![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
故障诊断
文章平均质量分 73
机器鱼
这个作者很懒,什么都没留下…
展开
-
Pytorch实战:基于鲸鱼WOA优化1DCNN的轴承故障诊断
采用1DCNN进行轴承故障诊断建模,并基于鲸鱼优化算法WOA对1DCNN的超参数进行优化,以实现更高的精度。建立一个两层的1DCNN,优化的参数包括学习率、训练次数、batchsize,卷积层1的核数量、核大小,池化层1的核大小,卷积层2的核数量、核大小,池化层2的核大小,全连接层1、全连接层2的节点数,总共11个超参数。原创 2022-11-11 08:27:34 · 4334 阅读 · 1 评论 -
Pytorch基于小波时频图与SwinTransformer的轴承故障诊断
基于小波时频图与当前火热的swintransformer进行轴承故障诊断原创 2022-09-12 10:14:40 · 5943 阅读 · 3 评论 -
基于EMD-HHT包络谱与堆栈降噪自编码SDAE轴承故障诊断
0.引言针对滚动轴承故障问题,提出一种基于经验模态分解–希尔伯特(empirical mode decomposition-Hilbert ,简称EMD-Hilbert)包络谱和堆栈自动编码器(Stack denoise auto-encoder,简称SDAE)的滚动轴承故障识别方法。该方法首先对滚动轴承各状态振动信号进行 EMD,然后选取前5个敏感本征模态函数 (intrinsic mode function,IMF),并对其进行 Hilbert 变换求取包络谱。最后将各状态振动信号的...原创 2022-03-12 16:31:55 · 3409 阅读 · 8 评论 -
基于鲸鱼优化深度混合核极限学习机的故障诊断方法
目录1-算法原理1.1 深度核极限学习1.2 深度混合核极限学习机1.3问题引出2-应用2.1 数据准备2.2 数据处理2.3 DHKELM分类2.4 WOA-DHKELM分类3-还有更多在博客(这里)里我们讲述了粒子群优化深度核极限学习机,今天我们继续对其进行改进:原始的深度核极限学习机顶层采用核极限学习机进行分类,现在我们将其改成混合核的极限学习机(线性核、RBF、多项式、小波核两两组合),因为应用了多个核函数,相比于之前的超参数更多,手工调参较为困难..原创 2022-03-12 12:07:00 · 4743 阅读 · 1 评论 -
MATLAB麻雀优化CNN超参数分类
在CNN分类器模型的构建中,涉及到特别多的超参数,比如:学习率、训练次数、batchsize、各个卷积层的卷积核大小与卷积核数量(feature map数),全连接层的节点数等。直接选择的话,很难选到一组满意的参数,因此可以用优化算法进行超参数优化,虽然过程比较慢,但是总比自己无脑试的效果好。 基于此思想,本文采用麻雀优化算法,对CNN上述9个超参数进行优化。1,麻雀优化算法原理 麻雀优化是2020年提出来得,具体原理:原理点这里2、麻雀优化CNN的...原创 2021-07-26 00:07:02 · 6943 阅读 · 24 评论 -
基于粒子群优化深度核极限学习机的故障诊断方法
在博客(https://blog.csdn.net/qq_41043389/article/details/100089826)里我们讲述了深度极限学习机,今天我们对其进行改进:原始的深度极限学习机顶层采用极限学习机进行分类,我们将其改成核极限学习机,因为应用了核函数,将低维非线性不可分的数据特征映射到高维线性可分,因此能够划分的更加精准。其主要步骤如下:步骤1:利用极限学习机与自动编码器相结合,形成极限学习机-自动编码器(ELM-AE),结构如图1,将ELM-AE作为无监督学习的基础单元对输入数据原创 2021-07-13 10:58:49 · 2966 阅读 · 4 评论 -
基于粒子群优化深度极限学习机的故障诊断方法
深度极限学习机(DELM)目前主要含两种基本结构:1、利用传统深度学习框架(主要是堆栈自动编码器,或者是深度置信网络)进行数据的深度自适应特征提取,而后将获得的特征输入至极限学习机及其变种中进行分类或回归;2、利用极限学习机与自动编码器相结合,形成极限学习机-自动编码器(ELM-AE),结构如图1,将ELM-AE作为无监督学习的基础单元对输入数据进行训练与学习,并保存ELM-AE由最...原创 2019-08-27 11:04:43 · 7194 阅读 · 8 评论 -
基于融合CNN(2D-CNN与1D-CNN融合)与SVM的滚动轴承故障诊断
本文将2D-CNN与1D-CNN融合,同时对轴承数据集进行训练,然后在汇聚层将两者池化层的输出连接成一个向量,送进全连接层。模型训练结束之后,取FC层的输出作为提取到的故障特征信号。数据来源,西储大学滚动轴承故障诊断数据集。 融合CNN的结构图如图所示:1,数据准备 对于10类故障(1正常,9故障),分别采集100组样本,共1000组,...原创 2020-01-07 11:11:30 · 20416 阅读 · 41 评论 -
基于MATLAB的深度自动编码器的无监督轴承异常检测
基于MATLAB的DeepLearnToolbox工具箱(https://github.com/rasmusbergpalm/DeepLearnToolbox),本文在此基础上改成深度自动编码器用于无监督学习,即含有多个隐含层的自动编码器,其输入=输出,简称DAE。后续将其用于轴承故障的异常检测中。1.相关原理图1 DAE初始化示意图 对于一个含n个隐含层的DAE,训练时分为预训练与微调两个阶段。预训练阶段时,相邻两层可以通过采用一个单隐层的自动编码器(AE)进...原创 2021-05-23 12:52:45 · 3323 阅读 · 10 评论 -
基于小波时频图与MLP-Mixer的轴承故障诊断
特征提取部分用到了matlab时频图变换工具箱,故障诊断采用新出的MLP-Mixer分类,这一部分用的是pytorch1.6 传统轴承故障诊断是采用各种特征提取方法对一维轴承信号进行特征提取,如HHT包络谱,FFT频谱,小波能量谱等,变换后的特征依旧是一维数据。本文采用小波时频图将一维轴承信号转换为2维(3通道真彩图)的时频图,然后以60*60*3作为MLP-Mixer的输入实现故障诊断分类,测试集精度有99.5%。 1,数据准备 采用西储大学轴承故障诊断数...原创 2021-05-21 07:26:14 · 2626 阅读 · 3 评论 -
基于小波时频图与VIT vision transformer的轴承故障诊断
特征提取部分用到了matlab时频图变换工具箱,故障诊断采用Google 新出的MLP-Mixer 分类,这一部分用的是pytorch1.6 传统轴承故障诊断是采用各种特征提取方法对一维轴承信号进行特征提取,如HHT包络谱,FFT频谱,小波能量谱等,变换后的特征依旧是一维数据。本文采用小波时频图将一维轴承信号转换为2维(3通道真彩图)的时频图,然后以60*60*3作为CNN的输入实现故障诊断分类,测试集精度有99.5%。 1,数据准备 采用西储大......原创 2021-05-20 17:16:39 · 6142 阅读 · 11 评论 -
基于麻雀搜索算法优化深度置信网络的分类方法(SSA-DBN)
随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以 BP 神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障诊断方法。该方法通过深度学习利用原始时域信号的傅里叶频谱(FFT)训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智...原创 2021-06-04 13:19:57 · 10788 阅读 · 21 评论 -
基于FFT频谱与小波时频图的双流CNN轴承故障诊断模型
在博客https://blog.csdn.net/qq_41043389/article/details/106150980里,我们提出了采用小波时频图作为轴承信号的故障特征数据,即首先利用matlab提取各样本的小波时频图,如图1所示,然后利用pytorch构建CNN(lenet)模型,最终达到了99%的分类正确率,详情可以看我上面那个说的那个博客。 ...原创 2020-06-11 17:23:02 · 11732 阅读 · 19 评论 -
基于小波时频图与CNN的轴承故障诊断
特征提取部分用到了matlab时频图变换工具箱,故障诊断分类部分用的是pytorch0.4 传统轴承故障诊断是采用各种特征提取方法对一维轴承信号进行特征提取,如HHT包络谱,FFT频谱,小波能量谱等,变换后的特征依旧是一维数据。本文采用小波时频图将一维轴承信号转换为2维(3通道真彩图)的时频图,然后以64*64*3作为CNN的输入,实现分类,运气好的话,测试集精度有99.5%(因为每次训练之后的结果都不一样)。 1,数据准备 采用西储大学轴承故障诊断数据集,48...原创 2020-05-15 22:55:29 · 19333 阅读 · 42 评论