52phm简介


专注于工业智能预警系统研发, 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊,为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中,欢迎大家给予建议和参与社区建设


联系我们



投稿说明


52phm,专注于预测性维护知识学习和交流,欢迎广大从事预测性维护行业人员投稿,投稿请联系管理员(wx: www52phmcn),投稿内容可以是:

  • 学习笔记
  • 技术理论
  • 工程案例
  • 行业资讯


加入我们



官方公众号:52phm,专注预测性维护的学习平台

2021-12-09 14:46:03    互联网    1821    当前专栏:故障诊断    分类:算法开发    本站官网:www.52phm.cn   

公众号 ...

一种基于卷积神经网络的数据驱动故障诊断方法

本文主要分为四个部分:
1.数据预处理
2.CNN框架
3.性能评估
4.总结

1、数据预处理

CNN善于处理二维的数据,而原有的时域信号是一维的,需要把原始一维的信号转换为二维的

生成一个M×M的图片,需要采样点长度为2M的数据



对每段数据,记录下采样点的数值,作为该行矩阵的数值,得到M×M矩阵的数值后,对数值作归一化处理,把数据压缩在0~1之间,最终得到一个采样数据的灰度图



把这个灰度图作为CNN的输入

2、CNN框架

本文使用的CNN矿架是经典的LeNet-5,拥有两个交替的卷积池化层和一个两层全连接网络,在池化过程中,原始数据图维度会大幅度降低,为防止这种情况,此处使用了*补零填充*的方法





M:输入长度

N:输出长度

S:池化步长

输入除以步长,计算出理论输出大小的长度

F:滤波器宽度

PT=(N-1)×SF-M

计算出,由原始滤波器大小F开始,进行N-1次滤波操作的数据长度,得到理论应有的输入长度

理论长度减去实际长度就是该填充的长度

填充部分平均分到原始数据的两端

3、性能评估

一共采用三个数据集

1.电机轴承故障诊断



LeNet-5框架,一层全连接层对比

全连接层为2560时,性能最优



LeNet-5框架,两层全连接层对比

全连接层,第一层为2560,第二层为768时,性能最优



和其他方法的性能对比 

2.自吸离心泵故障诊断



LeNet-5框架,一层全连接层对比

全连接层为1536时,性能最优



LeNet-5框架,两层全连接层对比

全连接层,第一层为1536,第二层为128时,性能最优



和其他方法的性能对比

3.轴向柱塞液压泵故障诊断



LeNet-5框架,一层全连接层对比

全连接层为8时,性能最优



和其他方法的性能对比

4、总结

把原始一维时域数据叠加成二维图像灰度图,作为CNN输入

CNN使用LetNet-5版本框架

池化层用零填充来缓冲数据维度的减少

在不同数据集测试中,该模型都表现出不错的性能

代码实现:https://blog.csdn.net/weixin_42036144/article/details/116720550



版权声明:遵循 CC 4.0 BY-SA 版权协议
原文链接:https://blog.csdn.net/weixin_42036144/article/details/110780890

免责声明


[推荐] 一种基于CNN的故障预测方法(含代码数据集)

2021-12-09 15:29:35    互联网    2256    分类:算法开发    专栏:故障诊断   


[推荐] 基于深度学习的滚动轴承故障诊断

2021-12-10 18:15:00    互联网    1085    分类:算法开发    专栏:故障诊断   


[推荐] 故障诊断之基于振动信号的阶比谱分析

2022-05-31 11:08:40    互联网    1471    分类:算法开发    专栏:振动信号预处理   



转发此文章到社区


关注公众号进群

让志同道合读者学习交流



机电设备故障诊断数据集

机电设备故障诊断

2021-12-09 11:27:13    博客笔记    5278    分类:边缘感知    专栏:故障诊断   


故障诊断技术体系阐述

1.引言 智能故障诊断(IFD)是指将机器学习理论,如人工神经网络(ANN)、支持向量机(SVM)和深度神经网络(DNN)应用于机器故障诊断。这种方法利用机器学习理论,从采集的数据中自适应地学习机器的诊断知识,而不是利用工程师的经验和知识。具体而言,IFD需要构建一个诊断模型,该模型能够自动将收集的数据与机器的健康状态之间的关系连接起来。 机器学习的早期研究可追溯到1950年,1980年左右成为了人工智能的一个重要方向,并于2010年开始得到了广泛的应用。在此期间发明了许多传统理论,如AN...

2021-12-09 11:31:41    互联网    1133    分类:算法开发    专栏:故障诊断   


智能故障诊断方法总结

1.故障诊断方法可分为三个步骤:信号处理、特征提取、模式分类。2.信号处理方法通常包括:时域处理(提取振动信号的相关指标);频域处理(包络谱分析,频谱分析);时频域分析(小波分析,傅里叶变换)3.故障诊断方法:专家系统故障诊断法,模糊故障诊断、灰色关联度故障诊断、神经网络故障诊断、数据融合故障诊断。...

2021-12-09 11:32:32    互联网    1763    分类:算法开发    专栏:故障诊断   


一篇关于轴承故障诊断的综述

在设备的故障检测中,有约30%-40%的设备故障是由轴承故障引起的,因此本文将列举有关检测轴承故障使用到的相关数据集,模型和算法。数据集现有的数据集,普遍由固定在电机马达上的两个震动检测器获得,并根据需要,分离震动数据在时域和频域上的特征以供网络模型学习。不同的数据集,区别在于,检测的马达转速不同,环境不同,取样频率不同,一段样本的时长不同等等(1)Case Western Reserve University (CWRU) Dataset该数据集拥有多种数据,测量的时候,通过改变轴承.

2021-12-13 13:17:35    互联网    2674    分类:算法开发    专栏:故障诊断   


故障诊断的性能评估指标

评价一个故障诊断系统的性能指标有:   1)故障检测的及时性:是指系统在发生故障后,故障诊断系统在最短时间内检测到故障的能力。故障发生到被检测出的时间越短说明故障检测的及时性越好。   2)早期检测的灵敏度:是指故障诊断系统对微小故障信号的检测能力。故障诊断系统能检测到的故障信号越小说明其早期检测的灵敏度越高。   3)故障的误报率和漏报率:误报指系统没有出去故障却被错误检测出发生故障

2021-12-13 13:51:37    互联网    1863    分类:算法开发    专栏:故障诊断   


旋转机械故障诊断学基础知识

1. 机械故障诊断涉及哪些学科?做哪方面的科学研究?包含了哪些技术?形成了哪些方法?解决什么工程问题?(1) 涉及的学科有:机械、力学、电子、计算机、信号处理、人工智能等。(2) 机械故障诊断是研究机器或机组运行状态的变化在诊断信息中的反映,因此包括信号获取与传感技术、故障机理与征兆联系、信号处理与特征提取、识别分类与智能决策等方面的研究,根据基础和关键科学问题又可细分为机械系统运行状态下故障动态演化机理、机械系统动态信号处理的内积匹配原理与微弱信号特征增强机制、故障定量识别和剩余寿命预测原理、

2021-12-13 14:30:26    互联网    1998    分类:算法开发    专栏:故障诊断   


机械故障诊断方法论

1. 故障诊断概念故障诊断主要研究如何对系统中出现的故障进行检测、分离和辨识 , 即判断故障是否发生 , 定位故障发生的部位和种类 , 以及确定故障的大小和发生的时间等 。2. 故障诊断方法故障诊断防范可分为定性分析和定量分析两大类 , 如图 1 所示。 其中 , 定量分析方法又分为基于解析模型的方法和数据驱动的方法 , 后者又进一步包括机器学习类方法、多元统计分析类方法、信号处理类方...

2021-12-13 14:48:01    互联网    1949    分类:算法开发    专栏:故障诊断   


故障诊断和故障预测数据集汇总并附下载方式

本篇目录- 轴承类数据集- 齿轮箱数据集- 电机故障诊断数据集- 机电设备故障数据集- 结构健康监测和评估数据集- 液压装置状态评估数据集- 半导体制造过程数据集,故障诊断和故障预测数据集汇总并附下载方式

2022-02-09 18:19:44    博客笔记    3574    分类:边缘感知    专栏:未分组   


基于CNN实现细胞识别分类

本数据集用于检测疟疾的细胞图像,细胞图像分为两类: 一类是感染的细胞,另一类是未感染的细胞目标需求1:要基于卷积神经网络CNN来识别哪些细胞已经感染、哪些细胞还未感染 目标需求2:可视化模型随着迭代次数的训练集与测试集损失值的变化情况 目标需求3:可视化模型随着迭代次数的训练集与测试集准确率的变化情况

2022-03-31 21:45:25    博客笔记    1026    分类:算法开发    专栏:未分组   


齿轮故障诊断的实验数据集及python处理

该试验台在不同小齿轮条件下进行测试,并通过加速度计进行齿轮故障数据振动信号采集,加速度计采样率为10KHz、采样时长为10s,采样数据共3包,每一包数据对应着不同故障类型,分别是健康状态、齿轮断齿、齿轮磨损状态下的数据集。该数据集被授权于用于任何学术和研究目的。...

2022-08-09 16:05:36    博客笔记    381    分类:边缘感知    专栏:齿轮箱数据集   


  • 52phm公告

  • 在这里,可以学习接触到工业互联网技术知识以及落地案例,其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、 深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识!


故障诊断   
  • 关于站长


  •         从事设备故障预测与健康管理行业多年的PHM算法工程师(机器医生)、国际振动分析师, 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发, 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊,为机器设备健康运行保驾护航。


当前文章目录