WO2020244134A1 - 一种基于多任务特征共享神经网络的智能故障诊断方法 - Google Patents

一种基于多任务特征共享神经网络的智能故障诊断方法 Download PDF

Info

Publication number
WO2020244134A1
WO2020244134A1 PCT/CN2019/114907 CN2019114907W WO2020244134A1 WO 2020244134 A1 WO2020244134 A1 WO 2020244134A1 CN 2019114907 W CN2019114907 W CN 2019114907W WO 2020244134 A1 WO2020244134 A1 WO 2020244134A1
Authority
WO
WIPO (PCT)
Prior art keywords
task
fault
neural network
prediction
model
Prior art date
Application number
PCT/CN2019/114907
Other languages
English (en)
French (fr)
Inventor
李巍华
王震
黄如意
Original Assignee
华南理工大学
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 华南理工大学 filed Critical 华南理工大学
Priority to US17/616,686 priority Critical patent/US11640521B2/en
Publication of WO2020244134A1 publication Critical patent/WO2020244134A1/zh

Links

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
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Definitions

  • the invention belongs to the field of mechanical fault diagnosis, and specifically relates to an intelligent fault diagnosis method based on a multi-task feature sharing neural network.
  • the general intelligent fault diagnosis method still has the following limitations: 1) The same type of fault with different degradation degrees is regarded as multiple different failure modes, and the classification method is used to identify the degradation degree. In the actual industrial environment, the parameters for evaluating the degree of equipment degradation are mostly continuously changing physical quantities. The classification method for equipment degradation assessment does not conform to the actual situation of the industry; 2) When the working conditions (such as speed and load) change, The generalization ability of the diagnostic algorithm is poor.
  • the present invention proposes an intelligent fault diagnosis method based on multi-task feature sharing neural network.
  • the method has the feature of multi-task feature sharing.
  • Multi-task joint training is adopted to realize multi-task intelligent diagnosis at the same time.
  • An intelligent fault diagnosis method based on multi-task feature sharing neural network including steps:
  • step (3) Using a multi-task joint loss function, under the Keras framework, input the training set obtained in step (1) into the model constructed in step (2), and train the classification and prediction models at the same time;
  • the original vibration acceleration signal collected by the experiment is a one-dimensional vector with a certain length; when a data segment of a certain length is intercepted from the original vibration acceleration signal to form a sample, the overlap sampling method is adopted To enhance the samples of the data set.
  • the adaptive feature extractor constructed in step (2) is based on a one-dimensional convolutional neural network and consists of an input layer, a convolutional layer, and a pooling layer. Multiple convolutional layers and pooling layers are stacked in sequence The structure extracts deep features from the vibration acceleration signal.
  • the specific construction steps are:
  • Z l is the output of the lth layer
  • Z l-1 is the output of the l-1 layer
  • b l is the bias to be optimized
  • the convolution kernel W l is the weight vector to be learned
  • ⁇ is the nonlinear activation function
  • the fault type classification model constructed in step (2) is composed of a convolutional layer and a Softmax classifier; the prediction model is composed of a stack length and short-term memory network; the input of the fault type classification model and the prediction model is the self The output of the adaptive feature extractor, the fault type classification model and the prediction model share the high-dimensional features extracted by the adaptive feature extractor.
  • the training loss function is the multi-task joint loss function, which is the linear weighted sum of the loss functions of each task, and its mathematical expression is:
  • the loss function of the fault type classification task is the cross entropy loss function (Cross Entropy Loss), and its expression is:
  • N and K respectively represent the number of samples and the number of categories;
  • y n represents the true category of the nth sample;
  • 1 ⁇ * ⁇ is an indicative function, and the expression represented by "*" returns 1 when it is true, otherwise it returns 0;
  • the loss function of the fault size prediction task is the mean square error loss function (Mean Square Error, MSE), and its expression is:
  • N represents the number of samples; Represents the true fault size of the nth sample; Represents the neuron predicted value of the nth sample.
  • the beneficial effects of the present invention include:
  • the intelligent fault diagnosis method based on the multi-task feature sharing neural network proposed in the present invention can realize the classification of fault types and the prediction of fault degree at the same time, which greatly improves the diversity of diagnosis, and is used to evaluate the comprehensive performance and degradation degree of equipment Provides important information.
  • the present invention adopts multi-task joint training. Compared with the traditional method of training multiple single-task models, the model parameters are reduced and the time complexity of the algorithm is reduced.
  • the present invention uses the original vibration signal as input, avoids artificial feature extraction, reduces the dependence on professional knowledge such as signal processing, and greatly improves the intelligence of diagnosis.
  • the intelligent fault diagnosis method based on the multi-task feature sharing neural network proposed by the present invention has a high scalability. In actual industrial applications, more task models can be added according to the actual industrial scene, thereby flexibly implementing multi-attribute intelligent diagnosis , Is of great significance to the health assessment and predictive maintenance of equipment.
  • FIG. 1 is a flowchart of an embodiment of the present invention
  • Fig. 2 is a schematic diagram of a network structure according to an embodiment of the present invention.
  • an intelligent fault diagnosis method based on multi-task feature sharing neural network takes the original vibration signal as input, adopts multi-task joint training, and realizes fault classification and fault degree prediction at the same time, including steps:
  • S2 construct a multi-task feature sharing neural network, including the construction of a feature extractor based on a one-dimensional convolutional neural network, consisting of an input layer, a convolutional layer, and a pooling layer, multiple convolutional layers and pools
  • the sequential stacking structure of the chemical layer extracts deep features from the original vibration signal.
  • the specific construction steps are:
  • Z l is the output of the lth layer
  • Z l-1 is the output of the l-1 layer
  • b l is the bias to be optimized
  • the convolution kernel W l is the weight vector to be learned
  • ⁇ is the nonlinear activation function .
  • step S2.3 Perform a maximum pooling operation on the features output in step S2.2 to obtain more abstract features
  • the training set obtained in step S1 is input into the model constructed in steps S2-S3, and the classification and prediction models are trained at the same time.
  • the training loss function is a multi-task joint loss function, which is the linear weighted sum of the loss functions of each task. Its mathematical expression is:
  • the loss function of the fault type classification task is the cross entropy loss function (Cross Entropy Loss), and its expression is:
  • the loss function of the fault size prediction task is the mean square error loss function (Mean Square Error, MSE), and its expression is:
  • N represents the number of samples; Represents the true fault size of the nth sample; Represents the neuron predicted value of the nth sample.
  • Rolling bearings are an important part of rotating machinery.
  • the failure classification and failure degree prediction experiments are designed for rolling bearings.
  • the experimental data set is the rolling bearing data set of Case Western Reserve University in the United States.
  • the acceleration data of the drive end bearing with a sampling frequency of 12KHz is selected, including three working conditions, as shown in Table 1.
  • a certain length of data segment is intercepted from the original signal to form a single training sample.
  • the length of each sample is selected as 2048 points, and the coincidence rate of two adjacent samples is 25%.
  • the specific data set composition and sample size are shown in Table 2.
  • the training optimizer is Adam
  • the learning rate is set to 0.001
  • the batch size (Batch_size) is 128, and the number of iterations (Epochs) is 20.
  • the data set is divided into training set and test set 7:3, and the accuracy of classification and prediction of the model is verified under three different working conditions of A, B, and C by means of cross-validation.
  • the classification accuracy is used to evaluate the classification accuracy of the fault type
  • the root mean square error (RMSE) is used to evaluate the prediction error of the fault size.
  • RMSE root mean square error
  • N represents the number of samples; Represents the true fault size of the nth sample; Represents the neuron predicted value of the nth sample.
  • the experimental results are shown in Table 4.
  • the present invention discloses an intelligent fault diagnosis method based on multi-task feature sharing neural network.
  • the method takes the original vibration signal as an input, adopts multi-task joint training, and realizes fault classification and fault degree prediction at the same time. That is, first, through the adaptive feature extractor based on the convolutional neural network, the general features containing the shared knowledge between multiple tasks are extracted from the original vibration signal; then, the fault classification model based on the Softmax classifier and the long and short-term memory network are used. The failure degree prediction model simultaneously realizes multi-task fault diagnosis.
  • the method realizes the classification and identification of bearing fault types and the regression prediction of fault size at the same time, and has high practical application value.

Landscapes

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

Abstract

本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：(1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，通过截取一定长度的信号数据来构成样本，并进行标注；(2)构建多任务特征共享神经网络，包括：输入层、特征提取器、分类模型和预测模型；(3)采用多任务联合训练，同时训练分类和预测模型；(4)将实际工业环境中采集的振动加速度信号输入已训练好的模型，得到多任务诊断结果。本发明能同时实现对故障类型的分类以及故障程度的预测，具有较高的实际应用价值。

Description

一种基于多任务特征共享神经网络的智能故障诊断方法 技术领域
本发明属于机械故障诊断领域，具体涉及一种基于多任务特征共享神经网络的智能故障诊断方法。
背景技术
随着科学技术的快速发展，我国机械制造业正逐步进入数字化的智能制造时代。各行各业的机械设备***不断朝着复杂化、数字化和智能化的方向发展。然而，长期运行于高负荷、高转速和高作业率状态下的机械设备，极易出现疲劳失效，进而导致设备停机，甚至导致重大安全事故和巨大的经济损失。因此，智能故障诊断与预测性维护技术已经成为了工业界和学术界研究的热点话题。
近年来，基于深度学习和数据驱动的智能诊断方法在工业实际中得到了较为广泛地应用。然而，一般的智能故障诊断方法仍存在以下局限性：1)将不同退化程度的同类型故障视作多种不同的故障模式，利用分类的方法来识别退化程度。而在实际工业环境中，评价设备退化程度的参量多为连续变化的物理量，以分类的方法来进行设备退化评估不符合工业实际情况；2)当工况(如转速和载荷)发生变化时，诊断算法的泛化能力较差。传统方法一般通过扩大数据集的样本量来提高模型的泛化能力，但要收集所有工况下各个故障类型的数据，不仅经济代价大，而且费时费力，实施的可行性差；3)现有方法多限于诊断特定任务，如设备故障分类或性能退化预测，算法的可拓展性和可迁移性较差，难以满足实际工业环境中愈发多样和灵活的诊断需求。
发明内容
针对上述技术问题，本发明提出一种基于多任务特征共享神经网络的智能故障诊断方法，该方法具有多任务特征共享的特点，采用多任务联合训练，可同时实现多任务智能诊断。
本发明的目的至少通过如下技术方案之一实现。
一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：
(1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，从所述原始振动加速度信号中截取一定长度的数据段来构成样本，并进行标注；
(2)构建多任务特征共享神经网络，包括：输入层、基于卷积神经网络的自适应特征提取器、基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型，用于同时实现对故障类型的诊断，以及对故障退化程度的预测；
(3)采用多任务联合损失函数，在Keras框架下，将步骤(1)中得到的训练集输入步骤(2)构建的模型，同时训练分类和预测模型；
(4)将实际工业环境中采集的振动加速度信号输入由步骤(3)中训练好的模型，同时实现故障类型的在线分类与故障退化程度的在线预测，从而得到对机械设备故障诊断与预测的多任务结果。
进一步地，所述步骤(1)中，试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强。
进一步地，步骤(2)中构建的自适应特征提取器以一维卷积神经网络为基础，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆 叠结构从振动加速度信号中提取深层特征，具体构建步骤为：
2.1)将输入层的输入特征表示
Figure PCTCN2019114907-appb-000001
与不同尺寸的卷积核
Figure PCTCN2019114907-appb-000002
进行卷积，形成新的特征表示
Figure PCTCN2019114907-appb-000003
表达式为：
Figure PCTCN2019114907-appb-000004
2.2)对步骤2.1)中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z l，其数学模型为：
Z l＝σ(W l*Z l-1+b l)，
其中Z l为第l层的输出，Z l-1为第l-1层的输出，b l为待优化的偏置，卷积核W l为待学习的权重向量，σ为非线性激活函数；
2.3)对步骤2.2)输出的特征进行最大值池化操作，从而得到更为抽象的特征
Figure PCTCN2019114907-appb-000005
进一步地，步骤(2)中构建的故障类型分类模型由卷积层和Softmax分类器组成；预测模型由堆栈长短时记忆网络组成；所述故障类型分类模型和预测模型的输入均为所述自适应特征提取器的输出，所述故障类型分类模型和预测模型共享自适应特征提取器提取的高维特征。
进一步地，所述步骤(3)采用多任务联合训练，训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：
L＝λ 1L 1+λ 2L 2
其中L 1和L 2分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ 1和λ 2为对应任务的权重，根据训练取得的效果，此处取λ 1＝0.3和λ 2＝1.0；
故障类型分类任务的损失函数为交叉熵损失函数(Cross Entropy Loss)，其表达式为：
Figure PCTCN2019114907-appb-000006
其中N和K分别表示样本数及类别数；y n表示第n个样本的真实类别；
Figure PCTCN2019114907-appb-000007
表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0；
故障尺寸预测任务的损失函数为均方误差损失函数(Mean Square Error,MSE)，其表达式为：
Figure PCTCN2019114907-appb-000008
其中N表示样本数；
Figure PCTCN2019114907-appb-000009
表示第n个样本的真实故障尺寸；
Figure PCTCN2019114907-appb-000010
表示第n个样本的神经元预测值。
相比现有技术，本发明的有益效果包括：
1)本发明所提的基于多任务特征共享神经网络的智能故障诊断方法可同时实现对故障类型的分类和故障程度的预测，大大提升了诊断的多样性，为评价设备的综合性能和退化程度提供了重要信息。
2)本发明采用多任务联合训练，相较训练多个单任务模型的传统方法，减少了模型参数，降低了算法的时间复杂度。
3)本发明使用原始振动信号作为输入，避免了人为特征提取，减少了对信号处理等专业知识的依赖性，大大提升了诊断的智能性。
4)本发明所提的基于多任务特征共享神经网络的智能故障诊断方法具有较高的扩展能力，在实际工业应用中，可根据实际工业场景添加更多任务模型，从而灵活实现多属性智能诊断，对设备的健康评估和预测性维护具有重要意义。
附图说明
图1是本发明实施例的流程图；
图2是本发明实施例的网络结构示意图。
具体实施方式
下面结合附图和具体实施步骤对本发明进行详细说明，但本发明的实施方式不限于此。
实施例
如图1所示，一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测，包括步骤：
S1、分别采集旋转机械在不同实验工况下的振动加速度信号，再从原始振动加速度信号中截取一定长度的数据段来构成样本；试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强，样本长度为2048点，相邻两个样本的首尾重合率为25％。
S2、如图2所示，构建多任务特征共享神经网络，包括构建基于一维卷积神经网络的特征提取器，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从原始振动信号中提取深层特征，具体构建步骤为：
S2.1、将输入层的输入特征表示
Figure PCTCN2019114907-appb-000011
与不同尺寸的卷积核
Figure PCTCN2019114907-appb-000012
进行卷积，形成新的特征表示
Figure PCTCN2019114907-appb-000013
表达式为：
Figure PCTCN2019114907-appb-000014
S2.2、步骤对S2.1中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z l，其数学模型为：
Z l＝σ(W l*Z l-1+b l)
其中Z l为第l层的输出，Z l-1为第l-1层的输出，b l为待优化的偏置，卷积核W l为待学习的权重向量，σ为非线性激活函数。
S2.3、对步骤S2.2输出的特征进行最大值池化操作，从而得到更为抽象的特征
Figure PCTCN2019114907-appb-000015
S3、构建基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型。
S4、采用多任务联合训练，在Keras框架下，将步骤S1中得到的训练集输入步骤S2-S3构建的模型，同时训练分类和预测模型。训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：
L＝λ 1L 1+λ 2L 2
其中L 1和L 2分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ 1和λ 2为对应任务的权重，根据训练取得的效果，此处取λ 1＝0.3和λ 2＝1.0；
故障类型分类任务的损失函数为交叉熵损失函数(Cross Entropy Loss)，其表达式为：
Figure PCTCN2019114907-appb-000016
其中N和K分别表示样本数及类别数；y n表示第n个样本的真实类别；
Figure PCTCN2019114907-appb-000017
表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0。
故障尺寸预测任务的损失函数为均方误差损失函数(Mean Square Error,MSE)，其表达式为：
Figure PCTCN2019114907-appb-000018
其中N表示样本数；
Figure PCTCN2019114907-appb-000019
表示第n个样本的真实故障尺寸；
Figure PCTCN2019114907-appb-000020
表示第n个样本的神经元预测值。
S5、将实际工业环境中采集的振动加速度信号输入由步骤S4中训练好的模型，得到多任务诊断结果。
实验案例：
滚动轴承是旋转机械的重要组成部分。为了验证本发明所提方法的有效性，以滚动轴承为对象设计了故障分类和故障程度预测实验。
1、实验数据
实验数据集为美国凯斯西储大学的滚动轴承数据集。选取采样频率为12KHz的驱动端轴承加速度数据，包括3种工况，如表1所示。
表1试验工况
Figure PCTCN2019114907-appb-000021
由原始信号中截取一定长度的数据段来构成单个训练样本。选取每个样本的长度为2048个点，相邻两个样本的首尾重合率为25％。具体数据集构成和样本数量如表2所示。
表2实验样本组成
Figure PCTCN2019114907-appb-000022
Figure PCTCN2019114907-appb-000023
2、网络参数
利用深度学习框架Keras构建模型，模型的结构参数见表3所示。训练优化器为Adam，学习率设置为0.001，批量(Batch_size)为128，迭代次数(Epochs)为20。
表3模型结构参数
Figure PCTCN2019114907-appb-000024
Figure PCTCN2019114907-appb-000025
3、实验结果与分析
将数据集以7:3划分为训练集和测试集，以交叉验证的方式，分别在A、B、C三种不同工况下验证模型在分类与预测方面的准确性。为合理评价诊断算法的准确性，利用分类准确率来评价故障类型的分类准确率，用均方根误差(Root Mean Square Error，RMSE)来评价故障尺寸的预测误差，其数学表达式为：
Figure PCTCN2019114907-appb-000026
其中N表示样本数；
Figure PCTCN2019114907-appb-000027
表示第n个样本的真实故障尺寸；
Figure PCTCN2019114907-appb-000028
表示第n个样本的神经元预测值。实验结果见表4。
表4不同工况下的诊断结果
Figure PCTCN2019114907-appb-000029
由表4可以发现，在不同工况下，模型对故障类型的识别准确率均达到了100％；对故障尺寸的预测也达到较高的精度，三种工况下RMSE的平均值为0.0125。
综上所述，本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，该方法将原始振动信号作为输入，采用多任务联合训练，同时实现故障分类和故障程度预测。即首先，通过基于卷积神经网络的自适应特征提取器，从原始振动信号中提取包含有多任务间共享知识的通用特征；然后，由基于 Softmax分类器的故障分类模型和基于长短时记忆网络的故障程度预测模型同时实现多任务故障诊断。实验证明，方法同时实现了轴承故障类型的分类识别和故障尺寸的回归预测，具有较高的实际应用价值。
最后需要说明的是，上述实施方式只是对本发明一个优选实施例所作的描述，并非对本发明保护范围进行的限定，在不脱离本发明设计精神的前提下，本领域技术人员对本发明的技术方案做出的各种等效的变化、修饰和改进，均应包括在本发明申请专利范围内。

Claims (5)

  1. 一种基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，包括步骤：
    (1)分别采集旋转机械在不同实验工况下的原始振动加速度信号，从所述原始振动加速度信号中截取一定长度的数据段来构成样本，并进行标注；
    (2)构建多任务特征共享神经网络，包括：输入层、基于卷积神经网络的自适应特征提取器、基于Softmax分类器的故障类型分类模型和基于长短时记忆网络的故障程度预测模型，用于同时实现对故障类型的诊断，以及对故障退化程度的预测；
    (3)采用多任务联合损失函数，在Keras框架下，将步骤(1)中得到的训练集输入步骤(2)构建的模型，同时训练分类和预测模型；
    (4)将实际工业环境中采集的振动加速度信号输入由步骤(3)中训练好的模型，同时实现故障类型的在线分类与故障退化程度的在线预测，从而得到对机械设备故障诊断与预测的多任务结果。
  2. 根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，所述步骤(1)中，试验采集得到的原始振动加速度信号是具有一定长度的一维向量；由原始振动加速度信号中截取一定长度的数据段来构成样本时，采用重叠采样的方法来对数据集的样本进行增强。
  3. 根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，步骤(2)中构建的自适应特征提取器以一维卷积神经网络为基础，由输入层、卷积层、池化层组成，多个卷积层和池化层的顺序堆叠结构从振动加速度信号中提取深层特征，具体构建步骤为：
    2.1)将输入层的输入特征表示
    Figure PCTCN2019114907-appb-100001
    与不同尺寸的卷积核
    Figure PCTCN2019114907-appb-100002
    进行卷积，形成新的特征表示
    Figure PCTCN2019114907-appb-100003
    表达式为：
    Figure PCTCN2019114907-appb-100004
    2.2)对步骤2.1)中得到的深层特征表示V添加偏置，再经非线性激活得到输出特征表示Z l，其数学模型为：
    Z l＝σ(W l*Z l-1+b l)，
    其中Z l为第l层的输出，Z l-1为第l-1层的输出，b l为待优化的偏置，卷积核W l为待学习的权重向量，σ为非线性激活函数；
    2.3)对步骤2.2)输出的特征进行最大值池化操作，从而得到更为抽象的特征
    Figure PCTCN2019114907-appb-100005
  4. 根据权利要求3所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，步骤(2)中构建的故障类型分类模型由卷积层和Softmax分类器组成；预测模型由堆栈长短时记忆网络组成；所述故障类型分类模型和预测模型的输入均为所述自适应特征提取器的输出，所述故障类型分类模型和预测模型共享自适应特征提取器提取的高维特征。
  5. 根据权利要求1所述的基于多任务特征共享神经网络的智能故障诊断方法，其特征在于，所述步骤(3)采用多任务联合训练，训练损失函数为多任务联合损失函数，为各任务损失函数的线性加权和，其数学表达式为：
    L＝λ 1L 1+λ 2L 2
    其中L 1和L 2分别为故障类型分类任务和故障尺寸预测任务的损失函数；λ 1和λ 2为对应任务的权重，根据训练取得的效果，此处取λ 1＝0.3和λ 2＝1.0；
    所述故障类型分类任务的损失函数为交叉熵损失函数，其表达式为：
    Figure PCTCN2019114907-appb-100006
    其中N和K分别表示样本数及类别数；y n表示第n个样本的真实类别；
    Figure PCTCN2019114907-appb-100007
    表示第n个样本对应的第k个输出神经元的激活值；1{*}是指示性函数，“*”代表的表达式为真时返回1，否则返回0；
    故障尺寸预测任务的损失函数为均方误差损失函数，其表达式为：
    Figure PCTCN2019114907-appb-100008
    其中N表示样本数；
    Figure PCTCN2019114907-appb-100009
    表示第n个样本的真实故障尺寸；
    Figure PCTCN2019114907-appb-100010
    表示第n个样本的神经元预测值。
PCT/CN2019/114907 2019-06-05 2019-10-31 一种基于多任务特征共享神经网络的智能故障诊断方法 WO2020244134A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/616,686 US11640521B2 (en) 2019-06-05 2019-10-31 Intelligent fault diagnosis method based on multi-task feature sharing neural network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910486472.5A CN110361176B (zh) 2019-06-05 2019-06-05 一种基于多任务特征共享神经网络的智能故障诊断方法
CN201910486472.5 2019-06-05

Publications (1)

Publication Number Publication Date
WO2020244134A1 true WO2020244134A1 (zh) 2020-12-10

Family

ID=68215676

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/114907 WO2020244134A1 (zh) 2019-06-05 2019-10-31 一种基于多任务特征共享神经网络的智能故障诊断方法

Country Status (3)

Country Link
US (1) US11640521B2 (zh)
CN (1) CN110361176B (zh)
WO (1) WO2020244134A1 (zh)

Cited By (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529104A (zh) * 2020-12-23 2021-03-19 东软睿驰汽车技术（沈阳）有限公司 一种车辆故障预测模型生成方法、故障预测方法及装置
CN112668459A (zh) * 2020-12-25 2021-04-16 合肥工业大学 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法
CN112697435A (zh) * 2021-01-26 2021-04-23 山西三友和智慧信息技术股份有限公司 一种基于改进seld-tcn网络的滚动轴承故障诊断方法
CN112729834A (zh) * 2021-01-20 2021-04-30 北京理工大学 一种轴承故障的诊断方法、装置和***
CN112733706A (zh) * 2021-01-07 2021-04-30 河南理工大学 基于双线性lbp的电机故障诊断方法、电子设备及介质
CN112729831A (zh) * 2021-01-20 2021-04-30 北京理工大学 轴承故障诊断方法、装置及***
CN112766251A (zh) * 2020-12-30 2021-05-07 广东电网有限责任公司佛山供电局 变电设备红外检测方法、***、储存介质及计算机设备
CN112816191A (zh) * 2020-12-28 2021-05-18 哈尔滨工业大学 一种基于sdrsn的多特征健康因子融合方法
CN112861443A (zh) * 2021-03-11 2021-05-28 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN112964469A (zh) * 2021-02-28 2021-06-15 哈尔滨理工大学 一种迁移学习的变负载下滚动轴承在线故障诊断方法
CN112990289A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 基于多任务预测模型的数据处理方法、装置、设备和介质
CN113128338A (zh) * 2021-03-15 2021-07-16 西安理工大学 一种小样本下印刷机滚筒故障的智能诊断方法
CN113177484A (zh) * 2021-04-30 2021-07-27 洛阳师范学院 基于lof自编码的机械故障智能诊断方法
CN113378461A (zh) * 2021-06-08 2021-09-10 中国人民解放军陆军工程大学 基于互联网和混合现实的工程机械故障诊断示教方法
CN113408578A (zh) * 2021-05-13 2021-09-17 华南理工大学 基于生成式对抗网络的谐波减速器故障诊断方法及***
CN113435322A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种主轴轴承故障检测方法、***、设备及可读存储介质
CN113469281A (zh) * 2021-07-22 2021-10-01 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN113538353A (zh) * 2021-07-05 2021-10-22 华北电力大学（保定） 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN113536697A (zh) * 2021-08-24 2021-10-22 江南大学 一种基于改进残差网络和wgan的轴承剩余寿命预测方法
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN113536658A (zh) * 2021-05-21 2021-10-22 西北工业大学 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法
CN113610119A (zh) * 2021-07-19 2021-11-05 西安交通大学 基于卷积神经网络识别输电线路发展性故障的方法
CN113640027A (zh) * 2021-08-12 2021-11-12 常州英集动力科技有限公司 基于边缘计算和神经网络的换热机组故障诊断方法及***
CN113639993A (zh) * 2021-08-17 2021-11-12 燕山大学 多模态多任务卷积神经网络的齿轮箱故障诊断方法
CN113641486A (zh) * 2021-07-05 2021-11-12 西安理工大学 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN113657220A (zh) * 2021-08-03 2021-11-16 南方电网数字电网研究院有限公司 电能质量扰动信号分类模型的训练方法及装置
CN113656919A (zh) * 2021-09-17 2021-11-16 西安交通大学 一种基于深度卷积神经网络的非对称转子位移场重构方法
CN113671380A (zh) * 2021-08-23 2021-11-19 哈尔滨工业大学（威海） 一种基于深度学习的动力电池***多故障诊断方法
CN113780432A (zh) * 2021-09-15 2021-12-10 中国人民解放军国防大学联合作战学院 基于增强学习的网络信息***运维异常智能检测方法
CN113807190A (zh) * 2021-08-20 2021-12-17 西安理工大学 一种基于stft与cnn的列车轴承故障诊断方法
CN113815679A (zh) * 2021-08-27 2021-12-21 北京交通大学 一种高速列车自主驾驶控制的实现方法
CN113837245A (zh) * 2021-09-06 2021-12-24 西安理工大学 一种柔性印刷电子装备核心单元故障诊断方法
CN113869286A (zh) * 2021-12-01 2021-12-31 中国工程物理研究院电子工程研究所 一种自适应多任务智能故障诊断模型及故障诊断方法
CN113872024A (zh) * 2021-12-01 2021-12-31 中国工程物理研究院电子工程研究所 面向光纤激光***多源物理监测量的智能故障诊断方法
CN113865872A (zh) * 2021-11-03 2021-12-31 西安电子科技大学 基于小波包重构成像和cnn的轴承故障诊断方法
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法
CN113933054A (zh) * 2021-09-23 2022-01-14 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器
CN113962256A (zh) * 2021-09-29 2022-01-21 西安交通大学 一种用于机电作动器智能故障诊断方法及***
CN113970444A (zh) * 2021-10-22 2022-01-25 北京航空航天大学 基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法
CN114266312A (zh) * 2021-12-22 2022-04-01 桂林电子科技大学 一种基于多任务学习的射频指纹和通信协议的识别方法
CN114279728A (zh) * 2021-12-07 2022-04-05 郑州大学 一种振动筛机体的故障诊断方法及***
CN114323635A (zh) * 2022-01-08 2022-04-12 中国船舶重工集团公司第七一九研究所 一种基于太赫兹雷达的阀门故障状态感算诊断方法及***
CN114444620A (zh) * 2022-04-08 2022-05-06 中国石油大学(华东) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN114757239A (zh) * 2022-06-15 2022-07-15 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法
CN114818579A (zh) * 2022-05-30 2022-07-29 桂林电子科技大学 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN114821856A (zh) * 2022-04-18 2022-07-29 大连理工大学 一种并联于行车电脑的汽车快速维修智能辅助装置
CN114925809A (zh) * 2022-04-13 2022-08-19 北京印刷学院 基于lstm的印刷机轴承故障诊断方法及装置
CN115407753A (zh) * 2022-08-18 2022-11-29 广东元梦泽技术服务有限公司 一种多变量加权集成学习的工业故障诊断方法
CN116484172A (zh) * 2023-01-19 2023-07-25 南京林业大学 一种基于强鲁棒性多尺度网络的机械故障诊断方法和***
CN116858541A (zh) * 2023-09-01 2023-10-10 湖南科技大学 基于密集特征重用的轴承早期故障诊断方法及***
CN116956197A (zh) * 2023-09-14 2023-10-27 山东理工昊明新能源有限公司 基于深度学习的能源设施故障预测方法、装置及电子设备
CN117216521A (zh) * 2023-09-14 2023-12-12 成都飞航智云科技有限公司 一种基于神经网络的飞行器故障智能诊断方法
CN117290732A (zh) * 2023-11-24 2023-12-26 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361176B (zh) 2019-06-05 2021-11-19 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备
CN111060838B (zh) * 2019-12-31 2022-03-25 中国人民解放军陆军军医大学第二附属医院 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法
CN111079705B (zh) * 2019-12-31 2023-07-25 北京理工大学 一种振动信号分类方法
CN110954312B (zh) * 2020-02-19 2020-11-20 北京化工大学 一种基于无键相整周期信号的往复机械故障诊断方法
CN112052902B (zh) * 2020-04-16 2023-05-23 北京信息科技大学 滚动轴承故障诊断方法、***、计算机程序及存储介质
CN111665066B (zh) * 2020-05-18 2021-06-11 东华大学 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN111595582A (zh) * 2020-05-26 2020-08-28 中国人民解放军陆军装甲兵学院 一种滚动轴承故障诊断方法
CN111678696A (zh) * 2020-06-17 2020-09-18 南昌航空大学 基于联邦学习的机械智能故障诊断方法
CN111858526B (zh) * 2020-06-19 2022-08-16 国网福建省电力有限公司信息通信分公司 基于信息***日志的故障时间空间预测方法及***
CN112097365A (zh) * 2020-07-10 2020-12-18 珠海派诺科技股份有限公司 基于预测和分类模型的空调故障检测与辩识方法及装置
CN111896050B (zh) * 2020-07-14 2021-04-06 江苏云聚汇科技有限公司 一种烟尘测量仪的种类限定方法
CN112085079B (zh) * 2020-08-31 2023-05-23 无锡市锡羚节能环保设备有限公司 一种基于多尺度多任务学习的滚动轴承故障诊断方法
CN112418267B (zh) * 2020-10-16 2023-10-24 江苏金智科技股份有限公司 一种基于多尺度可视图和深度学习的电机故障诊断方法
CN112329650A (zh) * 2020-11-09 2021-02-05 中国兵器工业集团第二一四研究所苏州研发中心 一种基于卷积神经网络的加速度计故障诊断方法
CN112834194B (zh) * 2021-01-22 2022-07-12 西安交通大学 一种无故障样本下基于软目标度量的故障智能检测方法
CN113052062A (zh) * 2021-03-23 2021-06-29 杭州电子科技大学上虞科学与工程研究院有限公司 基于一维卷积神经网络的轴承故障诊断方法
CN113191240B (zh) * 2021-04-23 2022-04-08 石家庄铁道大学 轴承故障诊断的多任务深度神经网络方法及装置
CN113269368B (zh) * 2021-06-07 2023-06-30 上海航空工业(集团)有限公司 一种基于数据驱动的民机安全趋势预测方法
CN113361042A (zh) * 2021-06-22 2021-09-07 石家庄铁道大学 一种滚动轴承服役寿命评估方法
CN113742638B (zh) * 2021-08-30 2022-08-02 南通大学 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法
CN114136619A (zh) * 2021-10-27 2022-03-04 国家能源集团宿迁发电有限公司 一种基于卷积自编码的变工况下滚动轴承故障诊断方法
CN114511112A (zh) * 2022-01-24 2022-05-17 北京通建泰利特智能***工程技术有限公司 一种基于物联网的智慧运维方法、***和可读存储介质
CN115062648B (zh) * 2022-06-02 2024-06-07 华南理工大学 一种旋转机械故障诊断方法、***、装置及存储介质
CN115406656A (zh) * 2022-08-29 2022-11-29 桂林电子科技大学 轴承锈蚀智能诊断方法及***
CN115406655A (zh) * 2022-08-29 2022-11-29 桂林电子科技大学 轴承智能故障诊断模型建立方法及***
CN115753103A (zh) * 2022-08-30 2023-03-07 山东建筑大学 一种基于标准自学习数据增强的故障诊断方法及***
CN115494349B (zh) * 2022-11-04 2023-04-07 国网浙江省电力有限公司金华供电公司 有源配电网单相接地故障区段定位方法
CN115965057B (zh) * 2022-11-28 2023-09-29 北京交通大学 一种面向列车传动***的类脑持续学习故障诊断方法
CN116049725B (zh) * 2023-03-29 2023-12-29 淄博热力有限公司 基于改进深度学习分类模型的旋转机械故障诊断方法
CN116634638A (zh) * 2023-05-16 2023-08-22 珠海光通智装科技有限公司 灯光控制策略的生成方法、灯光控制方法以及相关装置
CN116625689B (zh) * 2023-05-24 2023-12-22 石家庄铁道大学 基于smder的滚动轴承故障诊断方法及***
CN116401596B (zh) * 2023-06-08 2023-08-22 哈尔滨工业大学（威海） 基于深度指数激励网络的早期故障诊断方法
CN116561670B (zh) * 2023-07-12 2023-09-26 森特士兴集团股份有限公司 一种金属屋面健康状态识别及报警方法
CN117817652B (zh) * 2023-07-28 2024-04-30 泓浒(苏州)半导体科技有限公司 基于晶圆传送机械臂的晶圆传送故障分析方法
CN116680113B (zh) * 2023-08-01 2023-10-27 江苏普达迪泰科技有限公司 一种设备检测实施控制***
CN117251680B (zh) * 2023-10-09 2024-05-07 石家庄铁道大学 轴承故障诊断网络
CN117407797B (zh) * 2023-12-15 2024-03-29 山东能源数智云科技有限公司 基于增量学习的设备故障诊断方法及模型的构建方法
CN117520950B (zh) * 2024-01-04 2024-03-19 贵州大学 基于注意力知识共享网络的多目标uav故障诊断方法
CN117520825B (zh) * 2024-01-04 2024-05-10 东北大学 基于多尺度特征融合的工业母机加工工件质量预测方法
CN117830750B (zh) * 2024-03-04 2024-06-04 青岛大学 一种基于图Transformer的机械故障预测方法
CN117830646A (zh) * 2024-03-06 2024-04-05 陕西天润科技股份有限公司 一种基于立体影像快速提取建筑物顶部高程的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120290510A1 (en) * 2011-05-12 2012-11-15 Xerox Corporation Multi-task machine learning using features bagging and local relatedness in the instance space
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111373419A (zh) * 2017-10-26 2020-07-03 奇跃公司 用于深度多任务网络中自适应损失平衡的梯度归一化***和方法
CN108444708B (zh) * 2018-04-16 2021-02-12 长安大学 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN109655259B (zh) * 2018-11-23 2021-02-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN109596326B (zh) * 2018-11-30 2020-06-12 电子科技大学 基于优化结构卷积神经网络的旋转机械故障诊断方法
CN109726524B (zh) * 2019-03-01 2022-11-01 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120290510A1 (en) * 2011-05-12 2012-11-15 Xerox Corporation Multi-task machine learning using features bagging and local relatedness in the instance space
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN110361176A (zh) * 2019-06-05 2019-10-22 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法

Cited By (94)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529104A (zh) * 2020-12-23 2021-03-19 东软睿驰汽车技术（沈阳）有限公司 一种车辆故障预测模型生成方法、故障预测方法及装置
CN112668459A (zh) * 2020-12-25 2021-04-16 合肥工业大学 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法
CN112668459B (zh) * 2020-12-25 2022-09-13 合肥工业大学 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法
CN112816191B (zh) * 2020-12-28 2022-07-29 哈尔滨工业大学 一种基于sdrsn的多特征健康因子融合方法
CN112816191A (zh) * 2020-12-28 2021-05-18 哈尔滨工业大学 一种基于sdrsn的多特征健康因子融合方法
CN112766251A (zh) * 2020-12-30 2021-05-07 广东电网有限责任公司佛山供电局 变电设备红外检测方法、***、储存介质及计算机设备
CN112733706B (zh) * 2021-01-07 2022-09-16 河南理工大学 基于双线性lbp的电机故障诊断方法、电子设备及介质
CN112733706A (zh) * 2021-01-07 2021-04-30 河南理工大学 基于双线性lbp的电机故障诊断方法、电子设备及介质
CN112729831A (zh) * 2021-01-20 2021-04-30 北京理工大学 轴承故障诊断方法、装置及***
CN112729834B (zh) * 2021-01-20 2022-05-10 北京理工大学 一种轴承故障的诊断方法、装置和***
CN112729834A (zh) * 2021-01-20 2021-04-30 北京理工大学 一种轴承故障的诊断方法、装置和***
CN112729831B (zh) * 2021-01-20 2022-05-10 北京理工大学 轴承故障诊断方法、装置及***
CN112697435B (zh) * 2021-01-26 2022-09-09 山西三友和智慧信息技术股份有限公司 一种基于改进seld-tcn网络的滚动轴承故障诊断方法
CN112697435A (zh) * 2021-01-26 2021-04-23 山西三友和智慧信息技术股份有限公司 一种基于改进seld-tcn网络的滚动轴承故障诊断方法
CN112964469A (zh) * 2021-02-28 2021-06-15 哈尔滨理工大学 一种迁移学习的变负载下滚动轴承在线故障诊断方法
CN112964469B (zh) * 2021-02-28 2022-05-27 哈尔滨理工大学 一种迁移学习的变负载下滚动轴承在线故障诊断方法
CN112990289B (zh) * 2021-03-09 2024-04-19 北京百度网讯科技有限公司 基于多任务预测模型的数据处理方法、装置、设备和介质
CN112990289A (zh) * 2021-03-09 2021-06-18 北京百度网讯科技有限公司 基于多任务预测模型的数据处理方法、装置、设备和介质
CN112861443B (zh) * 2021-03-11 2022-08-30 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN112861443A (zh) * 2021-03-11 2021-05-28 合肥工业大学 一种融入先验知识的深度学习故障诊断方法
CN113128338B (zh) * 2021-03-15 2024-02-02 西安理工大学 一种小样本下印刷机滚筒故障的智能诊断方法
CN113128338A (zh) * 2021-03-15 2021-07-16 西安理工大学 一种小样本下印刷机滚筒故障的智能诊断方法
CN113177484B (zh) * 2021-04-30 2023-02-28 洛阳师范学院 基于lof自编码的机械故障智能诊断方法
CN113177484A (zh) * 2021-04-30 2021-07-27 洛阳师范学院 基于lof自编码的机械故障智能诊断方法
CN113408578A (zh) * 2021-05-13 2021-09-17 华南理工大学 基于生成式对抗网络的谐波减速器故障诊断方法及***
CN113536658A (zh) * 2021-05-21 2021-10-22 西北工业大学 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法
CN113378461B (zh) * 2021-06-08 2024-05-03 中国人民解放军陆军工程大学 基于互联网和混合现实的工程机械故障诊断示教方法
CN113378461A (zh) * 2021-06-08 2021-09-10 中国人民解放军陆军工程大学 基于互联网和混合现实的工程机械故障诊断示教方法
CN113435322B (zh) * 2021-06-25 2024-04-02 西安交通大学 一种主轴轴承故障检测方法、***、设备及可读存储介质
CN113435322A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种主轴轴承故障检测方法、***、设备及可读存储介质
CN113538353B (zh) * 2021-07-05 2023-09-01 华北电力大学（保定） 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN113641486A (zh) * 2021-07-05 2021-11-12 西安理工大学 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN113641486B (zh) * 2021-07-05 2024-03-01 西安理工大学 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN113538353A (zh) * 2021-07-05 2021-10-22 华北电力大学（保定） 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN113610119B (zh) * 2021-07-19 2023-10-27 西安交通大学 基于卷积神经网络识别输电线路发展性故障的方法
CN113610119A (zh) * 2021-07-19 2021-11-05 西安交通大学 基于卷积神经网络识别输电线路发展性故障的方法
CN113469281B (zh) * 2021-07-22 2023-11-24 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN113469281A (zh) * 2021-07-22 2021-10-01 西北工业大学 一种工业齿轮箱多源信息融合故障诊断方法
CN113657220A (zh) * 2021-08-03 2021-11-16 南方电网数字电网研究院有限公司 电能质量扰动信号分类模型的训练方法及装置
CN113640027A (zh) * 2021-08-12 2021-11-12 常州英集动力科技有限公司 基于边缘计算和神经网络的换热机组故障诊断方法及***
CN113640027B (zh) * 2021-08-12 2024-05-07 常州英集动力科技有限公司 基于边缘计算和神经网络的换热机组故障诊断方法及***
CN113639993B (zh) * 2021-08-17 2022-06-07 燕山大学 多模态多任务卷积神经网络的齿轮箱故障诊断方法
CN113639993A (zh) * 2021-08-17 2021-11-12 燕山大学 多模态多任务卷积神经网络的齿轮箱故障诊断方法
CN113807190B (zh) * 2021-08-20 2024-02-13 西安理工大学 一种基于stft与cnn的列车轴承故障诊断方法
CN113807190A (zh) * 2021-08-20 2021-12-17 西安理工大学 一种基于stft与cnn的列车轴承故障诊断方法
CN113671380A (zh) * 2021-08-23 2021-11-19 哈尔滨工业大学（威海） 一种基于深度学习的动力电池***多故障诊断方法
CN113536697A (zh) * 2021-08-24 2021-10-22 江南大学 一种基于改进残差网络和wgan的轴承剩余寿命预测方法
CN113530850A (zh) * 2021-08-26 2021-10-22 江苏科技大学 一种基于eas和堆叠胶囊自编码器的离心泵故障诊断方法
CN113530850B (zh) * 2021-08-26 2022-10-18 江苏科技大学 一种基于esa和堆叠胶囊自编码器的离心泵故障诊断方法
CN113815679B (zh) * 2021-08-27 2023-01-13 北京交通大学 一种高速列车自主驾驶控制的实现方法
CN113815679A (zh) * 2021-08-27 2021-12-21 北京交通大学 一种高速列车自主驾驶控制的实现方法
CN113837245B (zh) * 2021-09-06 2024-04-09 西安理工大学 一种柔性印刷电子装备核心单元故障诊断方法
CN113837245A (zh) * 2021-09-06 2021-12-24 西安理工大学 一种柔性印刷电子装备核心单元故障诊断方法
CN113780432A (zh) * 2021-09-15 2021-12-10 中国人民解放军国防大学联合作战学院 基于增强学习的网络信息***运维异常智能检测方法
CN113780432B (zh) * 2021-09-15 2022-10-28 中国人民解放军国防大学联合作战学院 基于增强学习的网络信息***运维异常智能检测方法
CN113656919A (zh) * 2021-09-17 2021-11-16 西安交通大学 一种基于深度卷积神经网络的非对称转子位移场重构方法
CN113656919B (zh) * 2021-09-17 2024-04-02 西安交通大学 一种基于深度卷积神经网络的非对称转子位移场重构方法
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法
CN113933054A (zh) * 2021-09-23 2022-01-14 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器
CN113933054B (zh) * 2021-09-23 2024-04-09 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器
CN113962256A (zh) * 2021-09-29 2022-01-21 西安交通大学 一种用于机电作动器智能故障诊断方法及***
CN113970444B (zh) * 2021-10-22 2024-04-09 北京航空航天大学 基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法
CN113970444A (zh) * 2021-10-22 2022-01-25 北京航空航天大学 基于最小贝叶斯风险重分类和自适应权重的齿轮箱故障诊断方法
CN113865872B (zh) * 2021-11-03 2023-07-28 西安电子科技大学 基于小波包重构成像和cnn的轴承故障诊断方法
CN113865872A (zh) * 2021-11-03 2021-12-31 西安电子科技大学 基于小波包重构成像和cnn的轴承故障诊断方法
CN113869286B (zh) * 2021-12-01 2022-02-25 中国工程物理研究院电子工程研究所 一种自适应多任务智能故障诊断***及故障诊断方法
CN113872024A (zh) * 2021-12-01 2021-12-31 中国工程物理研究院电子工程研究所 面向光纤激光***多源物理监测量的智能故障诊断方法
CN113869286A (zh) * 2021-12-01 2021-12-31 中国工程物理研究院电子工程研究所 一种自适应多任务智能故障诊断模型及故障诊断方法
CN114279728A (zh) * 2021-12-07 2022-04-05 郑州大学 一种振动筛机体的故障诊断方法及***
CN114279728B (zh) * 2021-12-07 2023-07-25 郑州大学 一种振动筛机体的故障诊断方法及***
CN114266312A (zh) * 2021-12-22 2022-04-01 桂林电子科技大学 一种基于多任务学习的射频指纹和通信协议的识别方法
CN114266312B (zh) * 2021-12-22 2024-03-22 桂林电子科技大学 一种基于多任务学习的射频指纹和通信协议的识别方法
CN114323635B (zh) * 2022-01-08 2023-08-01 中国船舶重工集团公司第七一九研究所 一种基于太赫兹雷达的阀门故障状态感算诊断方法及***
CN114323635A (zh) * 2022-01-08 2022-04-12 中国船舶重工集团公司第七一九研究所 一种基于太赫兹雷达的阀门故障状态感算诊断方法及***
CN114444620A (zh) * 2022-04-08 2022-05-06 中国石油大学(华东) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN114925809B (zh) * 2022-04-13 2024-05-24 北京印刷学院 基于lstm的印刷机轴承故障诊断方法及装置
CN114925809A (zh) * 2022-04-13 2022-08-19 北京印刷学院 基于lstm的印刷机轴承故障诊断方法及装置
CN114821856A (zh) * 2022-04-18 2022-07-29 大连理工大学 一种并联于行车电脑的汽车快速维修智能辅助装置
CN114821856B (zh) * 2022-04-18 2023-04-07 大连理工大学 一种并联于行车电脑的汽车快速维修智能辅助装置
CN114818579A (zh) * 2022-05-30 2022-07-29 桂林电子科技大学 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN114818579B (zh) * 2022-05-30 2024-03-26 桂林电子科技大学 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN114757239A (zh) * 2022-06-15 2022-07-15 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法
CN114757239B (zh) * 2022-06-15 2022-08-30 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法
CN115407753B (zh) * 2022-08-18 2024-02-09 广东元梦泽技术服务有限公司 一种多变量加权集成学习的工业故障诊断方法
CN115407753A (zh) * 2022-08-18 2022-11-29 广东元梦泽技术服务有限公司 一种多变量加权集成学习的工业故障诊断方法
CN116484172B (zh) * 2023-01-19 2024-01-30 南京林业大学 一种基于强鲁棒性多尺度网络的机械故障诊断方法和***
CN116484172A (zh) * 2023-01-19 2023-07-25 南京林业大学 一种基于强鲁棒性多尺度网络的机械故障诊断方法和***
CN116858541A (zh) * 2023-09-01 2023-10-10 湖南科技大学 基于密集特征重用的轴承早期故障诊断方法及***
CN116858541B (zh) * 2023-09-01 2023-12-01 湖南科技大学 基于密集特征重用的轴承早期故障诊断方法及***
CN116956197B (zh) * 2023-09-14 2024-01-19 山东理工昊明新能源有限公司 基于深度学习的能源设施故障预测方法、装置及电子设备
CN116956197A (zh) * 2023-09-14 2023-10-27 山东理工昊明新能源有限公司 基于深度学习的能源设施故障预测方法、装置及电子设备
CN117216521A (zh) * 2023-09-14 2023-12-12 成都飞航智云科技有限公司 一种基于神经网络的飞行器故障智能诊断方法
CN117290732A (zh) * 2023-11-24 2023-12-26 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置
CN117290732B (zh) * 2023-11-24 2024-03-01 山东理工昊明新能源有限公司 故障分类模型的构建方法、风电设备故障分类方法及装置

Also Published As

Publication number Publication date
CN110361176A (zh) 2019-10-22
US11640521B2 (en) 2023-05-02
US20220269925A1 (en) 2022-08-25
CN110361176B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
WO2020244134A1 (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
Lu et al. Deep model based domain adaptation for fault diagnosis
CN109766921B (zh) 一种基于深度领域自适应的振动数据故障分类方法
WO2024021246A1 (zh) 基于持续学习的跨设备增量轴承故障诊断方法
CN109993100B (zh) 基于深层特征聚类的人脸表情识别的实现方法
CN113033309B (zh) 一种基于信号下采样及一维卷积神经网络的故障诊断方法
CN112964469B (zh) 一种迁移学习的变负载下滚动轴承在线故障诊断方法
Thoppil et al. Deep learning algorithms for machinery health prognostics using time-series data: A review
CN113988126A (zh) 一种基于少标签数据特征迁移的滚动轴承故障诊断方法
Pandey et al. Unsupervised data classification using improved biogeography based optimization
Oh et al. Convolutional neural network and 2-D image based fault diagnosis of bearing without retraining
CN114282443A (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
Zhang et al. Multiple-timescale feature learning strategy for valve stiction detection based on convolutional neural network
CN116818325A (zh) 一种滚动轴承故障诊断方法及***
Guo et al. Dynamic neural network structure: A review for its theories and applications
Ding et al. A rolling bearing fault diagnosis method based on Markov transition field and multi-scale Runge-Kutta residual network
CN110569889A (zh) 一种基于l2归一化的卷积神经网络图象分类方法
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN114997308B (zh) 云边协同的自适应工业数据分类方法及***
Xie et al. Icing thickness prediction of overhead power transmission lines using parallel coordinates and convolutional neural networks
Liang et al. Resource-Efficient Network for Intelligent Fault Diagnosis Using Tree-Structured Parzen Estimator
Jinglei Prediction Method of Bearing RUL Based on DNN and GBDT Algorithm
Xiao et al. A Novel Model of Bearing Fault Diagnosis Based on Convolutional Auto-encoder and Capsule Network
Niu et al. Image recognition based on convolutional deep confidence networks

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19932014

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 16/05/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19932014

Country of ref document: EP

Kind code of ref document: A1