CN113869339A - 用于故障诊断的深度学习分类模型及故障诊断方法 - Google Patents
用于故障诊断的深度学习分类模型及故障诊断方法 Download PDFInfo
- Publication number
- CN113869339A CN113869339A CN202110542679.7A CN202110542679A CN113869339A CN 113869339 A CN113869339 A CN 113869339A CN 202110542679 A CN202110542679 A CN 202110542679A CN 113869339 A CN113869339 A CN 113869339A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample data
- data set
- dimensional feature
- information
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了用于深度学习故障诊断分类模型,深度学习故障分类模型的训练过程包括:数据收集、特征提取和故障诊断分类;数据收集是采集设备多种故障类型的样本数据集;特征提取包含获取一维特征、二维特征和三维特征;获取设备故障发生的原因。通过深度学习分类器获取设备故障分类的结果。设备故障诊断分类结果,关联设备的运行参数信息,根据振动加速度传感器采集设置的采样点数和采样频率,数据采集的数据,去训练算法模型。同时,本发明还提供了故障诊断方法。通过多维度振动信号特征提取,可以深入挖掘振动信号的特征值,让故障诊断数据进行训练之前可以充分提取到特征和故障标签的关系,提升故障分类和识别的准确率。
Description
技术领域
本发明为设备检测领域,应用于设备检测过程中。本发明具体涉及用于故障诊断的深度学习分类模型及故障诊断方法。
背景技术
随着计算机的发展,从硬件的性能处理到软件算法的逐渐成熟,现在深度学***均准确度可以达到92.24%,已经可以被使用在工业中。然而只是对于轴承类故障分类研究居多,但对于现场工业设备故障诊断分类与故障识别不足,由于设备的机械结构不同,对应的部件不同,其运行过程中产生的故障原因不同。需要对设备运行过程中提供智能诊断决策,判断设备此时的运行状态,或预知设备即将劣化的趋势。智能设备诊断可以判断出设备发生的故障部位和原因,从而指引现场设备进行维护。
设备故障诊断分类与识别中,主要是特征提取和分类器模型的构建,一般基于深度学习算法和机器学习算法模型直接故障类数据集直接输入到神经网络模型进行进行特征提取和分类,模型迁移过来有一定的局限性,模型训练不能很好的收敛,并在训练过程中会存在拟合问题,所以需要对故障数据集进行充分的特征提取,才能保证模型性能逐步提高,所以提取了一直多维特征故障诊断特征提取的方法,通过了解数据集的特性,对数据集做预处理,利用机器学习、深度学习和传统的信号处理方式对数据特征做处理,将提取的多维度特征在进行训练,可以极大地提高模型分类性能。
发明内容
本发明的目的是提供用于故障诊断的深度学习分类模型,其通过建立深度学习分类模型检测各类轴件设备的运行故障,提高检测精度,降低维护成本。
本发明另一方面提了故障诊断方法,其方法通过用于故障诊断的深度学习分类模型实现,可对多种轴类运行故障检测,提高检测精度,降低维护及监控成本。
本发明一方面,提供了用于故障诊断的深度学习分类模型,深度学习分类模型通过下述训练方法获得,训练方法包括:
步骤S101,采集设备多种故障类型的样本数据集及与之对应的故障信息;故障信息中包括设备的运行参数信息;样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
步骤S102,根据样本数据集的幅值信息获取样本数据集的一维特征;根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征;根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征;
步骤S103,通过深度学习分类器训练一维特征、二维特征和三维特征,获取故障诊断分类结果;故障诊断分类结果关联设备的运行参数信息;根据故障诊断分类结果获取深度学习分类模型的输出结果。
在本发明用于故障诊断的深度学习分类模型的一种实施方式中,步骤S101中的采集设备多种故障类型的样本数据集的步骤中包括:
步骤S1011,将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处;轴件通过轴承类连接件与刚性支撑件的连接;
步骤S1012,运行具有故障类型的故障设备,采集加速度传感器的输出图谱,采样点数设置为262144和采样频率设置为102.4KHz;将故障类型和谱图信息对应,记录故障设备的功率、转速和轴承型号;
步骤S102中还包括:
归一化处理样本数据集,获取设定特征维度的样本数据集。
在本发明用于故障诊断的深度学习分类模型的另一种实施方式中,步骤S102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括:
通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征;根据故障幅值特征作为样本数据集的一维特征;
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括:
将样本数据集中的时间信息对应为时域信号;通过傅里叶变换将时域信号转换成频域信号;
通过LSTM长短期记忆网络训练时域信号和频域信号,提取时间特征与故障幅值特征或,提取故障频率特征和速度值特征;根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征;
步骤S102中根据样本数据集中的时间信息、幅值信息和能量;获取样本数据集的三维特征的步骤包括:
通过MFCC梅尔倒谱系数方法处理的时间信息和幅值信息,提取时间特征、故障频率特征和故障能量特征信息;根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
在本发明用于故障诊断的深度学习分类模型的另一种实施方式中,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;故障信息中包括设备的运行参数信息;样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征;
一个二维特征提取模块,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征;
一个三维特征提取模块,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征;
其中,一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集;
一个分类器,其数据输入端连接一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输出端,分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征,获取故障诊断分类结果;故障诊断分类结果关联设备的运行参数信息;
一个故障分类结果模块,其配置为从分类器的数据输出端接收故障诊断分类结果;故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
在本发明用于故障诊断的深度学习分类模型的另一种实施方式中,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;故障信息中包括设备的运行参数信息;样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征;
一个二维特征提取模块,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征;
一个三维特征提取模块,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征;
其中,一维特征提取模块、二维特征提取模块和三维特征提取模块依次串联;一维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集;一维特征提取模块的数据输出端连接二维特征提取模块的数据输入端;二维特征提取模块的数据输入端连接一维特征提取模块的数据输出端;二维特征提取模块的数据输出端连接三维特征提取模块的数据输入端;三维特征提取模块的数据输入端连接二维特征提取模块的数据输出端;
一个分类器,其数据输入端连接三维特征提取模块的数据输出端,分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征,获取故障诊断分类结果;故障诊断分类结果关联设备的运行参数信息;
一个故障分类结果模块,其配置为从分类器的数据输出端接收故障诊断分类结果;故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
本发明的第二个方面,提供了故障诊断方法,故障诊断方法包括:
步骤S201,采集当前待检测设备运行的振动信号;
步骤S202,获取用于故障诊断的深度学习分类模型;用于故障诊断的深度学习分类模型通过下述训练方法获得,训练方法包括:
步骤S101,采集设备多种故障类型的样本数据集及与之对应的故障信息;故障信息中包括设备的运行参数信息;样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
步骤S102,根据样本数据集的幅值信息获取样本数据集的一维特征;根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征;根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征;
步骤S103,通过深度学习分类器训练一维特征、二维特征和三维特征,获取故障诊断分类结果;故障诊断分类结果关联设备的运行参数信息;根据故障诊断分类结果获取深度学习分类模型的输出结果;
步骤S203,将当前待检测设备运行振动信号输入到用于故障诊断的深度学习分类模型中获取输出结果;
步骤S204,根据输出结果获取当前待检测设备的故障信息。
在本发明故障诊断方法的一种实施方式中,步骤S101中的采集设备多种故障类型的样本数据集的步骤中包括:
步骤S1011,将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处;轴件通过轴承类连接件与刚性支撑件的连接;
步骤S1012,运行具有故障类型的故障设备,采集加速度传感器的输出图谱,采样点数设置为262144和采样频率设置为102.4KHz;将故障类型和谱图信息对应,记录故障设备的功率、转速和轴承型号;
步骤S102中还包括:
归一化处理样本数据集,获取设定特征维度的样本数据集。
在本发明故障诊断方法的另一种实施方式中,步骤S102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括:
通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征;根据故障幅值特征作为样本数据集的一维特征;
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括:
将样本数据集中的时间信息对应为时域信号;通过傅里叶变换将时域信号转换成频域信号;
通过LSTM长短期记忆网络训练时域信号和频域信号,提取时间特征与故障幅值特征或,提取故障频率特征和速度值特征;根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征;
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的三维特征的步骤包括:
通过MFCC梅尔倒谱系数方法处理的时间信息和幅值信息,提取时间特征、故障频率特征和故障能量特征信息;根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
在本发明故障诊断方法的另一种实施方式中,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;故障信息中包括设备的运行参数信息;样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征;
一个二维特征提取模块,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征;
一个三维特征提取模块,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征;
其中,一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集;
一个分类器,其数据输入端连接一维特征提取模块、二维特征提取模块和三维特征提取模块的数据输出端,分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征,获取故障诊断分类结果;故障诊断分类结果关联设备的运行参数信息;
一个故障分类结果模块,其配置为从分类器的数据输出端接收故障诊断分类结果;故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
在本发明故障诊断方法的另一种实施方式中,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;故障信息中包括设备的运行参数信息;样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征;
一个二维特征提取模块,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征;
一个三维特征提取模块,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征;
其中,一维特征提取模块、二维特征提取模块和三维特征提取模块依次串联;一维特征提取模块的数据输入端同时从设备故障数据集采集模块接收设备多种故障类型的样本数据集;一维特征提取模块的数据输出端连接二维特征提取模块的数据输入端;二维特征提取模块的数据输入端连接一维特征提取模块的数据输出端;二维特征提取模块的数据输出端连接三维特征提取模块的数据输入端;三维特征提取模块的数据输入端连接二维特征提取模块的数据输出端;
一个分类器,其数据输入端连接三维特征提取模块的数据输出端,分类器配置为通过深度学习分类器训练一维特征、二维特征和三维特征,获取故障诊断分类结果;故障诊断分类结果关联设备的运行参数信息;
一个故障分类结果模块,其配置为从分类器的数据输出端接收故障诊断分类结果;故障分类结果模块配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
下文将以明确易懂的方式,结合附图对用于故障诊断的深度学习分类模型及故障诊断方法的特性、技术特征、优点及其实现方式予以进一步说明。
附图说明
图1是用于说明在本发明一种实施方式中,用于故障诊断的深度学习分类模型训练方法的步骤示意图。
图2是用于说明在本发明一种实施方式中,采集设备多种故障类型的样本数据集的方法示意图。
图3是用于说明在本发明一种实施方式中,用于故障诊断的深度学习分类模型的组成示意图。
图4是用于说明在本发明另一种实施方式中,用于故障诊断的深度学习分类模型的组成示意图。
图5是用于说明在本发明一种实施方式中,故障诊断方法的流程示意图。
具体实施方式
为了对发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式,在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
在本文中,“示意性”表示“充当实例、例子或说明”,不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。为使图面简洁,各图中只示意性地表示出了与本示例性实施例相关的部分,它们并不代表其作为产品的实际结构及真实比例。
本发明主要技术方案:对采集到诊断数据集进行分析,在一种实施方式中用于设备故障诊断的数据集都是通过振动传感器收集,信号是时域信号,信号是随着时间轴振动的幅值一直变化。根据数据集特性,首先直接采用小波变化或其他机器学习算法模型直接对一维的波形直接进行特征采集;其次对时域信号进行傅里叶变化转换成频域信号,再对频域信号进行一维的特征频率值进行特征采集。
由于考虑到振动信号与振动信号信号有些类似,可以通过对时间维度和幅值维度两个维度进行特征提取,引入长短时记忆网络处理时域二维特征信息,通过二维信息可以对振动信号进行时间维度的特征提取,充分收集故障特征,或者对频域信号进行故障频率和速度值的二维信号进行特征提取;除了二维特征提取方式,对于时域信号可以采用MFCC特征处理,得到三维特征信息,包含时间、频率和能量,充分提取到振动数据特征,可以将数据和特征一一对应起来,随后进行深度学习训练,分类性能会大大提高。
通过融合一维、二维、三维的特征提取方式,再进行融合可以深度提取到振动数据特征,输入到深度学习网络模型中可以进行大规模数据集训练,可以提高模型的收敛速度,减少训练过程中过拟合问题的发生、网络模型参数量和模型训练时间。
本发明一方面,提供了用于故障诊断的深度学习分类模型,深度学习分类模型通过下述训练方法获得,如图1所示,训练方法包括:
步骤S101,采集设备多种故障类型的样本数据集。
本步骤中,采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
步骤S102,获取多维特征。
本步骤中,根据样本数据集的幅值信息获取样本数据集的一维特征。根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
步骤S103,获取输出结果。
本步骤中,通过深度学习分类器501训练一维特征、二维特征和三维特征,获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。根据故障诊断分类结果获取深度学习分类模型的输出结果。
在本发明用于故障诊断的深度学习分类模型的一种实施方式中,如图2所示,步骤S101中的采集设备多种故障类型的样本数据集的步骤中包括:
步骤S1011,设置加速度传感器。
本步骤中,将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处。轴件通过轴承类连接件与刚性支撑件的连接。加速传感器设置采样点数、采样频率
步骤S1012,利用加速度传感器采集振动信号。
本步骤中,运行具有故障类型的故障设备,采集加速度传感器的输出图谱,采样点数设置为262144和采样频率设置为102.4KHz。将故障类型和谱图信息对应,记录故障设备的功率、转速和轴承型号。
步骤S102中还包括:
归一化处理样本数据集,获取设定特征维度的样本数据集。
在本发明用于故障诊断的深度学习分类模型的另一种实施方式中,步骤S102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括:
通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征。根据故障幅值特征作为样本数据集的一维特征。
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括:
将样本数据集中的时间信息对应为时域信号。通过傅里叶变换将时域信号转换成频域信号。
通过LSTM长短期记忆网络训练时域信号和频域信号,提取时间特征与故障幅值特征或,提取故障频率特征和速度值特征。根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征。
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的三维特征的步骤包括:
通过MFCC梅尔倒谱系数方法处理的时间信息和幅值信息,提取时间特征、故障频率特征和故障能量特征信息。根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
在本发明用于故障诊断的深度学习分类模型的另一种实施方式中,如图3所示,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块101,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
一个一维特征提取模块201,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
一个二维特征提取模块301,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
一个三维特征提取模块401,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
其中,一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。
一个分类器501,其数据输入端连接一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输出端,分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征,获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
一个故障分类结果模块601,其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
在本发明用于故障诊断的深度学习分类模型的另一种实施方式中,如图4所示,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块101其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
一个一维特征提取模块201,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
一个二维特征提取模块301,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
一个三维特征提取模块401,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
其中,一维特征提取模块201、二维特征提取模块301和三维特征提取模块401依次串联。一维特征提取模块201的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。一维特征提取模块201的数据输出端连接二维特征提取模块301的数据输入端。二维特征提取模块301的数据输入端连接一维特征提取模块201的数据输出端。二维特征提取模块301的数据输出端连接三维特征提取模块401的数据输入端。三维特征提取模块401的数据输入端连接二维特征提取模块301的数据输出端。
一个分类器501,其数据输入端连接三维特征提取模块401的数据输出端,分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征,获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
一个故障分类结果模块601,其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
本发明的第二个方面,如图5所示,提供了故障诊断方法,故障诊断方法包括:
步骤S201,采集当前待检测设备运行振动信号。
步骤S202,获取用于故障诊断的深度学习分类模型。
本步骤中,获取用于故障诊断的深度学习分类模型。用于故障诊断的深度学习分类模型通过下述训练方法获得,训练方法包括:
步骤S101,采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
步骤S102,根据样本数据集的幅值信息获取样本数据集的一维特征。根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
步骤S103,通过深度学习分类器501训练一维特征、二维特征和三维特征,获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。根据故障诊断分类结果获取深度学习分类模型的输出结果。
步骤S203,获取深度学习分类模型的输出结果。
本步骤中,将当前待检测设备运行振动信号输入到用于故障诊断的深度学习分类模型中获取输出结果。
步骤S204,获取当前待检测设备的故障信息。
本步骤中,根据输出结果获取当前待检测设备的故障信息。
在本发明故障诊断方法的一种实施方式中,步骤S101中的采集设备多种故障类型的样本数据集的步骤中包括:
步骤S1011,将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处。轴件通过轴承类连接件与刚性支撑件的连接。
步骤S1012,运行具有故障类型的故障设备,采集加速度传感器的输出图谱,采样点数设置为262144和采样频率设置为102.4KHz。将故障类型和谱图信息对应,记录故障设备的功率、转速和轴承型号。
步骤S102中还包括:
归一化处理样本数据集,获取设定特征维度的样本数据集。
在本发明故障诊断方法的另一种实施方式中,步骤S102中根据样本数据集的幅值信息获取样本数据集的一维特征的步骤包括:
通过小波变化方法计算样本数据集的幅值信息获取故障幅值特征。根据故障幅值特征作为样本数据集的一维特征。
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征的步骤包括:
将样本数据集中的时间信息对应为时域信号。通过傅里叶变换将时域信号转换成频域信号。
通过LSTM长短期记忆网络训练时域信号和频域信号,提取时间特征与故障幅值特征或,提取故障频率特征和速度值特征。根据时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征。
步骤S102中根据样本数据集中的时间信息和幅值信息获取样本数据集的三维特征的步骤包括:
通过MFCC梅尔倒谱系数方法处理的时间信息和幅值信息,提取时间特征、故障频率特征和故障能量特征信息。根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
在本发明故障诊断方法的另一种实施方式中,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块101其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
一个一维特征提取模块201,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
一个二维特征提取模块301,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
一个三维特征提取模块401,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
其中,一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。
一个分类器501,其数据输入端连接一维特征提取模块201、二维特征提取模块301和三维特征提取模块401的数据输出端,分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征,获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
一个故障分类结果模块601,其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
在本发明故障诊断方法的另一种实施方式中,用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块101其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息。故障信息中包括设备的运行参数信息。样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据。
一个一维特征提取模块201,其配置为根据样本数据集的幅值信息获取样本数据集的一维特征。
一个二维特征提取模块301,其配置为根据样本数据集中的时间信息和幅值信息获取样本数据集的二维特征。
一个三维特征提取模块401,其配置为根据样本数据集中的的时间信息和幅值信息获取样本数据集的三维特征。
其中,一维特征提取模块201、二维特征提取模块301和三维特征提取模块401依次串联。一维特征提取模块201的数据输入端同时从设备故障数据集模块接收设备多种故障类型的样本数据集。一维特征提取模块201的数据输出端连接二维特征提取模块301的数据输入端。二维特征提取模块301的数据输入端连接一维特征提取模块201的数据输出端。二维特征提取模块301的数据输出端连接三维特征提取模块401的数据输入端。三维特征提取模块401的数据输入端连接二维特征提取模块301的数据输出端。
一个分类器501,其数据输入端连接三维特征提取模块401的数据输出端,分类器501配置为通过深度学习分类器501训练一维特征、二维特征和三维特征,获取故障诊断分类结果。故障诊断分类结果关联设备的运行参数信息。
一个故障分类结果模块601,其配置为从分类器501的数据输出端接收故障诊断分类结果。故障分类结果模块601配置为根据故障诊断分类结果获取深度学习分类模型的输出结果。
本发明的有益效果和优点在于:首先对振动数据集进行预处理,通过多维度振动信号特征提取,可以对于相似振动信号可以进行多次特征提取,减少训练过程由于相似特征带来的干扰,减小模型训练的差异。
同时单一模型的特征提取方式不能充分提取振动信号特征,而多维特征提取可以深入挖掘振动信号的特征值,让故障诊断数据进行训练之前可以充分提取到特征和故障标签的关系,输入到分类器模型更适应于深度学习算法模型,逐步提升故障分类和识别的准确率。
且通过多维度特征提取,可以对数据集进行有效的分析,结合数据集的特性去进行特征提取,可以采集到深层的故障特征信息,将多维特征提取方式进行融合,使多维度特征信息可以和故障数据集标签对应起来。
根据深度学习下的故障诊断模型的一般流程是数据集预处理、特征提取、分类模型和分类结果,解决数据集不能充分训练或者训练过程中出现梯度问题和拟合问题,由于振动数据集收集的采样点数和采样频率不同。
首先数据集进行归一化处理,保证数据集的维度一致,其次重点对特征提取进行优化,故障诊断是根据现场设备运行采集的数据,其影响因素包含现场工况、设备老化和硬件产品等相关因素影响,所以对应故障数据的特征提取显得尤为重要,对于特征提取包含一维、二维和三维的特征提取方式,对于三种提取方式可以选择不同的权重范围进行优化训练,或者再融合传统的特征提取方式进行特征提取。
主要关键点包含多维特征提取之间连接的权重,以及输入到深度学习分类器模型的特征维度;多维特征提取之间的连接方式怎样有效避免振动信号特征量的信息的丢失。
图3、4表示出两种不同权重和连接的特征提取方式进行优化训练的模型结构。
在本发明的一种实施方式中。
1)首先采集不同设备故障类型的数据集,采用加速度传感器,进行速度值的测量,采样点数设置为262144和采样频率设置为102.4KHz;采集设备运行的故障信息,将故障和谱图信息对应,记录设备的参数,如功率、转速和轴承型号等相关的设备参数;
2)首先对数据采集进行归一化处理、减少特征维度数;
3)再进行多维度特征提取,一维特征提取,主要提取波形的特征信息;二维特征提取,引入时间轴上的特征信息,主要是时间与振动幅值、频率和速度值等二维特征信息;三维特征提取方式是时间、频率和能量三维信息特征,通过网络模型进行连接,按照权重和偏值进行连接,充分提取振动故障信号数据集。
4)输入统一的深度学习分类器,属于输入分类模型中的特征维度,深度学习的层数和参数量统一,进行训练;通过输出的故障诊断分类结果,逐步优化多维特征提取的方式,提高模型的泛化能力。
应当理解,虽然本说明书是按照各个实施方式中描述的,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.用于故障诊断的深度学习分类模型,其特征在于,所述深度学习分类模型通过下述训练方法获得,所述训练方法包括:
步骤S101,采集设备多种故障类型的样本数据集及与之对应的故障信息;所述故障信息中包括所述设备的运行参数信息;所述样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
步骤S102,根据所述样本数据集的幅值信息获取所述样本数据集的一维特征;根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征;根据所述样本数据集中的的时间信息和所述幅值信息获取所述样本数据集的三维特征;
步骤S103,通过深度学习分类器训练所述一维特征、二维特征和三维特征,获取故障诊断分类结果;所述故障诊断分类结果关联所述设备的运行参数信息;根据所述故障诊断分类结果获取所述深度学习分类模型的输出结果。
2.根据权利要求1所述的用于故障诊断的深度学习分类模型,其特征在于,所述步骤S101中的采集设备多种故障类型的样本数据集的步骤中包括:
步骤S1011,将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处;所述轴件通过轴承类连接件与刚性支撑件的连接;
步骤S1012,运行具有故障类型的所述故障设备,采集所述加速度传感器的输出图谱,采样点数设置为262144和采样频率设置为102.4KHz;将所述故障类型和所述谱图信息对应,记录所述故障设备的功率、转速和轴承型号;
所述步骤S102中还包括:
归一化处理所述样本数据集,获取设定特征维度的样本数据集。
3.根据权利要求1或2所述的用于故障诊断的深度学习分类模型,其特征在于,所述步骤S102中根据所述样本数据集的幅值信息获取所述样本数据集的一维特征的步骤包括:
通过小波变化方法计算所述样本数据集的幅值信息获取故障幅值特征;根据所述故障幅值特征作为样本数据集的一维特征;
所述步骤S102中根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征的步骤包括:
将所述样本数据集中的时间信息对应为时域信号;通过傅里叶变换将所述时域信号转换成频域信号;
通过LSTM长短期记忆网络训练所述时域信号和所述频域信号,提取时间特征与故障幅值特征或,提取故障频率特征和速度值特征;根据所述时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征;
所述步骤S102中根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的三维特征的步骤包括:
通过MFCC梅尔倒谱系数方法处理所述的时间信息和所述幅值信息,提取时间特征、故障频率特征和故障能量特征信息;根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
4.根据权利要求1所述的用于故障诊断的深度学习分类模型,其特征在于,所述用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;所述故障信息中包括所述设备的运行参数信息;所述样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据所述样本数据集的幅值信息获取所述样本数据集的一维特征;
一个二维特征提取模块,其配置为根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征;
一个三维特征提取模块,其配置为根据所述样本数据集中的的时间信息、所述幅值信息和能量信息;获取所述样本数据集的三维特征;
其中,所述一维特征提取模块、所述二维特征提取模块和所述三维特征提取模块的数据输入端同时从所述设备故障数据集采集模块接收所述设备多种故障类型的样本数据集;
一个分类器,其数据输入端连接所述一维特征提取模块、所述二维特征提取模块和所述三维特征提取模块的数据输出端,所述分类器配置为通过深度学习分类器训练所述一维特征、二维特征和三维特征,获取故障诊断分类结果;所述故障诊断分类结果关联所述设备的运行参数信息;
一个故障分类结果模块,其配置为从所述分类器的数据输出端接收所述故障诊断分类结果;所述故障分类结果模块配置为根据所述故障诊断分类结果获取所述深度学习分类模型的输出结果。
5.根据权利要求1所述的用于故障诊断的深度学习分类模型,其特征在于,所述用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;所述故障信息中包括所述设备的运行参数信息;所述样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据所述样本数据集的幅值信息获取所述样本数据集的一维特征;
一个二维特征提取模块,其配置为根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征;
一个三维特征提取模块,其配置为根据所述样本数据集中的的时间信息和所述幅值信息获取所述样本数据集的三维特征;
其中,所述一维特征提取模块、所述二维特征提取模块和所述三维特征提取模块依次串联;所述一维特征提取模块的数据输入端同时从所述设备故障数据集采集模块接收所述设备多种故障类型的样本数据集;所述一维特征提取模块的数据输出端连接所述二维特征提取模块的数据输入端;所述二维特征提取模块的数据输入端连接所述一维特征提取模块的数据输出端;所述二维特征提取模块的数据输出端连接所述三维特征提取模块的数据输入端;所述三维特征提取模块的数据输入端连接所述二维特征提取模块的数据输出端;
一个分类器,其数据输入端连接所述三维特征提取模块的数据输出端,所述分类器配置为通过深度学习分类器训练所述一维特征、二维特征和三维特征,获取故障诊断分类结果;所述故障诊断分类结果关联所述设备的运行参数信息;
一个故障分类结果模块,其配置为从所述分类器的数据输出端接收所述故障诊断分类结果;所述故障分类结果模块配置为根据所述故障诊断分类结果获取所述深度学习分类模型的输出结果。
6.故障诊断方法,其特征在于,所述故障诊断方法包括:
步骤S201,采集当前待检测设备运行振动信号;
步骤S202,获取用于故障诊断的深度学习分类模型;所述用于故障诊断的深度学习分类模型通过下述训练方法获得,所述训练方法包括:
步骤S101,采集设备多种故障类型的样本数据集及与之对应的故障信息;所述故障信息中包括所述设备的运行参数信息;所述样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
步骤S102,根据所述样本数据集的幅值信息获取所述样本数据集的一维特征;根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征;根据所述样本数据集中的的时间信息和所述幅值信息获取所述样本数据集的三维特征;
步骤S103,通过深度学习分类器训练所述一维特征、二维特征和三维特征,获取故障诊断分类结果;所述故障诊断分类结果关联所述设备的运行参数信息;根据所述故障诊断分类结果获取所述深度学习分类模型的输出结果;
步骤S203,将所述当前待检测设备运行振动信号输入到所述用于故障诊断的深度学习分类模型中获取输出结果;
步骤S204,根据所述输出结果获取所述当前待检测设备的故障信息。
7.根据权利要求6所述的故障诊断方法,其特征在于,所述步骤S101中的采集设备多种故障类型的样本数据集的步骤中包括:
步骤S1011,将加速度传感器放置于故障设备中轴件与刚性支撑件的连接处;所述轴件通过轴承类连接件与刚性支撑件的连接;
步骤S1012,运行具有故障类型的所述故障设备,采集所述加速度传感器的输出图谱,采样点数设置为262144和采样频率设置为102.4KHz;将所述故障类型和所述谱图信息对应,记录所述故障设备的功率、转速和轴承型号;
所述步骤S102中还包括:
归一化处理所述样本数据集,获取设定特征维度的样本数据集。
8.根据权利要求6或7所述的故障诊断方法,其特征在于,所述步骤S102中根据所述样本数据集的幅值信息获取所述样本数据集的一维特征的步骤包括:
通过小波变化方法计算所述样本数据集的幅值信息获取故障幅值特征;根据所述故障幅值特征作为样本数据集的一维特征;
所述步骤S102中根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征的步骤包括:
将所述样本数据集中的时间信息对应为时域信号;通过傅里叶变换将所述时域信号转换成频域信号;
通过LSTM长短期记忆网络训练所述时域信号和所述频域信号,提取时间特征与故障幅值特征或,提取故障频率特征和速度值特征;根据所述时间特征与故障幅值特征或故障频率特征和故障速度值特征作为二维特征;
所述步骤S102中根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的三维特征的步骤包括:
通过MFCC梅尔倒谱系数方法处理所述的时间信息和所述幅值信息,提取时间特征、故障频率特征和故障能量特征信息;根据时间特征、故障频率特征和故障能量特征信息作为三维特征。
9.根据权利要求6所述的故障诊断方法,其特征在于,所述用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;所述故障信息中包括所述设备的运行参数信息;所述样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据所述样本数据集的幅值信息获取所述样本数据集的一维特征;
一个二维特征提取模块,其配置为根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征;
一个三维特征提取模块,其配置为根据所述样本数据集中的的时间信息和所述幅值信息获取所述样本数据集的三维特征;
其中,所述一维特征提取模块、所述二维特征提取模块和所述三维特征提取模块的数据输入端同时从所述设备故障数据集采集模块接收所述设备多种故障类型的样本数据集;
一个分类器,其数据输入端连接所述一维特征提取模块、所述二维特征提取模块和所述三维特征提取模块的数据输出端,所述分类器配置为通过深度学习分类器训练所述一维特征、二维特征和三维特征,获取故障诊断分类结果;所述故障诊断分类结果关联所述设备的运行参数信息;
一个故障分类结果模块,其配置为从所述分类器的数据输出端接收所述故障诊断分类结果;所述故障分类结果模块配置为根据所述故障诊断分类结果获取所述深度学习分类模型的输出结果。
10.根据权利要求6所述的故障诊断方法,其特征在于,所述用于故障诊断的深度学习分类模型包括:
一个设备故障数据集采集模块,其配置为采集设备多种故障类型的样本数据集及与之对应的故障信息;所述故障信息中包括所述设备的运行参数信息;所述样本数据集中的数据为随时间信息连续变化的具有幅值变化的数据;
一个一维特征提取模块,其配置为根据所述样本数据集的幅值信息获取所述样本数据集的一维特征;
一个二维特征提取模块,其配置为根据所述样本数据集中的时间信息和所述幅值信息获取所述样本数据集的二维特征;
一个三维特征提取模块,其配置为根据所述样本数据集中的的时间信息和所述幅值信息获取所述样本数据集的三维特征;
其中,所述一维特征提取模块、所述二维特征提取模块和所述三维特征提取模块依次串联;所述一维特征提取模块的数据输入端同时从所述设备故障数据集采集模块接收所述设备多种故障类型的样本数据集;所述一维特征提取模块的数据输出端连接所述二维特征提取模块的数据输入端;所述二维特征提取模块的数据输入端连接所述一维特征提取模块的数据输出端;所述二维特征提取模块的数据输出端连接所述三维特征提取模块的数据输入端;所述三维特征提取模块的数据输入端连接所述二维特征提取模块的数据输出端;
一个分类器,其数据输入端连接所述三维特征提取模块的数据输出端,所述分类器配置为通过深度学习分类器训练所述一维特征、二维特征和三维特征,获取故障诊断分类结果;所述故障诊断分类结果关联所述设备的运行参数信息;
一个故障分类结果模块,其配置为从所述分类器的数据输出端接收所述故障诊断分类结果;所述故障分类结果模块配置为根据所述故障诊断分类结果获取所述深度学习分类模型的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542679.7A CN113869339A (zh) | 2021-05-18 | 2021-05-18 | 用于故障诊断的深度学习分类模型及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110542679.7A CN113869339A (zh) | 2021-05-18 | 2021-05-18 | 用于故障诊断的深度学习分类模型及故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869339A true CN113869339A (zh) | 2021-12-31 |
Family
ID=78989876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110542679.7A Pending CN113869339A (zh) | 2021-05-18 | 2021-05-18 | 用于故障诊断的深度学习分类模型及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869339A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114941890A (zh) * | 2022-05-24 | 2022-08-26 | 日照安泰科技发展有限公司 | 一种基于图像和深度模糊的中央空调故障诊断方法及*** |
CN115865630A (zh) * | 2023-02-28 | 2023-03-28 | 广东名阳信息科技有限公司 | 基于深度学习的网络设备故障诊断方法及*** |
-
2021
- 2021-05-18 CN CN202110542679.7A patent/CN113869339A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114941890A (zh) * | 2022-05-24 | 2022-08-26 | 日照安泰科技发展有限公司 | 一种基于图像和深度模糊的中央空调故障诊断方法及*** |
CN114941890B (zh) * | 2022-05-24 | 2024-04-30 | 日照安泰科技发展有限公司 | 一种基于图像和深度模糊的中央空调故障诊断方法及*** |
CN115865630A (zh) * | 2023-02-28 | 2023-03-28 | 广东名阳信息科技有限公司 | 基于深度学习的网络设备故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107228766B (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测***及方法 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
CN113887136B (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN111191740A (zh) | 一种滚动轴承故障诊断方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及*** | |
CN112329329B (zh) | 仿真数据驱动的旋转机械深度半监督迁移诊断方法 | |
CN108760300A (zh) | 一种依据轴承振动信号对其进行故障智能诊断的方法 | |
CN112665852A (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN113790890B (zh) | 基于小波包分解权值模糊熵与elm的轴承故障分类方法及装置 | |
Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
Qi et al. | Feature classification method of frequency cepstrum coefficient based on weighted extreme gradient boosting | |
CN112861275A (zh) | 一种基于最小信息熵特征学习模型的旋转机械故障诊断方法 | |
CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN115795341A (zh) | 基于变转速的二维活塞泵健康状态评估方法 | |
Wang et al. | Adversarial based unsupervised domain adaptation for bearing fault diagnosis |
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 |