代替池化层加入到卷积神经网络中。在传统的卷积神经网络中,池化层的作用是缩小矩阵的尺寸,从而减少最后全连接层中的参数,加快计算速度。在本发明方法中,通过实验发现,利用CBAM代替池化层可以有效地提升诊断的准确率。
(3)由于滚动轴承是当今机械设备中最重要的零部件之一,且它是机械设备中最容易出故障的部位之一,因此本发明专利所提出的算法在滚动轴承故障诊断领域具有广泛地应用价值,通过CBAM代替池化层加入到卷积神经网络中,输出到全连接层实现故障类型的识别,这种方法能有效地提升诊断的准确率,非常具有研究价值和实用价值。
(4)在目前的滚动轴承故障诊断中,普遍存在提取故障特征过程中捕获特征细节不全面的问题。本发明所提出的方法是利用CBAM代替传统CNN中的池化层,可以使网络更加专注于对当前任务来说最有用的信息。通过此方法提取到的特征信息会比传统方法得到的更多,更全面,从而提高模型最后的准确率。在经过两个卷积层和两个CBAM后,把特征放入全连接层和Softmax层中进行分类,最终完成滚动轴承的故障诊断。
附图说明
图1为本发明实施例中通道注意力模块的结构图;
图2为本发明实施例中空间注意力模块的结构图;
图3为本发明实施例中卷积块注意模块的结构图;
图4为本发明实施例中的网络结构图;
图5为本发明实施例中的测试集上的准确率曲线图;
图6为本发明实施例中的测试集上的损失率曲线图;
图7为本发明实施例中的混淆矩阵结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
具体实施例
本发明基于一种CBAM的卷积神经网络滚动轴承故障诊断方法,该方法利用CBAM代替池化层加入到卷积神经网络中,输出到全连接层实现故障类型的识别,完成滚动轴承的故障诊断。
CBAM由通道注意力模块和空间注意力模块组成。依据实验结果,CBAM的最佳方式是串联两个模块,并且通道注意力模块放在空间注意力模块之前。
通道注意力模块:通道注意力模块的作用是关注什么样的特征是有意义的。如图1,输入一个H×W×C的中间特征F后,将它们分别进行一个空间的最大池化和平均池化后得到两个1×1×C的通道。再把它们分别送入共享网络。共享网络由多层神经网络(MLP)和一个隐藏层构成。为了减少参数,隐藏层的大小被设置为RC/r×1×1。其中r为减速比。激活函数为Relu。再将得到的特征相加后经过Sigmoid函数后得到权重系数Mc∈RC×1×1。
此过程可由以下公式表示:
式中,MC(F)为中间特征F的通道注意力模块权重系数,σ为Sigmoid函数,MLP为多层神经网络,AvgPool为平均池化,MaxPool为最大池化,W0和W1为多层神经网络MLP的权重,为中间特征F于通道注意力模块中的平均池化值,为中间特征F于通道注意力模块中的最大池化值。
空间注意力模块:空间注意力模块的作用是关注哪里的特征是有意义的。与通道注意力模块相似,如图2,输入一个H×W×C的中间特征F后,将它们分别进行一个通道的最大池化和平均池化后得到两个H×W×1的通道。把它们拼接起来后送入一个卷积核为7×7大小的卷积层中,激活函数为Sigmoid,最终得到权重系数MS(F)∈RH×W。
此过程可由以下公式表示:
CBAM:如图3,给定一个中间特征F,模块沿着两个独立的维度(通道和空间)依次推断注意力映射,然后将权重乘以输入特征F以细化特征。
此过程可由以下公式表示:
式中,F'为经过通道注意力模块的中间特征F的中间量,F"为完整经过通道注意力模块和空间注意力模块的中间特征F的输出量。
由于CBAM是一个轻量级的通用模块,它可以无缝地集成到任何CNN架构中,它的开销可以忽略不计,并且可以与CNN一起进行端到端的训练。
本发明方法的原理如下:
I、CBAM的结构设计
首先对输入进行最大值池化,然后对特征通道进行全连接操作,为了减少参数,这里的输出通道为channel//ratio,下一步再进行一次全连接操作,使得输出通道为channel。“channel”为上一卷积层的卷积核数目,“ratio”为减速比r,本实验中设为16,“//”表示整除,激活函数为Relu。再对输入进行均值池化,之后重复同样的操作。将得到的两个特征加和,然后通过Sigmoid函数输出得到权重系数MS,最后的结果与输入结果进行相乘操作得到特征X。将前面所得的两个特征通过一个最大值池化和均值池化后,将得到的结果进行Axis=3的通道串接,并进行卷积操作,激活函数为Sigmoid。最后得到权重系数MC与X进行相乘操作,得到最后输出。
II、基于卷积块注意模块(CBAM)的卷积神经网络(CNN)结构设计与参数设置
根据卷积神经网络的经典模型LeNet-5和CBAM构建本发明的滚动轴承故障诊断模型。如图4,输入为轴承振动信号,第一层为卷积层,卷积核大小为5×5,卷积核深度为64,步长为1,第二层为CBAM层。第三层为卷积层,卷积核大小为3×3,卷积核深度为32,步长为1,第四层为CBAM层,参数设置与第二层相同。第五层为全连接层,输出节点个数为512。第六层为Softmax层,通过该层,将多分类的输出值转化为相对概率,最终实现滚动轴承故障类型识别。实验设置批次大小为128,对所有训练样本的训练次数(Epoch)是12次,在卷积层中设置激活函数为Relu,L2正则化系数设为10-4,在全连接层中设置激活函数为Relu,在Softmax层前添加Dropout层,Dropout率为0.5,在Softmax层中设置激活函数为Softmax,L2正则化系数设为10-4,输出项的L2正则化系数设为10-3。最后通过compile函数指定Adam优化器,优化系数为10-4,并采用动态衰减的方式,衰减率为10-8。损失函数选择交叉熵损失函数。
III、实验验证
本发明所用的数据来自美国西储大学的滚动轴承数据集。如表1所示,选用型号为SKF-6205的驱动端轴承,负载为2马力,其转速为1750RPM,信号采样频率为12kHz的驱动端数据。分为正常状态,内圈故障,外圈故障,滚动体故障四种状态。其中三种故障状态下又分为故障直径为0.007,0.014,0.021inch三种状态。这些故障都是用电火花人为加工出来的。我选用驱动端加速度数据(DE)来做实验。由于一共有十种状态,因此设置十种标签状态为0-9,分别代表正常信号和9种故障信号。为了输入方便,采用连续抽样的截取方法来获取样本,并设定抽样步长为400。从每种信号中随机抽样获得5 000个样本,加上标签最终得到50000×(400+1)的矩阵作为网络的输入,将此矩阵保存至.csv文件,作为网络的输入。在模型训练时将数据以7:2:1的方式分为训练集,验证集和测试集。
表1:所用数据集
为了验证模型的有效性,在Google深度学习框架TensorFlow中进行实验。如图5,图6,经过12个Epoch,最终在测试集上的准确率为99.94%,损失值约为0.038。并画出测试集对应的混淆矩阵。如图7可得,除了B007有0.39%的误诊率和B021有0.21%的误诊率,其他情况基本诊断正确。但评价一个轴承故障诊断模型的好坏不只是准确率,还有查准率,召回率,F1 Score这些指标。准确率和F1 Score值通常用于衡量模型综合性能,指标越高表明模型诊断能力越强,综合性能越好。
如表2所示,该模型的查准率,召回率,F1 Score均为1.00,充分说明了该模型的综合性能较好。除此之外,通过与朴素贝叶斯算法,K-近邻算法,支持向量机算法,DNN和CNN模型作对比实验。如表3所示,发现本发明所提出的模型的准确率均高于这些模型,更加证明了该模型的有效性。
表2:故障诊断报告
健康状态 | 查准率 | 召回率 | F1 Score | 样本数 |
Normal | 1.00 | 1.00 | 1.00 | 491 |
B007 | 1.00 | 1.00 | 1.00 | 514 |
B014 | 1.00 | 1.00 | 1.00 | 496 |
B021 | 1.00 | 1.00 | 1.00 | 507 |
IR007 | 1.00 | 1.00 | 1.00 | 509 |
IR014 | 1.00 | 1.00 | 1.00 | 490 |
IR021 | 1.00 | 1.00 | 1.00 | 516 |
OR007 | 1.00 | 1.00 | 1.00 | 481 |
OR014 | 1.00 | 1.00 | 1.00 | 492 |
OR021 | 1.00 | 1.00 | 1.00 | 504 |
Avg/Total | 1.00 | 1.00 | 1.00 | 5000 |
表3:与其他一些算法的准确率比较结果
诊断模型 | 准确率 |
朴素贝叶斯 | 58.09 |
K-近邻 | 91.48 |
SVM | 97.54 |
DNN | 98.84 |
CNN | 99.76 |
图1中的Channel Attention Module为通道注意力模块,Input feature F为输入特征F,MaxPool为最大池化,AvgPool为平均池化,Shared MLP为共享多层神经网络,Channel Attention MC为通道注意力模块权重。
图2中Spatial Attention Module为空间注意力模块,Input feature F为通道注意力模块定义的特征F,[MaxPool,AvgPool]为[最大池化,平均池化],Conv Layer为卷积层,Spatial Attention MS为空间注意力模块权重。
图3中Convolutional Block Attention Module为卷积块注意模块,InputFeatureF为输入特征,Refined Feature为输出特征。
图7中Confusion Matrix of the classifier为混淆矩阵,True label为实际结果,Predicted label为预测结果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,其特征在于,该故障诊断方法包括以下步骤:
步骤1:获取作为卷积神经网络输入数据的用于训练卷积神经网络的滚动轴承数据集;
步骤2:建立基于CBAM的卷积神经网络并利用用于训练卷积神经网络的滚动轴承数据集训练该基于CBAM的卷积神经网络,得到训练完毕的基于CBAM的卷积神经网络;
步骤3:将待检测的滚动轴承数据集输入至训练完毕的基于CBAM的卷积神经网络输出故障诊断结果。
2.根据权利要求1所述的一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,其特征在于,所述的步骤2中的基于CBAM的卷积神经网络为多层卷积神经网络,所述多层卷积神经网络中的第一层为卷积层,所述多层卷积神经网络中的第二层为CBAM层,所述多层卷积神经网络中的第三层为卷积层,所述多层卷积神经网络中的第四层为CBAM层,所述多层卷积神经网络中的第五层为全连接层,所述多层卷积神经网络中的第六层为Softmax层。
3.根据权利要求2所述的一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,其特征在于,所述的CBAM层由通道注意力模块和空间注意力模块组成。
4.根据权利要求3所述的一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,其特征在于,所述的通道注意力模块包括中间特征F,所述中间特征F分别经过最大池化和平均池化各自的通道后送入共享网络中,所述共享网络由多层神经网络MLP和隐藏层构成,所述的通道注意力模块将通过所述共享网络特征相加后经过Sigmoid函数得到权重系数。
6.根据权利要求3所述的一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,其特征在于,所述的空间注意力模块包括中间特征F,所述中间特征F经过单独通道的最大池化和平均池化后并拼接送入卷积层中。
9.根据权利要求2所述的一种基于CBAM的卷积神经网络滚动轴承故障诊断方法,其特征在于,所述的Softmax层中的激活函数为Softmax激活函数,最后通过compile函数指定Adam优化器,损失函数为交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010339061.6A CN111458148A (zh) | 2020-04-26 | 2020-04-26 | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010339061.6A CN111458148A (zh) | 2020-04-26 | 2020-04-26 | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111458148A true CN111458148A (zh) | 2020-07-28 |
Family
ID=71683821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010339061.6A Pending CN111458148A (zh) | 2020-04-26 | 2020-04-26 | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111458148A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断*** |
CN112190250A (zh) * | 2020-09-01 | 2021-01-08 | 中山大学肿瘤防治中心 | 垂体瘤影像分类方法、***及电子设备 |
CN112284736A (zh) * | 2020-10-23 | 2021-01-29 | 天津大学 | 一种基于多通道注意力模块的卷积神经网络故障诊断方法 |
CN112365480A (zh) * | 2020-11-13 | 2021-02-12 | 哈尔滨市科佳通用机电股份有限公司 | 制动夹钳装置闸片丢失故障识别方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN113011558A (zh) * | 2021-02-25 | 2021-06-22 | 山东大学 | 基于多异构传感器信息融合的机器人故障诊断方法及*** |
CN113223730A (zh) * | 2021-03-30 | 2021-08-06 | 武汉市疾病预防控制中心 | 基于人工智能的疟疾分类方法及设备 |
CN113610119A (zh) * | 2021-07-19 | 2021-11-05 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113705602A (zh) * | 2021-06-30 | 2021-11-26 | 广西大学 | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 |
CN113720605A (zh) * | 2021-07-26 | 2021-11-30 | 中国中材国际工程股份有限公司 | 一种基于机器学习的水泥生产旋转设备故障诊断方法 |
CN114092813A (zh) * | 2021-11-25 | 2022-02-25 | 中国科学院空天信息创新研究院 | 一种工业园区图像提取方法、模型、电子设备和存储介质 |
CN114386437A (zh) * | 2022-01-13 | 2022-04-22 | 延边大学 | 基于跨语言预训练模型的中朝翻译质量估计方法和*** |
CN114882336A (zh) * | 2022-05-18 | 2022-08-09 | 湖北工业大学 | 列车制动***故障图像的端到端实时检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110516305A (zh) * | 2019-07-26 | 2019-11-29 | 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 |
CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
-
2020
- 2020-04-26 CN CN202010339061.6A patent/CN111458148A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
CN110516305A (zh) * | 2019-07-26 | 2019-11-29 | 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 |
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
SANGHYUN WOO 等: "CBAM: Convolutional Block Attention Module", 《COMPUTER VISION – ECCV 2018》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832663A (zh) * | 2020-07-30 | 2020-10-27 | 上海电机学院 | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断*** |
CN112190250A (zh) * | 2020-09-01 | 2021-01-08 | 中山大学肿瘤防治中心 | 垂体瘤影像分类方法、***及电子设备 |
CN112190250B (zh) * | 2020-09-01 | 2023-10-03 | 中山大学肿瘤防治中心 | 垂体瘤影像分类方法、***及电子设备 |
CN112284736A (zh) * | 2020-10-23 | 2021-01-29 | 天津大学 | 一种基于多通道注意力模块的卷积神经网络故障诊断方法 |
CN112365480A (zh) * | 2020-11-13 | 2021-02-12 | 哈尔滨市科佳通用机电股份有限公司 | 制动夹钳装置闸片丢失故障识别方法 |
CN112577747B (zh) * | 2020-12-07 | 2023-08-08 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN113011558A (zh) * | 2021-02-25 | 2021-06-22 | 山东大学 | 基于多异构传感器信息融合的机器人故障诊断方法及*** |
CN113223730A (zh) * | 2021-03-30 | 2021-08-06 | 武汉市疾病预防控制中心 | 基于人工智能的疟疾分类方法及设备 |
CN113705602A (zh) * | 2021-06-30 | 2021-11-26 | 广西大学 | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 |
CN113705602B (zh) * | 2021-06-30 | 2023-08-04 | 广西大学 | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 |
CN113610119A (zh) * | 2021-07-19 | 2021-11-05 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113610119B (zh) * | 2021-07-19 | 2023-10-27 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113720605A (zh) * | 2021-07-26 | 2021-11-30 | 中国中材国际工程股份有限公司 | 一种基于机器学习的水泥生产旋转设备故障诊断方法 |
CN114092813A (zh) * | 2021-11-25 | 2022-02-25 | 中国科学院空天信息创新研究院 | 一种工业园区图像提取方法、模型、电子设备和存储介质 |
CN114386437A (zh) * | 2022-01-13 | 2022-04-22 | 延边大学 | 基于跨语言预训练模型的中朝翻译质量估计方法和*** |
CN114882336A (zh) * | 2022-05-18 | 2022-08-09 | 湖北工业大学 | 列车制动***故障图像的端到端实时检测方法 |
CN114882336B (zh) * | 2022-05-18 | 2024-04-26 | 湖北工业大学 | 列车制动***故障图像的端到端实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111458148A (zh) | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 | |
Xie et al. | End to end multi-task learning with attention for multi-objective fault diagnosis under small sample | |
CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN114970605B (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及*** | |
CN113723489A (zh) | 一种改进关系网络的滚动轴承故障识别方法 | |
CN110006650A (zh) | 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法 | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN113255882A (zh) | 一种基于改进卷积胶囊网络的轴承故障诊断方法 | |
CN113505655A (zh) | 面向数字孪生***的轴承故障智能诊断方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和*** | |
CN113158984A (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、***及设备 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114492645A (zh) | 基于多源异构数据自适应融合的电机轴承故障诊断方法 | |
CN115392333A (zh) | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
Wang et al. | Fault diagnosis of rolling bearing based on convolutional neural network of convolutional block attention module | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN117390411A (zh) | 基于元迁移学习的变工况轴承故障诊断方法 | |
Yang et al. | Bearing fault diagnosis of two-dimensional improved Att-CNN2D neural network based on Attention mechanism |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |