CN112418175A - 基于域迁移的滚动轴承故障诊断方法、***及存储介质 - Google Patents
基于域迁移的滚动轴承故障诊断方法、***及存储介质 Download PDFInfo
- Publication number
- CN112418175A CN112418175A CN202011445663.6A CN202011445663A CN112418175A CN 112418175 A CN112418175 A CN 112418175A CN 202011445663 A CN202011445663 A CN 202011445663A CN 112418175 A CN112418175 A CN 112418175A
- Authority
- CN
- China
- Prior art keywords
- domain
- network
- fault
- migration
- layer
- 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
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于域迁移的滚动轴承故障诊断方法、***及存储介,其包括步骤:构建域迁移深度学习网络;将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。本发明能更好的智能识别各类故障类别,具有较高的诊断准确率。本发明可以广泛在机械故障诊断技术领域中应用。
Description
技术领域
本发明涉及一种机械故障诊断技术领域,特别是关于一种基于域迁移的滚动轴承故障诊断方法、***及存储介质。
背景技术
轴承是旋转机械中最重要的部件,其主要作用是支撑机械旋转体,降低运动时的摩擦系数。然而,由配合面之间的相对运动所产生的持续磨损会导致部件损坏。因此,研究一种有效的轴承健康状态故障诊断方法,探测故障类型,是目前亟待解决的问题,也是最具挑战性的任务之一。传统方法一般采用信号处理的方法提取特征,如时域分析、频域变换、小波变换和包络解调算法等。但都有其各自的不足,包括但不限于时域分析无法检测出故障分量,频域变换无法识别损伤位置,小波变换需要预先选取合适的母小波以及适当的分解程度,包络解调算法需要先验知识和专业经验等。
迁移学习理论近年来引起了广泛的研究,其通过已知的领域知识(源域)求解相关领域(目标域)的问题,作为一种机器学习方法,广泛地应用于图像和语音识别领域。Zhang等人将迁移学习方法应用于神经网络中,构建了一种基于迁移学习理论的故障诊断网络;Han等人提出一种将数据增强和卷积神经网络(CNN)相结合的迁移学习方法;Chen等人提出一种基于深度神经网络(DNN)的迁移学习故障诊断网络,但是以上三种方法都是采用参数迁移的方法,而没有提取到源域和目标域的共同特征,没有对源域和目标域的特征分布差异进行直接评价和约束,不具有域适应的能力。
发明内容
针对上述目前基于深度学习的故障诊断需要海量训练数据,在小样本数据量下很难取得理想诊断效果的问题,本发明的目的是提供一种基于域迁移的滚动轴承故障诊断方法、***及存储介质,其能更好的智能识别各类故障类别,具有较高的诊断准确率。
为实现上述目的,本发明采取以下技术方案:一种基于域迁移的滚动轴承故障诊断方法,其包括以下步骤:1)构建域迁移深度学习网络;2)将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。
进一步,所述域迁移深度学习网络包括特征提取模块、故障分类模块和域分类模块;含有大量标记过的源域数据和少量标记过得目标域数据一起输入所述特征提取模块内,经所述特征提取模块处理后分别输入所述故障分类模块和域分类模块。
进一步,所述特征提取模块包括两层卷积层、两层池化层和若干LSTM层;待诊断的振动信号经两层的一维卷积层和两层的池化层处理之后,将特征层拆分成为16个向量,得到的特征向量的长度为原来特征层的通道数,每个向量表示输入数据某一段时刻的特征,然后将各向量送入长短期记忆网络;各向量分别输入各个LSTM层,且各LSTM层由上至下将处理后的向量进行传输,以位于最底部的LSTM层作为输出层;该输出层输出的向量分别输入故障分类模块和域分类模块,分别按照不同的标准进行分类。
进一步,所述故障分类模块由两层全连接层构成;所述特征提取模块输出的向量经第一个所述全连接层处理后,输入第二个所述全连接层。
进一步,第一个所述全连接层激活函数为ReLU函数,第二个所述全连接层激活函数为Softmax,用于计算所属故障类型的概率值,能根据对故障分类类别不同自行修改输出向量的尺寸,完成故障类别的诊断。
进一步,所述域分类模块由三层全连接层构成;所述特征提取模块输出的向量依次经第一个所述全连接层和第二个所述全连接层处理后,输入第三个所述全连接层。
进一步,第一个所述全连接层和第二个所述全连接层的激活函数为ReLU函数,第三个所述全连接层用于计算所属故障类型的概率值,激活函数为Softmax。
进一步,在网络误差反向传播计算中,将域分类模块向特征提取模块所传误差值乘以系数-1,使训练后的网络无法分辨出振动信号数据来自目标域或是源域,进而完成将数据从目标域到源域的域迁移。
一种基于域迁移的滚动轴承故障诊断***,其包括:网络构建模块和迁移诊断模块;
所述网络构建模块用于构建域迁移深度学习网络;
所述迁移诊断模块将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
本发明由于采取以上技术方案,其具有以下优点:1、本发明将丰富的源域数据和较少的目标域数据进行标记后一同作为输入,使用一维卷积神经网络(1D-CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)网络层用于特征提取,网络整体使用域适应网络(Domain Adversarial Neural Networks,DANN)结构进行训练,使得在目标域数据量较少的情况下,网络能够有一个较为优秀的表现,有效提高了对滚动轴承的诊断准确率。2、本发明采用的方法与基于无迁移的深度学习故障诊断方法相比,能够更加智能识别各类故障类别,并且拥有更高的正确率和良好的泛化能力。
附图说明
图1是本发明的域迁移网络结构示意图。
图2是本发明滑动窗口采样示意图。
图3是本发明数据分配格式示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例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,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于域迁移的滚动轴承故障诊断方法,其包括以下步骤:
1)构建域迁移深度学习网络;
2)将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。
在训练阶段,将含有大量标记过的源域数据和少量标记过得目标域数据一起输入网络,在故障分类模块中输出故障信号所属类别,在域分类模块输出故障信号所属类别。使网络模型在能够对故障类型分辨准确的同时,无法明确区分故障信号所属的域。在检测阶段,拆除网络模型中的域分类模块,使用模型中剩余的部分对输入的目标域数据进行分类。
上述步骤1)中,如图1所示,域迁移深度学习网络包括特征提取模块、故障分类模块和域分类模块。含有大量标记过的源域数据和少量标记过得目标域数据一起输入特征提取模块内,经特征提取模块处理后分别输入故障分类模块和域分类模块。其中:
特征提取模块包括两层卷积层、两层池化层和若干LSTM层,各层参数如表1所示。
表1特征提取模块网络结构
卷积层有助于提取空间特征,随后的LSTM层有助于模型捕捉这些特征中存在的时间动态。待诊断的振动信号经两层的一维卷积层和两层的池化层处理之后,将特征层拆分成为16个向量,得到的特征向量的长度为原来特征层的通道数,每个向量表示输入数据某一小段时刻的特征;然后将各向量送入长短期记忆网络。各向量分别输入各个LSTM层,且各LSTM层由上至下将处理后的向量进行传输,以位于最底部的LSTM层作为输出层;该输出层输出的向量分别输入故障分类模块和域分类模块,分别按照不同的标准进行分类。
使用时,在网络前馈运算部分卷积网络从形状为1024×1的大尺寸单通道的一维时序振动信号中进行特征的提取,经过两层的一维卷积层和两层的池化层之后,得到一个形状为16×32的小尺寸多通道高维特征。将特征层拆分成为16个向量,向量的长度为原来特征层的通道数,即1×32。每个向量表示输入数据某一小段时刻的特征,然后将其送入长短期记忆网络。取此长短期记忆网络的最后一个状态作为输出,最后得到形状为1×64的输出向量。
故障分类模块由两层全连接层构成,各层参数如表2所示。特征提取模块输出的向量经第一个全连接层处理后,输入第二个全连接层。
表2故障分类模块网络结构
第一个全连接层激活函数为ReLU函数,第二个全连接层激活函数为Softmax,其公式如式(1)所示,用于计算所属故障类型的概率值,可根据对故障分类类别不同自行修改输出向量的尺寸,完成故障类别的诊断。
式中,p(k)表示第k类故障预测概率值,ok为模型最后一层全连接层第k个数的值。
域分类模块由三层全连接层构成,各层参数如表3所示。特征提取模块输出的向量依次经第一个全连接层和第二个全连接层处理后,输入第三个全连接层。
表3域分类模块网络结构
第一个全连接层和第二个全连接层的激活函数为ReLU函数,第三个全连接层用于计算所属故障类型的概率值,激活函数为Softmax。在网络误差反向传播计算中,将域分类模块向特征提取模块所传误差值乘以系数-1,使训练后的网络无法分辨出振动信号数据来自目标域或是源域,进而完成将数据从目标域到源域的域迁移。
上述步骤2)中,用于训练域迁移深度学习网络的损失函数采用交叉熵损失函数。损失函数值用L代表,输出的故障类别总数用N代表,y(k)表示第k个类别的标签,则交叉熵损失函数表达式为:
为了防止网络模型过拟合,在训练过程中,对模型两处使用dropout正则化操作:第一处是输入数据;第二处长短期记忆网络的输出。dropout的失活率均设置为常用值0.3,即在训练过程中对30%的数据进行随机地置0。为了使网络在训练时能够更快地收敛,训练算法选用Adam优化算法对该网络进行优化。
实施例:
为验证本发明方法的有效性,选用凯斯西储大学的公开实验数据集作为实验数据进行训练与测试,该数据集包含四种工况,每种工况包含四种健康状态,分别为正常(N)、内圈故障(IF)、外圈故障(OF)和滚珠故障(BF);每个故障部位包含三种故障尺寸,分别为0.18mm、0.36mm和0.54mm。根据不同的工况,将数据分为4个域,根据不同的健康状态与故障尺寸将每个域中的数据分为10种健康状态,其标识如表4所示。
表4轴承状态标识
由于数据集中提供的原始振动信号是一条很长的一维数据,每种数据样本数比较少,为获得尽可能多的样本,采用如图2所示滑动窗口进行重叠采样,为获得更好的训练效果,将获得的样本随机打乱,并按照图3所示的方式对数据进行分配。最终所得数据格式如表5所示。
表5滚动轴承故障数据信息
在本实施例中,分别将FFT转换后的频域数据和原始时域数据按照网络输入格式要求输入到构建的故障诊断网络中,对四个域不进行迁移,直接训练的结果如表6所示。
表6训练结果
由表6可见,以时域信号和以频域信号作为输入的诊断结果准确率相差不大,甚至时域信号训练效果稍优于频域信号,这是由于一维卷积网络对时间序列数据具有优秀的特征提取能力,而在时域下的滚动轴承振动数据在本质上属于一种特殊的时间序列,因此可直接使用原始时域数据作为输入,FFT变换相对于一维卷积网络属于冗余操作,对诊断效果的提升不明显甚至更差。
将工况Ⅱ作为目标域,工况Ⅰ作为源域,分别以原始训练和域迁移训练两种方式对网络进行训练,其中原始训练方式为将目标域数据和源域数据一起输入网络不进行迁移而直接训练。表7为不同目标域数据量的类间平均准确率。
表7域迁移训练结果
由表7可见,域迁移训练在不同数据量内变化不大,基本在97%左右,在目标域数据量较少时,使用域迁移训练可获得较高的准确率,但目标域数据量增加,对提升网络性能帮助不大,而原始训练方式随着目标域数据量的增加,类间平均准确率也随之增加,在目标域与源域数据量相同时,训练效果由于域迁移训练。
表8为在目标域数据量为源域数据量的10%的情况下所得到的域迁移训练类间平均准确率,最终平均准确率约为97.07%。现有技术中采用一种参数迁移模型(TSAE),结合栈式稀疏编码器(SAE)和Softmax网络,采用相似任务对网络进行预训练,然后将获得的参数作为初始参数,采用目标样本对网络进行再次训练,有效的提升了训练收敛速度,诊断准确率有所提升,但在与本实施例使用相同数据的情况下类间平均准确率为89.46%,远低于本实施例所提域迁移网络在小样本数据量中所得到的平均诊断准确率97.07%。
表8小目标域数据量域迁移训练结果
综上所述,为克服基于深度学习的故障诊断方法需要大量训练数据以及传统故障诊断方法要求操作人员具有专业的故障诊断知识的缺点,本发明结合一维卷积神经网络和LSTM的深度域迁移网络与传统的以频域数据作为网络输入的方式相比,以及与传统的无迁移训练方式进行对比,取的了较好的诊断效果。
对于基于深度神经网络的滚动轴承故障诊断,若网络层包含有一维卷积神经网络,由于一维卷积神经网络能够提取时间序列数据特征,则不必使用FFT对时域信号进行频域转变,可直接使用原始时域信号作为输入对数据进行训练。本发明的域迁移网络在小样本数据量中表现优秀,具有97%以上的平均准确率,远高于传统的训练方法,且高于参数迁移的训练方式。
在本发明的第二实施方式中,提供一种基于域迁移的滚动轴承故障诊断***,其包括:网络构建模块和迁移诊断模块;
网络构建模块用于构建域迁移深度学习网络;
迁移诊断模块将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。
在本发明的第三实施方式中,提供一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行上述第一实施方式中的任一方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于域迁移的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
1)构建域迁移深度学习网络;
2)将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。
2.如权利要求1所述故障诊断方法,其特征在于,所述域迁移深度学习网络包括特征提取模块、故障分类模块和域分类模块;含有大量标记过的源域数据和少量标记过得目标域数据一起输入所述特征提取模块内,经所述特征提取模块处理后分别输入所述故障分类模块和域分类模块。
3.如权利要求2所述故障诊断方法,其特征在于,所述特征提取模块包括两层卷积层、两层池化层和若干LSTM层;待诊断的振动信号经两层的一维卷积层和两层的池化层处理之后,将特征层拆分成为16个向量,得到的特征向量的长度为原来特征层的通道数,每个向量表示输入数据某一段时刻的特征,然后将各向量送入长短期记忆网络;各向量分别输入各个LSTM层,且各LSTM层由上至下将处理后的向量进行传输,以位于最底部的LSTM层作为输出层;该输出层输出的向量分别输入故障分类模块和域分类模块,分别按照不同的标准进行分类。
4.如权利要求2所述故障诊断方法,其特征在于,所述故障分类模块由两层全连接层构成;所述特征提取模块输出的向量经第一个所述全连接层处理后,输入第二个所述全连接层。
5.如权利要求4所述故障诊断方法,其特征在于,第一个所述全连接层激活函数为ReLU函数,第二个所述全连接层激活函数为Softmax,用于计算所属故障类型的概率值,能根据对故障分类类别不同自行修改输出向量的尺寸,完成故障类别的诊断。
6.如权利要求2所述故障诊断方法,其特征在于,所述域分类模块由三层全连接层构成;所述特征提取模块输出的向量依次经第一个所述全连接层和第二个所述全连接层处理后,输入第三个所述全连接层。
7.如权利要求6所述故障诊断方法,其特征在于,第一个所述全连接层和第二个所述全连接层的激活函数为ReLU函数,第三个所述全连接层用于计算所属故障类型的概率值,激活函数为Softmax。
8.如权利要求7所述故障诊断方法,其特征在于,在网络误差反向传播计算中,将域分类模块向特征提取模块所传误差值乘以系数-1,使训练后的网络无法分辨出振动信号数据来自目标域或是源域,进而完成将数据从目标域到源域的域迁移。
9.一种基于域迁移的滚动轴承故障诊断***,其特征在于,包括:网络构建模块和迁移诊断模块;
所述网络构建模块用于构建域迁移深度学习网络;
所述迁移诊断模块将源域数据与目标域数据一同输入到域迁移深度学习网络中,对该网络进行训练,使其在能够对提取出的特征进行故障分类的同时,分辨不出特征所属的域。
10.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至8所述方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445663.6A CN112418175A (zh) | 2020-12-09 | 2020-12-09 | 基于域迁移的滚动轴承故障诊断方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445663.6A CN112418175A (zh) | 2020-12-09 | 2020-12-09 | 基于域迁移的滚动轴承故障诊断方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418175A true CN112418175A (zh) | 2021-02-26 |
Family
ID=74776667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011445663.6A Pending CN112418175A (zh) | 2020-12-09 | 2020-12-09 | 基于域迁移的滚动轴承故障诊断方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418175A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341890A (zh) * | 2021-04-30 | 2021-09-03 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能诊断方法和*** |
CN113740064A (zh) * | 2021-07-27 | 2021-12-03 | 西安交通大学 | 滚动轴承故障类型诊断方法、装置、设备及可读存储介质 |
CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及*** |
CN116738299A (zh) * | 2023-08-16 | 2023-09-12 | 西南交通大学 | 一种高速列车蛇行状态识别与峰值预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
-
2020
- 2020-12-09 CN CN202011445663.6A patent/CN112418175A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341890A (zh) * | 2021-04-30 | 2021-09-03 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能诊断方法和*** |
CN113740064A (zh) * | 2021-07-27 | 2021-12-03 | 西安交通大学 | 滚动轴承故障类型诊断方法、装置、设备及可读存储介质 |
CN114118140A (zh) * | 2021-10-29 | 2022-03-01 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及*** |
CN114118140B (zh) * | 2021-10-29 | 2022-09-23 | 新黎明科技股份有限公司 | 防爆电机轴承多视角智能故障诊断方法及*** |
CN116738299A (zh) * | 2023-08-16 | 2023-09-12 | 西南交通大学 | 一种高速列车蛇行状态识别与峰值预测方法 |
CN116738299B (zh) * | 2023-08-16 | 2023-10-20 | 西南交通大学 | 一种高速列车蛇行状态识别与峰值预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN112418175A (zh) | 基于域迁移的滚动轴承故障诊断方法、***及存储介质 | |
CN110491416B (zh) | 一种基于lstm和sae的电话语音情感分析与识别方法 | |
CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
CN110826630A (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
CN111353373B (zh) | 一种相关对齐域适应故障诊断方法 | |
CN111627458B (zh) | 一种声源分离方法及设备 | |
US20160358599A1 (en) | Speech enhancement method, speech recognition method, clustering method and device | |
CN111461025B (zh) | 一种自主进化的零样本学习的信号识别方法 | |
CN112735482A (zh) | 基于联合深度神经网络的端点检测方法及*** | |
Zilvan et al. | Denoising convolutional variational autoencoders-based feature learning for automatic detection of plant diseases | |
CN113435509A (zh) | 基于元学习的小样本场景分类识别方法及*** | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN115374810A (zh) | 基于动态可分离卷积神经网络的故障诊断方法及设备 | |
CN115147632A (zh) | 基于密度峰值聚类算法的图像类别自动标注方法及装置 | |
CN115457980A (zh) | 一种无参考语音的自动化语音质量评估方法及*** | |
Zhang et al. | Fault diagnosis of natural gas pipeline leakage based on 1D-CNN and self-attention mechanism | |
Wang et al. | A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background | |
CN109949827A (zh) | 一种基于深度学习与强化学习的室内声学行为识别方法 | |
CN116884435A (zh) | 一种基于音频提示学习的声音事件检测方法及装置 | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN116405139A (zh) | 一种基于Informer的频谱预测模型和方法 | |
Yang et al. | NAM net: meta-network with normalization-based attention for few-shot learning | |
CN111738455A (zh) | 一种基于集成域自适应的故障诊断方法及*** |
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 |