CN111795819A - 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 - Google Patents

一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 Download PDF

Info

Publication number
CN111795819A
CN111795819A CN202010534929.8A CN202010534929A CN111795819A CN 111795819 A CN111795819 A CN 111795819A CN 202010534929 A CN202010534929 A CN 202010534929A CN 111795819 A CN111795819 A CN 111795819A
Authority
CN
China
Prior art keywords
current
vibration
local
fault diagnosis
signals
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
CN202010534929.8A
Other languages
English (en)
Other versions
CN111795819B (zh
Inventor
江国乾
贾晨凌
谢平
武鑫
聂世强
何群
李继猛
李小俚
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202010534929.8A priority Critical patent/CN111795819B/zh
Publication of CN111795819A publication Critical patent/CN111795819A/zh
Application granted granted Critical
Publication of CN111795819B publication Critical patent/CN111795819B/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
    • G01M13/02—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。

Description

一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
技术领域
本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，属于风力发电机状态监测领域。
背景技术
齿轮箱是风力发电机传动***的关键部件，其运行状态直接影响整个风机的工作状态和运行效率。齿轮箱内部结构复杂且运行环境恶劣，长期处于复杂多变的交变载荷下，极易发生故障。由于机组通常安装在偏远、人迹罕至的区域，一旦发生故障导致机组停机，将造成高昂的维修费用。因此，对齿轮箱进行及时、准确的故障诊断具有重要现实意义和应用价值。
传统的齿轮箱故障诊断大多采用振动信号分析法，该方法理论较成熟，但也存在一些弊端。振动传感器和数据采集硬件的安装对于被监测的风机是侵入性的，同时传感器的安装也增加了监测成本。此外，受到振动传感器位置的影响，振动信号易受到环境噪声的污染；与振动信号相比，电流信号因具有更高的可靠性，更低的成本和更强的远程监控能力，成为监测和诊断齿轮箱的新兴有效方式。然而，从发电机端获取的电流信号基频分量干扰较大、信噪比低、所包含的故障信息微弱，给故障特征提取及故障诊断带来了巨大的困难。研究表明，齿轮箱的故障使电流信号发生幅度调制，隐藏了时域电流信号中的故障信息。为解决该问题，学者们研究了各种复杂的信号处理算法，用于电流信号的故障特征提取。但基于信号处理的故障诊断方法对算法的依赖性较高，稳定性与泛化性能较差，所提取的特征缺乏通用性。
研究表明，当齿轮等部件出现故障时产生异常振动，引起电机气隙扭矩波动，定子磁通变化，最终会引起包括定子电流在内的一系列电参数的变化。风力发电机是一种复杂的旋转机械，振动信号与电流信号之间存在耦合关系，给风电齿轮箱故障特征提取提供了一个新的思路。
目前的故障诊断研究主要以振动、电流的单一监测信号为主，每一种监测信号的诊断能力有各自的局限性，难以全面、准确的获取关键部件的健康特征信息，故障诊断可靠性低；针对复杂的振动或电流信号的故障特征提取主要依赖于复杂的信号处理或变换方法，对信号的先验知识或专家经验依赖性较强，分析和设计难度较高，泛化能力弱。为此，需要根据不同监测信号各自特点和互补性，对多视角监测信息进行自适应特征学习及融合处理，实现监测信号的智能化处理，提高故障诊断结果的可靠性。
发明内容
针对上述背景技术中提到当前风机的监测信号的局限性和信号处理方面存在的不足，本发明提出了一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，本发明对齿轮箱振动信号和发电机地电流信号进行自适应特征学习及融合处理，根据电流与振动监测信号各自特点和互补性，在特征获取学习阶段，将振动作为电流的辅助学习信号，利用学习到振动信号中故障信息的电流信号进行故障诊断，一方面提升了故障诊断结果的可靠性，同时也为实际工程应用数据缺失的情况提供了一种解决方案。
为了解决上述技术问题，本发明采用的技术方案是：一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，该方法包括如下步骤：
⑴信号局部分解过程，利用传感器与数据采集设备从齿轮箱在不同健康状态下运行的振动与电流数据，采用重叠滑动窗的方式将电流信号划分成局部小样本，得到原始电流与振动信号的局部信号，并划分出训练集与验证集；
⑵振动与电流信号特征协同学习过程，将处理得到的振动与电流局部信号训练集与验证集成对输入协同特征学习网络进行协同特征提取，进行网络参数的优化学习，将网络输出的高级抽象特征分别送入各信号重构网络中获得与输入的信息相关性最大化的特征，得到电流与振动信号的局部协同特征映射；
⑶基于电流的故障诊断分类器离线训练过程，将得到的电流局部特征作为分类器的输入，利用电流数据的故障标签信息通过监督学习的方式训练分类器，对故障进行分类识别；
⑷在线诊断测试过程，将电流信号经过***特征映射变换后得到的电流测试特征输入到训练好的故障诊断分类器中，输出最终的诊断结果。
本发明技术方案进一步的技术改进在于：所述的信号局部分解过程是将样本长度为NX的m个样本的电流与振动信号
Figure BDA0002536737890000031
划分为长度为NS的J个小样本，设重叠滑动窗的大小为O，按照式(1)得出局部小样本的个数为：
Figure BDA0002536737890000032
式中，[]为取整标记。
本发明技术方案进一步的技术改进在于：所述的协同特征学习网络是指深度典型相关自编码器(以下简称DCCAE)网络，DCCAE网络包含协同特征提取与特征重构两部分，协同特征学习网络由两个DNN网络构成，通过无监督训练方式学习特征，通过L-BFGS算法或梯度下降法来完成最优参数的优化学习，经过多层网络非线性变换后得到电流与振动信号局部高级抽象特征Hc与
Figure BDA0002536737890000033
Figure BDA0002536737890000034
Figure BDA0002536737890000035
式中，Wc、Wv分别为电流与振动特征映射的权重矩阵，bc、bv分别为偏置矩阵，两信号局部高级抽象特征Hc与
Figure BDA0002536737890000036
经过典型相关分析CCA层后，得到的局部特征之间的相关性最大，同时Hc与
Figure BDA0002536737890000037
经过由两个DNN网络分别构成的特征重构网络gc(Hc)与gv(Hv)，捕捉两者在特征提取阶段每个信号遗漏的故障信息，最小化各自的重构误差，得到两个信号的局部协同特征Fc与
Figure BDA0002536737890000038
Figure BDA0002536737890000041
最终的协同特征映射表示为
Figure BDA0002536737890000042
与
Figure BDA0002536737890000043
本发明技术方案进一步的技术改进在于：所述的DCCAE网络的优化目标为：
Figure BDA0002536737890000044
其中，r1与r2为正则化参数，I为单位矩阵，N为各样本数量。
本发明技术方案进一步的技术改进在于：基于电流的故障诊断分类器离线训练过程具体包括如下训练步骤：
①针对电流信号本身的特点，选择支持向量机作为故障分类器，使***具有更好的泛化性与稳定性。
②将得到电流的局部协同特征作为分类器的输入，利用电流数据的故障标签信息通过监督学习的方式训练分类器，确定分类器的最佳参数，对故障进行分类识别训练。
本发明技术方案进一步的技术改进在于：在线诊断测试过程具体包括如下训练步骤：将电流信号作为输入，经过***训练阶段的协同特征映射变换
Figure BDA0002536737890000045
计算得到测试电流信号的协同增强特征
Figure BDA0002536737890000046
输入到上一步训练好的故障诊断分类器中，得到最终的诊断结果。
由于采用上述技术方案，本发明提供的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，与现有技术相比具有的有益效果：
本发明采用电流信号与振动信号同时作为故障诊断的依据，相对于单一的信号监测，能够提高故障诊断精度与可靠性。
本发明提出局部典型相关自编码网络方法，通过最大相关约束来学习电流与振动信号共有的一致性故障特征，通过重构误差约束获取振动与电流各自的互补性故障特征，实现了振动与电流故障信息协同增强提取。
本发明通过构建协同特征学习网络自适应学习电流与振动信号局部特征，不依赖于复杂的信号处理或变换方法，且属于无监督学习过程，不需要数据的标签信息，减少人工标记成本并提升模型泛化能力；
本发明在线应用测试时不需要振动信号，输入电流信号对故障进行诊断，便可得到分类结果，为实际工程应用中振动数据缺失等情况下的故障诊断，提供一种切实可靠的解决方案。
附图说明
图1为一种融合振动与电流信号协同学习的齿轮箱故障诊断方法的流程图；
图2为电流信号局部分解过程示意图；
图3为DCCAE特征协同学习模型结构示意图；
图4为故障诊断分类离线训练过程与在线诊断测试过程示意图；
具体实施方式
本发明提供一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，该方法的核心是一种新的基于振动信号辅助的电流故障诊断方法，为提高诊断分类结果的准确性和可靠性，应用多视角信息融合技术，通过对包含不同故障信息的多视角信息进行局部特征融合，进而对风力发电机齿轮箱的健康状态进行预测分类，实现风电齿轮箱故障的智能诊断。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明一种具体实施方式所提供的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法的结构流程图，该方法包括信号局部分解过程、在线监测振动与电流信号特征协同学习过程、基于电流的故障诊断分类离线训练过程和在线诊断测试过程四个部分。
其中电流信号局部分解过程如图2所示，原始信号长度为NX，局部信号长度为NS，为了获取更丰富的局部信息，设置重叠窗的大小为O，按照实际情况可适当调整重叠窗的大小(O∈N*)，由式(1)便可计算出共有m个电流信号局部信号样本集
Figure BDA0002536737890000061
振动信号与电流信号采样频率相同，故与电流信号样本长度相同，按照同样的局部分解方法处理，获得m·J个振动局部信号
Figure BDA0002536737890000062
图3为DCCAE特征协同学习网络结构示意图，经过处理得到的电流Xc与振动信号Xv作为DCCAE网络双输入，分别经过特征学习网络fc(·)与fv(·)，输出局部高级抽象特征Hc与
Figure BDA0002536737890000063
一方面，Hc与Hv经过CCA层得到公共信息最大化的特征Wc与Wv；同时，gc和gv分别表示重构Xc和Xv的解码网络，Hc与
Figure BDA0002536737890000064
作为重构网络的输入，得到重构的
Figure BDA0002536737890000065
和
Figure BDA0002536737890000066
结合式(2)、(3)，DCCAE网络的优化目标为：
Figure BDA0002536737890000067
其中，r1与r2为正则化参数，I为单位矩阵，N为各样本数量。
CCA层使电流与振动两个视角的非线性映射视图之间的相关信息最大化，而训练每个视图的自动编码器来最小化重构误差相当于使得输入和学习特征之间相互信息的下界最大化。一方面在每个视图内的输入特征映射中捕获尽可能多的相关信息，另一方面又为跨视图的特征关系中的信息提供了一个折衷方案。
经过在特征协同学习阶段的上述两个过程，Fc为最终的协同特征映射
Figure BDA0002536737890000071
得到的增强后的电流局部特征，它不但包含电流的特有故障信息同时也具有振动的特征信息，同时局部处理能够获得一些微弱的故障表示，这样能够极大地丰富特征信息，增加特征的差异性，使得故障信息更为可靠，从而提升故障诊断性能。
图4为所述故障分类诊断训练阶段与在线测试阶段。首先故障分类诊断训练阶段通过监督学习的方式训练SVM分类器，将得到的增强电流局部特征Fc与状态分类标签作为支持向量机(SVM)分类器的输入，对故障进行分类识别，此过程中不需要振动信号的参与。至此，完成故障诊断***模型的离线训练。在线应用测试时同样不需要振动信号，只需要在训练完成的SVM分类器中输入电流信号对故障进行诊断，便可得到分类结果，为实际工程应用中振动数据缺失等情况下的故障诊断，提供一种切实可靠的解决方案。
表1为实施例获得的诊断结果与其他方法的诊断结果进行对比，其中实施例诊断识别率为94.87％；F1-score是精确率和召回率的加权平均，实施例的F1-score也是所有方法中最高的。无论是识别率还是诊断精度相对于其他方法都有所提升，由此说明本发明一种融合振动与电流信号协同学习的齿轮箱故障诊断方法能够较好地对齿轮箱故障进行诊断预测。
表1本发明故障诊断方法在线诊断测试结果与相关方法对比
Figure BDA0002536737890000072

Claims (6)

1.一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：该方法包括如下步骤：
⑴信号局部分解过程，利用传感器与数据采集设备从齿轮箱在不同健康状态下运行的振动与电流数据，采用重叠滑动窗的方式将电流信号划分成局部小样本，得到原始电流与振动信号的局部信号，并划分出训练集与验证集；
⑵振动与电流信号特征协同学习过程，将处理得到的振动与电流局部信号训练集与验证集输入到协同特征学习网络进行协同特征提取，并将网络输出的高级特征分别送入各信号重构网络中获得与输入信息相关性最大的特征，得到电流与振动信号的局部协同特征映射；
⑶基于电流的故障诊断分类器离线训练过程，将由电流与振动信号的局部协同特征映射计算得到的电流局部协同特征作为分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练故障诊断分类器，对故障进行分类识别；
⑷在线诊断测试过程，将电流信号经过***特征映射变换后得到的电流测试信号的协同特征输入到训练好的故障诊断分类器中，输出最终的诊断结果。
2.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：所述的信号局部分解过程是将样本长度为NX的m个样本的电流与振动信号
Figure FDA0002536737880000011
划分为长度为NS的J个小样本；设重叠滑动窗的大小为O，按照式(1)得出局部小样本的个数为：
Figure FDA0002536737880000012
式中，[]为取整标记。
3.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：所述的协同特征学习网络是指深度典型相关自编码器网络，即DCCAE网络，DCCAE网络包含协同特征提取与特征重构两部分；协同特征学习网络由两个DNN网络构成，通过无监督训练方式学习特征，通过L-BFGS算法或梯度下降法来完成最优参数的优化学习，经过多层网络非线性变换后得到电流与振动信号局部高级抽象特征Hc与
Figure FDA0002536737880000021
Figure FDA0002536737880000022
Figure FDA0002536737880000023
式中，Wc、Wv分别为电流与振动特征映射的权重矩阵，bc、bv分别为偏置矩阵，两信号局部高级抽象特征Hc与
Figure FDA0002536737880000024
经过典型相关分析CCA层后，得到的局部特征之间的相关性最大，同时Hc与
Figure FDA0002536737880000025
经过由两个DNN网络分别构成的特征重构网络gc(Hc)与gv(Hv)，捕捉两者在特征提取阶段每个信号遗漏的故障信息，最小化各自的重构误差，得到两个信号的局部协同特征Fc与
Figure FDA0002536737880000026
Figure FDA0002536737880000027
最终的协同特征映射表示为
Figure FDA0002536737880000028
与
Figure FDA0002536737880000029
4.根据权利要求3所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：所述的DCCAE网络的优化目标为：
Figure FDA00025367378800000210
其中，r1与r2为正则化参数，I为单位矩阵，N为各样本数量。
5.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：基于电流的故障诊断分类器离线训练过程具体包括如下训练步骤：
①根据电流信号本身的特点，选择支持向量机作为故障分类器，使***具有更好的泛化性与稳定性；
②将得到电流的局部协同特征作为分类器的输入，利用电流数据的故障标签信息通过监督学习的方式训练分类器，确定分类器的最佳参数，对故障进行分类识别训练。
6.根据权利要求1所述的一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其特征在于：在线诊断测试过程具体包括如下训练步骤：将电流信号作为输入，经过***训练阶段的协同特征映射变换
Figure FDA0002536737880000031
计算得到测试电流信号的协同增强特征
Figure FDA0002536737880000032
输入到上一步训练好的故障诊断分类器中，得到最终的诊断结果。
CN202010534929.8A 2020-06-12 2020-06-12 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 Active CN111795819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010534929.8A CN111795819B (zh) 2020-06-12 2020-06-12 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010534929.8A CN111795819B (zh) 2020-06-12 2020-06-12 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法

Publications (2)

Publication Number Publication Date
CN111795819A true CN111795819A (zh) 2020-10-20
CN111795819B CN111795819B (zh) 2021-06-22

Family

ID=72803234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534929.8A Active CN111795819B (zh) 2020-06-12 2020-06-12 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法

Country Status (1)

Country Link
CN (1) CN111795819B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255458A (zh) * 2021-04-29 2021-08-13 燕山大学 基于多视图关联特征学习的轴承故障诊断方法
CN113705711A (zh) * 2021-09-02 2021-11-26 西安工业大学 一种特种装备关重件故障预测方法及其故障预测***
WO2023035869A1 (zh) * 2022-03-15 2023-03-16 中国长江三峡集团有限公司 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3623943B2 (ja) * 2002-03-25 2005-02-23 マイコム株式会社 ステッピングモータ用異常検知装置及びステッピングモータ駆動装置
US20170030972A1 (en) * 2015-07-30 2017-02-02 Azbil Corporatioin Actuator fault detection device, controlling device and control method
CN108106844A (zh) * 2017-11-22 2018-06-01 辽宁大学 一种自适应参数调节的自动编码机的轴承故障诊断方法
CN109141881A (zh) * 2018-07-06 2019-01-04 东南大学 一种深度自编码网络的旋转机械健康评估方法
CN110132554A (zh) * 2019-04-17 2019-08-16 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
US20190293462A1 (en) * 2018-03-23 2019-09-26 Industry-Academic Cooperation Foundation, Dankook University Apparatus and method for processing multi-type sensor signal on the basis of multi-modal deep learning
CN110657091A (zh) * 2019-09-20 2020-01-07 中国农业大学 一种循环泵轴承故障诊断方法及***
CN111144499A (zh) * 2019-12-27 2020-05-12 北京工业大学 基于深度神经网络的风机叶片早期结冰故障检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3623943B2 (ja) * 2002-03-25 2005-02-23 マイコム株式会社 ステッピングモータ用異常検知装置及びステッピングモータ駆動装置
US20170030972A1 (en) * 2015-07-30 2017-02-02 Azbil Corporatioin Actuator fault detection device, controlling device and control method
CN108106844A (zh) * 2017-11-22 2018-06-01 辽宁大学 一种自适应参数调节的自动编码机的轴承故障诊断方法
US20190293462A1 (en) * 2018-03-23 2019-09-26 Industry-Academic Cooperation Foundation, Dankook University Apparatus and method for processing multi-type sensor signal on the basis of multi-modal deep learning
CN109141881A (zh) * 2018-07-06 2019-01-04 东南大学 一种深度自编码网络的旋转机械健康评估方法
CN110132554A (zh) * 2019-04-17 2019-08-16 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN110657091A (zh) * 2019-09-20 2020-01-07 中国农业大学 一种循环泵轴承故障诊断方法及***
CN111144499A (zh) * 2019-12-27 2020-05-12 北京工业大学 基于深度神经网络的风机叶片早期结冰故障检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUOQIAN JIANG 等: "Intelligent Fault Diagnosis of Gearbox Based on Vibration and Current Signals: A Multimodal Deep Learning Approach", 《2019 PROGNOSTICS & SYSTEM HEALTH MANAGEMENT CONFERENCE—QINGDAO (PHM-2019 QINGDAO)》 *
何群 等: "基于电流信号稀疏滤波特征融合的齿轮箱故障诊断方法", 《电网技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255458A (zh) * 2021-04-29 2021-08-13 燕山大学 基于多视图关联特征学习的轴承故障诊断方法
CN113705711A (zh) * 2021-09-02 2021-11-26 西安工业大学 一种特种装备关重件故障预测方法及其故障预测***
CN113705711B (zh) * 2021-09-02 2023-08-25 西安工业大学 一种特种装备关重件故障预测方法及其故障预测***
WO2023035869A1 (zh) * 2022-03-15 2023-03-16 中国长江三峡集团有限公司 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
GB2616970A (en) * 2022-03-15 2023-09-27 China Three Gorges Corp Gearbox fault diagnosis model training method and gearbox fault diagnosis method

Also Published As

Publication number Publication date
CN111795819B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN108647786B (zh) 基于深度卷积对抗神经网络的旋转机械在线故障监测方法
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
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
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
Di et al. Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions
CN111562105B (zh) 一种基于小波包分解和卷积神经网络的风电机组齿轮箱故障诊断方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN114993669A (zh) 多传感器信息融合的传动***故障诊断方法及***
CN113255458A (zh) 基于多视图关联特征学习的轴承故障诊断方法
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
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和***
Wei et al. WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network
CN116738367A (zh) 基于多尺度图Transformer的滚动轴承故障诊断方法
CN115374829A (zh) 一种基于深度学习的轴承故障诊断方法及***
CN114970744A (zh) 一种基于博弈映射学习的信息融合三相电机故障诊断方法
CN111859290B (zh) 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法
CN114358074A (zh) 一种数据驱动的转子***典型故障诊断方法
CN114330413A (zh) 牵引电机轴承的故障类型辨识及定位方法
Dineva et al. Multi-label Classification for Fault Diagnosis of Rotating Electrical Machines
Xiang et al. An Intelligent Fault Diagnosis Method of Rolling Bearing with Wide Convolution Kernel Network
Zhang et al. CNN4GCDD: A one-dimensional convolutional neural network-based model for gear crack depth diagnosis
Song et al. Machinery Fault Diagnosis Methods Based on Deep Learning
Zhang et al. A Fault Diagnosis Method for Electrical Equipment With Imbalanced SCADA Data Based on SMOTE Oversampling and Domain Adaptation
Yu et al. Research on AR modeling method with SOFM-based classifier applied to gear multi-faults diagnosis

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