• <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(xiǎn)。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
    99国产极品粉嫩在线观看| 成人三级做爰电影| 黄色毛片三级朝国网站| 日韩欧美三级三区| 久久久久国内视频| www.精华液| 欧美日韩国产亚洲二区| 一进一出抽搐gif免费好疼| 国产精品一及| 免费看十八禁软件| 国产v大片淫在线免费观看| 亚洲av成人一区二区三| 亚洲专区中文字幕在线| 美女黄网站色视频| 午夜福利在线观看吧| 欧美极品一区二区三区四区| 高潮久久久久久久久久久不卡| 国产免费男女视频| 欧美av亚洲av综合av国产av| 免费看美女性在线毛片视频| 成熟少妇高潮喷水视频| 欧美乱色亚洲激情| 亚洲人成网站在线播放欧美日韩| 久久99热这里只有精品18| 欧美性猛交╳xxx乱大交人| 国产成人aa在线观看| 精品国产乱子伦一区二区三区| 麻豆成人av在线观看| 亚洲av成人不卡在线观看播放网| 国产av不卡久久| tocl精华| 亚洲第一电影网av| 两性午夜刺激爽爽歪歪视频在线观看 | 久久国产乱子伦精品免费另类| 久久久久久国产a免费观看| 黄色片一级片一级黄色片| 久久热在线av| 精品少妇一区二区三区视频日本电影| 丰满的人妻完整版| 18美女黄网站色大片免费观看| 色av中文字幕| 亚洲 欧美一区二区三区| 午夜福利成人在线免费观看| 国产伦一二天堂av在线观看| 亚洲精品在线观看二区| 日韩欧美免费精品| 婷婷丁香在线五月| 欧美日韩瑟瑟在线播放| 啦啦啦免费观看视频1| 国产av不卡久久| 欧美日韩乱码在线| 日本一二三区视频观看| 国产亚洲av嫩草精品影院| 午夜老司机福利片| 欧美中文综合在线视频| 看黄色毛片网站| 亚洲精品一卡2卡三卡4卡5卡| 免费看a级黄色片| 国产精品免费一区二区三区在线| 最近视频中文字幕2019在线8| a在线观看视频网站| 国产单亲对白刺激| 亚洲中文日韩欧美视频| 久热爱精品视频在线9| 女人高潮潮喷娇喘18禁视频| 宅男免费午夜| а√天堂www在线а√下载| a级毛片在线看网站| 18禁裸乳无遮挡免费网站照片| 国产麻豆成人av免费视频| 淫妇啪啪啪对白视频| 精品第一国产精品| 女人爽到高潮嗷嗷叫在线视频| 国产精品免费视频内射| 亚洲欧美日韩无卡精品| 久久久久久久午夜电影| a在线观看视频网站| 国产v大片淫在线免费观看| 国内久久婷婷六月综合欲色啪| 男男h啪啪无遮挡| 在线十欧美十亚洲十日本专区| 不卡av一区二区三区| 亚洲国产高清在线一区二区三| 婷婷六月久久综合丁香| 男插女下体视频免费在线播放| 欧美久久黑人一区二区| 亚洲成人久久性| 黄色视频不卡| 成年免费大片在线观看| 曰老女人黄片| 午夜免费观看网址| 精品熟女少妇八av免费久了| 黑人操中国人逼视频| 人人妻人人澡欧美一区二区| 色播亚洲综合网| 国产精品 欧美亚洲| 在线观看免费视频日本深夜| 免费电影在线观看免费观看| 精品欧美国产一区二区三| 啦啦啦观看免费观看视频高清| 人妻夜夜爽99麻豆av| 19禁男女啪啪无遮挡网站| 国产麻豆成人av免费视频| 搡老熟女国产l中国老女人| 婷婷精品国产亚洲av在线| 久久人妻福利社区极品人妻图片| 校园春色视频在线观看| 亚洲欧美精品综合一区二区三区| 99热只有精品国产| 国产成人av教育| 好看av亚洲va欧美ⅴa在| 美女免费视频网站| www.www免费av| 人妻丰满熟妇av一区二区三区| 午夜视频精品福利| 男女之事视频高清在线观看| 国产高清videossex| 久久精品91蜜桃| 亚洲精品美女久久久久99蜜臀| 欧美日韩一级在线毛片| 女人爽到高潮嗷嗷叫在线视频| av国产免费在线观看| 一个人观看的视频www高清免费观看 | 亚洲国产欧美一区二区综合| 精品国内亚洲2022精品成人| 午夜福利18| 91av网站免费观看| 国产片内射在线| 国产99白浆流出| 女生性感内裤真人,穿戴方法视频| x7x7x7水蜜桃| 不卡av一区二区三区| 黄色女人牲交| bbb黄色大片| 亚洲自偷自拍图片 自拍| 日本 av在线| 午夜免费激情av| 免费在线观看日本一区| 亚洲国产精品sss在线观看| 老鸭窝网址在线观看| 正在播放国产对白刺激| 亚洲av成人不卡在线观看播放网| 免费搜索国产男女视频| 一本精品99久久精品77| 神马国产精品三级电影在线观看 | 久热爱精品视频在线9| 亚洲熟妇中文字幕五十中出| 国产亚洲欧美98| 亚洲午夜精品一区,二区,三区| av欧美777| www.www免费av| 国产1区2区3区精品| 国产野战对白在线观看| 免费看十八禁软件| 一级毛片女人18水好多| 亚洲国产精品sss在线观看| 欧美成人一区二区免费高清观看 | 天天躁夜夜躁狠狠躁躁| 国产亚洲精品久久久久5区| 欧洲精品卡2卡3卡4卡5卡区| 亚洲全国av大片| 亚洲一码二码三码区别大吗| 亚洲在线自拍视频| 91字幕亚洲| 天天添夜夜摸| 久久久国产成人精品二区| 国产精品免费视频内射| 精品久久久久久久毛片微露脸| 精品欧美一区二区三区在线| 亚洲一区二区三区色噜噜| 国产三级黄色录像| 午夜福利成人在线免费观看| 久久久久久人人人人人| 母亲3免费完整高清在线观看| 国产在线精品亚洲第一网站| 色在线成人网| 精品欧美国产一区二区三| 搡老熟女国产l中国老女人| 美女免费视频网站| 99精品久久久久人妻精品| 国产亚洲精品一区二区www| 两个人免费观看高清视频| 国产欧美日韩一区二区精品| 757午夜福利合集在线观看| 欧美黄色片欧美黄色片| 久久精品国产99精品国产亚洲性色| 日本成人三级电影网站| 国产一区二区三区在线臀色熟女| 级片在线观看| 好男人电影高清在线观看| 久久久久久久精品吃奶| 男男h啪啪无遮挡| 日本 av在线| 在线观看免费午夜福利视频| 亚洲精品一卡2卡三卡4卡5卡| 国产精品九九99| 午夜福利成人在线免费观看| 每晚都被弄得嗷嗷叫到高潮| 最近最新中文字幕大全免费视频| 日韩大尺度精品在线看网址| 日韩 欧美 亚洲 中文字幕| 国产熟女午夜一区二区三区| 色老头精品视频在线观看| 免费高清视频大片| 可以免费在线观看a视频的电影网站| 久久精品91蜜桃| 制服丝袜大香蕉在线| 久久国产精品人妻蜜桃| 日韩欧美精品v在线| a在线观看视频网站| 韩国av一区二区三区四区| 1024香蕉在线观看| 婷婷丁香在线五月| 亚洲av成人不卡在线观看播放网| 91国产中文字幕| 国产成+人综合+亚洲专区| 午夜免费激情av| netflix在线观看网站| 少妇被粗大的猛进出69影院| 夜夜夜夜夜久久久久| 欧美成人午夜精品| 18禁美女被吸乳视频| 国产在线精品亚洲第一网站| 一区福利在线观看| 亚洲欧美激情综合另类| 久久婷婷成人综合色麻豆| 国产黄色小视频在线观看| 九色国产91popny在线| 欧美av亚洲av综合av国产av| 狂野欧美白嫩少妇大欣赏| 欧美乱色亚洲激情| 久久精品综合一区二区三区| 午夜久久久久精精品| 国产男靠女视频免费网站| 日韩高清综合在线| 国内精品一区二区在线观看| 淫秽高清视频在线观看| 久久久精品大字幕| 国产av一区二区精品久久| 午夜老司机福利片| 黄色 视频免费看| 国产精品久久久久久人妻精品电影| 日日爽夜夜爽网站| 88av欧美| 国产精品永久免费网站| 国产亚洲精品av在线| 一a级毛片在线观看| 操出白浆在线播放| 久久久久久免费高清国产稀缺| 日本a在线网址| 日日夜夜操网爽| 一区福利在线观看| 久久精品国产99精品国产亚洲性色| 免费在线观看影片大全网站| 一个人观看的视频www高清免费观看 | 99热这里只有是精品50| 国产成人系列免费观看| 99久久国产精品久久久| 妹子高潮喷水视频| 久久天躁狠狠躁夜夜2o2o| 一本综合久久免费| 国产高清视频在线观看网站| 亚洲国产精品久久男人天堂| 日韩成人在线观看一区二区三区| 一进一出抽搐动态| 人妻夜夜爽99麻豆av| 久久天躁狠狠躁夜夜2o2o| 久久精品亚洲精品国产色婷小说| 亚洲18禁久久av| 欧洲精品卡2卡3卡4卡5卡区| 欧美在线黄色| 久久久久久亚洲精品国产蜜桃av| 欧美日韩黄片免| 久久亚洲真实| 欧美乱色亚洲激情| 宅男免费午夜| 三级毛片av免费| 国产午夜精品论理片| 好男人电影高清在线观看| 99在线人妻在线中文字幕| 这个男人来自地球电影免费观看| 久久久国产成人精品二区| 精品国内亚洲2022精品成人| 黄色 视频免费看| 亚洲精品粉嫩美女一区| 男插女下体视频免费在线播放| 免费看日本二区| netflix在线观看网站| 亚洲 国产 在线| 欧美在线一区亚洲| 亚洲va日本ⅴa欧美va伊人久久| av有码第一页| 国产99久久九九免费精品| 日韩欧美一区二区三区在线观看| 亚洲国产中文字幕在线视频| av在线播放免费不卡| 成年免费大片在线观看| 国产男靠女视频免费网站| 欧美日韩一级在线毛片| 12—13女人毛片做爰片一| 丝袜人妻中文字幕| 成年版毛片免费区| 亚洲黑人精品在线| 日韩国内少妇激情av| 视频区欧美日本亚洲| 久久久精品大字幕| 国产高清视频在线观看网站| 国产成人av激情在线播放| 他把我摸到了高潮在线观看| 久久伊人香网站| 少妇人妻一区二区三区视频| 夜夜夜夜夜久久久久| 成人国产一区最新在线观看| 一级作爱视频免费观看| 亚洲成人久久性| 久久性视频一级片| 欧美三级亚洲精品| 日本 欧美在线| 欧美激情久久久久久爽电影| 中文亚洲av片在线观看爽| 日韩三级视频一区二区三区| 日韩大尺度精品在线看网址| АⅤ资源中文在线天堂| 一卡2卡三卡四卡精品乱码亚洲| 女人高潮潮喷娇喘18禁视频| e午夜精品久久久久久久| 男人舔女人的私密视频| 精品熟女少妇八av免费久了| 亚洲专区中文字幕在线| 美女 人体艺术 gogo| 三级国产精品欧美在线观看 | 美女扒开内裤让男人捅视频| 亚洲精品久久成人aⅴ小说| 精品久久蜜臀av无| 男女午夜视频在线观看| 床上黄色一级片| 国内精品久久久久精免费| 免费在线观看完整版高清| 级片在线观看| 欧美黄色片欧美黄色片| 高潮久久久久久久久久久不卡| 久久精品国产亚洲av香蕉五月| 欧美日韩亚洲国产一区二区在线观看| 丁香欧美五月| 熟女少妇亚洲综合色aaa.| 色在线成人网| 久久久国产成人精品二区| 欧美日本亚洲视频在线播放| 免费看日本二区| 日韩成人在线观看一区二区三区| 精品欧美一区二区三区在线| 男人舔女人下体高潮全视频| √禁漫天堂资源中文www| 国产真人三级小视频在线观看| www国产在线视频色| 午夜影院日韩av| 亚洲成a人片在线一区二区| 亚洲av成人不卡在线观看播放网| 亚洲成a人片在线一区二区| 99国产极品粉嫩在线观看| 99热6这里只有精品| 国产三级中文精品| 国产97色在线日韩免费| 成年版毛片免费区| 午夜福利在线观看吧| av免费在线观看网站| 人成视频在线观看免费观看| 在线观看66精品国产| 国产精品久久久久久人妻精品电影| 欧美激情久久久久久爽电影| 精品久久久久久久末码| 一区二区三区激情视频| 麻豆成人午夜福利视频| 日本免费一区二区三区高清不卡| 国内精品久久久久久久电影| 最好的美女福利视频网| 女人被狂操c到高潮| 日韩成人在线观看一区二区三区| 午夜福利成人在线免费观看| 国产精品久久久人人做人人爽| 蜜桃久久精品国产亚洲av| 国产高清激情床上av| 午夜成年电影在线免费观看| 黄色女人牲交| 91老司机精品| 久久精品综合一区二区三区| 搡老熟女国产l中国老女人| 免费看美女性在线毛片视频| 亚洲一区二区三区不卡视频| 一个人免费在线观看电影 | 国产精品久久久av美女十八| 欧美成人免费av一区二区三区| 国产精品久久久av美女十八| 亚洲国产精品久久男人天堂| 亚洲,欧美精品.| 亚洲av成人精品一区久久| www.999成人在线观看| 50天的宝宝边吃奶边哭怎么回事| 亚洲中文av在线| 国产亚洲精品综合一区在线观看 | 久热爱精品视频在线9| 一边摸一边抽搐一进一小说| 精品少妇一区二区三区视频日本电影| 亚洲成av人片免费观看| 99久久久亚洲精品蜜臀av| 99精品久久久久人妻精品| 亚洲 国产 在线| 97超级碰碰碰精品色视频在线观看| 2021天堂中文幕一二区在线观| 欧美丝袜亚洲另类 | 精品国产乱码久久久久久男人| 一本大道久久a久久精品| 日日干狠狠操夜夜爽| 手机成人av网站| 色播亚洲综合网| 精品不卡国产一区二区三区| 一本一本综合久久| 欧美又色又爽又黄视频| 国产单亲对白刺激| 国产免费av片在线观看野外av| 精品久久久久久久久久久久久| 黄片小视频在线播放| 黄色a级毛片大全视频| 亚洲精品国产精品久久久不卡| 亚洲av片天天在线观看| 亚洲欧美一区二区三区黑人| 在线a可以看的网站| 嫁个100分男人电影在线观看| 国产午夜福利久久久久久| 国产欧美日韩一区二区精品| 精品人妻1区二区| 91麻豆av在线| 国产精品免费一区二区三区在线| aaaaa片日本免费| 国产精品乱码一区二三区的特点| 一个人免费在线观看的高清视频| 久久人妻av系列| 久久国产乱子伦精品免费另类| 国产三级在线视频| 日韩成人在线观看一区二区三区| 色精品久久人妻99蜜桃| 99国产精品一区二区三区| 淫秽高清视频在线观看| 国内精品久久久久精免费| 欧美午夜高清在线| 一卡2卡三卡四卡精品乱码亚洲| 国产亚洲精品第一综合不卡| 在线观看免费午夜福利视频| 久久精品91蜜桃| 久久久久国内视频| 男女那种视频在线观看| 91成年电影在线观看| 搞女人的毛片| 十八禁人妻一区二区| 少妇粗大呻吟视频| 很黄的视频免费| 国产成人系列免费观看| 制服人妻中文乱码| 亚洲无线在线观看| 亚洲国产精品合色在线| 俺也久久电影网| 日韩免费av在线播放| 成人国语在线视频| 亚洲激情在线av| 丁香六月欧美| av视频在线观看入口| 欧美成人午夜精品| 久久久精品国产亚洲av高清涩受| 一级a爱片免费观看的视频| 在线播放国产精品三级| 国产精品九九99| 欧美绝顶高潮抽搐喷水| 黄片大片在线免费观看| 久久久国产精品麻豆| 欧美乱色亚洲激情| www.www免费av| 18禁观看日本| 久久久久国产一级毛片高清牌| 99久久精品热视频| 亚洲 欧美一区二区三区| 香蕉丝袜av| 在线观看66精品国产| 成人av在线播放网站| 国产野战对白在线观看| 天堂影院成人在线观看| 国产一区二区激情短视频| 99国产精品一区二区三区| 高清毛片免费观看视频网站| 欧美又色又爽又黄视频| 日本在线视频免费播放| 国产三级黄色录像| 亚洲午夜精品一区,二区,三区| 欧美乱妇无乱码| 2021天堂中文幕一二区在线观| 亚洲国产精品久久男人天堂| 国产三级黄色录像| 欧美不卡视频在线免费观看 | 久久久久久免费高清国产稀缺| 日本撒尿小便嘘嘘汇集6| 久久精品aⅴ一区二区三区四区| 免费在线观看日本一区| а√天堂www在线а√下载| 亚洲 欧美 日韩 在线 免费| 桃色一区二区三区在线观看| 久久天堂一区二区三区四区| 亚洲av成人一区二区三| 无限看片的www在线观看| 亚洲精华国产精华精| 日韩欧美 国产精品| 亚洲第一欧美日韩一区二区三区| 免费在线观看完整版高清| netflix在线观看网站| 久久天躁狠狠躁夜夜2o2o| 天天躁夜夜躁狠狠躁躁| 欧美中文综合在线视频| 国产精品日韩av在线免费观看| 日韩精品中文字幕看吧| 国产熟女午夜一区二区三区| 巨乳人妻的诱惑在线观看| 91老司机精品| 18禁美女被吸乳视频| 亚洲中文字幕日韩| 欧美3d第一页| 五月玫瑰六月丁香| 天天一区二区日本电影三级| 好男人在线观看高清免费视频| 亚洲国产精品sss在线观看| 国产在线精品亚洲第一网站| 午夜亚洲福利在线播放| 亚洲一区二区三区色噜噜| 狂野欧美激情性xxxx| 亚洲av美国av| 欧美 亚洲 国产 日韩一| 嫁个100分男人电影在线观看| 国产男靠女视频免费网站| 一本精品99久久精品77| 久久中文字幕人妻熟女| 亚洲电影在线观看av| 首页视频小说图片口味搜索| 日本精品一区二区三区蜜桃| 无限看片的www在线观看| 毛片女人毛片| 五月伊人婷婷丁香| 免费观看精品视频网站| 亚洲av熟女| 久久久久久九九精品二区国产 | 88av欧美| 少妇熟女aⅴ在线视频| 午夜精品在线福利| 国产一区二区在线观看日韩 | 午夜老司机福利片| 免费av毛片视频| 国产熟女xx| 毛片女人毛片| 日韩 欧美 亚洲 中文字幕| 日日爽夜夜爽网站| 中亚洲国语对白在线视频| 午夜福利在线在线| 久久热在线av| 国产高清有码在线观看视频 | 91国产中文字幕| 搡老岳熟女国产| 国产激情欧美一区二区| 亚洲国产欧美一区二区综合| 婷婷精品国产亚洲av在线| 男女那种视频在线观看| 51午夜福利影视在线观看| 日韩欧美 国产精品| 午夜成年电影在线免费观看| 国产一区二区三区在线臀色熟女| 脱女人内裤的视频| 国产成人精品久久二区二区91| 999久久久国产精品视频| www.熟女人妻精品国产| 亚洲九九香蕉| 人妻夜夜爽99麻豆av| 国产成人啪精品午夜网站| 亚洲狠狠婷婷综合久久图片| 国产精品久久久久久久电影 | 黄色片一级片一级黄色片| 国产精品久久久久久精品电影| 欧美高清成人免费视频www| 日本一二三区视频观看| 国产一区在线观看成人免费| 一区二区三区国产精品乱码| 午夜免费激情av| 亚洲成人中文字幕在线播放| 亚洲av中文字字幕乱码综合| 国产成人影院久久av| 国产在线观看jvid| 天堂av国产一区二区熟女人妻 | 亚洲一区中文字幕在线| 久久久精品国产亚洲av高清涩受| 精品乱码久久久久久99久播| 成人高潮视频无遮挡免费网站| 1024视频免费在线观看| 少妇粗大呻吟视频| 亚洲免费av在线视频| 亚洲美女黄片视频| 国产精品一及| 国内精品久久久久精免费| av在线天堂中文字幕| 亚洲人成网站在线播放欧美日韩| 很黄的视频免费| 免费av毛片视频| 亚洲av成人一区二区三| 19禁男女啪啪无遮挡网站| 欧美日韩瑟瑟在线播放| 久久亚洲真实| 麻豆久久精品国产亚洲av| 亚洲人成伊人成综合网2020| 两个人免费观看高清视频| 成人精品一区二区免费| 亚洲熟妇中文字幕五十中出| 免费一级毛片在线播放高清视频|