CN106198000A - 一种采煤机摇臂齿轮故障诊断方法 - Google Patents
一种采煤机摇臂齿轮故障诊断方法 Download PDFInfo
- Publication number
- CN106198000A CN106198000A CN201610541105.7A CN201610541105A CN106198000A CN 106198000 A CN106198000 A CN 106198000A CN 201610541105 A CN201610541105 A CN 201610541105A CN 106198000 A CN106198000 A CN 106198000A
- Authority
- CN
- China
- Prior art keywords
- gear
- fault
- coal mining
- rocker
- vibration 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.)
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种采煤机摇臂齿轮故障诊断方法,利用摇臂振动信号中的多类故障特征信息和故障分类方法实现摇臂齿轮的故障诊断;首先通过加速度传感器获取不同测点的振动信号,应用小波包变换对振动信号进行分解,得到小波包分解后的各部分时域振动信号,分别提取他们的能量系数、陡度系数和偏度系数,作为摇臂齿轮故障特征参量,利用故障特征参量对支持向量机的故障分类模型进行训练,得到最优的故障分类模型,实现采煤机摇臂齿轮的故障诊断。本方法的有益效果是:可解决摇臂齿轮振动信号故障信息提取困难、故障信息单一和故障识别率低的问题,又使得基于多参量的摇臂齿轮故障诊断方法具有计算简单、便于实现和识别率高等优点。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种齿轮故障诊断方法,尤其是涉及一种采煤机摇臂齿轮故障诊断方法。
技术背景
采煤机是综采工作面的重大生产装备,智能化、信息化和高可靠性是现代采煤机发展的方向,状态监测和故障诊断是保证采煤机可靠运行的重要手段。摇臂齿轮是采煤机可靠性最薄弱的环节,摇臂齿轮故障占到总故障的34.2%,摇臂齿轮故障将导致采煤机无法正常工作,从而造成工作面停工,严重影响煤矿的正常生产。基于振动信号的摇臂齿轮故障诊断方法包括两个主要步骤,首先通过一些信号处理方法对原始振动信号进行处理并提取故障特征信息,然后通过机器学习的方法,对齿轮箱故障特征进行模式识别,达到故障诊断的目的。普遍使用的信号处理方法包括时域分析和频域分析。其中时域分析计算简单方便,但是只能分析一些平稳的简单信号,由于摇臂齿轮箱振动信号的复杂性导致时域分析并不能在该领域中直接单独使用。频域分析只能从整体层面反映信号的特征,忽略了信号的局部特征。近年来,小波变换作为一种新的时频分析方法逐渐被应用到该领域之中,通过调整尺度参数,小波分析能反映出信号的局部特征。通常小波分析主要包括多辨分析和小波包分析。其中,多辨分析只能不断的对低频信号进行分解和重构,小波包分析能对信号的高频和低频同时分析。在摇臂齿轮故障特征提取中另一个重要的步骤就是特征参数计算,通常使用的时域参数有能量系数、陡度系数和偏度系数,这些参数只能描述故障振动信号的某个方面的变化规律,单独使用在摇臂齿轮故障诊断方面不能取得很好的效果。
当前国内外学者对采煤机摇臂齿轮故障诊断领域的研究存在以下几方面不足。首先,采煤机摇臂齿轮箱是一个多级齿轮传动结构,产生的振动信号成分复杂,故障特征参量提取较为困难。其次,由于齿轮箱故障模式繁多,故障振动信号往往包含集中故障模式的混合,单一特征参量很难全面描述摇臂齿轮故障的变化规律,造成故障识别率较低。此外,故障识别模型的建立,这是实现摇臂齿轮故障诊断重要一环,目前,故障识别方法种类繁多,选择一种适用于小样本和多参量的故障识别方法是极其重要的。
发明内容
本发明所要解决的技术问题是:目前采煤机摇臂齿轮故障诊断中存在故障特征信息提取困难以及故障信息单一和故障识别率低的问题。
为解决上述技术问题,本发明所采取的技术方案是:提供一种采煤机摇臂齿轮故障诊断方法,其具体是基于小波包变换和支持向量机的采煤机摇臂齿轮故障诊断方法,具体操作包括以下步骤:
(1)分别收集采煤机摇臂测点,即齿轮正常、点蚀、断齿、磨损和剥落状态下的振动信号作为参考数据,每组数据分为两部分,一部分作为支持向量机分类模型的训练样本,另一部分作为支持向量机分类模型的测试样本,并标注数据的类型和故障类型;
(2)利用小波包分解,对振动信号进行分解得到小波系数矩阵,对每一部分的小波系数进行重构,得到小波包分解后的各部分振动信号;
(3)故障特征信息提取,计算小波包分解每一部分振动时域信号能量系数、陡度系数和陡度系数,组成摇臂齿轮故障特征空间;
(4)SVM分类模型参数寻优,支持向量机故障分类模型为
其中,为分类样本数据,为分类类型,为映射函数,C为惩罚因子,b为松弛因子,利用粒子群算法计算得到SVM分类模型中映射函数γ和惩罚因子C参数;
(5)分类模型训练,利用寻优得到的映射函数γ、惩罚因子C以及训练数据对SVM分类模型进行训练,得到分类模型中的ω和b参数,最终得到SVM最优分类模型;
(6)分类模型测试,对比测试样本数据故障类型和SVM模型分类后的故障类型验证模型的准确性以及本发明的有效性。
本发明中所给出的,采煤机摇臂齿轮故障诊断方法的主要适用对象为德国艾柯夫SL 500采煤机摇臂。
本发明中所涉及的基础理论有:小波包变换、粒子群参数寻优和SVM分类原理。
1.小波包变换
小波包分解计算公式如下:
其中,为第0层小波包,为原始振动信号,为是第j层小波包分解中的第i个小波包系数,为离散低通滤波器的第k个系数,为离散高通滤波器的第k个系数。
重构算法公式如下:
式中j=1,2...n是小波分解的层数;i=1,2...2j,是第j 层小波包分解中的第i个小波包系数,为重构离散低通滤波器的第k个系数,为重构离散高通滤波器的第k个系数。
2.SVM分类原理
SVM的最优分类平面如下:
其中,为分类样本数据,为分类类型,为映射函数,映射函数采用径向基核函数(RBF),映射函数将非线性可分样本数据转换为线性可分的数据,RBF函数如下所示:
分类平面参数ω、b计算如下:
计算得到的最优超平面为:。
3.粒子群参数寻优
粒子群中粒子更新原理如下:
其中,k为更新次数,c 1 和c 2为学习因子,分别对个体极值P i 和全局极值P g 做调整,r 1和r 2为0~1分布的随机数,ω是用来对全局搜索能力和局部搜索能力进行协调的一个参数。
从以上POS计算原理可得,c 1 、c 2和ω的选择对最后的收敛精度和收敛速度起着决定性的作用,动态地调整他们的值可以调高计算的收敛精度和速度,在此采用权重计算方法对ω的选择不断调整,ω的计算如下:
其中,和惯性权重的极大值和极小值,和为最大迭代次数和当前迭代次数。
参数c 1和c 2对POS的收敛熟读和精度特别是后期的收敛速度和进度非常重要,计算公式如下
其中c max 为c 1的初始值,c min 为c 1的最终值,0<c min <c max ≤4。
本发明的有益效果是:本发明中应用的小波包变换实现了对振动信号的有效分解;所确定的故障特征参量能准确全面地描述摇臂不同故障状态下振动信号的变化规律;所提出的故障诊断方法能实现摇臂齿轮故障的准确诊断,且实现方便,效果良好。
附图说明
图1为采煤机摇臂结构及振动信号测点图;
图2为采煤机摇臂齿轮故障诊断流程图;
图中:1、Ⅰ级直齿轮;2、Ⅱ级直齿轮;3、Ⅰ级行星齿轮;4、Ⅱ级行星齿轮;5、剪切轴;6截割电机;7、截割滚筒。
具体实施方式
下面结合附图对本发明进一步说明。
如图1所示,本方法的适用对象为德国艾柯夫SL 500采煤机摇臂,它包含齿轮箱、电机和滚筒,所述的齿轮箱包含Ⅰ级直齿轮1、Ⅱ级直齿轮2、Ⅰ级行星齿轮3和Ⅱ级行星齿轮4,所述的Ⅰ级直齿轮1包含齿轮Z1、Z2、Z3和Z4,齿轮Z1与截割电机6同轴连接,齿轮Z4与齿轮Z5同轴连接,齿轮Z2轴承座外壳设置有测点A;所述的Ⅱ级直齿轮2包含齿轮Z5、Z6、Z7和Z8,齿轮Z6轴承座外壳设置有测点B,齿轮Z8与Z9同轴连接,所述的Ⅰ级行星齿轮3包含齿轮Z9、Z10和Z11,齿轮Z11外壁设置有测点C,所述的Ⅱ级行星轮4包含齿轮Z12、Z13和Z14,齿轮Z14外壁设置有测点D,所述的截割滚筒7与Ⅱ级行星轮4行星架同轴相连。
如图2所示的摇臂故障诊断方法包含的步骤如下。
(1)获取摇臂齿轮箱在不同故障模式下的振动信号;
在摇臂齿轮箱运行状态下,以预先设定的采样频率和采样时间,采集不同故障模式的摇臂齿轮箱振动信号。设每种故障模式采集N组振动信号,每组振动信号具有n个采样点,振动信号的安装位置如图2所示。采用0~4来标记齿轮正常和四种不同的故障类型,其中0表示齿轮正常,1表示点蚀故障,2表示断齿故障,3表示磨损故障,4表示剥落故障。将提取的特征数据分为两类,一类是训练样本数据,这一组数据用于对分类模型进行训练,另一类样本数据为测试数据,这组数据用于对训练后的模型分类准确率进行验证。
(2)振动信号小波包分解;
首先通过小波包变换对振动信号进行分解,得到小波系数矩阵D ij (k);
其次,定义一个矩形滑动窗口对小波系数矩阵进行分块,这样就可以将小波系数矩阵分割为一系列的n×n方阵;其中矩形滑动窗口函数公式如下:
式中i,j为小波系数矩阵的行和列,w(i,j) 为第i,j个元素的窗函数值;
然后,对于上步所得的每一个n×n方阵计算其Frobenius 范数;这样就将小波系数矩阵转换为由F范数所组成的特征矩阵F ij 。其中F范数的公式如下:
式中X是一个n×n的方阵,tr(·) 是矩阵的迹。
(3)故障特征信息的提取;
能量计算公式:
陡度计算公式:
偏度计算公式:。
(4)SVM故障分类模型参数寻优
首先,对数据进行归一化处理;为了加快分类程序运行时的收敛速度需要对样本数据做归一化处理,将数据变换为[0~1]之间,归一化的计算公式如下:
其中,为样本数据中的最大值,为样本数据中的最小值,归一化范围最小值,一般取值为0,归一化范围最大值,一般取值为1;
其次,SVM故障识别模型中最重要的两个参数是惩罚因子C和径向核函数(RBF)中的γ参数,为了更好的确定模型的最有参数,采用了粒子群(POS)参数寻优的计算方法实现模型参数的确定。
(5)SVM分类模型训练;实现了数据的分类和归一化处理以及模型参数的确定后,就需要应用训练样本数据对模型进行训练,得到所需要的最优分类模型。
(6)SVM分类模型测试;带入预先分类好的数据对训练后的SVM分类模型进行测试,对实际类型和分类结果进行对比分析,验证分类模型的准确性。
本发明中应用的小波包变换实现了对振动信号的有效分解;所确定的故障特征参量能准确全面地描述摇臂不同故障状态下振动信号的变化规律;所提出的故障诊断方法能实现摇臂齿轮故障的准确诊断,且实现方便,效果良好。
本发明中所涉及到的对采煤机摇臂齿轮故障诊断主要是针对德国艾柯夫SL 500采煤机摇臂,但这一点只是作为本发明的主要研究对象,并不能局限了本发明可以在其他种类的采煤机上的应用。
Claims (4)
1.一种采煤机摇臂齿轮故障诊断方法,其具体是基于小波包变换和支持向量机的采煤机摇臂齿轮故障诊断方法,其特征在于,具体操作包括以下步骤:
(1)分别收集采煤机摇臂齿轮正常、点蚀、断齿、磨损和剥落状态下的振动信号作为参考数据,每组数据分为两部分,一部分作为支持向量机分类模型的训练样本,另一部分作为支持向量机分类模型的测试样本,并标注数据的类型和故障类型;
(2)利用小波包分解,对振动信号进行分解得到小波系数矩阵,对每一部分的小波系数进行重构,得到小波分解后的各部分振动信号;
(3)故障特征信息提取,计算小波包分解每一部分振动时域信号的故障特征信息,组成摇臂齿轮故障特征空间;
(4)SVM分类模型参数寻优,利用粒子群算法计算得到SVM分类模型的最优参数;
(5)分类模型训练,利用寻优结果和训练数据对SVM分类模型进行训练,得到SVM最优分类模型;
(6)分类模型测试,带入测试样本数据验证分类模型的准确性以及本发明的有效性。
2.根据权利要求1所述的一种采煤机摇臂齿轮故障诊断方法,其特征在于,所述提取小波包分解部分的故障特征信息有能量系数、陡度系数和偏度系数。
3.根据权利要求1所述的一种采煤机摇臂齿轮故障诊断方法,其特征在于,所述支持向量机故障分类模型为
其中,为分类样本数据,为分类类型,为映射函数,C为惩罚因子,b为松弛因子;
所述的支持向量机分类模型中的惩罚因子C和映射函数γ参数是通过粒子群算法计算得到。
4.根据权利要求1所述的一种采煤机摇臂齿轮故障诊断方法,其特征在于,所述采煤机摇臂齿轮故障诊断方法的适用对象为德国艾柯夫SL 500采煤机摇臂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610541105.7A CN106198000A (zh) | 2016-07-11 | 2016-07-11 | 一种采煤机摇臂齿轮故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610541105.7A CN106198000A (zh) | 2016-07-11 | 2016-07-11 | 一种采煤机摇臂齿轮故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106198000A true CN106198000A (zh) | 2016-12-07 |
Family
ID=57473684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610541105.7A Pending CN106198000A (zh) | 2016-07-11 | 2016-07-11 | 一种采煤机摇臂齿轮故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106198000A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463872A (zh) * | 2017-06-27 | 2017-12-12 | 广东石油化工学院 | 一种旋转机械转轴裂纹故障诊断方法 |
CN107798343A (zh) * | 2017-10-16 | 2018-03-13 | 南京邮电大学 | 一种基于流形结构改进的svm模拟电路故障诊断方法 |
CN108414219A (zh) * | 2018-01-31 | 2018-08-17 | 杭州携测信息技术有限公司 | 一种齿轮电动机的齿轮故障诊断方法和系统 |
CN108898765A (zh) * | 2018-05-11 | 2018-11-27 | 国网湖北省电力有限公司检修公司 | 一种基于振动信号分析的架空输电线外力破坏预警方法 |
CN109506907A (zh) * | 2018-11-06 | 2019-03-22 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN109635881A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
CN109800888A (zh) * | 2019-01-08 | 2019-05-24 | 浙江大学 | 一种基于群智能机器学习的采煤机在线故障诊断系统 |
CN109871864A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 强鲁棒改进群智能优化的采煤机切割模式识别系统 |
CN109886421A (zh) * | 2019-01-08 | 2019-06-14 | 浙江大学 | 基于集成学习的群智能采煤机切割模式识别系统 |
CN110987396A (zh) * | 2019-12-13 | 2020-04-10 | 三一重型装备有限公司 | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 |
CN112381123A (zh) * | 2020-10-30 | 2021-02-19 | 鄂尔多斯应用技术学院 | 一种基于时间序列预测方法的采煤机故障预测方法 |
CN113283386A (zh) * | 2021-05-25 | 2021-08-20 | 中国矿业大学(北京) | 一种基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006034223A2 (en) * | 2004-09-17 | 2006-03-30 | Plain Sight Systems, Inc. | System and method for hyper-spectral analysis |
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN101660969A (zh) * | 2009-09-25 | 2010-03-03 | 北京工业大学 | 一种用于齿轮箱故障智能诊断的方法 |
CN101738314A (zh) * | 2009-12-14 | 2010-06-16 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于抗体浓度的齿轮故障诊断方法 |
CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
CN104459388A (zh) * | 2014-11-26 | 2015-03-25 | 国家电网公司 | 一种永磁直驱风力发电系统一体化故障诊断方法 |
-
2016
- 2016-07-11 CN CN201610541105.7A patent/CN106198000A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006034223A2 (en) * | 2004-09-17 | 2006-03-30 | Plain Sight Systems, Inc. | System and method for hyper-spectral analysis |
CN1811367A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN101660969A (zh) * | 2009-09-25 | 2010-03-03 | 北京工业大学 | 一种用于齿轮箱故障智能诊断的方法 |
CN101738314A (zh) * | 2009-12-14 | 2010-06-16 | 江苏省现代企业信息化应用支撑软件工程技术研发中心 | 一种基于抗体浓度的齿轮故障诊断方法 |
CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
CN104459388A (zh) * | 2014-11-26 | 2015-03-25 | 国家电网公司 | 一种永磁直驱风力发电系统一体化故障诊断方法 |
Non-Patent Citations (7)
Title |
---|
刘亚娟等: "基于小波包和支持向量机的齿轮故障诊断", 《机械传动》 * |
张培林: "《机械故障信号的量子计算分析及智能诊断》", 31 July 2015, 国防工业出版社 * |
李永龙等: "基于小波包与支持向量机结合的齿轮故障分类研究", 《西北工业大学学报》 * |
李艳兰: "基于小波包的齿轮故障检测与分析", 《机械管理开发》 * |
王江萍: "《机械设备故障诊断技术及应用》", 31 August 2001, 西北工业大学出版社 * |
胡晓: "基于多尺度熵-BP神经网络的采煤机摇臂齿轮故障诊断", 《制造业自动化》 * |
陈渊等: "基于PSO-SVM的采煤机摇臂齿轮箱故障诊断研究", 《煤矿机械》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463872A (zh) * | 2017-06-27 | 2017-12-12 | 广东石油化工学院 | 一种旋转机械转轴裂纹故障诊断方法 |
CN107798343A (zh) * | 2017-10-16 | 2018-03-13 | 南京邮电大学 | 一种基于流形结构改进的svm模拟电路故障诊断方法 |
CN108414219A (zh) * | 2018-01-31 | 2018-08-17 | 杭州携测信息技术有限公司 | 一种齿轮电动机的齿轮故障诊断方法和系统 |
CN108898765A (zh) * | 2018-05-11 | 2018-11-27 | 国网湖北省电力有限公司检修公司 | 一种基于振动信号分析的架空输电线外力破坏预警方法 |
CN109506907B (zh) * | 2018-11-06 | 2020-05-22 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN109506907A (zh) * | 2018-11-06 | 2019-03-22 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN109871864B (zh) * | 2019-01-08 | 2021-04-09 | 浙江大学 | 强鲁棒改进群智能优化的采煤机切割模式识别系统 |
CN109800888A (zh) * | 2019-01-08 | 2019-05-24 | 浙江大学 | 一种基于群智能机器学习的采煤机在线故障诊断系统 |
CN109871864A (zh) * | 2019-01-08 | 2019-06-11 | 浙江大学 | 强鲁棒改进群智能优化的采煤机切割模式识别系统 |
CN109886421A (zh) * | 2019-01-08 | 2019-06-14 | 浙江大学 | 基于集成学习的群智能采煤机切割模式识别系统 |
CN109635880A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于强鲁棒自适应算法的采煤机故障诊断系统 |
CN109635881A (zh) * | 2019-01-08 | 2019-04-16 | 浙江大学 | 基于集成学习的强鲁棒采煤机故障诊断系统 |
CN109886421B (zh) * | 2019-01-08 | 2021-09-21 | 浙江大学 | 基于集成学习的群智能采煤机切割模式识别系统 |
CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
CN110987396A (zh) * | 2019-12-13 | 2020-04-10 | 三一重型装备有限公司 | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 |
CN110987396B (zh) * | 2019-12-13 | 2021-07-30 | 三一重型装备有限公司 | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 |
CN112381123A (zh) * | 2020-10-30 | 2021-02-19 | 鄂尔多斯应用技术学院 | 一种基于时间序列预测方法的采煤机故障预测方法 |
CN113283386A (zh) * | 2021-05-25 | 2021-08-20 | 中国矿业大学(北京) | 一种基于知识蒸馏的煤矿井下采煤机的设备故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106198000A (zh) | 一种采煤机摇臂齿轮故障诊断方法 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
Shao et al. | Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery | |
CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
CN104655425B (zh) | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 | |
CN110355608B (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN106338385A (zh) | 一种基于奇异谱分解的旋转机械故障诊断方法 | |
CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN102944416B (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN104330471B (zh) | 航空结构损伤的Lamb波时变概率模型监测方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN106017876A (zh) | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN106596149A (zh) | 基于vmd的轨道车辆平轮状态的监测与诊断方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN106326929A (zh) | 轨道列车走行部滚动轴承故障的诊断方法 | |
CN109374293B (zh) | 一种齿轮故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |