删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于深度残差收缩网络的滚动轴承故障诊断*

本站小编 Free考研考试/2021-12-25

闂傚倷鑳剁划顖炲礉濡ゅ懎绠犻柟鎹愵嚙閸氳銇勯弬鍨挃闁告宀搁幃妤呮晲鎼存繄鐩庣紓浣风贰閸o綁寮婚悢鐓庣闁兼祴鏅濋悡鍌炴⒑缁嬭法鐒块柟鍑ゆ嫹2婵犵數鍋為崹鍫曞箰缁嬫5娲Ω閳哄绋忛梺鍦劋椤ㄥ棝宕甸埀顒勬⒑閸涘﹤濮﹀ù婊呭仱瀹曟椽鏁撻悩宕囧幗闂侀潧绻堥崐鏍р槈瑜旈弻锝夊焺閸愵亝鍣伴梺璇″暙閸パ囧敹闂佹寧绻傚ú銏ゅ磻閹烘鈷戦柛婵嗗閳ь剙缍婇幃閿嬫綇閳哄偆娼熼梺璺ㄥ櫐閹凤拷
婵犵數濮伴崹褰掓偉閵忋倕鐐婄憸宥嗘叏閵堝鈷戦柛娑橈工缁楁帗淇婇锝囨创妞ゃ垺妫冩慨鈧柕鍫濇-濡嫰鏌f惔顖滅У闁哥姵鐗犲畷銏ゅ箻椤旂晫鍘搁梺鍛婃礋濞佳囨倶閿濆棎浜滈柟瀛樼箖婢跺嫮绱掔€n亶妯€闁糕斁鍋撳銈嗗坊閸嬫捇鏌嶇拠鏌ュ弰婵¢箖浜堕弻宥堫檨闁告挻鐟╁畷顖涘鐎涙ê浜┑鐐叉▕娴滄繈寮查鍕€堕柣鎰暩閹藉倿鏌涢妶鍥㈤棁澶嬬節婵犲倸鏆fい搴㈩殕閵囧嫰鍩為鐐差仾濠殿垱鎸抽弻锟犲炊閳轰焦鐏侀梺鍛婄憿閸嬫捇姊绘担鍝ョШ婵炰匠鍡愪汗闁绘劗鏁哥粻鏃堟煙閹屽殶闁崇粯姊归幈銊ノ熺拠鎻掝潽闂佹悶鍊х粻鎾诲蓟閻旇櫣鐭欓柟绋垮閹瑩姊烘导娆戠М缂佺姵鐗曢锝夘敃閳垛晜鐎婚梺褰掑亰閸樺墽绮欓崟顖涒拺闁圭ǹ娴烽埥澶愭煛閸偄澧寸€规洖缍婃俊姝岊槼濠殿垰銈搁弻娑樷槈濮楀牊鏁剧紓浣哄У鐢偤鍩€椤掆偓閻忔艾顭垮鈧幃褔宕卞ù鏉挎喘瀹曠ǹ螖娴i晲鐥梻浣侯攰閹活亪姊介崟顖涙櫖闁哄稁鍘介悡蹇涙煕閳╁啯绀€妞わ絺鏆渆e婵犵數濮伴崹鍦礊婵犲洤鐒垫い鎺嶈兌閳洟鏌曢崱妤€鏆i柡灞剧洴楠炴帡骞嬮悜鍡橆棧婵$偑鍊栫敮鐐哄窗閹邦喚鐭欏┑鐘叉处閸嬫劙鏌i姀銏℃毄閺佸牓姊绘担绋挎倯婵犮垺锕㈠畷顖涘鐎涙ê浜梺鍛婄箓婵鲸鎯旈姀锛勭Ф濡炪倖鍔楅崰搴㈢妤e啯鐓涢柛銉e妽閻ㄦ垿鏌i悢鍙夋珔闁宠棄顦甸獮妯肩礄閻樺崬顒㈡俊鐐€栧ú婵嗏枍閺囩偍缂氶煫鍥ㄧ☉瀹告繃銇勯幘妤€鍟锟�20濠德板€楁慨鐑藉磻閻樿绠垫い蹇撴椤洘绻濋棃娑卞剰缂佺姵鍨块弻銈嗘叏閹邦兘鍋撳Δ鈧埢鏃堝閻樺棛鎳撻オ浼村礃閳哄﹥锛呯紓鍌欑椤︻垶顢氶銏犵劦妞ゆ巻鍋撴繝鈧柆宥呯;闁绘梻鍘ч弸渚€鏌曢崼婵愭Ч闁稿骸绉归弻娑㈠即閵娿儱顫╅梺浼欑畱缂嶅﹪骞冨Δ鍐╁枂闁告洦鍙庨弳锟犳⒑閸濆嫭顥戦柛瀣崌濮婃椽宕崟鍨ч梺鍛婃⒐閻楃娀骞冮敓鐘虫櫖闁告洦鍓欓悵浼存⒑闂堟稓绠氶柛鎾寸箞閹€斥枎閹邦喚顔曟繝銏f硾椤戝棛绮堥埀顒勬倵濞堝灝娅嶉柡鈧崡鐑嗗殫闁告洦鍋掗崥瀣煕閺囥劌骞樻俊鍙夊灴濮婃椽宕崟顐熷亾娴犲缍栧璺烘湰閸忔粓鏌涢锝嗙闁哄拋鍓熼幃姗€鎮欓棃娑楀缂備胶濮电敮鈥愁潖婵犳艾鐐婇柨婵嗘噸婢规洟姊洪懡銈呮瀾婵炲弶鍨块幊妤冩崉鐞涒剝鐏侀梺纭呮彧闂勫嫰宕曢幋锔藉€甸柨婵嗛楠炴ḿ绱掗悩宕囧⒌闁哄备鍓濆鍕槈濞嗗浚浼�
滚动轴承在机械设备中应用广泛,由于其长时间处在高速、高负荷、变工况、强噪声干扰运转环境下,故障率很高。及时发现滚动轴承潜在故障并判断故障类型能够指导维修工作、提高维修效率以及机械设备的可靠性和安全性。目前,主流的滚动轴承故障诊断方法大多都基于对振动、光信号和电信号的研究,其中基于滚动轴承振动信号的故障诊断是当前研究的热点。多种故障的振动信号在长时间序列下包含着丰富的故障特征信息。通过数据驱动方法发掘振动信号与故障规律之间的映射关系,能够提取出通用特征用于故障诊断。常用的方法包括统计分析方法、传统机器学习方法、深度学习方法[1]
统计分析方法能够在数学模型的基础上通过公式推导得到相关指标用于衡量故障发生的可能性。常用的统计分析方法包括滤波算法、奇异值分解、模态分解、小波变换等[2-5]。统计分析方法针对特定研究对象和样本集能够得到综合故障指标,然而对于多工况下数据集的故障诊断需要重复建模,因此通用性有限。传统机器学习方法包括支持向量机、隐马尔可夫方法、BP神经网络、径向基神经网络、集成学习等[6-7]。传统机器学习方法大多具有浅层结构,对复杂数据集的非线性特征提取效果有限,因此常常被用作深度学习模型输出层。
深度学习模型是机器学习模型的重要分支,通过贪婪逐层预训练和反向微调以及各种非线性激活函数的组合应用实现复杂特征提取。常用的深度学习模型特征包括自编码器、卷积神经网络(Convolutional Neural Networks, CNN)、深度信念网络、循环神经网络等[8]。深度学习模型因为其出色的隐含特征提取和大数据处理能力在工程领域也有广泛的应用。
宫文峰等[9]提出了一种改进CNN的新方法。使用全局均值池化技术、数据增强、Dropout等深度学习训练技巧实现滚动轴承故障的快速智能诊断;朱丹宸等[10]将不同故障下多个传感器测得的一维振动信号转化为二维灰度图像作为CNN的输入,用于滚动轴承故障诊断;Qiu等[11]在利用时域分析、频域分析、小波包分解等特征提取方法获得相关指标的基础上,利用CNN对齿轮箱进行智能故障诊断;Sun等[12]针对实际故障诊断分布的多样性和可变性,提出了一种求解域自适应的稀疏叠加去噪自编码器算法,用于提高目标区域的滚动轴承故障诊断精度;Che等[13]针对滚动轴承在多种工况下缺乏样本标签的问题,提出了一种适用于滚动轴承故障诊断的区域自适应深度信念网络。
随着深度学习模型层数的提高,会出现模型退化和过拟合的问题。在实际运行环境中存在的较强噪声干扰也会影响滚动轴承故障诊断的精度。为了解决这些问题,本文提出了基于深度残差收缩网络(DRSN)的滚动轴承故障诊断模型。首先,对滚动轴承数据集进行预处理,针对多故障对应的长时间序列的振动信号数据,将其矩阵化为多维度的灰度图故障样本,并将对应的故障类型热编码化,从而得到深度学习模型易于处理的样本形式。针对轴承从正常到故障采集到的全寿命周期故障样本,通过多个采样点的随机采样,构造成故障样本用于进一步的深度故障特征提取。其次,在多层CNN模型的基础上,将残差项加入到模型中进行训练,降低了多层训练过程中的样本特征损失,再将软阈值化和注意力机制用于网络模型的特征激活,从而针对不同等级的含噪声样本设定不同的阈值,实现样本的降噪处理。最后,通过基于不同轴承故障数据集构造深度学习模型,并通过训练和优化实现精准化故障诊断。
1 深度残差收缩网络模型 1.1 深度学习算法理论 深度学习模型具有多层网络结构和非线性激活函数,能够实现大数据样本的复杂特征提取,在工程领域有很好的应用。本文选取了常用的CNN模型作为研究对象。CNN包括输入层、卷积层、池化层、全连接层、输出层。输入层能够收集相关数据样本将其矩阵化,从而转化为模型易于处理的图片样本,同时对图片样本进行归一化、降维、去均值、白化等预处理。卷积层中将每个神经元都作为滤波器,通过将一组固定的权重作为卷积核和不同窗口内的数据做内积运算,通过滑动窗口完成整个样本的卷积运算,其中通过多个卷积核对样本进行处理可以得到包含多通道的特征图,从而将低维度特征映射到高维度空间。池化层用于压缩数据和参数的量,减小过拟合,常用的池化操作包括Max Pooling和Average Pooling。全连接层在卷积神经网络尾部,由多个通道的不同卷积核的隐层一维展开而组成。通过激活函数将全连接层与输出层相连接,从而输出模型分类结果。一个基础的CNN模型的结构如图 1所示。
图 1 CNN模型 Fig. 1 Model of CNN
图选项




CNN模型前向传播各层的公式如下[14]
(1)

(2)

(3)

(4)

式中:Wb分别为权重向量和偏置向量;输入al经过卷积层al+1、池化层al+2、全连接层al+3,通过激活函数S(x)=1/(1+e-x)输出分类结果al+4
假设实际样本标签为y,定义损失函数为
(5)

在求解梯度时假设各层的中间依赖部分δ[15]
(6)

(7)

(8)

(9)

式中:Upsample函数表示把δl+3中所有子矩阵的各个池化局域的值平均后放在还原后的子矩阵位置的过程; ⊙为Hadamard积,表示2个矩阵的对应元素相乘; S(x)=1/(1+e-x)为Sigmoid激活函数;函数rot180(·)表示将卷积核反转180°。
综上可以得到反向传播过程中模型参数的更新公式为
(10)

(11)

(12)

(13)

式中:λ为学习率;表示将δl+1的各个子矩阵的项分别求和,得到一个误差向量。
经过前向传播和反向传播微调可以得到训练好的CNN网络模型。
1.2 深度残差收缩网络 对于传统的深度学习模型,其网络层数越多非线性的表达能力就越强,该模型就能学习到更多的特征。然而随着网络的增加,传统的多层网络结构的非线性表达很难去表示恒等映射,因此模型会出现网络退化问题。振动信号数据中普遍存在噪声干扰,影响故障诊断准确率。为了解决上述问题,本文提出了深度残差收缩网络用于振动信号样本的故障诊断。深度残差收缩网络是一种面向含噪声数据的深度学习方法,在深度残差网络(DRN)进行基于反向传播的模型训练时,其损失不仅能够通过卷积层等进行逐层的反向传播,还能够通过残差项的恒等映射进行更为方便的反向传播。再利用软阈值化对振动信号进行降噪处理,能够得到更优的模型[16]
假设要求解的映射为H(al),将这个问题转换为求解网络的残差映射函数F(al),F(al)=H(al)-al。相较于ReLU函数,软阈值化能够更加灵活地设置特征取值区间。在残差收缩网络中,阈值是可以通过注意力机制根据样本自身情况自动调整的。深度残差收缩网络模型的一部分如图 2所示,其中输入al的尺寸为C×N,在经过隐层1后通过ReLU函数得到al+1作为隐层2的输入。在隐层2通过构建一个小型子网络,学习得到一组取值区间在0~1之间的阈值α,再进行特征的软阈值化并加上残差项F(al)从而得到输出al+2。其中各层的输出如下[17]
(14)

(15)

图 2 深度残差收缩网络模型 Fig. 2 Model of deep residual shrinkage network
图选项




式(16)是对每个维度下的a′和对应的阈值α进行比较的基础上得到的软阈值化结果。
(16)

(17)

2 滚动轴承故障诊断模型 本文构建了基于深度残差收缩网络的滚动轴承故障诊断模型,该模型在多层CNN的基础上添加了残差项,并进行了软阈值化。其中恒等映射是深度残差网络的核心贡献,通过将残差项加入网络进行训练,极大程度地降低了深度神经网络训练的难度。软阈值化和注意力机制能够让深度残差网络根据数据集的噪声含量设定不同的阈值,从而使模型具有一定的降噪能力。
基于深度残差收缩网络的滚动轴承故障诊断模型的流程如图 3所示。首先,采集滚动轴承多故障、长时间序列、全寿命周期的振动信号构成故障样本。然后,将样本矩阵化从而构成灰度图故障样本用于深度学习训练,再将灰度图故障样本分为训练集和测试集,其中将训练集代入到由残差项、软阈值和多层CNN而组成的深度残差收缩网络中,经过训练和优化得到故障诊断模型。最后,将测试集代入到故障诊断模型中得到故障诊断结果,通过故障分类正确率来衡量模型的有效性。
图 3 基于深度残差收缩网络的滚动轴承故障诊断流程 Fig. 3 Fault diagnosis flowchart of rolling bearing based on deep residual shrinkage network
图选项




3 实例分析 为了验证本文方法的有效性,分别采用了凯斯西储大学(Case Western Reserve University)的滚动轴承数据集和西南交通大学的轴承数据集作为实验对象[18-19],分别构成多故障长时间序列故障样本和全寿命周期故障样本。
3.1 基于多故障长时间序列样本的滚动轴承故障诊断 选用凯斯西储大学的滚动轴承数据集中采样频率为48 kHz的故障尺寸为0.007 in(1 in(英尺)=0.304 8 m) 的故障样本集,该数据集的6种故障以及对应的长时间序列数如表 1所示。
表 1 滚动轴承故障样本集 Table 1 Failure dataset of rolling bearing
故障代号 故障描述 时间序列数
F1 内圈故障 1×104
F2 滚珠故障 1×104
F3 外圈承压端故障 1×104
F4 外圈侧面故障 1×104
F5 外圈承压端对面故障 1×104
F6 正常状态 1×104


表选项







3.1.1 故障样本预处理 将收集到的长时间序列的振动信号样本经过Z-score标准化后可以得到如图 4所示的结果。其中Z-score标准化是将数据按比例缩放,使之落入一个特定区间。假设样本x=(x1, x2, …, xk, …) 的均值为μ,方差为σ,可以得到Z-score标准化后的样本z的求解公式为
(18)

图 4 标准化后的振动信号样本 Fig. 4 Sample of standardized vibration signal
图选项




为了将振动信号样本转化为深度学习模型易于处理的样本形式,本文将一维的长时间序列样本矩阵化为20×20的灰度图故障样本,选用F1的一个故障样本如图 5所示。
图 5 灰度图故障样本 Fig. 5 Gray image fault sample
图选项




为了模拟滚动轴承在实际运行环境中的噪声干扰,本文在原有样本上添加了具有不同方差的高斯白噪声。定义σ=0.01为噪声等级1,σ=0.02为噪声等级2。
通过重复间隔采样从每种类别中分别抽取1 200个样本构成总数为7 200的样本集。

3.1.2 模型的构建与训练 定义深度残差收缩网络的模型参数如图 6所示。本文构建的深度残差收缩网络包含了10个隐层,其中每隔2个隐层添加残差项,并进行软阈值操作。其中输入的参数(20×20, Conv, 10)表示输入样本的尺寸是20×20,模型是CNN,通道数是10。将输入层进行Pooling操作和ReLU函数处理得到尺寸为10×10的特征输入到隐层中,其中前4个隐层的参数相同,在第4个隐层后通过Pooling将特征尺寸压缩到5×5,同时通道数增加到20。在第10个隐层,经过Pooling操作和ReLU函数处理后,将多个通道的特征图展开并输入到全连接层,然后通过Softmax函数得到故障分类结果。
图 6 深度残差收缩网络结构 Fig. 6 Structure of deep residual shrinkage network
图选项




定义每个批次包含32个样本,训练50个周期(Epoch)可以得到训练均方误差(Mean Square Error,MSE)和训练过程中训练集正确率的变化过程,如图 7所示。经过50个Epoch,训练误差从0.58降低到0.019,分类正确率从79.4%增加到99.5%。
图 7 训练误差与分类正确率变化 Fig. 7 Change of training error and classification accuracy
图选项




将噪声等级1和噪声等级2的样本集作为测试集代入到训练好的模型中进行故障分类可以得到测试结果,如图 8所示。其中噪声等级1(N1)和噪声等级2(N2)的样本集故障分诊断正确率分别为98.6%和97.1%。可以看出,在添加噪声后,只有F3和F4的故障诊断出现一些偏差。考虑到F3和F4都属于外圈故障,其故障机理有高度相似性,因此可以认为该模型在噪声干扰下得到了较高的故障诊断正确率,能够用于指导实际工况下的滚动轴承故障诊断。
图 8 样本故障诊断结果 Fig. 8 Fault diagnosis results of samples
图选项




将深度残差收缩网络模型与深度残差网络和不含残差收缩功能的CNN模型相比较,其训练过程中的误差变化如图 9所示。DRSN、DRN和CNN在第50个Epoch的训练误差分别为0.018 7、0.029 8和0.031 2。可以看出,DRSN模型和DRN模型比CNN模型的误差下降更快,DRSN有最低的训练误差。
图 9 训练误差对比 Fig. 9 Comparison of training error
图选项




3.2 基于全寿命周期样本的滚动轴承故障诊断 本节从西南交通大学的轴承数据集中选取了在37.5 Hz/11 kN的运行条件下的外圈故障和保持架故障作为研究对象[20]。其中外圈和保持架分别从正常到故障运行了5小时39分钟和8小时53分钟,并在339个和533个采样点采集到了水平振动信号和垂直信号数据集。为了方便模型处理,选取2种故障发生前的200个采样点以内的振动信号数据,将每个采样点对应的长时间序列振动信号按照一定长度分为多个小样本,并从所有采样点随机选取小样本,将其对应振动信号的振幅作为指标构造成包含200维的水平振动信号振幅和200维的垂直信号振幅的全寿命周期故障样本。选取2种故障的全寿命周期样本如图 10所示。
图 10 滚动轴承全寿命周期故障样本 Fig. 10 Life cycle failure sample of rolling bearing
图选项




在3.1节的样本预处理和模型构造的基础上,将输出节点改为2,可以构造深度残差收缩网络用于全寿命周期样本的故障诊断。在经过50个Epoch后,可以得到其训练误差降低到0.005,故障诊断正确率也达到了99.5%。该实验说明在经过一定的数据集成处理后,通过深度残差收缩网络能够准确地判断特征指标变化曲线对应的故障类别,从而实现基于滚动轴承振动信号的精准化故障诊断。
3.3 对比实验 为了全面验证本文方法的有效性,构建了包含10个隐层的深度信念网络(Deep Belief Network, DBN)和人工神经网络(Artificial Neural Network, ANN),其隐层节点为[360, 320, 280, 240, 200, 160, 120, 80, 40, 20]。同时,还构建了传统的支持向量机(Support Vector Machine, SVM)实现从400维的样本到输出节点为6的数据集1和输出节点为2的数据集2的故障分类。对比模型在2种故障样本集的诊断正确率如表 2所示。可以看出,DRSN在不同数据集和噪声等级下的诊断正确率都最高,与其他深度学习模型和传统模型,其平均正确率提高了1%~6%。
表 2 故障诊断正确率对比 Table 2 Comparison of fault diagnosis accuracy?%
模型 数据集1 数据集2 平均值
原始 N1 N2 原始 N1 N2
DRSN 99.2 98.6 97.1 99.5 99.1 98.7 98.7
DRN 98.2 97.8 96.1 98.8 98.2 97.5 97.8
CNN 97.4 96.2 94.3 98.1 97.7 97.3 96.8
DBN 96.5 94.7 93.8 97.9 96.7 95.8 95.9
SVM 90.8 88.2 85.4 95.6 93.4 91.5 90.8
ANN 91.3 89.4 87.6 96.9 95.1 94.7 92.5


表选项






4 结论 1) 针对多故障下的长时间序列滚动轴承振动数据,将滚动轴承的一维振动信号数据矩阵化为多维度的灰度图故障样本,从而便于深度学习模型训练。
2) 针对从正常状态到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。
3) 使用多层卷积网络模型框架用于滚动轴承故障诊断,能够充分挖掘长时间序列多故障类型的振动信号数据的深层次特征。
4) 将残差项加入到模型中进行训练,降低了多层训练过程中的样本特征损失,从而解决了多层深度学习模型的网络退化问题。
5) 将软阈值化和注意力机制用于网络模型的特征激活,从而针对不同等级的含噪声样本设定不同的阈值,实现样本的降噪处理。
为了提高模型的鲁棒性,得到更准确的故障诊断结果,需要选取更多工况下的样本集用于模型训练,并探究多种深度学习模型框架添加残差收缩模块的可能性。

参考文献
[1] LEI Y G, YANG B, JIANG X W, et al. Applications of machine learning to machine fault diagnosis: A review and roadmap[J]. Mechanical Systems and Signal Processing, 2020, 138: 106587.
[2] 余建波, 吕靖香, 程辉, 等. 基于ITD和改进形态滤波的滚动轴承故障诊断[J]. 北京航空航天大学学报, 2018, 44(2): 241-249.
YU J B, LV J X, CHENG H, et al. Fault diagnosis for rolling bearing based on ITD and improved morphological filter[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(2): 241-249. (in Chinese)
[3] 丁显, 徐进, 滕伟, 等. 基于无参数经验小波变换的风电齿轮箱故障特征提取[J]. 振动与冲击, 2020, 39(8): 99-105.
DING X, XU J, TENG W, et al. Fault feature extraction of a wind turbine gearbox using adaptive parameterless empirical wavelet transform[J]. Journal of Vibration and Shock, 2020, 39(8): 99-105. (in Chinese)
[4] WANG L M, SHAO Y M. Fault feature extraction of rotating machinery using a reweighted complete ensemble empirical mode decomposition with adaptive noise and demodulation analysis[J]. Mechanical Systems and Signal Processing, 2020, 138: 106545. DOI:10.1016/j.ymssp.2019.106545
[5] 李政, 张炜, 明安波, 等. 基于IEWT和MCKD的滚动轴承故障诊断方法[J]. 机械工程学报, 2019, 55(23): 136-146.
LI Z, ZHANG W, MING A B, et al. A novel fault diagnosis method based on improved empirical wavelet transform and maximum correlated kurtosis deconvolution for rolling element bearing[J]. Journal of Mechanical Engineering, 2019, 55(23): 136-146. (in Chinese)
[6] 曹惠玲, 高升, 薛鹏. 基于多分类AdaBoost的航空发动机故障诊断[J]. 北京航空航天大学学报, 2018, 44(9): 1818-1825.
CAO H L, GAO S, XUE P. Aeroengine fault diagnosis based on multi-classification AdaBoost[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(9): 1818-1825. (in Chinese)
[7] 崔路瑶. 基于机器学习的滚动轴承智能故障诊断方法研究[D]. 南昌: 华东交通大学, 2019: 1-77.
CUI L Y. Research on fault diagnosis method of rolling bearing based on machine learning[D]. Nanchang: East China Jiaotong University, 2019: 1-77(in Chinese).
[8] 车畅畅, 王华伟, 倪晓梅, 等. 基于深度学习的航空发动机故障融合诊断[J]. 北京航空航天大学学报, 2018, 44(3): 621-628.
CHE C C, WANG H W, NI X M, et al. Fault fusion diagnosis of aero-engine based on deep learning[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(3): 621-628. (in Chinese)
[9] 宫文峰, 陈辉, 张泽辉, 等. 基于改进卷积神经网络的滚动轴承智能故障诊断研究[J]. 振动工程学报, 2020, 33(2): 400-413.
GONG W F, CHEN H, ZHANG Z H, et al. Intelligent fault diagnosis for rolling bearing based on improved convelutional neural network[J]. Journal of Vibration Engineering, 2020, 33(2): 400-413. (in Chinese)
[10] 朱丹宸, 张永祥, 潘洋洋, 等. 基于多传感器信号和卷积神经网络的滚动轴承故障诊断[J]. 振动与冲击, 2020, 39(4): 172-178.
ZHU D C, ZHANG Y X, PAN Y Y, et al. Fault diagnosis for rolling element bearings based on multi-sensor signals and CNN[J]. Journal of Vibration and Shock, 2020, 39(4): 172-178. (in Chinese)
[11] QIU G Q, GU Y K, CAI Q. A deep convolutional neural networks model for intelligent fault diagnosis of a gearbox under different operational conditions[J]. Measurement, 2019, 145: 94-107. DOI:10.1016/j.measurement.2019.05.057
[12] SUN M D, WANG H, LIU P, et al. A sparse stacked denoising autoencoder with optimized transfer learning applied to the fault diagnosis of rolling bearings[J]. Measurement, 2019, 146: 305-314. DOI:10.1016/j.measurement.2019.06.029
[13] CHE C C, WANG H W, NI X M, et al. Domain adaptive deep belief network for rolling bearing fault diagnosis[J]. Computers & Industrial Engineering, 2020, 143: 106427.
[14] ZHANG Y, XING K S, BAI R X, et al. An enhanced convolutional neural network for bearing fault diagnosis based on time-frequency image[J]. Measurement, 2020, 157: 107667. DOI:10.1016/j.measurement.2020.107667
[15] LIANG P F, DENG C, WU J, et al. Compound fault diagnosis of gearboxes via multi-label convolutional neural network and wavelet transform[J]. Computers in Industry, 2019, 113: 103132. DOI:10.1016/j.compind.2019.103132
[16] ZHAO M, ZHONG S, FU X, et al. Deep residual shrinkage networks for fault diagnosis[J]. IEEE Transactions on Industrial Informatics, 2020, 16(7): 4681-4690. DOI:10.1109/TII.2019.2943898
[17] QIU W Y, LI D X, JIN X Y, et al. Deep neural network inspired by iterative shrinkage-thresholding algorithm with data consistency (NISTAD) for fast undersampled MRI reconstruction[J]. Magnetic Resonance Imaging, 2020, 70: 134-144. DOI:10.1016/j.mri.2020.04.016
[18] OCAK H, LOPARO K A. HMM-based fault detection and diagnosis scheme for rolling element bearings[J]. Journal of Vibration and Acoustics, 2005, 127: 299-306. DOI:10.1115/1.1924636
[19] SMITH W A, RANDALL R B. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study[J]. Mechanical Systems and Signal Processing, 2015, 64-65: 100-131. DOI:10.1016/j.ymssp.2015.04.021
[20] WANG B, LEI Y, LI N, et al. A hybrid prognostics approach for estimating remaining useful life of rolling element bearings[J]. IEEE Transactions on Reliability, 2020, 69: 401-412. DOI:10.1109/TR.2018.2882682


闂佽瀛╅鏍窗閹烘纾婚柟鍓х帛閳锋垶銇勯幇鍓佹偧妞わ絽寮剁换婵嬪焵椤掑嫬绠ユい鏃€鍎冲畷銉モ攽椤旂瓔娈樻い锔剧〗闂傚倷鐒︾€笛呯矙閹烘鍎楁い鏂垮⒔閸楁岸鎮楀☉娆嬬細闁崇粯妫冮弻娑㈠Ψ閵忊剝鐝﹀┑鐐插悑瀹€鎼佸蓟閵堝绾ч柛顭戝枟濞堝爼姊虹紒妯煎⒈闁稿簺鍊楃划娆愬緞閹邦剛顔掗梺鑲┾拡閸撴盯骞婂┑瀣厽闁绘ê寮舵径鍕偓瑙勬礃閿曘垽鏁愰悙纰樺亾閿濆骸浜剧紒鎲嬬秮閺岀喐娼忔ィ鍐╊€嶅銈嗘尵閹虫捇濡撮幒鎴僵闁惧浚鍋嗛妴濠傗攽閻橆偄浜鹃梺鍛婄☉閻°劑寮查鍕€堕柣鎰絻閳锋梹淇婄仦鍌氬闁哄矉绻濆畷濂割敃閵忕姴绠扮紓鍌欑劍椤ㄥ懘藝闂堟稓鏆︽慨姗嗗弿缁憋絽霉閿濆嫯顒熷ù鐓庢喘濮婃椽宕ㄦ繝鍌滅懆濠碘槅鍋呯换鍫ョ嵁閹版澘閱囬柡鍥╁枑濞呮牗绻涙潏鍓хК婵炲拑缍佸畷鈥斥堪閸喎鈧敻鏌i姀鐘典粵闁搞倐鍋撻梻浣规偠閸斿秶鎹㈤崟顓炲灊閻犲洤寮弮鍌楀亾閿濆骸澧伴柨娑虫嫹
547闂傚倷绀佸﹢閬嶃€傛禒瀣;闁瑰墽绮埛鎺楁煕閺囨娅呴柣蹇d邯閺岋絽螖閳ь剟鏌婇敐澶婄疇闁规崘顕х粈鍐┿亜韫囨挻顥滈柣鎾寸洴濮婃椽宕楅崗鑲╁嚒闂佸摜鍣ラ崑鍕偩閻戣姤鏅搁柨鐕傛嫹1130缂傚倸鍊风粈渚€藝椤栨粎鐭撻柣銏㈩暯閸嬫捇宕归锝囨闂侀€炲苯澧叉い顐㈩槺閸犲﹤顓兼径濠冭緢闂侀€炲苯澧撮柡灞稿墲瀵板嫮鈧綆浜滈~搴♀攽閻愯尙澧涢柛銊ョ仢閻g兘鏁撻悩鑼槰閻熸粌绻掔划娆撳炊閳哄啰锛滄繝銏f硾閿曪附鏅ラ梻浣告啞鑿ч柛濠冪墱缂傛捇鎸婃竟鈺傛瀹曨亝鎷呯憴鍕В闂備礁婀遍崢褔鎮洪妸鈺佺闁割偅娲栭悞鍨亜閹寸偛顕滅紒浣哄閵囧嫰顢曢姀鈺佸壉闂佹寧绋掗崝娆撶嵁鐎n噮鏁嶆繝濠傛媼濡查攱绻濋悽闈涗沪闁搞劌缍婂顐ょ矙濡數鍎ょ换婵嬪炊閵娿儲顓洪梺鍝勵槸閻楁粓宕戦幒妤€鍚归柡鍐ㄧ墛閻撳繘鏌涢埄鍐╃闁稿繐鐬肩槐鎺楊敊閸忓浜鹃悺鎺嶆祰椤骞嗛弬搴撴闁圭儤鍨虫竟鏇熺箾鏉堝墽鎮奸柡鍜佸亜鍗遍柛顐犲劜閻撴洟鏌熼悜妯诲鞍闁稿濞€閺屽秷顧侀柛蹇旂〒濞嗐垹顫濈捄娲7婵°倧绲介崯顖炲箠濮樻墎鍋撻獮鍨姎闁哥喓濞€瀹曟垿骞樼€涙ê顎撻梺缁樺灦閿氶柍褜鍓涢崑鐔煎焵椤掑喚娼愰柟顔肩埣瀹曟洟顢涢悙鑼姦濡炪倖鍨奸崕濠氬礂鐏炰勘浜滈柟鎯х摠閸婃劙鏌熼鑲╁煟鐎规洟浜堕獮鍥Ω閵夈倕顥氬┑鐐舵彧缁茬偓绂嶉懞銉ь浄闁挎洍鍋撻棁澶愭煕韫囨洖甯堕柟鍏兼倐閺屽秷顧侀柛蹇旂☉闇夐柛銉墮绾惧ジ鏌曟繝蹇曠暠妞ゆ洝椴搁幈銊ノ熺粙鍨闂佺ǹ顑嗛幐濠氬箯閸涱垱鍠嗛柛鏇ㄥ墰閺嗘岸姊绘担鍝勫付鐎殿喗鍎奸妵鎰板礃椤忓棛澶勬俊銈忕到閸燁垶宕戦悩缁樼厱闁斥晛鍟慨鈧梺绋款儐閹稿骞忛崨瀛樺仾妞ゆ牗鑹剧粻鎴︽⒒娴e憡鎯堥柛濠勄圭叅闁靛繈鍊曢悞鍨亜閹寸偛顕滅紒浣规緲椤法鎲撮崟顒€纾抽悗娈垮枤閺佸銆佸☉妯滅喎鐣℃0浣割棜濠电偠鎻紞鈧い顐㈩樀閹繝鍩€椤掑嫭鈷掗柛灞捐壘閳ь兛绮欓、娆愮節閸曨剦娼熼梺鍓插亝濞叉牜绮荤紒妯镐簻闁圭偓娼欓ˉ姘舵煕鐎n偅灏伴柟宄版嚇瀹曠兘顢樺┃鎯т壕濠电姴娲﹂崐鍨箾閹存繄鏋冪紒鈧€n喗鐓冪憸婊堝礂濞戞氨鐭嗗ù锝堟〃閻掑﹪鏌熷▓鍨灀闁稿鎸搁埥澶屸偓鍦Х椤︿即姊洪柅鐐茶嫰閸樺憡绻涢弶鎴炲枠妞ゃ垺锕㈠畷顐﹀Ψ瑜岀粭澶娾攽鎺抽崐鎾绘倿閿旀崘濮虫慨妯垮煐閻撳繘鏌涢埄鍐╃妞わ讣濡囬埀顒€婀辨灙妞ゎ厼鍢查悾鐑芥晲閸ワ附鍕冮梺绋挎湰椤ㄥ懏绂嶉幆顬″綊鏁愰崨顔兼殘闂佸憡娲熺粻鏍蓟閿濆鍊烽柛娆忣樈濡垿姊洪柅鐐茶嫰閸樻悂鏌i幒鐐电暤鐎殿噮鍓熷畷鎺戭潩閿濆棛鍙冩繝娈垮枤閹虫挸煤閻樿纾婚柟鎯х摠婵挳鏌涘☉姗堟敾闁革絾鎮傞弻锝嗘償閵忕姴鏋欓柣鐘冲姉閸犳牠宕洪埀顒併亜閹寸偛顕滄い锕傤棑缁辨挸顓奸崪浣稿壎闂佺娅曢悧鐘诲箠閻樻椿鏁嗛柛鎰亾閽戝绱撻崒娆戝妽闁告劕顭烽獮蹇涙晸閿燂拷28缂傚倸鍊风欢锟犲磻婢舵劦鏁嬬憸鏃堛€佸Δ鍛亜闁惧繐婀遍悡瀣⒑鐟欏嫭鍎楅柛銊ョ-婢规洟鏁撻敓锟�
相关话题/网络 数据 信号 序列 传播

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于中心-对数半长的区间数据主成分分析*
    主成分分析(PrincipalComponentAnalysis,PCA)是一种对包含多个变量的平面数据表进行最佳综合简化的多元分析方法[1]。其主要目的是在保证数据信息损失最小的前提下,对多元数据进行降维处理,基本原理是通过正交变换将p个相互关联的变量转换为p个相互无关的"主成分",并省却数据变异 ...
    本站小编 Free考研考试 2021-12-25
  • 改进的深度神经网络下遥感机场区域目标检测*
    目标检测目前为计算机视觉和数字图像处理的一个热门方向,其通过机器自主识别人们需要检测目标的方式,可以大大减少人力资源的消耗。而机场对于军用和民用领域都有重大的意义,对于民用来说是商业活动的中心同时也是城市的资源配置中心;对于军用来说,是空中力量的关键基础,也是夺取制空权的坚强力量。而随着卫星遥感图像 ...
    本站小编 Free考研考试 2021-12-25
  • 连续变迎角试验数据自适应分段拟合滤波方法*
    在常规高超声速风洞测力试验[1-3]中,常采用阶梯变迎角试验方式,即利用模型机构阶梯地改变试验模型的迎角,天平测量每个迎角台阶上试验模型的气动力,取一段时间进行平均,获取该模型在对应迎角的气动载荷。利用模型机构实现阶梯变迎角过程中产生较快的启动、停止,试验模型因而产生较大的振动,需要在每个迎角台阶停 ...
    本站小编 Free考研考试 2021-12-25
  • BP神经网络预测复合材料热压罐成型均匀性*
    复合材料具有比强度、比刚度高、材料力学性能可设计性等优点,是轻质高效结构设计的理想材料。由于其优良的特性,复合材料被广泛应用于航空航天和军工等领域。常见的复合材料成型工艺有热压罐成型。热压罐成型指将单层预浸料按预定方向铺叠成的复合材料坯料放在热压罐内,在给定温度和压力下完成固化过程的工艺方法。固化过 ...
    本站小编 Free考研考试 2021-12-25
  • 空域扇区网络结构特性分析及韧性评估*
    近十年来,中国国内航空运输量连续保持高速增长态势,主要运输指标实现逐年快速增长。与此带来的航班延误、空域拥挤等问题也日益严重,加重了管制员的工作负荷,增加了安全隐患。而扇区是依据空域内的航路结构及通信导航监视能力,为减轻管制员工作负荷、提高运行安全和效率而划设的空域单元。因此,研究扇区网络特性及在外 ...
    本站小编 Free考研考试 2021-12-25
  • 复合材料飞机接地回流网络建模与阻抗分析*
    大规模使用复合材料是现代飞机发展的一个重大趋势,复合材料用量是当今全球航空业衡量飞机先进性的重要指标[1-2]。与传统的金属材料相比,先进的复合材料对于飞机的减重、增加强度、耐腐蚀、简化维护都大有益处,但相应地也会在飞机电力系统的接地系统设计方面带来一系列问题。传统的全金属机身导电性能优良,在飞机电 ...
    本站小编 Free考研考试 2021-12-25
  • 基于乙炔基封端酰亚胺和氰酸酯树脂的互穿网络聚合物*
    氰酸酯(BADCy)是一类性能优异的热固性树脂,具有较高的玻璃化转变温度和力学性能,较低的介电常数和介电损耗,吸湿率低,固化过程无副产物释放,与各种增强材料的相容性好。因此,氰酸酯作为一种高性能基体树脂在航空航天和微电子等领域得到了广泛的应用。在氰酸酯的分子结构中,苯环和三嗪环之间有一个柔性醚键,使 ...
    本站小编 Free考研考试 2021-12-25
  • 软件定义时间触发网络的调度算法优化*
    在具有时间、任务和安全等多关键性需求下的航空电子系统中,网络一直是体系架构的核心技术之一。时间触发以太网(Time-TriggeredEthernet,TTE)是一种基于802.3以太网的确定性组网方案,增加了时间触发(Time-Trigger,TT)机制,提高了高关键级别任务的消息传输确定性[1- ...
    本站小编 Free考研考试 2021-12-25
  • 基于异构网络表示学习的评分预测模型*
    近年来,电商业蓬勃发展使得网络购物及在线评论已经完全融入人们的生活。这些电商拥有大量的用户,多年来也积累了丰富的用户购物信息。将这些数据应用到推荐系统上,不仅能够帮助用户选择、发现符合用户兴趣的商品,还能够为商家发现潜在用户,提供商业价值。推荐效果的好坏依赖于用户对商品感兴趣程度的预测,评分预测就是 ...
    本站小编 Free考研考试 2021-12-25
  • 基于时空图卷积网络的无人机网络入侵检测方法*
    近年来,无人机在军事和民用领域的网络化应用日益广泛。无人机网络多部署和应用于恶劣、无人值守的环境中,更易遭受各种网络攻击,如虫洞攻击、拒绝服务攻击和泛洪攻击等[1]。网络入侵检测技术作为一种主动网络防御技术,通过监视网络运行状态,能够识别并有效应对各种网络攻击行为,确保网络可靠运行[2]。传统的网络 ...
    本站小编 Free考研考试 2021-12-25