CN116012681A - 基于声振信号融合的管道机器人电机故障诊断方法及系统 - Google Patents
基于声振信号融合的管道机器人电机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116012681A CN116012681A CN202211622619.7A CN202211622619A CN116012681A CN 116012681 A CN116012681 A CN 116012681A CN 202211622619 A CN202211622619 A CN 202211622619A CN 116012681 A CN116012681 A CN 116012681A
- Authority
- CN
- China
- Prior art keywords
- sound
- vibration
- frequency image
- time
- fault diagnosis
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及电机故障诊断技术领域，提供了基于声振信号融合的管道机器人电机故障诊断方法及系统，包括：获取管道机器人的声音时频图像和振动时频图像；将声音时频图像和振动时频图像输入故障诊断模型，所述故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层，一个卷积神经网络对声音时频图像进行处理，得到声音特征向量，另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量，所述特征向量和振动特征向量进行数据融合操作后，依次输入所述全连接层和输出层，得到故障诊断结果。通过声振信号融合，加强了对管道机器人电机故障检测的可信度。
Description
技术领域
本发明属于电机故障诊断技术领域，尤其涉及基于声振信号融合的管道机器人电机故障诊断方法及系统。
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。
三足管道机器人是机器人与管道支撑足成中心对称分布的履带式管道机器人，是一种可沿大型管道内部或外部自动行走、携带一种或多种传感器及操作机械，在工作人员的遥控操作或计算机自动控制下，进行一系列管道作业的机、电、仪一体化系统。而电机对于管道机器人至关重要，电机因受温度、湿度等环境因素和松动、接触不良等其他因素的影响，不可避免的产生老化等问题。如何在微小故障发生初期及时准确的识别故障类型对于切断故障演化和传播意义重大，电机的精准故障自诊断方法研究能够有效降低机器人在管道内出现停机、失控等严重故障的概率，避免机器人因严重故障而无法退出管道的情况，是提高机器人可靠性的一个关键问题。
只根据单一类型的测量信号来分析机器人的电机状况，在某些情况下，有可能导致不充分的分析。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供基于声振信号融合的管道机器人电机故障诊断方法及系统，通过声振信号融合，加强了对管道机器人电机故障检测的可信度。
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基于声振信号融合的管道机器人电机故障诊断方法，其包括：
获取管道机器人的声音时频图像和振动时频图像；
将声音时频图像和振动时频图像输入故障诊断模型，所述故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层，一个卷积神经网络对声音时频图像进行处理，得到声音特征向量，另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量，所述特征向量和振动特征向量进行数据融合操作后，依次输入所述全连接层和输出层，得到故障诊断结果。
进一步地，所述声音时频图像和振动时频图像的获取方法为：通过短时傅里叶变换分别对声音信号和振动信号进行处理，得到声音时频图像和振动时频图像。
进一步地，所述数据融合操作具体为将声音信号特征向量和振动信号特征向量串联成一个声振特征向量。
进一步地，所述故障诊断模型在训练过程中，将两个预先训练的卷积神经网络的输出层去掉后，在两个所述卷积神经网络的后面连接一个共同的全连接层，并在全连接层后连接一个输出层，得到所述故障诊断模型，并将全连接层和输出层的权值进行随机初始化后，对故障诊断模型进行微调。
进一步地，所述卷积神经网络采用ResNet50。
进一步地，所述微调的具体方法为：将所述故障诊断模型中的ResNet50中的最后一个残差块、全连接层和输出层设置为可训练层，将ResNet50中的前四个残差块冻结，基于训练集，通过最小化预测标签和真实标签之间的误差，对可训练层的权重进行更新。
本发明的第二个方面提供基于声振信号融合的管道机器人电机故障诊断系统，其包括：
数据获取模块，其被配置为：获取管道机器人的声音时频图像和振动时频图像；
故障诊断模块，其被配置为：将声音时频图像和振动时频图像输入故障诊断模型，所述故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层，一个卷积神经网络对声音时频图像进行处理，得到声音特征向量，另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量，所述特征向量和振动特征向量进行数据融合操作后，依次输入所述全连接层和输出层，得到故障诊断结果。
进一步地，还包括模型训练模块，其被配置为：将两个预先训练的卷积神经网络的输出层去掉后，在两个所述卷积神经网络的后面连接一个共同的全连接层，并在全连接层后连接一个输出层，得到所述故障诊断模型，并将全连接层和输出层的权值进行随机初始化后，对故障诊断模型进行微调。
本发明的第三个方面提供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所述的基于声振信号融合的管道机器人电机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，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所述的基于声振信号融合的管道机器人电机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：
本发明提供了基于声振信号融合的管道机器人电机故障诊断方法，其通过声振信号融合，加强了对管道机器人电机故障检测的可信度。
本发明提供了基于声振信号融合的管道机器人电机故障诊断方法，其通过迁移学习，减少了需要训练的参数数量，并且解决了小数据集无法在深度学习模型中训练的问题。
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是本发明实施例一的基于声振信号融合的管道机器人电机故障诊断方法的流程图；
图2是本发明实施例一的故障诊断模型结构图；
图3是本发明实施例一的ResNet50的结构图。
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。
实施例一
本实施例提供了基于声振信号融合的管道机器人电机故障诊断方法，通过声音传感器和加速度计采集管道机器人电机运行时的声音信号和振动信号，基于卷积神经网络分析机器人的电机的运行数据，给出诊断结果，以达到故障提前预警的目的。如图1所示，具体包括以下步骤：
步骤1、获取管道机器人的声音信号和振动信号。
管道机器人的声音信号和振动信号通过信号采集装置采集后，上传至上位机。其中，信号采集装置包括声音传感器、振动传感器(加速度计)以及与声音传感器和振动传感器连接的同步采集卡，同步采集卡的信号输出端连接上位机。
通过在管道机器人旁安装声音传感器和加速度计采集声音和振动信号来实时监测电机的状态，在不影响管道机器人正常运行的情况下，能够有效降低机器人在管道内出现停机、失控等严重故障的概率，避免机器人因严重故障而无法退出管道的情况，是提高机器人可靠性的一个关键问题。
音频事件是指包含了一段特定信息的信号，管道机器人运行过程会发出蕴含着丰富信息的声音，并且声音会随着运行状态的变化而发生改变。声音信号是反应设备运行状态的重要信息来源，并且声音信号具有采集方便、非接触测量、成本低等优点，声音信号分析便成为一种监测有效的方法。音频事件分类就是由计算机辅助判断一段音频信号中所传递的内容，帮助人们更好的做出决策。
步骤2、通过短时傅里叶变换(STFT)分别对声音信号和振动信号进行处理，得到声音时频图像和振动时频图像。
时频图像包含的信息比仅时域或频域表示要多得多。采用信号处理技术在时间、频率或时频等不同域之间转换测量信号，可以更好地利用时间序列传感器数据。
步骤3、将声音时频图像和振动时频图像输入故障诊断模型，得到故障诊断结果，即管道机器人电机所属故障类别。
如图2所示，故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层(分类层)。
一个卷积神经网络对声音时频图像进行处理，得到声音特征向量；另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量；声音特征向量和振动特征向量进行数据融合操作后，依次输入全连接层和输出层，得到故障诊断结果。
其中，数据融合操作具体为将声音信号特征向量和振动信号特征向量串联成一个声振特征向量。
每个卷积神经网络的输出与全连接操作相结合，并连接到相同的分类层以进行最终预测，Softmax函数用作输出层的分类函数，把所有的输出值转换为概率，所有的概率值加起来等于1，概率值最高的那个类别即为预测的类别。
STFT提供测量信号的时间和频率信息。卷积神经网络从时频表示中提取特征，并通过残差网络来解决退化问题。数据融合操作增加了用于诊断机器人电机状况的特征数量。每个传感器都有一定的优势，可以从不同的角度反映机器的状况。
卷积神经网络采用ResNet50，不再简单地直接学习输入x和输出H(x)之间的潜在映射，通过引入残差学习，ResNet50可以有效避免加深网络层数导致的梯度消失和退化。ResNet50有两个基本块，分别命名为Conv Block和Identity Block，分为五个部分，每个部分由几个堆叠的Conv Block和Identity Block组成。Conv Block输入和输出的维度(通道数和尺寸)是不一样的，它的作用是改变网络的维度；Conv Block(C，W，C1，S)，参数C指输入的通道数，参数W指输入的尺寸大小，参数C1指1x1卷积层通道数，参数S指步长大小；Identity Block输入维度和输出维度(通道数和尺寸)相同，用于加深网络；IdentityBlock(C，W)，参数C指输入的通道数，参数W指输入的尺寸大小；第一部分(cov1)包含一层卷积层CONV(Convolution)(卷积核的大小为7×7，卷积核的数量(即该卷积层输出的通道数)为64，步长为2)、一层BN(Batch Normalization)层、RELU激活函数和一层MAXPOOL层(卷积核的大小为7×7，步长为2)，第二部分(cov2_x)包含一个Conv Block(64，56，64，1)和两个Identity Block(256，56)，第三部分(cov3_x)包含一个Conv Block(256，56，128，2)和三个Identity Block(512，28)，第四部分(cov4_x)包含一个Conv Block(512，28，256，2)和五个Identity Block(1024，14)，第五部分包含一个Conv Block(1024，14，512，2)和两个Identity Block(2048，7)，一共有49层卷积和1个完全连接层。ResNet50的结构详细信息如图3所示。
ResNet50为深度学习网络，深度学习网络由于对数据中的噪声具有鲁棒性以及它们自动从测量数据中学习特征的能力，在处理大量历史时间序列传感器数据时，它在帮助简化复杂的特征提取、消除和选择过程方面具有巨大的潜力。
其中，故障诊断模型通过迁移学习方法进行训练。
迁移学习能够通过迁移权重来帮助训练目标模型，将模型起始层的权重保持不变，通过目标数据集微调神经网络的更高层。为解决故障数据缺乏和加速神经网络的训练提供思路。
较低的卷积层提取低级别的特征，如边缘和曲线，这些特征适用于常见的图像分类任务，而后续层中的操作可以学习更多针对不同应用领域的抽象表示。因此，可以迁移起始层的权重，并且只需要从新数据集中学习较高层的权重，更新后面层的权重的过程称为微调。与从头开始训练相比，这种方法训练速度更快，因为它本质上减少了需要训练的参数数量，并且解决了小数据集无法在深度学习模型中训练的问题。
根据原始信号很难区分相应的故障类型，但时频图像之间的差异可以区分每种故障类型，适合将这些时频图像进一步输入卷积神经网络进行特征提取。首先通过短时傅里叶变换将原始信号转换为时频图像，作为卷积神经网络的输入。时频图是很常用的时频分析方法和分析传感器信号进行故障诊断的有用工具，将处理后的数据信号分为训练集和测试集两部分。训练集用于训练预训练模型并微调其权重，而测试数据集用于验证微调后模型的性能，在训练过程中不使用。
调整预先训练的ResNet50，将预先训练的ResNet50去掉输出层，每个ResNet50将单一类型测量信号的时频表示作为输入，提取信号的特征向量，在分类之前将声音信号特征向量和振动信号特征向量串联成一个声振特征向量，增加一个新的全连接层和输出层，将串联后的声振特征向量连接到相同的全连接层和输出层以进行最终预测。
输出层的大小由管道机器人工作状况的数量决定，新增加的全连接层和输出层的权值被随机初始化。将ResNet50中的最后一个残差块和全连接层设置为可训练的，在训练过程中，ResNet50中的前四个残差块被冻结，而可训练层的权重被更新，以最小化预测标签和真实标签之间的误差。经过足够多的周期后，保存微调后的故障诊断模型。
与单一信号相比，所提出的声振信号融合方法的分类效果更好，结合了两种测量信号的优点。只根据单一类型的测量信号来分析电机状况，在某些情况下，有可能导致不充分的分析。多传感器融合方法可以加强对故障检测的可信度。智能诊断应用中的多传感器数据融合被认为是一种很有前途的技术，因此，使用多个测量信号有助于开发一种更有效和稳健的故障诊断方法。
实施例二
本实施例提供了基于声振信号融合的管道机器人电机故障诊断系统，其具体包括如下模块：
数据获取模块，其被配置为：获取管道机器人的声音时频图像和振动时频图像；
故障诊断模块，其被配置为：将声音时频图像和振动时频图像输入故障诊断模型，所述故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层，一个卷积神经网络对声音时频图像进行处理，得到声音特征向量，另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量，所述特征向量和振动特征向量进行数据融合操作后，依次输入所述全连接层和输出层，得到故障诊断结果。
模型训练模块，其被配置为：将两个预先训练的卷积神经网络的输出层去掉后，在两个所述卷积神经网络的后面连接一个共同的全连接层，并在全连接层后连接一个输出层，得到所述故障诊断模型，并将全连接层和输出层的权值进行随机初始化后，对故障诊断模型进行微调。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
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声振信号融合的管道机器人电机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声振信号融合的管道机器人电机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、系统、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(系统)、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.基于声振信号融合的管道机器人电机故障诊断方法，其特征在于，包括：
获取管道机器人的声音时频图像和振动时频图像；
将声音时频图像和振动时频图像输入故障诊断模型，所述故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层，一个卷积神经网络对声音时频图像进行处理，得到声音特征向量，另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量，所述特征向量和振动特征向量进行数据融合操作后，依次输入所述全连接层和输出层，得到故障诊断结果。
2.如权利要求1所述的基于声振信号融合的管道机器人电机故障诊断方法，其特征在于，所述声音时频图像和振动时频图像的获取方法为：通过短时傅里叶变换分别对声音信号和振动信号进行处理，得到声音时频图像和振动时频图像。
3.如权利要求1所述的基于声振信号融合的管道机器人电机故障诊断方法，其特征在于，所述数据融合操作具体为将声音信号特征向量和振动信号特征向量串联成一个声振特征向量。
4.如权利要求1所述的基于声振信号融合的管道机器人电机故障诊断方法，其特征在于，所述故障诊断模型在训练过程中，将两个预先训练的卷积神经网络的输出层去掉后，在两个所述卷积神经网络的后面连接一个共同的全连接层，并在全连接层后连接一个输出层，得到所述故障诊断模型，并将全连接层和输出层的权值进行随机初始化后，对故障诊断模型进行微调。
5.如权利要求4所述的基于声振信号融合的管道机器人电机故障诊断方法，其特征在于，所述卷积神经网络采用ResNet50。
6.如权利要求5所述的基于声振信号融合的管道机器人电机故障诊断方法，其特征在于，所述微调的具体方法为：将所述故障诊断模型中的ResNet50中的最后一个残差块、全连接层和输出层设置为可训练层，将ResNet50中的前四个残差块冻结，基于训练集，通过最小化预测标签和真实标签之间的误差，对可训练层的权重进行更新。
7.基于声振信号融合的管道机器人电机故障诊断系统，其特征在于，包括：
数据获取模块，其被配置为：获取管道机器人的声音时频图像和振动时频图像；
故障诊断模块，其被配置为：将声音时频图像和振动时频图像输入故障诊断模型，所述故障诊断模型包括两个并行的卷积神经网络、全连接层和输出层，一个卷积神经网络对声音时频图像进行处理，得到声音特征向量，另一个卷积神经网络对振动时频图像进行处理，得到振动特征向量，所述特征向量和振动特征向量进行数据融合操作后，依次输入所述全连接层和输出层，得到故障诊断结果。
8.如权利要求7所述的基于声振信号融合的管道机器人电机故障诊断系统，其特征在于，还包括模型训练模块，其被配置为：将两个预先训练的卷积神经网络的输出层去掉后，在两个所述卷积神经网络的后面连接一个共同的全连接层，并在全连接层后连接一个输出层，得到所述故障诊断模型，并将全连接层和输出层的权值进行随机初始化后，对故障诊断模型进行微调。
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1-6中任一项所述的基于声振信号融合的管道机器人电机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1-6中任一项所述的基于声振信号融合的管道机器人电机故障诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211622619.7A CN116012681A (zh) | 2022-12-16 | 2022-12-16 | 基于声振信号融合的管道机器人电机故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211622619.7A CN116012681A (zh) | 2022-12-16 | 2022-12-16 | 基于声振信号融合的管道机器人电机故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116012681A true CN116012681A (zh) | 2023-04-25 |
Family
ID=86024021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211622619.7A Pending CN116012681A (zh) | 2022-12-16 | 2022-12-16 | 基于声振信号融合的管道机器人电机故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116012681A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116204821A (zh) * | 2023-04-27 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动评估方法及系统 |
| CN116842418A (zh) * | 2023-05-31 | 2023-10-03 | 浙江中屹纺织机械科技有限公司 | 智能喷水织机及其控制系统 |
-
2022
- 2022-12-16 CN CN202211622619.7A patent/CN116012681A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116204821A (zh) * | 2023-04-27 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动评估方法及系统 |
| CN116204821B (zh) * | 2023-04-27 | 2023-08-11 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通车辆的振动评估方法及系统 |
| CN116842418A (zh) * | 2023-05-31 | 2023-10-03 | 浙江中屹纺织机械科技有限公司 | 智能喷水织机及其控制系统 |
| CN116842418B (zh) * | 2023-05-31 | 2024-01-05 | 浙江中屹纺织机械科技有限公司 | 智能喷水织机及其控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
| CN110059601A (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| Sony et al. | Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network | |
| US20240069539A1 (en) | Sensor-agnostic mechanical machine fault identification | |
| 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系统 | |
| CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
| KR102416474B1 (ko) | 기계학습 기반 고장 진단 장치 및 방법 | |
| CN103197663B (zh) | 一种故障预测方法及系统 | |
| Ma et al. | Deep recurrent convolutional neural network for remaining useful life prediction | |
| CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
| CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
| CN113095364B (zh) | 利用卷积神经网络的高铁地震事件提取方法、介质及设备 | |
| CN116756483B (zh) | 目标工况数据不可用下的机械故障诊断方法、装置及设备 | |
| CN118171161A (zh) | 基于多特征声纹图谱的变压器在线故障诊断方法及系统 | |
| Wolf et al. | Unsupervised data-driven automotive diagnostics with improved deep temporal clustering | |
| CN116108367A (zh) | 旋转机械系统故障诊断方法、系统、电子设备及存储介质 | |
| Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
| CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
| CN118518359B (zh) | 一种基于对偶域适应神经网络的轴承故障诊断方法 | |
| CN114676717A (zh) | 轴承剩余寿命预测方法、装置和介质 | |
| CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
| KR102418118B1 (ko) | 주파수 합성을 이용한 딥러닝 기반 설비 진단 장치 및 방법 | |
| CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 |
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 |