CN113049958A - 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 - Google Patents
基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 Download PDFInfo
- Publication number
- CN113049958A CN113049958A CN202110394833.0A CN202110394833A CN113049958A CN 113049958 A CN113049958 A CN 113049958A CN 202110394833 A CN202110394833 A CN 202110394833A CN 113049958 A CN113049958 A CN 113049958A
- Authority
- CN
- China
- Prior art keywords
- motor
- fault diagnosis
- adxl335
- deep learning
- eccentric wheel
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于ADXL335和深度学习的电机故障诊断模拟实验台及诊断方法:实验台包括底座、电机支架、轴承支架、中间支架、电机、加速度传感器、轴承、联轴器、长轴、法兰、偏心轮;方法包括搭建电机故障诊断模拟实验台;装配偏心轮,加速度传感器采集电机振动信号;下位机对电机振动信号卡尔曼滤波;传输到上位机;更换偏心轮,重复上述直至五种故障工况均模拟采集完成;在上位机构建基于深度学习卷积神经网络的故障诊断模型;上位机五种故障工况的训练集数据输入到构建好的故障诊断模型训练,直到模型收敛;保存故障诊断模型;随机更换偏心轮,采集新工况下电机振动信号,输入到训练好的故障诊断模型,对电机运行状态进行实时分类和识别。
Description
技术领域
本发明涉及电机故障诊断领域,更具体的说,是涉及一种基于ADXL335和深度学习的电机故障诊断模拟实验台及诊断方法。
背景技术
现在电机已经在生产生活中承担越来越多的重要角色,一旦发生故障将造成重要财产损失甚至威胁人的生命。在电机故障诊断领域,信号的提取和获得是实现故障识别的关键第一步,主要包括振动、噪声和电流电压信号等集中类型的采集,其中振动信号能够较好地反映电机运行实时状态,在工程上应用最多。振动信号提取之后需要提取电机各种工况的信号特征,传统方式是需要有经验的工程师手动提取,诊断速度和正确率都较低,这就需要一种新的方法进行特征提取和故障诊断。卷积神经网络属于深度学习,是近些年发展起来的人工智能算法,通过对数据的大量学习和训练,能够自动提取信号的抽象特征,提高故障诊断正确率。
发明内容
本发明的目的是为了克服现有技术中的不足,提出一种基于ADXL335和深度学习的电机故障诊断模拟实验台及诊断方法,利用实验台搭建、振动采集、滤波预处理、深度学习特征提取和诊断的方法实现电机故障诊断。将振动信号快速采集技术、滤波技术和深度学习技术引入电机轴承故障诊断领域,为电机故障的实时诊断提出一种新的方法。
本发明的目的可通过以下技术方案实现。
本发明基于ADXL335和深度学习的电机故障诊断模拟实验台,包括底座,所述底座两端分别设置有电机支架和轴承支架,所述底座上设置有中间支架,所述中间支架位于电机支架和轴承支架之间,且靠近电机支架一侧;所述电机支架固定有电机,所述中间支架顶部设置有ADXL335加速度传感器,所述轴承支架固定有轴承;所述电机的输出轴通过联轴器连接长轴,所述长轴一端穿过中间支架与联轴器连接,另一端与轴承连接,所述长轴上通过法兰安装有可拆卸的偏心轮,所述偏心轮固定于中间支架和轴承支架之间。
所述偏心轮靠近中间支架一侧设置,所述偏心轮共有五种规格,通过圆盘面设置不同镂空梯形数量实现不同偏心程度,进而模拟不同故障类型;每个偏心轮沿圆半径留有开口,开口大小与长轴匹配。
所述法兰通过螺栓固定在长轴上,法兰侧面有三处螺栓用于固定偏心轮,拆卸时先拧松拆掉螺栓,然后将偏心轮沿长轴方向移动离开法兰后可拔出。
所述ADXL335加速度传感器的X轴与电机轴径向水平,通过ADXL335加速度传感器采集五种故障工况中间支架的振动信号。
本发明的目的还可通过以下技术方案实现。
本发明基于ADXL335和深度学习的电机故障诊断方法,包括以下过程:
步骤一,搭建电机故障诊断模拟实验台;
步骤二,装配一种规格的偏心轮,启动电机,带动长轴及上面的偏心轮一起旋转,模拟一种故障工况类型,通过ADXL335加速度传感器采集该种故障工况中间支架的振动信号,即电机振动信号;
步骤三,ADXL335加速度传感器将采集到的故障工况中间支架的振动信号传送至下位机,下位机对采集的故障工况的电机振动信号进行卡尔曼滤波;
步骤四,经过下位机卡尔曼滤波预处理后的数据通过串口通信传输到上位机;拆除此规格的偏心轮,安装下一种规格的偏心轮,重复上述步骤二至步骤四,直至五种故障工况均模拟采集完成,生成数据集,数据集划分为训练集和验证集;
步骤五,在上位机构建基于深度学习卷积神经网络的故障诊断模型;
步骤六,将步骤四中上位机收到的五种故障工况的训练集数据输入到步骤五中构建好的基于深度学习卷积神经网络的故障诊断模型进行训练,直到模型收敛;
步骤七,保存基于深度学习卷积神经网络的故障诊断模型并部署;
步骤八,随机更换偏心轮,采集新工况条件下的电机振动信号,按照步骤二、三、四处理后,输入到步骤七训练好的基于深度学习卷积神经网络的故障诊断模型,对电机运行状态进行实时分类和识别。
步骤三中使用STM32单片机将采集的电机振动信号进行滤波,滤波算法采用卡尔曼滤波,主要算法包括:
1)计算当前测量偏差PNow,定义为:
PNow=PLast上+Q (1)
其中,PLast上表示上一个测量偏差,Q表示过程噪声协方差;
2)设置R为测量噪声协方差,则卡尔曼增益Kg表示为:
3)通过当前输入值Vin及上一个输出值Vout计算出实际输出振动数据Vout实:
Vout实=Vout+Kg×(Vin-Vout) (3)
4)计算下一次振动数据的预计偏差:
PLast下=(1-Kg)×PNow (4)
5)随着引入数据增加,卡尔曼增益Kg不断递归,输出值收敛,估算出最优振动数值。
步骤四中串口通信是上位机通过基于CH430芯片的USB转串口通信连接下位机串行通信接口。
步骤五是在开发的上位机中构建基于深度学习卷积神经网络的故障诊断模型,主要步骤包括:
1)输入层,接收来自下位机输入故障工况的一维振动信号;
2)C1卷积层,卷积核大小为20×1,步长为8×1,卷积核数目为32,输出256×32的数据;
3)S1池化层,输入256×32的数据,池化窗口为4×1,池化方式为最大池化,步长为4×1,输出64×32的数据;
4)C2卷积层,输入64×32的数据,卷积核为5×1,步长为2×1,卷积核数目为64,输出32×64的数据;
5)S2池化层,输入32×64的数据,池化窗口为2×1,池化方式为最大池化,步长为2×1,输出16×64的数据;
6)F3全连接层,神经元个数为300。采用softmax算法进行结果预测;
7)输出层,输出预测结果。
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)本发明在电机故障诊断模拟实验台搭建中,利用不同类型偏心轮快速拆换的方法实现了不同故障快速切换模拟,有利于提高实验效率。
(2)本发明提出了将ADXL335加速度传感器引入到振动信号采集中,提供了一种新的电机振动信号实时稳定采集的解决思路。
(3)本发明提出了将振动信号进行卡尔曼滤波预处理,有利于提高后续信号特征提取和识别正确率。
(4)本发明提出了将深度学习领域的卷积神经网络算法模型用于电机振动信号的特征提取和故障识别的方法,提高了诊断正确率。
附图说明
图1是本发明中电机故障诊断模拟实验台的结构示意图,其中,
(a)装配偏心轮前状态,(b)装配偏心轮后状态;
图2是本发明中五种不同规格偏心轮的结构示意图;
图3是本发明电机故障诊断方法的流程图;
图4是卷积神经网络算法模型训练图。
附图标记:1-ADXL335加速度传感器,2-中间支架,3-联轴器,4-电机,5-电机支架,6-法兰,7-偏心轮,8-长轴,9-轴承支架,10-轴承,11-底座,12-螺栓。
具体实施方式
下面结合附图对本发明作进一步的描述。
如图1所示,本发明基于ADXL335和深度学习的电机故障诊断模拟实验台,包括底座11,所述底座11两端分别设置有电机支架5和轴承支架9,所述底座11上设置有中间支架2,所述中间支架2位于电机支架5和轴承支架9之间,且靠近电机支架5一侧。所述电机支架5固定有电机4,所述轴承支架9固定有轴承10。所述电机4的输出轴通过联轴器3连接长轴8,所述长轴8一端穿过中间支架2与联轴器3连接,另一端与轴承10连接,所述长轴8上通过法兰6安装有可拆卸的偏心轮7,所述偏心轮7固定于中间支架2和轴承支架9之间,所述偏心轮7靠近中间支架2一侧设置。
如图2所示,所述偏心轮7共有五种规格,通过圆盘面设置不同镂空梯形数量(五个规格的偏心轮圆盘面分别设置1、2、3、4、5个镂空梯形)实现不同偏心程度,进而模拟不同故障类型。所述偏心轮7是一种可以快速拆换的,不同偏心程度的可选模块,不同偏心轮偏心程度不同,可以快速变更不同类型故障。每个偏心轮7沿圆半径留有开口,开口大小与长轴8匹配。所述法兰6通过螺栓12固定在长轴8上,法兰6侧面有三处螺栓12用于固定偏心轮7。拆卸时先拧松拆掉螺栓12,然后将偏心轮7沿长轴8方向移动离开法兰6后可拔出。更换其他规格偏心轮7时,同样地将偏心轮7沿长轴8方向移动靠近法兰6后可***,最后拧紧螺栓12。通过以上所述偏心轮7快速拆换方法,可减少拆装轴承支架9的步骤,此外,故障类型也可以通过读取偏心轮7镂空梯形数量,清晰快速记录,提高实验效率。
其中,所述中间支架2顶部设置有ADXL335加速度传感器1,所述ADXL335加速度传感器1是一款低功耗、小尺寸的三轴加速度传感器。采集振动信号时安装在靠近电机4最近处的中间支架2顶端,所述ADXL335加速度传感器1的X轴与电机4轴径向水平,即取X轴振动信号,通过ADXL335加速度传感器1采集五种故障工况中间支架2的振动信号。
如图3所示,本发明基于ADXL335和深度学习的电机故障诊断方法,包括以下过程:
步骤一,搭建电机故障诊断模拟实验台。
步骤二,装配一种规格的偏心轮7,启动电机4,带动长轴8及上面的偏心轮7一起旋转,模拟一种故障工况类型,通过ADXL335加速度传感器1采集该种故障工况中间支架2的振动信号,即电机振动信号。
步骤三,ADXL335加速度传感器1将采集到的故障工况中间支架2的振动信号传送至下位机,下位机对采集的故障工况的电机振动信号进行卡尔曼滤波。
使用STM32单片机将采集的电机振动信号进行滤波,滤波算法采用卡尔曼滤波,主要算法包括:
1)计算当前测量偏差PNow,可定义为:
PNow=PLast上+Q (1)
其中,PLast上表示上一个测量偏差,Q表示过程噪声协方差。
2)设置R为测量噪声协方差,则卡尔曼增益Kg可表示为:
3)通过当前输入值Vin及上一个输出值Vout计算出实际输出振动数据Vout实:
Vout实=Vout+Kg×(Vin-Vout) (3)
4)计算下一次振动数据的预计偏差:
PLast下=(1-Kg)×PNow (4)
5)随着引入数据增加,卡尔曼增益Kg不断递归,输出值收敛,估算出最优振动数值。
步骤四,经过下位机卡尔曼滤波预处理后的数据通过串口通信传输到上位机;拆除此规格的偏心轮,安装下一种规格的偏心轮,重复上述步骤二至步骤四,直至五种故障工况均模拟采集完成(即五种规格的偏心轮7均更换安装完毕),通过更换五种不同规格的偏心轮7模拟电机五种故障工况,生成数据集,数据集划分为训练集和验证集,划分比例为7:3。其中,串口通信是上位机通过基于CH430芯片的USB转串口通信连接下位机串行通信接口。
步骤五,在开发的上位机构建基于深度学习卷积神经网络的故障诊断模型,主要步骤包括:
1)输入层,接收来自下位机输入故障工况的一维振动信号;
2)C1卷积层,卷积核大小为20×1,步长为8×1,卷积核数目为32,输出256×32的数据;
3)S1池化层,输入256×32的数据,池化窗口为4×1,池化方式为最大池化,步长为4×1,输出64×32的数据;
4)C2卷积层,输入64×32的数据,卷积核为5×1,步长为2×1,卷积核数目为64,输出32×64的数据;
5)S2池化层,输入32×64的数据,池化窗口为2×1,池化方式为最大池化,步长为2×1,输出16×64的数据;
6)F3全连接层,神经元个数为300。采用softmax算法进行结果预测;
7)输出层,输出预测结果。
步骤六,将步骤四中上位机收到的五种故障工况的训练集数据输入到步骤五中构建好的基于深度学习卷积神经网络的故障诊断模型进行迭代训练,优化参数,直到模型收敛。模型训练过程实验结果如图4所示,算法模型经过65次迭代后,故障诊断正确率已经可以达到100%。
步骤七,保存基于深度学习卷积神经网络的故障诊断模型并部署。
步骤八,随机更换偏心轮7,采集新工况条件下的电机振动信号,按照步骤二、三、四处理后,输入到步骤七训练好的基于深度学习卷积神经网络的故障诊断模型,对电机4运行状态进行实时分类和识别。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于ADXL335和深度学习的电机故障诊断模拟实验台,其特征在于,包括底座(11),所述底座(11)两端分别设置有电机支架(5)和轴承支架(9),所述底座(11)上设置有中间支架(2),所述中间支架(2)位于电机支架(5)和轴承支架(9)之间,且靠近电机支架(5)一侧;所述电机支架(5)固定有电机(4),所述中间支架(2)顶部设置有ADXL335加速度传感器(1),所述轴承支架(9)固定有轴承(10);所述电机(4)的输出轴通过联轴器(3)连接长轴(8),所述长轴(8)一端穿过中间支架(2)与联轴器(3)连接,另一端与轴承(10)连接,所述长轴(8)上通过法兰(6)安装有可拆卸的偏心轮(7),所述偏心轮(7)固定于中间支架(2)和轴承支架(9)之间。
2.根据权利要求1所述的基于ADXL335和深度学习的电机故障诊断模拟实验台,其特征在于,所述偏心轮(7)靠近中间支架(2)一侧设置,所述偏心轮(7)共有五种规格,通过圆盘面设置不同镂空梯形数量实现不同偏心程度,进而模拟不同故障类型;每个偏心轮(7)沿圆半径留有开口,开口大小与长轴(8)匹配。
3.根据权利要求1所述的基于ADXL335和深度学习的电机故障诊断模拟实验台,其特征在于,所述法兰(6)通过螺栓(12)固定在长轴(8)上,法兰(6)侧面有三处螺栓(12)用于固定偏心轮(7),拆卸时先拧松拆掉螺栓(12),然后将偏心轮(7)沿长轴(8)方向移动离开法兰(6)后拔出。
4.根据权利要求1所述的基于ADXL335和深度学***,通过ADXL335加速度传感器(1)采集五种故障工况中间支架(2)的振动信号。
5.一种基于权利要求1至4中任一项所述的基于ADXL335和深度学习的电机故障诊断模拟实验台的电机故障诊断方法,其特征在于,包括以下过程:
步骤一,搭建电机故障诊断模拟实验台;
步骤二,装配一种规格的偏心轮(7),启动电机(4),带动长轴(8)及上面的偏心轮(7)一起旋转,模拟一种故障工况类型,通过ADXL335加速度传感器(1)采集该种故障工况中间支架(2)的振动信号,即电机振动信号;
步骤三,ADXL335加速度传感器(1)将采集到的故障工况中间支架(2)的振动信号传送至下位机,下位机对采集的故障工况的电机振动信号进行卡尔曼滤波;
步骤四,经过下位机卡尔曼滤波预处理后的数据通过串口通信传输到上位机;拆除此规格的偏心轮,安装下一种规格的偏心轮(7),重复上述步骤二至步骤四,直至五种故障工况均模拟采集完成,生成数据集,数据集划分为训练集和验证集;
步骤五,在上位机构建基于深度学习卷积神经网络的故障诊断模型;
步骤六,将步骤四中上位机收到的五种故障工况的训练集数据输入到步骤五中构建好的基于深度学习卷积神经网络的故障诊断模型进行训练,直到模型收敛;
步骤七,保存基于深度学习卷积神经网络的故障诊断模型并部署;
步骤八,随机更换偏心轮(7),采集新工况条件下的电机振动信号,按照步骤二、三、四处理后,输入到步骤七训练好的基于深度学习卷积神经网络的故障诊断模型,对电机运行状态进行实时分类和识别。
6.根据权利要求5所述的基于ADXL335和深度学习的电机故障诊断方法,其特征在于,步骤三中使用STM32单片机将采集的电机振动信号进行滤波,滤波算法采用卡尔曼滤波,主要算法包括:
1)计算当前测量偏差PNow,定义为:
PNow=PLast上+Q (1)
其中,PLast上表示上一个测量偏差,Q表示过程噪声协方差;
2)设置R为测量噪声协方差,则卡尔曼增益Kg表示为:
3)通过当前输入值Vin及上一个输出值Vout计算出实际输出振动数据Vout实:
Vout实=Vout+Kg×(Vin-Vout) (3)
4)计算下一次振动数据的预计偏差:
PLast下=(1-Kg)×PNow (4)
5)随着引入数据增加,卡尔曼增益Kg不断递归,输出值收敛,估算出最优振动数值。
7.根据权利要求5所述的基于ADXL335和深度学习的电机故障诊断方法,其特征在于,步骤四中串口通信是上位机通过基于CH430芯片的USB转串口通信连接下位机串行通信接口。
8.根据权利要求5所述的基于ADXL335和深度学习的电机故障诊断方法,其特征在于,步骤五是在开发的上位机中构建基于深度学习卷积神经网络的故障诊断模型,主要步骤包括:
1)输入层,接收来自下位机输入故障工况的一维振动信号;
2)C1卷积层,卷积核大小为20×1,步长为8×1,卷积核数目为32,输出256×32的数据;
3)S1池化层,输入256×32的数据,池化窗口为4×1,池化方式为最大池化,步长为4×1,输出64×32的数据;
4)C2卷积层,输入64×32的数据,卷积核为5×1,步长为2×1,卷积核数目为64,输出32×64的数据;
5)S2池化层,输入32×64的数据,池化窗口为2×1,池化方式为最大池化,步长为2×1,输出16×64的数据;
6)F3全连接层,神经元个数为300。采用softmax算法进行结果预测;
7)输出层,输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394833.0A CN113049958B (zh) | 2021-04-13 | 2021-04-13 | 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394833.0A CN113049958B (zh) | 2021-04-13 | 2021-04-13 | 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113049958A true CN113049958A (zh) | 2021-06-29 |
CN113049958B CN113049958B (zh) | 2022-06-10 |
Family
ID=76519209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110394833.0A Active CN113049958B (zh) | 2021-04-13 | 2021-04-13 | 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113049958B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702828A (zh) * | 2021-08-31 | 2021-11-26 | 天津大学 | 主动变故障的电机故障模拟实验台及故障诊断实验方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318851A (zh) * | 2014-11-10 | 2015-01-28 | 武汉理工大学 | 旋转机械故障模拟平台 |
CN107024332A (zh) * | 2017-03-31 | 2017-08-08 | 西安交通大学 | 一种模拟旋转机械伪振动故障的实验装置 |
CN207585912U (zh) * | 2017-10-20 | 2018-07-06 | 华东交通大学 | 一种简易型转子、轴承故障模拟试验台 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
-
2021
- 2021-04-13 CN CN202110394833.0A patent/CN113049958B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318851A (zh) * | 2014-11-10 | 2015-01-28 | 武汉理工大学 | 旋转机械故障模拟平台 |
CN107024332A (zh) * | 2017-03-31 | 2017-08-08 | 西安交通大学 | 一种模拟旋转机械伪振动故障的实验装置 |
CN207585912U (zh) * | 2017-10-20 | 2018-07-06 | 华东交通大学 | 一种简易型转子、轴承故障模拟试验台 |
KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
XIN WANG 等: "Bearing fault diagnosis based on vibro-acoustic data fusion and 1D-CNN network", 《MEASUREMENT》 * |
刘慧斌 等: "基于深度卷积神经网络的轴承多故障诊断研究", 《组合机床与自动化加工技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702828A (zh) * | 2021-08-31 | 2021-11-26 | 天津大学 | 主动变故障的电机故障模拟实验台及故障诊断实验方法 |
CN113702828B (zh) * | 2021-08-31 | 2022-05-17 | 天津大学 | 主动变故障的电机故障模拟实验台及故障诊断实验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113049958B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022077901A1 (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及*** | |
CN104006908B (zh) | 风机能耗监测方法及*** | |
CN113049958B (zh) | 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 | |
CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及*** | |
CN112285554B (zh) | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 | |
CN104564542B (zh) | 一种基于大数据技术的故障诊断***及其诊断方法 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN104748962A (zh) | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 | |
CN112924173A (zh) | 一种风力发电机组变桨轴承故障诊断方法 | |
CN111428386B (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及*** | |
CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN117056849B (zh) | 一种无监督的复杂机械设备异常状态监测方法及*** | |
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 | |
CN111412114B (zh) | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与*** | |
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN113962289B (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及*** | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN114115199A (zh) | 新能源环卫车辆的监测及故障诊断*** | |
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*** | |
CN112395968A (zh) | 基于神经网络的机械旋转部件故障诊断方法及装置 | |
CN117006000A (zh) | 一种分离式风力发电机监测装置 |
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 |