CN112347885B - 一种基于自编码网络的铁谱图像智能识别方法 - Google Patents
一种基于自编码网络的铁谱图像智能识别方法 Download PDFInfo
- Publication number
- CN112347885B CN112347885B CN202011167666.8A CN202011167666A CN112347885B CN 112347885 B CN112347885 B CN 112347885B CN 202011167666 A CN202011167666 A CN 202011167666A CN 112347885 B CN112347885 B CN 112347885B
- Authority
- CN
- China
- Prior art keywords
- self
- coding network
- network
- image
- coding
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自编码网络的铁谱图像智能识别方法,先针对机械设备提取润滑油样本,进而通过铁谱分析仪进行谱片制作,然后将谱片经显微镜呈像而转为数字图像制作故障诊断样本,在此基础上设计一种堆栈自编码网络,利用该网络完成铁谱图像智能分类,进而识别出磨损故障的类型。本发明实现了基于自编码网络的铁谱图像智能识别,对设备磨损故障诊断具有智能和高效的特点。
Description
技术领域
本发明涉及机械故障诊断领域,特别是涉及机械磨损诊断方向,具体涉及一种基于自编码网络的铁谱图像智能识别方法。
背景技术
当前随着制造业的飞速发展,机械设备正朝着高精度、高速度的方向不断靠拢,而设备部件的运行状况则会影响整个机器的运行性能,变成实际生产中的“瓶颈”,因此对部件进行状态监测和故障诊断具有现实意义。机械设备在工业生产中具有举足轻重的地位,不但关系到生产效率,而且还与产品质量密切相关,若是机械设备出现故障,轻则影响产能,严重时会导致停产。因此,对设备进行实时故障诊断已经成为机械工作人员面临的最严峻的挑战。
铁谱技术适用于机械磨损诊断方向,已有设备的大多数故障源于设备零部件的磨损,多采用油液分析的铁谱技术完成机械设备的磨损故障诊断。传统的铁谱分析借助技术人员的操作经验完成对油液样本中含有磨粒的辨别,效率低且易受技术员的主观因素影响。近年来,随着深度学习技术的发展,实现磨粒铁谱图像高效、精准、智能识别已成为发展趋势。自编码网络是前馈神经网络中的非循环神经网络,是一种无监督的机器学习算法。自编码网络具有良好的提取数据特征表示的能力,在处理图像时表现出其优越性,但是未见将自编码网络应用于铁谱技术的故障诊断研究中,相较传统的铁谱技术,自编码网络需要大量的铁谱图像样本通过训练才能得到较好的模型。铁谱图像制备复杂,很难在短时间内获取大量样本用于模型训练。
发明内容
本发明的目的在于提供一种基于自编码网络的铁谱图像智能识别方法,以解决现有技术存在的问题,本发明能够实现机械设备的磨损状态智能诊断。
为达到上述目的,本发明采用如下技术方案:
一种基于自编码网络的铁谱图像智能识别方法,包括以下步骤;
1)构建铁谱图像数据集:收集机械设备的油液样本,利用铁谱技术采集磨粒铁谱图像,对铁谱图像进行扩充,建立铁谱图像数据集,并分为训练集和测试集;
2)构建堆栈自编码网络:结合降噪自编码网络和Softmax分类器,构建堆栈自编码网络;
3)训练堆栈自编码网络并保存:利用步骤1)中的铁谱图像数据集的训练集训练堆栈自编码网络,保存最后一次训练结束后的网络参数,使用测试集测试模型的训练效果,计算堆栈自编码网络在测试集上的分类准确率、召回率和F-1score,作为堆栈自编码网络的三个评价指标;
4)堆栈自编码网络参数微调:以步骤3)中测试集分类准确率、召回率和F-1score作为是否微调堆栈自编码网络参数的依据,若三个评价指标达到预定目标值,则不需要微调堆栈自编码网络参数;若三个评价指标未达到预定目标值,则微调堆栈自编码网络参数,重复步骤3),直到三个评价指标到达预定目标值,完成堆栈自编码网络参数微调,结束堆栈自编码网络训练;
5)基于堆栈自编码网络的铁谱图像分类:采集状态未知的机械设备的油液,利用铁谱技术采集铁谱图像,输入到步骤4)已训练好的堆栈自编码网络中进行智能识别,得到磨粒识别结果。
进一步地,所述步骤1)中收集机械设备的油液样本,利用铁谱技术采集磨粒铁谱图像,将每一张铁谱图像的高和宽设置为L×M,对铁谱图像分类添加标签,其标签包括切削磨粒、正常滑动磨粒、球状磨粒和层状磨粒四种。
进一步地,针对步骤1)中的铁谱图像进行扩充具体为:对每一张图像进行背景色处理,将铁谱图像的前景和背景分离来获取目标区域,使用inRange函数获取原绿色背景并统一更换为黑色图像背景,使用数据增强的方式对铁谱图像进行平移、旋转、对比度增强和翻转四种操作完成扩充,建立铁谱图像数据集。
进一步地,所述步骤2)中,堆栈自编码网络由两个生成器和一个分类器构成,其中生成器为降噪自编码网络,负责提取输入铁谱图像数据集的特征,分类器为Softmax分类器,用于训练所提取的特征并分类。
进一步地,所述步骤2)中堆栈自编码网络由两层降噪自编码网络以及一个Softmax分类器构成,两层降噪自编码网络经网络级联构成,前级降噪自编码网络的输出作为次级降噪自编码网络的输入,完成网络堆栈;
降噪自编码网络包括编码器和解码器,给定n个输入数据X,以矩阵形式表示为X=[X1,X2,X3,…Xn],解码器用于解码X得到复现的输入Z,以矩阵形式表示为Z=[Z1,Z2,Z3,…Zn],其中,编码器和解码器对输入数据的处理具体过程为:
编码器负责接收输入信号x,将输入信号通过函数h变换为信号y:
y=h(xwi+b)
解码器接收信号y作为输入,经过函数f得到重构信号z:
z=f(y)=f(h(xwi+b))
其中:x为网络输入信号;f、h为转换函数;wi为权值矩阵;b为偏置矩阵;z为网络重构输出信号。
进一步地,所述步骤3)中堆栈自编码网络的训练过程为:利用步骤1)中的铁谱图像数据集的训练集训练步骤2)的降噪自编码网络和Softmax分类器,将降噪自编码网络预训练完毕得到的各网络参数保存并作为堆栈自编码网络的对应网络参数,最后一层降噪自编码网络隐含层所提取的特征向量即为铁谱图像数据集的特征,将铁谱图像数据集的特征送入Softmax分类器完成分类,其中网络参数包括权重和偏置。
进一步地,步骤3)的Softmax分类器所提取的铁谱图像数据集的特征在堆栈自编码网络各连接层中逐层向前传递,结合梯度下降算法,各层神经元的权值和偏置被不断调整,直到到达迭代次数或者设定的误差最小值为止,最终得到堆栈自编码网络最合适的权值与偏置值。
进一步地,步骤4)为网络参数微调环节,具体实施过程为将步骤3)堆栈自编码网络训练的网络参数固化保存,将训练集重新送入固化网络参数后的堆栈自编码网络完成训练,重复步骤3),将有监督学习和无监督学习相结合,得到更为精确地识别结果。
进一步地,对于机械设备的不同部件,将各自提取的油液样本重复步骤5),实现设备智能识别。
与现有技术相比,本发明具有以下有益的技术效果:
1)本发明所提供的一种基于自编码网络的铁谱图像智能识别技术,对于待测设备仅需要对所采集部件油液样本经铁谱分析技术及预处理制成图像样本,并送入堆栈自编码网络完成分类过程,最终经分类器得出图像分类结果,经微调后结果更加精确,进而实现设备磨损故障诊断。
2)本发明提供的一种基于自编码网络的铁谱图像智能识别技术,经铁谱分析技术得到设备的磨粒图像,同时根据图像处理技术完成数据预处理,将预处理结果作为输入信号,再根据堆栈自编码网络完成训练过程,得到所测磨粒图像的分类准确率,完成图像识别过程。诊断方式简单、快捷,结合人工智能知识,使得磨损故障诊断过程更加智能化、高效化。
3)本发明针对堆栈自编码网络模型训练需要大量铁谱图像样本问题,采用图像背景色处理与数据增强方法,高效得到大量合格的铁谱图像数据集。首先利用铁谱技术制备少量铁谱图像样本,然后针对图像的背景色进行修改,以区分铁谱图像中的磨粒与背景,极大提高磨粒与背景的辨识度,最后利用数据增强的方法,将制备的小样本铁谱图像数据集扩充成满足堆栈自编码网络训练的大样本铁谱图像数据集。
4)本发明提供的一种基于自编码网络的铁谱图像智能识别技术,实现了对设备不同部件的磨损故障诊断功能,方法具有普适性,根据不同类型设备的磨粒图像均可以实现图像识别,进而实现故障诊断。
5)本发明提供的一种基于自编码网络的铁谱图像智能识别技术,对齿轮传动平台油液磨粒图像识别准确率达98.43%,具有良好的实际应用价值。
附图说明
图1是本发明的堆栈自编码网络的图像识别流程示意图;
图2是铁谱图像制备的流程图;
图3是本发明的堆栈自编码网络的第一级降噪自编码网络结构图;
图4是本发明的堆栈自编码网络的第二级降噪自编码网络结构图;
图5是本发明的堆栈自编码网络结构图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见附图1,本发明的一种基于自编码网络的铁谱图像智能识别方法,主要包含如下步骤:
1)本发明提供的方法,通过齿轮传动平台提取润滑油样本,并利用铁谱技术制备铁谱图像。该齿轮传动平台是由变频电机驱动,磁粉制动器模拟负载,其中包含了二级行星轮系和二级直齿轮减速器,利用600XP150齿轮油对其进行润滑,完成润滑油的采集后,利用YTF-8分析式铁谱分析平台,对采集的油液进行分析,具体制备铁谱图像的流程见附图2。
2)对于采集的铁谱图像进行预处理,包括背景色处理、数据增强等。由于铁谱图像制备过程复杂耗时,铁谱图像数量不足以用来训练堆栈自编码网络,因此需要对图像数据进行扩充。通过数据增强方法可以快速扩充样本,包括平移、旋转、对比度增强、翻转等方法。通过混合使用以上四种方法对原始铁谱图像数据集进行扩充,将原始小样本以指数速率扩充成大样本,在样本数量上满足了堆栈自编码网络训练要求。此外,对采集到的铁谱图像进行了背景色处理,极大提高了前景和背景的辨识度。
3)利用处理后的铁谱图像数据集对堆栈自编码网络进行预训练。对附图5所示的堆栈自编码网络的预训练即为逐层训练多个降噪自编码网络,降噪自编码网络如附图3和附图4所示,降噪自编码网络包括编码器和解码器,给定n个输入数据X,以矩阵形式表示为X=[X1,X2,X3,…Xn],解码器用于解码X得到复现的输入Z,以矩阵形式表示为Z=[Z1,Z2,Z3,…Zn],其中,编码器和解码器对输入数据的处理具体过程为:
编码器负责接收输入信号x,将输入信号通过函数h变换为信号y:
y=h(xwi+b)
解码器接收信号y作为输入,经过函数f得到重构信号z:
z=f(y)=f(h(xwi+b))
其中:x为网络输入信号;f、h为转换函数;wi为权值矩阵;b为偏置矩阵;z为网络重构输出信号。
4)对堆栈自编码网络完成训练后,固化保存网络参数,将铁谱图像数据集重新送入固化参数后的堆栈自编码网络,完成网络参数微调,确定网络的最佳网络参数。
5)在实际应用时,采集现场设备油液样本制成铁谱图像数据集,送入堆栈自编码网络,通过网络训练得到最后分类结果,完成图像识别过程。
下面结合具体实例对本发明做进一步详细说明,所述内容均为对本发明的解释,但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动就是本发明的保护范围。
1)收集齿轮传动平台的油液样本,利用铁谱技术获得磨粒谱片,转显微镜呈像后得到磨粒图像,对采集的铁谱图像进行背景色处理,区分开图像中的磨粒与背景,提高磨粒与背景的辨识度,进而提高堆栈自编码网络的识别正确率;设置磨粒图像大小为28×28。
2)处理好的磨粒的铁谱图像输入训练好的堆栈自编码网络,进行智能识别,得到磨粒识别结果,识别准确率为77.34%。
3)为了提高故障诊断的准确率,在网络中添加微调环节,将首次堆栈自编码网络训练的神经元参数固化保存,将铁谱图像重新送入堆栈自编码网络完成训练,得到更为精确的故障诊断结果,微调后识别准确率为98.43%,利用现场所测铁谱图像样本训练完毕的模型性能,其结果如下表1所示。
表1模型最终性能
Claims (9)
1.一种基于自编码网络的铁谱图像智能识别方法,其特征在于,包括以下步骤;
1)构建铁谱图像数据集:收集机械设备的油液样本,利用铁谱技术采集磨粒铁谱图像,对铁谱图像进行扩充,建立铁谱图像数据集,并分为训练集和测试集;
2)构建堆栈自编码网络:结合降噪自编码网络和Softmax分类器,构建堆栈自编码网络;
3)训练堆栈自编码网络并保存:利用步骤1)中的铁谱图像数据集的训练集训练堆栈自编码网络,保存最后一次训练结束后的网络参数,使用测试集测试模型的训练效果,计算堆栈自编码网络在测试集上的分类准确率、召回率和F-1score,作为堆栈自编码网络的三个评价指标;
4)堆栈自编码网络参数微调:以步骤3)中测试集分类准确率、召回率和F-1score作为是否微调堆栈自编码网络参数的依据,若三个评价指标达到预定目标值,则不需要微调堆栈自编码网络参数;若三个评价指标未达到预定目标值,则微调堆栈自编码网络参数,重复步骤3),直到三个评价指标到达预定目标值,完成堆栈自编码网络参数微调,结束堆栈自编码网络训练;
5)基于堆栈自编码网络的铁谱图像分类:采集状态未知的机械设备的油液,利用铁谱技术采集铁谱图像,输入到步骤4)已训练好的堆栈自编码网络中进行智能识别,得到磨粒识别结果。
2.根据权利要求1所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,所述步骤1)中收集机械设备的油液样本,利用铁谱技术采集磨粒铁谱图像,将每一张铁谱图像的高和宽设置为L×M,对铁谱图像分类添加标签,其标签包括切削磨粒、正常滑动磨粒、球状磨粒和层状磨粒四种。
3.根据权利要求1所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,针对步骤1)中的铁谱图像进行扩充具体为:对每一张图像进行背景色处理,将铁谱图像的前景和背景分离来获取目标区域,使用inRange函数获取原绿色背景并统一更换为黑色图像背景,使用数据增强的方式对铁谱图像进行平移、旋转、对比度增强和翻转四种操作完成扩充,建立铁谱图像数据集。
4.根据权利要求1所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,所述步骤2)中,堆栈自编码网络由两个生成器和一个分类器构成,其中生成器为降噪自编码网络,负责提取输入铁谱图像数据集的特征,分类器为Softmax分类器,用于训练所提取的特征并分类。
5.根据权利要求1所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,所述步骤2)中堆栈自编码网络由两层降噪自编码网络以及一个Softmax分类器构成,两层降噪自编码网络经网络级联构成,前级降噪自编码网络的输出作为次级降噪自编码网络的输入,完成网络堆栈;
降噪自编码网络包括编码器和解码器,给定n个输入数据X,以矩阵形式表示为X=[X1,X2,X3,…Xn],解码器用于解码X得到复现的输入Z,以矩阵形式表示为Z=[Z1,Z2,Z3,…Zn],其中,编码器和解码器对输入数据的处理具体过程为:
编码器负责接收输入信号x,将输入信号通过函数h变换为信号y:
y=h(xwi+b)
解码器接收信号y作为输入,经过函数f得到重构信号z:
z=f(y)=f(h(xwi+b))
其中:x为网络输入信号;f、h为转换函数;wi为权值矩阵;b为偏置矩阵;z为网络重构输出信号。
6.根据权利要求5所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,所述步骤3)中堆栈自编码网络的训练过程为:利用步骤1)中的铁谱图像数据集的训练集训练步骤2)的降噪自编码网络和Softmax分类器,将降噪自编码网络预训练完毕得到的各网络参数保存并作为堆栈自编码网络的对应网络参数,最后一层降噪自编码网络隐含层所提取的特征向量即为铁谱图像数据集的特征,将铁谱图像数据集的特征送入Softmax分类器完成分类,其中网络参数包括权重和偏置。
7.根据权利要求6所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,步骤3)的Softmax分类器所提取的铁谱图像数据集的特征在堆栈自编码网络各连接层中逐层向前传递,结合梯度下降算法,各层神经元的权值和偏置被不断调整,直到到达迭代次数或者设定的误差最小值为止,最终得到堆栈自编码网络最合适的权值与偏置值。
8.根据权利要求1所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,步骤4)为网络参数微调环节,具体实施过程为将步骤3)堆栈自编码网络训练的网络参数固化保存,将训练集重新送入固化网络参数后的堆栈自编码网络完成训练,重复步骤3),将有监督学习和无监督学习相结合,得到更为精确地识别结果。
9.根据权利要求1所述的一种基于自编码网络的铁谱图像智能识别方法,其特征在于,对于机械设备的不同部件,将各自提取的油液样本重复步骤5),实现设备智能识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167666.8A CN112347885B (zh) | 2020-10-27 | 2020-10-27 | 一种基于自编码网络的铁谱图像智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167666.8A CN112347885B (zh) | 2020-10-27 | 2020-10-27 | 一种基于自编码网络的铁谱图像智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347885A CN112347885A (zh) | 2021-02-09 |
CN112347885B true CN112347885B (zh) | 2023-06-23 |
Family
ID=74359210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011167666.8A Active CN112347885B (zh) | 2020-10-27 | 2020-10-27 | 一种基于自编码网络的铁谱图像智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347885B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935462A (zh) * | 2021-09-29 | 2022-01-14 | 光大科技有限公司 | 一种基于堆栈自动编码器的联邦学习方法、装置及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295245A (zh) * | 2016-07-27 | 2017-01-04 | 广州麦仑信息科技有限公司 | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 |
WO2017020741A1 (zh) * | 2015-08-06 | 2017-02-09 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及*** |
WO2017107188A1 (zh) * | 2015-12-25 | 2017-06-29 | 中国科学院深圳先进技术研究院 | 视频分类快速识别的方法及装置 |
CN111562109A (zh) * | 2020-05-19 | 2020-08-21 | 重庆邮电大学 | 一种机械设备深度学习状态识别与诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288567B2 (en) * | 2018-09-04 | 2022-03-29 | Nec Corporation | Method for training deep neural network (DNN) using auxiliary regression targets |
-
2020
- 2020-10-27 CN CN202011167666.8A patent/CN112347885B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017020741A1 (zh) * | 2015-08-06 | 2017-02-09 | 阿里巴巴集团控股有限公司 | 图像检索、获取图像信息及图像识别方法、装置及*** |
WO2017107188A1 (zh) * | 2015-12-25 | 2017-06-29 | 中国科学院深圳先进技术研究院 | 视频分类快速识别的方法及装置 |
CN106295245A (zh) * | 2016-07-27 | 2017-01-04 | 广州麦仑信息科技有限公司 | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 |
CN111562109A (zh) * | 2020-05-19 | 2020-08-21 | 重庆邮电大学 | 一种机械设备深度学习状态识别与诊断方法 |
Non-Patent Citations (2)
Title |
---|
磨损磨粒的BP神经网络识别;刘海涛;田雪虹;;机械制造与自动化(01);全文 * |
铁谱技术智能化应用研究进展;颜欢;韩超;张贤明;;重庆工商大学学报(自然科学版)(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347885A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN113255078A (zh) | 一种样本不均衡条件下的轴承故障检测方法及装置 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN108319962A (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
CN112418013A (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 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及*** | |
CN112347885B (zh) | 一种基于自编码网络的铁谱图像智能识别方法 | |
CN110487547A (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN115683604A (zh) | 一种基于不平衡数据的工程机械故障诊断方法 | |
Han et al. | An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN115457980A (zh) | 一种无参考语音的自动化语音质量评估方法及*** | |
CN113432874A (zh) | 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN110554667A (zh) | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 | |
CN112288000A (zh) | 一种基于支持向量机的铁谱图像智能识别方法 | |
CN112364899A (zh) | 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法 |
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 |