CN105022912A - 基于小波主成分分析的滚动轴承故障预测方法 - Google Patents
基于小波主成分分析的滚动轴承故障预测方法 Download PDFInfo
- Publication number
- CN105022912A CN105022912A CN201510280816.9A CN201510280816A CN105022912A CN 105022912 A CN105022912 A CN 105022912A CN 201510280816 A CN201510280816 A CN 201510280816A CN 105022912 A CN105022912 A CN 105022912A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- multiresolution
- fusion
- coefficient
- acceleration 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.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于小波主成分分析的滚动轴承的故障预测方法。该方法主要包括:提取滚动轴承的振动加速度信号的小波包变换系数,计算出小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵;运用小波主成分分析算法对多分辨率相似系数熵进行特征融合处理,得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度,识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间。本发明采用PCA算法对隐患做出隐患辨识,基于轴承异源隐患的振动特征的可分性,运用PCA提取多维状态主成份的思想将异源隐患的电机轴承振动信号定位分类,实验证明基于多分辨率状态融合空间的轴承隐患监测和隐患定位方法的有效性。
Description
技术领域
本发明涉及滚动轴承技术领域,尤其涉及一种基于小波主成分分析的滚动轴承故障预测方法。
背景技术
20世纪60年代,滚动轴承的故障诊断开始出现在科技领域中,经过几十年的迅猛发展,到现在已经成为一个融合了机械检测领域和自动控制领域以及模式识别领域的综合性应用学科。
滚动轴承在许多机电设备中起到至关重要的作用,滚动轴承的工作状况也是影响设备状态的关键因素。由于设备工况的复杂和环境参数的不稳定,滚动轴承的故障原因难以识别。另外,滚动轴承由外环、内环、滚子和保持架等单元组成,故障复杂性还体现在单元故障特征多样性,单元的故障原因不唯一以及单元故障的随机耦合性,通过轴承故障诊断,定位轴承故障单元,对找出故障原因起着关键作用。
滚动轴承的故障诊断技术的核心部分是信号处理技术。信号处理技术经历了漫长的发展历程。1946年出现的短时傅里叶变换是最早提出的一种时频分析方法,只适于分析在时间窗内平稳的一些缓变的非平稳信号,时间窗内的分辨率是固定不变的。经验模态分解是一种基于经验的非线性、非平稳信号分析方法,目前尚未有原理证明该方法的科学性。经验模态分解提取的本征模态函数(Intrinsic Mode Function,IMF)个数的判别算法并不完善,容易出现端点效应,丢失信号的频率信息,使诊断精度受到影响,并且提取信号边际谱和希尔伯特谱的算法时间复杂度高,不利于实际操作。
发明内容
本发明的实施例提供了一种基于小波主成分分析的滚动轴承的工作状态故障预测方法,以实现在轴承故障早期做出判别预警。
为了实现上述目的,本发明采取了如下技术方案。
一种基于小波主成分分析的滚动轴承的故障预测方法,包括:
提取滚动轴承的振动加速度信号的小波包变换系数,计算出所述小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵;
运用小波主成分分析算法对所述多分辨率相似系数熵进行特征融合处理,得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度;
根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间。
优选地,所述的提取滚动轴承的振动加速度信号的小波包变换系数,包括:
将原始的轴承振动加速度信号分解为j层,得到2j个小波包分量,所述2j个小波包分量表示将原始信号频率平均分解成2j个频带后,每个频带包含的时域幅值;
对所述2j个小波包分量分别重构,获得2j个小波包分量系数。
优选地,所述的计算出所述小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵,包括:
设原始轴承振动加速度信号的周期采集点数为n,一个采集周期内的轴承振动加速度信号的第j层小波包分量系数集合为 N+:正整数;
原始轴承振动加速度信号一个采样周期内的时域幅值为{Bk|k∈N+∪,k∈[1,n]};
则小波包分量系数与原始轴承振动加速度信号之间的时域幅值相似系数的计算公式为:
其中,A代表小波包分量系数,B代表原始时域幅值系数。为对原始信号进行j层小波包分解,第j层第i个小波分量系数的第k个时间序列对应的幅值,Bk为第k个时间序列对应的幅值系数,是小波包分量系数均值,是时域幅值系数均值;
求出小波包变换系数与原始轴承振动加速度信号之间的多分辨率相似系数熵H(x)的计算公式为:
x∈N∪x∈[1,2j],代表第x个小波包分量系数与原始信号的相关熵数值。将多个相关熵数值加和累积得到相关熵数值H(x);
按照上述过程,分别求出2j个小波包分量对应的2j个相似系数熵。
优选地,所述的运用小波主成分分析算法对所述多分辨率相似系数熵进行特征融合处理,得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度,包括:
构建状态融合空间的数学模型,所述数学模型包括n维状态融合空间,采用多分辨率状态融合空间作为所述数学模型的具体应用模型;
PCA特征状态融合器运用PCA方法融合已经提取的所有2j个多分辨率相似系数熵,将融合处理后得到的多分辨率相似系数熵集合作为PCA特征状态融合器的输入,
PCA特征状态融合器对输入的所有多分辨率相似系数熵集合进行特征融合运算,将PCA特征状态融合器的输出所占比例最大的前两列主成分分量作为多分辨率状态融合空间的滚动轴承的振动加速度信号的二维测度。
优选地,所述的根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间,包括:
处理器接收PCA特征状态融合器输出的独立主成分信息,即第一主成分和第二主成分组成的2维测度,以所述第一主元为横轴测度,所述第二主元为纵轴测度,构成2维平面内的多分辨率状态融合空间;
根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势在多分辨率状态融合空间中将处于正常状态、故障状态和隐患状态的滚动轴承分别聚类在不同的区域,从而识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提出了一种基于小波多分辨率技术的列车轴箱轴承隐患辨识方法,并采用PCA算法对隐患做出隐患辨识,基于轴承异源隐患的振动特征的可分性,运用PCA提取多维状态主成份的思想将异源隐患的电机轴承振动信号定位分类,实验证明基于多分辨率状态融合空间的轴承隐患监测和隐患定位方法的有效性。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种基于小波-PCA(Principal ComponentAnalysis,主成分分析)技术的滚动轴承的故障预测方法的处理流程图;
图2为本发明实施例二提供的一种滚子故障和正常状态下的滚动轴承振动振动加速度信号图;
图3为本发明实施例二提供的一种小波包相关性熵示意图;
图4为本发明实施例二提供的一种PCA主成分融合结果图;
图5为本发明实施例二提供的一种基于主成分的状态变化监测结果图;
图6为本发明实施例二提供的一种状态融合空间识别结果图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例一
小波包分析是基于时频域的信号处理方法,其良好的局部优化性质,使得小波包分析在处理非平稳信号上表现出多尺度和对突变信号的探测能力,成为故障诊断和信号分析领域的研究的热点。
该实施例提供了一种基于小波-PCA技术的滚动轴承故障预测方法的处理流程如图1所示,包括如下的处理步骤:
步骤S110、模型构建器构建融合特征空间,并通过处理器采用多分辨率状态融合空间作为具体模型分析。
上述状态融合空间的数学模型,可用如下形式表示:设有一段时域信号f(t),t∈N,在欧式空间经过变换,可以得到F(λ)=Γ[f(t)],其中,λ={λ1,…λi,…λn}为n维笛卡尔集,n维笛卡尔集组成n维状态空间,用以表征信号当前状态,称为n维状态融合空间。
步骤S120、提取轴承振动加速度信号的小波包变换系数。
本发明实施例中的小波包变换包括对轴承振动加速度信号的小波包分解和重构,首先将轴承振动加速度信号分解为j层,总共有2j个小波包分量,这所有2j个小波包分量的含义,是原始信号频率平均分解成2j个频带后,每个频带包含的时域幅值。多分辨率的意义就在于把频带最宽的原始信号,均匀放大,使得每个小波包分量的频带变窄,则小波包分量的时域信息是频率放大后的时域幅值系数,通过频率的细化分解,可以隔离局部频带的时域幅值,这对进一步提取信号特征做了铺垫。然后对这2j个小波包分量分别重构,获得2j个小波包分量系数。
步骤S130、处理器创建运算进程,求出小波包变换系数与原始轴承振动加速度信号之间的相似系数熵。
提取分解到第j层的小波包分量系数族,设原始轴承振动加速度信号的周期采集点数为n,一个采集周期内的轴承振动加速度信号的第j层小波包分量系数集合为 N+为正整数,∪是数学推理符号“并”。
原始轴承振动加速度信号一个采样周期内的时域幅值为{Bk|k∈N+∪,k∈[1,n]}。现实中相似系数具有可负性,而本专利仅考虑偏离零点的相似系数的距离测度的大小,也就是该相似系数具有非负性。
则小波包分量系数与原始轴承振动加速度信号之间的时域幅值相似系数的计算公式为:
其中,A代表小波包分量系数,B代表原始时域幅值系数。为对原始信号进行j层小波包分解,第j层第i个小波分量系数的第k个时间序列对应的幅值,Bk为第k个时间序列对应的幅值系数。是小波包分量系数均值,是时域幅值系数均值。
求出小波包变换系数与原始轴承振动加速度信号之间的多分辨率相似系数熵H(x)的计算公式为:
x∈N∪x∈[1,2j],代表第x个小波包分量系数与原始信号的相关熵数值。最终多个数值加和累积得到相关熵数值H(x)。
分解到第j层的2j个小波包分量,就是将原始信号平均分解成2j个频带的系数分量,分别求出2j个相似系数熵。
相关系数熵是作为一种故障特征参量,用于判断轴承是否故障以及故障类型。其判别的方法是:正常轴承与故障轴承分别提取的相关系数熵之间有很大的差异,用这种差异性来分辨轴承故障状态。若对滚子故障轴承信号进行判断,必须提取滚子故障轴承的相关系数熵,滚子故障轴承信号,是指具有滚子故障的轴承的振动信号,这个信号的提取是由传感器获取轴承的振动数据,然后用相关设备保存。
步骤S140、处理器运用PCA方法融合已经提取的多分辨率相似系数熵,提取特征融合后的主成分信息。
在本发明实施例中,采用多分辨率状态融合空间作为上述模型构建器构建的特征状态融合空间的数学模型的具体应用模型。
PCA特征状态融合器运用PCA方法融合已经提取的所有多分辨率相似系数熵,即2j个多分辨率相似系数熵,将融合处理后得到的多分辨率相似系数熵集合作为PCA特征状态融合器的输入,
PCA特征状态融合器对输入的所有多分辨率相似系数熵集合进行特征融合运算,将PCA特征状态融合器的输出所占比例最大的前两列主成分分量作为多分辨率状态融合空间的滚动轴承的振动加速度信号的二维测度。
步骤S150、处理器接收PCA特征状态融合器输出的独立主成分信息,即第一主成分和第二主成分组成的2维测度。
处理器接收PCA特征状态融合器输出的独立主成分信息,即第一主成分和第二主成分组成的2维测度,以第一主元为横轴测度,第二主元为纵轴测度,则可构成2维平面内的多分辨率状态融合空间。根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势在多分辨率状态融合空间中将处于正常状态、故障状态和隐患状态的滚动轴承分别聚类在不同的区域,从而识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间,从而表征出滚动轴承的不同状态特征。
图5所示横轴为以时间序列为顺序每隔一组采样周期所采集数据的样本序号;纵轴为多分辨率状态融合空间的数集。每个样本包含第一主成分与第二主成分两个测度,在图5中用深色实点表示第一主成分,浅色实点表示第二主成分。图5反映的是在轴承服役过程中的融合测度的变化趋势,因此在图中很明显可以区分出从正常到隐患再到故障的变化趋势。
图6所示,第一主成分为横轴测度,第二主成分为纵轴测度,不同颜色深度的实点分别表示正常、隐患及故障状态,隐患在这里即早期故障或叫轻微故障,即具有故障趋势的状态。在该图中可以明显看出其健康状态的退化趋势,是从右上角的正常状态,逐渐退化为左下角的故障状态。该图说明了多分辨率状态融合空间具有隐患辨识和故障预警的功能。
上述本发明实施例的基于小波-PCA技术的滚动轴承的故障预测方法的处理流程中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
实施例二
首先提取列车滚动轴承振动加速度信号,该例采样频率为12Khz,周期采样次数4096次。采用小波滤波函数对该信号滤波。图2所示为滤波后的滚子故障和正常情况下的轴承振动加速度时域信号。
接着对滚动轴承振动加速度信号进行小波变换,采用db3小波基进行4层小波包分解,得到16个小波包分解系数,得到16个小波包子带系数,对滚子故障轴承信号和正常轴承信号各自分解的16个小波子带系数分别提取其相关系数熵,如图3所示。
再将所有的相关系数熵用PCA特征状态融合器进行特征融合,基于小波包相关系数熵提取的主成分比例如图4所示。首先对轴承运转过程中采集到的数据进行融合,可以获得融合后主成分的变化情况,如图5。然后可以得到2维状态融合空间下的特征参数,如图6所示,该采样区段下的轴承是从正常直接运行到出现轴承故障的过程,运用PCA状态融合器,可以明显的区分正常状态融合空间,隐患状态融合空间和故障状态融合空间,
基于以上所述步骤,本案例实现了滚子隐患,故障和正常三种状态的识别功能。从图6可以看出,计算所得10个隐患点中1个落在了故障域,30个故障点有2个落在了隐患域,该算法的平均诊断正确率为95.7%。
综上所述,本发明实施例提出了一种基于小波多分辨率技术的列车轴箱轴承隐患辨识方法,并采用PCA算法对隐患做出隐患辨识,基于轴承异源隐患的振动特征的可分性,运用PCA提取多维状态主成份的思想将异源隐患的电机轴承振动信号定位分类,实验证明基于多分辨率状态融合空间的轴承隐患监测和隐患定位方法的有效性。
本发明实施例的方法可以在轴承服役过程中,实时分析其运行状态,及时发现轴承隐患,在轴承故障早期做出判别预警。为合理制定维修策略,维持整个系统的稳定性及可靠性提供技术保障。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于小波主成分分析的滚动轴承的故障预测方法,其特征在于,包括:
提取滚动轴承的振动加速度信号的小波包变换系数,计算出所述小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵;
运用小波主成分分析算法对所述多分辨率相似系数熵进行特征融合处理,得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度;
根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间。
2.根据权利要求1所述的基于小波主成分分析的滚动轴承的故障预测方法,其特征在于,所述的提取滚动轴承的振动加速度信号的小波包变换系数,包括:
将原始的轴承振动加速度信号分解为j层,得到2j个小波包分量,所述2j个小波包分量表示将原始信号频率平均分解成2j个频带后,每个频带包含的时域幅值;
对所述2j个小波包分量分别重构,获得2j个小波包分量系数。
3.根据权利要求2所述的基于小波主成分分析的滚动轴承的故障预测方法,其特征在于,所述的计算出所述小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵,包括:
设原始轴承振动加速度信号的周期采集点数为n,一个采集周期内的轴承振动加速度信号的第j层小波包分量系数集合为 N+:正整数;
原始轴承振动加速度信号一个采样周期内的时域幅值为{Bk|k∈N+∪,k∈[1,n]};
则小波包分量系数与原始轴承振动加速度信号之间的时域幅值相似系数的计算公式为:
其中,A代表小波包分量系数,B代表原始时域幅值系数。为对原始信号进行j层小波包分解,第j层第i个小波分量系数的第k个时间序列对应的幅值,Bk为第k个时间序列对应的幅值系数,是小波包分量系数均值,是时域幅值系数均值;
求出小波包变换系数与原始轴承振动加速度信号之间的多分辨率相似系数熵H(x)的计算公式为:
x∈N∪x∈[1,2j],代表第x个小波包分量系数与原始信号的相关熵数值。将多个相关熵数值加和累积得到相关熵数值H(x);
按照上述过程,分别求出2j个小波包分量对应的2j个相似系数熵。
4.根据权利要求3所述的基于小波主成分分析的滚动轴承的故障预测方法,其特征在于,所述的运用小波主成分分析算法对所述多分辨率相似系数熵进行特征融合处理,得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度,包括:
构建状态融合空间的数学模型,所述数学模型包括n维状态融合空间,采用多分辨率状态融合空间作为所述数学模型的具体应用模型;
PCA特征状态融合器运用PCA方法融合已经提取的所有2j个多分辨率相似系数熵,将融合处理后得到的多分辨率相似系数熵集合作为PCA特征状态融合器的输入,
PCA特征状态融合器对输入的所有多分辨率相似系数熵集合进行特征融合运算,将PCA特征状态融合器的输出所占比例最大的前两列主成分分量作为多分辨率状态融合空间的滚动轴承的振动加速度信号的二维测度。
5.根据权利要求4所述的基于小波主成分分析的滚动轴承的故障预测方法,其特征在于,所述的根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间,包括:
处理器接收PCA特征状态融合器输出的独立主成分信息,即第一主成分和第二主成分组成的2维测度,以所述第一主元为横轴测度,所述第二主元为纵轴测度,构成2维平面内的多分辨率状态融合空间;
根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态,根据比较所述融合特征测度的变化趋势在多分辨率状态融合空间中将处于正常状态、故障状态和隐患状态的滚动轴承分别聚类在不同的区域,从而识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510280816.9A CN105022912B (zh) | 2015-05-28 | 2015-05-28 | 基于小波主成分分析的滚动轴承故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510280816.9A CN105022912B (zh) | 2015-05-28 | 2015-05-28 | 基于小波主成分分析的滚动轴承故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105022912A true CN105022912A (zh) | 2015-11-04 |
CN105022912B CN105022912B (zh) | 2017-12-12 |
Family
ID=54412878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510280816.9A Active CN105022912B (zh) | 2015-05-28 | 2015-05-28 | 基于小波主成分分析的滚动轴承故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105022912B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN106017927A (zh) * | 2016-05-18 | 2016-10-12 | 唐智科技湖南发展有限公司 | 一种识别轴承滚子间距变化的保持架故障诊断方法 |
CN106249148A (zh) * | 2016-08-30 | 2016-12-21 | 重庆勤智科技有限公司 | 发电机碳刷故障分析方法 |
CN107067099A (zh) * | 2017-01-25 | 2017-08-18 | 清华大学 | 风电功率概率预测方法及装置 |
CN107423692A (zh) * | 2017-07-01 | 2017-12-01 | 南京理工大学 | 一种基于小波包能量熵的钢轨波磨故障检测方法 |
CN109632291A (zh) * | 2018-12-04 | 2019-04-16 | 河北科技大学 | 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法 |
CN109800487A (zh) * | 2019-01-02 | 2019-05-24 | 北京交通大学 | 基于模糊安全域的寿命预测方法 |
CN110207967A (zh) * | 2019-06-13 | 2019-09-06 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与系统 |
CN111881000A (zh) * | 2020-08-07 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种故障预测方法、装置、设备及机器可读介质 |
CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2015
- 2015-05-28 CN CN201510280816.9A patent/CN105022912B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (5)
Title |
---|
KEYONG SHAO等: "《2014 26th Chinese Control and Decision Conference(CCDC)》", 31 December 2014 * |
YU XIU-LIAN等: "《Intelligent Rail Transportation (ICIRT), 2013 IEEE International Conference on》", 6 January 2014 * |
YUAN ZHANG等: ""Roller bearing safety region estimation and state identification based on LMD–PCA–LSSVM"", 《MEASUREMENT》 * |
古莹奎等: "《2014年全国机械行业可靠性技术学术交流会论文集》", 4 August 2014 * |
明延锋等: ""基于小波-主成分分析的离心泵故障诊断方法"", 《武汉理工大学学报(交通科学与工程版)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN105675038B (zh) * | 2016-01-05 | 2019-12-13 | 中国计量学院 | 一种仪表的故障预测装置 |
CN106017927A (zh) * | 2016-05-18 | 2016-10-12 | 唐智科技湖南发展有限公司 | 一种识别轴承滚子间距变化的保持架故障诊断方法 |
CN106249148B (zh) * | 2016-08-30 | 2019-07-05 | 重庆勤智科技有限公司 | 发电机碳刷故障分析方法 |
CN106249148A (zh) * | 2016-08-30 | 2016-12-21 | 重庆勤智科技有限公司 | 发电机碳刷故障分析方法 |
CN107067099B (zh) * | 2017-01-25 | 2020-06-19 | 清华大学 | 风电功率概率预测方法及装置 |
CN107067099A (zh) * | 2017-01-25 | 2017-08-18 | 清华大学 | 风电功率概率预测方法及装置 |
CN107423692A (zh) * | 2017-07-01 | 2017-12-01 | 南京理工大学 | 一种基于小波包能量熵的钢轨波磨故障检测方法 |
CN109632291A (zh) * | 2018-12-04 | 2019-04-16 | 河北科技大学 | 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法 |
CN109800487A (zh) * | 2019-01-02 | 2019-05-24 | 北京交通大学 | 基于模糊安全域的寿命预测方法 |
CN109800487B (zh) * | 2019-01-02 | 2020-12-29 | 北京交通大学 | 一种基于模糊安全域的轨道交通滚动轴承寿命预测方法 |
CN110207967A (zh) * | 2019-06-13 | 2019-09-06 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与系统 |
CN111881000A (zh) * | 2020-08-07 | 2020-11-03 | 广州云从博衍智能科技有限公司 | 一种故障预测方法、装置、设备及机器可读介质 |
CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
CN114001961B (zh) * | 2021-10-29 | 2024-04-23 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105022912B (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105022912A (zh) | 基于小波主成分分析的滚动轴承故障预测方法 | |
Xu et al. | Rolling element bearing diagnosis based on singular value decomposition and composite squared envelope spectrum | |
Ahmed et al. | Intelligent condition monitoring method for bearing faults from highly compressed measurements using sparse over-complete features | |
Zhao et al. | Multiscale inverted residual convolutional neural network for intelligent diagnosis of bearings under variable load condition | |
Janssens et al. | Convolutional neural network based fault detection for rotating machinery | |
Li et al. | Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis | |
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Suh et al. | Generalized multiscale feature extraction for remaining useful life prediction of bearings with generative adversarial networks | |
CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
Alamelu Manghai et al. | Vibration based brake health monitoring using wavelet features: A machine learning approach | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
Fei et al. | Multi-feature entropy distance approach with vibration and acoustic emission signals for process feature recognition of rolling element bearing faults | |
CN104236911A (zh) | 一种列车转向架轴承服役过程监测与故障诊断系统及方法 | |
CN104655423A (zh) | 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 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112800855B (zh) | 一种列车转向架非侵入式实时故障监测方法 | |
Cheng et al. | Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains | |
Wan et al. | Anomaly detection of train wheels utilizing short-time Fourier transform and unsupervised learning algorithms | |
Chen et al. | Vibration-based damage detection of rail fastener using fully convolutional networks | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
Bernal et al. | Wheel flat analogue fault detector verification study under dynamic testing conditions using a scaled bogie test rig | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
Li et al. | A Novel Fault Diagnosis Model for Bearing of Railway Vehicles Using Vibration Signals Based on Symmetric Alpha‐Stable Distribution Feature Extraction | |
Dang et al. | A Fault Diagnosis Method for One‐Dimensional Vibration Signal Based on Multiresolution tlsDMD and Approximate Entropy | |
Hu et al. | Vibration-based bearing fault diagnosis of high-speed trains: A literature review |
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 |