CN116484176A - 一种基于超小波的轴承故障诊断方法、***和存储介质 - Google Patents
一种基于超小波的轴承故障诊断方法、***和存储介质 Download PDFInfo
- Publication number
- CN116484176A CN116484176A CN202310462774.5A CN202310462774A CN116484176A CN 116484176 A CN116484176 A CN 116484176A CN 202310462774 A CN202310462774 A CN 202310462774A CN 116484176 A CN116484176 A CN 116484176A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- bearing
- ultra
- fault
- vibration 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 45
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 54
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004091 panning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 20
- 238000005070 sampling Methods 0.000 description 14
- 238000005096 rolling process Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000036039 immunity Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开的一种基于超小波的轴承故障诊断方法、***和存储介质,所述方法包括:获取轴承振动信号;将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;根据所述融合故障特征进行分析,得到轴承故障诊断信息。本发明通过SWCNN对风机齿轮箱轴承振动信号进行处理,通过超小波块处理含有噪声的轴承振动信号,利用3种不同的小波基函数分别进行降噪处理与特征提取,增强SWCNN网络的抗噪能力。此外,超小波块的权重融合层能自适应地确定融合权重,从而增强故障特征明显的小波通道,进而突出关键特征,提高诊断准确率。
Description
技术领域
本申请涉及数据处理和数据传输领域,更具体的,涉及一种基于超小波的风机齿轮箱轴承故障诊断方法、***和存储介质。
背景技术
滚动轴承被广泛应用于风机齿轮箱中,是影响风机齿轮箱正常运行的关键零部件之一。然而滚动轴承长期处于高速旋转、重负载的状态下,导致45%~55%的旋转设备故障由轴承损坏引起。滚动轴承故障将导致设备长时间的停机,使生产制造成本上升,甚至造成安全事故。对风机齿轮箱滚动轴承的运行状态进行监控和诊断能及时发现问题、排除故障,进而减少安全事故,有重要的社会意义和经济价值。因此,研究和开发有效的风机齿轮箱轴承故障诊断方法至关重要。
随着人工智能技术的发展,基于深度学习的轴承故障诊断研究得到专家和学者的广泛关注。其中,CNN是一种典型的深度学习方法,已在各种图像分类、目标检测、自然语言处理、语音识别等领域取得成功。但是由于滚动轴承的工作环境恶劣、背景噪声大,轴承振动信号受噪声干扰,导致CNN模型难以提取出有效故障特征,使得CNN模型故障诊断准确率下降。
因此现有技术存在缺陷,急需改进。
发明内容
鉴于上述问题,本发明的目的是提供一种基于超小波的风机齿轮箱轴承故障诊断方法、***和存储介质,能够实现在强噪声情况下对轴承故障进行诊断。
本发明第一方面提供了一种基于超小波的轴承故障诊断方法,包括:
获取风机齿轮箱轴承振动信号;
将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;
对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;
根据所述融合故障特征进行分析,得到轴承故障诊断信息。
本方案中,还包括:
建立初始超小波卷积神经网络模型;
获取振动信号样本数据;
将所述振动信号样本数据按照预设比例划分为训练集、验证集和测试集;
将所述训练集、验证集和测试集分别输入至所述初始超小波卷积神经网络模型进行训练诊断,得到预设超小波卷积神经网络模型。
本方案中,将所述轴承振动信号输入至预设超小波卷积神经网络模型之后,还包括:
获取多个小波库数据;
对所述小波库数据进行分析,得到多个自适应小波;
所述自适应小波的计算方法用公式表示为:
其中,是第n个小波基函数,an是该小波基函数的尺度因子,bn是该小波基函数的平移因子,wn是超小波的组合系数,k表示第k类小波基函数。
本方案中,所述通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征,包括:
所述超小波块通过所述多个自适应小波分别对所述轴承振动信号进行小波变换,使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪,得到降噪振动信号;
通过所述多个自适应小波对所述降噪振动信号进行特征提取,得到多个尺度的轴承故障特征;
所述小波变换用公式表示为:
其中,ψ表示母小波,t为时间,a为与频率成反比的尺度因子,b为平移因子。
本方案中,所述对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征,包括:
将所述多个尺度的轴承故障特征分别乘以相对应的影响权重,得到多个故障特征的权重得分;
根据所述多个故障特征的权重得分选取多个关键故障特征;
对所述多个关键故障特征进行特征融合,得到融合故障特征。
本方案中,所述根据所述融合故障特征进行分析,得到轴承故障诊断信息,包括:
将所述融合故障特征输入至多个卷积层;
所述多个卷积层根据预设方法对所述融合故障特征进行处理,并将处理后的故障特征发送至全连接层;
所述全连接层对所述处理后的故障特征进行整合分类,得到轴承故障诊断信息。
本发明第二方面提供了一种基于超小波的风机齿轮箱轴承故障诊断***,包括存储器和处理器,所述存储器中包括基于超小波的风机齿轮箱轴承故障诊断方法程序,所述基于超小波的风机齿轮箱轴承故障诊断方法程序被所述处理器执行时实现如下步骤:
获取风机齿轮箱轴承振动信号;
将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;
对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;
根据所述融合故障特征进行分析,得到轴承故障诊断信息。
本方案中,还包括:
建立初始超小波卷积神经网络模型;
获取风机齿轮箱振动信号样本数据;
将所述振动信号样本数据按照预设比例划分为训练集、验证集和测试集;
将所述训练集、验证集和测试集分别输入至所述初始超小波卷积神经网络模型进行训练诊断,得到预设超小波卷积神经网络模型。
本方案中,将所述轴承振动信号输入至预设超小波卷积神经网络模型之后,还包括:
获取多个小波库数据;
对所述小波库数据进行分析,得到多个自适应小波;
所述自适应小波的计算方法用公式表示为:
其中,是第n个小波基函数,an是该小波基函数的尺度因子,bn是该小波基函数的平移因子,wn是超小波的组合系数,k表示第k类小波基函数。
本方案中,所述通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征,包括:
所述超小波块通过所述多个自适应小波分别对所述轴承振动信号进行小波变换,使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪,得到降噪振动信号;
通过所述多个自适应小波对所述降噪振动信号进行特征提取,得到多个尺度的轴承故障特征;
所述小波变换用公式表示为:
其中,ψ表示母小波,t为时间,a为与频率成反比的尺度因子,b为平移因子。
本方案中,所述对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征,包括:
将所述多个尺度的轴承故障特征分别乘以相对应的影响权重,得到多个故障特征的权重得分;
根据所述多个故障特征的权重得分选取多个关键故障特征;
对所述多个关键故障特征进行特征融合,得到融合故障特征。
本方案中,所述根据所述融合故障特征进行分析,得到轴承故障诊断信息,包括:
将所述融合故障特征输入至多个卷积层;
所述多个卷积层根据预设方法对所述融合故障特征进行处理,并将处理后的故障特征发送至全连接层;
所述全连接层对所述处理后的故障特征进行整合分类,得到轴承故障诊断信息。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于超小波的风机齿轮箱轴承故障诊断方法程序,所述一种基于超小波的风机齿轮箱轴承故障诊断方法程序被处理器执行时,实现如上述任一项所述的一种基于超小波的风机齿轮箱轴承故障诊断方法的步骤。
本发明公开的一种基于超小波的风机齿轮箱轴承故障诊断方法、***和存储介质,所述方法包括:获取轴承振动信号;将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;根据所述融合故障特征进行分析,得到轴承故障诊断信息。本发明通过SWCNN对轴承振动信号进行处理,通过超小波块处理含有噪声的轴承振动信号,利用3种不同的小波基函数分别进行降噪处理与特征提取,增强SWCNN网络的抗噪能力。此外,超小波块的权重融合层能自适应地确定融合权重,从而增强故障特征明显的小波通道,进而突出关键特征,提高SWCNN的诊断准确率。
附图说明
图1示出了本发明一种基于超小波的风机齿轮箱轴承故障诊断方法的流程图;
图2示出了本发明一种预设超小波卷积神经网络模型训练方法的流程图;
图3示出了本发明一种轴承故障诊断信息获取方法的流程图;
图4示出了本发明一种基于超小波的轴承故障诊断***的框图;
图5示出了本发明一种轴承数据采集***的展示图;
图6示出了本发明一种超小波卷积神经网络的训练流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于超小波的风机齿轮箱轴承故障诊断方法的流程图。
如图1所示,本发明公开了一种基于超小波的风机齿轮箱轴承故障诊断方法,包括:
S102,获取风机齿轮箱轴承振动信号;
S104,将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;
S106,对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;
S108,根据所述融合故障特征进行分析,得到轴承故障诊断信息。
根据本发明实施例,本方案根据小波变换原理建立了预设超小波卷积神经网络(SWCNN)。SWCNN将超小波卷积块作为CNN网络的第一层,对轴承振动信号进行降噪并增强关键故障特征。本方案选取Morlet小波、Laplace小波和Mexhat小波构成超小波块的小波核。超小波块从原始轴承振动信号中自适应的选择和构建能有效表示轴承故障信号的小波基,同时采用多种小波基函数进行小波变换,在不同尺度上凸显轴承故障特征,为CNN模型提供多尺度的故障特征。此外,超小波块能通过小波变换多分辨率分析的特性从噪声中分解出关键特征信息,从而提升CNN模型的抗噪性。
SWCNN采用自适应小波变换(AWT)采用Laplace小波、Morlet小波和Mexh小波构成自适应小波,能融合不同小波基的优点。并且,SWCNN无需人工选取小波基,它通过CNN对小波参数和组合系数对自适应小波进行优化,从而学习到一组具有良好降噪性能的自适应小波滤波器。本方案通过两个不同的轴承数据集,对SWCNN进行了分析。由结果可知,SWCNN不仅可以很好的保留原始信息,而且充分地考虑到了序列数据的内在联系,实现在强噪声情况下的故障诊断。
图2示出了本发明一种预设超小波卷积神经网络模型训练方法的流程图。
如图2所示,根据本发明实施例,还包括:
S202,建立初始超小波卷积神经网络模型;
S204,获取振动信号样本数据;
S206,将所述振动信号样本数据按照预设比例划分为训练集、验证集和测试集;
S208,将所述训练集、验证集和测试集分别输入至所述初始超小波卷积神经网络模型进行训练诊断,得到预设超小波卷积神经网络模型。
需要说明的是,本方案实验的轴承数据集来自风机齿轮箱模拟轴承故障模拟综合试验台。实验装置如图5所示,实验台主要由驱动电机、传动部分、支撑部分、控制器等组成。在滚动轴承故障实验中,采集了四种状态下信号,并获得正常轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承。其中采样频率为8192Hz,采集时间为120s,每种故障工况的采样信号序列长度为983040。
模拟实际工况中轴承裂纹、点蚀等故障,通过线切割加工凹槽的方式对滚动轴承的内圈、外圈和滚动体上植入不同深度的故障,深度分别为0.4mm、0.8mm、1.2mm。健康轴承可以被视为一种特殊的故障模式,因此实验数据集有十种轴承故障类型。
SWCNN模型的训练流程如图6所示,包括3个步骤:数据集划分、训练模型、模型诊断,具体步骤如下:
(1)将原始数据,也就是振动信号样本数据按照预设比例划分为三个数据集:训练集、验证集和测试集,所述预设比例为8:1:1。其中,训练集的数据是原始无噪声数据,以使SWCNN可以学习到合适的小波基。验证集和测试集均加入一定信噪比的噪声,以判断训练好的SWCNN模型能否抵抗噪声干扰,并对轴承故障进行诊断。
(2)训练模型时,首先对SWCNN的网络参数进行初始化。然后输入训练集,对SWCNN的各层参数进行训练,使SWCNN可以充分学习到原始数据的特征。最后,使用含有不同噪声的验证集对训练好的SWCNN模型进行检验,判断是否达到目标准确率。将上述步骤重复多次,选取最优模型作为诊断模型。
(3)模型诊断时,首先取步骤(2)中的最优模型作为诊断模型。然后,将测试集输入诊断模型。最后,将诊断模型的结果作为评估SWCNN性能的判断标准。
根据本发明实施例,将所述轴承振动信号输入至预设超小波卷积神经网络模型之后,还包括:
获取小波库数据;
对所述小波库数据进行分析,得到多个自适应小波;
所述自适应小波的计算方法用公式表示为:
其中,是第n个小波基函数,an是该小波基函数的尺度因子,bn是该小波基函数的平移因子,wn是超小波的组合系数,k表示第k类小波基函数。
需要说明的是,小波变换可以对轴承振动信号进行分解减少噪声对轴承振动信号的干扰,同时可以利用多分辨率分析的特性获得更多的信息。为利用小波变换多分辨率分析的特性,本方案提出了超小波块(SWB)。SWB由两个卷积层组成。第一个卷积层为小波变换层,由多个不同小波通道并行构成,每个小波通道代表一种小波基。第二个卷积层是加权融合层,它是一个1×1的标准卷积层,用于对不同小波通道输出的特征进行加权融合。
SWB的原理是利用自适应小波从轴承振动信号中提取故障特征,自适应小波采用多小波基互补机制,利用不同小波基获得互补特征,并对特征赋予不同的权重,充分提取轴承故障特征。此外,自适应小波满足小波的容许性条件,即它本身被视为一个小波。因此,SWB能融合不同小波基的优点,获得更多的故障特征信息,同时能学习到新小波基。
SWB具有两个主要优点,第一个优点是SWB通过多个小波基函数进行特征提取,以匹配振动信号中不同故障特征,获得更多的有用信息,进而增加CNN模型的抗噪性。第二个优点是SWB能直接输入原始振动信号,很好的保留了原始信息,减少采用去噪预处理造成的原始振动信号信息丢失。
根据本发明实施例,所述通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征,包括:
所述超小波块通过所述多个自适应小波分别对所述轴承振动信号进行小波变换,使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪,得到降噪振动信号;
通过所述多个自适应小波对所述降噪振动信号进行特征提取,得到多个尺度的轴承故障特征;
所述小波变换用公式表示为:
其中,ψ表示母小波,t为时间,a为与频率成反比的尺度因子,b为平移因子。
需要说明的是,小波变换层可以利用多个小波基从不同角度提取轴承故障特征。SWB工作时,轴承振动信号首先输入到小波变换层,输入信号在小波通道中进行小波变换对轴承振动信号进行分解,降低噪声干扰,并提取轴承故障特征。
小波变换提供了提供一个随信号频率改变的时频窗口,克服了短时傅里叶变换窗口大小不随频率变化的缺点,它能用于对信号进行时频分析和处理。因此,小波变换具有多分辨率分析的特性,能同时在时域和频域上对轴承振动信号进行局部化分析。可以将信号分解为具有多尺度和多频率的子带。信号在高频处具有高时间分辨率和低频率分辨率,在低频部分则具有高频率分辨率和低时间分辨率,小波变换可以同时表征时间和频率信息。小波变换的多分辨率特性使它在信号分解、去噪和分析非平稳信号等方面具有优异的表现。
小波是一类在时域和频域都具有局域性的函数。每个小波是单个母小波ψ的变化,称为小波成员。一个小波库{ψa,b(t)}由多个小波成员构成,可以通过控制母小波ψ(·)的尺度因子a和平移因子b构造。尺度因子a可以使信号收缩或拉伸。当尺度因子较低时,信号收缩。当尺度因子较高时,信号拉伸。小波变换包含三个步骤:
(1)选取一个小波基函数,然后计算与部分信号的相似系数。
(2)将小波向右平移b,继续计算相似系数,直到计算出信号的所有部分。
(3)改变小波的尺度参数a,重复步骤(1)和(2),直到所有尺度分析完成。
根据本发明实施例,所述对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征,包括:
将所述多个尺度的轴承故障特征分别乘以相对应的影响权重,得到多个故障特征的权重得分;
根据所述多个故障特征的权重得分选取多个关键故障特征;
对所述多个关键故障特征进行特征融合,得到融合故障特征。
需要说明的是,加权融合层是一个1×1的标准卷积层,用于对不同小波通道输出的特征进行加权融合。由于小波通道中的小波基函数不同,来自不同小波通道输出的轴承故障特征,其重要性存在差异。随后,加权融合层通过一组1×1的标准卷积层对输出的轴承故障特征赋予不同的权重,突出关键故障特征,从而确定最佳的轴承故障特征,并对特征进行融合。最终,SWB输出一组加权融合后的故障特征,并将这组特征作为CNN网络的输入,从而增强CNN网络的抗噪能力。
图3示出了本发明一种轴承故障诊断信息获取方法的流程图。
如图3所示,根据本发明实施例,所述根据所述融合故障特征进行分析,得到轴承故障诊断信息,包括:
S302,将所述融合故障特征输入至多个卷积层;
S304,所述多个卷积层根据预设方法对所述融合故障特征进行处理,并将处理后的故障特征发送至全连接层;
S306,所述全连接层对所述处理后的故障特征进行整合分类,得到轴承故障诊断信息。
需要说明的是,SWCNN包括一个超小波块、4个标准卷积层、一些操作,如批量归一化、ReLu和全局最大池化,以及一个全连接层。所示预设方法具体为超小波块的输出将通过多个卷积层,用于增强特征表达。然后,在每一层卷积层的输出上依次执行一些操作,如批归一化、ReLu和全局最大池化。最后,通过全连接层输出分类结果。
另外,SWCNN的第二层卷积采用宽卷积核,增大感受野,提高诊断精度。后续卷积层均采用小卷积核,可以深入挖掘样本间隐藏的深层信息,且网络参数量少。此外,在所有卷积层之后添加了批量归一化和池化层,以加快训练速度并减小参数量。
根据本发明实施例,还包括:
通过重叠采样的方法对振动信号样本数据进行扩展。
需要说明的是,由于多功能轴承故障模拟试验台,每种故障数据集只有983040个采样点,训练样本有限。当训练样本过少时,会导致模型欠拟合,训练集和测试集的准确度将会降低。为了避免欠拟合的问题,本方案采用重叠采样的方法来扩展数据集。其中,滑动窗口大小为2048,滑动步长(偏移量)为100。从起始位置开始,每次向后滑动100个采样点,滑动窗口采集2048个采样点到依次构建数据样本,直到有600个样本。
根据本发明实施例,还包括:
在预设超小波卷积神经网络模型训练过程中,通过交叉熵函数和Adam算法对训练数据进行处理。
需要说明的是,为了提高模型的性能,使实验结果达到最优值,本方案对模型参数做了选择。在本方案的训练策略中,选择交叉熵函数和Adam作为损失函数和优化器,以加快模型的收敛速度并获得最优结果。交叉熵是一个用于评估预测概率分布和实际分布之间的差异的损失函数。交叉熵越小,两种概率分布越接近,模型的精度越高。Adam是一种学习率自适应优化算法,通过动态调整学习率参数,Adam算法可以提高学习率的鲁棒性,并帮助模型收敛。训练CNN模型需要将学习率设置在适当的范围内。学习率过高可能会导致不稳定,而学习率过小会增加训练时间。在保证训练稳定性的前提下,减少训练时间,本方案学习率设置为0.001。同时,本方案取训练批处理大小为128。
图4示出了本发明一种基于超小波的轴承故障诊断***的框图。
如图4所示,本发明第二方面提供了一种基于超小波的轴承故障诊断***4,包括存储器41和处理器42,所述存储器中包括基于超小波的轴承故障诊断方法程序,所述基于超小波的轴承故障诊断方法程序被所述处理器执行时实现如下步骤:
获取轴承振动信号;
将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;
对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;
根据所述融合故障特征进行分析,得到轴承故障诊断信息。
根据本发明实施例,本方案根据小波变换原理建立了预设超小波卷积神经网络(SWCNN)。SWCNN将超小波卷积块作为CNN网络的第一层,对轴承振动信号进行降噪并增强关键故障特征。本方案选取Morlet小波、Laplace小波和Mexhat小波构成超小波块的小波核。超小波块从原始轴承振动信号中自适应的选择和构建能有效表示轴承故障信号的小波基,同时采用多种小波基函数进行小波变换,在不同尺度上凸显轴承故障特征,为CNN模型提供多尺度的故障特征。此外,超小波块能通过小波变换多分辨率分析的特性从噪声中分解出关键特征信息,从而提升CNN模型的抗噪性。
SWCNN采用自适应小波变换(AWT)采用Laplace小波、Morlet小波和Mexh小波构成自适应小波,能融合不同小波基的优点。并且,SWCNN无需人工选取小波基,它通过CNN对小波参数和组合系数对自适应小波进行优化,从而学习到一组具有良好降噪性能的自适应小波滤波器。本方案通过两个不同的轴承数据集,对SWCNN进行了分析。由结果可知,SWCNN不仅可以很好的保留原始信息,而且充分地考虑到了序列数据的内在联系,实现在强噪声情况下的故障诊断。
根据本发明实施例,还包括:
建立初始超小波卷积神经网络模型;
获取振动信号样本数据;
将所述振动信号样本数据按照预设比例划分为训练集、验证集和测试集;
将所述训练集、验证集和测试集分别输入至所述初始超小波卷积神经网络模型进行训练诊断,得到预设超小波卷积神经网络模型。
需要说明的是,本方案实验的轴承数据集来自多功能轴承故障模拟试验台,实验装置如图5所示。实验台主要由驱动电机、传动部分、支撑部分、控制器等组成。在滚动轴承故障实验中,采集了四种状态下信号,并获得正常轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承。其中采样频率为8192Hz,采集时间为120s,每种故障工况的采样信号序列长度为983040。
模拟实际工况中轴承裂纹、点蚀等故障,通过线切割加工凹槽的方式对滚动轴承的内圈、外圈和滚动体上植入不同深度的故障,深度分别为0.4mm、0.8mm、1.2mm。健康轴承可以被视为一种特殊的故障模式,因此实验数据集有十种轴承故障类型。
SWCNN模型的训练流程如图6所示,包括3个步骤:数据集划分、训练模型、模型诊断,具体步骤如下:
(1)将原始数据,也就是振动信号样本数据按照预设比例划分为三个数据集:训练集、验证集和测试集,所述预设比例为8:1:1。其中,训练集的数据是原始无噪声数据,以使SWCNN可以学习到合适的小波基。验证集和测试集均加入一定信噪比的噪声,以判断训练好的SWCNN模型能否抵抗噪声干扰,并对轴承故障进行诊断。
(2)训练模型时,首先对SWCNN的网络参数进行初始化。然后输入训练集,对SWCNN的各层参数进行训练,使SWCNN可以充分学习到原始数据的特征。最后,使用含有不同噪声的验证集对训练好的SWCNN模型进行检验,判断是否达到目标准确率。将上述步骤重复多次,选取最优模型作为诊断模型。
(3)模型诊断时,首先取步骤(2)中的最优模型作为诊断模型。然后,将测试集输入诊断模型。最后,将诊断模型的结果作为评估SWCNN性能的判断标准。
根据本发明实施例,将所述轴承振动信号输入至预设超小波卷积神经网络模型之后,还包括:
获取小波库数据;
对所述小波库数据进行分析,得到多个自适应小波;
所述自适应小波的计算方法用公式表示为:
其中,是第n个小波基函数,an是该小波基函数的尺度因子,bn是该小波基函数的平移因子,wn是超小波的组合系数,k表示第k类小波基函数。
需要说明的是,小波变换可以对轴承振动信号进行分解减少噪声对轴承振动信号的干扰,同时可以利用多分辨率分析的特性获得更多的信息。为利用小波变换多分辨率分析的特性,本方案提出了超小波块(SWB)。SWB由两个卷积层组成。第一个卷积层为小波变换层,由多个不同小波通道并行构成,每个小波通道代表一种小波基。第二个卷积层是加权融合层,它是一个1×1的标准卷积层,用于对不同小波通道输出的特征进行加权融合。
SWB的原理是利用自适应小波从轴承振动信号中提取故障特征,自适应小波采用多小波基互补机制,利用不同小波基获得互补特征,并对特征赋予不同的权重,充分提取轴承故障特征。此外,自适应小波满足小波的容许性条件,即它本身被视为一个小波。因此,SWB能融合不同小波基的优点,获得更多的故障特征信息,同时能学习到新小波基。
SWB具有两个主要优点,第一个优点是SWB通过多个小波基函数进行特征提取,以匹配振动信号中不同故障特征,获得更多的有用信息,进而增加CNN模型的抗噪性。第二个优点是SWB能直接输入原始振动信号,很好的保留了原始信息,减少采用去噪预处理造成的原始振动信号信息丢失。
根据本发明实施例,所述通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征,包括:
所述超小波块通过所述多个自适应小波分别对所述轴承振动信号进行小波变换,使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪,得到降噪振动信号;
通过所述多个自适应小波对所述降噪振动信号进行特征提取,得到多个尺度的轴承故障特征;
所述小波变换用公式表示为:
其中,ψ表示母小波,t为时间,a为与频率成反比的尺度因子,b为平移因子。
需要说明的是,小波变换层可以利用多个小波基从不同角度提取轴承故障特征。SWB工作时,轴承振动信号首先输入到小波变换层,输入信号在小波通道中进行小波变换对轴承振动信号进行分解,降低噪声干扰,并提取轴承故障特征。
小波变换提供了提供一个随信号频率改变的时频窗口,克服了短时傅里叶变换窗口大小不随频率变化的缺点,它能用于对信号进行时频分析和处理。因此,小波变换具有多分辨率分析的特性,能同时在时域和频域上对轴承振动信号进行局部化分析。可以将信号分解为具有多尺度和多频率的子带。信号在高频处具有高时间分辨率和低频率分辨率,在低频部分则具有高频率分辨率和低时间分辨率,小波变换可以同时表征时间和频率信息。小波变换的多分辨率特性使它在信号分解、去噪和分析非平稳信号等方面具有优异的表现。
小波是一类在时域和频域都具有局域性的函数。每个小波是单个母小波ψ的变化,称为小波成员。一个小波库{ψa,b(t)}由多个小波成员构成,可以通过控制母小波ψ(·)的尺度因子a和平移因子b构造。尺度因子a可以使信号收缩或拉伸。当尺度因子较低时,信号收缩。当尺度因子较高时,信号拉伸。小波变换包含三个步骤:
(1)选取一个小波基函数,然后计算与部分信号的相似系数。
(2)将小波向右平移b,继续计算相似系数,直到计算出信号的所有部分。
(3)改变小波的尺度参数a,重复步骤(1)和(2),直到所有尺度分析完成。
根据本发明实施例,所述对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征,包括:
将所述多个尺度的轴承故障特征分别乘以相对应的影响权重,得到多个故障特征的权重得分;
根据所述多个故障特征的权重得分选取多个关键故障特征;
对所述多个关键故障特征进行特征融合,得到融合故障特征。
需要说明的是,加权融合层是一个1×1的标准卷积层,用于对不同小波通道输出的特征进行加权融合。由于小波通道中的小波基函数不同,来自不同小波通道输出的轴承故障特征,其重要性存在差异。随后,加权融合层通过一组1×1的标准卷积层对输出的轴承故障特征赋予不同的权重,突出关键故障特征,从而确定最佳的轴承故障特征,并对特征进行融合。最终,SWB输出一组加权融合后的故障特征,并将这组特征作为CNN网络的输入,从而增强CNN网络的抗噪能力。
根据本发明实施例,所述根据所述融合故障特征进行分析,得到轴承故障诊断信息,包括:
将所述融合故障特征输入至多个卷积层;
所述多个卷积层根据预设方法对所述融合故障特征进行处理,并将处理后的故障特征发送至全连接层;
所述全连接层对所述处理后的故障特征进行整合分类,得到轴承故障诊断信息。
需要说明的是,SWCNN包括一个超小波块、4个标准卷积层、一些操作,如批量归一化、ReLu和全局最大池化,以及一个全连接层。所示预设方法具体为超小波块的输出将通过多个卷积层,用于增强特征表达。然后,在每一层卷积层的输出上依次执行一些操作,如批归一化、ReLu和全局最大池化。最后,通过全连接层输出分类结果。
另外,SWCNN的第二层卷积采用宽卷积核,增大感受野,提高诊断精度。后续卷积层均采用小卷积核,可以深入挖掘样本间隐藏的深层信息,且网络参数量少。此外,在所有卷积层之后添加了批量归一化和池化层,以加快训练速度并减小参数量。
根据本发明实施例,还包括:
通过重叠采样的方法对振动信号样本数据进行扩展。
需要说明的是,由于CWRU数据集中,每种故障数据集只有12万个采样点,训练样本有限。当训练样本过少时,会导致模型欠拟合,训练集和测试集的准确度将会降低。为了避免欠拟合的问题,本方案采用重叠采样的方法来扩展数据集。其中,滑动窗口大小为2048,滑动步长(偏移量)为100。从起始位置开始,每次向后滑动100个采样点,滑动窗口采集2048个采样点到依次构建数据样本,直到有600个样本。
根据本发明实施例,还包括:
在预设超小波卷积神经网络模型训练过程中,通过交叉熵函数和Adam算法对训练数据进行处理。
需要说明的是,为了提高模型的性能,使实验结果达到最优值,本方案对模型参数做了选择。在本方案的训练策略中,选择交叉熵函数和Adam作为损失函数和优化器,以加快模型的收敛速度并获得最优结果。交叉熵是一个用于评估预测概率分布和实际分布之间的差异的损失函数。交叉熵越小,两种概率分布越接近,模型的精度越高。Adam是一种学习率自适应优化算法,通过动态调整学习率参数,Adam算法可以提高学习率的鲁棒性,并帮助模型收敛。训练CNN模型需要将学习率设置在适当的范围内。学习率过高可能会导致不稳定,而学习率过小会增加训练时间。在保证训练稳定性的前提下,减少训练时间,本方案学习率设置为0.001。同时,本方案取训练批处理大小为128。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于超小波的轴承故障诊断方法程序,所述一种基于超小波的轴承故障诊断方法程序被处理器执行时,实现如上述任一项所述的一种基于超小波的轴承故障诊断方法的步骤。
本发明公开的一种基于超小波的风机齿轮箱轴承故障诊断方法、***和存储介质,所述方法包括:获取轴承振动信号;将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;根据所述融合故障特征进行分析,得到轴承故障诊断信息。本发明通过SWCNN对轴承振动信号进行处理,通过超小波块处理含有噪声的轴承振动信号,利用3种不同的小波基函数分别进行降噪处理与特征提取,增强SWCNN网络的抗噪能力。此外,超小波块的权重融合层能自适应地确定融合权重,从而增强故障特征明显的小波通道,进而突出关键特征,提高SWCNN的诊断准确率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于超小波的风机齿轮箱轴承故障诊断方法,其特征在于,包括:
获取轴承振动信号;
将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;
对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;
根据所述融合故障特征进行分析,得到轴承故障诊断信息。
2.根据权利要求1所述的一种基于超小波的风电电机轴承故障诊断方法,其特征在于,还包括:
建立初始超小波卷积神经网络模型;
获取风机齿轮箱轴承振动信号样本数据;
将所述振动信号样本数据按照预设比例划分为训练集、验证集和测试集;
将所述训练集、验证集和测试集分别输入至所述初始超小波卷积神经网络模型进行训练诊断,得到预设超小波卷积神经网络模型。
3.根据权利要求1所述的一种基于超小波的风机齿轮箱轴承故障诊断方法,其特征在于,将所述轴承振动信号输入至预设超小波卷积神经网络模型之后,还包括:
获取多个小波库数据;
对所述小波库数据进行分析,得到多个自适应小波;
所述自适应小波的计算方法用公式表示为:
其中,是第n个小波基函数,an是该小波基函数的尺度因子,bn是该小波基函数的平移因子,wn是超小波的组合系数,k表示第k类小波基函数。
4.根据权利要求3所述的一种基于超小波的风机齿轮箱轴承故障诊断方法,其特征在于,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征,包括:
所述超小波块通过所述多个自适应小波基分别对所述轴承振动信号进行小波变换,使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪,得到降噪振动信号;
通过所述多个自适应小波对所述降噪振动信号进行特征提取,得到多个尺度的轴承故障特征;
所述小波变换用公式表示为:
其中,ψ表示母小波,t为时间,a为与频率成反比的尺度因子,b为平移因子。
5.根据权利要求1所述的一种基于超小波的风机齿轮箱轴承故障诊断方法,其特征在于,所述对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征,包括:
将所述多个尺度的轴承故障特征分别乘以相对应的影响权重,得到多个故障特征的权重得分;
根据所述多个故障特征的权重得分选取多个关键故障特征;
对所述多个关键故障特征进行特征融合,得到融合故障特征。
6.根据权利要求1所述的一种基于超小波的风机齿轮箱轴承故障诊断方法,其特征在于,所述根据所述融合故障特征进行分析,得到轴承故障诊断信息,包括:
将所述融合故障特征输入至多个卷积层;
所述多个卷积层根据预设方法对所述融合故障特征进行处理,并将处理后的故障特征发送至全连接层;
所述全连接层对所述处理后的故障特征进行整合分类,得到轴承故障诊断信息。
7.一种基于超小波的轴承故障诊断***,其特征在于,包括存储器和处理器,所述存储器中包括基于超小波的轴承故障诊断方法程序,所述基于超小波的轴承故障诊断方法程序被所述处理器执行时实现如下步骤:
获取风机齿轮箱轴承振动信号;
将所述轴承振动信号输入至预设超小波卷积神经网络模型,通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征;
对所述多个尺度的轴承故障特征进行加权融合,得到融合故障特征;
根据所述融合故障特征进行分析,得到轴承故障诊断信息。
8.根据权利要求7所述的一种基于超小波的轴承故障诊断***,其特征在于,将所述轴承振动信号输入至预设超小波卷积神经网络模型之后,还包括:
获取多个小波库数据;
对所述小波库数据进行分析,得到多个自适应小波;
所述自适应小波的计算方法用公式表示为:
其中,是第n个小波基函数,an是该小波基函数的尺度因子,bn是该小波基函数的平移因子,wn是超小波的组合系数,k表示第k类小波基函数。
9.根据权利要求8所述的一种基于超小波的风机齿轮箱轴承故障诊断***,其特征在于,所述通过超小波块对所述轴承振动信号进行分析,得到多个尺度的轴承故障特征,包括:
所述超小波块通过所述多个自适应小波分别对所述轴承振动信号进行小波变换,使所述超小波块通过小波变换对所述轴承振动信号进行分解降噪,得到降噪振动信号;
通过所述多个自适应小波对所述降噪振动信号进行特征提取,得到多个尺度的轴承故障特征;
所述小波变换用公式表示为:
其中,ψ表示母小波,t为时间,a为与频率成反比的尺度因子,b为平移因子。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于超小波的轴承故障诊断方法程序,所述一种基于超小波的轴承故障诊断方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种基于超小波的轴承故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462774.5A CN116484176A (zh) | 2023-04-26 | 2023-04-26 | 一种基于超小波的轴承故障诊断方法、***和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462774.5A CN116484176A (zh) | 2023-04-26 | 2023-04-26 | 一种基于超小波的轴承故障诊断方法、***和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116484176A true CN116484176A (zh) | 2023-07-25 |
Family
ID=87226554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310462774.5A Pending CN116484176A (zh) | 2023-04-26 | 2023-04-26 | 一种基于超小波的轴承故障诊断方法、***和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484176A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909668A (zh) * | 2024-03-19 | 2024-04-19 | 安徽大学 | 基于卷积神经网络的轴承故障诊断方法及*** |
-
2023
- 2023-04-26 CN CN202310462774.5A patent/CN116484176A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909668A (zh) * | 2024-03-19 | 2024-04-19 | 安徽大学 | 基于卷积神经网络的轴承故障诊断方法及*** |
CN117909668B (zh) * | 2024-03-19 | 2024-06-07 | 安徽大学 | 基于卷积神经网络的轴承故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946389B (zh) | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 | |
Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN111126819B (zh) | 一种城市行驶工况智能分析方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及*** | |
CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、***和存储介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN117030263A (zh) | 多传感器信号融合下基于改进残差网络的轴承故障诊断方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、***、计算机及存储介质 | |
CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及*** | |
CN114065809A (zh) | 一种乘用车异响识别方法、装置、电子设备以及存储介质 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和*** | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
CN114420151B (zh) | 基于并联张量分解卷积神经网络的语音情感识别方法 |
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 |