CN112395968A - 基于神经网络的机械旋转部件故障诊断方法及装置 - Google Patents

基于神经网络的机械旋转部件故障诊断方法及装置 Download PDF

Info

Publication number
CN112395968A
CN112395968A CN202011253582.6A CN202011253582A CN112395968A CN 112395968 A CN112395968 A CN 112395968A CN 202011253582 A CN202011253582 A CN 202011253582A CN 112395968 A CN112395968 A CN 112395968A
Authority
CN
China
Prior art keywords
neural network
dimensional
layer
fault
convolutional neural
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
CN202011253582.6A
Other languages
English (en)
Other versions
CN112395968B (zh
Inventor
刘雄军
白洋
徐宜
张彤
张金乐
李娜
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.)
Beijing Jinghang Computing Communication Research Institute
Original Assignee
Beijing Jinghang Computing Communication Research Institute
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 Beijing Jinghang Computing Communication Research Institute filed Critical Beijing Jinghang Computing Communication Research Institute
Priority to CN202011253582.6A priority Critical patent/CN112395968B/zh
Publication of CN112395968A publication Critical patent/CN112395968A/zh
Application granted granted Critical
Publication of CN112395968B publication Critical patent/CN112395968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于神经网络的机械旋转部件故障诊断方法及装置，属于故障诊断技术领域，解决了现有的机械旋转部件故障诊断方法获得的诊断结果精度较差问题。方法包括：获取机械旋转部件的历史振动信号，并为历史振动信号添加标签；构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构；将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到诊断结果。实现了机械旋转部件故障的诊断，提高了诊断精度。

Description

基于神经网络的机械旋转部件故障诊断方法及装置
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于神经网络的机械旋转部件故障诊断方法及装置。
背景技术
轴承、齿轮、轴等作为机械设备的重要组成部分，对机械设备起着支撑、传递转速等重要作用。在高速旋转状态下，机械旋转部件发生故障会导致重大事故，而且对于复杂机械，定位故障非常困难，使得故障维修效率低、维修成本高。
传统人工诊断方法难以实现对机械旋转部件故障的准确定位和故障程度识别。同时，基于现有的卷积神经网络深度学习故障诊断方法通常需要生成大量的模型参数，使得网络结构非常复杂，计算量巨大，使得诊断结果精度较差。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于神经网络的机械旋转部件故障诊断方法及装置，用以解决现有的机械旋转部件故障诊断方法获得的诊断结果精度较差问题。
一方面，本发明实施例提供了一种基于神经网络的机械旋转部件故障诊断方法，包括下述步骤：
获取机械旋转部件的历史振动信号，并为所述历史振动信号添加标签，其中，所述标签包括故障类型、故障位置或故障程度；
构建高维卷积神经网络模型，并基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构；
将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。
进一步，所述历史振动信号包括采集的机械旋转部件故障位置的原始振动信号，或所述原始振动信号的均值、均方根值、峭度、峰值，或对所述原始振动信号进行快速傅里叶变换、小波分解、经验模态分解得到的幅频谱。
进一步，所述高维卷积神经网络模型包括：
第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；
第二ReLU卷积网络，用于对所述第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；
第一高维神经元层，用于将所述第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；
第二高维神经元层，用于对所述第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；
输出层，用于根据所述第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。
进一步，所述第一层和第二层均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。
进一步，所述输出层为Capsule全连接层。
进一步，基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构，包括如下步骤：
将所述历史振动信号分为训练信号集和验证信号集；
将所述训练信号集输入所述高维卷积神经网络模型，得到训练好的高维卷积神经网络；
基于所述验证信号集对所述训练好的高维卷积神经网络进行验证，得到高维卷积神经网络的最优网络结构。
另一方面，本发明实施例提供了一种基于神经网络的机械旋转部件故障诊断装置，包括：
历史振动信号获取模块，用于获取机械旋转部件的历史振动信号，并为所述历史振动信号添加标签，其中，所述标签包括故障类型、故障位置或故障程度；
模型训练模块，用于构建高维卷积神经网络模型，并基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构；
诊断结果获得模块，用于将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。
进一步，所述历史振动信号包括采集的机械旋转部件故障位置的原始振动信号，或所述原始振动信号的均值、均方根值、峭度、峰值，或对所述原始振动信号进行快速傅里叶变换、小波分解、经验模态分解得到的幅频谱。
进一步，所述高维卷积神经网络模型包括：
第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；
第二ReLU卷积网络，用于对所述第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；
第一高维神经元层，用于将所述第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；
第二高维神经元层，用于对所述第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；
输出层，用于根据所述第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。
进一步，所述第一层和第二层均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、一种基于神经网络的机械旋转部件故障诊断方法及装置，首先获取机械旋转部件的历史振动信号，并利用历史振动信号训练构建的高维卷积神经网络模型，以得到高维卷积神经网络模型的最优网络结构，最后将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到机械旋转部件的故障类型、故障位置或故障程度，简单易行，易于实施，提高了诊断结果的精度。
2、通过采集机械旋转部件的历史振动信号，并为历史振动信号添加标签，为后期进行高维卷积神经网络模型提供了技术支撑和依据。
3、高维卷积神经网络模型采用了高维神经元架构，精简了网络层数，且减少了网络参数，有效提高了故障诊断实时性和精度。
4、得到高维卷积神经网络的最优网络结构后，可将待诊断的振动信号输入，即可得到诊断结果。还可以将高维卷积神经网络的最优网络结构部署在LabVIEW、采集***、FPGA测试***上，以实现机械旋转部件故障的在线实时诊断，提高诊断结果的实时性。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为一个实施例中基于神经网络的机械旋转部件故障诊断方法原理图；
图2为一个实施例中基于神经网络的机械旋转部件故障诊断方法流程图；
图3为另一个实施例中基于神经网络的机械旋转部件故障诊断装置结构图；
附图标记：
100-历史振动信号获取模块，200-模型训练模块，300-诊断结果获得模块。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
传统人工诊断方法难以实现对机械旋转部件故障的准确定位和故障程度识别。同时，基于现有的卷积神经网络深度学习故障诊断方法通常需要生成大量的模型参数，使得网络结构非常复杂，计算量巨大，使得诊断结果精度较差。为此，如图1所示，本申请提出了一种基于神经网络的机械旋转部件故障诊断方法及装置，首先获取机械旋转部件的历史振动信号，并利用历史振动信号训练构建的高维卷积神经网络模型，以得到高维卷积神经网络模型的最优网络结构，最后将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到机械旋转部件的故障类型、故障位置或故障程度，简单易行，易于实施，提高了诊断结果的精度。
本发明的一个具体实施例，公开了一种基于神经网络的机械旋转部件故障诊断方法，如图2所示，包括下述步骤S1～S3。
步骤S1、获取机械旋转部件的历史振动信号，并为历史振动信号添加标签，其中，标签包括故障类型、故障位置或故障程度。具体来说，机械旋转部件的历史振动信号可根据采集发生故障的机械旋转部件相关位置处的数据得到，其中，历史振动信号可为采集的机械旋转部件故障位置的原始振动信号，也可以是对采集的原始振动信号处理得到的原始振动信号均值、均方根值、峭度或峰值，也可以是对采集的原始振动信号进行快速傅里叶变换、小波分解或经验模态分解后得到的幅频谱。标签包括故障类型、故障位置和故障程度三种，其中故障类型包括磨损、胶合和断裂；故障程度包括正常、轻微损坏和严重损坏。本申请中可以为历史振动信号添加故障类型、故障位置和故障程度三种标签中的任意一种或多种，具体情况依据由用户自己决定。
通过采集机械旋转部件的历史振动信号，并为历史振动信号添加标签，为后期进行高维卷积神经网络模型提供了技术支撑和依据。
步骤S2、构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构。考虑到传统的神经网络模型得到的故障诊断结果的精度较低，为此，本申请构建了高维卷积神经网络模型，并通过步骤S1获得的历史振动信号对高维卷积神经网络模型进行模型训练，最终得到最优网络结构。
优选地，高维卷积神经网络模型包括：
第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；
第二ReLU卷积网络，用于对第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；
第一高维神经元层，用于将第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；
第二高维神经元层，用于对第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；
输出层，用于根据第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。
具体来说，高维卷积神经网络模型包括五层，两个ReLU卷积网络、两个高维神经元层和一个输出层。其中，第一个ReLU卷积网络的卷积核为64，卷积核步长为8，通道数为16，用于实现对原始信号进行预处理，这里的预处理指滤波处理，得到预处理信号。第二个ReLU卷积网络的卷积核设为1，卷积核步长为1，通道数为32，主要是对第一个ReLU卷积网络输出的预处理信号进行卷积，以提取信号的精细化特征，得到卷积信号。详细地，两个ReLU卷积网络均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。
第一高维神经元层能够对第二个ReLU卷积网络每四个通道输出的卷积信号捆绑为一个矩阵，且该矩阵具有方向性和大小，捆绑得到的矩阵即为高维神经元信号。第二高维神经元层为卷积层，主要是对第一神经元层输出的高维神经元信号进行卷积，得到高维卷积神经元信号，该信号也具有方向性和大小。输出层为Capsule全连接层，能够提取第二高维神经元层的大小，以得到模长，该模长即为机械旋转部件对应的故障类型、故障位置或故障程度。
高维卷积神经网络模型采用了高维神经元架构，精简了网络层数，且减少了网络参数，有效提高了故障诊断实时性和精度。
优选地，基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构，包括如下步骤：
将历史振动信号分为训练信号集和验证信号集。具体来说，搭建好高维卷积神经网络模型后，可根据采集得到的历史振动信号对高维卷积神经网络模型进行训练。首先将历史振动信号分别训练信号集和验证信号集，其中，训练信号集占历史振动信号总数的70％，用于对高维卷积神经网络模型进行模型训练，以得到训练好的高维卷积神经网络，验证信号集占历史振动信号总数的30％，用于对训练好的高维卷积神经网络进行验证，以得到高维卷积神经网络的最优网络结构。
将训练信号集输入高维卷积神经网络模型，得到训练好的高维卷积神经网络。模型训练前，可先设置模型的初始卷积核个数、神经元个数、权重、迭代次数和学习率，然后将训练信号集输入高维卷积神经网络模型进行训练，并调整权重、卷积核个数和神经元个数，当训练信号集对应的损失函数小于设定阈值时，得到训练好的高维卷积神经网络。
基于验证信号集对训练好的高维卷积神经网络进行验证，得到高维卷积神经网络的最优网络结构。同理，将验证信号集输入训练好的高维卷积神经网络，得到故障诊断结果，并将故障诊断结果与标签进行比较，得到诊断精度，若诊断精度较高，则训练好的高维卷积神经网络即为高维卷积神经网络的最优网络结构，若诊断精度较低，重新调节权重、卷积核个数和神经元个数，以使诊断精度最佳，并将精度最佳时的网络最为高维卷积神经网络的最优网络结构。
步骤S3、将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。基于步骤S2得到高维卷积神经网络的最优网络结构后，可将待诊断的振动信号输入，即可得到诊断结果。还可以将高维卷积神经网络的最优网络结构部署在LabVIEW、采集***、FPGA测试***上，以实现机械旋转部件故障的在线实时诊断，提高诊断结果的实时性。
与现有技术相比，本实施例提供的一种基于神经网络的机械旋转部件故障诊断方法及装置，首先获取机械旋转部件的历史振动信号，并利用历史振动信号训练构建的高维卷积神经网络模型，以得到高维卷积神经网络模型的最优网络结构，最后将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到机械旋转部件的故障类型、故障位置或故障程度，简单易行，易于实施，提高了诊断结果的精度，具有较高的实用价值。
本发明的另一个具体实施例，公开了一种基于神经网络的机械旋转部件故障诊断装置，如图2所示。包括：历史振动信号获取模块100，用于获取机械旋转部件的历史振动信号，并为历史振动信号添加标签，其中，所述包括故障类型、故障位置或故障程度；模型训练模块200，用于构建高维卷积神经网络模型，并基于历史振动信号对高维卷积神经网络模型进行训练，得到高维卷积神经网络模型的最优网络结构；诊断结果获得模块300，用于将待诊断的振动信号输入高维卷积神经网络模型的最优网络结构，得到诊断结果。
由于基于神经网络的机械旋转部件故障诊断装置的实现方法与基于神经网络的机械旋转部件故障诊断方法的实现原理相似，这里不再赘述。
以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的机械旋转部件故障诊断方法，其特征在于，包括下述步骤：
获取机械旋转部件的历史振动信号，并为所述历史振动信号添加标签，其中，所述标签包括故障类型、故障位置或故障程度；
构建高维卷积神经网络模型，并基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构；
将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。
2.根据权利要求1所述的基于神经网络的机械旋转部件故障诊断方法，其特征在于，所述历史振动信号包括采集的机械旋转部件故障位置的原始振动信号，或所述原始振动信号的均值、均方根值、峭度、峰值，或对所述原始振动信号进行快速傅里叶变换、小波分解、经验模态分解得到的幅频谱。
3.根据权利要求1所述的基于神经网络的机械旋转部件故障诊断方法，其特征在于，所述高维卷积神经网络模型包括：
第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；
第二ReLU卷积网络，用于对所述第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；
第一高维神经元层，用于将所述第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；
第二高维神经元层，用于对所述第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；
输出层，用于根据所述第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。
4.根据权利要求3所述的基于神经网络的机械旋转部件故障诊断方法，其特征在于，所述第一层和第二层均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。
5.根据权利要求4所述的基于神经网络的机械旋转部件故障诊断方法，其特征在于，所述输出层为Capsule全连接层。
6.根据权利要求3或4所述的基于神经网络的机械旋转部件故障诊断方法，其特征在于，基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构，包括如下步骤：
将所述历史振动信号分为训练信号集和验证信号集；
将所述训练信号集输入所述高维卷积神经网络模型，得到训练好的高维卷积神经网络；
基于所述验证信号集对所述训练好的高维卷积神经网络进行验证，得到高维卷积神经网络的最优网络结构。
7.一种基于神经网络的机械旋转部件故障诊断装置，其特征在于，包括：
历史振动信号获取模块，用于获取机械旋转部件的历史振动信号，并为所述历史振动信号添加标签，其中，所述标签包括故障类型、故障位置或故障程度；
模型训练模块，用于构建高维卷积神经网络模型，并基于所述历史振动信号对高维卷积神经网络模型进行训练，得到所述高维卷积神经网络模型的最优网络结构；
诊断结果获得模块，用于将待诊断的振动信号输入所述高维卷积神经网络模型的最优网络结构，得到诊断结果。
8.根据权利要求7所述的基于神经网络的机械旋转部件故障诊断装置，其特征在于，所述历史振动信号包括采集的机械旋转部件故障位置的原始振动信号，或所述原始振动信号的均值、均方根值、峭度、峰值，或对所述原始振动信号进行快速傅里叶变换、小波分解、经验模态分解得到的幅频谱。
9.根据权利要求8所述的基于神经网络的机械旋转部件故障诊断装置，其特征在于，所述高维卷积神经网络模型包括：
第一ReLU卷积网络，用于对输入的原始振动信号进行预处理，得到预处理信号；
第二ReLU卷积网络，用于对所述第一ReLU卷积网络输出的预处理信号进行卷积，得到卷积信号；
第一高维神经元层，用于将所述第二ReLU卷积网络输出的卷积信号转换为矩阵，得到高维神经元信号；
第二高维神经元层，用于对所述第一高维神经元层输出的高维神经元信号进行高维卷积操作，得到高维卷积神经元信号；
输出层，用于根据所述第二高维神经元层输出的高维卷积神经元信号得到故障类型、故障位置或故障程度并输出。
10.根据权利要求9所述的基于神经网络的机械旋转部件故障诊断装置，其特征在于，所述第一层和第二层均包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。
CN202011253582.6A 2020-11-11 2020-11-11 基于神经网络的机械旋转部件故障诊断方法及装置 Active CN112395968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011253582.6A CN112395968B (zh) 2020-11-11 2020-11-11 基于神经网络的机械旋转部件故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011253582.6A CN112395968B (zh) 2020-11-11 2020-11-11 基于神经网络的机械旋转部件故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN112395968A true CN112395968A (zh) 2021-02-23
CN112395968B CN112395968B (zh) 2021-08-27

Family

ID=74600655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011253582.6A Active CN112395968B (zh) 2020-11-11 2020-11-11 基于神经网络的机械旋转部件故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112395968B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115683687A (zh) * 2023-01-03 2023-02-03 成都大汇物联科技有限公司 一种水电机械设备动静碰磨故障诊断方法
WO2023206860A1 (zh) * 2022-04-27 2023-11-02 山东瑞美油气装备技术创新中心有限公司 一种机械设备故障的确定方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170052060A1 (en) * 2014-04-24 2017-02-23 Alstom Transport Technologies Method and system for automatically detecting faults in a rotating shaft
CN108106841A (zh) * 2017-12-21 2018-06-01 西安交通大学 基于内置编码器信号的行星齿轮箱智能故障诊断方法
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测***及方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN110017991A (zh) * 2019-05-13 2019-07-16 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及***
CN111046583A (zh) * 2019-12-27 2020-04-21 中国铁道科学研究院集团有限公司通信信号研究所 基于DTW算法和ResNet网络的转辙机故障诊断方法
CN111458142A (zh) * 2020-04-02 2020-07-28 苏州智传新自动化科技有限公司 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法
CN111626994A (zh) * 2020-05-18 2020-09-04 江苏远望仪器集团有限公司 基于改进U-Net神经网络的设备故障缺陷诊断方法
CN111626345A (zh) * 2020-05-15 2020-09-04 北京航空航天大学 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170052060A1 (en) * 2014-04-24 2017-02-23 Alstom Transport Technologies Method and system for automatically detecting faults in a rotating shaft
CN108106841A (zh) * 2017-12-21 2018-06-01 西安交通大学 基于内置编码器信号的行星齿轮箱智能故障诊断方法
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测***及方法
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN110017991A (zh) * 2019-05-13 2019-07-16 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及***
CN111046583A (zh) * 2019-12-27 2020-04-21 中国铁道科学研究院集团有限公司通信信号研究所 基于DTW算法和ResNet网络的转辙机故障诊断方法
CN111458142A (zh) * 2020-04-02 2020-07-28 苏州智传新自动化科技有限公司 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法
CN111626345A (zh) * 2020-05-15 2020-09-04 北京航空航天大学 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法
CN111626994A (zh) * 2020-05-18 2020-09-04 江苏远望仪器集团有限公司 基于改进U-Net神经网络的设备故障缺陷诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SILE YANG ET.AL: "Bearing fault diagnosis of two-dimensional improved Att-CNN2D neural network based on Attention mechanism", 《2020 IEEE INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND INFORMATION SYSTEMS (ICAIIS)》 *
王志坚: "《齿轮箱复合故障诊断方法研究》", 31 August 2017, 兵器工业出版社 *
王新 等: "《机电设备故障诊断技术及应用》", 30 April 2014, 煤炭工业出版社 *
邵思羽: "基于深度学习的旋转机械故障诊断方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
黄文艺: "基于特征优化与自主学习的滚动轴承故障诊断与性能退化评估", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023206860A1 (zh) * 2022-04-27 2023-11-02 山东瑞美油气装备技术创新中心有限公司 一种机械设备故障的确定方法及装置
CN115683687A (zh) * 2023-01-03 2023-02-03 成都大汇物联科技有限公司 一种水电机械设备动静碰磨故障诊断方法

Also Published As

Publication number Publication date
CN112395968B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN108171263B (zh) 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法
CN106980822B (zh) 一种基于选择性集成学习的旋转机械故障诊断方法
CN104729853B (zh) 一种滚动轴承性能退化评估装置及方法
CN112906473B (zh) 一种旋转设备故障诊断方法
CN110672343B (zh) 基于多注意力卷积神经网络的旋转机械故障诊断方法
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
CN106124212B (zh) 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法
CN108426713A (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN113255078A (zh) 一种样本不均衡条件下的轴承故障检测方法及装置
CN112395968B (zh) 基于神经网络的机械旋转部件故障诊断方法及装置
CN108896296A (zh) 一种基于卷积神经网络的风电齿轮箱故障诊断方法
CN111160167A (zh) 基于s变换深度卷积神经网络的主轴故障分类识别方法
CN106226074B (zh) 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法
CN108827605A (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN107449603A (zh) 基于支持向量机的风机故障诊断方法
CN114235415B (zh) 基于神经网络的风力发电机变桨轴承故障诊断方法及装置
CN102944418A (zh) 一种风电机组叶片故障诊断方法
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
CN112163472A (zh) 一种基于多视角特征融合的滚动轴承诊断方法
CN110455530A (zh) 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法
CN112766200A (zh) 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法
CN113887586A (zh) 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法
CN212363649U (zh) 一种实现齿轮箱故障诊断方法的***
CN113916535A (zh) 基于时频和cnn的轴承诊断方法、***、设备及介质
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

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