CN103512765A - 一种血型离心机变学习速率小波bp神经网络故障检测方法 - Google Patents

一种血型离心机变学习速率小波bp神经网络故障检测方法 Download PDF

Info

Publication number
CN103512765A
CN103512765A CN201310419243.4A CN201310419243A CN103512765A CN 103512765 A CN103512765 A CN 103512765A CN 201310419243 A CN201310419243 A CN 201310419243A CN 103512765 A CN103512765 A CN 103512765A
Authority
CN
China
Prior art keywords
extractor
wavelet
hydro
learning rate
neural network
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.)
Pending
Application number
CN201310419243.4A
Other languages
English (en)
Inventor
罗刚银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Institute of Biomedical Engineering and Technology of CAS
Original Assignee
Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Institute of Biomedical Engineering and Technology of CAS filed Critical Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority to CN201310419243.4A priority Critical patent/CN103512765A/zh
Publication of CN103512765A publication Critical patent/CN103512765A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • External Artificial Organs (AREA)

Abstract

本发明公开了一种血型离心机变学习速率小波BP神经网络故障检测方法，它包括以下步骤：离心机振动信号采集、小波变换去噪、小波包变换特征提取、变学习速率小波BP神经网络训练、离心机故障类型判断，采用小波包变换可以有效地提取血型离心机振动信号的功率谱密度特征向量，而通过将这些功率谱密度特征向量输入到变学习速率小波BP神经网络中可以有效的识别出血型离心机的故障类型。

Description

一种血型离心机变学习速率小波BP神经网络故障检测方法
技术领域
本发明涉及一种血型离心机故障检测方法，具体涉及一种血型离心机变学习速率小波BP神经网络故障检测方法。
背景技术
 血型离心机是血型分析系统的一个核心功能模块，其是否正常工作直接影响着血型检测的效率和正确性。同时，作为高速旋转设备，离心机是否发生故障也直接影响着操作人员的安全。因此，有必要对离心机的故障进行检测。
 离心机常见的故障包括转子不平衡、轴不对中、轴弯曲、联轴器松动等。现在对离心机故障的检测，往往是熟练操作人员或维修人员通过人为判断离心机的异常声音来完成。但是，在离心机发生故障早期，离心机发出的异常声音不会很明显；而等到发生刺耳的零件摩擦声时，离心机的故障往往已经很严重，或者已经带有很大的安全隐患。因此，离心机的故障最好是在故障的早期就能够被识别，这样对其进行维修就很简单，甚至只需要简单的维护就能够使离心机恢复正常工作。
 离心机故障发生的早期，其故障导致的声音不会太明显，但是其振动信号中已经隐藏了故障的相关信息。因此，对离心机的振动信号进行分析，能够在离心机故障发生的早期就对其实现检测。
小波BP神经网络是小波变换、BP学习算法与神经网络相结合的产物，其基本思想是:利用误差函数极小化原理，不断地改变小波基函数的波形和尺度，来调整网络的权值和阈值。在这种小波神经网络中，其权值调整的训练算法采用同BP神经网络一样的反向传播学习算法。设                                                
Figure 528418DEST_PATH_IMAGE002
为输入层的第
Figure 667275DEST_PATH_IMAGE004
个输入样本，
Figure 250703DEST_PATH_IMAGE006
为输出才呢过的第个输出值，
Figure 298742DEST_PATH_IMAGE010
为连接输出层节点
Figure 608501DEST_PATH_IMAGE008
和隐层节点
Figure 741542DEST_PATH_IMAGE012
的权重，
Figure 794948DEST_PATH_IMAGE014
为连接隐层节点
Figure 634728DEST_PATH_IMAGE012
和输入层节点
Figure 2013104192434100002DEST_PATH_IMAGE015
的权重。若约定
Figure 2013104192434100002DEST_PATH_IMAGE017
和分别为第个隐层节点的尺度系数和平移系数；
Figure 2013104192434100002DEST_PATH_IMAGE021
为输入样本的模式个数，
Figure 2013104192434100002DEST_PATH_IMAGE023
为输入层节点个数，
Figure 2013104192434100002DEST_PATH_IMAGE027
Figure 2013104192434100002DEST_PATH_IMAGE029
为隐层节点个数，
Figure 2013104192434100002DEST_PATH_IMAGE031
Figure 2013104192434100002DEST_PATH_IMAGE033
为输出层节点个数，
Figure 2013104192434100002DEST_PATH_IMAGE035
为学习速率，则小波神经网络的输出模型可表示为：
       
Figure DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE039
   
定义误差函数为：
Figure DEST_PATH_IMAGE041
若设
Figure DEST_PATH_IMAGE043
为第
Figure 772942DEST_PATH_IMAGE044
个输入模式，
Figure 630039DEST_PATH_IMAGE046
为第
Figure DEST_PATH_IMAGE047
个模式的第
Figure 137375DEST_PATH_IMAGE008
个实际网络输出，
Figure DEST_PATH_IMAGE049
为第
Figure 788936DEST_PATH_IMAGE021
个模式的第
Figure 896570DEST_PATH_IMAGE008
个期望输出，则网络的权重参数、小波的尺度系数和平移系数按照下面的公式进行调整：
                                                                     
Figure DEST_PATH_IMAGE057
其中，是引入附加动量因子，它和BP神经网络一样，是用于改善神经网络陷入局部极小值的问题。
发明内容
本发明的目的在于克服现有离心机故障检测方法的不足，提供一种血型离心机变学习速率小波BP神经网络故障检测方法。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种血型离心机变学习速率小波BP神经网络故障检测方法，包括以下步骤：
步骤1）离心机振动信号采集
采用压电加速度传感器和电涡流位移传感器采集离心机转动时的振动信号；
步骤2）小波变换去噪
选择合适的阈值函数，在小波变换域中去除离心机振动信号中低幅度的噪声和我们所不期望的信号，然后进行离散小波变换的逆变换，重构出降噪后的信号；
步骤3）小波包变换特征提取
首先对测得的离心机振动信号进行三层小波包变换，接着对第三层小波包分解结果的八个小波系数分别进行小波包重构，重构后得到八个分频带，然后分别计算八个分频带的功率谱密度。把不同分频带上信号的功率谱密度按尺度顺序排列起来，得出离心机不同故障对应振动信号的功率谱密度特征向量；
步骤4）变学习速率小波BP神经网络训练
选择神经网络的训练样本，训练用于识别血型离心机故障类型的变学习速率小波BP神经网络；
步骤5）离心机故障类型识别
根据振动信号的不同特征向量自动识别出血型离心机相应的故障类型。
优选的，所述步骤2中阙值函数的选取方法中，采用一种改进的阈值函数方法，即二项式模开方法，其表达式如下式所示：
Figure DEST_PATH_IMAGE061
  
Figure DEST_PATH_IMAGE063
其中，
Figure DEST_PATH_IMAGE065
为第j层小波变换的小波系数，
Figure DEST_PATH_IMAGE067
为阈值处理后的小波系数，
Figure DEST_PATH_IMAGE069
、
Figure DEST_PATH_IMAGE071
、
Figure DEST_PATH_IMAGE073
为阈值函数的调节因子，T为所取的阈值。
 
优选的，所述步骤3中小波包变换特征提取的算法中，假设离心机振动信号第
Figure 42511DEST_PATH_IMAGE008
（）个分频带的所对应的能量为，则分频带的功率谱密度计算如下：
                
Figure DEST_PATH_IMAGE079
                       
其中，
Figure 401424DEST_PATH_IMAGE027
为各个分频带的长度，{
Figure DEST_PATH_IMAGE081
}为重构的分频带上各点所对应的幅值序列。以分频带的功率谱密度
Figure 489466DEST_PATH_IMAGE082
为元素，构造一个特征向量
Figure 818816DEST_PATH_IMAGE084
,然后用下面公式对特征向量
Figure 17716DEST_PATH_IMAGE086
的各个元素
Figure 421015DEST_PATH_IMAGE088
（
Figure 679958DEST_PATH_IMAGE090
）进行归一化处理：
                  
Figure 247337DEST_PATH_IMAGE092
                     
可见，
Figure 984349DEST_PATH_IMAGE088
为第
Figure 507734DEST_PATH_IMAGE012
个分频带中能量在信号总能量中所占的比例。最终，得到归一化的功率谱密度特征向量：
                
优选的，所述步骤4中变学习速率小波BP神经网络训练中，学习速率
Figure DEST_PATH_IMAGE095
的调整过程按下面的规则进行：
Figure DEST_PATH_IMAGE097
Figure DEST_PATH_IMAGE099
其中，
Figure DEST_PATH_IMAGE101
、
Figure DEST_PATH_IMAGE103
分别为第
Figure DEST_PATH_IMAGE105
次和第
Figure DEST_PATH_IMAGE107
次的学习速率，
Figure DEST_PATH_IMAGE109
和
Figure 851308DEST_PATH_IMAGE111
分别为第
Figure DEST_PATH_IMAGE112
次和第次的误差能量；、
Figure DEST_PATH_IMAGE115
为学习速率的调整因子，通常
Figure DEST_PATH_IMAGE117
，
Figure DEST_PATH_IMAGE119
。
本发明的有益效果是:
采用本发明技术方案，可以有效地提取血型离心机振动信号的功率谱密度特征向量，而通过将这些功率谱密度特征向量输入到变学习速率小波BP神经网络中可以有效的识别出血型离心机的故障类型。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的实施流程图；
图2为本发明中小波包变换后各个分频带的能量分布柱形图；
图3为本发明中变学习速率小波BP神经网络的训练过程流程图；
图4为本发明中变学习速率小波BP神经网络训练的收敛过程。
具体实施方式
下面将参考附图并结合实施例，来详细说明本发明。
参照图1所示，一种血型离心机变学习速率小波BP神经网络故障检测方法，包括以下步骤：
步骤1）离心机振动信号采集
采用压电加速度传感器和电涡流位移传感器采集离心机转动时的振动信号；
步骤2）小波变换去噪
选择合适的阈值函数，在小波变换域中去除离心机振动信号中低幅度的噪声和我们所不期望的信号，然后进行离散小波变换的逆变换，重构出降噪后的信号；
步骤3）小波包变换特征提取
首先对测得的离心机振动信号进行三层小波包变换，接着对第三层小波包分解结果的八个小波系数分别进行小波包重构，重构后得到八个分频带，然后分别计算八个分频带的功率谱密度。把不同分频带上信号的功率谱密度按尺度顺序排列起来，得出离心机不同故障对应振动信号的功率谱密度特征向量；
步骤4）变学习速率小波BP神经网络训练
选择神经网络的训练样本，训练用于识别血型离心机故障类型的变学习速率小波BP神经网络；
步骤5）离心机故障类型识别
根据振动信号的不同特征向量自动识别出血型离心机相应的故障类型。
优选的，所述步骤2中阙值函数的选取方法中，采用一种改进的阈值函数方法，即二项式模开方法，其表达式如下式所示：
Figure DEST_PATH_IMAGE121
  
Figure 267377DEST_PATH_IMAGE063
其中，
Figure 726827DEST_PATH_IMAGE065
为第j层小波变换的小波系数，
Figure 61993DEST_PATH_IMAGE067
为阈值处理后的小波系数，
Figure 790915DEST_PATH_IMAGE069
、
Figure 932046DEST_PATH_IMAGE071
、为阈值函数的调节因子，T为所取的阈值。
优选的，所述步骤3中小波包变换特征提取的算法中，假设离心机振动信号第
Figure 936091DEST_PATH_IMAGE008
（
Figure 152309DEST_PATH_IMAGE075
）个分频带的所对应的能量为
Figure DEST_PATH_IMAGE122
，则分频带的功率谱密度计算如下：
其中，
Figure 200348DEST_PATH_IMAGE027
为各个分频带的长度，{
Figure 205213DEST_PATH_IMAGE081
}为重构的分频带上各点所对应的幅值序列。以分频带的功率谱密度为元素，构造一个特征向量
Figure 876814DEST_PATH_IMAGE084
,然后用下面公式对特征向量的各个元素
Figure 197254DEST_PATH_IMAGE088
（）进行归一化处理：
                
Figure 409109DEST_PATH_IMAGE092
                     
可见，
Figure 736185DEST_PATH_IMAGE088
为第
Figure 20536DEST_PATH_IMAGE012
个分频带中能量在信号总能量中所占的比例。最终，得到归一化的功率谱密度特征向量：
               
Figure 246112DEST_PATH_IMAGE094
 
优选的，所述步骤4中变学习速率小波BP神经网络训练中，学习速率的调整过程按下面的规则进行：
Figure 707683DEST_PATH_IMAGE099
其中，
Figure 607506DEST_PATH_IMAGE101
、
Figure 173617DEST_PATH_IMAGE103
分别为第次和第
Figure 645979DEST_PATH_IMAGE107
次的学习速率，
Figure 33098DEST_PATH_IMAGE109
和
Figure 137320DEST_PATH_IMAGE111
分别为第
Figure 355812DEST_PATH_IMAGE112
次和第
Figure 152867DEST_PATH_IMAGE113
次的误差能量；
Figure 761703DEST_PATH_IMAGE114
、
Figure 748244DEST_PATH_IMAGE115
为学习速率的调整因子，通常
Figure 758926DEST_PATH_IMAGE117
，
Figure 726882DEST_PATH_IMAGE119
。
参照图2所示，所述步骤3中离心机在转盘质量不平衡时，其能量分布主要集中在一倍频区域；在转盘轴系不对中时，其能量分布主要集中在二倍频区域，且在一倍频、三倍频都有一定幅度的增加；另外，转盘质量不平衡和转盘轴系不对中两种情况在一倍频、二倍频、三倍频的能量分布都普遍有所提高，说明离心机的故障导致了其振动的加剧。
参照图3所示，首先，初始化小波神经网络的结构参数，采用单隐层小波神经网络，输入节点个数为8，输入层节点个数为8，隐层节点个数为10，输出层节点个数为4，激活函数采用Morlet小波函数，学习步长0.2，附加动量因子0.915，最大训练次数2000，最小期望误差值为1×10-5。接着，输入用于学习的训练样本。对离心机四种故障类型的振动信号分别测试了35组数据，并提取了各自的功率谱密度特征向量，一共构成了140组输入样本。从每种故障样本中选出前25组作为训练样本，训练样本总数为100组；剩下的后10组作为测试样本，测试样本总数为40组。最后，输入用于小波神经网络学习的100组训练样本，对变学习速率小波BP神经网络进行训练。训练过程中小波BP神经网络的收敛过程参照图4所示。为了验证训练完成后的小波BP神经网络用于血型离心机故障识别的有效性，将40组测试样本输入该小波BP神经网络进行测试。 
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1. 一种血型离心机变学习速率小波BP神经网络故障检测方法，其特征在于，包括以下步骤：
步骤1）离心机振动信号采集
采用压电加速度传感器和电涡流位移传感器采集离心机转动时的振动信号；
步骤2）小波变换去噪
选择合适的阈值函数，在小波变换域中去除离心机振动信号中低幅度的噪声和我们所不期望的信号，然后进行离散小波变换的逆变换，重构出降噪后的信号；
步骤3）小波包变换特征提取
首先对测得的离心机振动信号进行三层小波包变换，接着对第三层小波包分解结果的八个小波系数分别进行小波包重构，重构后得到八个分频带，然后分别计算八个分频带的功率谱密度，把不同分频带上信号的功率谱密度按尺度顺序排列起来，得出离心机不同故障对应振动信号的功率谱密度特征向量；
步骤4）变学习速率小波BP神经网络训练
选择神经网络的训练样本，训练用于识别血型离心机故障类型的变学习速率小波BP神经网络；
步骤5）离心机故障类型识别
根据振动信号的不同特征向量自动识别出血型离心机相应的故障类型。
2.根据权利要求1所述的血型离心机变学习速率小波BP神经网络故障检测方法，其特征在于，所述步骤2中阙值函数的选取方法中，采用一种改进的阈值函数方法，即二项式模开方法，其表达式如下式所示：
Figure 2013104192434100001DEST_PATH_IMAGE001
  
Figure 701761DEST_PATH_IMAGE002
其中，为第j层小波变换的小波系数，
Figure 114288DEST_PATH_IMAGE004
为阈值处理后的小波系数，
Figure 2013104192434100001DEST_PATH_IMAGE005
、
Figure 204603DEST_PATH_IMAGE006
、
Figure 2013104192434100001DEST_PATH_IMAGE007
为阈值函数的调节因子，T为所取的阈值。
3.根据权利要求1所述的血型离心机变学习速率小波BP神经网络故障检测方法，其特征在于，所述步骤3中小波包变换特征提取的算法中，假设离心机振动信号第
Figure 196306DEST_PATH_IMAGE008
（
Figure 2013104192434100001DEST_PATH_IMAGE009
）个分频带的所对应的能量为
Figure 385979DEST_PATH_IMAGE010
，则分频带的功率谱密度计算如下：
                                        
其中，
Figure 348118DEST_PATH_IMAGE012
为各个分频带的长度，{
Figure 2013104192434100001DEST_PATH_IMAGE013
}为重构的分频带上各点所对应的幅值序列，以分频带的功率谱密度
Figure 727278DEST_PATH_IMAGE010
为元素，构造一个特征向量
Figure 91263DEST_PATH_IMAGE014
,然后用下面公式对特征向量
Figure 2013104192434100001DEST_PATH_IMAGE015
的各个元素
Figure 451838DEST_PATH_IMAGE016
（
Figure DEST_PATH_IMAGE017
）进行归一化处理：
                  
Figure 652006DEST_PATH_IMAGE018
           
可见，
Figure 21807DEST_PATH_IMAGE016
为第个分频带中能量在信号总能量中所占的比例，最终，得到归一化的功率谱密度特征向量：
               
Figure 974720DEST_PATH_IMAGE020
  
根据权利要求1所述的血型离心机变学习速率小波BP神经网络故障检测方法，其特征在于，所述步骤4中变学习速率小波BP神经网络训练中，学习速率的调整过程按下面的规则进行：
Figure 584824DEST_PATH_IMAGE022
其中，
Figure 193660DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
分别为第
Figure 429469DEST_PATH_IMAGE026
次和第次的学习速率，
Figure 440150DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
分别为第次和第
Figure DEST_PATH_IMAGE031
次的误差能量；
Figure 382534DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
为学习速率的调整因子，通常
Figure 94138DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
。
CN201310419243.4A 2013-09-13 2013-09-13 一种血型离心机变学习速率小波bp神经网络故障检测方法 Pending CN103512765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310419243.4A CN103512765A (zh) 2013-09-13 2013-09-13 一种血型离心机变学习速率小波bp神经网络故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310419243.4A CN103512765A (zh) 2013-09-13 2013-09-13 一种血型离心机变学习速率小波bp神经网络故障检测方法

Publications (1)

Publication Number Publication Date
CN103512765A true CN103512765A (zh) 2014-01-15

Family

ID=49895840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310419243.4A Pending CN103512765A (zh) 2013-09-13 2013-09-13 一种血型离心机变学习速率小波bp神经网络故障检测方法

Country Status (1)

Country Link
CN (1) CN103512765A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104634603A (zh) * 2015-03-16 2015-05-20 汪文峰 一种复杂设备早期故障诊断方法
CN105095918A (zh) * 2015-09-07 2015-11-25 上海交通大学 一种多机器人系统故障诊断方法
CN107942878A (zh) * 2017-12-18 2018-04-20 上海海健堂集团有限公司 三足式离心机自学习故障监测与报警系统
CN110081966A (zh) * 2019-05-27 2019-08-02 苏州工业职业技术学院 风机振动传感器的故障诊断系统及方法
CN110441081A (zh) * 2019-07-08 2019-11-12 天津工业大学 一种旋转机械故障的智能诊断方法及智能诊断系统
CN110908365A (zh) * 2019-12-25 2020-03-24 西北工业大学 一种无人机传感器故障诊断方法、系统及可读存储介质
CN113670610A (zh) * 2021-06-09 2021-11-19 广州大学 基于小波变换与神经网络的故障检测方法、系统及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001074616A (ja) * 1999-09-06 2001-03-23 Mitsubishi Electric Corp 回転機の異常診断装置
JP2001304954A (ja) * 2000-04-20 2001-10-31 Rion Co Ltd 故障診断方法及びその装置
US20070176759A1 (en) * 2006-02-01 2007-08-02 Zhong Zhang Abnormality diagnosing method for sound or vibration and abnormality diagnosing apparatus for sound or vibration
CN101799368A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种机电设备非线性故障预测方法
CN102122133A (zh) * 2011-01-21 2011-07-13 北京工业大学 自适应小波神经网络异常检测故障诊断分类系统及方法
CN102706573A (zh) * 2012-03-15 2012-10-03 宁波大学 一种设备的故障分类诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001074616A (ja) * 1999-09-06 2001-03-23 Mitsubishi Electric Corp 回転機の異常診断装置
JP2001304954A (ja) * 2000-04-20 2001-10-31 Rion Co Ltd 故障診断方法及びその装置
US20010037180A1 (en) * 2000-04-20 2001-11-01 Hidemichi Komura Fault diagnosis method and apparatus
US20070176759A1 (en) * 2006-02-01 2007-08-02 Zhong Zhang Abnormality diagnosing method for sound or vibration and abnormality diagnosing apparatus for sound or vibration
CN101799368A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种机电设备非线性故障预测方法
CN102122133A (zh) * 2011-01-21 2011-07-13 北京工业大学 自适应小波神经网络异常检测故障诊断分类系统及方法
CN102706573A (zh) * 2012-03-15 2012-10-03 宁波大学 一种设备的故障分类诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张华节 等: ""学习速率连续变化的BP神经网络算法"", 《四川兵工学报》 *
罗刚银: ""全自动血型分析系统关键技术的研究"", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104634603A (zh) * 2015-03-16 2015-05-20 汪文峰 一种复杂设备早期故障诊断方法
CN105095918A (zh) * 2015-09-07 2015-11-25 上海交通大学 一种多机器人系统故障诊断方法
CN105095918B (zh) * 2015-09-07 2018-06-26 上海交通大学 一种多机器人系统故障诊断方法
CN107942878A (zh) * 2017-12-18 2018-04-20 上海海健堂集团有限公司 三足式离心机自学习故障监测与报警系统
CN110081966A (zh) * 2019-05-27 2019-08-02 苏州工业职业技术学院 风机振动传感器的故障诊断系统及方法
CN110441081A (zh) * 2019-07-08 2019-11-12 天津工业大学 一种旋转机械故障的智能诊断方法及智能诊断系统
CN110441081B (zh) * 2019-07-08 2021-07-09 大连圣力来监测技术有限公司 一种旋转机械故障的智能诊断方法及智能诊断系统
CN110908365A (zh) * 2019-12-25 2020-03-24 西北工业大学 一种无人机传感器故障诊断方法、系统及可读存储介质
CN113670610A (zh) * 2021-06-09 2021-11-19 广州大学 基于小波变换与神经网络的故障检测方法、系统及介质

Similar Documents

Publication Publication Date Title
CN103512765A (zh) 一种血型离心机变学习速率小波bp神经网络故障检测方法
CN103575523B (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN104729853B (zh) 一种滚动轴承性能退化评估装置及方法
CN109977920A (zh) 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN107451557B (zh) 基于经验小波变换与局部能量的输电线路短路故障诊断方法
CN102750543B (zh) 一种基于bud谱峭度的暂态电能质量扰动分类识别方法
CN104316163B (zh) 基于内积变换和相关滤波的齿轮箱耦合调制信号分离方法
CN109241915B (zh) 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法
CN103902844A (zh) 基于eemd峰度阈值的变压器振动信号降噪方法
CN108827605A (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
Han et al. The fault feature extraction of rolling bearing based on EMD and difference spectrum of singular value
CN106771598B (zh) 一种自适应谱峭度信号处理方法
CN106441547A (zh) 一种变压器振动监测方法及装置
Chen et al. Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network
Sheng et al. Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank
Liu et al. Variable-scale evolutionary adaptive mode denoising in the application of gearbox early fault diagnosis
CN105698922A (zh) 基于改进emd和谱峭度法变压器振动故障特征提取方法
CN106525426B (zh) 一种基于互补随机共振滤波器的微弱信号增强检测方法
CN113327632B (zh) 一种基于字典学习的无监督异常声检测方法和装置
CN103018537B (zh) 基于cwd谱峭度的暂态电能质量扰动分类识别方法
Atta et al. Broken bar faults detection under induction motor starting conditions using the optimized stockwell transform and adaptive time–frequency filter
CN107886078A (zh) 一种基于分层自适应阈值函数的小波阈值降噪方法
Xu et al. An enhanced multipoint optimal minimum entropy deconvolution approach for bearing fault detection of spur gearbox
CN113707158A (zh) 一种基于VGGish迁移学习网络的电网危害鸟种鸣声识别方法
CN110426191A (zh) 一种抗干扰旋转机械的故障诊断方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB03 Change of inventor or designer information

Inventor after: Luo Gangyin

Inventor after: Wang Bidou

Inventor after: Chen Yueyan

Inventor after: Zhang Yunping

Inventor before: Luo Gangyin

COR Change of bibliographic data

Free format text: CORRECT: INVENTOR; FROM: LUO GANGYIN TO: LUO GANGYIN WANG BIDOU CHEN YUEYAN ZHANG YUNPING

C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140115