CN104008294B - 轴承异常检测系统及其方法 - Google Patents
轴承异常检测系统及其方法 Download PDFInfo
- Publication number
- CN104008294B CN104008294B CN201410241363.4A CN201410241363A CN104008294B CN 104008294 B CN104008294 B CN 104008294B CN 201410241363 A CN201410241363 A CN 201410241363A CN 104008294 B CN104008294 B CN 104008294B
- Authority
- CN
- China
- Prior art keywords
- time series
- ave
- bearing
- symbolism
- original time
- 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.)
- Active
Links
Abstract
本发明公开了一种符号化轴承异常检测系统及其方法。该方法首先利用加速度传感器以一定的时间间隔采集轴承运转时的振动信号,每一次采集都能得到一个长度为n的振动数据xn,然后对每个振动数据进行概率密度符号化,将原始的振动信号转换为符号化序列sn,接下来确定编码序列字长L,并对符号序列sn进行编码。最后计算每个振动数据编码序列的标准差作为特征量对轴承运行状况进行异常检测。与传统的符号化方法相比,本发明采用的概率密度符号化方法对轴承中的异常信息更加敏感能够更早的发现故障,这对于故障的预防、轴承维护、安全生产具有重大意义。
Description
技术领域
本发明涉及轴承故障诊断技术领域,具体涉及基于符号动力学的一种轴承异常检测系统及其方法。
背景技术
在机械系统中异常检测是指在给定的数据集中提取出特征,并利用提取出的特征来判断其状态是正常还是异常。随着科学技术和现代工业的飞速发展,国民经济的机械、能源、石化、运载和国防等行业的机械设备日趋大型化、高速化、集成化和自动化,这对我国经济高速发展提供了有力保障。但是由于机械设备的故障失效引起的灾难性事故屡有发生,若能准确及时识别机械系统运行当中异常状态,对机械系统的安全运行,避免重大和灾难性事故意义重大。随着对高质量、低能耗以及安全生产的需求,已经有多种信号处理的方法引入到机械系统的异常检测当中。其中,符号化时间序列分析由于具有计算效率高,高信噪比等特性被广泛地应用异常诊断当中。
符号化时间序列分析STSA(Symbolic Time Series Analysis)起源于上世纪90年代中期,它是由符号动力学理论、混沌时间序列分析和信息论发展起来的一种新的信息分析方法。在符号化时间序列分析当中,最关键的一步是对原始时间序列的符号化。符号化即是对原始时间序列进行离散化,将有多种不同值的数据序列变为仅有几个互不相同符号的序列。这一过程能够保留原始时间序列当中的大尺度特征,从而降低动力学噪声和测量噪声的影响。同时由于数据的符号化其计算效率大大提高。
目前,符号化方法可以分为两类:1)基于值域的符号化方法,和2)基于分布的符号化方法。基于值域的符号化方法主要是通过对时间序列值域的分析来进行符号化。例如,Asoky Ray提出了统一划分符号化的方法,该方法首先确定时间序列的最小值与最大值,然后将值域划分为N个值域大小相同并且连续的区间。该类符号化方法过程当中不考虑其分布,在某些将会导致符号化过程当中的信息丢失非常严重。另一类是基于分布的符号化方法,这种类型的符号化方法假设时间序列符合高斯分布。例如,Lin假设时间序列符合高斯分布(N(0,1)), 然后根据高斯分布确定“断点”以得到若干等概率的区域。然而由于在实际当中时间序列可能形成于一种未知的动力系统或者伴随着不同水平的噪声,这将导致时间序列实际分布与高斯分布相差甚远。所以基于分布的符号化方法有一定的局限性,不是一种普遍适用的方法。
发明内容
鉴于以上所述现有技术的缺点,本发明提供了一种轴承异常检测系统及其方法,用于解决现有基于符号动力学的轴承异常诊断技术中由于采用不当划分造成符号序列当中有用信息丢失造成的轴承的异常检测效率低下、对异常不敏感的缺陷。
本发明提出一种轴承异常检测系统,其包括:加速传感器,用于以一定的时间间隔采集轴承运转的振动信号,形成原始时间序列;计算机设备,用于输入所述原始时间序列,且具体执行下列程序:符号化模块,用于使用概率密度符号化方法对上述采集到的原始时间序列进行符号化,且组成符号化时间序列;编码模块,用于对所述符号时间序列进行编码,得到十进制编码序列;特征提取模块,用于计算所述编码序列的标准差作为特征量;异常判断模块,用于将当前振动数据得到的编码序列的标准差Cstd与前一次采集的数据编码序列的标准差Cpre进行判断,如果满足则判断该时刻轴承发生故障,如果不满足 则判定当前时间轴承处于正常工作状态。
优选地,所述概率密度符号化具体为:
(1)原始时间序列为连续型随机变量,其概率密度函数为f(x);
(2)选择所述时间序列的平均值xave作为中心点,计算其右概率函数Fr(x)和左概率函数Fl(x)为:
(3)将所述原始时间序列进行空间划分为q个连续区域,其中,q≥2,q个连续区域分别对应符号集{0,1,2,…,q-1}=S中q个符号,每个区域通过其 断点表示为P=P1...Pi...Pq-2Pq-1,断点Pi到断点Pi+1为一个划分区域,且所述原始时间序列中取值在该区域的概率为1/q;
(4)第i个区域为[Pi,Pi+1),将所述原始时间序列当中取值在该区间的所有点都使用符号集S当中i-1替换表示,对每个满足条件的i进行所述替换表示后,所述原始时间序列转换为所述符号化序列。
优选地,q为偶数时,断点为Pq/2-i=xave-xq/2-i,其中xq/2-i通过式Fl(xq/2-i)=i/q求得,或Pq/2=xave,或Pq/2+i=xave+xq/2+i,其中Fr(xq/2+i)=i/q。
优选地,q为奇数时,断点为P(q+1)/2-i=xave-x(q+1)/2-i,其中x(q+1)/2-i通过Fl(x(q+1)/2-i)=(2i+1)/2q求得,或P(q-1)/2=xave-x(q-1)/2,其中Fl(x(q-1)/2)=1/2q,或P(q+1)/2=xave+x(q+1)/2,其中Fr(x(q+1)/2)=1/2q,
或P(q+1)/2+i=xave+x(q+1)/2+i,其中Fr(x(q+1)/2+i)=(2i+1)/2q。
本发明还提供了一种轴承异常检测方法,其包括以下步骤:
(1)利用加速度传感器以一定的时间间隔采集轴承运转的振动信号,每次采集一长度为n的原始时间序列xn;
(2)使用概率密度相空间划分对所述原始时间序列进行符号化,经过所述符号化后,所述原始时间序列xn转换为{0,1,2,…,q-1}=S,其中符号集S是有限个符号的集合组成的符号化序列sn,其中符号集S的大小为q,且q≥2;
(3)对所述符号序列sn进行编码,选取长度为L(L≥2)的滑动窗口,以一为步长对符号序列滑动编码,每一步编码将长度为L的q进制符号字用十进制表示,其中q为符号集S的大小,编码之后得到十进制编码序列;
(4)特征提取,计算编码序列Cn的标准差Cstd作为特征量;
(5)异常检测,将当前振动数据得到的编码序列标准差Cstd与前一次采集的数据编码序列标准差Cpre进行判断,如果不满足则判定当前时间轴承处于正常工作情况,如果满足则判断当前时(3)将所述原始时间序列进行空间划分为q个连续区域,其中,q≥2,q个连续区域分别对应符号集{0,1,2,…,q-1}=S中q个符号,每个区域通过其断点表示为P=P1...Pi...Pq-2Pq-1,断点Pi到断点Pi+1为一个划分区域,且所述原始时间序列中取值在该区域的概率为1/q;
(4)第i个区域为[Pi,Pi+1),将所述原始时间序列当中取值在该区间的所有点都使用符号集S当中i-1替换表示,对每个满足条件的i进行所述替换表示后,所述原始时间序列转换为所述符号化序列。
优选地,q为偶数时,断点为Pq/2-i=xave-xq/2-i,其中xq/2-i通过式Fl(xq/2-i)=i/q求得,或Pq/2=xave,或Pq/2+i=xave+xq/2+i,其中Fr(xq/2+i)=i/q。
优选地,q为奇数时,断点为P(q+1)/2-i=xave-x(q+1)/2-i,其中x(q+1)/2-i通过Fl(x(q+1)/2-i)=(2i+1)/2q求得,或P(q-1)/2=xave-x(q-1)/2,其中Fl(x(q-1)/2)=1/2q,
或P(q+1)/2=xave+x(q+1)/2,其中Fr(x(q+1)/2)=1/2q,或P(q+1)/2+i=xave+x(q+1)/2+i,其中Fr(x(q+1)/2+i)=(2i+1)/2q。
与现有技术相比,本发明的有益效果是基于概率密度划分的符号化异常检测方法避免前人划分方法的局限性,使得划分之后的符号序列中保留了更多的有用信息,同时尽可能的去除原始信号当中的冗余信息。将其应用与符号化轴承的异常诊断,提高了其对异常的敏感程度,能够更快更好的发现轴承中异常信息。
附图说明
图1为本发明轴承异常检测系统的框架示意图;
图2为本发明轴承异常检测方法的流程图;
图3为本发明轴承异常检测方法中q=4时概率密度符号化方示意图;
图4为本发明轴承异常检测方法中编码示意图;
图5为本发明轴承异常检测方法的方差曲线图;
图6为本发明轴承异常检测方法的直接方差分析曲线图。
具体实施方式
下面结合附图和实例对发明的技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
图1为本发明轴承异常检测系统的框架示意图。如图1所示,本发明提供了本发明提出一种轴承异常检测系统,其包括:加速传感器,用于以一定的时间间隔采集轴承运转的振动信号,形成原始时间序列;计算机设备,用于输入所述原始时间序列,且具体执行下列程序:符号化模块,用于使用概率密度符号化方法对上述采集到的原始时间序列进行符号化,且组成符号化时间序列;编码模块,用于对所述符号时间序列进行编码,得到十进制编码序列;特征提取模块,用于计算所述编码序列的标准差作为特征量;异常判断模块,用于将当前振动数据得到的编码序列的标准差Cstd与前一次采集的数据编码序列的标准差Cpre进行判断,如果满足则判断该时刻轴承发生故障,如果不满足则判定当前时间轴承处于正常工作状态,最后输出系统状态。
优选地,所述概率密度符号化具体为:
(1)原始时间序列为连续型随机变量,其概率密度函数为f(x);
(2)选择所述时间序列的平均值xave作为中心点,计算其右概率函数Fr(x)和左概率函数Fl(x)为:
(3)将所述原始时间序列进行空间划分为q个连续区域,其中,q≥2,q个连续区域分别对应符号集{0,1,2,…,q-1}=S中q个符号,每个区域通过其断点表示为P=P1...Pi...Pq-2Pq-1,断点Pi到断点Pi+1为一个划分区域,且所述 原始时间序列中取值在该区域的概率为1/q;
(4)第i个区域为[Pi,Pi+1),将所述原始时间序列当中取值在该区间
的所有点都使用符号集S当中i-1替换表示,对每个满足条件的i进行所述
替换表示后,所述原始时间序列转换为所述符号化序列。
优选地,q为偶数时,断点为Pq/2-i=xave-xq/2-i,其中xq/2-i通过式Fl(xq/2-i)=i/q求得,或Pq/2=xave,或Pq/2+i=xave+xq/2+i,其中Fr(xq/2+i)=i/q。
优选地,q为奇数时,断点为P(q+1)/2-i=xave-x(q+1)/2-i,其中x(q+1)/2-i通过Fl(x(q+1)/2-i)=(2i+1)/2q求得,或P(q-1)/2=xave-x(q-1)/2,其中Fl(x(q-1)/2)=1/2q,或P(q+1)/2=xave+x(q+1)/2,其中Fr(x(q+1)/2)=1/2q,
或P(q+1)/2+i=xave+x(q+1)/2+i,其中Fr(x(q+1)/2+i)=(2i+1)/2q。
图2为本发明轴承异常检测方法的流程图。如图2所示,本发明还提供了一种轴承异常检测方法,首先采集连续运转的轴承振动信号,再分别对每组数据进行概率密度符号化,完成从原始时间序列到符号化序列的转换。进一步对符号序列进行编码,并计算每个编码序列的标准差。然后按照时间顺序绘制整个轴承运转过程当中,编码序列标准差变化曲线图。根据曲线图是否有明显阶跃现象,进而确定异常是否发生,以及发生时间点。
以下将利用美国智能维护系统中心(IMS)所采集的轴承疲劳试验数据进行实施例分析,进一步说明本发明:
振动信号由NI公司DAQCard-6062E数据采集卡每隔10min采集一次,采样长度为20480个点,采样频率为20kHz。试验台中的4套轴承从2月12日11:16:18运行至2月19日06:22:39,一共采集到984个文件数据。在疲劳实验结束时,轴承1检测到外圈故障。
分别对对轴承1的984个振动数据文件,进行统计分析,从而得到各自的概率密度分布函数f(x)。接下来选择各自文件数据的平均值xave作为中心点,按照下式计算右概率函数Fr(x)和左概率函数Fl(x):
其中,Fr(x)表示时间序列当中取值在中心点xave到xave+x之间的概率。同理Fl(x)表示时间序列取值在(xave-x,xave]之间的概率。接下来需要将原始时间序列进行空间划分,即将其划分为q个区域。如图4所示,本实施例当中取q=4,则符号集S={0,1,2,3}。q为偶数,则划分可由P=P0P1 P2P3 P4表示。
“断点”P0=xave-x0,其中x0由式Fl(x0)=1/2求得。
“断点”P1=xave-x1,其中x1由式Fl(x1)=1/4求得。
“断点”P2=xave。
“断点”P3=xave+x1,其中x1由式Fr(x1)=1/4求得。
“断点”P3=xave+x2,其中x2由式Fr(x2)=1/2求得。
按照上述划分方法,信号被划分为4(q=4)个区间,每个区间分别表示为符号“0”,“1”,“2”,“3”。如图4所示,是对其中一个数据文件振动信号进行概率密度划分的实例。其中,图3(a)是原始信号,图3(b)为概率密度分布图。按照上述划分方法,信号被划分为4(q=4)个区间,每个区间分别表示为符号“0”,“1”“2”“3”。
对符号序列进行编码,选取长度为L(本实施例中取L=4)的滑动窗口,以一为步长对符号序列滑动编码。每一步编码将长度为4的4进制符号字用十进制表示,编码之后得到十进制编码序列。图6是L=4,q=4时对符号序列编码示意图。
编码序列是十进制整数序列,计算每个文件编码序列的标准差作为该数据的特征量。
按时间顺序绘制标准差曲线图,根据标准差是否发生显著变化进而确定异常是否发生以及发生时间。图6为轴承异常检测方法方差曲线图。编码序列的标准 差越大,则其偏离正常状态越远。由于疲劳试验前期(前540个点)轴承处于健康状态,所以其编码序列标准差比较平稳并且处于较低水平。在541点时编码序列标准差检测到剧烈的增长(超过10%),可以判断轴承异常在此时开始。编码序列的标准差随着故障程度的加深也逐渐增大。
为分析本发明的有益效果,将其与直接对原始信号进行方差分析效果进行对比。不采用基于概率密度符号化方法而直接采用方差方法分析结果如图6所示。从图中可以看到在741点时标准差有剧烈增长,由异常检测原理可以判断该点为故障的起始点。与图6的结果对比,检测到异常起始点滞后了200个点。本次对比实验可以证明基于概率密度划分的符号化异常检测方法对于系统中的异常更加敏感,能够更及时发现轴承中的异常。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (6)
1.一种轴承异常检测系统,其包括:
加速传感器,用于以一定的时间间隔采集轴承运转的振动信号,形成原始时间序列;
计算机设备,用于输入所述原始时间序列,且具体执行下列程序:
符号化模块,用于使用概率密度符号化方法对上述采集到的原始时间序列进行符号化,且组成符号化时间序列;
编码模块,用于对所述符号化时间序列进行编码,得到十进制编码序列;
特征提取模块,用于计算所述编码序列的标准差作为特征量;
异常判断模块,用于将当前振动数据得到的编码序列的标准差Cstd与前一次采集的数据编码序列的标准差Cpre进行判断,如果满足则判断当前时间轴承发生故障,如果不满足则判定当前时间轴承处于正常工作状态;
其中,所述概率密度符号化具体为:
(1)原始时间序列为连续型随机变量,其概率密度函数为f(x);
(2)选择所述时间序列的平均值xave作为中心点,计算其右概率函数Fr(x)和左概率函数Fl(x)为:
(3)将所述原始时间序列进行空间划分为q个连续区域,其中,q≥2,q个连续区域分别对应符号集{0,1,2,…,q-1}=S中q个符号,每个区域通过其断点表示为P=P1,...,Pi,...,Pq-2,Pq-1,断点Pi到断点Pi+1为一个划分区域,且所述原始时间序列中取值在该区域的概率为1/q;
(4)第i个区域为[Pi,Pi+1),将所述原始时间序列当中取值在该区域的所有点都使用符号集S当中i-1替换表示,对每个满足条件的i进行所述替换表示后,所述原始时间序列转换为所述符号化序列。
2.如权利要求1所述的轴承异常检测系统,其中,q为偶数时,断点为Pq/2-i=xave-xq/2-i,其中xq/2-i通过式Fl(xq/2-i)=i/q求得,或Pq/2=xave,或Pq/2+i=xave+xq/2+i,其中xq/2+i通过式Fr(xq/2+i)=i/q求得。
3.如权利要求1所述的轴承异常检测系统,其中,q为奇数时,断点为P(q+1)/2-i=xave-x(q+1)/2-i,其中x(q+1)/2-i通过Fl(x(q+1)/2-i)=(2i+1)/2q求得,或P(q-1)/2=xave-x(q-1)/2,其中x(q-1)/2通过式Fl(x(q-1)/2)=1/2q求得,或P(q+1)/2=xave+x(q+1)/2,其中x(q+1)/2通过式Fr(x(q+1)/2)=1/2q求得,或P(q+1)/2+i=xave+x(q+1)/2+i,其中x(q+1)/2+i通过式Fr(x(q+1)/2+i)=(2i+1)/2q求得。
4.一种轴承异常检测方法,其包括以下步骤:
(1)利用加速度传感器以一定的时间间隔采集轴承运转的振动信号,每次采集一长度为n的原始时间序列xn;
(2)使用概率密度空间划分对所述原始时间序列进行符号化,经过所述符号化后,所述原始时间序列xn转换为{0,1,2,…,q-1}=S,其中符号集S是有限个符号的集合组成的符号化序列sn,其中符号集S的大小为q,且q≥2;
(3)对所述符号化序列sn进行编码,选取长度为L,其中,L≥2的滑动窗口,以
一为步长对符号化序列滑动编码,每一步编码将长度为L的q进制符号字用十进制表示,其中q为符号集S的大小,编码之后得到十进制编码序列;
(4)特征提取,计算编码序列Cn的标准差Cstd作为特征量;
(5)异常检测,将当前振动数据得到的编码序列标准差Cstd与前一次采集的数据编码序列标准差Cpre进行判断,如果不满足则判定当前时间轴承处于正常工作情况,如果满足则判断当前时间轴承发生故障;
其中,所述概率密度符号化具体为:
(1)原始时间序列为连续型随机变量,其概率密度函数为f(x);
(2)选择所述时间序列的平均值xave作为中心点,计算其右概率函数Fr(x)和左概率函数Fl(x)为:
(3)将所述原始时间序列进行空间划分为q个连续区域,其中,q≥2,q个连续区域分别对应符号集{0,1,2,…,q-1}=S中q个符号,每个区域通过其断点表示为P=P1,...,Pi,...,Pq-2,Pq-1,断点Pi到断点Pi+1为一个划分区域,且所述原始时间序列中取值在该区域的概率为1/q;
(4)第i个区域为[Pi,Pi+1),将所述原始时间序列当中取值在该区域的所有点都使用符号集S当中i-1替换表示,对每个满足条件的i进行所述替换表示后,所述原始时间序列转换为所述符号化序列。
5.如权利要求4所述的轴承异常检测方法,其中,q为偶数时,断点为Pq/2-i=xave-xq/2-i,其中xq/2-i通过式Fl(xq/2-i)=i/q求得,或Pq/2=xave,或Pq/2+i=xave+xq/2+i,其中xq/2+i通过式Fr(xq/2+i)=i/q求得。
6.如权利要求4所述的轴承异常检测方法,其中,q为奇数时,断点为P(q+1)/2-i=xave-x(q+1)/2-i,其中x(q+1)/2-i通过Fl(x(q+1)/2-i)=(2i+1)/2q求得,或P(q-1)/2=xave-x(q-1)/2,其中x(q-1)/2通过式Fl(x(q-1)/2)=1/2q求得,或P(q+1)/2=xave+x(q+1)/2,其中x(q+1)/2通过式Fr(x(q+1)/2)=1/2q求得,或P(q+1)/2+i=xave+x(q+1)/2+i,其中x(q+1)/2+i通过式Fr(x(q+1)/2+i)=(2i+1)/2q求得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241363.4A CN104008294B (zh) | 2014-05-30 | 2014-05-30 | 轴承异常检测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410241363.4A CN104008294B (zh) | 2014-05-30 | 2014-05-30 | 轴承异常检测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104008294A CN104008294A (zh) | 2014-08-27 |
CN104008294B true CN104008294B (zh) | 2017-05-03 |
Family
ID=51368946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410241363.4A Active CN104008294B (zh) | 2014-05-30 | 2014-05-30 | 轴承异常检测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008294B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931263B (zh) * | 2015-06-18 | 2016-10-12 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
CN106326929B (zh) * | 2016-08-24 | 2019-08-02 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN107991097A (zh) * | 2017-11-16 | 2018-05-04 | 西北工业大学 | 一种基于多尺度符号动力学熵的轴承故障诊断方法 |
CN109443714B (zh) * | 2018-05-15 | 2021-03-30 | 贵州电网有限责任公司 | 一种变压器有载分接开关机械状态监测方法 |
CN108898117A (zh) * | 2018-06-30 | 2018-11-27 | 防灾科技学院 | 一种滑动阈值的自适应随机信号异常提取方法 |
CN112906480B (zh) * | 2021-01-22 | 2022-10-21 | 西南交通大学 | 一种高速列车轴承安全状态实时监测系统 |
CN113109051B (zh) * | 2021-04-14 | 2022-10-11 | 中国人民解放军海军航空大学岸防兵学院 | 基于振动数据极差序列的故障预警方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087965A (zh) * | 2004-12-24 | 2007-12-12 | 横滨橡胶株式会社 | 车辆的异常检测方法、装置及其传感器单元 |
CN102466566A (zh) * | 2010-11-03 | 2012-05-23 | 财团法人工业技术研究院 | 动力设备异常检测装置及其检测方法 |
-
2014
- 2014-05-30 CN CN201410241363.4A patent/CN104008294B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087965A (zh) * | 2004-12-24 | 2007-12-12 | 横滨橡胶株式会社 | 车辆的异常检测方法、装置及其传感器单元 |
CN102466566A (zh) * | 2010-11-03 | 2012-05-23 | 财团法人工业技术研究院 | 动力设备异常检测装置及其检测方法 |
Non-Patent Citations (2)
Title |
---|
基于小波分析的滚动轴承故障特征提取技术;王子玉;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20110915(第09期);第1.1.2,1.2.1-1.2.3节 * |
等概率符号化样本熵应用于脑电分析;黄晓林等;《物理学报》;20140523;第63卷(第10期);第2.1,3.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104008294A (zh) | 2014-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008294B (zh) | 轴承异常检测系统及其方法 | |
CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN110018670A (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
Shi et al. | Generalized variable-step multiscale Lempel-Ziv complexity: a feature extraction tool for bearing fault diagnosis | |
CN112326213A (zh) | 异常数据检测方法及装置、机械故障检测方法及装置 | |
CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
CN108280424A (zh) | 一种基于稀疏编码的滚动轴承剩余寿命预测方法 | |
CN114861774A (zh) | 一种电网中虚假数据识别方法及系统 | |
CN116992391B (zh) | 一种硬碳工艺环保监测数据采集处理方法 | |
CN117109805A (zh) | 一种压力传感设备的异常压力检测与校正方法 | |
CN105760672B (zh) | 一种机械设备故障诊断方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN110530631A (zh) | 一种基于混合分类器的齿轮单类型故障检测方法 | |
WO2023029382A1 (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
CN105528583A (zh) | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 | |
CN112857806B (zh) | 一种基于移动窗口时域特征提取的轴承故障检测方法 | |
Duan et al. | A hybrid approach of SAX and bitmap for machinery fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |