CN102944435A - 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 - Google Patents
一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 Download PDFInfo
- Publication number
- CN102944435A CN102944435A CN2012104130819A CN201210413081A CN102944435A CN 102944435 A CN102944435 A CN 102944435A CN 2012104130819 A CN2012104130819 A CN 2012104130819A CN 201210413081 A CN201210413081 A CN 201210413081A CN 102944435 A CN102944435 A CN 102944435A
- Authority
- CN
- China
- Prior art keywords
- rotating machinery
- mahalanobis distance
- fault
- discriminatory analysis
- health
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 38
- 230000003862 health status Effects 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 41
- 239000000284 extract Substances 0.000 claims description 21
- 230000007257 malfunction Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000001138 tear Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,属于旋转机械设备的基于状态维修技术领域。本发明首先基于小波包分解提取能量特征向量,然后构建判别分析函数并进行健康状态评估,对旋转机械设备进行故障检测,最后对旋转机械设备进行故障诊断。本发明构建了一个融合状态评估、故障检测和故障诊断的综合框架,解决了目前对旋转机械设备综合健康管理的热点问题,实现了旋转机械设备的智能维护;本发明方法不需要旋转机械设备的全寿命状态监测数据即可建立评估诊断模型,降低了对历史数据的依赖性,具有非常高的工程应用性。
Description
技术领域
本发明属于旋转机械设备的基于状态维修(CBM)技术领域,具体涉及一种基于费希尔判别分析(FDA)与马氏距离(MD)相结合的旋转机械设备健康评估与故障诊断方法。
背景技术
装备系统中的旋转机械设备一旦发生故障和失效问题,将严重影响装备的可用度并对安全性、任务性和经济性造成影响。因此,如何合理地制定维护计划,防止设备和产品因故障而失效,已成为降低寿命周期费用、提高可用度的重要手段。而要保持设备和产品的稳定性,现在多采用周期性预防维修或者事后维修的方式,但这两种方式将出现维修不足或者过维修的情况并带来严重的经济损失。随着性能评估、故障诊断和故障预测等技术发展,新的观念是采用智能维护系统,不停地对设备的性能状态进行监测、预测和评估,并按需制定维护计划即基于状态的维修(CBM),以防止它们因故障而失效,从而提高装备的可用度,减少停机时间,降低备件库存、维护费用和安全风险。因此如何对旋转机械设备当前的健康状态进行评估,进而进行故障诊断,已成为目前设备综合健康管理的研究热点之一。
FDA是一种线性降维技术,在空间映射过程中把各类总体之间最大程度地分离。它确定了一系列的线性变换向量,这些向量是按照最大化类间离散度,同时最小化类内离散度的准则进行排列。选取最优的判别向量使得FISHER准则函数最大,则高维的数据空间可以沿着已获得的FISHER特征方向投影,从而实现了数据降维并将不同类别数据最大程度地分离。马氏距离表示数据的协方差距离,它是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联系并且是尺度无关的(SCALE-INVARIANT),即独立于测量尺度。
目前,对于旋转机械的健康评估和故障诊断正处于起步阶段,而且大部分的现有评估方法都是在故障的特征识别的基础上对当前状态进行评估的。这种方法的关键之一在于需要有待评估设备的齐备的历史故障数据,因为只有通过比较当前状态与各种故障程度的历史特征模式才能实现健康状态评估。这类方法的本质就是状态的模式识别。然而,设备的历史故障数据往往较难获取,尤其是针对一些新安装使用的设备来说,根本没有历史故障数据,评估效果差、鲁棒性差,因此在实际工程中此方法的应用受到了很大的限制。
发明内容
本发明的目的是为了解决在进行旋转机械健康状态评估和故障诊断时,现有方法依赖于大量历史数据并且评估效果差、鲁棒性差的问题,提出一种基于费希尔判别分析与马氏距离相结合的旋转机械健康评估与故障诊断方法。
本发明是一种基于费希尔判别分析与马氏距离相结合的旋转机械健康评估与故障诊断方法,具体包括以下步骤:
步骤一、基于小波包分解提取能量特征向量:旋转机械设备正常信号和各类故障信号通常在各个高频段和低频段都有分布,而小波包分解在低频段和高频段都可以达到很精细的程度,因此非常适用于需同时提取低频和高频特征的信号分解。对小波包分解得到的各频带内的信号进行统计和分析,形成反映信号特征的频带能量指标。在旋转机械设备的正常工作状态和各类故障工作状态下,采集振动信号,并进行小波包分解从而提取能量特征向量样本。
步骤二、构建判别分析函数并进行健康状态评估:将每种工作状态(包括正常工作状态和各类故障工作状态)下所提取的能量特征向量样本组成训练集,用来进行FDA的学习,实现高维空间到低维空间的转换,并构建各判别总体(包括正常总体和各类故障总体)和判别分析函数。
将t时刻工作状态下采集到的实时振动信号进行小波包分解提取能量特征向量,结合判别分析函数,计算该能量特征向量与正常总体之间的马氏距离。通过对马氏距离的归一化,评估出设备在t时刻的健康度CV。
步骤四、对旋转机械设备进行故障检测:将t时刻工作状态下设备的健康度CV与设定的健康度阈值HT比较,若CV>HT,则设备运行状态良好,若CV≤HT,则设备存在故障,转入故障诊断。
步骤五、对旋转机械设备进行故障诊断:结合判别分析函数,计算t时刻工作状态下提取的能量特征向量与各类故障总体之间的马氏距离,通过对比,具有最小马氏距离的故障总体所表征的故障状态即可判定为当前的故障模式。
本发明的优点与积极效果在于:
(1)本发明构建了一个融合状态评估、故障检测和故障诊断的综合框架,解决了目前对旋转机械设备综合健康管理的热点问题,实现了旋转机械设备的智能维护;
(2)充分利用费希尔判别分析强大的降维处理能力和马氏距离直观的度量表征能力,进行健康状态评估与故障诊断,该方法原理简单明了,评估诊断效果显著;
(3)界定了旋转机械设备在完全失效前的健康度阈值,在健康状态评估基础上,进行故障诊断,提高了故障检测、故障定位的效率;
(4)本发明方法不需要旋转机械设备的全寿命状态监测数据即可建立评估诊断模型,降低了对历史数据的依赖性,具有非常高的工程应用性;
(6)与现有的设备健康评估方法相比,本发明方法显著提高了通用性和精度。
附图说明
图1是本发明的旋转机械健康评估与故障诊断方法的整体步骤流程图;
图2是本发明步骤二中基于FDA与MD的健康状态评估映射关系图;
图3是本发明步骤三中基于FDA与MD的健康状态评估与故障检测的流程图;
图4是本发明步骤四中基于FDA与MD的故障诊断映射图;
图5是本发明步骤四中基于FDA与MD的故障诊断的流程图;
图6是本发明实施案例中液压泵的MD结果图;
图7是本发明实施案例中液压泵的CV结果图;
图8是本发明实施案例中轴承的MD结果图;
图9是本发明实施案例中轴承的CV结果图;
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
对旋转机械设备进行实时健康评估和故障诊断已成为基于状态维修(CBM)的一种重要分支及研究热点。现有的一些评估方法都是根据设备的全寿命状态监测数据进行健康评估与故障诊断,但这些数据难以获取。本发明针对旋转机械设备的结构及其信号特点,提出一种基于费希尔判别和马氏距离(MD)相结合的旋转机械设备健康评估与故障诊断方法。本发明方法的核心思想是通过计算旋转机械设备当前的运行状态与正常运行状态对应的判别总体之间的偏离程度来评估健康状态,以及通过计算当前运行状态与各类故障状态分别对应的判别总体之间的距离,判定当前工作状态的故障模式。本发明方法利用对性能退化程度的量化描述以及对故障状态的模式识别,实现了旋转机械设备的健康状态评估与故障诊断。
本发明是一种针对旋转机械设备的结构特点,采用费希尔判别分析和马氏距离相结合的评估诊断方法,如图1所示流程图,具体步骤如下:
步骤一、基于小波包分解提取能量特征向量:对设备的正常工作状态和各类故障工作状态下采集的振动信号,进行小波包分解并提取能量特征向量样本。
对采集的振动信号数据进行三层小波包分解,从而所有波峰都能包含在不同的频带内,统计计算8个频带能量指标E3j:
式中,xjk(j=0,1,…,7;k=1,2,…,n)表示重构信号S3j(t)的离散点幅值,n是离散点的个数。
当某旋转机械设备或旋转机械设备上某部件出现故障时,会对各频带内信号的能量有较大的影响,故可以能量为元素构造一个特征向量T:
T=[E30/E,E31/E,E32/E,E33/E,E34/E,E35/E,E36/E,E37E] (2)
其中,E30,…,E37分别为八个频带的能量,并且
特征向量T即为基于小波包分解提取的能量特征向量。
步骤二、构建判别分析函数并进行健康状态评估:将每种工作状态(包括正常工作状态和各类故障工作状态)下所提取的能量特征向量样本组成训练集,用来进行FDA的学习,构建各判别总体和判别分析函数。在此基础上,进行健康状态的评估。具体方法原理如下:
设已知k个判别总体(包括正常总体和各类故障总体):
G1~(μ1,∑1),G2~(μ2,∑2),…,Gk~(μk,∑k),
其中,μi和∑i分别是Gi的均值向量和协方差阵,i=1,2…,k。设x是待判样品。经过对判别总体变量指标的线性综合,得到相应的一维待判样品y=dx。它可能来自于总体G1 *~(a′μ1,a′∑1a),G2 *~(a′μ2,a′∑2a),…,Gk *~(a′μk,a′∑ka)。仿照方差分析的思想,为了更好地区分开各个判别总体,向量a(a′表示a的转置)的选择应使“组间差”尽可能扩大,使“组内差”尽可能小,令:
其中, B0相当于组间平方和,E0相当于组内平方和。因此,向量a的选择应使:
达到最大。这等价于择优问题
从而,当a选择为与∑-1B的最大特征值λ1对应的特征向量a1时,式(6)达到最大值λ1,因此y1=a1′x。
如果把x综合成一个典型变量y1=a1′x还不能很好地区分各个总体,还可以由∑-1B的第二个特征值λ2相应的特征向量a2建立第二个典型变量y2=a2′x;如果还不够,可以用λ3建立y3=a3′x,依此类推。一般设∑-1B的前m个最大特征值依次为λ1≥λ2≥…≥λm,对应的特征向量分别为a1,a2,…,am,并且累计贡献率(p是待判样品的维数,p≥m)达到一定阈值(设定为85%),则可得到m个互不相关的典型变量y1,y2,…ym用于判别分析。这相当于把待判样品x的p维指标压缩成m维指标进行判别。
设定t时刻工作状态下采集到的实时振动信号经小波包分解所提取的能量特征向量为x,作为待判样品,结合判别分析函数yi=ai′x,(i=1,2,…,m),在经FDA降维处理后的新的低维空间中,待判样品x到判别总体Gj(j=1,2,…k,的马氏距离MD=d(x,Gj)可以由y=(y1,y2,…,ym)′到Gj *(j=1,2,…,k)的距离计算得出:
运用归一化,将所得MD转化为健康度CV值(0-1),此时的CV值就能表征当前的健康状态,CV接近1表明当前健康状态良好,CV的下降趋势表明处于退化状态,接近0表明已处于不正常状态。归一化函数如下:
式中,c是尺度参数,它是由正常状态下MD的均值以及对应的CV基准值(可设定为0.95)确定。基于FDA与MD的健康状态评估映射关系如图2所示。通过费希尔判别分析,正常状态数据和待测数据由原来的高维空间转换到新的低维空间,即实现空间映射,并在新的低维空间中计算待测数据与正常总体之间的马氏距离MD。
步骤三、对旋转机械设备进行故障检测:将t时刻工作状态下旋转机械设备的健康度CV与设定的健康度阈值HT比较,若CV>HT,则旋转机械设备运行状态良好,若CV≤HT,则旋转机械设备存在故障,转入步骤四的故障诊断。基于FDA与MD的健康状态评估与故障检测的流程如图3所示。通过提取待测数据的特征向量,在FDA分析的基础上,计算待测数据与正常总体之间的MD,并根据式(8)计算CV。比较当前CV与设定的健康度阈值,如果高于健康度阈值,则当前状态是正常的,继续进行监测评估,如果低于健康度阈值,则当前状态出现异常,需要进行进一步的故障诊断。
步骤四、对旋转机械设备进行故障诊断:结合判别分析函数,计算t时刻工作状态下提取的特征向量x与各类故障总体之间的马氏距离,通过判定分析,确定故障模式。判定规则如下:
若 那么x∈Gl
式中,Gj为各个故障总体。简而言之,与特征向量x之间马氏距离最小的故障总体所对应的故障状态就是t时刻的故障模式。基于FDA与MD的故障诊断映射关系及流程如图4、5所示。通过费希尔判别分析,正常状态数据、各类故障状态数据以及待测数据由原来的高维空间映射到新的低维空间。在新的低维空间计算待测数据映射点与各判定总体(正常总体G_N和各类故障总体G_F1、G_F2)之间的马氏距离MD,通过比较MD,具有最小马氏距离的故障总体所对应的故障状态即可判定为当前的故障模式。
实施例1:液压泵健康状态评估与故障诊断。
液压泵是整个液压系统的核心,它的工作状态直接影响到整个液压系统的运行状态。因此,液压泵的健康状态评估与故障诊断是极具意义的。本实施例采用液压泵(SCY型轴向柱塞泵)进行验证。分别注入两种典型故障(球头松动、配流盘磨损),在正常和两种故障状态下通过加速度传感器分别采集振动信号,设定轴转速为528r/min,采样频率为1000HZ。下面采用本发明提供的方法进行液压泵健康状态评估与故障诊断:
步骤一、基于小波包分解提取能量特征。
分别在液压泵处于正常状态和球头松动、配流盘磨损故障状态下,采集振动信号并进行三层小波包分解,提取8个能量特征样本。其中,每种工作状态下的前4个样本构成训练集用于FDA的学习(为了便于辨识,分别对应于正常状态、球头松动和配流盘磨损状态,将它们编号为Normal_1至Normal_4,Fault1_1至Fault1_4,Fault2_1至Fault2_4),余下的4个构成测试集(同样,将它们编号为N_1至N_4,F1_1至F1_4,F2_1至F2_4)。训练集和测试集能量特征向量如表1、2所示。
表1液压泵训练样本特征向量
Num | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
Normal_1 | 0.0304 | 0.8484 | 0.1399 | 0.3570 | 0.1182 | 0.1565 | 0.1143 | 0.2843 |
Normal_2 | 0.0343 | 0.8433 | 0.1396 | 0.3557 | 0.1061 | 0.1819 | 0.1085 | 0.2926 |
Normal_3 | 0.0305 | 0.8307 | 0.1360 | 0.3732 | 0.1231 | 0.1659 | 0.1228 | 0.3057 |
Normal_4 | 0.0280 | 0.8163 | 0.1654 | 0.3778 | 0.1183 | 0.1491 | 0.1432 | 0.3256 |
Fault1_1 | 0.0256 | 0.8182 | 0.0260 | 0.1312 | 0.3582 | 0.4088 | 0.0290 | 0.1255 |
Fault1_2 | 0.0329 | 0.8141 | 0.0310 | 0.1312 | 0.3450 | 0.4265 | 0.0355 | 0.1255 |
Fault1_3 | 0.0355 | 0.8256 | 0.0378 | 0.1357 | 0.3483 | 0.3972 | 0.0323 | 0.1309 |
Fault1_4 | 0.0329 | 0.8266 | 0.0358 | 0.1284 | 0.3950 | 0.3517 | 0.0341 | 0.1304 |
Fault2_1 | 0.0261 | 0.2428 | 0.5679 | 0.0871 | 0.0190 | 0.0361 | 0.7785 | 0.0507 |
Fault2_2 | 0.0156 | 0.2385 | 0.5717 | 0.0861 | 0.0229 | 0.0366 | 0.7775 | 0.0484 |
Fault2_3 | 0.0193 | 0.2405 | 0.5628 | 0.0862 | 0.0278 | 0.0283 | 0.7834 | 0.0488 |
Fault2_4 | 0.0116 | 0.2479 | 0.5393 | 0.0816 | 0.0275 | 0.0319 | 0.7977 | 0.0521 |
表2液压泵测试样本特征向量
Num | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
N_1 | 0.0428 | 0.8110 | 0.1647 | 0.4138 | 0.1297 | 0.1359 | 0.1495 | 0.2908 |
N_2 | 0.0300 | 0.8195 | 0.1626 | 0.4070 | 0.1180 | 0.1437 | 0.1434 | 0.2833 |
N_3 | 0.0353 | 0.8078 | 0.1836 | 0.4182 | 0.1089 | 0.1534 | 0.1464 | 0.2841 |
N_4 | 0.0326 | 0.8142 | 0.1716 | 0.4177 | 0.1107 | 0.1467 | 0.1538 | 0.2732 |
F1_1 | 0.0293 | 0.8259 | 0.0367 | 0.1255 | 0.4254 | 0.3138 | 0.0316 | 0.1397 |
F1_2 | 0.0243 | 0.8344 | 0.0266 | 0.1398 | 0.3832 | 0.3446 | 0.0229 | 0.1295 |
F1_3 | 0.0318 | 0.8399 | 0.0281 | 0.1274 | 0.3242 | 0.3902 | 0.0266 | 0.1356 |
F1_4 | 0.0360 | 0.8293 | 0.0338 | 0.1308 | 0.4289 | 0.2984 | 0.0237 | 0.1383 |
F2_1 | 0.0088 | 0.2475 | 0.5249 | 0.0839 | 0.0189 | 0.0374 | 0.8075 | 0.0484 |
F2_2 | 0.0185 | 0.2501 | 0.5710 | 0.0907 | 0.0299 | 0.0232 | 0.7739 | 0.0511 |
F2_3 | 0.0095 | 0.2463 | 0.5446 | 0.0841 | 0.0256 | 0.0263 | 0.7945 | 0.0541 |
F2_4 | 0.0102 | 0.2476 | 0.5235 | 0.0883 | 0.0236 | 0.0308 | 0.8079 | 0.0513 |
步骤二、构建判别分析函数并进行健康状态评估。
利用训练集构建各判别总体和判别分析函数,在此基础上,计算测试集中12个能量特征样本(N_1至N_4,F1_1至F1_4,F2_1至F2_4)与正常总体之间的马氏距离MD,通过归一化,将MD转化为CV。MD和CV计算结果如图6、7所示:前4个结果为正常测试样本(N_1至N_4)对应的MD和CV,后8个结果为故障测试样本(F1_1至F1_4,F2_1至F2_4)对应的MD和CV。显然,与正常状态测试样本相比,球头松动和配流盘磨损故障状态测试样本的MD相当大,这是因为正常测试样本位于正常总体附近,而球头松动和配流盘磨损故障状态测试样本远离正常总体。相反,正常测试样本的CV相当高接近于0.9,也就是处在健康状态,而球头松动和配流盘磨损故障状态测试样本的CV相当低,从而判定它们处在不正常状态。这一结果与事实完全相符,评估效果相当理想。
步骤三、故障检测。
通过CV结果可知,N_1至N_4的CV值都高于设定的健康度阈值(HT=0.6),但是,F1_1至F1_4,F2_1至F2_4的CV值低于健康度阈值,从而判定N_1至N_4属于正常状态,而F1_1至F1_4,F2_1至F2_4属于故障状态,进而转入故障诊断以确定它们的故障模式。
步骤四、故障诊断:
为了判定F1_1至F1_4,F2_1至F2_4的故障模式,将测试集中的正常样本(N_1至N_4)考虑在内,计算测试样本与三个总体之间的马氏距离,为了便于分析,将正常总体标记为G_N,球头松动和配流盘磨损故障总体分别标记为G_F1,G_F2,计算结果如表3所示。通过比较分析可知,测试样本N_1至N_4与总体G_N的马氏距离最小,同样,测试样本F1_1至F1_4,F2_1至F2_4分别与总体G_F1,G_F2的马氏距离最小。从而可以判定,样本N_1至N_4属于正常状态,样本F1_1至F1_4,F2_1至F2_4分别属于球头松动和配流盘磨损故障状态,即确定了它们的故障模式,达到了故障定位的目的。
表3液压泵故障诊断结果表
N_1 | N_2 | N_3 | N_4 | F1_1 | F1_2 | F1_3 | F1_4 | F2_1 | F2_2 | F2_3 | F2_4 | |
G_N | 0.1490 | 0.1288 | 0.0413 | 0.1135 | 3.0432 | 3.0394 | 3.1073 | 2.8714 | 4.9359 | 4.8058 | 4.9323 | 4.9614 |
G_F1 | 3.5555 | 3.5412 | 3.4477 | 3.5199 | 0.3838 | 0.3794 | 0.3107 | 0.5563 | 7.8717 | 7.7396 | 7.8727 | 7.9023 |
G_F2 | 4.7123 | 4.7364 | 4.8134 | 4.7444 | 7.4089 | 7.4290 | 7.5040 | 7.2451 | 0.0885 | 0.0495 | 0.0928 | 0.1209 |
Min | 0.1490 | 0.1288 | 0.0413 | 0.1135 | 0.3838 | 0.3794 | 0.3107 | 0.5563 | 0.0885 | 0.0495 | 0.0928 | 0.1209 |
Mode | G_N | G_N | G_N | G_N | G_F1 | G_F1 | G_F1 | G_F1 | G_F2 | G_F2 | G_F2 | G_F2 |
实施例2:轴承健康状态评估与故障诊断
轴承是旋转机械设备典型的重要部件,轴承的失效将对机械设备产生一系列的损伤,从而造成安全,任务,经济影响。因此,轴承的健康状态评估与故障诊断非常重要。本实例采用轴承(型号为6205-2RS JEM SKF)试验台进行验证,测试轴承支撑整个轴,通过电分离分别对内环,外环,滚动体注入7mils的单点故障。分别在四种状态(正常、内环故障、外环故障、滚动体故障)下通过加速度传感器采集振动信号,设定轴转速为1750R/MIN,采样频率为12000HZ。
步骤一、基于小波包分解提取能量特征。
分别在轴承处于正常和内环、外环、滚动体故障状态下,采集振动信号并进行三层小波包分解,提取8个能量特征样本。其中,每种状态下的前4个样本构成训练集用于FDA的学习(为了便于辨识,分别对应于正常状态、内环、外环、滚动体故障状态,将它们编号为N_1至N_4,I_1至I_4,O_1至O_4,B_1至B_4),余下的4个构成测试集(同样,将它们编号为N_T1至N_T4,I_T1至I_T4,O_T1至O_T4,B_T1至B_T4)。训练集和测试集能量特征向量如表4、5所示。
表4轴承训练样本特征向量
Num | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
N_1 | 0.8111 | 0.5012 | 0.0524 | 0.2964 | 0.0002 | 0.0018 | 0.0053 | 0.0187 |
N_2 | 0.8259 | 0.4665 | 0.0544 | 0.3112 | 0.0002 | 0.0019 | 0.0054 | 0.02 |
N_3 | 0.7891 | 0.5274 | 0.0524 | 0.3097 | 0.0002 | 0.0018 | 0.0053 | 0.0204 |
N_4 | 0.8137 | 0.493 | 0.0553 | 0.3023 | 0.0002 | 0.0018 | 0.0056 | 0.0194 |
I_1 | 0.0795 | 0.2297 | 0.5852 | 0.1497 | 0.0014 | 0.0081 | 0.7446 | 0.1471 |
I_2 | 0.0823 | 0.2226 | 0.5831 | 0.1464 | 0.0015 | 0.0082 | 0.7467 | 0.157 |
I_3 | 0.081 | 0.2341 | 0.6031 | 0.1474 | 0.0014 | 0.0084 | 0.7306 | 0.1388 |
I_4 | 0.0723 | 0.2279 | 0.5922 | 0.1505 | 0.0014 | 0.0092 | 0.7412 | 0.1417 |
O_1 | 0.0069 | 0.0096 | 0.4907 | 0.0156 | 0.0082 | 0.0137 | 0.8681 | 0.0707 |
O_2 | 0.0065 | 0.0096 | 0.4945 | 0.0161 | 0.0081 | 0.0137 | 0.8655 | 0.0759 |
O_3 | 0.0069 | 0.0098 | 0.4831 | 0.0145 | 0.0076 | 0.0121 | 0.8725 | 0.0696 |
O_4 | 0.0065 | 0.01 | 0.5217 | 0.016 | 0.007 | 0.0124 | 0.8492 | 0.0777 |
B_1 | 0.045 | 0.0449 | 0.4876 | 0.0184 | 0.0005 | 0.0027 | 0.8703 | 0.0181 |
B_2 | 0.0443 | 0.0424 | 0.457 | 0.0189 | 0.0005 | 0.0025 | 0.887 | 0.0179 |
B_3 | 0.0426 | 0.0436 | 0.464 | 0.0187 | 0.0005 | 0.0025 | 0.8833 | 0.0186 |
B_4 | 0.0412 | 0.042 | 0.4584 | 0.0179 | 0.0004 | 0.0022 | 0.8865 | 0.0175 |
表5轴承测试样本特征向量
Num | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
N_T1 | 0.804 | 0.5112 | 0.0511 | 0.2987 | 0.0002 | 0.0016 | 0.0051 | 0.0192 |
N_T2 | 0.8119 | 0.5007 | 0.0528 | 0.2948 | 0.0002 | 0.0018 | 0.0053 | 0.019 |
N_T3 | 0.8208 | 0.4824 | 0.0538 | 0.3006 | 0.0002 | 0.0017 | 0.0055 | 0.0194 |
N_T4 | 0.7854 | 0.5344 | 0.0532 | 0.307 | 0.0002 | 0.0018 | 0.0054 | 0.0198 |
I_T1 | 0.0734 | 0.2138 | 0.58 | 0.1423 | 0.0015 | 0.008 | 0.7556 | 0.1461 |
I_T2 | 0.087 | 0.2276 | 0.5929 | 0.15 | 0.0014 | 0.0089 | 0.7394 | 0.1403 |
I_T3 | 0.0769 | 0.2242 | 0.6017 | 0.1463 | 0.0016 | 0.0084 | 0.7343 | 0.1454 |
I_T4 | 0.071 | 0.2271 | 0.5888 | 0.1535 | 0.0014 | 0.0082 | 0.7421 | 0.1498 |
O_T1 | 0.0066 | 0.0091 | 0.4939 | 0.0159 | 0.0073 | 0.0132 | 0.8661 | 0.0736 |
O_T2 | 0.0073 | 0.0098 | 0.4945 | 0.0166 | 0.0075 | 0.0128 | 0.8655 | 0.0759 |
O_T3 | 0.0068 | 0.0108 | 0.5057 | 0.0159 | 0.0073 | 0.0137 | 0.8594 | 0.0706 |
O_T4 | 0.0069 | 0.0098 | 0.4976 | 0.0154 | 0.0077 | 0.0133 | 0.8642 | 0.0705 |
B_T1 | 0.0438 | 0.0431 | 0.483 | 0.0187 | 0.0005 | 0.0024 | 0.8731 | 0.0188 |
B_T2 | 0.0438 | 0.0439 | 0.4753 | 0.018 | 0.0006 | 0.0026 | 0.8773 | 0.018 |
B_T3 | 0.046 | 0.0411 | 0.471 | 0.0197 | 0.0005 | 0.0023 | 0.8796 | 0.0176 |
B_T4 | 0.043 | 0.0436 | 0.4627 | 0.0187 | 0.0005 | 0.0023 | 0.884 | 0.0174 |
步骤二、构建判别分析函数并进行健康状态评估。
利用训练集构建各判别总体和判别函数,在此基础上,计算测试集中16个能量特征样本(N_T1至N_T4,I_T1至I_T4,O_T1至O_T4,B_T1至B_T4)与正常总体之间的马氏距离MD,通过归一化,将MD转化为CV。MD和CV计算结果如图8、9所示:前4个结果为正常测试样本(N_T1至N_T4)对应的MD和CV,后12个结果为故障测试样本(I_T1至I_T4,O_T1至O_T4,B_T1至B_T4)对应的MD和CV。显然,与正常状态测试样本相比,内环、外环和滚动体故障状态测试样本的MD相当大,这是因为正常测试样本位于正常总体附近,而故障状态测试样本远离正常总体。相反,正常测试样本的CV相当高接近于0.9,也就是处在健康状态,而内环、外环和滚动体故障状态测试样本的CV相当低,从而判定它们处在不正常状态。这一结果与事实完全相符,评估效果相当理想。
步骤三、故障检测。
通过CV结果可以看出,N_T1至N_T4的CV值都高于设定的健康阈值(HT=0.6),但是,I_T1至I_T4,O_T1至O_T4,B_T1至B_T4的CV值低于阈值,从而判定I_T1至I_T4,O_T1至O_T4,B_T1至B_T4属于故障状态,进而转入故障诊断以确定它们的故障模式。
步骤四、故障诊断:
为了判定I_T1至I_T4,O_T1至O_T4,B_T1至B_T4的故障模式,将测试集中的正常样本(N_T1至N_T4)考虑在内,计算测试样本与四个总体之间的马氏距离,为了便于分析,将正常总体标记为G_N,内环、外环和滚动体故障总体分别标记为G_I,G_O和G_B,计算结果如表6所示。通过比较分析可知,测试样本N_T1至N_T4与总体G_N的马氏距离最小,同样,测试样本I_T1至I_T4,O_T1至O_T4,B_T1至B_T4分别与总体G_I,G_O和G_B的马氏距离最小。从而可以判定,样本N_T1至N_T4属于正常状态,样本I_T1至I_T4,O_T1至O_T4,B_T1至B_T4分别属于球头松动和配流盘磨损故障状态,即确定了它们的故障模式,达到了故障定位的目的。
表6轴承故障诊断结果表
N_T1 | N_T2 | N_T3 | N_T4 | I_T1 | I_T2 | I_T3 | I_T4 | |
G_N | 0.0245 | 0.0249 | 0.0352 | 0.1014 | 10.3384 | 10.3041 | 10.3426 | 10.2988 |
G_I | 10.3123 | 10.3094 | 10.3010 | 10.3022 | 0.1079 | 0.0547 | 0.0639 | 0.0609 |
G_O | 10.8671 | 10.8645 | 10.8462 | 10.8709 | 1.8074 | 1.9666 | 1.8590 | 1.8561 |
G_B | 10.6774 | 10.6747 | 10.6590 | 10.6777 | 12993 | 1.4575 | 1.3519 | 1.3486 |
Min | 0.0245 | 0.0249 | 0.0352 | 0.1014 | 0.1079 | 0.0547 | 0.0639 | 0.0609 |
Mode | G_N | G_N | G_N | G_N | G_I | G_I | G_I | G_I |
O_T1 | O_T2 | O_T3 | O_T4 | B_T1 | B_T2 | B_T3 | B_T4 | |
G_N | 10.8419 | 10.8391 | 10.8812 | 10.8567 | 10.7244 | 10.6955 | 10.6792 | 10.6498 |
G_I | 1.9145 | 1.9065 | 1.9045 | 1.9098 | 1.4065 | 1.3990 | 1.4010 | 1.4045 |
G_O | 0.0122 | 0.0141 | 0.0358 | 0.0078 | 0.5250 | 0.5308 | 0.5288 | 0.5272 |
G_B | 0.5243 | 0.5168 | 0.5168 | 0.5198 | 0.0642 | 0.0362 | 0.0181 | 0.0150 |
Min | 0.0122 | 0.0141 | 0.0358 | 0.0078 | 0.0642 | 0.0362 | 0.0181 | 0.0150 |
Mode | G_O | G_O | G_O | G_O | G_B | G_B | G_B | G_B |
通过以上评估诊断方法以及结果的详细描述,可见本发明的健康评估与故障诊断方法能够实现旋转机械设备的健康状态评估与故障诊断,评估诊断效果好,具有明显的实际应用价值。
Claims (7)
1.基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,其特征在于,具体包括如下步骤:
步骤一、基于小波包分解提取能量特征向量:在旋转机械设备的正常和各类故障工作状态下,采集振动信号,并进行小波包分解从而提取能量特征向量样本;
步骤二、构建判别分析函数进行健康状态评估:将每种状态下所提取的能量特征向量样本组成训练集,用来进行FDA的学习,实现高维空间到低维空间的转换,并构建各判别总体和判别分析函数;
计算能量特征向量与正常总体之间的马氏距离,通过对马氏距离的归一化,评估出旋转机械设备在t时刻的健康状态CV;
步骤三、对旋转机械设备进行故障检测:将t时刻工作状态下旋转机械设备的健康度CV与设定的健康度阈值HT比较,若CV>HT,则旋转机械设备运行状态良好,若CV≤HT,则旋转机械设备存在故障,转入故障诊断;
步骤四、对旋转机械设备进行故障诊断:结合判别分析函数,计算t时刻工作状态下提取的能量特征向量与各类故障总体之间的马氏距离,与能量特征向量x之间马氏距离最小的故障总体所对应的故障状态确定为故障模式。
2.权利要求1所述的一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,其特征在于,步骤一中所述的基于小波包分解提取能量特征向量,具体为:对采集到的振动信号,进行三层小波包分解,从而所有波峰都能包含在不同的频带内,统计计算8个频带能量指标E3j,
式中,xjk表示重构信号S3j的离散点幅值,j=0,1,…,7;k=1,2,…,n,n是离散点的个数;以能量为元素构造一个特征向量T:
T=[E30/E,E31/E,E32/E,E33/E,E34/E,E35/E,E36/E,E37/E] (2)
其中,E30,E31,…,E37分别为八个频带的能量,并且
3.根据权利要求1所述的一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,其特征在于:步骤二中所述的判别分析函数为:设∑-1B的前m个特征值依次为λ1≥λ2≥…≥λm,则对应的特征向量为a1,a2,…,am,如果有累计贡献率达到设定阈值,则选择m个互不相关的典型变量y1,y2,…ym,ym=am′x作为判别分析函数,其中, μi和∑i分别是Gi的均值向量和协方差阵。
4.根据权利要求1所述的一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,其特征在于:步骤二中所述的马氏距离通过如下方式得到:
设定t时刻工作状态下采集到的实时振动信号经小波包分解所提取的能量特征向量为x,结合判别分析函数y1,y2,…ym,ym=am′x,在经FDA降维处理后的新的低维空间中,x到Gj的马氏距离d(x,Gj)由y=(y1,y2,…,ym)′到Gj *(j=1,2,…,k)的距离计算得出:
运用归一化,将所得马氏距离转化为CV值,此时的CV值就能表征当前的健康状态,CV接近1表明当前健康状态良好,CV的下降趋势表明处于退化状态,接近0表明已处于不正常状态。
5.根据权利要求4所述的一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,其特征在于:所述的对马氏距离的归一化采用的归一化函数如下:
式中,c是尺度参数,它是由正常状态下MD的均值以及对应的CV基准值确定。
6.根据权利要求1所述的一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法,其特征在于:步骤三中所述的健康度阈值HT为0.6,若CV>HT,则设备运行状态良好,若CV≤HT,则设备存在故障,转入故障诊断。
7.据权利要求1所述的一种基于费希尔判别分析与马氏距离相结合的旋转机械健康评估与故障诊断方法,其特征在于,步骤四所述的结合判别分析函数,计算t时刻工作状态下提取的特征向量x与各类故障总体之间的马氏距离,通过判定分析,确定故障模式,判定规则如下:若 那么x∈Gl式中,Gj为各个故障总体,马氏距离最小的故障总体Gj所对应的故障状态即为当前的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210413081.9A CN102944435B (zh) | 2012-10-25 | 2012-10-25 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210413081.9A CN102944435B (zh) | 2012-10-25 | 2012-10-25 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102944435A true CN102944435A (zh) | 2013-02-27 |
CN102944435B CN102944435B (zh) | 2015-02-11 |
Family
ID=47727397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210413081.9A Expired - Fee Related CN102944435B (zh) | 2012-10-25 | 2012-10-25 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102944435B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 一种工业过程中基于度量学习与时间序列的故障诊断方法 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN106599445A (zh) * | 2016-12-09 | 2017-04-26 | 北京航空航天大学 | 基于单支截断数据的旋转机械健康状态预测的几何方法 |
CN105973602B (zh) * | 2016-06-16 | 2018-07-17 | 温州大学激光与光电智能制造研究院 | 一种电机轴承外圈故障辨识方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108595381A (zh) * | 2018-04-27 | 2018-09-28 | 厦门尚为科技股份有限公司 | 健康状态评价方法、装置及可读存储介质 |
CN108885154A (zh) * | 2016-03-29 | 2018-11-23 | 巴阀门株式会社 | 阀门诊断方法及阀门诊断装置 |
CN110108486A (zh) * | 2018-01-31 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及系统 |
CN110108489A (zh) * | 2019-05-31 | 2019-08-09 | 上海电力学院 | 一种滚动轴承性能退化趋势获取方法 |
CN111164526A (zh) * | 2017-11-28 | 2020-05-15 | 株式会社安川电机 | 异常判定系统、马达控制装置及异常判定装置 |
CN112270273A (zh) * | 2020-10-30 | 2021-01-26 | 湘潭大学 | 基于gcn和wpt-md的风力发电机故障部位识别方法 |
CN112326241A (zh) * | 2020-09-11 | 2021-02-05 | 西安英特迈思信息科技有限公司 | 一种基于融合退化指标的核电主泵轴承故障预警方法 |
CN112489330A (zh) * | 2020-12-02 | 2021-03-12 | 广东电网有限责任公司江门供电局 | 一种仓库防盗报警方法 |
CN112525336A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种机械设备振动连续增长的自动化检测方法 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN112763056A (zh) * | 2020-12-29 | 2021-05-07 | 上海交大智邦科技有限公司 | 用于数控机床系统状态在线实时监测与评估的方法及系统 |
CN116175281A (zh) * | 2023-04-26 | 2023-05-30 | 成都瑞雪丰泰精密电子股份有限公司 | 一种加工中心主轴系统振动异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799366A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机械故障预测的特征提取方法 |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
CN102661783A (zh) * | 2012-04-24 | 2012-09-12 | 北京信息科技大学 | 一种旋转机械故障趋势预测的特征提取方法 |
-
2012
- 2012-10-25 CN CN201210413081.9A patent/CN102944435B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799366A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机械故障预测的特征提取方法 |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
CN102661783A (zh) * | 2012-04-24 | 2012-09-12 | 北京信息科技大学 | 一种旋转机械故障趋势预测的特征提取方法 |
Non-Patent Citations (5)
Title |
---|
吴立洲等: "Fisher判别分析法在空调系统故障诊断中的应用", 《制冷空调新技术进展第四届全国制冷空调新技术研讨会论文集》 * |
杨宇: "基于EMD和支持向量机的旋转机械故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技II辑》 * |
王大朋: "高速电机磁轴承控制与监测技术研究", 《中国博士学位论文全文数据库工程科技II辑》 * |
王广斌: "基于流形学习的旋转机械故障诊断方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
苗学问: "航空发动机主轴承使用寿命预测技术研究", 《中国博士学位论文全文数据库工程科技II辑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674511B (zh) * | 2013-03-18 | 2016-06-22 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
CN103471841B (zh) * | 2013-09-30 | 2015-08-12 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
CN104655423B (zh) * | 2013-11-19 | 2017-09-15 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN105116872A (zh) * | 2015-07-13 | 2015-12-02 | 哈尔滨工业大学 | 一种工业过程中基于度量学习与时间序列的故障诊断方法 |
CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN105241680B (zh) * | 2015-08-26 | 2018-01-02 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
CN105204493B (zh) * | 2015-09-11 | 2017-12-19 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
CN108885154A (zh) * | 2016-03-29 | 2018-11-23 | 巴阀门株式会社 | 阀门诊断方法及阀门诊断装置 |
US10920907B2 (en) | 2016-03-29 | 2021-02-16 | Tomoe Valve Co., Ltd. | Valve diagnosis method and valve diagnosis device |
CN105973602B (zh) * | 2016-06-16 | 2018-07-17 | 温州大学激光与光电智能制造研究院 | 一种电机轴承外圈故障辨识方法 |
CN106599445A (zh) * | 2016-12-09 | 2017-04-26 | 北京航空航天大学 | 基于单支截断数据的旋转机械健康状态预测的几何方法 |
CN106599445B (zh) * | 2016-12-09 | 2018-08-21 | 北京航空航天大学 | 基于单支截断数据的旋转机械健康状态预测的几何方法 |
CN111164526A (zh) * | 2017-11-28 | 2020-05-15 | 株式会社安川电机 | 异常判定系统、马达控制装置及异常判定装置 |
CN111164526B (zh) * | 2017-11-28 | 2023-10-13 | 株式会社安川电机 | 异常判定系统、马达控制装置及异常判定方法 |
CN110108486B (zh) * | 2018-01-31 | 2022-07-05 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及系统 |
CN110108486A (zh) * | 2018-01-31 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及系统 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN108595381A (zh) * | 2018-04-27 | 2018-09-28 | 厦门尚为科技股份有限公司 | 健康状态评价方法、装置及可读存储介质 |
CN110108489A (zh) * | 2019-05-31 | 2019-08-09 | 上海电力学院 | 一种滚动轴承性能退化趋势获取方法 |
CN112326241A (zh) * | 2020-09-11 | 2021-02-05 | 西安英特迈思信息科技有限公司 | 一种基于融合退化指标的核电主泵轴承故障预警方法 |
CN112326241B (zh) * | 2020-09-11 | 2023-10-13 | 西安英特迈思信息科技有限公司 | 一种基于融合退化指标的核电主泵轴承故障预警方法 |
CN112270273A (zh) * | 2020-10-30 | 2021-01-26 | 湘潭大学 | 基于gcn和wpt-md的风力发电机故障部位识别方法 |
CN112525336A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种机械设备振动连续增长的自动化检测方法 |
CN112489330A (zh) * | 2020-12-02 | 2021-03-12 | 广东电网有限责任公司江门供电局 | 一种仓库防盗报警方法 |
CN112763056A (zh) * | 2020-12-29 | 2021-05-07 | 上海交大智邦科技有限公司 | 用于数控机床系统状态在线实时监测与评估的方法及系统 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN116175281B (zh) * | 2023-04-26 | 2023-06-23 | 成都瑞雪丰泰精密电子股份有限公司 | 一种加工中心主轴系统振动异常检测方法 |
CN116175281A (zh) * | 2023-04-26 | 2023-05-30 | 成都瑞雪丰泰精密电子股份有限公司 | 一种加工中心主轴系统振动异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102944435B (zh) | 2015-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102944435B (zh) | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 | |
Wang et al. | A data indicator-based deep belief networks to detect multiple faults in axial piston pumps | |
CN105204493A (zh) | 一种旋转机械设备状态监测与故障诊断方法 | |
CN102175282B (zh) | 一种基于信息融合的离心式空气压缩机故障诊断方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN103033359B (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN106769052A (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN103048137A (zh) | 一种变工况下的滚动轴承故障诊断方法 | |
CN102313577A (zh) | 基于多路传感信号的设备健康状态评估与衰退预测方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN110399986B (zh) | 一种泵站机组故障诊断系统的生成方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN106092625B (zh) | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN104832418A (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
CN101833056A (zh) | 一种基于频率响应特征的变压器绕组变形诊断方法 | |
CN104536439B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障诊断方法 | |
CN101178703A (zh) | 基于网络分割的故障诊断谱聚类方法 | |
CN110130875B (zh) | 抽油机异常工况监控方法 | |
CN106198020A (zh) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN112036480A (zh) | 一种船舶制冷系统故障诊断方法、装置及存储介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200609 Address after: No. 214, xiaoxinzhuang village, Beifang Town, Huairou District, Beijing Patentee after: Beijing Hengxing Yikang Technology Co.,Ltd. Address before: 100191 Haidian District, Xueyuan Road, No. 37, Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150211 |
|
CF01 | Termination of patent right due to non-payment of annual fee |