CN104697767A - 一种基于振动分析的转子系统故障诊断方法及装置 - Google Patents
一种基于振动分析的转子系统故障诊断方法及装置 Download PDFInfo
- Publication number
- CN104697767A CN104697767A CN201410788870.XA CN201410788870A CN104697767A CN 104697767 A CN104697767 A CN 104697767A CN 201410788870 A CN201410788870 A CN 201410788870A CN 104697767 A CN104697767 A CN 104697767A
- Authority
- CN
- China
- Prior art keywords
- classification
- turning axle
- fault diagnosis
- fault
- directed acyclic
- 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
Abstract
一种基于振动分析的转子系统故障诊断方法及装置,利用传感器采集转子系统正常条件和故障条件下的振动信号;利用改进固有时间尺度分解方法对采集到的振动信号进行分解,生成若干个旋转分量和残差信号;从旋转分量中选取能够反映故障信息的相关旋转分量;计算各相关旋转分量的能量;利用改进有向无环方法建立相关向量机多分类模型;将故障特征输入相关向量机多分类模型进行训练和故障诊断。本发明在试验台基座上设置有电动机和分别支撑与电动机输出轴依次相连的第一旋转轴和第二旋转轴的第一轴承座、第二轴承座和第三轴承座,第一旋转轴和第二旋转轴均设有圆盘,第二旋转轴端部设置有传感器组。本发明可以快速准确的识别转子系统故障类型,适用于转子系统在线诊断。
Description
技术领域
本发明涉及一种转子系统故障诊断方法。特别是涉及一种基于振动分析的转子系统故障诊断方法及装置。
背景技术
振动分析是对转子系统进行故障诊断最简单最直接的手段,典型的振动分析方法包括:短时傅里叶变换、小波变换、经验模态分解等,但它们都有各自的局限性:短时傅里叶变换只适用于处理平稳信号,且不能兼顾频率与时间分辨率的需求;小波变换虽然具有可变的时频窗口,但是小波基函数的选择没有明确的标准;经验模态分解是一种自适应的时频分解方法,在旋转机械故障诊断中得到了较多的应用,但该方法存在着过包络、模态混淆、端点效应以及由Hilbert变换带来的无法解释的负频率等问题。固有时间尺度分解是一种新的非平稳信号分析方法,它解决了经验模态分解的一些固有缺陷,在非平稳脑电波信号的分析中取得了不错的效果。但是由于转子系统振动信号更为复杂,想要将固有时间尺度分解用于转子系统振动信号分析仍然需要对其平滑方法和旋转分量判据等问题进行优化。
在故障模式识别方面,典型的方法包括神经网络、支持向量机和相关向量机等。神经网络容易陷入局部最优解并且对参数的设置要求较高,支持向量机不能给出概率性的输出且模型较复杂。相关向量机是一种较为优秀的模式识别方法,它可以给出概率性的输出同时模型较为稀疏,但是相关向量机是针对二分类问题的提出的,而故障诊断通常是多分类问题。因此,需要应用多分类策略将二分类相关向量机拓展为多分类相关向量机。常用的多分类策略包括:一对一,一对多和有向无环。其中有向无环方法效率更高并且不存在不可分区域,但是由于有向无环节点分布是随机的,如果上层节点出现误分,误差将传递到下层节点,最终影响故障诊断精度,这被称为有向无环的误差累积现象。如何确定合理的有向无环结构,是缓解误差累积问题提高有向无环相关向量机模型故障诊断精度的关键。
发明内容
本发明所要解决的技术问题是,提供一种能够准确分析非平稳振动信号,提取具有代表性的故障特征,降低有向无环相关向量机误差累积现象的基于振动分析的转子系统故障诊断方法及装置。
本发明所采用的技术方案是:一种基于振动分析的转子系统故障诊断方法,包括如下步骤:
1)利用振动位移传感器采集转子系统正常条件和故障条件下的振动信号x(t);
2)利用改进固有时间尺度分解方法对采集到的振动信号x(t)进行分解,生成若干个旋转分量PRm(t)和残差信号un(t)如下:
其中m为旋转分量标签,n为旋转分量个数;
3)从所有旋转分量中选取能够反映故障信息的相关旋转分量;
4)计算各相关旋转分量的能量作为故障特征;
5)利用改进有向无环方法建立相关向量机多分类模型;
6)将故障特征输入相关向量机多分类模型进行训练和故障诊断。
步骤2)中所述的改进固有时间尺度分解,是采用非均匀B样条插值代替原固有时间尺度分解算法中的线性插值来拟合基线信号。
步骤2)中所述的改进固有时间尺度分解,是采用标准差判据作为旋转分量的迭代终止条件。
步骤3)中所述从所有旋转分量中选取能够反映故障信息的相关分量是与原信号相关系数大于max(rm)/10的旋转分量,其中rm代表任意旋转分量与原信号的相关系数。
步骤5)中所述的利用改进有向无环方法建立相关向量机多分类模型,包括以下步骤:
(1)计算各类别的类别中心ci和方差σi;
其中x为样本,i为类别标签,Xi为第i类的样本集合,ni为第i类的样本数目,m为样本标签;
(2)计算任意两个类别间的马氏距离;
其中i和j为类别标签,Σ为协方差矩阵,k为类别数目;
(3)初始化候选类别集合S;
(4)找出类别间马氏距离最大值dMN,比较σM和σN的大小,将σM和σN中相对小的方差对应的类别M或N放置在有向无环根列表的第一个位置并记为a1,将另一个类别N或M放置在有向无环根列表的最后一个位置并记为ak,将类别M和类别N从S中移除;
(5)从S中找出与类别a1具有最大马氏距离的类别,记为ak-1并放置在ak的前面,将类别ak-1从S中移除;
(6)从S中找出与类别ak具有最大马氏距离的类别,记为a2并放置在a1的后面,将类别a2从S中移除;
(7)将a2和ak-1分别看作a1和ak,重复步骤(5)~(6),得到a3和ak-2,如此类推直到S为空集,最终得到完整的有向无环根列表{a1,a2,…,ak},利用所述列表确定整个有向无环图形的结构;
(8)利用最终得到的有向无环图形结构建立相关向量机多分类模型。
一种用于基于振动分析的转子系统故障诊断方法的装置,包括有试验台基座,所述的试验台基座上依次并排设置有电动机、第一轴承座、第二轴承座和第三轴承座,所述的电动机 的输出轴通过第一联轴器连接第一旋转轴的一端,所述第一旋转轴的另一端贯穿所第一轴承座后通过设置在第二轴承座内的第二联轴器连接第二旋转轴的一端,所述第二旋转轴的另一端贯穿第三轴承座,其中,所述第一旋转轴上在位于第一轴承座远离第一联轴器的那一侧固定设置有第一圆盘,所述第二旋转轴在伸出所述第三轴承座的那一端上固定设置有第二圆盘,所述第二旋转轴设置有第二圆盘的这一端的周边设置有用于采集第二旋转轴工作状态的传感器组,所述传感器组的信号输出端连接计算机的信号输入端。
所述的传感器组包括有分别设置在所述第二圆盘周边的用于采集第二旋转轴转速的转速传感器、用于采集第二旋转轴X方向位移的第一位移传感器和用于采集第二旋转轴Y方向位移的第二位移传感器。
所述的传感器组的信号输出端是通过数据采集卡连接所述计算机的信号输入端。
本发明的一种基于振动分析的转子系统故障诊断方法及装置,改进了固有时间尺度分解的插值方法和旋转分量判据,为特征提取奠定了良好的基础,本发明提出了基于类别可分性的改进有向无环相关向量机模型,缓解了原模型中的误差累积问题,可以快速准确的识别转子系统故障类型,适用于转子系统在线诊断。
附图说明
图1是本发明提出的故障诊断方法基本流程图;
图2a是转子系统正常状态振动信号;
图2b是转子系统轻微不对中故障振动信号;
图2c是转子系统严重不对中故障振动信号;
图2d是转子系统碰摩故障振动信号;
图2e是轴承滚动体故障状态振动信号;
图3是轴承滚动体故障振动信号经过改进固有时间尺度分解后得到的旋转分量和残差信号;
图4是改进有向无环相关向量机结构图;
图5是本发明方法所用装置的结构示意图。
图中
1:试验台基座 2:电动机
3:第一联轴器 4:第一轴承座
5:第一圆盘 6:第一旋转轴
7:第二联轴器 8:第二轴承座
9:第二旋转轴 10:第三轴承座
11:第二圆盘 12:传感器组
13:数据采集卡 14:计算机
具体实施方式
下面结合实施例和附图对本发明的一种基于振动分析的转子系统故障诊断方法及装置做 出详细说明。
本发明的一种基于振动分析的转子系统故障诊断方法,包括如下步骤:
1)利用振动位移传感器采集转子系统正常条件和故障条件下的振动信号x(t);
2)转子系统振动信号属于非平稳信号,因此需要采用非平稳信号分析方法对其进行处理。固有时间尺度分解是一种良好的非平稳信号分析方法,它可以将多分量信号自适应的分解成若干个单分量信号。但用于处理复杂振动信号时,由于固有时间尺度分解采用线性插值拟合基线信号会导致分解精度较低,此外由于算法采用单步迭代,往往会使产生的旋转分量出现扭曲。因此,需要对固有时间尺度分解算法的插值方法和旋转分量筛分终止条件进行改进,然后利用改进固有时间尺度分解方法对采集到的振动信号x(t)进行分解,生成若干个旋转分量PRm(t)和残差信号un(t)如下:
其中m为旋转分量标签,n为旋转分量个数;
这里所述的改进固有时间尺度分解,是采用非均匀B样条插值代替原固有时间尺度分解算法中的线性插值拟合基线信号。所述的改进固有时间尺度分解,是采用标准差判据作为旋转分量的迭代终止条件。
3)固有时间尺度分解得到的旋转分量中存在着噪声信号和伪分量,如不加以剔除将会对特征提取造成干扰,因此要从所有旋转分量中选取能够反映故障信息的相关旋转分量,计算各旋转分量PRm(t)与振动信号x(t)的相关系数rm。本发明中从所有旋转分量中选取能够反映故障信息的相关分量是与原信号相关系数大于max(rm)/10的旋转分量,其中rm代表任意旋转分量与原信号的相关系数。
4)当转子系统出现故障时其振动信号在各个频率段的分布也将随之变化,信号能量能够很好的描述这一变化,因此计算各相关旋转分量的能量作为故障特征;
5)为了最大限度的消除有向无环算法的误差累积现象,根据类别间的可分性确定有向无环结构,使可分性较好的节点出现在有向无环结构的上层,容易出现误分的节点放置在有向无环结构的下层,即利用改进有向无环方法建立相关向量机多分类模型,具体包括以下步骤:
(1)计算各类别的类别中心ci和方差σi;
其中x为样本,i为类别标签,Xi为第i类的样本集合,ni为第i类的样本数目,m为样本标签;
(2)计算任意两个类别间的马氏距离;
其中i和j为类别标签,Σ为协方差矩阵,k为类别数目,与欧氏距离不同马氏距离充分考虑了各种特性之间的联系,它可以有效的度量两个未知样本的相似程度;
(3)初始化候选类别集合S;
(4)找出类别间马氏距离最大值dMN,比较σM和σN的大小,将σM和σN中相对小的方差对应的类别M或N放置在有向无环根列表的第一个位置并记为a1,将另一个类别N或M放置在有向无环根列表的最后一个位置并记为ak,将类别M和类别N从S中移除;
(5)从S中找出与类别a1具有最大马氏距离的类别,记为ak-1并放置在ak的前面,将类别ak-1从S中移除;
(6)从S中找出与类别ak具有最大马氏距离的类别,记为a2并放置在a1的后面,将类别a2从S中移除;
(7)将a2和ak-1分别看作a1和ak,重复步骤(5)~(6),得到a3和ak-2,如此类推直到S为空集,最终得到完整的有向无环根列表{a1,a2,…,ak},利用此列表可以确定整个有向无环图形的结构,该结构可以确保可分性较好的类别对出现在上层节点,较难区分的类别对出现在下层节点,因此可以实现对误差累积现象的有效控制;
(8)利用最终得到的有向无环图形结构建立相关向量机多分类模型。
6)将故障特征输入相关向量机多分类模型进行训练和故障诊断。
下面用实例说明本发明的一种基于振动分析的转子系统故障诊断方法,但不用来限制本发明的范围。
如图5所示,本发明的用于基于振动分析的转子系统故障诊断方法的装置,包括有试验台基座1,所述的试验台基座1上依次并排设置有电动机2、第一轴承座4、第二轴承座8和第三轴承座10,所述的电动机2的输出轴通过第一联轴器3连接第一旋转轴6的一端,所述第一旋转轴6的另一端贯穿所第一轴承座4后通过设置在第二轴承座8内的第二联轴器7连接第二旋转轴9的一端,所述第二旋转轴9的另一端贯穿第三轴承座10,其中,所述第一旋转轴6上在位于第一轴承座4远离第一联轴器3的那一侧固定设置有第一圆盘5,所述第二旋转轴9在伸出所述第三轴承座10的那一端上固定设置有第二圆盘11,所述第二旋转轴9设置有第二圆盘11的这一端的周边设置有用于采集第二旋转轴9工作状态的传感器组12,所述传感器组12的信号输出端连接计算机14的信号输入端。所述的传感器组12的信号输出端是通过数据采集卡13连接所述计算机14的信号输入端。所述的传感器组12包括有分别设置在所述第二圆盘11周边的用于采集第二旋转轴9转速的转速传感器121、用于采集第二旋转轴9X方向位移的第一位移传感器122和用于采集第二旋转轴9Y方向位移的第二位移传感器123。
下面给出具体实例:
本实例采用如图5所示的转子实验台实验数据进行验证,该实验台以PW4000型双转子涡轮风扇发动机的低压转子系统为蓝本,采用与原机相同的0-2-1支承结构形式和轴承类型,试验台尺寸较模型尺寸缩小一倍,使用电机驱动。
步骤1,利用振动位移传感器采集转子系统正常、轻微不对中、严重不对中、碰摩、轴承滚动体故障各20组信号,共获得100组信号,采样频率为20kHz,转子系统五种状态振动信号如图2a、图2b、图2c、图2d和图2e所示。其中不对中故障通过调节轴承座支撑高度实现,碰磨故障通过碰磨装置实现,轴承故障利用线切割在滚动体上加工深度为0.3mm的切槽 实现。
步骤2,对固有时间尺度分解的平滑方法和旋转分量判据进行改进,措施包括:(1)采用非均匀B样条插值代替原固有时间尺度分解算法中的线性插值拟合基线信号;(2)采用标准差判据作为旋转分量的迭代终止条件。利用改进的固有时间尺度分解算法对采集到的振动信号x(t)进行分解,生成若干个固有时间尺度分量PRm(t)和残差信号un(t)。以轴承滚动体故障为例,其振动信号的改进固有时间尺度分解如图3所示,从上到下1-9个信号分别对应旋转分量1-9,第10个信号对应残差信号。
步骤3,计算各旋转分量PRm(t)与振动信号x(t)的相关系数rm,找出相关性大于max(rm)/10的旋转分量作为相关分量;
步骤4,计算各相关旋转分量的能量作为故障特征;
步骤5,利用改进有向无环方法建立相关向量机多分类模型,具体包括以下步骤:
步骤5.1,按下式计算计算同种工况下所有训练样本特征值的均值向量ci和方差σi;
其中i=1,2,3,4,5分别对应转子系统正常、轻微不对中、严重不对中、碰摩、轴承滚动体故障,x为样本,Xi为第i类的样本集合,ni为第i类的样本数目,m为样本标签
步骤5.2,计算任意两个类别间的马氏距离;
其中i和j为类别标签,Σ为协方差矩阵;
步骤5.3,初始化候选类别集合S={1,2,3,4,5};
步骤5.4,找出类别间的马氏距离最大值d13,比较σ1和σ3的大小,将具有较小方差的类别3放置在有向无环根列表的第一个位置,将类别1放置在有向无环根列表的最后一个位置,将类别3和类别1从S中移除
步骤5.5,从S中找出与类别3具有最大马氏距离的类别4并将其放置在类别1的前面,将类别4从S中移除;
步骤5.6,从S中找出与类别1具有最大马氏距离的类别2并将其放置在类别3的后面,将类别2从S中移除;
步骤5.7,将S中最后一个类别5放置在类别2和类别4中间可以得到完整的有向无环根列表{3,2,5,4,1},利用此列表可以确定整个有向无环图形的结构,如图4所示。
步骤6,每种工况随机选择10组故障特征向量,并将其输入多分类相关向量机模型进行训练,剩余10组进行测试。
诊断结果显示:50组测试数据只出现了2组误判,总诊断正确率为96%,诊断结果如表1所示,从中可以看出本发明的一种基于振动分析的转子系统故障诊断方法具有较高的故障诊断精度。
表1诊断结果
Claims (8)
1.一种基于振动分析的转子系统故障诊断方法,其特征在于,包括如下步骤:
1)利用振动位移传感器采集转子系统正常条件和故障条件下的振动信号x(t);
2)利用改进固有时间尺度分解方法对采集到的振动信号x(t)进行分解,生成若干个旋转分量PRm(t)和残差信号un(t)如下:
其中m为旋转分量标签,n为旋转分量个数;
3)从所有旋转分量中选取能够反映故障信息的相关旋转分量;
4)计算各相关旋转分量的能量作为故障特征;
5)利用改进有向无环方法建立相关向量机多分类模型;
6)将故障特征输入相关向量机多分类模型进行训练和故障诊断。
2.根据权利要求1所述的一种基于振动分析的转子系统故障诊断方法,其特征在于,步骤2)中所述的改进固有时间尺度分解,是采用非均匀B样条插值代替原固有时间尺度分解算法中的线性插值来拟合基线信号。
3.根据权利要求1所述的一种基于振动分析的转子系统故障诊断方法,其特征在于,步骤2)中所述的改进固有时间尺度分解,是采用标准差判据作为旋转分量的迭代终止条件。
4.根据权利要求1所述的一种基于振动分析的转子系统故障诊断方法,其特征在于,步骤3)中所述从所有旋转分量中选取能够反映故障信息的相关分量是与原信号相关系数大于max(rm)/10的旋转分量,其中rm代表任意旋转分量与原信号的相关系数。
5.根据权利要求1所述的一种基于振动分析的转子系统故障诊断方法,其特征在于,步骤5)中所述的利用改进有向无环方法建立相关向量机多分类模型,包括以下步骤:
(1)计算各类别的类别中心ci和方差σi;
其中x为样本,i为类别标签,Xi为第i类的样本集合,ni为第i类的样本数目,m为样本标签;
(2)计算任意两个类别间的马氏距离;
其中i和j为类别标签,Σ为协方差矩阵,k为类别数目;
(3)初始化候选类别集合S;
(4)找出类别间马氏距离最大值dMN,比较σM和σN的大小,将σM和σN中相对小的方差对应的类别M或N放置在有向无环根列表的第一个位置并记为a1,将另一个类别N或M放置在有向无环根列表的最后一个位置并记为ak,将类别M和类别N从S中移除;
(5)从S中找出与类别a1具有最大马氏距离的类别,记为ak-1并放置在ak的前面,将类别ak-1从S中移除;
(6)从S中找出与类别ak具有最大马氏距离的类别,记为a2并放置在a1的后面,将类别a2从S中移除;
(7)将a2和ak-1分别看作a1和ak,重复步骤(5)~(6),得到a3和ak-2,如此类推直到S为空集,最终得到完整的有向无环根列表{a1,a2,…,ak},利用所述列表确定整个有向无环图形的结构;
(8)利用最终得到的有向无环图形结构建立相关向量机多分类模型。
6.一种用于权利要求1~5中任一项所述的基于振动分析的转子系统故障诊断方法的装置,包括有试验台基座(1),其特征在于,所述的试验台基座(1)上依次并排设置有电动机(2)、第一轴承座(4)、第二轴承座(8)和第三轴承座(10),所述的电动机(2)的输出轴通过第一联轴器(3)连接第一旋转轴(6)的一端,所述第一旋转轴(6)的另一端贯穿所第一轴承座(4)后通过设置在第二轴承座(8)内的第二联轴器(7)连接第二旋转轴(9)的一端,所述第二旋转轴(9)的另一端贯穿第三轴承座(10),其中,所述第一旋转轴(6)上在位于第一轴承座(4)远离第一联轴器(3)的那一侧固定设置有第一圆盘(5),所述第二旋转轴(9)在伸出所述第三轴承座(10)的那一端上固定设置有第二圆盘(11),所述第二旋转轴(9)设置有第二圆盘(11)的这一端的周边设置有用于采集第二旋转轴(9)工作状态的传感器组(12),所述传感器组(12)的信号输出端连接计算机(14)的信号输入端。
7.根据权利要求6所述的用于基于振动分析的转子系统故障诊断方法的装置,其特征在于,所述的传感器组(12)包括有分别设置在所述第二圆盘(11)周边的用于采集第二旋转轴(9)转速的转速传感器(121)、用于采集第二旋转轴(9)X方向位移的第一位移传感器(122)和用于采集第二旋转轴(9)Y方向位移的第二位移传感器(123)。
8.根据权利要求6或7所述的用于基于振动分析的转子系统故障诊断方法的装置,其特征在于,所述的传感器组(12)的信号输出端是通过数据采集卡(13)连接所述计算机(14)的信号输入端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410788870.XA CN104697767B (zh) | 2014-12-17 | 2014-12-17 | 一种基于振动分析的转子系统故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410788870.XA CN104697767B (zh) | 2014-12-17 | 2014-12-17 | 一种基于振动分析的转子系统故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104697767A true CN104697767A (zh) | 2015-06-10 |
CN104697767B CN104697767B (zh) | 2017-03-22 |
Family
ID=53345125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410788870.XA Active CN104697767B (zh) | 2014-12-17 | 2014-12-17 | 一种基于振动分析的转子系统故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104697767B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105258942A (zh) * | 2015-09-30 | 2016-01-20 | 南阳理工学院 | 一种采煤机摇臂齿轮故障诊断系统及方法 |
CN105303033A (zh) * | 2015-09-21 | 2016-02-03 | 天津大学 | 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法 |
CN105319071A (zh) * | 2015-09-21 | 2016-02-10 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 |
CN105352726A (zh) * | 2015-10-20 | 2016-02-24 | 宁波大学 | 一种齿轮的故障诊断方法 |
CN105403386A (zh) * | 2015-11-05 | 2016-03-16 | 郑州轻工业学院 | 一种具有对中调整及检测功能的转子实验台 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN106198008A (zh) * | 2016-06-16 | 2016-12-07 | 温州大学 | 一种电机轴承外圈故障辨识方法 |
CN106895970A (zh) * | 2017-03-31 | 2017-06-27 | 山东中实易通集团有限公司 | 浮动式油档引起的转子异常振动的故障诊断方法 |
CN107209054A (zh) * | 2015-07-07 | 2017-09-26 | 三菱电机株式会社 | 检查方法以及检查装置 |
CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
CN108398252A (zh) * | 2018-02-28 | 2018-08-14 | 河海大学 | 基于itd与svm的oltc机械故障诊断方法 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS55147319A (en) * | 1979-05-04 | 1980-11-17 | Hitachi Ltd | Monitoring and indicating method of vibration of rotary machine |
KR20120027733A (ko) * | 2010-09-13 | 2012-03-22 | 한국수력원자력 주식회사 | 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN103308313A (zh) * | 2013-05-15 | 2013-09-18 | 天津大学 | 基础运动航空发动机双转子系统模型实验台 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN204514582U (zh) * | 2014-12-17 | 2015-07-29 | 天津大学 | 一种基于振动分析的转子系统故障诊断装置 |
-
2014
- 2014-12-17 CN CN201410788870.XA patent/CN104697767B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS55147319A (en) * | 1979-05-04 | 1980-11-17 | Hitachi Ltd | Monitoring and indicating method of vibration of rotary machine |
KR20120027733A (ko) * | 2010-09-13 | 2012-03-22 | 한국수력원자력 주식회사 | 서포트 벡터 머신을 이용한 회전기계의 결함진단 방법 및 장치 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN103308313A (zh) * | 2013-05-15 | 2013-09-18 | 天津大学 | 基础运动航空发动机双转子系统模型实验台 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN204514582U (zh) * | 2014-12-17 | 2015-07-29 | 天津大学 | 一种基于振动分析的转子系统故障诊断装置 |
Non-Patent Citations (8)
Title |
---|
AKILU YUNUSA-KALTUNGO等: "AN IMPROVED DATA FUSION TECHNIQUE FOR FAULTS DIAGNOSIS IN ROTATING MACHINES", 《MEASUREMENT》 * |
AN IMPROVED DATA FUSION TECHNIQUE FOR FAULTS DIAGNOSIS IN ROTATING MACHINES;Akilu Yunusa-Kaltungo等;《MEASUREMENT》;20140821;第58卷;第27-32页 * |
卢娜等: "基于自适应多小波与综合距离评估指数的旋转机械故障特征提取", 《振动与冲击》 * |
基于ITD改进算法和关联维数的转子故障诊断方法;杨宇等;《振动与冲击》;20121231;第31卷(第23期);第69-70页 * |
基于自适应多小波与综合距离评估指数的旋转机械故障特征提取;卢娜等;《振动与冲击》;20140625;第33卷(第12期);第197页、图2 * |
改进ITD和能量矩在齿轮故障诊断中的应用;程军圣等;《振动、测试与诊断》;20131231;第33卷(第6期);摘要、第955-957页 * |
杨宇等: "基于ITD改进算法和关联维数的转子故障诊断方法", 《振动与冲击》 * |
程军圣等: "改进ITD和能量矩在齿轮故障诊断中的应用", 《振动、测试与诊断》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107209054A (zh) * | 2015-07-07 | 2017-09-26 | 三菱电机株式会社 | 检查方法以及检查装置 |
CN107209054B (zh) * | 2015-07-07 | 2019-07-19 | 三菱电机株式会社 | 检查方法以及检查装置 |
CN105303033A (zh) * | 2015-09-21 | 2016-02-03 | 天津大学 | 基于集合固有时间尺度分解算法的滚动轴承故障诊断方法 |
CN105319071A (zh) * | 2015-09-21 | 2016-02-10 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 |
CN105319071B (zh) * | 2015-09-21 | 2017-11-07 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 |
CN105258942A (zh) * | 2015-09-30 | 2016-01-20 | 南阳理工学院 | 一种采煤机摇臂齿轮故障诊断系统及方法 |
CN105352726A (zh) * | 2015-10-20 | 2016-02-24 | 宁波大学 | 一种齿轮的故障诊断方法 |
CN105403386A (zh) * | 2015-11-05 | 2016-03-16 | 郑州轻工业学院 | 一种具有对中调整及检测功能的转子实验台 |
CN105510038B (zh) * | 2015-12-31 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
US10760551B2 (en) | 2015-12-31 | 2020-09-01 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Computer storage medium, computer program product, method for monitoring fault of wind power generator set, and device |
CN106198008A (zh) * | 2016-06-16 | 2016-12-07 | 温州大学 | 一种电机轴承外圈故障辨识方法 |
CN106198008B (zh) * | 2016-06-16 | 2018-07-27 | 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 |
CN107798283A (zh) * | 2016-08-31 | 2018-03-13 | 西安英诺视通信息技术有限公司 | 一种基于决策导向无环图的神经网络故障多类分类器 |
CN106895970A (zh) * | 2017-03-31 | 2017-06-27 | 山东中实易通集团有限公司 | 浮动式油档引起的转子异常振动的故障诊断方法 |
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 |
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 |
CN108398252A (zh) * | 2018-02-28 | 2018-08-14 | 河海大学 | 基于itd与svm的oltc机械故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104697767B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104697767A (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Huang et al. | Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection | |
CN104155108B (zh) | 一种基于振动时频分析的滚动轴承故障诊断方法 | |
Hasan et al. | Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions | |
Appana et al. | Reliable fault diagnosis of bearings with varying rotational speeds using envelope spectrum and convolution neural networks | |
CN103291600B (zh) | 一种基于emd-ar和mts的液压泵故障诊断方法 | |
Li et al. | Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method | |
CN204514582U (zh) | 一种基于振动分析的转子系统故障诊断装置 | |
Wu et al. | Intelligent fault diagnosis of rolling bearings under varying operating conditions based on domain-adversarial neural network and attention mechanism | |
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
CN104143101A (zh) | 一种基于超声图像的乳腺肿瘤区域自动识别方法 | |
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 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN104832418B (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN110243590A (zh) | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 | |
Zabin et al. | Hybrid deep transfer learning architecture for industrial fault diagnosis using Hilbert transform and DCNN–LSTM | |
CN110292377A (zh) | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 | |
CN116226646A (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
Guo et al. | Dynamic time warping using graph similarity guided symplectic geometry mode decomposition to detect bearing faults | |
Islam et al. | Time–frequency envelope analysis-based sub-band selection and probabilistic support vector machines for multi-fault diagnosis of low-speed bearings | |
CN116127279B (zh) | 一种小样本液压泵气蚀诊断方法及装置 | |
Fatima et al. | Transducer invariant multi-class fault classification in a rotor-bearing system using support vector machines |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: 300350 District, Jinnan District, Tianjin Haihe Education Park, 135 beautiful road, Beiyang campus of Tianjin University Patentee after: Tianjin University Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |
|
CP02 | Change in the address of a patent holder |