CN101936818A - 非接触式旋转机械故障的诊断系统 - Google Patents
非接触式旋转机械故障的诊断系统 Download PDFInfo
- Publication number
- CN101936818A CN101936818A CN 201010263896 CN201010263896A CN101936818A CN 101936818 A CN101936818 A CN 101936818A CN 201010263896 CN201010263896 CN 201010263896 CN 201010263896 A CN201010263896 A CN 201010263896A CN 101936818 A CN101936818 A CN 101936818A
- Authority
- CN
- China
- Prior art keywords
- module
- links
- submodule
- training
- transmits
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种检测技术领域的非接触式旋转机械故障的诊断系统,包括:声压测量装置、计算机、声场重建模块、声全息训练样本存储模块、声全息测试样本存储模块、离线训练模块和在线诊断模块,其中:声压测量装置与计算机相连,计算机与声场重建模块相连,声场重建模块与声全息训练样本存储模块相连,声场重建模块与声全息测试样本存储模块相连,声全息训练样本存储模块与离线训练模块相连,声全息测试样本存储模块与在线诊断模块相连,离线训练模块与在线诊断模块相连,声全息训练样本存储模块和声全息测试样本存储模块都与计算机相连,声全息训练样本存储模块与在线诊断模块相连。本发明是非接触式,简单、准确率高,通过优化得到好的在线诊断效果。
Description
技术领域
本发明涉及的是一种检测技术领域的系统,具体是一种非接触式旋转机械故障的诊断系统。
背景技术
目前,旋转机械故障诊断主要是基于振动信号测量与分析的。但基于振动信号的故障诊断必须把传感器布置在振动机械表面,然而对于复杂部件振动表面、运动部件、高温或油垢等恶劣环境下传感器布置比较困难,仅能对振动表面的若干孤立测点的振动信号进行分析,因此只能反应设备局部的振动信息;而且某些故障情况下振动特征并不明显,而其他特征(如声学特征)比较明显。
机械噪声蕴含着丰富的机器状态信息,具有非接触式测量的优点,可以部分地替代振动信号作为故障诊断的手段。传统的声源识别方法主要有主观评价法、分部运转法、表面强度法、近场测量法等,但容易受到机械结构和工作环境的限制。作为一种声源识别方法,近场声全息(NAH)优势明显,主要是通过测量一个二维面(全息面)上的声压,运用重构方法来重构声源表面的三维声场(包括声压、声强和法向振速),阵列声信号经过近场声全息后可以得到机械表面振速、声压和声强的分布图形,从图中即可得到某一频率下振源的位置。
经对现有文献的检索发现,中国专利申请号为:200810214410.0,名称为“机械设备故障在线诊断装置及方法”,该装置包括:微处理器、液晶显示器、数字信号处理芯片、复杂可编程逻辑器件、高速信号模数转换芯片、先进先出存储器、动态随机存储器等,该文通过采集轴承座和轴的振动信号(温度信号),根据关联维数和轴心轨迹诊断设备故障,但是该技术中信号的采集仅限于易于安放传感器的接触式测量。
又经检索发现,中国专利申请号为:03135535.8,名称为“旋转机械故障智能诊断方法与装置”,提出了一种由信号预处理板、高速数据采集卡、上下位机构成的旋转机械在线监测与故障诊断系统,由决策融合模块、专家知识库、数据引擎模块和智能推理引擎四个模块构成,实现对设备的智能故障诊断,但是该技术也是通过采集振动信号进行诊断,依然没有摆脱接触式测量的弊端,而且基于模糊神经网络的智能诊断需要建立在大量样本数据的基础上。
发明内容
本发明的目的在于克服现有技术的上述不足,提供一种非接触式旋转机械故障的诊断系统。本发明通过多通道声信号的同步采样实现了旋转机械的非接触测量和智能故障诊断,不需要大量样本即可达到较好的诊断效果,通过可视化声源分布可从直观上进行初步诊断,还能在诊断结束后对分类器进行优化,以在后续达到更好的在线诊断效果。
本发明是通过以下技术方案实现的:
本发明包括:声压测量装置、计算机、声场重建模块、声全息训练样本存储模块、声全息测试样本存储模块、离线训练模块和在线诊断模块,其中:声压测量装置与计算机相连传输测量的样本声压和待诊断机械的声压,计算机与声场重建模块相连传输测量的样本声压和待诊断机械的声压,声场重建模块与声全息训练样本存储模块相连传输训练样本的重建声场,声场重建模块与声全息测试样本存储模块相连传输测试样本的重建声场,声全息训练样本存储模块与离线训练模块相连传输声全息训练样本,声全息测试样本存储模块与在线诊断模块相连传输待诊断机械的重建声场,离线训练模块与在线诊断模块相连传输训练样本的最佳分类参数,声全息训练样本存储模块与计算机相连传输训练样本下机械的声源分布信息,声全息测试样本存储模块与计算机相连传输测试样本下机械的声源分布信息,声全息训练样本存储模块与在线诊断模块相连传输待诊断机械的诊断信息。
所述的声压测量装置包括:若干传声器阵列、若干参考源传声器、信号调理子模块、低噪信号调理机箱和数据采集卡,其中:传声器阵列与信号调理子模块相连传输全息面声压信息,参考源传声器与信号调理子模块相连传输参考源声压信息,信号调理子模块与低噪信号调理机箱相连传输多路声压模拟信号,低噪信号调理机箱与数据采集卡相连传输多路声压模拟信号并转化为数字信号,数据采集卡与计算机相连传输多路声压数字信号和用户指令,参考源传声器设置在待检测机械的表面。
所述的传声器阵列固定在测试扫描架上。
所述的声场重建模块由近场声全息技术实现。
所述的离线训练模块包括:第一特征向量提取子模块、分类训练子模块和训练参数存储子模块,其中:第一特征向量提取子模块与声全息训练样本存储模块相连传输训练样本声全息图像信息,分类训练子模块与第一特征向量提取子模块相连传输机械运行状态特征信息,训练参数存储子模块与分类训练子模块相连传输最佳分类参数信息,训练参数存储子模块与在线诊断模块相连传输最佳分类参数信息。
所述的在线诊断模块包括:第二特征向量提取子模块、故障诊断子模块和诊断结果存储子模块,其中:第二特征向量提取子模块与声全息测试样本存储模块相连传输测试样本声全息图像信息,故障诊断子模块与第二特征向量提取子模块相连传输机械运行状态特征信息,故障诊断子模块与离线训练模块相连传输最佳分类参数信息,诊断结果存储子模块与故障诊断子模块相连传输诊断结果信息,诊断结果存储子模块与声全息训练样本存储模块相连传输诊断结果信息。
与现有技术相比,本发明的有益效果是:
(1)通过多通道声信号的同步采样实现了旋转机械的非接触测量和诊断,可在机器运行工况下测试并进行在线的非接触式诊断;
(2)有限训练样本条件下也可实现较好的诊断,本发明采用建立在统计学习理论的VC维理论和基于结构风险最小化原则的支持向量机(SVM)作为模式识别分类器,其泛化能力强,尤其适于小样本训练,不存在神经网络陷入局部极小的问题;
(3)声源的可视化识别,利用近场声全息技术重建运转机器表面附近声场,通过察看某一分析频率处的声压分布图即可大致分辨主要故障源,从直观上进行初步诊断;
(4)不断优化分类器性能,将在线诊断结果添加到原分类器中的训练样本库,完善分类器样本库,以在后续达到更好的在线诊断效果。
具体实施方式
以下对本发明的系统进一步描述:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
下面以JZQ250型两级传动齿轮箱中的齿轮故障为例,齿轮箱通过与弹性联轴器相连的三相电机驱动,运行工况为空载,减速比i=8.23,高速级速比i1=64/35,低速级速比i2=81/18,工作时输入轴转速n1=1500转/分,输出轴n2=176转/分。
齿轮在正常和异常状态时,由于齿的啮合都会发生冲击啮合振动,但随着齿轮状态的不同,冲击的大小会有变化。齿轮的各种异常情形都会引起啮合冲击力的增大,而且齿轮异常时的故障频率一般都在啮合频率及其边频、啮合频率倍频及其边频。为说明有效性和实用性,本实施例中只设计了齿轮正常和f12齿轮对中Z1齿轮的点蚀故障。
本实施例包括:声压测量装置、计算机、声场重建模块、声全息训练样本存储模块、声全息测试样本存储模块、离线训练模块和在线诊断模块,其中:声压测量装置与计算机相连传输测量的样本声压和待诊断机械的声压,计算机与声场重建模块相连传输测量的样本声压和待诊断机械的声压,声场重建模块与声全息训练样本存储模块相连传输训练样本的重建声场,声场重建模块与声全息测试样本存储模块相连传输测试样本的重建声场,声全息训练样本存储模块与离线训练模块相连传输声全息训练样本,声全息测试样本存储模块与在线诊断模块相连传输待诊断机械的重建声场,离线训练模块与在线诊断模块相连传输训练样本的最佳分类参数,声全息训练样本存储模块与计算机相连传输训练样本下机械的声源分布信息,声全息测试样本存储模块与计算机相连传输测试样本下机械的声源分布信息,声全息训练样本存储模块与在线诊断模块相连传输待诊断机械的诊断信息。
所述的声压测量装置包括:13个传声器阵列、测试扫描架、3个参考源传声器、信号调理子模块、低噪信号调理机箱和数据采集卡,其中:传声器阵列固定在测试扫描架上,传声器阵列与信号调理子模块相连传输全息面声压信息,参考源传声器与信号调理子模块相连传输参考源声压信息,信号调理子模块与低噪信号调理机箱相连传输多路声压模拟信号,低噪信号调理机箱与数据采集卡相连传输多路声压模拟信号并转化为数字信号,数据采集卡与计算机相连传输多路声压数字信号和用户指令,参考源传声器设置在被检测机械的表面。
所述的传声器阵列和参考源传声器采用的都是1/2英寸ICCP前置放大器MA231配合MP201预极化传声器。
所述的信号调理子模块采用的是两个八通道NI-SCXI-1531信号调理器。
所述的低噪信号调理机箱采用的是四插槽NI-SCXI-1000机箱。
所述的数据采集卡的型号是NI-PCI-6023E。
所述的信号调理子模块、低噪信号调理机箱和数据采集卡均采用NI-Measurement &Automation Explorer 4.5识别并驱动。
本实施例在测试扫描架上布置Y个传声器阵列(Y是13个),在机器表面附近布置R个参考源(R是3个)。全息测量面在距齿轮箱最高点所在水平面d0(d0是0.05m)处;传声器阵列由Y个话筒组成,每个话筒间隔为Δy(Δy是0.05m);传声器阵列从左到右扫描,扫描步长为Δx(Δx是0.05m),每步测试时间为t(t是4s),扫描步数为X(X是23步)。设置参数后标定传声器阵列,对所选(Y+R)个通道依次用标准声源(1000Hz、94dB)进行标定,并保存各通道灵敏度Si,其中:i=1,2,…,(Y+R)。在工作背景噪声基本一致的条件下,采集正常和故障状态下齿轮箱上表面的声压信号,采样频率为Fs(Fs是4096Hz),各重复采集N次(N是15次),得到2N组时域数据Tm。选取齿轮箱最高点所在水平面为重建面,分析频率Fa根据某一参考源处(本实施例为第3号参考源)的声信号频谱进行确定,结合表一所示特征频率,选取Fa1、Fa2、Fa2和Fa4四个频率作为分析频率(分别为798Hz、822Hz、846Hz和870Hz),以更有效地反映机器运行状态,分别对Fa1、Fa2、Fa3和Fa4使用NAH方法进行声场重建,然后取平均,得到声压全息图样本库Sm,正常状态和故障状态样本各为N个。
所述的声场重建模块采用近场声全息技术实现,如公式(1)所示:
其中:S表示声源表面,Q表示边界,un表示法向振速,G表示格林函数。根据声源结构选择合适全息方法:正交共形结构的声全息利用测量面上的声压为源面声压与格林函数的卷积,将二维快速傅立叶变换用于Helmholtz方程,实现由全息测量面的声压重建源面上的声压、振速及声强分布;任意形结构的近场声全息可采用基于数值求解Helmholtz积分方程的BEM-based NAH以及等效源方法。
所述的特征向量提取模块采用如公式(2)所示奇异值分解方法对声全息图样本进行特征提取,并进行归一化处理,形成特征向量。
其中:k为矩阵Sm的秩,αi是矩阵Sm的第i个奇异值,取前m个奇异值构成特征向量Vm=[α1,α2,…,αm],α1≥α2≥…≥αm。
所述的离线训练模块包括:第一特征向量提取子模块、分类训练子模块和训练参数存储子模块,其中:第一特征向量提取子模块与声全息训练样本存储模块相连传输训练样本声全息图像信息,分类训练子模块与第一特征向量提取子模块相连传输机械运行状态特征信息,训练参数存储子模块与分类训练子模块相连传输最佳分类参数信息,训练参数存储子模块与在线诊断模块相连传输最佳分类参数信息。
所述的在线诊断模块包括:第二特征向量提取子模块、故障诊断子模块和诊断结果存储子模块,其中:第二特征向量提取子模块与声全息测试样本存储模块相连传输测试样本声全息图像信息,故障诊断子模块与第二特征向量提取子模块相连传输机械运行状态特征信息,故障诊断子模块与离线训练模块相连传输最佳分类参数信息,诊断结果存储子模块与故障诊断子模块相连传输诊断结果信息,诊断结果存储子模块与声全息训练样本存储模块相连传输诊断结果信息。
所述的分类训练子模块和故障诊断子模块采用的都是支持向量机分类器,分类器核函数选用径向基核(RBF),均由Phthon语言实现,并在Matlab环境下编译成EXE文件,供LabVIEW平台调用。
本实施例系统的具体工作过程为:
(1)训练样本声信号的采集与预处理,对传声器阵列和参考源传声器采集的正常/故障状态下机械源面的声信号进行相应处理,并将模拟信号转为数字信号;
(2)声成像并建立训练样本,对参考源处声信号进行频谱分析,结合旋转机械特征频率确定分析频率,利用近场声全息技术对获取机械状态信息的数字信号进行声场重建,建立声全息图训练样本;
(3)离线训练,对得到的正常/故障状态全息图样本进行图像特征提取和选择,形成含有机械正常/故障信息的特征向量,并作归一化处理,送入支持向量机进行分类训练,得到最佳分类参数;
(4)在线诊断,按与第(1)步相同的方法采集旋转机械的测试声信号,按与第(2)步相同的方法对得到的数字信号进行声场重建,得到声全息图测试样本,按与第(3)步相同的方法对测试样本进行特征提取和选择,得到归一化后的特征向量,送入第(3)步已训练好的支持向量机分类器,进行在线诊断。
(5)声源可视化识别,利用第(2)步和第(4)步得到的声全息图,察看机械源面附近的声场分布,进行机械状态的初步诊断;
(6)优化分类器,对第(4)步得到的在线诊断结果进行客观评价,若诊断结果比较理想,将此次测试样本加入至原训练样本,完善正常/故障的分类样本库,实现分类器的优化,以期在后续的在线诊断中达到更好的诊断效果。
本实施例操作简单,易于实现,诊断识别率高,较现有的基于振动信号的故障诊断智能系统具有非接触测量的优点,能在有限样本条件下实现可靠诊断,声源的可视化分布还可助于从直观上对故障进行初步诊断,并具有优化分类器的性能,在后续达到更好的在线诊断效果。
Claims (6)
1.一种非接触式旋转机械故障的诊断系统,其特征在于,包括:声压测量装置、计算机、声场重建模块、声全息训练样本存储模块、声全息测试样本存储模块、离线训练模块和在线诊断模块,其中:声压测量装置与计算机相连传输测量的样本声压和待诊断机械的声压,计算机与声场重建模块相连传输测量的样本声压和待诊断机械的声压,声场重建模块与声全息训练样本存储模块相连传输训练样本的重建声场,声场重建模块与声全息测试样本存储模块相连传输测试样本的重建声场,声全息训练样本存储模块与离线训练模块相连传输声全息训练样本,声全息测试样本存储模块与在线诊断模块相连传输待诊断机械的重建声场,离线训练模块与在线诊断模块相连传输训练样本的最佳分类参数,声全息训练样本存储模块与计算机相连传输训练样本下机械的声源分布信息,声全息测试样本存储模块与计算机相连传输测试样本下机械的声源分布信息,声全息训练样本存储模块与在线诊断模块相连传输待诊断机械的诊断信息。
2.根据权利要求1所述的非接触式旋转机械故障的诊断系统,其特征是,所述的声压测量装置包括:若干传声器阵列、若干参考源传声器、信号调理子模块、低噪信号调理机箱和数据采集卡,其中:传声器阵列与信号调理子模块相连传输全息面声压信息,参考源传声器与信号调理子模块相连传输参考源声压信息,信号调理子模块与低噪信号调理机箱相连传输多路声压模拟信号,低噪信号调理机箱与数据采集卡相连传输多路声压模拟信号并转化为数字信号,数据采集卡与计算机相连传输多路声压数字信号和用户指令,参考源传声器设置在待检测机械的表面。
3.根据权利要求2所述的非接触式旋转机械故障的诊断系统,其特征是,所述的传声器阵列固定在测试扫描架上。
4.根据权利要求1所述的非接触式旋转机械故障的诊断系统,其特征是,所述的声场重建模块采用近场声全息技术通过下式实现:
其中:S表示声源表面,Q表示边界,un表示法向振速,G表示格林函数;
根据声源结构选择合适全息方法:正交共形结构的声全息利用测量面上的声压为源面声压与格林函数的卷积,将二维快速傅立叶变换用于Helmholtz方程,实现由全息测量面的声压重建源面上的声压、振速及声强分布;任意形结构的近场声全息可采用基于数值求解Helmholtz积分方程的BEM-based NAH以及等效源方法。
5.根据权利要求1所述的非接触式旋转机械故障的诊断系统,其特征是,所述的离线训练模块包括:第一特征向量提取子模块、分类训练子模块和训练参数存储子模块,其中:第一特征向量提取子模块与声全息训练样本存储模块相连传输训练样本声全息图像信息,分类训练子模块与第一特征向量提取子模块相连传输机械运行状态特征信息,训练参数存储子模块与分类训练子模块相连传输最佳分类参数信息,训练参数存储子模块与在线诊断模块相连传输最佳分类参数信息。
6.根据权利要求1所述的非接触式旋转机械故障的诊断系统,其特征是,所述的在线诊断模块包括:第二特征向量提取子模块、故障诊断子模块和诊断结果存储子模块,其中:第二特征向量提取子模块与声全息测试样本存储模块相连传输测试样本声全息图像信息,故障诊断子模块与第二特征向量提取子模块相连传输机械运行状态特征信息,故障诊断子模块与离线训练模块相连传输最佳分类参数信息,诊断结果存储子模块与故障诊断子模块相连传输诊断结果信息,诊断结果存储子模块与声全息训练样本存储模块相连传输诊断结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102638964A CN101936818B (zh) | 2010-08-27 | 2010-08-27 | 非接触式旋转机械故障的诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102638964A CN101936818B (zh) | 2010-08-27 | 2010-08-27 | 非接触式旋转机械故障的诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101936818A true CN101936818A (zh) | 2011-01-05 |
CN101936818B CN101936818B (zh) | 2012-09-05 |
Family
ID=43390265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102638964A Active CN101936818B (zh) | 2010-08-27 | 2010-08-27 | 非接触式旋转机械故障的诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101936818B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981390A (zh) * | 2011-09-02 | 2013-03-20 | 株式会社三丰 | 在轴外全息照相中对物体波的准确重构的装置 |
CN103438985A (zh) * | 2013-08-14 | 2013-12-11 | 大连理工大学 | 一种用于声场合成的声场信息采集方法 |
CN104236879A (zh) * | 2014-08-25 | 2014-12-24 | 合肥工业大学 | 基于机器视觉的发动机叶片动静态检测方法 |
CN106153363A (zh) * | 2015-04-07 | 2016-11-23 | 中国人民解放军海军工程大学 | 一种基于声像监测的机械设备故障自动识别方法 |
CN106404377A (zh) * | 2016-11-10 | 2017-02-15 | 西安交通大学 | 一种基于声学成像技术的变压器机械故障诊断方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
CN112101301A (zh) * | 2020-11-03 | 2020-12-18 | 武汉工程大学 | 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质 |
CN112924176A (zh) * | 2021-03-09 | 2021-06-08 | 合肥工业大学 | 一种基于时域等效源法的滚动轴承故障声学诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1290923A (zh) * | 2000-06-29 | 2001-04-11 | 上海交通大学 | 辨识声源特性的方法 |
CN1401971A (zh) * | 2001-08-07 | 2003-03-12 | 日本精工株式会社 | 无线传感器、带传感器的滚动轴承、管理装置及监视装置 |
CN1437709A (zh) * | 2000-06-23 | 2003-08-20 | 迪姆肯公司 | 具有无线的自供电传感器单元的轴承 |
CN1472515A (zh) * | 2003-06-19 | 2004-02-04 | 上海交通大学 | 采用偏相干技术辨识非平稳声源特性的方法 |
CN1487500A (zh) * | 2003-06-19 | 2004-04-07 | 上海交通大学 | 采用近场声全息技术辨识非平稳声源的方法 |
CN1856409A (zh) * | 2003-09-24 | 2006-11-01 | Ntn株式会社 | 带有无线传感器的车轮用轴承装置 |
-
2010
- 2010-08-27 CN CN2010102638964A patent/CN101936818B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1437709A (zh) * | 2000-06-23 | 2003-08-20 | 迪姆肯公司 | 具有无线的自供电传感器单元的轴承 |
CN1290923A (zh) * | 2000-06-29 | 2001-04-11 | 上海交通大学 | 辨识声源特性的方法 |
CN1401971A (zh) * | 2001-08-07 | 2003-03-12 | 日本精工株式会社 | 无线传感器、带传感器的滚动轴承、管理装置及监视装置 |
CN1472515A (zh) * | 2003-06-19 | 2004-02-04 | 上海交通大学 | 采用偏相干技术辨识非平稳声源特性的方法 |
CN1487500A (zh) * | 2003-06-19 | 2004-04-07 | 上海交通大学 | 采用近场声全息技术辨识非平稳声源的方法 |
CN1856409A (zh) * | 2003-09-24 | 2006-11-01 | Ntn株式会社 | 带有无线传感器的车轮用轴承装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981390A (zh) * | 2011-09-02 | 2013-03-20 | 株式会社三丰 | 在轴外全息照相中对物体波的准确重构的装置 |
CN102981390B (zh) * | 2011-09-02 | 2017-05-10 | 株式会社三丰 | 在轴外全息照相中对物体波的准确重构的装置 |
CN103438985A (zh) * | 2013-08-14 | 2013-12-11 | 大连理工大学 | 一种用于声场合成的声场信息采集方法 |
CN104236879A (zh) * | 2014-08-25 | 2014-12-24 | 合肥工业大学 | 基于机器视觉的发动机叶片动静态检测方法 |
CN106153363A (zh) * | 2015-04-07 | 2016-11-23 | 中国人民解放军海军工程大学 | 一种基于声像监测的机械设备故障自动识别方法 |
CN106404377A (zh) * | 2016-11-10 | 2017-02-15 | 西安交通大学 | 一种基于声学成像技术的变压器机械故障诊断方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
CN112101301A (zh) * | 2020-11-03 | 2020-12-18 | 武汉工程大学 | 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质 |
CN112924176A (zh) * | 2021-03-09 | 2021-06-08 | 合肥工业大学 | 一种基于时域等效源法的滚动轴承故障声学诊断方法 |
CN112924176B (zh) * | 2021-03-09 | 2023-03-24 | 合肥工业大学 | 一种基于时域等效源法的滚动轴承故障声学诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101936818B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101936818B (zh) | 非接触式旋转机械故障的诊断系统 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
Zhang et al. | A novel bearing fault diagnosis model integrated permutation entropy, ensemble empirical mode decomposition and optimized SVM | |
Wang et al. | Intelligent fault diagnosis of planetary gearbox based on adaptive normalized CNN under complex variable working conditions and data imbalance | |
Kankar et al. | Fault diagnosis of rolling element bearing using cyclic autocorrelation and wavelet transform | |
Lei et al. | Condition monitoring and fault diagnosis of planetary gearboxes: A review | |
Cheng et al. | Gear fault identification based on Hilbert–Huang transform and SOM neural network | |
Hu et al. | A novel fault diagnosis technique for wind turbine gearbox | |
CN102033984B (zh) | 一种基于区间型证据融合的旋转机械设备故障诊断方法 | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
Guo et al. | Coupling fault diagnosis of wind turbine gearbox based on multitask parallel convolutional neural networks with overall information | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN101865789A (zh) | 近场声全息声像模式识别故障检测装置及其检测方法 | |
CN102072144A (zh) | 涡旋压缩机在线振动、噪声监测及故障诊断系统 | |
CN111504385A (zh) | 一种适用于机械设备异常状态多参数监测装置及方法 | |
CN109214356A (zh) | 一种基于dcnn模型的风机传动系统故障智能诊断方法 | |
Sun et al. | An adaptive anti-noise gear fault diagnosis method based on attention residual prototypical network under limited samples | |
CN103822786A (zh) | 基于多元统计分析的风电机组机械设备状态诊断方法 | |
Zheng et al. | An end-to-end CNN-BiLSTM attention model for gearbox fault diagnosis | |
CN106777611A (zh) | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 | |
Meng et al. | Intelligent fault diagnosis of gearbox based on differential continuous wavelet transform-parallel multi-block fusion residual network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |