CN104504403B - 一种基于散射变换的旋转机械故障预测方法 - Google Patents
一种基于散射变换的旋转机械故障预测方法 Download PDFInfo
- Publication number
- CN104504403B CN104504403B CN201510023125.0A CN201510023125A CN104504403B CN 104504403 B CN104504403 B CN 104504403B CN 201510023125 A CN201510023125 A CN 201510023125A CN 104504403 B CN104504403 B CN 104504403B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- scattering
- conversion
- signal
- 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.)
- Expired - Fee Related
Links
Abstract
本发明涉及一种基于散射变换的旋转机械故障预测方法，该方法主要包括以下步骤：1.信号获取；2.特征变换和故障特征的提取，对原信号进行散射变换得到散射变换系数，然后对散射变换各个子带的系数计算其能量值作为信号区分的特征值；3.故障诊断，采用最小二乘投影双支持向量机作为分类器，进行故障预测。本发明所提供的一种基于散射变换的旋转机械故障预测方法，通过利用采用非下采样对偶双树复小波的散射变换，提高了其平移不变性和弹性形变稳定性，增加了信息冗余度，有利于提取的特征具有较好的表征能力，较好地解决了旋转机械信号的故障预测问题。
Description
技术领域
本发明涉及一种机械故障预测方法，特别涉及一种基于散射变换的旋转机械故障预测方法。
背景技术
旋转机械系统在航空、舰船、机床与车辆等工程已得到广泛应用并发挥着越来越重要的作用。当旋转机械出现损伤与故障时不但会严重影响到整个工程系统的可靠性与安全性，而且带来了巨大经济损失，因此国内外一直在开展相关研究与工程实现。
旋转机械系统的故障预测系统主要由3部分组成：一是传动系统的数据采集，根据各个组成装置的特点，在不同位置布置传感器，采集在不同状态下的设备运行状态的数据。二是齿轮系统信号特征提取，针对传动系统信号特点，对去噪信号提取相关齿轮振动特征，提高系统对不同类故障的类类间区别度，如时域特征、频率特征、时频分析等；三是信号分类，以信号特征为依据，采用机器学习算法，提高系统故障诊断精度，主要有神经网络(ANN)、SVM、逻辑回归、HMM等。
目前常用传动系统信号处理方法采用小波理论，在离散小波变换(DWT)和二代小波变换(LWT)均有时移变化的缺点，易造成故障信息遗漏，且后者固有的分解操作会有混淆现象，这种频率混叠现象使得小波分解系数并不能真实地反应设备的状态信息，影响了特征信息的提取效果；双树复小波变换(Dual-Tree Complex Wavelet Transform，DT-CWT)具有近似的时移不变性，采用奇偶采样，有效地减小了频率混叠，其性能优于SGWT和其他方法。经验模型分解(EMD)在计算瞬时频率时出现困难，故EMD也会造成提取一定的无用特征。尽管小波变换在提取信号的结构和细节信息上具有一定优势，但在描述细节信息方面存在大量高频系数，其破坏了特征稳定性，使小波域特征不变性较差，如何平衡小波在时频域表达的区分度和稳定性是一个重要的研究课题。
S.Mallat提出了基于复小波的卷积网络的散射变换，主要通过对信号高频分量进行迭代的小波模运算和低通滤波，即可获得稳定的信号特征，又能恢复出由低通滤波运算而损失的高频信息，迭代得到的信号散射系数具有局部平移不变性和弹性形变稳定性，同时能够有效地降低信号的类内散度使得其分类和识别能力有了提高。散射变换已经在手写体数字识别、纹理分类和音频信号分类中取得很好的分类结果。在散射变换中复小波的选择很重要，常用DT-CWT，但其采用了下采样技术，具有近似的时移不变性，冗余度低的特点，不利于提取机械旋转信号的本质特征。
在故障预测的机器学习算法中，常用的算法高斯混合模型(GMM)存在优化参数受初始方法敏感，难以确定最佳的组成数；ANN没有标准的方法确定网络的学习结构，存在过学习问题；粗糙集方法需要离散化，不适合连续的数值变化，决策的阈值并不可靠。HMM需要足够的训练样本才能训练出满意的模型，导致计算复杂高且耗时；近年来，根据传统SVM理论存在的不足，Javadeva等在2007年提出双支持向量机(Twin Support Vector Machines简写TSVM)，克服了传统支持向量机构造的两个超平面必须是平行的限制，但双联支持向量机构造的正负类超平面是不平行的，实现了减少计算复杂度的目的。2012年Yuan-Hai Shao提出了最小二乘投影双支持向量机(Least squares recursive projection twinsupport vector machine简写LSPTSVM)用于二分类，提高了其分类性能，进一步降低了计算复杂度，提高了其适应性。因此，本发明提出一种预测率较高的旋转机械故障预测新方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于散射变换的旋转机械故障预测方法，能够在相同条件下取得较高的预测率，优于现有的技术。
为达到上述目的，本发明提供如下技术方案：
一种基于散射变换的旋转机械故障预测方法，该方法包括以下步骤：
S1：采集旋转系统的相关故障数据；根据各个组成装置的特点，在不同位置布置传感器，采集在不同状态下的设备运行状态的数据；
S2：选择训练数据集和测试数据；
S3：对训练数据集和测试数据进行散射变换得到散射变换系数，计算散射变换各个子带的系数的能量值，其结果作为信号区分的特征值；
S4：采用LSPTSVM对训练数据集的特征信号进行分类研究；
S5：采用一对一结构和表决机制形成多分类器，进行故障预测。
进一步，所述散射变换是指采用非下采样对偶双树复小波的散射变换。
进一步，所述散射变换的方法为：
在散射变换中第一阶散射变换的构造如下：
|f*ψj,γ|*φJ(x) (1)
其中，f为输入信号，*表示卷积操作，ψj,γ(x)＝2-2jψ(2-jRγx)为小波，j,γ分别为尺度和方向，φJ(x)＝2-2Jφ(2-Jx)为低通滤波器；
因低通滤波器φJ作用，将会导致高频信息的损失，对小波模进行新的小波再分解，恢复高频信息，如式(2)：
公式(2)中丢失的高频信息又可通过下一轮的小波再分解得以恢复，则第q阶散射变换为：
其中，Sq,Jf(x)为在q阶、J个尺度下的散射系数；J为散射变换的尺度数；Γq为1到q各个阶层上的变换方向数集合；
散射表达包括所有尺度和方向的散射系数，即：
在散射变换中，一维信号的第q阶散射变换沿频率递减路径数为前q阶的路径总数为
本发明的有益效果在于：因现有技术所采用多尺度方法不具有形变稳定性，存在难以很好地进行故障预测，本发明所提供的一种基于散射变换的旋转机械故障预测方法，通过利用采用非下采样对偶双树复小波的散射变换，提高了其平移不变性和弹性形变稳定性，增加了信息冗余度，有利于提取的特征具有较好的表征能力，较好地解决了旋转机械信号的故障预测问题。本发明所采用的方法与现有的技术相比，能够在相同条件下取得较高的预测率，优于现有的技术。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明所述方法流程图；
图2为散射变换的框架图；
图3为传统SVM与Twin SVM分界面的比较；
图4为一对一分类结构。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
一种基于散射变换的旋转机械故障预测方法，通过利用采用非下采样对偶双树复小波的散射变换，提高了其平移不变性和弹性形变稳定性，增加了信息冗余度，有利于提取的特征具有较好的表征能力，较好地解决了旋转机械信号的故障预测问题。该方法主要建立在散射变换基础之上，由三部分组成：1.信号获取；2.特征变换和故障特征的提取，对原信号进行散射变换得到散射变换系数，然后对散射变换各个子带的系数计算其能量值作为信号区分的特征值；3.故障诊断，采用最小二乘投影双支持向量机作为分类器，进行故障预测。如图1所示，具体包括以下步骤：
S1：采集旋转系统的数据；根据各个组成装置的特点，在不同位置布置传感器，采集在不同状态下的设备运行状态的数据；
S2：选择训练数据集和测试数据；
S3：对训练数据集和测试数据进行散射变换得到散射变换系数，计算散射变换各个子带的系数的能量值，其结果作为信号区分的特征值；
S4：采用LSPTSVM对训练数据集的特征信号进行分类分析；
S5：采用一对一结构和表决机制形成多分类器，进行故障预测。
散射变换是S.Mallat在2011年提出的基于小波变换的新方法，采用多尺度小波变换提取图像底层结构特征，能有效地提取不同尺度和方向上图像共生信息，具有局部平移不变性和弹性形变稳定性及光照不敏感性等优点，其框架见图2。
在散射变换中第一阶散射变换的构造如下：
|f*ψj,γ|*φJ(x) (1)
其中，f为输入信号，*表示卷积操作，ψj,γ(x)＝2-2jψ(2-jRγx)为小波，j,γ分别为尺度和方向，φJ(x)＝2-2Jφ(2-Jx)为低通滤波器；
因低通滤波器φJ作用，将会导致高频信息的损失，对小波模进行新的小波再分解，恢复高频信息，如式(2)：
公式(2)中丢失的高频信息又可通过下一轮的小波再分解得以恢复，则第q阶散射变换为：
其中，Sq,Jf(x)为在q阶、J个尺度下的散射系数；J为散射变换的尺度数；Γq为1到q各个阶层上的变换方向数集合；
散射表达包括所有尺度和方向的散射系数，即：
在散射变换中，一维信号的第q阶散射变换沿频率递减路径数为前q阶的路径总数为
双支持向量机(Twin Support Vector Machines简写TSVM)是Javadeva等在2007年在GEPSVM的基础上提出的一种两类分类方法。基本思想是对两类训练点中的每一类训练样本点分别构造一个超平面，使得每一超平面与其中一类训练点尽可能近，而远离另一类训练点。新来的训练点离哪个超平面的距离近，就被归为哪一类。传统支持向量机构造是两个平行的超平面，但双联支持向量机构造的正负类超平面不平行，如图3所示。
与支持向量机方法相比，双联支持向量机的明显优点是：
(1)将支持向量机本质的构造平行平面推广到非平行的情况，得到形式更简单的最优化问题(凸二次规划)。
(2)双联支持向量机将支持向量机求解的优化问题分解为两个规模更小的优化问题，从而易于求解，进而计算时间少，其计算复杂度仅为经典SVM算法的1/4。
2012年Yuan-Hai Shao是根据双联支持向量理论，在PTSVM基础上提出了最小二乘投影双支持向量机，提高其适应性。与PTSVM的区别是：(1)增加了一个正则项，来确保LSPTSVM的优化问题是正定的，并提高其分类性能。(2)在优化求解上，利用最小二乘线性系统代替了PTSVM采用的QPP，解决了PTSVM在迭代过程中对类内方差矩阵要求非奇异的问题。LSPSVM是SVM的推广，也是二分类器，具有计算复杂度低、适应性强等优点。为了解决多分类问题，采用集成学习结构，其基分类器选择LSPSVM，采用一对一结构和表决机制形成多分类器用于故障预测，如图4所示。
实验比较对象分析：
1.数据说明：根据旋转机械设备的特点，采用滚动轴承数据来源于CWRU(theCasewestern Reserve University)轴承数据中心(http://www.eees.ease.edu/laboratory/bearing)，实验系统各个部分的详见网页http://csegroups.case.edu/bearingdatacenter/pages/apparatus-procedures。
滚动轴承数据集滚动轴承是旋转机械中非常重要也是易损的零部件，其运行状态直接影响整台设备的功能，因此对滚动轴承的故障诊断分析尤为重要。在实验中使用了轴承正常状态、内圈故障、滚珠故障、外圈故障4类振动信号，其中故障损伤的直径为0.007英寸、0.014英寸、0.021英寸等三类，选择了采样频率为12kHz的风扇端数据。表1为CWRU采样频率为12kHz数据说明。为了验证本文方法的有效性，在实验中，从每类故障信号中截取部分数据作为样本,每一个周期即1024个点截取为一个样本，每类信号顺序截取90个样本数据，4类振动信号共360个样本。重复10次实验。
表1CWRU的采样频率为12kHz数据说明表
2.对比方法
小波变换(WT)、提升小波变换(LWT)、对偶双树复小波(DTCWT)等多尺度小波理论在故障预测得到了广泛应用，分别进行了不同模式对偶双树复小波的散射变换、小波变换、提升小波、对偶双树复小波的性能比较。
特征提取与参数选择
1.特征提取
首先对每个信号进行散射变换，得到其散射系数，然后对各个子带的散射系数计算其能量特征，散射参数的选择，采用了M＝2,复小波分解级数J＝3，这样就得到了7个特征值。
2.LSPSVM参数
LSPSVM参数值的确定我们通过10交叉验证。每次随机选择30个样本训练，随机10次，取平均值作为LSPSVM参数值。
评价标准
采用综合检索率作为评价标准，见公式(6)，其中K表示属于同一类故障的样本数目，Ri表示每次预测计算结果中，前K个距离最小的样本与被测试样本中属于同一类故障的数目，M表示在所有样本数。
实验
在故障预测方面对小波、提升小波变换、对偶双树复小波、三种不同分解结构的对偶双树复小波的散射变换等进行了对比验证。其中CWRU验证了在不同负载、单个故障情况下，不同方法进行对比来验证本文算法有效性。
1.参数选择-散射的阶数的选择
小波散射的层级结构是由迭代的小波模运算和低通滤波构成，小波散射阶数M决定了小波散射层级结构的深度及散射变换产生的子带个数，阶数M选择太小，信号经低通滤波平均后保留的信息含量太小而导致分类正确率不高；阶数M取值过大，小波散射过于复杂，且高阶的系数所含能量递减，对分类贡献度不高。本文从能量保持方面选择小波散射的阶数M。
信号经小波散射后，各阶系数所含的能量比不同，可以证明随着阶数的增加，高阶散射系数的能量逐渐递减，到达一定的阶数时，散射能量递减到零[7]。为了最大限度保持信号的能量，我们考虑小波散射各层级所占的能量比，选择能量保持尽量多的层级。表2给出了正常类散射系数在不同阶不同尺度的能量比。从表2可知：随着尺度增加，低阶散射系数所占的能量比逐渐降低，高阶的能量比逐渐提高，M＝2的散射总系数(包含m＝0，m＝1，m＝2阶的散射系数)能量比占到了99％以上，为此本文选择最大阶数M＝2。
表2正常类散射系数能量比
| 尺度 | m＝0 | m＝1 | m＝2 | m＝3 |
| J＝2 | 99.72 | 0.28 | 0 | - |
| J＝3 | 98.05 | 1.93 | 0.02 | 0 |
| J＝4 | 91.20 | 8.62 | 0.18 | 0 |
| J＝5 | 82.37 | 17.02 | 0.60 | 0.01 |
| J＝6 | 59.85 | 38.69 | 1.43 | 0.03 |
| J＝7 | 42.80 | 53.06 | 4.04 | 0.10 |
| J＝8 | 40.43 | 53.19 | 6.07 | 0.31 |
| J＝9 | 40.12 | 52.67 | 6.49 | 0.73 |
2.不同分解模式性能比较
为了进一步验证不同分解模式的性能，分别在0.007英寸、0.014英寸、0.021英寸的4种负载数据集上进行故障预测，采用分解基数为3(J＝3)情况下，从分类精度来比较其性能，实验数据见表3、表4、表5。
表3模式1不同故障的预测精度
表4模式2不同故障的预测精度
表5模式3不同故障的预测精度
由表3、表4、表5的数据比较可知：在分解模式3情况下，在0.007、0.014及0.021英寸数据上，其对在不同故障预测精度12项数据中，优于模式2、模式1的数据有9项。其主要原因是分解模式3在分解过程中，没有采用下采样，通过分解得到的系数其时移不变性和冗余度均高于模式2、模式1，提取的信号特征其表征能力优于其他模式。
为了验证不同训练样本数量对预测精度的影响，以0.014英寸0负载数据，选择不同的训练数据集，使用LSPTSVM见表6。从表6可知：在不同的训练集上，模式3的预测精度最高，且方差最小，其均有优于模式1和模式2，这说明在故障预测方面，模式3分解模式其特征表征能力最优。
表6三种模式不同训练集比较
3.不同方法性能比较
以0.014英寸故障1负载数据各类故障信号上为例，进行不同方法比较，采用小波变换(WT)、提升小波变换(LWT)、DTCWT与不同模式的散射变换，进行特征提取性能比较，实验结果见如表7所示。
表7.不同方法性能比较表
| 方法 | WT | LWT | DTCWT | 模式1 | 模式2 | 模式3 |
| 预测精度 | 93.46±1.88 | 94.25±3.30 | 94.12±2.07 | 94.71±2.36 | 97.04±1.28 | 98.08±1.27 |
从表7可知：模式3散射变换的性能优于传统的小波分解、提升小波、对偶双树复小波和模式1，模式2散射变换的性能。主要是模式3散射变换采用全非下采样，通过分解系数的时移不变性和冗余度均高于模式1和2，另外散射变换在信号处理方面，具有良好频谱定位特性、时移不变特性和局部稳定特定及良好的特征不变性和类别区分度，优于传统多尺度分解方法。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种基于散射变换的旋转机械故障预测方法，其特征在于：该方法包括以下步骤：
S1：通过传感器采集旋转系统的相关故障数据；
S2：选择训练数据集和测试数据；
S3：对训练数据集和测试数据进行散射变换得到散射变换系数，计算散射变换各个子带的系数的能量值，其结果作为信号区分的特征值；
S4：采用LSPTSVM对训练数据集的特征信号进行分类分析；
S5：采用一对一结构和表决机制形成多分类器，进行故障预测；
所述散射变换是指采用非下采样对偶双树复小波的散射变换；
所述散射变换的方法为：
在散射变换中第一阶散射变换的构造如下：
|f*ψj,γ|*φJ(x) (1)
其中，f为输入信号，*表示卷积操作，ψj,γ(x)＝2-2jψ(2-jRγx)为小波，j,γ分别为尺度和方向，φJ(x)＝2-2Jφ(2-Jx)为低通滤波器；
因低通滤波器φJ作用，将会导致高频信息的损失，对小波模进行新的小波再分解，恢复高频信息，如式：
<mrow>
<mo>|</mo>
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<mi>f</mi>
<mo>*</mo>
<msub>
<mi>&psi;</mi>
<mrow>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&gamma;</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>&psi;</mi>
<mrow>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&gamma;</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
</mrow>
<mo>|</mo>
<mo>*</mo>
<msub>
<mi>&phi;</mi>
<mi>J</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(2)中丢失的高频信息又可通过下一轮的小波再分解得以恢复，则第q阶散射变换为：
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>q</mi>
<mo>,</mo>
<mi>J</mi>
</mrow>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mi>f</mi>
<mo>*</mo>
<msub>
<mi>&psi;</mi>
<mrow>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&gamma;</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mo>|</mo>
<mo>*</mo>
<mn>...</mn>
<mo>*</mo>
<mo>|</mo>
<msub>
<mi>&psi;</mi>
<mrow>
<msub>
<mi>j</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&gamma;</mi>
<mi>q</mi>
</msub>
</mrow>
</msub>
<mo>|</mo>
<mo>*</mo>
<msub>
<mi>&phi;</mi>
<mi>J</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<mn>...</mn>
<msub>
<mi>j</mi>
<mi>p</mi>
</msub>
<mo><</mo>
<mi>J</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>&gamma;</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
<mo>&Element;</mo>
<msup>
<mi>&Gamma;</mi>
<mi>q</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Sq,Jf(x)为在q阶、J个尺度下的散射系数；J为散射变换的尺度数；Γq为1到q各个阶层上的变换方向数集合；
散射表达包括所有尺度和方向的散射系数，即：
<mrow>
<msub>
<mi>S</mi>
<mi>J</mi>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>S</mi>
<mrow>
<mi>q</mi>
<mo>,</mo>
<mi>J</mi>
</mrow>
</msub>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
在散射变换中，一维信号的第q阶散射变换沿频率递减路径数为前q阶的路径总数为
步骤S3中，散射变换的阶数为2，散射变换的分解级数为3；
所述步骤S4具体包含如下步骤：
S41：每次随机选择30个样本，随机10次，取平均值作为LSPSVM的参数值；
S42：采用综合检索率作为评价标准，进行评估：
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<mi>K</mi>
</mrow>
其中K表示属于同一类故障的样本数目，Ri表示每次预测计算结果中前K个距离最小的样本与被测试样本中属于同一类故障的数目，M表示所有样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510023125.0A CN104504403B (zh) | 2015-01-16 | 2015-01-16 | 一种基于散射变换的旋转机械故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510023125.0A CN104504403B (zh) | 2015-01-16 | 2015-01-16 | 一种基于散射变换的旋转机械故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104504403A CN104504403A (zh) | 2015-04-08 |
| CN104504403B true CN104504403B (zh) | 2018-06-05 |
Family
ID=52945799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510023125.0A Expired - Fee Related CN104504403B (zh) | 2015-01-16 | 2015-01-16 | 一种基于散射变换的旋转机械故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104504403B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053066A (zh) * | 2016-05-23 | 2016-10-26 | 华东交通大学 | 基于经验模态分解和逻辑回归的滚动轴承性能退化评估方法 |
| CN108535015B (zh) * | 2018-02-26 | 2019-12-03 | 中国人民解放军海军工程大学 | 基于零相位卷积型小波变换分解的轴承故障特征提取方法 |
| CN109447172A (zh) * | 2018-11-06 | 2019-03-08 | 太原理工大学 | 一种激光芯片缺陷图像的特征提取技术 |
| CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
| CN111222442A (zh) * | 2019-12-31 | 2020-06-02 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号分类方法和装置 |
| CN113820703B (zh) * | 2020-06-20 | 2023-11-21 | 哈尔滨工业大学 | 一种基于散射变换的无人机目标旋翼参数估计方法 |
| CN114081462B (zh) * | 2021-11-19 | 2023-06-09 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| CN114609668B (zh) * | 2022-03-11 | 2023-09-19 | 西安交通大学 | 一种基于散射变换和神经网络的优质储层识别方法、装置、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201295A (zh) * | 2006-12-13 | 2008-06-18 | 上海海事大学 | 旋转机械小波灰色故障预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2947309A1 (fr) * | 2009-06-26 | 2010-12-31 | Alcatel Lucent | Procede de prediction d'une defaillance de la rotation du rotor d'une pompe a vide et dispositif de pompage associe |
-
2015
- 2015-01-16 CN CN201510023125.0A patent/CN104504403B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201295A (zh) * | 2006-12-13 | 2008-06-18 | 上海海事大学 | 旋转机械小波灰色故障预测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| "Feature selection for least squares projection twin support vector machine";Jianhui Guo .etc;《Neurocomputing》;20141231;全文 * |
| "Least squares recursive projection twin support vector machine for classification";Yuan-Hai Shao .etc;《Pattern Recognition》;20121231;第2-3节 * |
| "Rotating Machinery Fault Diagnosis Based on Support Vector Machine";Yajuan Liu.etc;《2010 International Conference on Intelligent Computing and Cognitive Informatics》;20101231;第3-4部分 * |
| "基于非下采样双树复小波域的双变量模型去噪算法";殷明，等;《光子学报》;20141031;第43卷(第10期);第1节 * |
| "散射变换理论研究进展";刘莉莉，等;《成都大学学报（自然科学版）》;20140630;第33卷(第2期);摘要部分、第1-2部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104504403A (zh) | 2015-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104504403B (zh) | 一种基于散射变换的旋转机械故障预测方法 | |
| Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
| Li et al. | Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis | |
| Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
| CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| Gao et al. | Spare optimistic based on improved ADMM and the minimum entropy de-convolution for the early weak fault diagnosis of bearings in marine systems | |
| CN112084974A (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN104155108A (zh) | 一种基于振动时频分析的滚动轴承故障诊断方法 | |
| Yan et al. | Wavelet transform for rotary machine fault diagnosis: 10 years revisited | |
| CN105134619A (zh) | 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法 | |
| CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
| CN109190464A (zh) | 一种变工况下基于迁移学习的机械故障智能诊断方法 | |
| CN101847210A (zh) | 基于二维经验模态分解和小波降噪的多分组图像分类方法 | |
| CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| CN103473556A (zh) | 基于拒识子空间的分层支持向量机分类方法 | |
| Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
| CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
| Yang et al. | A novel intelligent fault diagnosis method of rolling bearings with small samples | |
| Li et al. | Denoising seismic signal via resampling local applicability functions | |
| Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
| CN103528820B (zh) | 一种基于距离评估因子势能函数的滚动轴承故障诊断方法 | |
| CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
| CN112085062A (zh) | 一种基于小波神经网络的异常能耗定位方法 | |
| CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180605 Termination date: 20220116 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |