CN113657156A - 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 - Google Patents
一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 Download PDFInfo
- Publication number
- CN113657156A CN113657156A CN202110789322.9A CN202110789322A CN113657156A CN 113657156 A CN113657156 A CN 113657156A CN 202110789322 A CN202110789322 A CN 202110789322A CN 113657156 A CN113657156 A CN 113657156A
- Authority
- CN
- China
- Prior art keywords
- layer
- roll
- printing unit
- signal
- coupling signal
- 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
- 238000007639 printing Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 230000008878 coupling Effects 0.000 claims abstract description 39
- 238000010168 coupling process Methods 0.000 claims abstract description 39
- 238000005859 coupling reaction Methods 0.000 claims abstract description 39
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 3
- 239000000758 substrate Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007646 gravure printing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007650 screen-printing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F2218/08—Feature extraction
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
Abstract
本发明公开了一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，包括：基于离压振动信号与合压耦合信号的差值建立耦合数学模型，在R2R单元的振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号，对印刷要素耦合信号进行提纯，并合成为双轴心轨迹线；通过稀疏感知器对双轴心轨迹线图像的关联信息进行多层融合，提取多层抽象化特征；以多层抽象化特征作为输入，基于卷积神经网络构建软故障识别网络，并输出印刷单元的软故障。使得隐藏层神经元在多数情况下被抑制从而实现逐层抽象化过程，避免了因丢失图像信息从而提取信息特征不足的现象，能降低数据维度，提高计算效率，进而提高软故障识别准确性。
Description
技术领域
本发明属于印刷设备故障检测方法技术领域，涉及一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法。
背景技术
卷对卷(Roll to Roll，R2R)印刷单元是柔性印刷电子设备的核心结构，是一种由压印滚筒与印版滚筒构成的双转子***。R2R印刷单元具有速度高、稳定性好等优势，可满足印刷电子中高于传统印刷精度近10倍的要求，达到0.01毫米级别。在生产过程中，预印刷图案被制作于印版滚筒上，压印滚筒负责对印版滚筒施加压力从而完成油墨转移，将油墨以预定图案固定到承印物基材上形成相应电子产品，导电油墨、电子基材等物料在R2R压力作用下实现相互转移，最终获得柔性印刷电子产品。根据印刷工艺不同可将R2R分为凹印、柔印、网印等类别，
R2R印刷包含压力控制、物料供给、滚筒配合等多种因素，一旦压力、速度、物料供应量等因素调节配合不当，则会使基材出现偏移、褶皱、张力不均、套印不准等现象，引发柔性电子器件的多层异质结构发生断裂、裂纹、剥离等，最终引起产品失效、精度下降、质量波动等问题，印刷行业通常将上述由R2R类设备调节配合不当所引发的生产失效现象称为软故障，它的存在严重限制了柔性印刷电子技术在稳定性方面的提升与发展。已有故障诊断技术虽然可以解决R2R零部件机械故障诊断问题，但是未考虑到压力、速度、物料供应量等调节配合不当问题，诊断软故障需要对R2R中印刷要素间的配合状态进行分析，当前该领域研究存在一定空白。
R2R柔性印刷电子单元其本质可视为一种耦合了油墨、压力、基材等因素的特殊双转子机械***，对其研究应当充分借鉴已有转子研究成果。在各类转子故障诊断方法中，轴心轨迹是一类效果较好且可靠性高的常用信息源，在发电机、破碎机、轧钢机等转子设备中得到广泛应用；但对于R2R印刷单元而言，仅依靠单一轨迹信息显然无法体现出双转子的配合关系，进而无法准备识别软故障。
发明内容
本发明的目的是提供一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，解决了现有技术中存在的软故障识别准确性差的问题。
本发明所采用的技术方案是，一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，包括以下步骤：
步骤1、基于离压振动信号与合压耦合信号的差值建立耦合数学模型，在R2R单元的振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号，对印刷要素耦合信号进行提纯，并合成为双轴心轨迹线；
步骤2、对双轴心轨迹线图像进行抽象化，提取多层抽象化特征；
步骤3、以多层抽象化特征作为输入，基于卷积神经网络构建软故障识别网络，并输出印刷单元的软故障。
本发明的特点还在于：
步骤1具体包括以下步骤：
步骤1.1、获取理想状态下R2R单元的离压振动信号、合压耦合信号；
步骤1.2、采用数值方法与傅里叶算法计算离压振动信号与合压耦合信号在不同尺度上的差异并建立对应信号的一维耦合数学模型；
步骤1.3、对正常工况下的R2R单元进行振动信号测试，得到R2R单元的振动信号；
步骤1.4、在振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号；
步骤1.5、采用自适应滤波算法对印刷要素耦合信号进行多角度提纯，将提纯信号按照相应关系合成为双轴心轨迹线。
步骤2具体包括以下步骤：
步骤2.1、将双轴心轨迹线按照抽象化过程分解为“输入-线条”、“线条-局部”、“局部-全局”三层数据规模结构；
步骤2.2、设计自动感知器稀疏准则；
步骤2.3、根据自动感知器稀疏准则分别构建三组稀疏化自动感知器，根据数据规模结构约束自动感知器，对双轴心轨迹线进行逐层抽象化；
步骤2.4、利用误差反向传播函数对各层抽象化特征进行权值计算，依据各层权值获取编码规则，将每层的解码结果视为多层抽象化特征。
自动感知器稀疏准则为：输入层是双轴心轨迹图像规格，线条信息是去除图像低频成分后的边缘数据，局部信息是边缘数据粗粒化提纯处理化后的直线段，全局特征是直线段构成的粗粒化整体。
步骤3具体包括以下步骤：
步骤3.1、以卷积神经网络作为网络模型，确定初始卷积层和子采样层数目，初始卷积层的子采样层数目为三层，分别对应线条、局部、全局三个特征；
步骤3.2、依据向前传播方式将多层抽象化特征进行逐层输入，并计算每层期望输出与实际输出的差值，以差异为依据进行反向传播误差计算，调整每组池化层的权值；
步骤3.3、对权值较小节点的感知器链接一组约束滤波器进行补偿运算，在其余核心节点权值不变的前提下局部反向训练，最终输出印刷单元的软故障。
在步骤3.3之前，若线条、局部、全局三个层面的权值过大，则返回步骤2.2重新调节稀疏规则，直至权值满足要求。
本发明的有益效果是：
本发明一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，构建三层自动约束性感知器，自适应数据规模结构来约束感知器，使得隐藏层神经元在多数情况下被抑制从而实现逐层抽象化过程，避免了因丢失图像信息从而提取信息特征不足的现象。软故障识别网络，用已经构建好的稀疏感知器替代加权平均池化方法，降低数据维度，提高计算效率，进而提高软故障识别准确性；实现多层稀疏感知器与各卷积层的融合，对故障诊断决策具有明确的评价机制和优化方法。基于约束性感知器诱导的深度学习网络，使其具备自动优化参数能力，避免人工确定参数的盲目性和主观性；继承轴心轨迹在单转子诊断中的优势进而获取双转子配合关系，对软故障诊断及其发生机理研究提供了理论支撑，提高R2R印刷电子速度、精度、稳定性。
附图说明
图1是本发明一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法的流程图；
图2是本发明一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法中双轴心轨迹线的构建流程图；
图3是本发明一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法中在双轴心轨迹线图像提取多层抽象化特征的流程图；
图4是本发明一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法中双轴心轨迹约束性感知机深度学习网络架构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，如图1所示，具体包括以下步骤：
步骤1、基于离压振动信号与合压耦合信号的差值建立耦合数学模型，在R2R单元的振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号，对印刷要素耦合信号进行提纯，并合成为双轴心轨迹线。如图2所示，具体包括以下步骤：
步骤1.1、获取理想状态下R2R单元的不含油墨、压力、基材等因素的离压振动信号、包含油墨、压力、基材等因素的合压耦合信号；
步骤1.2、采用数值方法与傅里叶算法计算离压振动信号与合压耦合信号在能量域、时频域、数学分布等不同尺度上的差异并建立对应信号的一维耦合数学模型；
步骤1.3、对正常工况下的R2R单元进行8路振动信号测试，得到R2R单元的振动信号，并通过加权平均以减小误差，形成完善的16路双轴心轨迹测试平台；
步骤1.4、在振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号；
步骤1.5、采用自适应滤波算法对印刷要素耦合信号进行时域、频域、能量等多角度提纯，将提纯信号按照相应关系合成为双轴心轨迹线。
步骤2、对双轴心轨迹线图像进行抽象化，提取多层抽象化特征；如图3所示，具体包括以下步骤：
步骤2.1、为模拟人脑学习中“线条-局部-全局”这一图像抽象化过程，将双轴心轨迹线按照抽象化过程分解为“输入-线条”、“线条-局部”、“局部-全局”三层数据规模结构；
步骤2.2、设计自动感知器稀疏准则；
具体的，自动感知器稀疏准则为：输入层是双轴心轨迹图像规格，线条信息是去除图像低频成分后的边缘数据，局部信息是边缘数据粗粒化提纯处理化后的直线段，全局特征是直线段构成的粗粒化整体。
步骤2.3、根据自动感知器稀疏准则分别构建三组稀疏化自动感知器，根据数据规模结构约束自动感知器，抑制感知器中隐藏层神经元的扩散，对双轴心轨迹线进行逐层抽象化；
步骤2.4、利用误差反向传播函数对各层抽象化特征进行权值计算，依据各层权值获取编码规则，将每层的解码结果视为多层抽象化特征。
步骤3、以多层抽象化特征作为输入，基于卷积神经网络构建软故障识别网络，并输出印刷单元的软故障；如图4所示，具体包括以下步骤：
步骤3.1、以卷积神经网络作为网络模型，确定初始卷积层和子采样层数目，初始卷积层的子采样层数目为三层，分别对应线条、局部、全局三个特征，见图4；其中，卷积层主要对抽象化特征数据的隐藏信息进行挖掘，池化层是利用稀疏感知诱导作用对数据进行降维处理，提高设备计算效率；
步骤3.2、依据向前传播方式将多层抽象化特征进行逐层输入，并计算每层期望输出与实际输出的差值，以差异为依据进行反向传播误差计算，调整每组池化层的权值；
步骤3.3、观测线条、局部、全局三个层面的权值分布，然后对权值较小节点的感知器链接一组约束滤波器进行补偿运算，在其余核心节点权值不变的前提下局部反向训练，最终输出印刷单元的软故障。
约束滤波器为防止过渡诱导提供了保障，在步骤3.3之前，若线条、局部、全局三个层面的权值过大，则返回步骤2.2重新调节稀疏规则，直至权值满足要求，能保证图像信息层次抽象化的有效性。
通过以上方式，本发明一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，构建三层自动约束性感知器，自适应数据规模结构来约束感知器，使得隐藏层神经元在多数情况下被抑制从而实现逐层抽象化过程，避免了因丢失图像信息从而提取信息特征不足的现象。软故障识别网络，用已经构建好的稀疏感知器替代加权平均池化方法，降低数据维度，提高计算效率；实现多层稀疏感知器与各卷积层的融合，对故障诊断决策具有明确的评价机制和优化方法。基于约束性感知器诱导的深度学习网络，使其具备自动优化参数能力，避免人工确定参数的盲目性和主观性；继承轴心轨迹在单转子诊断中的优势进而获取双转子配合关系，对软故障诊断及其发生机理研究提供了理论支撑，提高R2R印刷电子速度、精度、稳定性。
Claims (6)
1.一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，其特征在于，包括以下步骤：
步骤1、基于离压振动信号与合压耦合信号的差值建立耦合数学模型，在R2R单元的振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号，对所述印刷要素耦合信号进行提纯，并合成为双轴心轨迹线；
步骤2、对所述双轴心轨迹线图像进行抽象化，提取多层抽象化特征；
步骤3、以多层抽象化特征作为输入，基于卷积神经网络构建软故障识别网络，并输出印刷单元的软故障。
2.根据权利要求1所述的一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，其特征在于，步骤1具体包括以下步骤：
步骤1.1、获取理想状态下R2R单元的离压振动信号、合压耦合信号；
步骤1.2、采用数值方法与傅里叶算法计算离压振动信号与合压耦合信号在不同尺度上的差异并建立对应信号的一维耦合数学模型；
步骤1.3、对正常工况下的R2R单元进行振动信号测试，得到R2R单元的振动信号；
步骤1.4、在所述振动信号中剥离出由耦合信号数学模型所获取的印刷要素耦合信号；
步骤1.5、采用自适应滤波算法对所述印刷要素耦合信号进行多角度提纯，将提纯信号按照相应关系合成为双轴心轨迹线。
3.根据权利要求1所述的一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，其特征在于，步骤2具体包括以下步骤：
步骤2.1、将所述双轴心轨迹线按照抽象化过程分解为“输入-线条”、“线条-局部”、“局部-全局”三层数据规模结构；
步骤2.2、设计自动感知器稀疏准则；
步骤2.3、根据所述自动感知器稀疏准则分别构建三组稀疏化自动感知器，根据所述数据规模结构约束自动感知器，对双轴心轨迹线进行逐层抽象化；
步骤2.4、利用误差反向传播函数对各层抽象化特征进行权值计算，依据各层权值获取编码规则，将每层的解码结果视为多层抽象化特征。
4.根据权利要求3所述的一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，其特征在于，所述自动感知器稀疏准则为：输入层是双轴心轨迹图像规格，线条信息是去除图像低频成分后的边缘数据，局部信息是边缘数据粗粒化提纯处理化后的直线段，全局特征是直线段构成的粗粒化整体。
5.根据权利要求1所述的一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，其特征在于，步骤3具体包括以下步骤：
步骤3.1、以卷积神经网络作为网络模型，确定初始卷积层和子采样层数目，所述初始卷积层的子采样层数目为三层，分别对应线条、局部、全局三个特征；
步骤3.2、依据向前传播方式将所述多层抽象化特征进行逐层输入，并计算每层期望输出与实际输出的差值，以差异为依据进行反向传播误差计算，调整每组池化层的权值；
步骤3.3、对权值较小节点的感知器链接一组约束滤波器进行补偿运算，在其余核心节点权值不变的前提下局部反向训练，最终输出印刷单元的软故障。
6.根据权利要求5所述的一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法，其特征在于，在步骤3.3之前，若所述线条、局部、全局三个层面的权值过大，则返回步骤2.2重新调节稀疏规则，直至权值满足要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110789322.9A CN113657156B (zh) | 2021-07-13 | 2021-07-13 | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110789322.9A CN113657156B (zh) | 2021-07-13 | 2021-07-13 | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657156A true CN113657156A (zh) | 2021-11-16 |
| CN113657156B CN113657156B (zh) | 2024-03-08 |
Family
ID=78489358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110789322.9A Active CN113657156B (zh) | 2021-07-13 | 2021-07-13 | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657156B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118180161A (zh) * | 2024-05-17 | 2024-06-14 | 太原理工大学 | 板带轧机辊系多维耦合振动识别模型的构建方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107526853A (zh) * | 2016-06-22 | 2017-12-29 | 北京航空航天大学 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
| WO2020015277A1 (zh) * | 2018-07-20 | 2020-01-23 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
| CN112686181A (zh) * | 2021-01-04 | 2021-04-20 | 西安理工大学 | 一种基于插值轴心轨迹的水轮机故障诊断方法 |
| CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
-
2021
- 2021-07-13 CN CN202110789322.9A patent/CN113657156B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107526853A (zh) * | 2016-06-22 | 2017-12-29 | 北京航空航天大学 | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 |
| WO2020015277A1 (zh) * | 2018-07-20 | 2020-01-23 | 国电南瑞科技股份有限公司 | 一种基于全景信息的弧光故障识别装置及方法 |
| CN112686181A (zh) * | 2021-01-04 | 2021-04-20 | 西安理工大学 | 一种基于插值轴心轨迹的水轮机故障诊断方法 |
| CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 崔立;张洪生;: "基于轴心轨迹自动辨识的高速主主轴***故障诊断研究", 上海第二工业大学学报, no. 02 * |
| 王雅琳;余文宁;桂卫华;阳春华;: "基于分形和FNN的水轮机组振动故障在线诊断", 计算机应用研究, no. 12 * |
| 石怀涛;乔思康;丁健华;王子男;白晓天;: "基于改进卷积神经网络CNND的电主轴轴承故障诊断方法", 沈阳建筑大学学报(自然科学版), no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118180161A (zh) * | 2024-05-17 | 2024-06-14 | 太原理工大学 | 板带轧机辊系多维耦合振动识别模型的构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657156B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data | |
| CN110766143A (zh) | 基于人工神经网络的设备故障智能诊断方法 | |
| CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与*** | |
| CN110007652A (zh) | 一种水电机组劣化趋势区间预测方法与*** | |
| CN111833352B (zh) | 一种基于八度卷积改进U-net网络的图像分割方法 | |
| CN107273925A (zh) | 一种基于局部感受野和半监督深度自编码的肺结节诊断方法 | |
| CN109033632B (zh) | 一种基于深度量子神经网络的趋势预测方法 | |
| CN108564563A (zh) | 一种基于Faster R-CNN的轮胎X光病疵检测方法 | |
| CN113657156A (zh) | 一种基于双轴心轨迹的卷对卷印刷单元故障诊断方法 | |
| CN110289081A (zh) | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 | |
| CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
| CN111190429B (zh) | 一种基于强化学习的无人机主动容错控制方法 | |
| CN110349120A (zh) | 太阳能电池片表面缺陷检测方法 | |
| CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
| CN106845641A (zh) | 基于经验模态分解和bp神经网络的地铁沉降预测方法 | |
| CN111445010A (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
| Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
| CN115600669A (zh) | 基于局部分类器的高效深层脉冲神经网络学习方法 | |
| CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
| CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
| Yan et al. | Identification of flow regimes using back-propagation networks trained on simulated data based on a capacitance tomography sensor | |
| CN116628623A (zh) | 基于smt质量大数据的高维特征重构与融合方法 | |
| CN110674893A (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
| CN115470818A (zh) | 基于变分模态分解的高阶调制信号样式识别方法及*** | |
| CN113778811A (zh) | 基于深度卷积迁移学习软件***故障监测方法及*** |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240110 Address after: Unit d1p1, ground floor, No.3, Zhihui Road, Chancheng District, Foshan City, Guangdong Province Applicant after: Foshan fulituo Digital Printing Co.,Ltd. Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Wanzhida Technology Co.,Ltd. Effective date of registration: 20240110 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Wanzhida Technology Co.,Ltd. Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5 Applicant before: XI'AN University OF TECHNOLOGY |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |