• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于遷移學(xué)習(xí)的滾動軸承在線故障診斷

    2020-02-12 02:22:56毛冠通洪流王景霖
    航空科學(xué)技術(shù) 2020年1期
    關(guān)鍵詞:故障診斷信號方法

    毛冠通,洪流王景霖

    1.武漢理工大學(xué)機(jī)電工程學(xué)院,湖北 武漢 430070

    2.航空工業(yè)上海航空測試技術(shù)研究所 故障診斷與健康管理技術(shù)航空科技重點(diǎn)實(shí)驗(yàn)室,上海 201601

    現(xiàn)代機(jī)械設(shè)備廣泛應(yīng)用在電力、航空、冶金、交通、生產(chǎn)生活等各個領(lǐng)域,機(jī)械設(shè)備正朝著復(fù)雜化、精密化、智能化方向發(fā)展,通常會在復(fù)雜、嚴(yán)峻的工作場景中使用。一旦發(fā)生故障損壞,所造成的后果可能是災(zāi)難性的,因此機(jī)械故障暗藏著巨大的經(jīng)濟(jì)損失和安全風(fēng)險。為了避免和預(yù)防事故的發(fā)生,就必須建立科學(xué)、高效的故障診斷系統(tǒng)。由于可觀的效益提升和安全保障,機(jī)械故障診斷技術(shù)逐漸成為提升設(shè)備工作效率和企業(yè)生產(chǎn)資料現(xiàn)代化管理的關(guān)鍵技術(shù)[1,2]。

    傳統(tǒng)機(jī)械故障檢測技術(shù)是知識驅(qū)動的方法,其診斷過程側(cè)重于通過數(shù)值計(jì)算或信號處理技術(shù)提取有效的信號特征,旨在通過數(shù)學(xué)建模分析、診斷、定位故障狀態(tài)。雖然知識驅(qū)動的方法在機(jī)械故障診斷領(lǐng)域取得了一些研究成果,但這些方法需要依靠大量的知識儲備以及專家的經(jīng)驗(yàn),很難做到普及應(yīng)用。

    近年來,深度學(xué)習(xí)技術(shù)蓬勃發(fā)展,其引發(fā)的人工智能熱潮席卷各行各業(yè),這也給故障診斷領(lǐng)域帶來了新的曙光?;谏疃葘W(xué)習(xí)的故障診斷技術(shù)已經(jīng)在很多方面取得了比傳統(tǒng)故障診斷技術(shù)更好的結(jié)果。因此傳動設(shè)備故障診斷技術(shù)從側(cè)重研究信號處理的技術(shù),正逐漸過渡到側(cè)重研究數(shù)據(jù)智能驅(qū)動方法。

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)[3]是有監(jiān)督深度學(xué)習(xí)算法的一種,被廣泛應(yīng)用在故障診斷領(lǐng)域,它能從原始數(shù)據(jù)中提取出有效的特征。魏東等[4]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路內(nèi)外故障的模式識別方法。Lu 等[5]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到滾動軸承的故障診斷中,并驗(yàn)證了該方法的有效性。

    盡管深度學(xué)習(xí)在故障診斷研究中取得了實(shí)質(zhì)性進(jìn)展,對故障的分類達(dá)到了很高的準(zhǔn)確率,但訓(xùn)練有效的深度學(xué)習(xí)模型既復(fù)雜又費(fèi)時。此外,現(xiàn)有深度學(xué)習(xí)故障診斷方法大多都是直接使用采集到的一維信號進(jìn)行截取和拼接,進(jìn)而二維信號構(gòu)建,此方法并不能有力地說明它們在空間上具有很強(qiáng)的結(jié)構(gòu)特征。因此,開發(fā)一種數(shù)據(jù)驅(qū)動的在線故障診斷方法,能夠消除建模的復(fù)雜性,表征數(shù)據(jù)中的空間結(jié)構(gòu),在有限的訓(xùn)練周期內(nèi)達(dá)到預(yù)期的診斷精度,具有十分重要的意義。

    本文提出了一種基于遷移學(xué)習(xí)的深度學(xué)習(xí)模型。首先使用短時傅里葉變換(Short-Time Fourier Transform,STFT)把采集到的一維時域信號轉(zhuǎn)換為頻域的二維信號,考慮了時域和頻域信息,增加了數(shù)據(jù)輸入的信息量,避免了傳統(tǒng)數(shù)據(jù)拼接方法中空間結(jié)構(gòu)沒有關(guān)聯(lián)的問題,可解釋性更強(qiáng)。其次,結(jié)合遷移學(xué)習(xí)和集成學(xué)習(xí),提出基于卷積神經(jīng)網(wǎng)絡(luò)的遷移融合方法,降低了建模的復(fù)雜性,提高了深度學(xué)習(xí)模型的訓(xùn)練速度和泛化能力。

    1 理論基礎(chǔ)

    1.1 短時傅里葉變換

    時頻分析得到的時頻圖表示的是時域和頻域的聯(lián)合分布信息,直觀地反映了信號的各頻率成分隨時間變化的關(guān)系。時頻圖包含了豐富的設(shè)備狀態(tài)信息。短時傅里葉變換是針對時變、非平穩(wěn)信號的一種聯(lián)合時頻分析方法。短時傅里葉變換能將一維的振動信號變換成適應(yīng)于卷積處理的特征圖:一種包含時域和頻域信息的特征譜。

    短時傅里葉變換是通過給連續(xù)的時域信號x(t)加窗,將信號分成可以看成是短暫平穩(wěn)的小段信號,對每一小段信號分別進(jìn)行傅里葉變換。短時傅里葉變換的定義式為:

    式中:x(t)為時域信號;w(t-τ)為加窗函數(shù);τ為加窗函數(shù)的中心。由此可以看出,STFT 就是將信號x(t)乘以一個以τ為中心的窗函數(shù)w(t-τ)所做的傅里葉變換。本研究中使用海明窗作為窗函數(shù),窗的長度為256。

    1.2 圖像壓縮

    一維的振動信號在經(jīng)過短時傅里葉變換之后變?yōu)楹袝r頻特征的時頻圖。雖然時頻圖包含了很多的信號特征,但是由于變換后二維圖像的大小遠(yuǎn)大于一維數(shù)據(jù)的數(shù)據(jù)量,因此,圖像壓縮勢在必行。在圖像縮放處理中有很多方法,包括最鄰近插值法、雙線性內(nèi)插法和雙三次插值法等。最鄰近插值法雖然計(jì)算量較小,但可能會造成插值生成的圖像灰度上的不連續(xù),在灰度變化的地方可能出現(xiàn)明顯的鋸齒狀。雙三次插值法雖然能夠解決灰度變化后出現(xiàn)鋸齒狀的問題,但是需要進(jìn)行大量計(jì)算。因此本研究使用雙線性插值來計(jì)算圖像壓縮后的灰度值。

    1.3 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)算法中的一種,是一種多層的人工神經(jīng)網(wǎng)絡(luò)。它所采用的權(quán)值共享結(jié)構(gòu)使得模型復(fù)雜度大大降低,減小了計(jì)算量。

    卷積神經(jīng)網(wǎng)絡(luò)由輸入層、交替連接的卷積層和降采樣層、全連接層及輸出層幾部分組成。輸入層為原始輸入信號的二維圖形;卷積層和降采樣層均由多個二維平面組成,每個平面為卷積層或者降采樣層處理后輸出的特征圖形,卷積層和降采樣層的層數(shù)可根據(jù)實(shí)際需求來確定。

    在卷積神經(jīng)網(wǎng)絡(luò)的卷積層,輸入層圖像作為輸入,與卷積核進(jìn)行卷積運(yùn)算,然后經(jīng)過非線性變換得到這一層卷積后的特征圖,每一個卷積核對應(yīng)一個特征圖。隨著卷積層數(shù)的增加,卷積核的數(shù)量也會隨之增加。在通過卷積層的運(yùn)算獲得特征圖之后,若直接使用這些獲得的特征圖去進(jìn)行分類,將會面臨巨大的計(jì)算量,對計(jì)算機(jī)硬件要求較高,而且還容易出現(xiàn)過擬合的現(xiàn)象。因此,有必要通過降采樣層對上一個卷積層得到的特征圖進(jìn)行抽樣,以降低特征圖維度,減小計(jì)算復(fù)雜度。對特征圖進(jìn)行矩形劃分,對每個矩形區(qū)域取最大值的運(yùn)算稱為最大池化,取均值的運(yùn)算則稱為均值池化。將通過降采樣后得到的所有特征圖的每個像素按一定順序展開,排成一列,構(gòu)成一個特征矢量。特征矢量與輸出層之間進(jìn)行全部連接,作為全連接層。全連接層位于卷積神經(jīng)網(wǎng)絡(luò)的尾端,用來計(jì)算整個網(wǎng)絡(luò)的輸出。使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類任務(wù)時,會在全連接層訓(xùn)練出一個分類器。分類器通常會選擇關(guān)于權(quán)值可微的分類方式,使得卷積神經(jīng)網(wǎng)絡(luò)可以使用基于梯度的學(xué)習(xí)方法來進(jìn)行訓(xùn)練。輸出層輸出的是一個矢量,其設(shè)置的節(jié)點(diǎn)數(shù)與所需類別數(shù)一致,每個節(jié)點(diǎn)的輸出值表示該樣本屬于對應(yīng)類別的概率。

    1.4 遷移學(xué)習(xí)

    遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個新分支,這里僅僅介紹遷移學(xué)習(xí)的基本概念。遷移學(xué)習(xí)是把已經(jīng)訓(xùn)練好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練??紤]數(shù)據(jù)或任務(wù)是存在相關(guān)性的,所以通過遷移學(xué)習(xí),可以將已經(jīng)訓(xùn)練好的模型參數(shù)通過某種方式來分享給新模型從而加快并優(yōu)化模型的學(xué)習(xí)效率。

    遷移學(xué)習(xí)分為樣本遷移、特征遷移、模型遷移、關(guān)系遷移等幾種遷移方法。為了進(jìn)一步提高深度學(xué)習(xí)模型在解決實(shí)際故障診斷問題時的實(shí)用性和靈活性。曹等[6]提出了一種基于CNN的深度遷移學(xué)習(xí)方法,用于齒輪的早期故障診斷,該方法所需的訓(xùn)練數(shù)據(jù)相對較少。溫等[7]提出了一種基于稀疏自編碼算法(SAE)的軸承故障診斷的遷移學(xué)習(xí)方法,該方法利用SAE提取原始數(shù)據(jù)的特征,并采用最大平均偏差來最小化特征空間的差異懲罰。綜合考慮各種損失函數(shù)的優(yōu)缺點(diǎn),本文使用交叉熵函數(shù)來最小化特征空間的差異懲罰,并且采用的是CNN 的融合遷移,而不是簡單地進(jìn)行遷移學(xué)習(xí)。使用融合遷移提高了模型的性能和泛化能力,能夠更好地適應(yīng)所需解決的問題。

    2 在線故障診斷方法

    提出的在線故障診斷算法首先將采集到的原始信號進(jìn)行STFT變換,接著把圖像預(yù)處理為壓縮的灰度圖像,然后利用這些灰度圖像來實(shí)現(xiàn)本研究提到的基于遷移學(xué)習(xí)的在線故障診斷方法。隨著遷移學(xué)習(xí)的使用,所提出的方法能夠及時地實(shí)現(xiàn)令人滿意的診斷準(zhǔn)確性。

    2.1 數(shù)據(jù)預(yù)處理

    從工業(yè)設(shè)備采集的狀態(tài)監(jiān)測數(shù)據(jù)一般包括圖像數(shù)據(jù)和波形信號數(shù)據(jù)。圖像數(shù)據(jù)通過圖像處理技術(shù)直接用于故障診斷,波形信號數(shù)據(jù)也可以通過信號處理技術(shù)在圖像中顯示。本文采用數(shù)據(jù)預(yù)處理算法將采集到的信號數(shù)據(jù)通過STFT轉(zhuǎn)換為灰度圖像,同時通過圖像壓縮技術(shù)對圖像進(jìn)行壓縮,來減少數(shù)據(jù)的存儲量,壓縮后的灰度圖像數(shù)據(jù)是CNN的理想輸入。

    圖1顯示了所提出的數(shù)據(jù)預(yù)處理算法的處理過程。從原始信號中隨機(jī)選取一段連續(xù)數(shù)據(jù)信號x(i),包含4096 個連續(xù)信號點(diǎn)。對所選擇的4096 個連續(xù)信號點(diǎn)進(jìn)行歸一化處理,然后對歸一化后的數(shù)據(jù)進(jìn)行STFT轉(zhuǎn)換為圖像,其次對圖像信號進(jìn)行灰度化處理,最后把灰度圖像進(jìn)行壓縮。

    2.2 提出的TCNN框架

    在本節(jié)中,提出了一種新的TCNN框架,該框架由基于Lenet-5 的在線CNN 和具有淺層結(jié)構(gòu)的幾個離線CNN 組成,如圖2所示。一旦獲得了包含足夠故障信息的圖像,則在線CNN被訓(xùn)練,然后通過對這些圖像進(jìn)行分類來診斷故障。以前的幾項(xiàng)研究得出兩個結(jié)論:(1)用從相關(guān)數(shù)據(jù)集或任務(wù)中學(xué)習(xí)到的遷移特征初始化深度神經(jīng)網(wǎng)絡(luò),可以提高網(wǎng)絡(luò)的泛化性能,提高網(wǎng)絡(luò)的效率;(2)淺層的低級特征對于不同但相關(guān)的任務(wù)是適用的,而最后一層的高級特征提取通常是針對于特定任務(wù)的。在此基礎(chǔ)上,為了提高在線CNN的實(shí)時性,還對多個離線CNN進(jìn)行了相關(guān)任務(wù)或數(shù)據(jù)集的預(yù)訓(xùn)練,并將其淺層卷積層遷移到在線CNN。因此,在離線CNN 中使用相應(yīng)卷積濾波器的權(quán)值和偏差直接初始化在線CNN的淺層。

    圖1 數(shù)據(jù)預(yù)處理過程Fig.1 Data preprocessing process

    在線CNN:LeNet-5 是一種經(jīng)典有效的卷積網(wǎng)絡(luò)結(jié)構(gòu),已成功地應(yīng)用于多種圖像分類任務(wù)中。在線CNN 網(wǎng)絡(luò)是在LeNet-5 基礎(chǔ)上,設(shè)計(jì)并優(yōu)化了網(wǎng)絡(luò)CNN 模型。研究表明CNN中較小的卷積濾波器尺寸有利于提高模型性能,因此所有卷積濾波器尺寸為5×5或3×3,圖3給出了在線CNN的結(jié)構(gòu)。其中有一個輸入層、4個卷積層、4個最大池化層、一個全連接層和一個Softmax[8]輸出層。每一個卷積層都使用ReLU 函數(shù)[9]來激活以增加模型的非線性??梢愿鶕?jù)不同情況下輸入圖像的大小來改變?yōu)V波器的數(shù)量和尺寸。此外,在線CNN模型中,采用零填充技術(shù),使得特征映射的大小在每層中保持不變。

    離線CNN:離線CNN首先被用來從相關(guān)任務(wù)或數(shù)據(jù)集中提取淺層的底層特征,然后將其中的淺層遷移到在線CNN 中進(jìn)行初始化。通過從不同的離線CNN 中獲取不同的淺層特征,可以提高在線CNN的可擴(kuò)展性和效率。在本文中,為了簡單起見,幾個離線CNN 在相同情況下共享相同的結(jié)構(gòu)和參數(shù)。然而,通過隨機(jī)梯度下降的網(wǎng)絡(luò)監(jiān)督訓(xùn)練,也可以獲得不同的離線CNN。

    為了更有效地提取低層特征,離線CNN的結(jié)構(gòu)應(yīng)該比在線CNN的結(jié)構(gòu)更淺,如圖4所示。離線CNN中只有一個輸入層、三個卷積層、三個池化層、一個全連接層和一個Softmax輸出層。此外,在提出的TCNN框架設(shè)計(jì)過程中,還需要進(jìn)一步考慮影響方法性能的兩個重要因素。第一個是離線CNN的數(shù)量,它決定了網(wǎng)絡(luò)CNN的淺層由多少個不同的離線CNN組成。第二種是用于訓(xùn)練離線CNN的數(shù)據(jù)集,這些數(shù)據(jù)集決定了傳輸給在線CNN獲取的不同知識。

    圖2 TCNN框架結(jié)構(gòu)Fig.2 TCNN frame structure

    圖3 在線CNN框架結(jié)構(gòu)Fig.3 Online CNN frame structure

    圖4 離線CNN框架結(jié)構(gòu)Fig.4 Offline CNN frame structure

    在成功設(shè)計(jì)了在線和離線CNN 結(jié)構(gòu)后,在算法1 中給出了TCNN 框架模型訓(xùn)練過程。在該框架中所有CNN 模型中訓(xùn)練所使用的損失函數(shù)Softmax交叉熵?fù)p失函數(shù)。定義如下:

    當(dāng)i為確定分類時,y為1,其他情況下y為0,p為概率,i屬于某個具體的類別,N為訓(xùn)練集的數(shù)量。值得注意的是,微調(diào)和凍結(jié)傳輸層可以用來訓(xùn)練在線CNN 模型。在本文中,當(dāng)訓(xùn)練集較大時,微調(diào)效果更好。

    3 試驗(yàn)評估

    通過對電機(jī)軸承故障數(shù)據(jù)集的實(shí)例研究,對所提出的在線故障診斷方法進(jìn)行了驗(yàn)證。檢驗(yàn)所提出的在線故障診斷方法的準(zhǔn)確性和有效性。所有的試驗(yàn)都是在Tensorflow框架下進(jìn)行的,并運(yùn)行在一個配有英特爾6 核2.9GHz CPU、GTX1080 GPU和16GB內(nèi)存的深度學(xué)習(xí)工作站上。

    3.1 數(shù)據(jù)描述

    在CWRU 軸承數(shù)據(jù)中心提供的軸承故障數(shù)據(jù)集上對所提出的在線故障診斷方法進(jìn)行評估[10]。如圖5 所示,試驗(yàn)臺由2hp 的電機(jī)、扭矩傳感器和測功機(jī)組成。采用電火花加工的方法,將單點(diǎn)故障引入到試驗(yàn)軸承中,軸承振動信號數(shù)據(jù)由安裝在電機(jī)驅(qū)動端的扭矩傳感器測量。采樣頻率為12kHz,負(fù)載范圍為0~3。軸承數(shù)據(jù)集中有10 個運(yùn)行狀況,分別為內(nèi)滾道故障(IF)、外滾道故障(OF)和滾珠故障(BF),均具有三種不同的損壞尺寸(0.18mm、0.36mm 和0.54mm)以及正常工況。

    算法:TCNN框架訓(xùn)練過程TCNN框架訓(xùn)練算法。

    圖5 CWRU軸承數(shù)據(jù)集測試試驗(yàn)臺Fig.5 CWRU bearing dataset test bench

    輸入:給定用于訓(xùn)練離線CNN 的數(shù)據(jù)集Xs{xs,ys},用于訓(xùn)練在線CNN的數(shù)據(jù)集Xt{xt,yt}。

    輸出:訓(xùn)練后的TCNN框架和診斷結(jié)果。

    (1)建立TCNN 框架結(jié)構(gòu),首先建立在線CNN 和離線CNN的結(jié)構(gòu)和超參數(shù),同時給出了離線CNN的數(shù)量。

    (2)初始化和預(yù)訓(xùn)練離線CNN,在給定的數(shù)據(jù)集Xs上對離線CNN進(jìn)行隨機(jī)初始化和預(yù)訓(xùn)練,用隨機(jī)梯度下降法來求解Softmax 交叉熵的最小值,獲得離線CNN 的權(quán)值W和偏置b。

    (3)使用離線CNN 傳輸?shù)膶映跏蓟诰€CNN,在線CNN的淺層由傳輸層的卷積濾波器的權(quán)值W和偏置b來初始化,而其他層則有隨機(jī)權(quán)值和偏差初始化。

    (4)微調(diào)在線CNN,使用步驟(2)中相同的方法利用Xt數(shù)據(jù)集對在線CNN進(jìn)行微調(diào)。

    (5)輸出經(jīng)過訓(xùn)練的TCNN 框架和診斷結(jié)果,驗(yàn)證經(jīng)過訓(xùn)練的TCNN框架的準(zhǔn)確性和有效性,并輸出診斷結(jié)果。

    在每種負(fù)載條件下,隨機(jī)選取2000個時域信號樣本進(jìn)行訓(xùn)練,隨機(jī)選取400 個樣本進(jìn)行測試。在本次試驗(yàn)中生成并使用了5 個數(shù)據(jù)集,詳情見表1。每個信號樣本包含4096 個數(shù)據(jù)點(diǎn),并通過數(shù)據(jù)預(yù)處理方法轉(zhuǎn)換成100×100 灰度圖像。圖6中給出在0負(fù)載工況下10種運(yùn)行狀況的灰度圖像。

    3.2 試驗(yàn)步驟

    使用所提出的CNN 模型對預(yù)處理后的灰度圖像進(jìn)行分類,可以對故障進(jìn)行診斷。通過觀察可以看出,圖6中不同運(yùn)行狀況的灰度圖像是有差別的,說明數(shù)據(jù)預(yù)處理方法的有效性。為了滿足在線故障診斷應(yīng)用的實(shí)時性要求,提高圖像分類任務(wù)的效率是關(guān)鍵問題。

    表1 5個數(shù)據(jù)集的詳細(xì)描述Table 1 Detailed description of five datasets

    圖6 CWRU軸承數(shù)據(jù)集10種齒輪狀態(tài)圖像Fig.6 Converted images of ten health conditions

    在此次試驗(yàn)研究中,在線CNN 模型和離線CNN 模型的兩種結(jié)構(gòu)都在表2 中進(jìn)行說明。為了簡單起見,所有的離線CNN 都使用相同的結(jié)構(gòu)和參數(shù)。在這里,卷積層1(16@5×5)表示在卷積1層中有16個大小為5×5的卷積濾波器,而池化層1(2×2)表示在池化 1 層執(zhí)行 2×2 的最大池化操作。所有CNN 模型的超參數(shù),包括初始學(xué)習(xí)率、每批量大小和迭代次數(shù)都是以啟發(fā)的方式選擇的。

    使用數(shù)據(jù)集Ⅴ對在線CNN 模型進(jìn)行訓(xùn)練,初始學(xué)習(xí)率設(shè)置為0.0005,批量大小設(shè)置為100,并且迭代次數(shù)設(shè)置為20。

    電機(jī)軸承數(shù)據(jù)是在4 種負(fù)載條件下采集的,因此離線CNN模型為4個。4個離線CNN分別使用數(shù)據(jù)集I~Ⅳ進(jìn)行訓(xùn)練。由數(shù)據(jù)集在不同負(fù)載下訓(xùn)練的離線CNN 可以為在線CNN 提供不同的知識。對于離線CNN,初始學(xué)習(xí)率為0.001,批量大小為50,迭代次數(shù)為20。在這種情況下學(xué)習(xí)得到的離線CNN模型,其中的卷積1層被傳輸以初始化在線CNN的卷積1層,卷積2層被傳輸以初始化在線CNN的卷積2 層,而在線CNN 則被微調(diào)以使用數(shù)據(jù)集Ⅴ更新所有網(wǎng)絡(luò)參數(shù)。

    表2 在線和離線CNN模型的結(jié)構(gòu)Table 2 Structure of online and offline CNN models

    3.3 試驗(yàn)結(jié)果與分析

    該方法的目的是在滿足在線故障診斷應(yīng)用準(zhǔn)確性要求的同時,加快訓(xùn)練過程,提高TCNN模型的效率。

    為了驗(yàn)證本文提出方法的有效性,本文還對傳統(tǒng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法(SVM、ANN、CNN、PCA+SVM)的準(zhǔn)確性進(jìn)行了比較。TCNN框架和上述方法的訓(xùn)練和測試過程全部進(jìn)行了10次,使用的數(shù)據(jù)集為數(shù)據(jù)集V,平均診斷精度比較結(jié)果顯示在表3中??梢钥闯鏊岢龅姆椒ㄅc傳統(tǒng)機(jī)器學(xué)習(xí)相比至少高10%以上,比常規(guī)CNN 提高2%左右。所提出的方法準(zhǔn)確率最高,驗(yàn)證了提出方法的有效性。

    表3 各種方法準(zhǔn)確率試驗(yàn)結(jié)果Table 3 Accuracy test results of various methods

    4 結(jié)論

    本文提出了一種在線故障診斷方法。主要貢獻(xiàn)包括:(1)引入一種簡單而有效的方法,將測量的傳感器信號轉(zhuǎn)換為故障圖像,這消除了對專家經(jīng)驗(yàn)和信號處理知識的依賴;(2)提出了一種新的TCNN 框架,提高在線CNN 的效率和可擴(kuò)展性,從多個離線CNN 中進(jìn)行卷積層的遷移;(3)將TCNN 框架應(yīng)用到在線故障診斷中,以改善所提出的方法的實(shí)時性。

    為了驗(yàn)證所提出方法的有效性,在CWRU軸承數(shù)據(jù)中心提供的軸承故障數(shù)據(jù)集上進(jìn)行了驗(yàn)證,準(zhǔn)確率達(dá)到99.52%。結(jié)果表明,該方法能夠有效滿足數(shù)據(jù)驅(qū)動在線故障診斷領(lǐng)域的精度要求,加快在線故障診斷的訓(xùn)練過程。

    雖然在線故障診斷方面取得了一定的成果,但今后仍有兩個問題有待解決。首先,所提出的TCNN 框架只有離線CNN的淺層特征被傳到在線CNN中;其次,利用GPU加速成功地訓(xùn)練所提出的TCNN框架仍然是耗時的。因此我們未來的工作將側(cè)重兩個方向:(1)在處理不同的故障診斷任務(wù)時,要驗(yàn)證離線網(wǎng)絡(luò)的所有層中的特征的可轉(zhuǎn)移性,以提高在線網(wǎng)絡(luò)的性能;(2)將引入諸如MapReduce 和Spar的并行計(jì)算平臺,以進(jìn)一步提高訓(xùn)練效率。

    猜你喜歡
    故障診斷信號方法
    信號
    鴨綠江(2021年35期)2021-04-19 12:24:18
    完形填空二則
    基于FPGA的多功能信號發(fā)生器的設(shè)計(jì)
    電子制作(2018年11期)2018-08-04 03:25:42
    可能是方法不對
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    基于LabVIEW的力加載信號采集與PID控制
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    捕魚
    基于LCD和排列熵的滾動軸承故障診斷
    免费高清视频大片| 成人一区二区视频在线观看| 国内精品久久久久精免费| 成人国产综合亚洲| 村上凉子中文字幕在线| a级毛片a级免费在线| 禁无遮挡网站| 日韩欧美国产在线观看| 99视频精品全部免费 在线| 免费搜索国产男女视频| 午夜免费激情av| 欧美中文日本在线观看视频| 免费av观看视频| 免费在线观看影片大全网站| АⅤ资源中文在线天堂| 乱系列少妇在线播放| 国产综合懂色| av天堂中文字幕网| 久久婷婷人人爽人人干人人爱| a级毛片免费高清观看在线播放| 日韩欧美精品免费久久| 免费黄网站久久成人精品| 搡老熟女国产l中国老女人| 成人毛片a级毛片在线播放| 久久久久久久久久黄片| 一本一本综合久久| 国内精品久久久久精免费| 欧美区成人在线视频| 久久亚洲精品不卡| 欧美黑人巨大hd| 51国产日韩欧美| 日本一本二区三区精品| 成人av一区二区三区在线看| 深夜精品福利| 国产淫片久久久久久久久| 国产在线精品亚洲第一网站| 在线天堂最新版资源| 国内揄拍国产精品人妻在线| 午夜福利在线观看吧| 成人亚洲精品av一区二区| 熟妇人妻久久中文字幕3abv| 国产一区二区三区av在线 | 国产女主播在线喷水免费视频网站 | 国产白丝娇喘喷水9色精品| 色在线成人网| 成人午夜高清在线视频| 人妻久久中文字幕网| 亚洲美女搞黄在线观看 | 婷婷丁香在线五月| 日韩一区二区视频免费看| 变态另类成人亚洲欧美熟女| 男女做爰动态图高潮gif福利片| 噜噜噜噜噜久久久久久91| 桃红色精品国产亚洲av| 又爽又黄a免费视频| 国产毛片a区久久久久| 午夜福利在线在线| 国产一区二区三区在线臀色熟女| 午夜精品久久久久久毛片777| 亚洲美女搞黄在线观看 | 全区人妻精品视频| 丰满的人妻完整版| 性插视频无遮挡在线免费观看| 99久国产av精品| 亚洲中文日韩欧美视频| 欧美+亚洲+日韩+国产| 精品午夜福利在线看| 国模一区二区三区四区视频| 欧美国产日韩亚洲一区| 国产老妇女一区| 一a级毛片在线观看| 国产精品精品国产色婷婷| 能在线免费观看的黄片| 日韩欧美在线乱码| 人人妻人人澡欧美一区二区| 国产精品精品国产色婷婷| 可以在线观看的亚洲视频| 国产高清三级在线| 亚洲一区二区三区色噜噜| 色综合亚洲欧美另类图片| 91在线精品国自产拍蜜月| 免费在线观看成人毛片| 国产伦精品一区二区三区四那| 亚洲第一区二区三区不卡| 草草在线视频免费看| 嫩草影院新地址| 桃色一区二区三区在线观看| 国产伦在线观看视频一区| 国产乱人视频| 琪琪午夜伦伦电影理论片6080| 好男人在线观看高清免费视频| 级片在线观看| 日本黄色视频三级网站网址| 天堂动漫精品| 无人区码免费观看不卡| 亚洲性久久影院| 12—13女人毛片做爰片一| 色吧在线观看| 97热精品久久久久久| 一卡2卡三卡四卡精品乱码亚洲| 在线观看舔阴道视频| 大型黄色视频在线免费观看| 国产精品精品国产色婷婷| 亚洲人成伊人成综合网2020| 欧美不卡视频在线免费观看| 黄色女人牲交| 熟女人妻精品中文字幕| 亚洲无线观看免费| 亚洲欧美日韩无卡精品| 在线观看午夜福利视频| 可以在线观看毛片的网站| 在线观看av片永久免费下载| 欧美成人性av电影在线观看| 日本三级黄在线观看| 日本成人三级电影网站| 国产黄a三级三级三级人| 狂野欧美白嫩少妇大欣赏| 赤兔流量卡办理| 亚洲真实伦在线观看| 嫩草影院新地址| 亚洲图色成人| 12—13女人毛片做爰片一| a级毛片a级免费在线| 亚洲一区高清亚洲精品| 亚洲人成网站在线播放欧美日韩| 亚洲熟妇熟女久久| 国产v大片淫在线免费观看| 婷婷亚洲欧美| 亚洲电影在线观看av| 亚洲av成人av| 成年女人毛片免费观看观看9| 欧美精品啪啪一区二区三区| 波多野结衣高清作品| 久久久久久久午夜电影| 亚洲人与动物交配视频| 伊人久久精品亚洲午夜| 国产精品人妻久久久影院| 简卡轻食公司| 国内精品一区二区在线观看| 久久精品久久久久久噜噜老黄 | 日日撸夜夜添| 琪琪午夜伦伦电影理论片6080| 九九热线精品视视频播放| 国产伦人伦偷精品视频| 性色avwww在线观看| 亚洲男人的天堂狠狠| 久久久久免费精品人妻一区二区| 男人舔女人下体高潮全视频| 成人av在线播放网站| 欧美日本视频| 日本 av在线| 给我免费播放毛片高清在线观看| 久久久久免费精品人妻一区二区| 黄色女人牲交| 很黄的视频免费| 亚洲欧美日韩东京热| 免费av毛片视频| 久久久色成人| av在线亚洲专区| 日本 av在线| 久久午夜亚洲精品久久| 久久久久久久久久成人| 亚洲18禁久久av| 国内精品久久久久久久电影| 麻豆成人av在线观看| 亚洲熟妇中文字幕五十中出| 国产精品伦人一区二区| 麻豆成人av在线观看| 国产成人福利小说| 国产久久久一区二区三区| 亚洲第一区二区三区不卡| 国产精品爽爽va在线观看网站| 老司机午夜福利在线观看视频| 免费av不卡在线播放| 国产精品一区二区三区四区久久| 国产精品伦人一区二区| 一进一出抽搐gif免费好疼| 偷拍熟女少妇极品色| 久久精品国产亚洲av天美| 不卡一级毛片| 日韩欧美免费精品| 老女人水多毛片| 91午夜精品亚洲一区二区三区 | 亚洲中文字幕日韩| 18禁在线播放成人免费| 久久久精品大字幕| 五月伊人婷婷丁香| 国产人妻一区二区三区在| 欧美绝顶高潮抽搐喷水| 99在线人妻在线中文字幕| 国产69精品久久久久777片| 波野结衣二区三区在线| 久久久精品欧美日韩精品| 午夜福利成人在线免费观看| 久久热精品热| 欧美成人a在线观看| 啦啦啦韩国在线观看视频| 国产三级在线视频| 日韩欧美精品免费久久| 国产探花极品一区二区| 欧美精品国产亚洲| 欧美高清性xxxxhd video| 不卡一级毛片| 毛片一级片免费看久久久久 | 国产精品久久久久久精品电影| 乱系列少妇在线播放| 黄色配什么色好看| 哪里可以看免费的av片| 日本三级黄在线观看| 999久久久精品免费观看国产| 国产91精品成人一区二区三区| 欧美激情在线99| 桃色一区二区三区在线观看| 啦啦啦韩国在线观看视频| 三级男女做爰猛烈吃奶摸视频| 亚洲自拍偷在线| 露出奶头的视频| 日本欧美国产在线视频| 欧美高清性xxxxhd video| 特级一级黄色大片| 神马国产精品三级电影在线观看| 97超视频在线观看视频| 国产亚洲精品久久久com| 国产aⅴ精品一区二区三区波| 欧美区成人在线视频| 国内揄拍国产精品人妻在线| 99国产精品一区二区蜜桃av| 内地一区二区视频在线| 国产高潮美女av| 成人午夜高清在线视频| 小蜜桃在线观看免费完整版高清| 亚洲美女视频黄频| 麻豆av噜噜一区二区三区| av.在线天堂| 国产精品精品国产色婷婷| 乱码一卡2卡4卡精品| 日韩一本色道免费dvd| 啪啪无遮挡十八禁网站| 国产精品亚洲美女久久久| 国产高清视频在线观看网站| av黄色大香蕉| 精品久久久久久久久亚洲 | 成人三级黄色视频| 很黄的视频免费| 日本黄色视频三级网站网址| 久久午夜福利片| 国产精品人妻久久久久久| 日韩欧美一区二区三区在线观看| xxxwww97欧美| 欧美+亚洲+日韩+国产| 最后的刺客免费高清国语| 国产亚洲精品av在线| 亚州av有码| 91精品国产九色| 中文字幕av成人在线电影| 欧美xxxx黑人xx丫x性爽| 日韩在线高清观看一区二区三区 | 欧美成人免费av一区二区三区| 99久久久亚洲精品蜜臀av| 91久久精品国产一区二区成人| 少妇的逼水好多| 国产精品,欧美在线| 亚洲一区高清亚洲精品| 又黄又爽又免费观看的视频| 成人国产麻豆网| 欧美黑人巨大hd| 日本三级黄在线观看| 一区二区三区激情视频| 国产精品人妻久久久影院| bbb黄色大片| av在线亚洲专区| 男女下面进入的视频免费午夜| 一区二区三区免费毛片| 精品久久久噜噜| 久久热精品热| 一个人免费在线观看电影| 国产一区二区亚洲精品在线观看| 午夜精品在线福利| 小蜜桃在线观看免费完整版高清| 色在线成人网| 一区二区三区免费毛片| 国产av麻豆久久久久久久| 亚洲自拍偷在线| 亚洲aⅴ乱码一区二区在线播放| 亚洲第一电影网av| 亚洲专区国产一区二区| 久久精品夜夜夜夜夜久久蜜豆| 一级毛片久久久久久久久女| www.www免费av| 日韩欧美精品v在线| 少妇猛男粗大的猛烈进出视频 | 在线免费观看的www视频| 国产亚洲av嫩草精品影院| 欧美日本亚洲视频在线播放| 久久精品国产亚洲av涩爱 | 春色校园在线视频观看| 少妇人妻一区二区三区视频| 全区人妻精品视频| 欧美人与善性xxx| 99热精品在线国产| 窝窝影院91人妻| 国产精品一区二区免费欧美| 午夜福利成人在线免费观看| 国产精品嫩草影院av在线观看 | 亚洲精品色激情综合| 亚洲一区二区三区色噜噜| 欧美不卡视频在线免费观看| 在线观看舔阴道视频| 天堂网av新在线| 国产单亲对白刺激| 男人狂女人下面高潮的视频| 成人性生交大片免费视频hd| 国产亚洲av嫩草精品影院| 国产精品久久久久久av不卡| 亚洲七黄色美女视频| 亚洲三级黄色毛片| 欧美日韩亚洲国产一区二区在线观看| 国产亚洲欧美98| 日本爱情动作片www.在线观看 | 色综合婷婷激情| 99热精品在线国产| 日日夜夜操网爽| 啦啦啦观看免费观看视频高清| 精品久久久久久成人av| 国产单亲对白刺激| 日本三级黄在线观看| 色av中文字幕| 亚洲第一电影网av| 女的被弄到高潮叫床怎么办 | 国产精品99久久久久久久久| 亚洲中文日韩欧美视频| av专区在线播放| 成人一区二区视频在线观看| 亚洲av中文字字幕乱码综合| 赤兔流量卡办理| 国产精品电影一区二区三区| 欧美一级a爱片免费观看看| 亚洲久久久久久中文字幕| 男人的好看免费观看在线视频| 九色成人免费人妻av| 五月玫瑰六月丁香| 亚洲无线在线观看| 国产精品精品国产色婷婷| 美女xxoo啪啪120秒动态图| 国产精品女同一区二区软件 | 99久久精品国产国产毛片| 亚洲欧美清纯卡通| 国产亚洲精品久久久com| 99热6这里只有精品| 国产日本99.免费观看| 中文在线观看免费www的网站| 中文字幕人妻熟人妻熟丝袜美| 在线播放无遮挡| 两性午夜刺激爽爽歪歪视频在线观看| 色5月婷婷丁香| 日韩在线高清观看一区二区三区 | 日韩大尺度精品在线看网址| 免费在线观看日本一区| av专区在线播放| 少妇的逼水好多| 国产高清不卡午夜福利| 免费观看在线日韩| 人人妻,人人澡人人爽秒播| 少妇丰满av| 国产精品国产三级国产av玫瑰| 免费高清视频大片| 久久久久久大精品| 两个人视频免费观看高清| 啪啪无遮挡十八禁网站| 免费观看人在逋| 日韩强制内射视频| 69人妻影院| 国模一区二区三区四区视频| 久久久久国内视频| 欧美xxxx性猛交bbbb| 国产麻豆成人av免费视频| 男人的好看免费观看在线视频| 国产精品一区www在线观看 | 国产v大片淫在线免费观看| 老司机福利观看| 中文字幕人妻熟人妻熟丝袜美| 久久久精品大字幕| 亚洲av中文字字幕乱码综合| 亚洲,欧美,日韩| 亚洲经典国产精华液单| 国内精品美女久久久久久| 国产一区二区在线观看日韩| 国产男人的电影天堂91| 狂野欧美激情性xxxx在线观看| 国产精品久久久久久av不卡| 亚洲国产色片| 成人鲁丝片一二三区免费| 91麻豆av在线| 日韩欧美国产在线观看| 赤兔流量卡办理| 国产视频一区二区在线看| 日本五十路高清| 婷婷六月久久综合丁香| 99在线人妻在线中文字幕| 欧美一区二区亚洲| 午夜免费激情av| 欧美丝袜亚洲另类 | 99久久成人亚洲精品观看| 亚洲欧美日韩高清在线视频| 亚洲国产日韩欧美精品在线观看| 亚洲经典国产精华液单| 2021天堂中文幕一二区在线观| 国产91精品成人一区二区三区| 国国产精品蜜臀av免费| 观看美女的网站| 久久久色成人| 极品教师在线视频| 国产精品人妻久久久久久| 亚洲va日本ⅴa欧美va伊人久久| 欧美三级亚洲精品| 日韩中字成人| 日韩欧美三级三区| 成年女人永久免费观看视频| 亚洲aⅴ乱码一区二区在线播放| 日本欧美国产在线视频| 国产精品伦人一区二区| 亚洲在线观看片| 看黄色毛片网站| 小说图片视频综合网站| 亚洲真实伦在线观看| 色综合亚洲欧美另类图片| 观看美女的网站| 人妻少妇偷人精品九色| 成人美女网站在线观看视频| 色哟哟哟哟哟哟| 亚洲五月天丁香| 高清在线国产一区| 免费观看在线日韩| 亚洲av日韩精品久久久久久密| 久久精品国产亚洲网站| 啦啦啦观看免费观看视频高清| 亚洲中文字幕一区二区三区有码在线看| 听说在线观看完整版免费高清| 久久人妻av系列| 欧美bdsm另类| 久久精品国产亚洲av天美| 日日啪夜夜撸| 别揉我奶头~嗯~啊~动态视频| 男女啪啪激烈高潮av片| 99riav亚洲国产免费| 日韩国内少妇激情av| 中亚洲国语对白在线视频| 91狼人影院| 色综合亚洲欧美另类图片| 十八禁国产超污无遮挡网站| 一进一出好大好爽视频| a级一级毛片免费在线观看| 国产蜜桃级精品一区二区三区| 国产 一区 欧美 日韩| 在线观看一区二区三区| 国产色爽女视频免费观看| avwww免费| 午夜久久久久精精品| 久久精品久久久久久噜噜老黄 | 毛片一级片免费看久久久久 | 老司机福利观看| 亚洲av五月六月丁香网| 日韩欧美国产一区二区入口| 国产欧美日韩一区二区精品| 国产探花极品一区二区| 亚洲成人精品中文字幕电影| 91久久精品国产一区二区成人| 国产色爽女视频免费观看| 婷婷精品国产亚洲av| 99九九线精品视频在线观看视频| 如何舔出高潮| 国产高清不卡午夜福利| a级毛片免费高清观看在线播放| 成人二区视频| 变态另类成人亚洲欧美熟女| 久久99热这里只有精品18| 久久九九热精品免费| 成人永久免费在线观看视频| 永久网站在线| 欧美成人a在线观看| 看片在线看免费视频| 亚洲精品成人久久久久久| 久久99热6这里只有精品| 国产毛片a区久久久久| 国产91精品成人一区二区三区| 午夜福利视频1000在线观看| 亚洲在线观看片| 亚洲精品一区av在线观看| av视频在线观看入口| av在线亚洲专区| 一进一出好大好爽视频| 色精品久久人妻99蜜桃| 婷婷亚洲欧美| 国产欧美日韩精品亚洲av| 中文字幕精品亚洲无线码一区| 国产av麻豆久久久久久久| 国产精品福利在线免费观看| 中国美女看黄片| 特级一级黄色大片| 美女黄网站色视频| 两人在一起打扑克的视频| 国内精品美女久久久久久| 欧美日韩乱码在线| 精品久久久噜噜| 国产精品,欧美在线| 国产成人av教育| 精品福利观看| 亚洲av第一区精品v没综合| 国产综合懂色| 国产三级在线视频| 无人区码免费观看不卡| 亚洲国产精品合色在线| 88av欧美| 一本精品99久久精品77| 亚洲精品一区av在线观看| 春色校园在线视频观看| 国产视频一区二区在线看| 偷拍熟女少妇极品色| 黄色丝袜av网址大全| 动漫黄色视频在线观看| videossex国产| 国产在线男女| 国内揄拍国产精品人妻在线| 国产精品伦人一区二区| 国产免费一级a男人的天堂| 久久久久久久精品吃奶| 欧美激情久久久久久爽电影| 丰满人妻一区二区三区视频av| 国产中年淑女户外野战色| 成人国产一区最新在线观看| 欧美激情在线99| 国产欧美日韩精品一区二区| 久久精品影院6| 中文字幕免费在线视频6| 精品一区二区三区人妻视频| 精品欧美国产一区二区三| av在线亚洲专区| 日本精品一区二区三区蜜桃| 国产成人a区在线观看| 欧美日本亚洲视频在线播放| 99riav亚洲国产免费| 欧美日韩瑟瑟在线播放| 国产av在哪里看| 18禁黄网站禁片午夜丰满| av天堂中文字幕网| www.色视频.com| 日本三级黄在线观看| 村上凉子中文字幕在线| 夜夜夜夜夜久久久久| 亚洲中文字幕日韩| 日本a在线网址| 两性午夜刺激爽爽歪歪视频在线观看| 有码 亚洲区| 亚洲美女搞黄在线观看 | 99久久精品一区二区三区| 国产亚洲91精品色在线| 国产人妻一区二区三区在| 韩国av一区二区三区四区| 国产不卡一卡二| 可以在线观看的亚洲视频| 亚洲无线观看免费| 99热只有精品国产| 久久国产精品人妻蜜桃| 亚洲欧美日韩无卡精品| 麻豆成人午夜福利视频| 免费在线观看影片大全网站| 欧美zozozo另类| av在线亚洲专区| 久久6这里有精品| 少妇的逼水好多| 在线观看一区二区三区| 99热这里只有精品一区| 久久欧美精品欧美久久欧美| 亚洲欧美激情综合另类| 国产一区二区三区视频了| 中亚洲国语对白在线视频| 亚洲人成网站在线播放欧美日韩| 深爱激情五月婷婷| 欧美潮喷喷水| a级毛片免费高清观看在线播放| 啦啦啦观看免费观看视频高清| 国产黄a三级三级三级人| 欧美高清性xxxxhd video| 免费在线观看影片大全网站| 最后的刺客免费高清国语| 白带黄色成豆腐渣| 国产成人av教育| 一进一出好大好爽视频| 精品一区二区三区av网在线观看| 搡老妇女老女人老熟妇| 黄色欧美视频在线观看| 自拍偷自拍亚洲精品老妇| 欧美中文日本在线观看视频| 国产精品一区二区三区四区免费观看 | 免费高清视频大片| 在现免费观看毛片| a级一级毛片免费在线观看| 一个人免费在线观看电影| 身体一侧抽搐| 少妇人妻精品综合一区二区 | 久久草成人影院| 国产真实伦视频高清在线观看 | 丰满人妻一区二区三区视频av| 欧美一级a爱片免费观看看| 啪啪无遮挡十八禁网站| 九九在线视频观看精品| 一进一出抽搐动态| 国产男靠女视频免费网站| 久久久国产成人精品二区| 久久精品影院6| 99久久成人亚洲精品观看| 亚洲真实伦在线观看| 午夜亚洲福利在线播放| 午夜视频国产福利| 综合色av麻豆|