CN113094978A - 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 - Google Patents

一种基于深度学习的电机轴承剩余寿命的模型的构建方法 Download PDF

Info

Publication number
CN113094978A
CN113094978A CN202110317243.8A CN202110317243A CN113094978A CN 113094978 A CN113094978 A CN 113094978A CN 202110317243 A CN202110317243 A CN 202110317243A CN 113094978 A CN113094978 A CN 113094978A
Authority
CN
China
Prior art keywords
layer
bearing
network
transmission end
state
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
Application number
CN202110317243.8A
Other languages
English (en)
Inventor
李杨
唐刚
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 University of Chemical Technology
Original Assignee
Beijing University of Chemical Technology
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 University of Chemical Technology filed Critical Beijing University of Chemical Technology
Priority to CN202110317243.8A priority Critical patent/CN113094978A/zh
Publication of CN113094978A publication Critical patent/CN113094978A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明的目的在于利用深度学习方法，提供一种基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，进而实现电机轴承的故障辨识及剩余寿命的和定位。本发明可以大大提高故障预测的准确性。与其他方法相比，深度学习网络模型对电机轴承故障辨识及剩余寿命的的普遍适用性和泛化性大大提高。本发明易于实现现有各型号的电机轴承的不同故障的准确辨识，以及根据故障的次数计算轴承剩余寿命。

Description

一种基于深度学习的电机轴承剩余寿命的模型的构建方法
技术领域
本发明涉及电机轴承故障辨识及剩余寿命的及剩余寿命模型的构建方法，具体为电机轴承故障辨识及剩余寿命的及剩余寿命模型的构建方法。
背景技术
人工智能技术是以智能算法为核心，研究用机器模仿和拓展人的智能的方法和技术。随着可采集的数据越来越多，人工智能理论研究的深入和硬件算力的不断提高，人工智能技术正不断渗透各个应用领域，主要包括自然语言理解、故障诊断与运维管理、智能机器人等。人工智能已经成为新一轮科技革命和产业变革的核心动力，正在对世界经济、社会进步和人类生活产生极其深刻的影响。
机器学习(Machine Learning)是人工智能领域研究的核心问题之一，也是当前人工智能技术研究和产业应用最为活跃的领域。机器学习是指研究机器模拟或实现人类的学习行为，以获取新的知识或技能，通过重新组织已有的知识结构不断改善自身的性能。深度学习(Deep learning)是机器学习方面中的一个重要的研究方向，通过模拟人脑的层级抽象结构，使用多层神经网络架构如卷积神经网络(CNN)、递归神经网络(RNN)、自动编码器网络(AE)和深度信念网络(DBN)等，利用分类或回归方式分析原始数据，发掘数据中蕴含的有用信息，训练出合适的神经网络模型后实现分析和预测功能。可以通过深度学习处理比以前更复杂的数据，如视频、图像、语音和文本等，深度学习技术在医学影像分析、无人驾驶、语音识别和预测分析等方面表现出极高的准确性。其中，属于递归神经网络的长短期记忆网络(LSTM)及其衍生网络，如双向长短期记忆网络(BiLSTM)等可以高效地学习序列数据的长期依赖信息，适合应用于旋转机械的故障辨识及剩余寿命的和寿命预测。
目前，风力发电市场已进入高速发展阶段。发电机轴承是电机组的重要机械部件，其健康状态直接影响电机组的稳定运行。根据采集的故障特征量准确并及时地辨识电机轴承的故障的类型和位置，进而采取相应的维护和维修措施，可以减少故障造成的财产损失，降低全寿命周期成本。深度学习技术最重要的一个优点是可以自动对故障特征参数进行综合分析。利用深度神经网络对电机轴承的振动信号进行分析，发掘出振动数据中的有用信息，准确有效地甄别出电机轴承的健康状况，为适当的维护和维修提供参考。深度学习技术另一个重要优点是随着训练数据的增多，网络的准确度也越高。随着物联网技术、大数据技术和人工智能技术的发展，利用深度学习技术对旋转机械进行故障辨识及剩余寿命的和寿命预测将是产品智能化很重要的一个发展方向。
现有技术方案一：通过经过专业训练的人员进行专家判断。结合电机的噪声、振动、现场环境、设计和生产记录文件，综合判定是否有故障。
现有技术方案一的缺点：现有技术方案一的人力成本较高，对专业知识和领域专家经验依赖性较强。并且由于易受到外界噪声等影响，存在误判或漏判的情况。
现有技术方案二：通过监测***获取的振动信号进行时域、频域或时频域的分析，采用阈值判定、逻辑推理等方法搭建辨识模型，是一种人工特征提取和选择，外加浅层分类器识别方案。
现有技术方案二的缺点：通常只考虑振动信号的均值、方差等，辨识模型也较简单，无法发掘数据中的隐含特征，尤其是对电机轴承的外圈剥离、内圈剥离和外圈剥离等特征不明显的故障辨识及剩余寿命的存在精确度不高的缺点。另外，在不同工况和外界噪声干扰下其模型故障辨识及剩余寿命的的泛化能力不强，例如发电机在某一种转速下模型辨识的准确率很高，而转速升高或降低后辨识准确率会大幅降低，以及根据故障的次数计算轴承剩余寿命。
发明内容
本发明的目的在于利用深度学习方法，提供一种基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，进而实现电机轴承的故障辨识及剩余寿命的和定位。本发明可以大大提高故障预测的准确性。与其他方法相比，深度学习网络模型对电机轴承故障辨识及剩余寿命的的普遍适用性和泛化性大大提高。本发明易于实现现有各型号的电机轴承的不同故障的准确辨识，以及根据故障的次数计算轴承剩余寿命。
本发明是采用如下技术方案实现的：基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，是由如下步骤实现的：
步骤1、预置轴承故障类型及数量
预置的轴承故障数量为A。
步骤2、原始信号采集与预处理
电机安装在试验台上，将转子短接，发电机空载运行；利用三轴加速度传感器采集传动端轴承的X、Y、Z三轴方向加速度信号，每个轴承故障类型下分别采集转速n1、n2、n3、……、nm下的T时间范围内的连续的X、Y、Z三轴方向加速度信号并作为一组原始信号，而得到A组原始信号，每组原始信号中不同转速下的采样时间为T/m，每组原始信号被分割成B份，每份的时间间隔t等于T/B，并对每份添加故障类型标签，使每组原始信号形成由3×B个带故障标签时间序列数据构成的原始信号数据集；
从每个原始信号数据集中随机抽出3×B×a％个数据，共计得到A×3×B×a％个数据作为训练数据，其余的A×3×B×(1-a％)个数据作为验证数据。
步骤3、创建和配置深度学习网络
深度学习网络依次由八层组成(如图2所示)，第一层为序列输入层，用于将振动传感器的三个特征(x，y，z三轴方向加速度信号)输入到网络中；第二层为一个LSTM网络层，用于辨识不同类型的浅层次特征；第三层为一个丢弃层，用于提高第二层网络的泛化性，防止过拟合；第四层为一个BiLSTM网络层，用于辨识不同故障类型的深层次特征；第五层为一个丢弃层，用于提高第四层网络的泛化性，防止过拟合；第六至第八层为一个全连接层、一个softmax函数层和一个分类层，用于将网络输出定义为A种待辨识故障类型；配置深度学习网络参数。
步骤4、训练网络
指定网络的训练参数，并将步骤2的训练数据导入网络中进行训练，并达到所需准确率。
步骤5、验证网络准确率
将验证数据导入步骤4的经过训练后的深度学习网络，并得到辨识结果的总体准确率；若准确率未达到要求，则返回步骤3、步骤4，修改步骤3中的网络参数、步骤4中的训练参数，直至辨识准确率满足要求。若准确率达到要求，则停止训练，导出网络模型，调整后的网络模型即可实现对电机轴承故障的辨识，以及根据故障的次数计算轴承剩余寿命。
本发明通过原始数据的采集、处理，深度学习网络的创建、训练和验证，给出了一种基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，该方法所构建的障辨识模型可实现对电机轴承故障的辨识。本发明具有如下有益效果：
(1)相比于目前的人工方法和信号处理方法对电机轴承故障的辨识，本发明技术方案可以大大提高故障辨识及剩余寿命的的准确性，降低因误报或漏报导致的停机或维护成本。
(2)本发明技术方案对不同电机转速的泛化性较强，一般在速度区间采集部分速度点下的数据，则可以实现整个速度区间任意转速下的故障辨识及剩余寿命的。
(3)本发明技术方案的通用性较强，若需要新增待辨识的故障类型，只需新增相应的故障类型振动数据，然后依照本发明技术方案的步骤就可以实现故障类型的拓展。
(4)风电机组工作的自然环境大多比较恶劣，且多位于比较偏远的地区，可将本发明技术方案部署至地面大数据服务器或云服务器，通过远程实时采集电机轴承的原始振动数据，及时并准确地实现无人值守的电机轴承故障辨识及剩余寿命的，因此将大大降低人力成本。另外辨识***可以及时指导电机调整运行控制，及时进行维护和维修，防止轴承故障对其他部件造成进一步的破坏。
附图说明
图1为本发明所述方法的步骤示意图；
图2为本发明深度学习网络的架构示意图。
具体实施方式
基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，是由如下步骤实现的：
步骤1、预置轴承故障类型及数量
故障类型一：传动端轴承状态为内外圈电蚀，非传动端轴承状态为正常；
故障类型二：传动端轴承状态为正常，非传动端轴承状态为内外圈电蚀；
故障类型三：传动端轴承状态为正常，非传动端轴承状态为正常；
故障类型四：传动端轴承状态为内外圈剥离，非传动端轴承状态为正常；
故障类型五：传动端轴承状态为正常，非传动端轴承状态为内外圈剥离；
故障类型六：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；
故障类型七：传动端轴承状态为正常，非传动端轴承状态为外圈剥离；
故障类型八：传动端轴承状态为内圈剥离，非传动端轴承状态为正常；
故障类型九：传动端轴承状态为正常，非传动端轴承状态为内圈剥离；
步骤2、原始信号采集与预处理
电机安装在试验台上，将转子短接，发电机空载运行；利用三轴加速度传感器采集传动端轴承的X、Y、Z三轴方向加速度信号，每个轴承故障类型下分别采集转速1000rpm、1370rpm、1750rpm、1870rpm、2000rpm下的5分钟内的连续的X、Y、Z三轴方向加速度信号并作为一组原始信号，而得到九组原始信号，每组原始信号中不同转速下的采样时间为1分钟，每组原始信号被分割成150份，每份的时间间隔t等于2秒，并对每份添加故障类型标签，使每组原始信号形成由3×150个带故障标签时间序列数据构成的原始信号数据集；
从每个原始信号数据集中随机抽出3×120(3×150×80％)个数据，共计得到3×1080(9×3×150×80％)个数据作为训练数据，其余的3×270(9×3×150×20％)个数据作为验证数据(具体实施时，三轴加速度传感器的信号采样频率为20KHz，这样，每个带故障标签时间序列数据包含40000(20KHz×2秒)个采样点，即每个带故障标签时间序列数据有3×40000个采样值)。
步骤3、创建和配置深度学习网络
深度学习网络依次由八层组成(如图2所示)，第一层为序列输入层；第二层为一个LSTM网络层，且该LSTM网络层的隐含单元个数为20个；第三层为一个丢弃率为20％的丢弃层I；第四层为一个BiLSTM网络层，且该BiLSTM网络层的隐含单元个数为1000个；第五层为一个丢弃率为20％的丢弃层II；第六～八层为一个全连接层、一个softmax函数层和一个分类层，用于将网络的输出定义为九种待辨识故障类型。
步骤4、训练网络
指定网络的训练参数：指定网络的求解器为自适应矩估计求解器(Adam)；设置最大训练迭代数为1000；指定最小批训练大小为64；设置初始学习率为0.001；指定训练处理器硬件为图形处理器(GPU)；将步骤2的训练数据导入网络中进行训练，并达到准确率99％以上。随着网络训练的进行，网络的准确率(Accuracy)不断提高，网络的损失函数(Loss)不断降低，表明深度学习网络的辨识能力越来越强。
步骤5、验证网络准确率
将验证数据导入步骤4的经过训练后的深度学习网络，并得到辨识结果的总体准确率为99％以上。
最后说明的是，上述实例仅为本发明的优选实施例，并不对本发明起到任何限制作用。尽管参照优选实施例对本发明进行了详细说明，任何所属技术领域的技术人员应当理解，对本发明的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，其均应涵盖在本发明的权利要求范围中。

Claims (3)

1.一种基于深度学习的电机轴承剩余寿命的模型的构建方法，其特征在于，是由如下步骤实现的：
步骤1、预置轴承故障类型及数量
预置的轴承故障数量为A；
步骤2、原始信号采集与预处理
电机安装在试验台上，将转子短接，发电机空载运行；利用三轴加速度传感器采集传动端轴承的X、Y、Z三轴方向加速度信号，每个轴承故障类型下分别采集转速n1、n2、n3下的T时间范围内的连续的X、Y、Z三轴方向加速度信号并作为一组原始信号，而得到A组原始信号，每组原始信号中不同转速下的采样时间为T/m，每组原始信号被分割成B份，每份的时间间隔t等于T/B，并对每份添加故障类型标签，使每组原始信号形成由3×B个带故障标签时间序列数据构成的原始信号数据集；
从每个原始信号数据集中随机抽出3×B×a％个数据，共计得到A×3×B×a％个数据作为训练数据，其余的A×3×B×(1-a％)个数据作为验证数据；
步骤3、创建和配置深度学习网络
深度学习网络依次由八层组成，第一层为序列输入层；第二层为一个LSTM网络层；第三层为一个丢弃层I；第四层为一个BiLSTM网络层；第五层为一个丢弃层；第六至第八层为一个全连接层、一个softmax函数层和一个分类层；配置深度学习网络参数；
步骤4、训练网络
指定网络的训练参数，并将步骤2的训练数据导入网络中进行训练，并达到所需准确率；
步骤5、验证网络准确率
将验证数据导入步骤4的经过训练后的深度学习网络，并得到辨识结果的总体准确率；若准确率未达到要求，则返回步骤3、步骤4，修改步骤3中的网络参数、步骤4中的训练参数，直至辨识准确率满足要求；
步骤6、根据故障的次数计算轴承剩余寿命。
2.根据权利要求1所述的基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，其特征在于，是由如下步骤实现的：
故障类型一：传动端轴承状态为内外圈电蚀，非传动端轴承状态为正常；
故障类型二：传动端轴承状态为正常，非传动端轴承状态为内外圈电蚀；
故障类型三：传动端轴承状态为正常，非传动端轴承状态为正常；
故障类型四：传动端轴承状态为内外圈剥离，非传动端轴承状态为正常；
故障类型五：传动端轴承状态为正常，非传动端轴承状态为内外圈剥离；
故障类型六：传动端轴承状态为外圈剥离，非传动端轴承状态为正常；
故障类型七：传动端轴承状态为正常，非传动端轴承状态为外圈剥离；
故障类型八：传动端轴承状态为内圈剥离，非传动端轴承状态为正常；
故障类型九：传动端轴承状态为正常，非传动端轴承状态为内圈剥离；
电机安装在试验台上，将转子短接，发电机空载运行；利用三轴加速度传感器采集传动端轴承的X、Y、Z三轴方向加速度信号，每个轴承故障类型下分别采集转速1000rpm、1370rpm、1750rpm、1870rpm、2000rpm下的5分钟内的连续的X、Y、Z三轴方向加速度信号并作为一组原始信号，而得到九组原始信号，每组原始信号中不同转速下的采样时间为1分钟，每组原始信号被分割成150份，每份的时间间隔t等于2秒，并对每份添加故障类型标签，使每组原始信号形成由3×150个带故障标签时间序列数据构成的原始信号数据集；
从每个原始信号数据集中随机抽出3×120个数据，共计得到3×1080个数据作为训练数据，其余的3×270个数据作为验证数据；
深度学习网络依次由八层组成，第一层为序列输入层；第二层为一个LSTM网络层，且该LSTM网络层的隐含单元个数为20个；第三层为一个丢弃率为20％的丢弃层I；第四层为一个BiLSTM网络层，且该BiLSTM网络层的隐含单元个数为1000个；第五层为一个丢弃率为20％的丢弃层；第六至第八层为一个全连接层、一个softmax函数层和一个分类层，用于将网络的输出定义为九种待辨识故障类型；
指定网络的训练参数：指定网络的求解器为自适应矩估计求解器；设置最大训练迭代数为1000；指定最小批训练大小为64；设置初始学习率为0.001；指定训练处理器硬件为图形处理器；将步骤2的训练数据导入网络中进行训练，并达到准确率99％以上；
将验证数据导入步骤4的经过训练后的深度学习网络，并得到辨识结果的总体准确率为99％以上。
3.根据权利要求2所述的基于深度学习的电机轴承故障辨识及剩余寿命的模型的构建方法，其特征在于，三轴加速度传感器的信号采样频率为20KHz，这样，每个带故障标签时间序列数据包含40000个采样点，即每个带故障标签时间序列数据有3×40000个采样值。
CN202110317243.8A 2021-03-20 2021-03-20 一种基于深度学习的电机轴承剩余寿命的模型的构建方法 Pending CN113094978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110317243.8A CN113094978A (zh) 2021-03-20 2021-03-20 一种基于深度学习的电机轴承剩余寿命的模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110317243.8A CN113094978A (zh) 2021-03-20 2021-03-20 一种基于深度学习的电机轴承剩余寿命的模型的构建方法

Publications (1)

Publication Number Publication Date
CN113094978A true CN113094978A (zh) 2021-07-09

Family

ID=76669948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110317243.8A Pending CN113094978A (zh) 2021-03-20 2021-03-20 一种基于深度学习的电机轴承剩余寿命的模型的构建方法

Country Status (1)

Country Link
CN (1) CN113094978A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642248A (zh) * 2021-08-30 2021-11-12 平安国际融资租赁有限公司 定位设备剩余使用时间的评估方法及装置
CN114218872A (zh) * 2021-12-28 2022-03-22 浙江大学 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642248A (zh) * 2021-08-30 2021-11-12 平安国际融资租赁有限公司 定位设备剩余使用时间的评估方法及装置
CN113642248B (zh) * 2021-08-30 2023-11-07 平安国际融资租赁有限公司 定位设备剩余使用时间的评估方法及装置
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法
CN114218872A (zh) * 2021-12-28 2022-03-22 浙江大学 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法

Similar Documents

Publication Publication Date Title
CN111597996B (zh) 基于深度学习的风力发电机轴承故障辨识模型的构建方法
CN113094978A (zh) 一种基于深度学习的电机轴承剩余寿命的模型的构建方法
Lei et al. Fault diagnosis of wind turbine based on Long Short-term memory networks
Saufi et al. Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review
Liao et al. Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro
CN111538947B (zh) 风力发电机轴承故障分类模型的构建方法
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现***和方法
CN112149316A (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN113076834B (zh) 旋转机械故障信息处理方法、处理***、处理终端、介质
Lin et al. Gear fault diagnosis based on CS-improved variational mode decomposition and probabilistic neural network
CN111581888B (zh) 风力发电机轴承剩余使用寿命预测模型的构建方法
Gai et al. A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox
CN112508242A (zh) 一种风力发电机轴承故障定位及分类模型的构建方法
CN116502072B (zh) 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法
Chen et al. Deep residual network for identifying bearing fault location and fault severity concurrently
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***
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN115993248A (zh) 基于脉冲神经网络的轴承故障检测方法、***、设备和存储介质
Chen et al. Research on fault diagnosis method of rotating machinery based on deep learning
CN114459760B (zh) 一种强噪声环境下的滚动轴承故障诊断方法及***
CN111539381B (zh) 风力发电机轴承故障分类诊断模型的构建方法
CN112816200B (zh) 一种基于深度学习的旋转机械轴心轨迹识别方法
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
CN112163474A (zh) 一种基于模型融合的齿轮箱智能诊断方法
CN114330413A (zh) 牵引电机轴承的故障类型辨识及定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication