CN105675274A - 基于时域参数与d-s证据理论的转子运行状态监测方法 - Google Patents
基于时域参数与d-s证据理论的转子运行状态监测方法 Download PDFInfo
- Publication number
- CN105675274A CN105675274A CN201610008437.9A CN201610008437A CN105675274A CN 105675274 A CN105675274 A CN 105675274A CN 201610008437 A CN201610008437 A CN 201610008437A CN 105675274 A CN105675274 A CN 105675274A
- Authority
- CN
- China
- Prior art keywords
- rotor
- vector
- time domain
- domain parameter
- evidence theory
- 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.)
- Pending
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于时域参数与D-S证据理论的转子运行状态监测方法。该方法通过计算在线采集数据的时域参数来构造判别向量,再计算判别向量与通过历史数据计算所构建的识别标准框架的欧氏距离,通过计算将距离转化为转子系统各状态的概率函数值,最后通过D-S证据理论将多通道的信息进行融合得到最终的结果,提高诊断结果的准确性。本发明大大地减小了传统片面信息造成的诊断的不精确和资源信息浪费的现象,拓展了旋转机械故障监测的水平和范围,为旋转机械健康可靠地运行提供有力支持。
Description
技术领域:
本发明属于机械设备故障诊断领域,具体涉及一种基于时域参数与D-S证据理论的转子运行状态监测方法。
背景技术:
大型旋转机械作为现代大部分工业生产中的核心设备,其安全平稳运行对电力、冶金、交通、机床、炼油、汽车制造等企业至关重要。随着科学技术的进步与发展,机械设备性能越来越好的同时,对设备平稳运行能力的要求也越来越高。转子作为旋转机械的工作主体,是故障高发部位,因此对转子状态的监测与判定具有很大的经济效益和社会意义,将大大促进我国重型基础装备的发展。
提取转子状态的特征,即采用适当的方法,从采集的信号中提取出转子各状态的特征信息,信号处理是特征提取最常用的方法。时域特征参数主要包括均值、标准差、峰值、有效值、偏斜度、峭度等统计量,以及一些无量纲指标,如:峰值指标、脉冲指标、裕度指标等。这些特征参数计算简单,物理意义明确,因而很早就被应用于各种机械的故障检测和状态分析。对于转子系统来说,单源或单通道的时域特征参数很难准确的区分转子的状态,所以对时域参数来区分转子状态类别需要融合多方面信息。
D-S证据理论是一种非精确的推理方法,被广泛用于信息融合、专家系统、情报分析、法律案件分析、多属性决策分析等众多领域。由于在证据理论中需要的先验数据比概率推理理论中的更为直观、更容易获得,再加上Dempster合成公式可以综合不同专家或数据源的知识或数据,将多通道信息进行融合,避免单一状态特征信息引起对状态判别的片面性,因此能快速、全面、可靠的反应出转子的状态信息。
发明内容:
本发明的目的在于弥补单通道信息对转子系统状态监测的片面性和其他状态监测方法的繁琐性,融合多通道信息,全面、快速、准确区分转子的状态类型,提供了一种基于时域参数与D-S证据理论的转子运行状态监测方法。
为达到上述目的,本发明采用如下技术方案来实现的:
基于时域参数与D-S证据理论的转子运行状态监测方法,包括以下步骤:
1)获取旋转机械转子系统的常见状态的历史振动数据集;
2)从历史振动数据中计算各状态的时域参数,每种状态构造一个时域参数的多维向量,作为识别标准向量;
3)采集旋转机械转子系统在线的多通道的振动数据,作为测试样本;
4)将每个采集通道的测试样本进行处理,计算时域参数,每个数据得到一个关于时域参数的多维向量,作为判别向量;
5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离,进行测度,得到距离向量;
6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量;
7)最后通过D-S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。
本发明进一步的改进在于:所述步骤1)中获得旋转机械转子系统的常见状态包括转子不对中故障、转子不平衡故障、转子裂纹故障、转子碰磨故障和转子正常五种状态。
本发明进一步的改进在于:所述步骤2)中计算的时域参数包括平均值、均方根值、方差、标准差、方根幅值、平均幅值、均方根幅值、峰值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标;其中识别标准向量是5个代表各转子状态的15维向量;
各参数数计算方法如下表1:
式中:x(t)为振动数据大小,t为时间,T是振动数据的观测时间, 为偏斜度; 为峭度。
本发明进一步的改进在于:所述步骤3)中振动数据的采集为对每个测量面同步采集的两路相互垂直的振动数据。
本发明进一步的改进在于:所述步骤5)中每个判别向量与识别标准向量的欧氏距离dij的计算公式如下:
其中,Xi为判别向量,Bj为识别标准向量中的向量,n为向量维数,即n=15,xik为判别向量Xi中的元素,bjk为识别标准向量Bj中的元素。
本发明进一步的改进在于:所述步骤6)中概率分配函数值cij的计算公式如下:
其中dij为两个向量的欧氏距离,m为距离向量的维数,即m=5。
本发明进一步的改进在于:所述步骤7)中多通道对应多个传感器,转子每个测量面对应两个相互垂直的传感器,D-S证据理论将各通道信息进行融合,从而全面反应转子的状态信息。
与现有技术相比,本发明具有以下的有益效果:
本发明所述是基于时域参数与D-S证据理论的转子运行状态监测方法,根据时域参数能全面反应振动数据的特征且计算方便和D-S证据理论能融合多通道信息、全面反应系统状态的特点,通过转子系统的历史振动数据的时域参数构造识别标准向量,继而通过计算在线采集数据的时域参数构造判别向量,计算判别向量与识别标准向量的欧氏距离,通过距离的反比例法计算得到转子系统各状态的概率,最后通过D-S证据理论将多通道的信息进行融合得到最终的结果,提高状态识别结果的准确性,大大地减小了传统片面信息造成的诊断的不精确和资源信息浪费的现象,拓展了旋转机械故障监测的水平和范围,为旋转机械健康可靠地运行提供有力支持。
附图说明:
图1为本发明的基本流程图;
图2为D-S证据理论融合多通道信息的框图。
具体实施方式:
以下结合附图对本发明作进一步的详细说明。
本发明主要针对旋转机械的转子系统运行时常见的状态识别与诊断,图1为本发明的基本流程图,具体实施步骤如下。
步骤1)首先要获取转子系统常见故障(包括转子不对中、转子不平衡、转子裂纹和转子碰磨)的样本数据和转子系统处于正常状态时的数据样本;
步骤2)对5类典型转子状态数据通过时域统计分析获得相应的表征状态特征的如表1中的15个时域特征参数,所有的时域特征参数构成特征向量,即5类转子状态的识别标准向量B=(B1,B2,B3,B4,B5),其中B1代表转子不对中,B2代表转子不平衡,B3代表转子裂纹,B4代表转子碰磨,B5代表转子正常;
步骤3)采集转子系统在线4通道的振动数据,作为测试样本;
步骤4)将每个采集通道的测试样本进行处理,计算时域特征参数,每个数据得到一个关于时域特征参数的15维向量,作为判别向量X,X1代表第一通道判别向量,X2代表第二通道判别向量,X3代表第三通道判别向量,X4代表第四通道判别向量;
步骤5)通过计算每个判别向量与识别标准向量中每种状态向量之间的欧氏距离,进行测度,每计算一次得到一个5维的距离向量D,距离向量D中的元素表示第i的通道的判别向量与第j个识别向量之间的距离;
步骤6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的一个5维向量C,向量C中元素
其中,cij表示第第i个通道的测试数据为转子第j种状态的概率大小;
7)最后通过D-S证据理论将4通道概率进行融合,其过程框图如图2所示,得到采集数据时转子状态的判别结果的一个5维向量P,向量P中的元素代表转子为各状态的概率大小。
为了检验本发明方法的准确性和实用性,做了以下实施例,针对某一旋转机械的转子系统,通过历史数据计算得到各转子状态的识别标准向量B,其中B1代表转子不对中,B2代表转子不平衡,B3代表转子裂纹,B4代表转子碰磨,B5代表转子正常,部分结果如表2。
表2
b1 | b2 | b3 | … | b14 | b15 | |
B1 | 0.0089 | 25.2781 | 5.0277 | … | -0.0684 | 1.4788 |
B2 | -0.0005 | 641.3289 | 25.3245 | … | 0.0135 | 1.4896 |
B3 | 0.0758 | 64.4834 | 8.0302 | … | 0.8123 | 2.7422 |
B4 | 0.0460 | 25.9954 | 5.0986 | … | 0.1412 | 2.5199 |
B5 | 0.0950 | 19.6352 | 4.4312 | … | -0.1139 | 1.4751 |
得到识别标准向量后,采集测试数据,用已知状态的样本进行测试,每种状态取2组数据,一组数据包含4个通道,一个通道为一个测试样本,因此五种状态共采集样本40个。
然后通过步骤4)得到40个判别向量,继而通过步骤5)和步骤6)得到40个5维向量C,对于五种状态的结果如下列各表,其中表3为转子不对中的结果,表4为转子不平衡的结果,表5为转子裂纹的结果,表6为转子碰磨的结果,表7为转子正常的结果。
表3
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
c11 | 0.8103 | 0.0011 | 0.0157 | 0.0731 | 0.0998 |
c12 | 0.7916 | 0.0011 | 0.0157 | 0.0780 | 0.1136 |
c13 | 0.2737 | 0.0047 | 0.0562 | 0.1851 | 0.4803 |
c14 | 0.2640 | 0.0037 | 0.0412 | 0.1495 | 0.5420 |
c21 | 0.7264 | 0.0016 | 0.0237 | 0.1101 | 0.1382 |
c22 | 0.7777 | 0.0012 | 0.0172 | 0.0853 | 0.1186 |
c23 | 0.2711 | 0.0044 | 0.0533 | 0.1789 | 0.19423 |
c24 | 0.2621 | 0.0032 | 0.0400 | 0.1465 | 0.482 |
表4
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
c11 | 0.0016 | 0.9934 | 0.0017 | 0.0016 | 0.0016 |
c12 | 0.0813 | 0.6689 | 0.0877 | 0.0815 | 0.0805 |
c13 | 0.1934 | 0.2006 | 0.2218 | 0.1942 | 0.1900 |
c14 | 0.1906 | 0.2131 | 0.2175 | 0.1914 | 0.1874 |
c21 | 0.0043 | 0.9824 | 0.0046 | 0.0044 | 0.0043 |
c22 | 0.0808 | 0.6712 | 0.0871 | 0.0810 | 0.0800 |
c23 | 0.1927 | 0.2034 | 0.2208 | 0.1936 | 0.1895 |
c24 | 0.1906 | 0.2133 | 0.2174 | 0.1914 | 0.1874 |
表5
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
c11 | 0.0588 | 0.0046 | 0.8210 | 0.0627 | 0.0529 |
c12 | 0.2110 | 0.0498 | 0.3228 | 0.2145 | 0.2018 |
c13 | 0.1695 | 0.0192 | 0.4800 | 0.1750 | 0.1563 |
c14 | 0.2030 | 0.0361 | 0.3614 | 0.2074 | 0.1921 |
c21 | 0.0531 | 0.0041 | 0.8383 | 0.0567 | 0.0477 |
c22 | 0.2115 | 0.0515 | 0.3194 | 0.2150 | 0.2025 |
c23 | 0.1746 | 0.0205 | 0.4636 | 0.1799 | 0.1614 |
c24 | 0.2034 | 0.0366 | 0.3598 | 0.2078 | 0.1925 |
表6
表7
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
c11 | 0.1907 | 0.0015 | 0.0205 | 0.0912 | 0.6961 |
c12 | 0.4647 | 0.0024 | 0.0349 | 0.2333 | 0.26485 --> |
c13 | 0.2771 | 0.0061 | 0.0691 | 0.2110 | 0.4367 |
c14 | 0.2263 | 0.0026 | 0.0333 | 0.1294 | 0.6084 |
c21 | 0.1970 | 0.0015 | 0.0202 | 0.1024 | 0.6789 |
c22 | 0.6196 | 0.0018 | 0.0262 | 0.1447 | 0.2077 |
c23 | 0.2642 | 0.0056 | 0.0642 | 0.2120 | 0.4540 |
c24 | 0.1715 | 0.0020 | 0.0265 | 0.1289 | 0.6711 |
表3、表4、表5、表6和表7中每一行代表一个测试样本的计算结果,其中的元素分别代表转子系统处于不对中、不平衡、裂纹、碰磨和正常状态的概率大小,其中每种状态的结果表格中cij表示第i组数据的第j个通道的计算结果。
对每种状态的计算结果用D-S证据理论进行融合,首先两组数据中先对同一通道的计算结果进行融合,得到的结果如下列各表,其中表8为转子不对中的结果,表9为转子不平衡的结果,表10为转子裂纹的结果,表11为转子碰磨的结果,表12为转子正常的结果。
表8
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
T1 | 0.9636 | 0.0000 | 0.0006 | 0.0132 | 0.0226 |
T2 | 0.9679 | 0.0000 | 0.0004 | 0.0105 | 0.0212 |
T3 | 0.2140 | 0.0001 | 0.0086 | 0.0955 | 0.6818 |
T4 | 0.1775 | 0.0000 | 0.0042 | 0.0562 | 0.7621 |
表9
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
T1 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
T2 | 0.0138 | 0.9428 | 0.0160 | 0.0139 | 0.0135 |
T3 | 0.1857 | 0.2034 | 0.2441 | 0.1874 | 0.1794 |
T4 | 0.1809 | 0.2263 | 0.2355 | 0.1824 | 0.1749 |
表10
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
T1 | 0.0045 | 0.0000 | 0.9868 | 0.0051 | 0.0036 |
T2 | 0.1881 | 0.0108 | 0.4345 | 0.1944 | 0.1722 |
T3 | 0.0957 | 0.0013 | 0.7196 | 0.1018 | 0.0816 |
T4 | 0.1634 | 0.0052 | 0.5145 | 0.1705 | 0.1463 |
表11
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
T1 | 0.1089 | 0.0000 | 0.0063 | 0.7409 | 0.1439 |
T2 | 0.0398 | 0.0001 | 0.8777 | 0.0521 | 0.0302 |
T3 | 0.1843 | 0.0000 | 0.0080 | 0.2610 | 0.54666 --> |
T4 | 0.2267 | 0.0002 | 0.0832 | 0.5327 | 0.1571 |
表12
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
T1 | 0.0723 | 0.0000 | 0.0008 | 0.0180 | 0.9090 |
T2 | 0.7625 | 0.0000 | 0.0024 | 0.0894 | 0.1457 |
T3 | 0.2283 | 0.0001 | 0.0138 | 0.1395 | 0.6183 |
T4 | 0.0835 | 0.0000 | 0.0019 | 0.0359 | 0.8787 |
表8、表9、表10、表11和表12中每一行代表一个通道测试样本的融合结果,其中的元素分别代表转子系统处于不对中、不平衡、裂纹、碰磨和正常状态的概率大小,其中每种状态的结果表格中Ti表示第i个通道的融合结果。
表8对应是转子不对中的融合结果,从表中可以看出,第一通道和第二通道的融合结果中不对中的概率达到0.96以上,能明显判别是不对中故障,而第三、四通道的融合结果可以看出转子为正常的概率远大于不对中,从而出现不准确的判定结果;
表9对应是转子不平衡的融合结果,从表中可以看出,第一通道的融合结果中不平衡的概率达到百分之百,第二通道的融合结果也达到0.94,而第三、四通道的融合结果可以看出转子为各状态的概率比较均衡,从而不能判定转子处于什么状态;
表10对应是转子裂纹的融合结果,从表中可以看出,四个通道的融合结果中裂纹的概率都相对于其他状态的概率较大,但只有第一通道能明显判别是裂纹故障,而第二、三和四通道的融合结果还不够明显;
表11对应是转子碰磨的融合结果,从表中可以看出,第一通道和第四通道的融合结果中碰磨的概率较大,可以判别是碰磨故障,而第二通道的融合结果可以看出转子为裂纹的概率远大于碰磨,而第三通道的融合结果可以看出转子为正常的概率大于碰磨,从而第二、三同道出现不准确的判定结果;
表12对应是转子正常的融合结果,从表中可以看出,第一、三和四通道的融合结果中正常的概率较大,可以判别是正常故障,而第二通道的融合结果可以看出转子为不对中的概率远大于正常,从而第二同道出现不准确的判定结果;
为了提高准确性对每种状态的测试样本进行四个通道结果的融合,得到的最终结果如表13,表13中P1为转子不对中的融合结果,P2为转子不平衡的融合结果,P3为转子裂纹的融合结果,P4为转子碰磨的融合结果,P5为转子正常状态的融合结果,从表中可以看出每种状态的融合结果都达到0.9以上,可以明显的判定各自转子所处的状态,与单通道相比,进一步提高了准确性,没有出现误判现象,全面反映出了转子的状态信息。
表13
不对中 | 不平衡 | 裂纹 | 碰磨 | 正常 | |
P1 | 0.9930 | 0.0000 | 0.0000 | 0.0000 | 0.0070 |
P2 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
P3 | 0.0001 | 0.0000 | 0.9998 | 0.0001 | 0.0000 |
P4 | 0.0306 | 0.0000 | 0.0006 | 0.9057 | 0.06317 --> |
P5 | 0.0144 | 0.0000 | 0.0000 | 0.0001 | 0.9855 |
通过上面的实施例可以看出,本发明通过时域参数的计算,能部分反映出转子的状态,而单通道的融合结果也不能全面反应转子状态,有时还会出现错误的结果,通过D-S证据理论的多通道信息融合,提高转子状态判定的准确性,效果明显。
Claims (7)
1.基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于,包括以下步骤:
1)获取旋转机械转子系统的常见状态的历史振动数据集;
2)从历史振动数据中计算各状态的时域参数,每种状态构造一个时域参数的多维向量,作为识别标准向量;
3)采集旋转机械转子系统在线的多通道的振动数据,作为测试样本;
4)将每个采集通道的测试样本进行处理,计算时域参数,每个数据得到一个关于时域参数的多维向量,作为判别向量;
5)通过计算每个判别向量与识别标准向量两个多维向量之间的欧氏距离,进行测度,得到距离向量;
6)通过反比例法和归一化处理将距离向量转化为概率分配函数值的向量;
7)最后通过D-S证据理论将各通道概率进行融合得到旋转机械转子状态判别的结果。
2.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于:所述步骤1)中获得旋转机械转子系统的常见状态包括转子不对中故障、转子不平衡故障、转子裂纹故障、转子碰磨故障和转子正常五种状态。
3.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于:所述步骤2)中计算的时域参数包括平均值、均方根值、方差、标准差、方根幅值、平均幅值、均方根幅值、峰值、峰峰值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标;其中识别标准向量是5个代表各转子状态的15维向量;
各参数数计算方法如下表1:
式中:x(t)为振动数据大小,t为时间,T是振动数据的观测时间, 为偏斜度; 为峭度。
4.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于:所述步骤3)中振动数据的采集为对每个测量面同步采集的两路相互垂直的振动数据。
5.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于:所述步骤5)中每个判别向量与识别标准向量的欧氏距离dij的计算公式如下:
其中,Xi为判别向量,Bj为识别标准向量中的向量,n为向量维数,即n=15,xik为判别向量Xi中的元素,bjk为识别标准向量Bj中的元素。
6.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于:所述步骤6)中概率分配函数值cij的计算公式如下:
其中dij为两个向量的欧氏距离,m为距离向量的维数,即m=5。
7.根据权利要求1所述的基于时域参数与D-S证据理论的转子运行状态监测方法,其特征在于:所述步骤7)中多通道对应多个传感器,转子每个测量面对应两个相互垂直的传感器,D-S证据理论将各通道信息进行融合,从而全面反应转子的状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008437.9A CN105675274A (zh) | 2016-01-07 | 2016-01-07 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008437.9A CN105675274A (zh) | 2016-01-07 | 2016-01-07 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105675274A true CN105675274A (zh) | 2016-06-15 |
Family
ID=56299318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610008437.9A Pending CN105675274A (zh) | 2016-01-07 | 2016-01-07 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105675274A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106347578A (zh) * | 2016-10-27 | 2017-01-25 | 江苏科技大学 | 一种船舶推进轴系轴承振动故障监测方法 |
CN106441843A (zh) * | 2016-09-19 | 2017-02-22 | 南京科远自动化集团股份有限公司 | 一种旋转机械故障波形识别方法 |
CN106447040A (zh) * | 2016-09-30 | 2017-02-22 | 湖南科技大学 | 基于异类多传感器数据融合的机械设备健康状态评估方法 |
CN108760302A (zh) * | 2018-05-08 | 2018-11-06 | 南京风电科技有限公司 | 一种风力发电机组轴承的在线监测与故障诊断系统 |
CN108981796A (zh) * | 2018-06-06 | 2018-12-11 | 江苏大学 | 一种五位一体水力机械故障诊断方法 |
CN109844665A (zh) * | 2016-10-17 | 2019-06-04 | 三菱重工业株式会社 | 信息处理方法、信息处理装置、程序及信息处理系统 |
CN111625934A (zh) * | 2020-04-30 | 2020-09-04 | 中国地质大学(武汉) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 |
CN113033600A (zh) * | 2021-02-02 | 2021-06-25 | 湖南科技大学 | 基于改进d-s证据融合的转子不对中状态识别方法 |
CN113514144A (zh) * | 2021-07-28 | 2021-10-19 | 郑州轻工业大学 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
JP2011128994A (ja) * | 2009-12-18 | 2011-06-30 | Canon It Solutions Inc | 情報処理装置、情報処理方法、及びコンピュータプログラム |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
-
2016
- 2016-01-07 CN CN201610008437.9A patent/CN105675274A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
JP2011128994A (ja) * | 2009-12-18 | 2011-06-30 | Canon It Solutions Inc | 情報処理装置、情報処理方法、及びコンピュータプログラム |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
Non-Patent Citations (7)
Title |
---|
刘雄等: "《转子监测和诊断系统》", 31 July 1991 * |
曹鹏等: "《结合X-means聚类的自适应随机子空间组合分类算法》", 《计算机应用》 * |
杨万海: "《多传感器数据融合及其应用》", 30 April 2004, 西安电子科技大学出版社 * |
王小菲: "《海上网络战》", 30 November 2006, 国防工业出版社 * |
蒋玲莉: "基于核方法的旋转机械故障诊断技术与模式分析方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
蔡维玲: "一种基于最优监督性聚类中心的关系分类器", 《传感器与微系统》 * |
陈茹雯: "《非线性自回归时序模型分析及工程应用》", 31 October 2011, 东南大学出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441843B (zh) * | 2016-09-19 | 2019-09-20 | 南京科远自动化集团股份有限公司 | 一种旋转机械故障波形识别方法 |
CN106441843A (zh) * | 2016-09-19 | 2017-02-22 | 南京科远自动化集团股份有限公司 | 一种旋转机械故障波形识别方法 |
CN106447040A (zh) * | 2016-09-30 | 2017-02-22 | 湖南科技大学 | 基于异类多传感器数据融合的机械设备健康状态评估方法 |
CN106447040B (zh) * | 2016-09-30 | 2018-11-23 | 湖南科技大学 | 基于异类多传感器数据融合的机械设备健康状态评估方法 |
CN109844665B (zh) * | 2016-10-17 | 2020-06-30 | 三菱重工业株式会社 | 信息处理方法、信息处理装置、计算机可读存储介质及信息处理系统 |
CN109844665A (zh) * | 2016-10-17 | 2019-06-04 | 三菱重工业株式会社 | 信息处理方法、信息处理装置、程序及信息处理系统 |
CN106347578A (zh) * | 2016-10-27 | 2017-01-25 | 江苏科技大学 | 一种船舶推进轴系轴承振动故障监测方法 |
CN108760302A (zh) * | 2018-05-08 | 2018-11-06 | 南京风电科技有限公司 | 一种风力发电机组轴承的在线监测与故障诊断系统 |
CN108981796A (zh) * | 2018-06-06 | 2018-12-11 | 江苏大学 | 一种五位一体水力机械故障诊断方法 |
CN111625934A (zh) * | 2020-04-30 | 2020-09-04 | 中国地质大学(武汉) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 |
CN111625934B (zh) * | 2020-04-30 | 2023-05-26 | 中国地质大学(武汉) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 |
CN113033600A (zh) * | 2021-02-02 | 2021-06-25 | 湖南科技大学 | 基于改进d-s证据融合的转子不对中状态识别方法 |
CN113033600B (zh) * | 2021-02-02 | 2022-05-27 | 湖南科技大学 | 基于改进d-s证据融合的转子不对中状态识别方法 |
CN113514144A (zh) * | 2021-07-28 | 2021-10-19 | 郑州轻工业大学 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
CN113514144B (zh) * | 2021-07-28 | 2022-07-26 | 郑州轻工业大学 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105675274A (zh) | 基于时域参数与d-s证据理论的转子运行状态监测方法 | |
CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
CN103776654B (zh) | 多传感器信息融合的故障诊断方法 | |
CN104061445B (zh) | 一种基于神经网络的管道泄漏检测方法 | |
CN103776480B (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
CN106447040B (zh) | 基于异类多传感器数据融合的机械设备健康状态评估方法 | |
CN106153340B (zh) | 一种滚动轴承故障诊断方法 | |
CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN108981796B (zh) | 一种五位一体水力机械故障诊断方法 | |
CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN105203936A (zh) | 一种基于频谱分析的电力电缆局部放电缺陷类型判别方法 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
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 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN106841949A (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN110057581A (zh) | 基于区间型信度规则推理的旋转机械故障诊断方法 | |
CN103884943A (zh) | 一种变压器绕组变形综合分析诊断方法 | |
CN108267312A (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN105116301A (zh) | 一种基于动态统计的数据辅助判断方法 | |
You et al. | Fault diagnosis system of rotating machinery vibration signal | |
CN102692450B (zh) | 基于模糊综合评判的金属拉深件成形裂纹状态识别方法 | |
CN104614178A (zh) | 一种基于全矢谱的故障征兆提取方法 | |
CN104569814B (zh) | 一种基于近似熵的直流牵引电机健康状态实时分析方法 | |
CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |
|
RJ01 | Rejection of invention patent application after publication |