CN112577748A - 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 - Google Patents
基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112577748A CN112577748A CN202011461492.6A CN202011461492A CN112577748A CN 112577748 A CN112577748 A CN 112577748A CN 202011461492 A CN202011461492 A CN 202011461492A CN 112577748 A CN112577748 A CN 112577748A
- Authority
- CN
- China
- Prior art keywords
- scale
- features
- rolling bearing
- feature
- lightweight
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000005096 rolling process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000002787 reinforcement Effects 0.000 claims abstract description 6
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 229910009207 xMxN Inorganic materials 0.000 description 1
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够的缺陷，满足了工业物联网对深度学习模型提出的轻量级需求。
Description
技术领域
本发明涉及滚动轴承故障诊断技术领域，特别是一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法。
背景技术
滚动轴承是工业生产中运用最为广泛的零部件之一，其健康状态直接关系到机械设备安全稳定的运行。但是在高速高负荷的复杂工况下长时间运行，滚动轴承很容易出现磨损、剥落等故障，这些故障会导致旋转机械很快的退化甚至会造成严重的经济损失和人员伤亡，因此对滚动轴承进行状态监测与故障诊断是十分具有现实意义的。
目前，国内外学者对滚动轴承的故障诊断问题作了大量的研究工作，但是面对复杂多变的工况和强噪声干扰情况时，振动信号是非线性、非平稳和强耦合的，故障特征表现为时间尺度多样性且不明显，这对基于振动信号的高性能故障诊断提出了严峻的挑战。
发明内容
本发明提供一种基于强化的轻量级多尺度CNN的滚动轴承故障的智能化诊断方法，可以捕捉时间尺度多样性的故障特征，从而提高滚动轴承在复杂工况和强噪音干扰情况下故障诊断的效率和识别精度，能较好的满足工程应用的需要。
本发明采用的技术方案如下：
一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，包括以下步骤：
步骤S1：对原始振动信号数据进行多维度特征提取；
步骤S2：通过轻量级多尺度网络提取丰富且互补的多尺度特征，并采用判别性故障特征强化机制(DFRM)对提取的所述多尺度特征进行筛选与强化；
步骤S3：通过跳层连接方式进行多等级多尺度特征融合；
步骤S4：重复步骤S2、步骤S3数次，提取所述原始振动信号的高等级抽象特征；
步骤S5：分类器训练，进行故障识别。
进一步地，所述步骤S3中，通过跳层连接方式进行多等级多尺度特征融合，是对强化筛选后的多尺度特征进行融合，融合部分分为两步：
步骤S31多尺度融合：将多个尺度提取的特征映射纵向堆叠，采用两层全连接层对堆叠特征进行融合，进一步发掘多尺度特征的内部联系并去除冗余性；
步骤S32多等级融合：通过跳层连接，将融合后的多尺度特征与输入轻量级多尺度网络前的特征映射进行融合，以获取层次更丰富的特征表示，同时缓解网络训练过程中易出现的梯度消失或***问题。
进一步地，所述步骤S1中，采用一层一维卷积对所述原始振动信号进行多维度特征提取，采用宽卷积核以抑制部分噪声。
进一步地，所述步骤S2中，所述轻量级多尺度网络采用多个不同尺寸卷积核的卷积层构成多分支网络，以多分支并行的方式提取特征，从而捕捉时间尺度多样性的故障特征；每个分支网络由一个卷积层，一个BN层和一个ReLU激活层组成。
具体地，可采用5个不同尺寸卷积核的卷积层构成多分支网络，以并行的方式提取特征从而捕捉时间尺度多样性的故障特征；5个分支的卷积核尺寸分别为3×1，7×1，15×1，32×1和64×1。尺度数量(分支数量)和卷积核尺寸不局限于此，可根据实际诊断任务做针对性的调整。
进一步地，所述步骤S2中，多尺度特征提取阶段采用的卷积操作为一维深度可分离卷积，其将标准一维卷积分解为深度卷积和点卷积。在保证特征有效提取的基础上极大地降低了模型参数量和计算量，减轻了模型应用的计算和存储负担。
进一步地，所述步骤S2中，对于经过每个分支后提取的特征，利用判别性故障特征强化机制(DFRM)对其进行特征强化和筛选，具体地，DFRM采用一个一维卷积层，并采用sigmoid激活函数在时序上计算每个点的权重，最后与原分支提取的特征相乘，从而强化故障相关特征，弱化一般性特征。
进一步地，所述步骤S4中，重复步骤S2、步骤S3数次，在每次重复之间，可根据具体情况额外添加最大池化层，降低特征维度与计算量，进一步获取更抽象的特征。
进一步地，所述步骤S5中，分类器采用带有softmax激活函数的全连接层，其公式定义：
式中为θc为模型参数，且
C为大于1的自然数。
本发明的有益效果如下：
在面对复杂工况和强噪声干扰时，滚动轴承振动信号中的故障特征具有时间尺度多样性且不明显，本发明克服了现有方法在该情况下的判别性故障特征提取困难而造成诊断性能欠理想的问题，同时实现了诊断模型的轻量级，提高了其实际应用价值。
本发明构建了易扩展的模块化网络结构，并结合DFRM，跳层连接和深度可分离卷积技术，既强化了多尺度CNN模型的判别性故障特征提取能力，又满足了工业物联网对深度学习模型提出的轻量级需求，弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够，网络结构复杂且计算和存储成本高的不足，更符合工业应用的实际场景，满足工业物联网对深度学习算法的要求。
本发明具有网络结构模块化，易堆叠易扩展的特点，对于不同的诊断任务，结构调整灵活，适用性更强；
本发明能有效的提取出复杂工况和强噪声干扰情况下振动信号中的判别性故障特征信息，诊断准确率高，同时对早期微弱故障具有较高的识别能力；
本发明参数量少，所需计算与存储成本小，能够满足工业物联网对深度学习算法提出的“小，轻，快”的应用需求，可以较好的应用于实际工业诊断场景。
附图说明
图1是本发明的流程图。
图2是本发明的轻量级多尺度网络结构示意图。
图3是本发明的DFRM结构示意图。
图4是本发明的DFRM计算权重与振动信号对比图。
图5是本发明的步骤S2/S3重复三次的流程图。
图6是利用本发明的诊断方法在不同噪声等级下的诊断准确率结果图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
如图1所示，本实施例的一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，包括以下步骤：
步骤S1：对原始振动信号数据进行多维度特征提取；
步骤S2：通过轻量级多尺度网络提取丰富且互补的多尺度特征，并采用判别性故障特征强化机制(DFRM)对提取的所述多尺度特征进行筛选与强化；
步骤S3：通过跳层连接方式进行多等级多尺度特征融合；
步骤S4：重复步骤S2、步骤S3数次，提取所述原始振动信号的高等级抽象特征；
步骤S5：分类器训练，进行故障识别。
具体实施方式如下：
步骤S1：采用一层一维卷积对原始振动信号进行多维度特征提取。并且，采用宽卷积核(例如15×1)以抑制部分噪声。
步骤S2：首先，采用5个不同尺寸卷积核的卷积层构成多分支网络以并行的方式提取特征从而捕捉时间尺度多样性的故障特征。每个分支由一个卷积层，一个BN层和一个ReLU激活层组成，5个分支的卷积核尺寸分别为3×1、7×1、15×1、32×1和64×1。
具体地，尺度数量(分支数量)和卷积核尺寸不局限于此，可根据实际诊断任务做针对性的调整，结构示意图如图2所示。
其中，多尺度特征提取阶段采用的卷积操作为一维深度可分离卷积。其将标准一维卷积分解为深度卷积和点卷积，在保证特征有效提取的基础上极大地降低了模型参数量和计算量，减轻了模型应用的计算和存储负担。
假设LF为输入映射长度，LK为卷积核尺寸，M为输入映射通道数，N为卷积核数量，则标准卷积的参数量和计算量分别为Lk×M×N和Lk×M×N×LF，一维深度可分离卷积的参数量和计算量分别为Lk×M+1×M×N和Lk×M×LF+M×N×LF。
对于经过上述每个分支后提取的特征，利用判别性故障特征强化机制(DFRM)对其进行特征强化和筛选。DFRM采用一个卷积核尺寸和数量分别为1×1和1的一维卷积层，并采用sigmoid激活函数在时序上计算每个点的权重，最后与原分支提取的特征相乘，从而强化故障相关特征，弱化一般性特征。其结构示意图如图3所示。将权重进行可视化并与振动信号对比示意图如图4所示，可见DFRM对故障相关特征进行了准确的捕捉与强化。
步骤S3：通过跳层连接技术进行多等级多尺度特征融合；对强化筛选后的多尺度特征进行了融合，该融合部分分为两步：
步骤S31：多尺度融合：将多个尺度提取的特征映射纵向堆叠，采用两层全连接层对堆叠特征进行融合，进一步发掘多尺度特征的内部联系并去除冗余性；
步骤S32：多等级融合：通过跳层连接将融合后的多尺度特征与输入轻量级多尺度网络前的特征映射进行融合，以获取层次更丰富的特征表示，同时缓解网络训练过程中易出现的梯度消失或***问题，如图2所示。
步骤S4：重复步骤S2、S3数次，提取原始振动信号的高等级抽象特征，在每次重复之间，可根据具体情况额外添加最大池化层，降低特征维度与计算量，进一步获取更抽象的特征，重复三次的诊断流程图如图5所示。
步骤S5：分类器采用带有softmax激活函数的全连接层，其公式定义：
式中为θc模型参数，且
C为大于1的自然数。
利用本实施的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，进行轴承故障诊断的实施结果如下：
试验分析数据来自美国凯斯西储大学的滚动轴承数据中心，采样频率12kHz，四种工况(转速：1797/1772/1750/1730rpm分别对应负载：0/1/2/3hp)。
数据集包括三种故障类型(内圈故障(IF)、外圈故障(OF)、滚动体故障(BF))，每种故障类型有三种故障程度(7、17、21mil)，加上无故障状态，共10种健康状态，不同工况混合为同一状态。
样本分割采用滑动窗有重叠分割，每个样本包括1200个点，相邻样本重叠600个点，总共获得7920个数据样本，其中6360为训练样本，1560为测试样本。在构造样本时，为了模拟真实工作环境，向原始振动信号中添加了不同程度信噪比(SNR)的噪声，公式为：
式中Psignal和Pnoise表示原始信号和噪声的功率。
其中数据样本类型见表1：
表1
模型在不同噪声等级下的诊断准确率如图6所示，在噪声等级-8dB～10dB内，模型的测试准确率均高于95.5％，即使在-10dB情况，其测试准确率也可达到92.86％，说明本发明具有很强的判别性故障特征提取能力，且在强噪声干扰情况下仍能获得较高的诊断准确率。模型的大小，每轮次训练时间以及每个样本的测试时间如表2所示。模型大小仅为4.96MB，模型存储空间小，训练时间和测试时间分别为13.55s/轮次和0.76ms/样本，满足在线实时诊断需求。
表2
综上所述，本发明基于卷积神经网络设计了一种强化的轻量级多尺度CNN滚动轴承智能故障诊断模型，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。
本发明构建了易扩展的模块化网络结构，并结合DFRM，跳层连接和深度可分离卷积技术，既强化了多尺度CNN模型的判别性故障特征提取能力，又满足了工业物联网对深度学习模型提出的轻量级需求，弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够，网络结构复杂且计算和存储成本高的不足，更符合工业应用的实际场景，满足工业物联网对深度学习算法的要求。
Claims (8)
1.一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤S1：对原始振动信号数据进行多维度特征提取；
步骤S2：通过轻量级多尺度网络提取互补的多尺度特征，并采用判别性故障特征强化机制(DFRM)对提取的所述多尺度特征进行筛选与强化；
步骤S3：通过跳层连接方式进行多等级多尺度特征融合；
步骤S4：重复步骤S2、步骤S3数次，提取所述原始振动信号的高等级抽象特征；
步骤S5：分类器训练，进行故障识别。
2.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S3中，通过跳层连接方式进行多等级多尺度特征融合，是对强化筛选后的多尺度特征进行融合，融合部分分为两步：
步骤S31多尺度融合：将多个尺度提取的特征映射纵向堆叠，采用两层全连接层对堆叠特征进行融合；
步骤S32多等级融合：通过跳层连接，将融合后的多尺度特征与输入轻量级多尺度网络前的特征映射进行融合。
3.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S1中，采用一层一维卷积对所述原始振动信号进行多维度特征提取，采用宽卷积核以抑制部分噪声。
4.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S2中，所述轻量级多尺度网络采用多个不同尺寸卷积核的卷积层构成多分支网络，以多分支并行的方式提取特征，从而捕捉时间尺度多样性的故障特征；每个分支网络由一个卷积层，一个BN层和一个ReLU激活层组成。
5.根据权利要求4所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S2中，多尺度特征提取阶段采用的卷积操作为一维深度可分离卷积，其将标准一维卷积分解为深度卷积和点卷积。
6.根据权利要求4所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S2中，对于经过每个分支后提取的特征，利用判别性故障特征强化机制(DFRM)对其进行特征强化和筛选，DFRM采用一个一维卷积层，并采用sigmoid激活函数在时序上计算每个点的权重，最后与原分支提取的特征相乘，从而强化故障相关特征，弱化一般性特征。
7.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S4中，重复步骤S2、步骤S3数次，在每次重复之间，额外添加最大池化层，降低特征维度与计算量，进一步获取更抽象的特征。
8.根据权利要求1所述的基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，其特征在于，所述步骤S5中，分类器采用带有softmax激活函数的全连接层，其公式定义：
式中为θc为模型参数，且
C为大于1的自然数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011461492.6A CN112577748A (zh) | 2020-12-07 | 2020-12-07 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011461492.6A CN112577748A (zh) | 2020-12-07 | 2020-12-07 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112577748A true CN112577748A (zh) | 2021-03-30 |
Family
ID=75131555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011461492.6A Pending CN112577748A (zh) | 2020-12-07 | 2020-12-07 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112577748A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158984A (zh) * | 2021-05-18 | 2021-07-23 | 石家庄铁道大学 | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
| CN113239786A (zh) * | 2021-05-11 | 2021-08-10 | 重庆市地理信息和遥感应用中心 | 基于增强学习与特征变换的遥感图像乡村别墅识别方法 |
| CN113505830A (zh) * | 2021-07-09 | 2021-10-15 | 西安交通大学 | 旋转机械故障诊断方法、***、设备及存储介质 |
| CN113554070A (zh) * | 2021-07-07 | 2021-10-26 | 石家庄铁道大学 | 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 |
| CN113673346A (zh) * | 2021-07-20 | 2021-11-19 | 中国矿业大学 | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 |
| 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 |
| CN114019370A (zh) * | 2021-09-29 | 2022-02-08 | 西安交通大学 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
| CN114459760A (zh) * | 2021-12-31 | 2022-05-10 | 南京理工大学 | 一种强噪声环境下的滚动轴承故障诊断方法及*** |
| CN117648611A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 机械装备的故障诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN111562108A (zh) * | 2020-05-09 | 2020-08-21 | 浙江工业大学 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
| CN111931826A (zh) * | 2020-07-20 | 2020-11-13 | 华南理工大学 | 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和*** |
-
2020
- 2020-12-07 CN CN202011461492.6A patent/CN112577748A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN111562108A (zh) * | 2020-05-09 | 2020-08-21 | 浙江工业大学 | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 |
| CN111931826A (zh) * | 2020-07-20 | 2020-11-13 | 华南理工大学 | 基于多尺度卷积迁移模型的滚动轴承故障诊断方法和*** |
Non-Patent Citations (1)
| Title |
|---|
| YAOWEI SHI ET AL: "Enhanced Lightweight Multiscale Convolutional Neural Network for Rolling Bearing Fault Diagnosis", 《IEEE ACCESS》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239786A (zh) * | 2021-05-11 | 2021-08-10 | 重庆市地理信息和遥感应用中心 | 基于增强学习与特征变换的遥感图像乡村别墅识别方法 |
| CN113158984A (zh) * | 2021-05-18 | 2021-07-23 | 石家庄铁道大学 | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
| CN113158984B (zh) * | 2021-05-18 | 2022-06-17 | 石家庄铁道大学 | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 |
| 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 |
| 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 |
| CN113554070A (zh) * | 2021-07-07 | 2021-10-26 | 石家庄铁道大学 | 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 |
| CN113554070B (zh) * | 2021-07-07 | 2022-03-25 | 石家庄铁道大学 | 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法 |
| CN113505830A (zh) * | 2021-07-09 | 2021-10-15 | 西安交通大学 | 旋转机械故障诊断方法、***、设备及存储介质 |
| CN113505830B (zh) * | 2021-07-09 | 2024-04-02 | 西安交通大学 | 旋转机械故障诊断方法、***、设备及存储介质 |
| CN113673346A (zh) * | 2021-07-20 | 2021-11-19 | 中国矿业大学 | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 |
| CN114019370A (zh) * | 2021-09-29 | 2022-02-08 | 西安交通大学 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
| CN114459760A (zh) * | 2021-12-31 | 2022-05-10 | 南京理工大学 | 一种强噪声环境下的滚动轴承故障诊断方法及*** |
| CN114459760B (zh) * | 2021-12-31 | 2024-05-24 | 南京理工大学 | 一种强噪声环境下的滚动轴承故障诊断方法及*** |
| CN117648611A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 机械装备的故障诊断方法 |
| CN117648611B (zh) * | 2024-01-30 | 2024-04-05 | 太原理工大学 | 机械装备的故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112577748A (zh) | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 | |
| CN110647923B (zh) | 小样本下基于自我学习的变工况机械故障智能诊断方法 | |
| CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| 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 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN107016241A (zh) | 基于加噪样本增强深度自编码学习网络的旋转机械寿命阶段识别方法 | |
| CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
| CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
| CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
| CN111810124A (zh) | 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法 | |
| CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
| CN113869286A (zh) | 一种自适应多任务智能故障诊断模型及故障诊断方法 | |
| CN111832663A (zh) | 一种基于门控循环单元的胶囊网络滚动轴承故障诊断*** | |
| CN111444871A (zh) | 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法 | |
| CN116186641A (zh) | 一种基于特征融合的跨设备滚动轴承小样本故障诊断方法 | |
| Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
| CN116340859A (zh) | 一种噪声背景下基于振动信号的海上风电机组齿轮箱故障诊断方法 | |
| 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 | |
| CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及*** | |
| CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
| CN116818325A (zh) | 一种滚动轴承故障诊断方法及*** | |
| CN116595313A (zh) | 基于多尺度残差注意力网络的故障诊断方法及*** | |
| CN110222390A (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
| CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
| CN113591625B (zh) | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |
|
| RJ01 | Rejection of invention patent application after publication |