CN105606363B - 一种基于域自适应的轴承故障诊断方法 - Google Patents
一种基于域自适应的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN105606363B CN105606363B CN201610066330.XA CN201610066330A CN105606363B CN 105606363 B CN105606363 B CN 105606363B CN 201610066330 A CN201610066330 A CN 201610066330A CN 105606363 B CN105606363 B CN 105606363B
- Authority
- CN
- China
- Prior art keywords
- data
- vibration data
- bearing
- intended vibratory
- domain
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于域自适应的轴承故障诊断方法,包括以下步骤:分别对有标签历史振动数据与目标振动数据进行特征提取,并基于距离指标选择敏感特征集,通过主成分分析构造格拉斯曼流形,并在此基础上构造测地流,以有标签历史振动数据振动的敏感特征集为源域,以目标振动数据的敏感特征集为目标域,使两者在测地流上投影进行域自适应,并基于投影的距离测度实现对目标振动数据的轴承状态识别。将该方法用于轴承故障诊断的结果表明,该方法能够有效克服工况、轴承个体差异等因素造成的振动数据偏移,显示了较强的工程应用价值。
Description
技术领域
本发明属于机械设备故障诊断领域,具体地说,涉及一种基于域自适应的轴承故障诊断方法。
背景技术
轴承是旋转机械中的一种基础零部件,在支撑机械旋转体,降低摩擦系数,保证回转精度上具有不可替代的作用。但是受制造精度、材料特性、润滑条件、载荷波动等因素影响,实际轴承寿命不尽相同,甚至会发生突然的轴承断裂损伤,引发生产事故。同时,有些大直径、高精度的特种轴承造价昂贵,需要时刻关注其工作状态。因此对轴承实施状态监测,及时准确诊断轴承异常状态,并实施有针对性的设备维护,对保证制造精度,维护生产秩序有重要意义。更重要的是,轴承的故障诊断方法研究的意义不仅仅局限对轴承基于状态的设备维护,同时也是其他机械设备故障诊断的试金石。
“诊断是以机械学和信息论为依托,多学科融合的技术,本质是模式识别”。基于振动数据的智能诊断方法是目前工业与学术界实施轴承故障诊断的通常做法,其一般技术路径是:振动数据采集——特征提取——特征降维——分类器。近年来,不同的特征提取、特征降维、分类方法被提出,并用于轴承的故障诊断,显示了一定的应用价值。但多数方法基于两个理论前提:一是代表不同轴承状态的振动数据需要足够多;二是振动数据经过特征提取、特征降维之后具有稳定、可分的统计分布特征,从而能够训练分类器形成一定的分类超平面或分类模型参数。基于上述理论前提的故障诊断方法广泛见诸于学术文献,例如:Hu等在文献“Fault diagnosis of rotating machinery based on improved waveletpackage transform and SVMs ensemble”(基于改进小波包变换与组合支持向量机的旋转机械故障诊断)介绍了一种基于组合支持向量机的故障诊断方法,Samanta等在文献“Artificial neural network based fault diagnosis of rolling element bearingsusing time-domain features”(基于时域特征与人工神经网络的滚动轴承故障诊断)介绍了一种基于振动数据时域统计特征与神经网络的轴承故障诊断方法。这些方法的局限之处在于上述两个前提被打破后,故障诊断能力将显著下降。而事实是:上述两个前提在实际的轴承状态监测和故障诊断中并不一定能够完全被满足,例如:有些轴承造价昂贵,不可能事先获取足够多种类和数量的振动数据;有些轴承受载荷、工况、环境等交变因素的影响,其动态特性变化也会导致振动数据偏移;更普遍的情况是受制造精度、材料特性等因素影响,即使同一型号的轴承在故障显现时,其振动特征并不完全一致。随着研究的深入,上述问题也被逐渐引起重视,经文献检索发现:专利“一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法”(CN104408302A)着力于提取一种对工况变化免疫的特征,即从特征提取的角度来更好地满足理论前提二的要求,但是基于上述分析,该专利对于样本数据受限、轴承个体差异的问题没有深入涉及;同样为了克服工况变化的影响,专利“一种变工况下的滚动轴承故障诊断方法”(CN103048137A)通过经验模式分解提取特征向量,并基于神经网络实现变工况条件下的轴承故障诊断,也未涉及上述问题。
发明内容
本发明的目的在于针对现有轴承诊断方法的不足,提出一种基于域自适应的轴承故障诊断方法。本发明提取并选择已知轴承振动数据的特征作为源域,提取并选择待识别轴承振动数据的特征作为目标域,以两者在格拉斯曼流形上测地流的投影实现两个特征空间的域自适应,不仅能够实现变工况条件下的轴承故障诊断,更能有效克服轴承个体差异、载荷变化等因素影响造成的振动数据偏移。
本发明采用的技术方案如下:
一种基于域自适应的轴承故障诊断方法,包括如下步骤:
步骤1、采集有标签历史振动数据和目标振动数据,分别对有标签历史振动数据与目标振动数据进行特征提取,构造有标签历史振动数据的初始特征集FS与目标振动数据的初始特征集FT;
步骤2、基于距离指标对有标签历史振动数据的初始特征集FS进行特征选择,构造有标签历史振动数据的敏感特征集XS,并对目标振动数据的初始特征集FT选择相同特征构造目标振动数据的敏感特征集XT;
步骤3、分别对有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进行主成分分析,并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT,从而构造出一个格拉斯曼流形G(d,D);
步骤4、以有标签历史振动数据的线性特征子空间PS为开始,以目标振动数据的线性特征子空间PT为结束,在格拉斯曼流形上构造测地流Φ(t)∈G(d,D),t∈[0,1]为测地流参数,当t=0时,Φ(0)=PS,而当t=1时,Φ(1)=PT,两者之间任一位置为其中U1与U2是通过奇异值分解求得的左奇异向量矩阵,V是对应的右奇异向量矩阵,Γ与Σ是对角矩阵,其中第i个对角元素分别为cosθi与sinθi,而θi是有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT之间的主角度,定义为对应地,Γ(t)与Σ(t)是对角元素分别为cos(tθi)与sin(tθi)的对角矩阵;
步骤5、将有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT向测地流上投影,使标签历史振动数据的任一敏感特征向量xi与目标振动数据的任一敏感特征向量xj转换成测地流上的两个投影点与即
步骤6、基于测地流核函数进行距离测度计算:其中,Λ1,Λ2,Λ3分别为对角矩阵,对角元素分别为
步骤7、基于距离测度采用最近邻分类器进行分类,输出目标振动数据的轴承状态识别结果。
所述步骤1中的所述有标签历史振动数据是指在多种已知轴承状态下采集的振动数据,所述目标振动数据是指在未知轴承状态下采集的振动数据或在待识别轴承状态下采集的振动数据;所述一种基于域自适应的轴承故障诊断方法是指以有标签历史振动数据的敏感特征集XS作为源域,以目标振动数据的敏感特征集XT作为目标域,以两者基于格拉斯曼流形测地流的投影实现源域与目标域的域自适应,提高轴承故障诊断准确率。
所述步骤1中所述特征提取包括分别提取有标签历史振动数据与目标振动数据时域与小波域的统计参数,包括:峰-峰值、均值、标准差、均方值、波形指标、峰值指标、脉冲指标、裕度、偏度、峭度。
所述步骤2中所述距离指标为其中Sb为不同类特征的类间平均距离,Sw为单类特征的类内平均距离,特征选择以JA大于一定阈值的特征构成特征集。
所述的一种基于域自适应的轴承故障诊断方法也适用于齿轮的故障诊断。
本发明的有益效果如下:
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明采用域自适应的方法实现对轴承的状态识别,不仅仅利用振动数据特征空间的可分性,更关注特征空间的结构性,并基于流形局部线性的特点,将特征空间的相似度量化为测地流上的距离测度,因此当待识别轴承的振动数据出现特征空间的偏移时仍能够有效识别,从而更广泛地适用于工况变化、轴承个体差异等实际情况,并提高轴承故障诊断的准确度。
附图说明
图1为基于域自适应的轴承故障诊断方法流程图;
图2为轴承振动测试试验台示意图;
图3为本发明具体实施例的实施设定示意图;
图4为轴承振动数据在载荷变化情况下振动数据偏移示意图;
图5为基于轴承有标签历史振动数据的距离指标计算结果;
图6(1)-图6(3)为本发明与支持向量机对目标振动数据一的识别结果对比图;
图7(1)-图7(3)为本发明与支持向量机对目标振动数据二的识别结果对比图;
图中:1电动机,2轴承,3振动传感器,4扭矩变送器,5测力计。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明所述的一种基于域自适应的轴承故障诊断方法,如图1所示,包括如下步骤:
(1)分别对有标签历史振动数据与目标振动数据进行特征提取,构造有标签历史振动数据的初始特征集FS与目标振动数据的初始特征集FT;特征提取是指计算振动数据时域与小波域的统计参数,包括:峰-峰值、均值、标准差、均方值、波形指标、峰值指标、脉冲指标、裕度、偏度、峭度。
(2)基于距离指标对有标签历史振动数据的初始特征集FS进行特征选择,构造有标签历史振动数据的敏感特征集XS,并对目标振动数据的初始特征集FT选择相同特征构造目标振动数据的敏感特征集XT。距离指标定义为其中Sb为不同类特征的类间平均距离,Sw为单类特征的类内平均距离,特征选择以JA大于一定阈值的特征构成特征集。
(3)分别对有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进行主成分分析,并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS∈RD×d与目标振动数据的线性特征子空间PT∈RD×d,从而构造出一个格拉斯曼流形G(d,D),其中D为数据维度,d为特征子空间维度。
(4)、以有标签历史振动数据的线性特征子空间PS为开始,以目标振动数据的线性特征子空间PT为结束,在格拉斯曼流形上构造测地流Φ(t)∈G(d,D),t∈[0,1]为测地流参数,当t=0时,Φ(0)=PS,而当t=1时,Φ(1)=PT,两者之间任一位置为其中U1与U2是通过奇异值分解求得的左奇异向量矩阵,V是对应的右奇异向量矩阵,Γ与Σ是对角矩阵其中第i个对角元素分别为cosθi与sinθi,而θi是有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT之间的主角度,定义为对应地,Γ(t)与Σ(t)是对角元素分别为cos(tθi)与sin(tθi)的对角矩阵;RS为PS的正交子空间。
步骤5、将有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT向测地流上投影,使标签历史振动数据的任一敏感特征向量xi与目标振动数据的任一敏感特征向量xj转换成测地流上的两个投影点与即
步骤6、基于测地流核函数进行距离测度计算:其中,Λ1,Λ2,Λ3分别为对角矩阵,对角元素分别为
(7)基于距离测度采用最近邻分类器进行分类,输出目标振动数据的轴承状态识别结果。
实施例
本实施例为了说明本发明的具体实施步骤与有益效果,以美国凯斯西储大学的权威轴承振动数据作为具体实施例。轴承振动数据采集于一个专门设计的轴承振动试验台,如图2所示。试验台左侧是一个2hp电动机1,中间是一个扭矩变送器4,用于扭矩测量,右侧连接一个测力计5作为负载。本实施例所诊断轴承为发动机驱动端电机回转支撑轴承2,型号为6205-2RSJEMSKF,在轴承上方设置振动传感器3。本实验设计了0hp、1hp、2hp、3hp四种载荷条件以模拟轴承不同的工况,并通过电火花加工的方式分别在轴承内圈、外圈、滚动体上加工了0.007in、0.014in、0.021in、0.028in四种不同程度的损伤,以模拟不同的故障以及不同的损伤程度。
本发明实施例的具体实施设定如图3所示,选取驱动端电机回转轴承在工况为0hp载荷、损伤尺寸为0.007in条件下的内圈故障、外圈故障、滚动体故障三种故障,以及正常状态下的振动数据作为有标签历史振动数据;选取损伤尺寸为0.007in条件下,载荷分别变化为1hp、2hp、3hp时的振动数据作为目标振动数据一;选取载荷为0hp,损伤尺寸分别变化为0.014in、0.021in、0.028in时的振动数据作为目标振动数据二。如此设定可以检验本发明对工况变化、轴承个体差异、损伤程度变化因素导致的振动数据偏移的适应能力。为了与现有技术对比,本实施例选取支持向量机这一本领域常用故障诊断方法来对比效果。
基于上述实施例设定,具体步骤如下:
(1)分别提取有标签历史振动数据DS、目标振动数据一DT1、目标振动数据二DT2的时域与小波域的统计参数,包括:峰-峰值、均值、标准差、均方值、波形指标、峰值指标、脉冲指标、裕度、偏度、峭度。其中小波域的统计参数计算过程如下:首先基于小波包变换,分别将三类振动数据分解为3层,然后在8段小波系数上分别计算上述统计参数。经上述计算,三类振动数据的时域与小波域统计参数分别构成一个具有90维度的初始特征集FS、FT1、FT2。受工况变化、轴承个体差异、损伤程度变化因素影响,目标振动数据一与目标振动数据二所提取特征FT1、FT2相对于有标签历史振动数据所提取特征FS会出现偏移。为说明该情况,选取峰-峰值、裕度、峭度三种特征来对比目标振动数据一与有标签历史振动数据的特征空间分布如图4所示。从图4中可以看出0.007in内圈故障轴承在载荷变化后,所提取特征的空间分布出现了变化。
(2)基于公式计算有标签历史振动数据的初始特征集FS的距离指标,其中Sb为不同类特征的类间平均距离,Sw为单类特征的类内平均距离。计算结果如图5所示,根据图示结构,设定阈值为0.2,选择距离指标大于该阈值的特征序号分别构成三类振动数据的敏感特征集XS、XT1、XT2。
(3)基于实施例的具体实施设定,需要分别基于有标签历史振动数据DS识别目标振动数据一DT1与目标振动数据二DT2的轴承状态,因此需要分别基于有标签历史振动数据的敏感特征集XS与目标振动数据一的敏感特征集XT1构造格拉斯曼流形G1(d,D),基于有标签历史振动数据的敏感特征集XS与目标振动数据二敏感特征集XT2构造格拉斯曼流形G2(d,D),具体构造方法如下:基于有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进行主成分分析,并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS∈RD×d与目标振动数据的线性特征子空间PT∈RD×d,从而构造出一个格拉斯曼流形G(d,D),其中D为数据维度,d为特征子空间维度。
(4)分别在格拉斯曼流形G1(d,D)与格拉斯曼流形G2(d,D)上构造测地流Φ1(t)∈G1(d,D)与Φ2(t)∈G2(d,D),具体构造方法如下:以有标签历史振动数据的线性特征子空间PS为开始,以目标振动数据的线性特征子空间PT为结束,在格拉斯曼流形上构造测地流Φ(t)∈G(d,D),t∈[0,1]为测地流参数,当t=0时,Φ(0)=PS,而当t=1时,Φ(1)=PT,两者之间任一位置为其中U1与U2是通过奇异值分解求得的左奇异向量矩阵,V是对应的右奇异向量矩阵,Γ与Σ是对角矩阵,其中第i个对角元素分别为cosθi与sinθi,而θi是有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT之间的主角度,定义为对应地,Γ(t)与Σ(t)是对角元素分别为cos(tθi)与sin(tθi)的对角矩阵。
(5)分别将有标签历史振动数据的敏感特征集XS与目标振动数据一的敏感特征集XT1向测地流Φ1(t)上投影,将有标签历史振动数据的敏感特征集XS与目标振动数据二的敏感特征集XT2向测地流Φ2(t)上投影,使有标签历史振动数据的任一敏感特征向量xi与两种目标振动数据的任一敏感特征向量xj转换成测地流上的两个投影点与即
(6)分别在两个测地流上进行两个目标振动数据的敏感特征向量与有标签历史振动数据的敏感特征向量的距离测度计算,具体方法如下:距离测度公式为:
内积的计算基于测地流核函数:
其中,Λ1,Λ2,Λ3分别为对角矩阵,对角元素分别为
(7)基于距离测度最近邻分类器进行分类,输出对目标振动数据一的轴承状态识别结果,如图6(1)-图6(3)所示;输出对目标振动数据二的轴承状态识别结果,如图7(1)-图7(3)所示。
为对比轴承故障诊断效果,图6(1)-图6(3)与7(1)-图7(3)中同时绘制了基于支持向量机的识别结果,支持向量机的应用步骤如下:首先基于有标签历史振动数据的敏感特征集XS训练支持向量机模型形成分类超平面,然后应用支持向量机模型来识别目标振动数据一的敏感特征集XT1与目标振动数据二敏感特征集XT2。
从图6(1)-图6(3)中可以看出,随着轴承所承受载荷变大,支持向量机对目标振动数据一的识别准确率呈现下降的趋势。这是由于载荷变化后,目标振动数据在原支持向量机的分类超平面上持续偏移,从而导致分类准确率的下降。而本发明通过有标签历史振动数据的敏感特征集XS与目标振动数据一的敏感特征集XT1的域自适应保持了较高的识别准确度。
从7(1)-图7(3)中可以看出,随着轴承损伤程度的加大,同时由于轴承个体差异的影响,支持向量机完全无法识别目标振动数据二的轴承状态。而本发明通过有标签历史振动数据的敏感特征集XS与目标振动数据二的敏感特征集XT2的域自适应保持了较高的识别准确度。
本发明未详细阐述部分属于本领域技术人员的公知技术。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于域自适应的轴承故障诊断方法,其特征在于,包括如下步骤:
步骤1、采集有标签历史振动数据和目标振动数据,分别对有标签历史振动数据与目标振动数据进行特征提取,构造有标签历史振动数据的初始特征集FS与目标振动数据的初始特征集FT;所述有标签历史振动数据是指在多种已知轴承状态下采集的振动数据;所述目标振动数据是指在未知轴承状态下采集的振动数据或在待识别轴承状态下采集的振动数据;
步骤2、基于距离指标对有标签历史振动数据的初始特征集FS进行特征选择,构造有标签历史振动数据的敏感特征集XS,并对目标振动数据的初始特征集FT选择相同特征构造目标振动数据的敏感特征集XT;
步骤3、分别对有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT进行主成分分析,并分别选取d维特征向量构造有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT,从而构造出一个格拉斯曼流形G(d,D),其中D为数据维度;
步骤4、以有标签历史振动数据的线性特征子空间PS为开始,以目标振动数据的线性特征子空间PT为结束,在格拉斯曼流形上构造测地流;
步骤5、将有标签历史振动数据的敏感特征集XS与目标振动数据的敏感特征集XT向测地流上投影,使有标签历史振动数据的任一敏感特征向量xi与目标振动数据的任一敏感特征向量xj转换成测地流上的两个投影点与
步骤6、基于测地流核函数进行距离测度计算;
步骤7、基于距离测度采用最近邻分类器进行分类,输出目标振动数据的轴承状态识别结果。
2.如权利要求1所述的一种基于域自适应的轴承故障诊断方法,其特征在于:所述步骤1中所述特征提取包括分别提取有标签历史振动数据与目标振动数据时域与小波域的统计参数,包括:峰-峰值、均值、标准差、均方值、波形指标、峰值指标、脉冲指标、裕度、偏度、峭度。
3.如权利要求1所述的一种基于域自适应的轴承故障诊断方法,其特征在于:所述步骤2中所述距离指标为其中Sb为不同类特征的类间平均距离,Sw为单类特征的类内平均距离,特征选择以JA大于一定阈值的特征构成特征集。
4.如权利要求1所述的一种基于域自适应的轴承故障诊断方法,其特征在于:步骤4具体过程如下:
所述的测地流Φ(t)∈G(d,D),t∈[0,1]为测地流参数,当t=0时,Φ(0)=PS,而当t=1时,Φ(1)=PT,两者之间任一位置为其中U1与U2是通过奇异值分解求得的左奇异向量矩阵,V是对应的右奇异向量矩阵,Γ与Σ是对角矩阵,其中第i个对角元素分别为cosθi与sinθi,而θi是有标签历史振动数据的线性特征子空间PS与目标振动数据的线性特征子空间PT之间的主角度,定义为对应地,Γ(t)与Σ(t)是对角元素分别为cos(tθi)与sin(tθi)的对角矩阵。
5.如权利要求1所述的一种基于域自适应的轴承故障诊断方法,其特征在于:步骤5中所述的两个投影点为:与
6.如权利要求1所述的一种基于域自适应的轴承故障诊断方法,其特征在于:步骤6的具体过程为:
基于测地流核函数进行距离测度计算:其中,Λ1,Λ2,Λ3分别为对角矩阵,对角元素分别为
7.如权利要求1-6任一所述的一种基于域自适应的轴承故障诊断方法,其特征在于:所述方法也适用于齿轮的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066330.XA CN105606363B (zh) | 2016-01-29 | 2016-01-29 | 一种基于域自适应的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066330.XA CN105606363B (zh) | 2016-01-29 | 2016-01-29 | 一种基于域自适应的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105606363A CN105606363A (zh) | 2016-05-25 |
CN105606363B true CN105606363B (zh) | 2017-11-07 |
Family
ID=55986475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610066330.XA Active CN105606363B (zh) | 2016-01-29 | 2016-01-29 | 一种基于域自适应的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606363B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441893B (zh) * | 2016-09-22 | 2018-08-10 | 北京邮电大学 | 火车滚动轴承故障与杂质振动区分方法 |
CN107727395B (zh) * | 2017-07-21 | 2019-12-03 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
JP6848813B2 (ja) * | 2017-10-25 | 2021-03-24 | 日本製鉄株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN108549741B (zh) * | 2018-03-07 | 2021-06-11 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
US10967514B2 (en) * | 2018-08-22 | 2021-04-06 | Abb Schweiz Ag | Apparatus and method to monitor robot mechanical condition |
CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
JP7134845B2 (ja) * | 2018-11-21 | 2022-09-12 | 株式会社日立製作所 | 分析支援装置、分析支援方法、および分析支援プログラム |
CN110186680B (zh) * | 2019-05-30 | 2022-05-24 | 盐城工学院 | 一种对抗判别域适应一维卷积神经网络智能故障诊断方法 |
CN110414383A (zh) * | 2019-07-11 | 2019-11-05 | 华中科技大学 | 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用 |
CN110907207B (zh) * | 2019-11-25 | 2022-08-09 | 湃方科技(天津)有限责任公司 | 非标机械设备的运行状态检测方法及装置 |
CN111060337B (zh) * | 2019-12-05 | 2022-05-06 | 杭州哲达科技股份有限公司 | 一种基于专家系统的运转设备实时故障诊断方法 |
CN111272428B (zh) * | 2020-02-17 | 2022-03-15 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN114638060B (zh) * | 2022-03-10 | 2023-02-17 | 重庆英科铸数网络科技有限公司 | 故障预测方法、系统、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
CN103729648A (zh) * | 2014-01-07 | 2014-04-16 | 中国科学院计算技术研究所 | 领域自适应模式识别方法及系统 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602007004123D1 (de) * | 2007-10-24 | 2010-02-11 | Abb Research Ltd | Verfahren zur Detektion und automatischen Identifikation von Beschädigungen an Wälzlagern |
US8544331B2 (en) * | 2008-12-04 | 2013-10-01 | University Of Ottawa | Parameter independent detection of rotating machinery faults |
-
2016
- 2016-01-29 CN CN201610066330.XA patent/CN105606363B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
CN103729648A (zh) * | 2014-01-07 | 2014-04-16 | 中国科学院计算技术研究所 | 领域自适应模式识别方法及系统 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105606363A (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105606363B (zh) | 一种基于域自适应的轴承故障诊断方法 | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
Saidi et al. | Application of higher order spectral features and support vector machines for bearing faults classification | |
CN107144430B (zh) | 一种基于增量学习的轴承故障诊断方法 | |
Magar et al. | FaultNet: A deep convolutional neural network for bearing fault classification | |
Wang et al. | Intelligent rolling bearing fault diagnosis via vision ConvNet | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN109612729A (zh) | 一种港机车轮轴承的故障状态识别方法 | |
CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
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 | |
CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
CN108760300A (zh) | 一种依据轴承振动信号对其进行故障智能诊断的方法 | |
CN113177448A (zh) | 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统 | |
Zhang et al. | A bearing fault diagnosis method based on multiscale dispersion entropy and GG clustering | |
Hizarci et al. | Vibration region analysis for condition monitoring of gearboxes using image processing and neural networks | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Zhu et al. | Adaptive multiscale convolution manifold embedding networks for intelligent fault diagnosis of servo motor-cylindrical rolling bearing under variable working conditions | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
CN108225750A (zh) | 一种基于故障特征多相关性的旋转机械故障诊断方法 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
Sharmila et al. | A two-step unsupervised learning approach to diagnose machine fault using big data | |
Kolar et al. | Rotating shaft fault prediction using convolutional neural network: a preliminary study | |
Hemmer et al. | Simulation-driven deep classification of bearing faults from raw vibration data | |
Nishat Toma et al. | Bearing Fault Classification Using Ensemble Empirical Mode Decomposition and Convolutional Neural Network. Electronics 2021, 10, 1248 | |
Wei et al. | A New Unsupervised Learning Approach for CWRU Bearing State Distinction |
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 |