CN114152441A - 基于移位窗口变换器网络的滚动轴承故障诊断方法及*** - Google Patents
基于移位窗口变换器网络的滚动轴承故障诊断方法及*** Download PDFInfo
- Publication number
- CN114152441A CN114152441A CN202111519334.6A CN202111519334A CN114152441A CN 114152441 A CN114152441 A CN 114152441A CN 202111519334 A CN202111519334 A CN 202111519334A CN 114152441 A CN114152441 A CN 114152441A
- Authority
- CN
- China
- Prior art keywords
- converter network
- rolling bearing
- window converter
- window
- shift
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于移位窗口变换器网络的滚动轴承故障诊断方法及***。该方法包括,获取待测滚动轴承的振动信号;将所述振动信号通过小波时频变换转换为小波时频图;采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
Description
技术领域
本发明属于滚动轴承故障诊断领域,尤其涉及一种基于移位窗口变换器网络的滚动轴承故障诊断方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
滚动轴承是旋转机械的关键部件,其健康的工作状态对于旋转机械设备具有十分重要的意义。可靠有效的滚动轴承故障诊断方法可以减少机械设备的维护费用,避免重大的事故的发生。因此,开展滚动轴承故障诊断的研究具有重要的工程意义。
目前,对于滚动轴承的故障诊断国内外研究很多,大致可以分为传统故障诊断方法和基于大数据驱动的智能故障诊断方法。滚动轴承的故障特征信息一般可以从振动、温度和声发射等监测数据中提取。故障诊断方法可以有效获取故障特征,准确识别轴承故障的类型、发生位置。传统的滚动轴承故障诊断方法从振动信号的时域、频域和时频域中获取特征,信号处理方法历经傅里叶变换→小波变换→经验模态分解的发展。传统的滚动轴承故障诊断方法依赖于专家知识。
随着传感器、图形计算单元的发展,轴承的故障信号的规模数量是十分丰富的,图形计算单元的发展为大数据所需的算力提供了硬件基础。面对如此庞大的故障信号数据,仅仅依靠人类自身的经验已经不能满足滚动轴承的故障诊断需求。基于大数据驱动的智能诊断方法使得计算机有着像人类一样的学习能力,可以从故障信号数据中自动获取故障特征,判断故障的类别。一般使用的机器学习方法包括卷积神经网络、循环神经网络等。基于大数据驱动的智能诊断方法相较于传统的故障诊断方法无需先验知识。但是,针对滚动轴承故障类型时域特征相似,识别难度大,故障高维特征提取困难等问题,仍未解决。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于移位窗口变换器网络的滚动轴承故障诊断方法及***,其通过对小波时频图的识别,可以提取故障的高维特征,适用于大型设备关键部件的状态监测;具有故障识别精度高、抗噪声能力强的优点。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于移位窗口变换器网络的滚动轴承故障诊断方法。
基于移位窗口变换器网络的滚动轴承故障诊断方法,包括:
获取待测滚动轴承的振动信号;
将所述振动信号通过小波时频变换转换为小波时频图;
采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;
其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
本发明的第二个方面提供一种基于移位窗口变换器网络的滚动轴承故障诊断***。
基于移位窗口变换器网络的滚动轴承故障诊断***,包括:
获取模块,其被配置为:获取待测滚动轴承的振动信号;
小波转换模块,其被配置为:将所述振动信号通过小波时频变换转换为小波时频图;
诊断模块,其被配置为:采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;
其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于移位窗口变换器网络的滚动轴承故障诊断方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于移位窗口变换器网络的滚动轴承故障诊断方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明针对滚动轴承故障类型时域特征相似,识别难度大,故障高维特征提取困难等问题,提出了一种基于移位窗口变换器网络的滚动轴承故障诊断方法,通过对小波时频图的识别,可以提取故障的高维特征,适用于大型设备关键部件的状态监测。
本发明提出的基于小波时频变换的滚动轴承故障诊断方法相较于基于一维时域振动信号的滚动轴承故障诊断方法具有更好的鲁棒性,抗噪声能力更强,可以更加准确地识别滚动轴承的故障类型及位置,避免发生安全事故,造成更大的人员和经济损失。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明示出的基于移位窗口变换器网络的滚动轴承故障诊断方法的流程图;
图2是本发明示出的基于移位窗口变换器网络的滚动轴承故障诊断方法实现的具体流程图;
图3是本发明示出的移位窗口变换器网络模型结构图;
图4是本发明示出的移位窗口变换器网络组件结构图;
图5是本发明示出的移位窗口变换器网络模型训练流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种基于移位窗口变换器网络的滚动轴承故障诊断方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
基于移位窗口变换器网络的滚动轴承故障诊断方法,包括:
获取待测滚动轴承的振动信号;
将所述振动信号通过小波时频变换转换为小波时频图;
采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;
其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
作为一种或多种实施方式,采用加速度传感器和数据采集器采集所述滚动轴承的振动信号。
具体的,将故障滚动轴承放置在振动信号采集平台上,采样频率为25.6kHz,数据长度为32768个点。数据采集软件使用的是由东华测试科技公司开发的DHDAS软件。
作为一种或多种实施方式,振动信号经过所述小波时频变换后,生成所述小波时频图,将一维振动信号变为二维图像。
具体地,如图2所示,采集的滚动轴承故障振动信号x(t)经由小波变换生成小波时频图,公式(1)为小波变换的公式:
其中a是比例因子,控制小波函数的伸缩;τ控制小波函数的位移。原始振动信号经过小波时频变换后,生成小波时频图,将一维振动信号变为二维图像。小波时频图的大小被设置为H×W,小波时频图的通道数为3。
把不同故障类型的小波时频图进行标签标记,并按照8:1:1的比例划分为训练集和测试集。
搭建移位窗口变换器网络模型,并在训练集上进行训练,保存模型在测试集诊断精度最高的参数,得到训练好的移位窗口变换器网络模型。
由于小波时频图的原始尺寸不是固定值,变化范围非常大,本实施例设计了具有窗口的变换器网络模型,每个阶段的窗口感受范围逐步增大;同时为了让不重合的窗口之间进行信息交流,设计了移位窗口的机制,这样可以使得不同窗口之间进行信息交流。改进后的变换器网络允许直接输入原始尺寸的小波时频图,适应不同尺寸的小波时频图,提高了变换器网络的特征提取能力。
作为一种或多种实施方式,移位窗口变换器网络模型包括四个阶段,第一阶段包括线性嵌入层和移位窗口变换器网络组件,第二阶段、第三阶段和第四阶段均包含补丁拼接层和移位窗口变换器网络组件,所述补丁拼接层用于降低图片分辨率。
作为一种或多种实施方式,在第一阶段之前连接有补丁分区层,用于将小波时频图分割为一定尺寸大小的图片补丁,并将每个补丁在不同的通道上进行展开连接;在第四阶段之后连接有分类器。
作为一种或多种实施方式,所述移位窗口变换器网络组件包括串联的窗口变换器网络和移位窗口变换器网络,所述窗口变换器网络包括依次连接的归一化层、窗口多头注意力层、归一化层和多层感知机,所述移位窗口变换器网络包括依次连接的归一化层、移位窗口多头注意力层、归一化层和多层感知机。
如图3所示,整个模型分为4个阶段,每个阶段的移位窗口变换器网络组件设置为2个,移位窗口变换器网络如图4所示。第一阶段由线性嵌入层和2个移位窗口变换器网络组件组成,多头注意力层的头的大小为3;第二、三、四阶段由补丁拼接层和2个移位窗口变换器网络组件组成,多头注意力层的头的大小为6。MLP为多层感知机;LN为归一化层;W-MSA为窗口多头注意力层,窗口的大小为6×6;SW-MSA为移位窗口多头注意力层,通过对输入矩阵的移动实现了窗口之间的联系。移位窗口变换器网络组件流程如公式(2)(3)(4)(5)所示:
式中z代表输入的图片补丁序列,l为移位窗口变换器网络组件的编号。
窗口注意力层的计算公式(6)所示:
其中Q、K、V分别为查询、键、值矩阵,d为上述矩阵的维度,B为相对位置偏执。
模型首先将大小为H×W的小波时频图分割为4×4大小的图片补丁,并将每个补丁在不同的通道上进行展开连接。通过线性嵌入层对每个像素的每个通道数据作线性变换得到z,将输入补丁下采样4倍;补丁拼接层的作用为降低图片分辨率,将输入补丁下采样2倍。输入图片经过第一阶段其大小变为第二阶段为第三阶段为第四阶段为
分类器输出每个故障类型发生的概率,概率最高的故障类型即为模型诊断的结果。分类器softmax如公式(7)所示:
CLA(z)=softmax(GeLU(zWc1+bc1)Wc2+bc2) (7)
其中GeLU函数如公式(8)所示:
Wc1,Wc2,bc1,bc2为两层全连接层的权重和偏执。
模型相关参数设置:训练次数为50,批尺寸为32,学习率为0.0001。
模型读取训练集数据,按照设定参数进行训练,训练完毕后在测试集进行测试,保存诊断精度最高的模型权重参数。移位窗口变换器网络模型的训练过程如图5所示。
采集待测试的滚动轴承的振动信号,经由小波时频变换生成小波时频图,输入训练完毕的模型,得到每个故障类型的发生概率,选取概率最高的故障类型作为模型诊断结果。
实施例二
本实施例提供了一种基于移位窗口变换器网络的滚动轴承故障诊断***。
基于移位窗口变换器网络的滚动轴承故障诊断***,包括:
获取模块,其被配置为:获取待测滚动轴承的振动信号;
小波转换模块,其被配置为:将所述振动信号通过小波时频变换转换为小波时频图;
诊断模块,其被配置为:采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;
其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
此处需要说明的是,上述获取模块、小波转换模块和诊断模块与实施例一中的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于移位窗口变换器网络的滚动轴承故障诊断方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于移位窗口变换器网络的滚动轴承故障诊断方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,包括:
获取待测滚动轴承的振动信号;
将所述振动信号通过小波时频变换转换为小波时频图;
采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;
其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
2.根据权利要求1所述的基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,采用加速度传感器和数据采集器采集所述滚动轴承的振动信号。
3.根据权利要求1所述的基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,振动信号经过所述小波时频变换后,生成所述小波时频图,将一维振动信号变为二维图像。
4.根据权利要求1所述的基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,所述移位窗口变换器网络模型包括四个阶段,第一阶段包括线性嵌入层和移位窗口变换器网络组件,第二阶段、第三阶段和第四阶段均包含补丁拼接层和移位窗口变换器网络组件,所述补丁拼接层用于降低图片分辨率。
5.根据权利要求4所述的基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,在第一阶段之前连接有补丁分区层,用于将小波时频图分割为一定尺寸大小的图片补丁,并将每个补丁在不同的通道上进行展开连接。
6.根据权利要求4所述的基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,在第四阶段之后连接有分类器。
7.根据权利要求1所述的基于移位窗口变换器网络的滚动轴承故障诊断方法,其特征在于,所述移位窗口变换器网络组件包括串联的窗口变换器网络和移位窗口变换器网络,所述窗口变换器网络包括依次连接的归一化层、窗口多头注意力层、归一化层和多层感知机,所述移位窗口变换器网络包括依次连接的归一化层、移位窗口多头注意力层、归一化层和多层感知机。
8.基于移位窗口变换器网络的滚动轴承故障诊断***,其特征在于,包括:
获取模块,其被配置为:获取待测滚动轴承的振动信号;
小波转换模块,其被配置为:将所述振动信号通过小波时频变换转换为小波时频图;
诊断模块,其被配置为:采用预设移位窗口变换器网络模型对所述小波时频图进行诊断,得到滚动轴承的故障类型及位置;
其中,所述移位窗口变换器网络模型包括分布在各个阶段的移位窗口变换器网络组件,所述移位窗口变换器网络组件至少包括两个串联的移位窗口变换器网络,所述移位窗口变换器网络包括多层感知机和窗口多头注意力层。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于移位窗口变换器网络的滚动轴承故障诊断方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于移位窗口变换器网络的滚动轴承故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519334.6A CN114152441A (zh) | 2021-12-13 | 2021-12-13 | 基于移位窗口变换器网络的滚动轴承故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519334.6A CN114152441A (zh) | 2021-12-13 | 2021-12-13 | 基于移位窗口变换器网络的滚动轴承故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114152441A true CN114152441A (zh) | 2022-03-08 |
Family
ID=80450490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111519334.6A Pending CN114152441A (zh) | 2021-12-13 | 2021-12-13 | 基于移位窗口变换器网络的滚动轴承故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114152441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792506A (zh) * | 2023-02-07 | 2023-03-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种运用emd和lle的单相接地故障检测***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115594A (zh) * | 2015-10-09 | 2015-12-02 | 北京航空航天大学 | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 |
CN108168891A (zh) * | 2018-02-26 | 2018-06-15 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN113281048A (zh) * | 2021-06-25 | 2021-08-20 | 华中科技大学 | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和*** |
CN113313201A (zh) * | 2021-06-21 | 2021-08-27 | 南京挥戈智能科技有限公司 | 基于Swin Transformer和ZED摄像头的多目标检测和测距方法 |
CN113657409A (zh) * | 2021-08-16 | 2021-11-16 | 平安科技(深圳)有限公司 | 车辆损失检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-13 CN CN202111519334.6A patent/CN114152441A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105115594A (zh) * | 2015-10-09 | 2015-12-02 | 北京航空航天大学 | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 |
CN108168891A (zh) * | 2018-02-26 | 2018-06-15 | 成都昊铭科技有限公司 | 滚动轴承微弱故障信号特征的提取方法及设备 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN113313201A (zh) * | 2021-06-21 | 2021-08-27 | 南京挥戈智能科技有限公司 | 基于Swin Transformer和ZED摄像头的多目标检测和测距方法 |
CN113281048A (zh) * | 2021-06-25 | 2021-08-20 | 华中科技大学 | 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和*** |
CN113657409A (zh) * | 2021-08-16 | 2021-11-16 | 平安科技(深圳)有限公司 | 车辆损失检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
ZE LIU等: "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows", 《ARXIV》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792506A (zh) * | 2023-02-07 | 2023-03-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种运用emd和lle的单相接地故障检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510153B (zh) | 一种多工况旋转机械故障诊断方法 | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
CN111721535A (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN107886091A (zh) | 一种基于深度神经网络的机械故障快速诊断方法 | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测*** | |
CN113139278A (zh) | 一种基于深度学习的轴承剩余寿命预测方法及*** | |
CN108932581A (zh) | 多物理域信息融合的自主感知方法及*** | |
Neupane et al. | Deep learning-based bearing fault detection using 2-D illustration of time sequence | |
CN114004256A (zh) | 基于数字孪生体的制造装备主轴承的故障诊断方法 | |
CN110553839A (zh) | 一种齿轮箱的单一和复合故障诊断方法、设备及*** | |
CN114152441A (zh) | 基于移位窗口变换器网络的滚动轴承故障诊断方法及*** | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
Oh et al. | Fault detection for lubricant bearing with CNN | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及*** | |
Liu et al. | Rolling bearing fault diagnosis method based on multi-sensor two-stage fusion | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117330314A (zh) | 一种基于二维灰度图和Swin-Transformer的轴承故障诊断方法 | |
CN117763494A (zh) | 基于多模态和多尺度融合网络的轴承诊断方法及*** | |
CN107016440A (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 | |
CN116166997A (zh) | 一种智能主轴服役状态诊断方法、***、设备及介质 | |
CN115356599A (zh) | 一种多模态城市电网故障诊断方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220308 |
|
RJ01 | Rejection of invention patent application after publication |