Machine-Learning-Based智能机械故障检测和诊断的风力涡轮机

文摘

风力发电已得到了广泛的流行由于日益严重的能源和环境危机。然而,严重的操作条件往往带来的缺点和失败的风力涡轮机,这可能会大大降低大规模风力发电场的安全性和可靠性。在实践中,准确、高效的故障检测和诊断系统安全可靠地运行是至关重要的。这项工作发展一个有效的深度学习解决方案使用卷积神经网络来解决上述问题。此外,一览表就是给予一定标准线性判别指标学习技术在模型训练过程中采用建议的解决方案来提高在噪声条件下算法的鲁棒性。建议的解决方案可以有效地提取机械故障的特征。提出的算法解决方案实现和评估通过一系列实验对不同场景的缺点。数值结果表明,该方案可以检测和诊断操作的多个共存的缺点风力涡轮机变速箱。

1。介绍

近几十年来,风力发电已经成为主导的可持续和可再生能源,取得了高人气和显著扩张[1]。由于越来越多的有限公司₂排放和不断增长的能源需求、可再生发电来源被认为是最重要的一个手段,以低碳的方式缓解紧急的电力需求。在实践中,部署的风力涡轮机通常坐落在一些农村地区,远程站点,甚至海外。这带来了直接挑战风力发电设施的检查和维护。由于恶劣的操作环境和极端工作条件,风力涡轮机是倾向于各种故障,导致高维护工作(2]。变速箱,风力发电机的关键传动组件,在实践中显示了一个高故障率。(提供的统计数据3)表示,76%的失败是观察到轴承、齿轮的故障和其他组件是17.1%和6.9%,分别。因此,有效的健康状况监测是至关重要的减少维护成本以及可靠的系统操作和低经济损失(停机时间4,5]。

在实践中,机械故障检测和诊断大规模风电场的风力涡轮机是一项重要的任务由于操作条件和复杂的操作特征。一般来说,手动状态监测方法是基于信号处理和分析,需要熟练的专业知识,因此导致耗时的补救措施(6]。在文献中,有效地解决故障检测和分析的技术挑战,解决方案的运行状态监测和在线故障检测和诊断进行了调查(例如,7- - - - - -10])。

可以观察到从文学,智能故障诊断过程通常由三个关键步骤:(1)通过现场传感器信号采集;(2)通过信号预处理特征提取;使用机器学习算法和(3)故障分类,认为集体是一个典型的模式识别问题。在信号采集的过程中,各种信号,包括振动信号的测量、声发射信号,电流,和红外热,可以从现场获得的(11]。特别是,状态监测和诊断通过对振动信号的分析被认为是有用的旋转机械的振动信号包含最内在特征相关的健康状况(12]。特征提取的过程中,需要了解各种领域传感器采集的信号的特点和生成适当的敏感特性来解决特定的诊断问题。现有的研究(例如,所显示(13]),苛捐杂税的内在特性可用振动信号通常通过分析在时域,频域和时频域。时域特性包括一些统计参数,例如,均方根、方差、峰度、偏态,冲动的因素,和波峰因素。在频域分析,快速傅里叶变换(FFT)是一种广泛使用的技术,信号处理,而短时傅里叶变换(STFT)和小波包变换(WPT)是通常采用的非平稳信号的分析(14]。同时,其他一些先进的技术被采用时频分析,例如,地方平均分解(LMD),集成经验模态分解(EEMD),简要地变换(HHT),和稀疏表示15- - - - - -18]。对故障分类,许多machine-learning-based解决方案已经在先前的研究开发,如支持向量机(SVM) [19),随机森林(RF) (20.),k最近的邻居(knn) [21)和人工神经网络(ANN) [22]。现有的方法通常结合先进的信号处理技术和machine-learning-based方法获得收集现场信号的敏感特性,使诊断决策效率,实现各故障诊断应用成果显著。在[23索求,统计参数和测量振动信号的特征和滚柱轴承工作条件分析了基于基于svm识别方法。作者在24)采用经验模态分解(EMD)的能量熵作为输入特性和使用的安故障分类。作者在25)提出了一个算法的解决方案来计算多尺度排列熵进一步的振动信号作为支持向量机分类器的输入进行轴承故障诊断。在[26),作者提出了整合集成经验模态分解的独立分量分析(ICA)的分类组件故障进行诊断轴承故障的风力涡轮机。

传统的machine-learning-based方法在故障诊断已获得巨大的成功。然而,仍然有一组限制,可以概括如下:(1)特征提取一般是需要为每个特定的故障诊断任务。这要求信号处理的专业知识和一般耗时;(2)有些功能可能是冗余的,很难选择最敏感的特性没有先验知识;和(3)浅架构的学习模型,例如,安,可能限制的能力分类器学习复杂断层场景中复杂的非线性关系。为了克服现有的限制,更高级的深度上优于技术需要进一步的调查和评估。

近年来,基于深度学习技术,可以自动、高效地学习高级特性表征的原始输入数据已经迅速发展(例如,27,28])。深度学习方法的集合,如深度信念网(DBN) [29日),稀疏autoencoder (SAE) [30.),去噪autoencoder (DAE) [31日],稀疏的过滤[32],卷积神经网络(CNN) [33递归神经网络(RNN) [],34),显示非凡的特性学习能力和机械故障诊断的重要诊断结果。在[33,研究计算256年统计特性和重塑成一个方阵,然后采用2 d CNN变速箱故障诊断。在[35),作者应用各种时频方法包括短时傅里叶变换、离散小波变换,生成和S变换时频图像和美联储CNN来评估性能。作者在36]1 d原始振动信号转换成二维振动直接灰度图像,利用LeNet-5-based CNN的数据驱动的智能机械设备的故障诊断,并导致显著的准确性。此外,CNN的一维结构也吸引了大量的关注由于其简单的健身在应对时间序列分析。提出的解决方案(37,38]采用1 d CNN的故障检测和分析实时信号通过捕获的低频特性。

基于观察和现有文献的分析,仍存在一些挑战,总结如下:(1)早期故障信号非常微弱,容易被环境噪声干扰,甚至淹没。因此,故障信号可能有低限比,这对故障预测是一个挑战。(2)同时可能出现各种故障这称为multifault,必须考虑。

这项工作试图解决上述问题,提出了一种基于深度学习智能故障检测和分析解决风力涡轮机变速箱使用线性判别卷积神经网络。一览表就是给予一定标准线性判别线性判别损失引入增强辨别力的损失函数在培训过程中学习特性。增强辨别能力是一种很有前途的因素,加强对噪音泛化能力和鲁棒性。LDCNN提出的实验结果表明,该方案不仅能有效准确的振动测量的功能,还提供精确的故障检测和诊断相比,现有的解决方案。

在这个工作中,与上述现有解决方案相比,主要技术贡献在这工作描述如下:(1)基于深度学习提出解决方案和实施故障特征的提取和学习各种形式的振动测量和特征。(2)介绍了线性判别损失并集成到损失函数来解决轻微的机械故障诊断的技术挑战一个嘈杂的环境下。这有效地减少噪音的负面影响故障检测和分类的过程。(3)提出线性判别卷积神经网络(LDCNN)广泛的解决方案是通过实验评估一系列的故障场景基于模拟信号,通过实验研究轴承试验台和实际测量。它表明该LDCNN能提供98.75%的诊断准确性。

本工作的其余部分组织如下:卷积神经网络首先摘要部分2。部分3提供了一个详细描述我们提出的故障诊断方案。部分4案例研究和实验结果的分析。最后,未来的研究方向和结论性的言论5。

2。预赛和模型

2.1。CNN的概述

卷积神经网络(CNN)被认为是一个多层神经网络(卷积层、汇聚层和完全连接层)与深监督学习架构,并演示了其突出的性能在许多模式识别任务。

输入当地的卷积层执行卷积过滤器内核的地区,然后通过激活单元生成的输出特性。每个内核都有相同的大小。我们使用和表示的重量和偏见我th过滤层的内核l分别和使用来表示的jth地区层l。卷积的过程可以描述如下: 在哪里代表的输入jth神经元在坐标系我的层l+ 1,f表示激活函数,它可能包括乙状结肠函数,修正线性单元(ReLU),等等。

max-pooling层是一种最常用的层在CNN。让米_j表示jth池窗口,max-pooling转换才能制定如下:

对于分类任务,深层神经网络是紧随其后的是一个标识符,例如,一个多层感知器(MLP) softmax分类器或支持向量机(SVM)。在这里,将softmax基于函数分类器采用建议的解决方案。将softmax分类器的输出对于一个给定的数据集k类可以得到概率分布函数的基础上,按照下面:

2.2。LDA-Based距离度量学习

一个合理的距离度量类之间通常是有助于提高模式识别的效率和准确性。度量学习是广泛应用于机器学习任务由于其功能从训练数据自动学习合适的指标。学习的特性,度量学习可以学习一种新的歧视特征空间的功能转换(39]。给定的训练数据集 ,与标签 和使用D_我代表中的训练样本集我th类,两个样本之间的距离在投影下制定

在这里,W投影矩阵和对称矩阵吗W^TW被称为距离度量。距离度量学习的目的是学习矩阵W自动。

线性判别分析(LDA)已广泛应用于降维和模式识别应用程序(40]。它使识别线性变换矩阵W叫做费舍尔标准。让年代_b表示组内的散射矩阵和表示同类散射矩阵,描述由方程(5)- (7)。然后,费舍尔判别函数可以表示为方程(8):

线性变换矩阵W费舍尔则可以作为获得的距离度量。深度学习任务,更好的聚类提取特征的每个类和类之间的可分性承诺加强诊断能力。出于度量学习和费舍尔标准,这项工作介绍了线性判别损失解决故障诊断任务详细描述以下部分。

3所示。提出了故障诊断方法

本节开发深度上优于风力发电机的故障诊断解决方案,如图1。的整体过程提出了线性判别卷积神经网络——基于(LDCNN)解决方案可以描述如下:首先,数据论证增加样本数量进行抽样原始信号与重叠。通过这些数据论证,可以获得足够数量的数据样本的训练过程。然后,LDCNN设计基于一维CNN结合改进的损失函数学习的高度抽象的特性以自动方式输入数据。最后,通过softmax故障分类进行分类器对不同操作条件下的故障场景。建议的解决方案的实现细节,包括数据示例论证,功能苛捐杂税,和故障分类,进一步解释了下面。

3.1。样本采集

原始信号测量加速度计可以收集的字段,和重叠采样用于产生更多的样本的训练和测试流程,如图1。在这项工作中,数据通过切片增加重叠的原始数据是用于生产足够多的训练样本,建议在[33]。在这里,段长度和重叠率设置为1024和0.3,分别。

3.2。该模型的体系结构

CNN没有确定的标准结构和参数故障诊断现有文献。降低网络复杂性和提高该模型的效率,这个工作简化了网络结构通过严格的实验。在这部作品中,提出模型由三对一维卷积和池层和两层完全连接。宽阔的内核(33)采用卷积层。节点的数量完全连接层设置为512年和128年,分别。

3.3。损失函数设计

事实上,采用损失函数的解决方案结合softmax损失和提出的线性判别损失,因此它可以提高分类效率。目标分布和估计分布表示为p(x),问(x),分别。他们可以被定义为之间的叉

具体来说,结合方程(3),将softmax损失可以写成

同时最小化的组内和组内的差异最大化提取的特点,提出了一种线性判别损失函数和实现基于距离度量定义

在这里,l_ld被定义为组内的比例变化和组内的变化,以及组内和组内的变化的指标可以计算如下: 在哪里x_我从顶层表示生成的功能,c表示对所有样本特征空间的中心,和c_易表示样本属于类的中心y_我在特征空间。这样,顶层的权重可以被视为一个线性变换矩阵和优化培训。

损失函数可以写成下面的形式:

在这里,l_年代是将softmax损失,l_c代表每个时代的线性判别损失,α是一个hyperparameter用于平衡损失函数的两个部分。

3.4。振动信号和LDCNN-Based故障诊断

图1表明,切一维振动信号段是美联储直接转化为一维CNN特征学习和分类。在前方传播功能是由连续卷积和池层提取其次是完全连接层、分类和特性是由使用softmax分类器。反向传播的模型是通过最小化优化改进的基于随机梯度下降的损失函数(SGD)算法。培训过程后,测试数据集被用来评估建议的解决方案,和故障检测和诊断的准确性作为评价的主要指标。

4所示。实验评估和结果分析

开发了故障检测和诊断的解决方案是通过一系列实验广泛评估。实验进行基于10倍交叉验证和使用电脑的硬件配置英特尔酷睿i5处理器,12 GB RAM和GEFORCE GTX 940 GPU。

4.1。案例1:验证与模拟信号

这项工作首先进行绩效评估的基础上,采用模拟信号(41]。模拟信号可以表示为

在这里,的振幅是吗缺陷和冲动兴奋是其发生的时间,和的幅值和初始阶段吗谐波引起的轴承不平衡或齿轮啮合;和是白噪声的测量。

正常和故障情况下的振动信号。同时,两个振动谐波是在正常条件下生成的。给出了简化的数学表达式 在哪里 和 代表两个齿轮振动谐波频率,代表了时间, 在哪里样本点,是采样频率10 kHz这个实验。

此外,外环和内环的信号故障场景模拟如下(41,42]: 在哪里 和 , ,和 代表的共振频率和故障特征频率两种缺点,分别。在这里, 是轴承的轴旋转的频率。模拟故障信号的外环和内环故障呈现在图2,分别。

在模拟中,振动信号可以生成使用上述基于源信号(14),四种振动信号如图所示3。

在这种情况下,总共500个样本用于每个类和每个样本由400数据点,因此数据集包含2000(500×4)样本,其中70%的样品用于培训和其余部分用于性能测试。在实验中,不同的解决方案是实现为比较基准:1 d CNN (37],传统2 d CNN [35),WDCNN宽内核在第一层38),和两个机器学习模型与15时域统计特性(43]。图4介绍了数值结果评估解决方案的检测精度的基于测试数据集。

在图4,数值结果表明,该故障检测和诊断方法能有效地检测和诊断一个或多个共存的缺点。提议的LDCNN-based解决方案的优越性被证实与其他现有的解决方案。

4.2。案例2:使用轴承试验台验证

提出算法的性能解决方案是进一步评估在凯斯西储大学轴承使用测试数据中心(44]。详细,CWRU试验台由2 hp电机、转矩传感器、测功器,如图5。这项工作考虑三种类型的单一机械故障,也就是说,内套断层(IRF),外环故障(ORF)和球的错(BF)引入到测试轴承使用电火花加工直径与不同的故障。在这项研究中,轴承数据与故障直径0.007英寸和0.014英寸的选择和用于绩效评估。在这里,从驱动端轴承信号采集电动机的使用加速度计12 kHz的采样率在四个不同的负载条件下,也就是0,1,2,3 hp,分别。

上述三个故障类别的数据有两个故障直径以及正常操作条件数据直接用来评估我们的解决方案。总共有七个类别为每个健康状况;在每个负载条件生成150个样本,每个样本由1024数据点的工作。因此,构建数据集包含了总共4200个样本,其中70%用于训练和测试为30%。在例1中,四个深度学习模型和两个机器学习模型与手动应用特征提取和比较。这里,采用深度学习模型是由随机梯度下降优化(SGD)算法与minibatch 64个样本的大小。结果,2 d CNN-based方法实现精度高99.52%,而其他深度学习模型以100%。相比之下,machine-learning-based方法导致了94.76%和95.36%的准确性。因此,深度学习的有效性和优势可以证实由于其精度高,尽管缺乏人工特征提取。

此外,建议的解决方案的有效性和鲁棒性是评估通过添加高斯白噪声样本收集的数据。它可以观察到,吵闹的条件可以为故障检测和诊断带来困难,尤其是在存在多个同时共存的机械故障。因此,鲁棒性对噪声干扰是需要,需要评估。在实践中,杂音附加数据生成不同的信噪比(信噪比)中定义

在这里,和代表原始信号的权力和加性高斯白噪声,分别。

在这项工作中,数据测量被用于训练阶段训练的智能模型和不同信噪比的杂音附加样本用于测试阶段。在训练阶段,hyperparameter LDCNN损失函数的设置α= 0.2。图5显示了深度学习方法的实验结果。低信噪比的值代表噪音更大的权力,因此,阻碍了有效的故障诊断。很明显从图5,提出LDCNN优于其他智能方法测试精度与100%和93.07% 8分贝和−4 dB SNR值,分别。

这项工作通过了t分布式随机邻居嵌入(t新力)代表索求的特性。图6说明了提取高维特性两个噪声条件下7个不同的条件。提取的特征可以区分为信噪比= 4 dB,而对于信噪比=−2 dB,特征提取传统1 d CNN严重重叠,同时提出LDCNN相当可区分的特征提取。这证实了建议的解决方案的性能在不同的噪声条件下的鲁棒性。

应该注意的是,虽然开发解决方案的有效性是证实了数值实验,multifault分析建议的解决方案需要进一步评估。评估它的性能在多个故障情况下,这项工作利用单一故障信号构造多个故障振动信号采用混合矩阵(45和非线性函数46]给出的 在哪里年代单一的信号和故障吗一个和是线性混合矩阵和非线性函数,分别。采用非线性混合模拟现实的多重故障的振动信号。这项工作考虑multifault信号基于只有两种类型的故障消除组合的复杂性。具体地说,任何两个单故障的三种类型的任何故障大小选择形式不同的多个故障生成数据集。获得的测量数据在表中详细给出1。总共有13个类别和7800个样本用于这项研究。在这里,5460随机选择样本,剩下的2340个样本作为训练集和测试集,分别。

图7提供了检测精度的基于训练数据集和测试数据集深学习解决方案。很明显从训练和测试结果,该LDCNN和1 d CNN有更快的收敛速度比2 d CNN。此外,LDCNN较高的测试精度,1 d CNN,这表明改进的损失函数的有效性。考虑到multifault数据手动构造和已经提出了噪声和错误,通过添加高斯白噪声评价噪声免疫力可能并不符合现实的情况和价值,这是目前。

4.3。案例3:验证用真实数据

该方法进一步评估通过采用实际风电场测量。在这种情况下,实际的振动信号测量和收集从操作风力涡轮机与采样率在25.6 kHz和每个选定的风力发电机的转速是1100 rpm。除了轴承故障,变速箱也容易造成的齿轮故障的运行状态和极端环境条件。这里,五种不同的测量条件的一组fault-diagnosed风力涡轮机变速箱,包括轴承滚动球的错(B),内水沟的错(我),齿轮故障(G),和多个故障加剧了球齿轮故障(B&G),内套和齿轮故障(I&G),分别。测量加速度计安装在高速轴轴承的电动机侧记录。因此,300测量样本的每个操作条件得到建立包含总共1500个样本的测量数据集。

提出LDCNN的性能比较与现有的解决方案,和性能的准确性提供了表2。很明显的数值结果发达LDCNN可以达到98.75%的检测精度,优于基于机器学习和深度学习方法相比。建议的解决方案的混淆矩阵的测试结果呈现在图8。它值得注意的是混淆矩阵的多个故障可能被诊断为单一故障由于每个单一故障的大小的变化。然而,这样不能排除故障检测的误分类情况,因为多个故障条件也是一个错误条件。

5。结论和讲话

在这篇文章中,一个线性判别CNN-based诊断解决方案提出了有效的检测和诊断中的多个共存的机械故障操作风力涡轮机。建议的解决方案是通过模拟和实验广泛评估。除了诊断的准确表现为多个缺点,提出的算法模型的噪声免疫力增强,提供出色的性能和低信噪比条件下。

为未来考虑,以下两个研究方向会特别检查。为了进一步促进解决方案,论证和可伸缩的数据样本准确分类是必需的。因此,建议的解决方案的有效性和效率需要进一步验证和广泛的评估与大规模数据测量各种其他类型的故障和操作条件。物理实验可以模拟各种各样的轴承和齿轮故障应该建立,用于进一步的研究。同时,更高级的数据驱动的优化和machine-learning-based技术可以开发并纳入故障特征描述和识别。

数据可用性

支持的实验是数据源来自凯斯西储大学,克利夫兰,俄亥俄州,美国在线http://csegroups.case.edu/bearingdatacenter/pages/bearing-information。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家电网科技项目浙江电力有限公司有限公司(研究评估分布式可再生能源消费基于电力市场中的generation-network-demand协调)。

引用

1. m .聂和l .王”审查状态监测和故障诊断技术对风力发电机齿轮箱,”Procedia CIRP11卷,第290 - 287页,2013年。视图:出版商的网站|谷歌学术搜索
2. w·乔和d,“调查风力发电机状态监测和故障诊断部分我:组件和子系统,“IEEE工业电子产品,卷62,不。10日,6536 - 6545年,2015页。视图:出版商的网站|谷歌学术搜索
3. 国家可再生能源实验室(NREL),统计数据显示轴承问题引起的大多数风力涡轮机变速箱故障国家可再生能源实验室(NREL),黄金,有限公司,美国,2015年,http://energy.gov/eere/wind/articles/statistics-show-bearing-problems-cause-majority-wind-turbine-gearbox-failures。
4. x m .赵问:h . Hu y . g . Lei和m . j .左”Vibration-based泥浆泵叶轮使用社区粗糙集的故障诊断模型,”美国机械工程师学会学报》上,C部分:机械工程科学》杂志上,卷224,不。4、995 - 1006年,2010页。视图:出版商的网站|谷歌学术搜索
5. 他y . g . Lei和z . j .,“先进的混合智能故障诊断和预后的应用技术,”《振动与冲击,30卷,不。9日,第135 - 129页,2011年。视图:谷歌学术搜索
6. Hameed z . y . s .香港y . m .赵s h·安和c k歌,“风力发电机状态监测和故障检测和相关算法:复习一下,”可再生能源和可持续能源的评论,13卷,不。1,1-39,2009页。视图:出版商的网站|谷歌学术搜索
7. w·乔和d,“调查风力发电机状态监测和故障诊断部分2:信号和信号处理方法,”IEEE工业电子产品,卷62,不。10日,6546 - 6557年,2015页。视图:出版商的网站|谷歌学术搜索
8. z, a . Verma和a . Kusiak”故障分析和风力发电机齿轮箱的状态监测,“IEEE能量转换,27卷,不。2、526 - 535年,2012页。视图:出版商的网站|谷歌学术搜索
9. 李y, b . Lu,吴x, z,“回顾最近的进步风力发电机状态监测和故障诊断,”学报2009年IEEE电力电子和机械风的应用程序美国东北,页1 - 7,林肯,2009年6月。视图:出版商的网站|谷歌学术搜索
10. b . p . w . y . Liu, j·g·汉et al .,“结构健康状态监测和故障诊断方法在风力涡轮机:复习一下,”可再生能源和可持续能源的评论,44卷,第472 - 466页,2014年。视图:出版商的网站|谷歌学术搜索
11. f·p·g·马尔克斯是a . m .托拜厄斯·j·m·p·佩雷斯和m . Papaelias“风力发电机状态监测:技术和方法,“可再生能源,46卷,第178 - 169页,2012年。视图:出版商的网站|谷歌学术搜索
12. m·a·j . Zarei Tajeddini, h·r·卡里”振动分析轴承故障检测和分类使用智能过滤器,”机电一体化,24卷,不。2、151 - 157年,2014页。视图:出版商的网站|谷歌学术搜索
13. 林A . k . s .怡和d, d . Banjevic”回顾机械实现状态维修诊断和预测,“机械系统和信号处理,20卷,不。7,1483 - 1510年,2006页。视图:出版商的网站|谷歌学术搜索
14. h·o·a·艾哈迈德·m·l·d·黄和a . k .南帝,“智能轴承状态监测方法的缺点使用稀疏的完整功能,从高度压缩测量”机械系统和信号处理卷,99年,第477 - 459页,2018年。视图:出版商的网站|谷歌学术搜索
15. h·刘和m .汉”故障诊断方法基于局部均值分解和多尺度熵滚子轴承,”机制和机器理论卷,75年,第78 - 67页,2014年。视图:出版商的网站|谷歌学术搜索
16. 梁张x, y, j .周和y藏,“一种新型轴承故障诊断模型集成排列熵,合奏经验模态分解和优化的支持向量机,”测量卷,69年,第179 - 164页,2015年。视图:出版商的网站|谷歌学术搜索
17. a . Soualhi k Medjaher, n .塞”轴承健康监测的基础上简要地变换,支持向量机,和回归,”IEEE仪表和测量,卷64,不。1、52 - 62年,2015页。视图:出版商的网站|谷歌学术搜索
18. l . Ren w . Lv、美国江和y肖,”故障诊断使用基于稀疏表示的联合模型和支持向量机,”IEEE仪表和测量,卷65,不。10日,2313 - 2320年,2016页。视图:出版商的网站|谷歌学术搜索
19. 答:中,s。杨”,支持向量机在机器状态监测和故障诊断,”机械系统和信号处理,21卷,不。6,2560 - 2574年,2007页。视图:出版商的网站|谷歌学术搜索
20. d·卡布瑞拉,桑丘,R.-V。桑切斯et al .,“刺激齿轮箱的故障诊断基于随机森林和小波包分解,“机械工程的前沿,10卷,不。3、277 - 286年,2015页。视图:出版商的网站|谷歌学术搜索
21. z胡、段l . x和l . b .张”的应用改进KNNC方法在滚动轴承故障模式识别,”《振动与冲击32卷,84 - 87 + 105,2013页。视图:谷歌学术搜索
22. l、a . Karahoca和m . j .,“基于神经网络的电机轴承故障检测”诉讼21 IEEE的仪器和测量技术会议,3卷,第1660 - 1657页,科莫,意大利,2004年5月。视图:出版商的网站|谷歌学术搜索
23. 张x、b . Wang和x陈,“智能故障诊断的滚子轴承多变量ensemble-based增量支持向量机,”以知识为基础的系统卷。89年,56 - 85,2015页。视图:出版商的网站|谷歌学术搜索
24. d . j . y . Yu YuDejie, c表示,“基于EMD的滚动轴承故障诊断方法的能量熵和安,”杂志的声音和振动,卷294,不。1 - 2、269 - 277年,2006页。视图:出版商的网站|谷歌学术搜索
25. 南达科他州。吴,林志信。吴,C.-W。吴,j j。丁,c c。王”,轴承故障诊断基于多尺度排列熵和支持向量机,”熵,14卷,不。8,1343 - 1356年,2012页。视图:出版商的网站|谷歌学术搜索
26. r . j . Wang x高,r .严”集成EEMD和ICA的风力发电机齿轮箱诊断,”风能,17卷,不。5,757 - 773年,2014页。视图:出版商的网站|谷歌学术搜索
27. 美国阴和o . Kaynak”,为现代工业大数据:挑战和趋势(的观点),“IEEE学报》,卷103,不。2、143 - 146年,2015页。视图:出版商的网站|谷歌学术搜索
28. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
29. h .邵h .江x Zhang et al .,“滚动轴承故障诊断使用一个优化深度信念网络,”测量科学与技术,26卷,不。11,115002年,页2015。视图:出版商的网站|谷歌学术搜索
30. w .太阳,邵,r·赵r .严张x, x陈,“稀疏auto-encoder-based深感应电动机故障分类的神经网络方法,”测量卷,89年,第178 - 171页,2016年。视图:出版商的网站|谷歌学术搜索
31. c . Lu Z.-Y。王,w l。秦,j .马”故障诊断旋转机械组件使用堆叠去噪autoencoder-based健康状态识别、”信号处理卷,130年,第388 - 377页,2017年。视图:出版商的网站|谷歌学术搜索
32. y Lei, f·贾,j .林,美国,和美国x叮,“使用非监督功能的智能故障诊断方法对机械大数据,学习”IEEE工业电子产品,卷63,不。5,3137 - 3147年,2016页。视图:出版商的网站|谷歌学术搜索
33. c . z . Chen Li, R.-V。桑切斯,变速箱与卷积神经网络故障识别和分类,“冲击和振动,卷2015,不。2篇文章ID 390134 10页,2015。视图:出版商的网站|谷歌学术搜索
34. t . de熊先生,k . Verbert和r . Babuska“铁路轨道电路故障诊断使用递归神经网络,”IEEE神经网络和学习系统,28卷,不。3、523 - 533年,2017页。视图:出版商的网站|谷歌学术搜索
35. r·陈黄x l·杨,x, x,, y,“行星变速箱的智能故障诊断方法基于卷积神经网络和离散小波变换,“计算机在工业领域卷。106年,48-59,2019页。视图:出版商的网站|谷歌学术搜索
36. l·l·温x Li高,y,“一个新的卷积神经网络数据驱动的故障诊断方法,”IEEE工业电子产品,卷65,不。7,5990 - 5998年,2018页。视图:出版商的网站|谷歌学术搜索
37. t·因斯s Kiranyaz l、m . Askar,和m . Gabbouj”由一维卷积神经网络实时电机故障检测,”IEEE工业电子产品,卷63,不。11日,第7075 - 7067页,2016年。视图:出版商的网站|谷歌学术搜索
38. w·张,g .彭c .李et al。”一个新的深度学习故障诊断模型具有良好的抗噪声和领域适应能力在原始振动信号,”传感器,17卷,不。2,p。425年,2017年。视图:出版商的网站|谷歌学术搜索
39. w·b·李·j·霍,施黄懿慧et al .,“在线深度量学习,”2018年,http://arxiv.org/abs/1805.05510v1。视图:谷歌学术搜索
40. x y . Chen g .赵和j·d·汉”与惩罚线性判别分析,距离度量学习”学报2010年IEEE国际会议信息和计算的进展,第174 - 170页,上海,中国,2010年12月。视图:出版商的网站|谷歌学术搜索
41. m .赵j .林许x, x,“滚动轴承故障检测构成严酷的工作条件下使用IMF-based适应性包络分析,“传感器,14卷,不。11日,第20346 - 20320页,2014年。视图:出版商的网站|谷歌学术搜索
42. x a, m·p·贾和l .香”的复合故障诊断旋转机械OVMD和信封1.5维谱的基础上,“测量科学与技术,27卷,不。7,075002年,页2016。视图:出版商的网站|谷歌学术搜索
43. 陈z和w·李”,多传感器特征融合的轴承故障诊断使用稀疏autoencoder和深层信念网络,”IEEE仪表和测量,卷66,不。7,1693 - 1702年,2017页。视图:出版商的网站|谷歌学术搜索
44. 凯斯西储大学。美国克利夫兰,哦,[网络]10):http://csegroups.case.edu/bearingdatacenter/pages/bearing-information。
45. h .香港和m .梁”,从一个单通道故障特征分离机械信号混合使用小波分解,“机械系统和信号处理,21卷,不。5,2025 - 2040年,2007页。视图:出版商的网站|谷歌学术搜索
46. w·李和h·杨”,一个基于最大熵的非线性盲源分离方法使用一个两层感知器网络,”学报》2013年第10 IEEE控制与自动化国际会议上(ICCA)杭州,页978 - 982年,中国,2013年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2021羌族高等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。