CN106441896A - 滚动轴承故障模式识别及状态监测的特征向量提取方法 - Google Patents
滚动轴承故障模式识别及状态监测的特征向量提取方法 Download PDFInfo
- Publication number
- CN106441896A CN106441896A CN201610897948.0A CN201610897948A CN106441896A CN 106441896 A CN106441896 A CN 106441896A CN 201610897948 A CN201610897948 A CN 201610897948A CN 106441896 A CN106441896 A CN 106441896A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- time
- wavelet energy
- fault
- fuzzy entropy
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明公开了一种滚动轴承故障模式识别及状态监测的特征向量提取方法,其提出使用滚动轴承振动信号的时间小波能量谱模糊熵作为特征向量,既能实现滚动轴承故障模式识别,又能实时监测滚动轴承的运行状态,及时诊断滚动轴承运行过程中早期故障的发生。该方法提出的时间小波能量谱模糊熵特征向量提取方法,能同时用于滚动轴承不同故障类型模式识别和运行状态监测,克服了传统方法分别处理这两个问题的缺陷,极大地拓展了类似研究方法用于滚动轴承故障诊断的范围,并且时间小波能量谱模糊熵作为一个单一的特征向量,相比多特征向量分析方法故障模式识别效率更高。相比传统的滚动轴承运行状态监测指标,用于监测滚动轴承运行状态更为及时和准确。
Description
技术领域
本发明涉及一种滚动轴承故障模式识别及状态监测的特征向量提取方法,属于机械故障诊断与信号处理技术领域。
背景技术
滚动轴承是传动机械中的核心组成部件,对于保持转动轴的位置和旋转精度具有举足轻重的作用,根据各方面的统计结果,滚动轴承是旋转机械设备中出现故障损坏率最高的部件之一。滚动轴承发生故障可能会造成整个机械系统停机,引起严重的经济损失,甚至带来灾难性的事故。随着计算机技术的迅速发展,采用基于信号处理技术结合智能诊断方法对滚动轴承进行不同类型故障模式识别和运行状态监测已经越来越广泛。
在滚动轴承振动信号中提取出有关故障特征的相关信息,并将其转化为输入智能诊断方法的特征向量,是采用智能方法对滚动轴承进行故障模式识别和运行状态监测的关键。近年来,熵理论快速发展,各种熵理论方法被逐步引入到机械设备故障诊断当中,熵理论方法在用于信号中特征信息提取时,显示了很大的优势。熵理论可以将一组信号序列量化为一个单一特征值,能准确反应出信号中蕴含的特征信息,其中,相比Shannon熵、近似熵、样本熵,模糊熵的计算结果对数据长度的要求很低,计算结果一致性好,尤其在随参数连续平滑变化和相似性度量模糊化方面具有很好的优势,现在已逐步应用于滚动轴承的故障特征向量提取中。传统方法往往将滚动轴承故障模式识别和运行状态监测作为两个独立的问题分别进行处理,进而分别提出不同的解决方法,两者之间并没有兼容性,并没有一个统一的特征向量能同时用于滚动轴承的故障模式识别和运行状态监测。传统用于滚动轴承不同故障类型模式识别的方法往往需要计算多个特征向量,多个特征向量计算方法大大增加了滚动轴承不同故障类型模式识别的时间,故障模式识别效率较低。传统用于滚动轴承运行状态监测的特征向量主要是峭度指标和均方根值指标,这个两个特征向量虽然可以绘制出滚动轴承的运行状态曲线,但是用于监测滚动轴承运行状态的实时性较差,很难及时监测出滚动轴承早期故障的发生,很难满足现代机械工业中实时监测滚动轴承运行状态的需求。而在现有技术中,并没有相关的特征向量提取方法能很好的统一解决滚动轴承故障模式识别与运行状态监测这两个问题。这也成为本领域技术人员亟需解决的问题。
发明内容
本发明所要解决的技术问题是提供了一种同时实现滚动轴承故障模式识别和实时监测滚动轴承的运行状态,更加及时、准确地实现滚动轴承故障模式识别及状态监测的特征向量提取方法。
本发明采用如下技术方案如下:
一种滚动轴承故障模式识别及状态监测的特征向量提取方法,其步骤如下:
步骤1、采用Hermitian小波作为小波基函数对滚动轴承故障振动信号进行连续小波变换,计算得到滚动轴承故障振动信号的时间小波能量谱序列,具体方法如下:
根据高斯函数表达式,分别计算其一阶导数和二阶导数,进而建立Hermitian小波基函数;
获取滚动轴承故障振动信号,采用Hermitian小波对滚动轴承故障振动信号进行连续小波变换,得到滚动轴承故障振动信号连续小波变换结果;
根据信号小波变换过程中能量守恒原理,得到信号时间小波能量谱的数学表达式,进而计算得到滚动轴承故障振动信号连续Hermitian小波变换后时间小波能量谱序列;
步骤2、根据模糊熵理论描述所述滚动轴承故障振动信号复杂程度的优良性质,计算时间小波能量谱序列的模糊熵值,具体方法如下:
根据经验选取模糊熵理论中相关参数,建立模糊熵计算推导公式,进而计算时间小波能量谱序列的模糊熵值;
步骤3、根据滚动轴承不同故障模式下,所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的差异,采用时间小波能量谱序列的模糊熵值作为特征向量,用于识别滚动轴承不同类型的故障模式;
同时,根据滚动轴承运行过程中,正常工况与故障工况时所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的变化,采用时间小波能量谱序列的模糊熵值绘制曲线图,监测滚动轴承的运行状态,具体方法如下:
根据滚动轴承不同故障模式下的滚动轴承故障振动信号,不同故障模式包括正常、内圈故障、外圈故障和滚动体故障,分别建立不同故障模式下数据样本集合,随机抽取样本分别构建滚动轴承在单一故障模式下的训练样本集合和测试样本集合;
根据时间小波能量谱序列的模糊熵值求解过程,分别计算滚动轴承不同故障模式下训练样本集合和测试样本集合中各个信号样本的时间小波能量谱序列的模糊熵值,从而提取出滚动轴承不同故障模式下的特征向量;
根据支持向量机分类模型,选取径向基核函数建立“一对多”类型的支持向量机分类器,并确定支持向量机分类器中的相关参数;
根据支持向量机分类模型的识别过程,首先将滚动轴承不同故障模式下训练样本的特征向量输入到支持向量机分类器中,对支持向量机器进行训练,然后将全部测试样本输入到支持向量机,进行最终的滚动轴承不同故障模式的识别,根据支持向量机输出结果完成对滚动轴承不同故障模式的分类识别;
根据滚动轴承整体的运行过程,按照运行时间顺序在不同的时间节点处获取振动信号样本,从而构建滚动轴承随时间运行的信号样本集合;
计算滚动轴承样本集合中每个样本信号的时间小波能量谱序列的模糊熵值,并按照相应信号样本的时间顺序绘制时间小波能量谱序列的模糊熵值的变化曲线,所述曲线的横坐标为滚动轴承运行时间,纵坐标为每个数据样本的时间小波能量谱模糊熵的数值;
时间小波能量谱序列的模糊熵值的变化曲线可以监测滚动轴承的整个运行过程,在滚动轴承正常运行时,时间小波能量谱序列的模糊熵值的数值变化幅度较小,波动趋势较为平稳;当轴承运行出现故障时,在故障发生的时刻,信号的小波能量分布会出现峰值,进而导致信号时间小波能量谱序列复杂程度发生变化,时间小波能量谱序列的模糊熵值会出现明显的波动,通过监测时间小波能量谱序列的模糊熵值的变化曲线走势可以监测滚动轴承的运行状态。
本发明的有益效果如下:
本方法提出使用滚动轴承振动信号的时间小波能量谱模糊熵作为特征向量,既能实现滚动轴承故障模式识别,又能实时监测滚动轴承的运行状态,及时诊断滚动轴承运行过程中早期故障的发生。该方法提出的时间小波能量谱模糊熵特征向量提取方法,能同时用于滚动轴承不同故障类型模式识别和运行状态监测,克服了传统方法分别处理这两个问题的缺陷,极大地拓展了类似研究方法用于滚动轴承故障诊断的范围,并且时间小波能量谱模糊熵作为一个单一的特征向量,相比多特征向量分析方法故障模式识别效率更高。相比传统的滚动轴承运行状态监测指标,用于监测滚动轴承运行状态更为及时和准确。
本发明中能够同时用于滚动轴承故障模式识别与运行状态监测,极大提高了滚动轴承故障诊断的效率。
本发明通过模糊熵理论将一组时间小波能量谱序列转为一个特征向量,相比多特征向量方法用于滚动轴承故障模式识别,识别过程更简单,效率更高。
本发明能准确反应滚动轴承运行过程中振动特征信息的变化,对滚动轴承各类型早期故障较为敏感,相比传统的峭度等指标,能准确地监测滚动轴承的运行状态。
附图说明
图1是本发明中时间小波能量谱序列的模糊熵值作为特征向量计算过程的整体结构示意图;
图2是本发明中采用时间小波能量谱序列的模糊熵值用于滚动轴承不同故障模式识别的结构示意图;
图3是本发明中采用时间小波能量谱序列的模糊熵值用于滚动轴承状态监测过程的结构示意图;
图4是本发明实施例中在滚动轴承不同故障模式下支持向量机输出结果的示意图;
图5是本发明实施例中滚动轴承全寿命实验过程中时间小波能量谱序列的模糊熵值的曲线图;
图6是本发明实施例中滚动轴承全寿命实验过程中峭度熵值的曲线图;
图7是本发明实施例中滚动轴承不同故障模式识别结果列表。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,本发明的目的是提供一种用于滚动轴承故障模式识别与运行状态监测的特征向量提取方法,该特征向量具体提取过程包括:
如图1所示,本发明的目的是提供一种用于滚动轴承故障模式识别与运行状态监测的特征向量提取方法,该特征向量具体提取过程包括:
步骤101:布置加速度传感器,采集滚动轴承故障振动信号x(t);
步骤102:获取高斯函数g(t)如下:
计算高斯函数的一阶、二阶偏导数分别如下:
Hermitian小波表达式如下:
步骤103:根据连续小波变换理论,采用Hermitian小波作为小波基函数,对信号进行连续小波变换,结果如下:
其中,是的共轭函数,a和b分别为尺度参数和位置参数。
步骤104:根据小波变换过程中能量守恒原理,计算得到如下公式(6):
进一步推导得到如下公式(7):
计算得到时间小波能量谱序列E,如下:
时间小波能量谱反应了信号连续小波变换后能量沿时间轴的分布情况,当滚动轴承元件表面出现故障点,产生故障冲击时,故障冲击的能量会沿着时间轴分布。若在时间轴的某段范围内,没有出现故障冲击,那么能量分布就相对较为平缓,若出现故障冲击,在发生时刻就会出现一个能量分布的峰值。因此,信号时间小波能量谱中蕴含了滚动轴承故障冲击信息;
步骤105:根据模糊熵计算推导过程,根据经验设置相关参数:嵌入维数m=2,相似容限r=0.15Std(Std为时间小波能量谱序列的标准差),相似容限边界梯度参数n=2,计算得到时间小波能量谱序列的模糊熵。
如图2所示,本发明所述的时间小波能量谱模糊熵用于滚动轴承不同故障模式识别过程详述如下:
步骤201:获取滚动轴承在不同故障模式下多次测得的振动信号,包括滚动轴承正常运行、内圈故障、外圈故障和滚动体故障;
步骤202:在滚动轴承每个故障模式的振动信号中,随机选择部分信号组成训练样本集,其余信号构成测试样本集;
步骤203:计算训练样本和测试样本集中每个信号样本的时间小波能量谱模糊熵作为该样本的特征向量;
步骤204:选取径向基核函数建立“一对多”类型的支持向量机分类模型,该函数的数学表达式如下:
其中,δ是核函数的宽度参数,C是惩罚因子,通过交叉验证和网格搜索算法确定最优参数:δ=0.2,C=0.1。
步骤205:将已经分类的滚动轴承不同故障模式下的训练样本集样本输入到已建立的支持向量机,完成对支持向量机分类模型的训练;
步骤206:将混合在一起的滚动轴承不同故障模式下的测试样本全部输入到已训练完成的支持向量机中,通过支持向量机智能模式识别后,输出分类结果,完成滚动轴承不同故障模式的识别分类。
如图3所示,本发明所述的时间小波能量谱模糊熵用于滚动轴承状态监测的过程详述如下:
步骤301:按照滚动轴承运行时间,在不同时间节点获取轴承振动信号数据,建立依据滚动轴承运行时间顺序的信号样本集合;
步骤302:对样本集合中的信号样本进行连续Hermitian小波连续变换,得到每个样本的时间小波能量谱序列;
步骤303:根据模糊熵的推导和计算公式,计算得到每个样本时间小波能量谱序列的模糊熵,构建按照滚动轴承运行时间顺序的时间小波能量谱模糊熵集合;
步骤304:根据滚动轴承运行时间顺序,绘制时间小波能量谱模糊熵变化曲线,横坐标为滚动轴承运行时间,纵坐标为模糊熵数值,曲线上某一时刻对应的时间小波能量谱模糊熵反映了滚动轴承运行至该时刻时的运行状态,当轴承正常运行时,时间小波能量谱模糊熵值变化较为平稳,当滚动轴承运行出现故障时,时间小波能量谱分布会出现峰值,时间小波能量谱模糊熵数值大小会有明显变化;
步骤305:通过判断时间小波能量谱模糊熵曲线的走势,可以滚动轴承的运行状态进行监测,通过寻找曲线上突变点的位置,来判断滚动轴承运行状态的变化,及时诊断滚动轴承早期故障的出现。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过提取一个新的滚动轴承振动信号特征向量,同时用于滚动轴承不同故障模式识别与运行状态监测,极大地提高了滚动轴承故障诊断的效率。选用Hermitian小波对滚动轴承振动信号进行连续小波变换,计算得到小波系数的时间小波能量谱序列,将获取的时间小波能量谱与模糊熵理论相结合,计算得到时间小波能量谱模糊熵,从而将一组信号序列转化为一个特征向量数值,充分反映时间小波能量谱序列中的故障特征信息。本发明所提出的时间小波能量谱模糊熵,能充分反映滚动轴承不同故障模式下振动信号中的故障特征信息,对滚动轴承运行状态的变化非常敏感,相比传统的采用多特征向量识别滚动轴承故障模式方法识别效率更高,监测滚动轴承运行状态更为准确,更能及时发现滚动轴承运行过程中早期故障的出现。本发明为滚动轴承故障模式识别和运行状态监测提供了一个效率更高、适用性更广泛的方法。
本实施例描述的是通过提取滚动轴承故障振动信号的时间小波能量谱模糊熵作为特征向量对滚动轴承进行故障模式识别与运行状态监测。
通过加速度传感器分别采集6205型号滚动轴承正常、内圈故障、外圈故障和滚动体故障振动信号进行分析,在轴承每个故障模式中训练样本为10组信号,测试样本为20组信号,样本信号长度为8192个点,计算信号样本的时间小波能量谱模糊熵作为该样本的特征向量。
建立支持向量机分类模型,确定相关参数,将测试集样本输入到训练好的支持向量机模型中进行轴承不同故障模式的识别。图4为支持向量机输出结果,图7为故障模式识别分类列表。分类标签为1、2、3、4的数据样本分别对应为实际的滚动轴承正常、内圈故障、外圈故障和滚动体故障下的信号样本,支持向量机将滚动轴承4种故障模式下的测试样本全部准确地识别了出来。从表中结果可知,80个测试数据样本都得到了准确识别,测试样本故障模式识别准确率为100%,说明时间小波能量谱模糊熵作为特征向量较为准确地识别了滚动轴承4种不同类型的运行模式。
所选用的滚动轴承全寿命实验数据来自美国辛辛那提大学智能维护系统,在实验中正常的滚动轴承一直运行至出现非常严重的外圈故障,每隔10分钟采集一次滚动轴承振动信号,每次采集的数据长度为20480点。计算每组信号的时间小波能量谱模糊熵,然后按照轴承运行的时间绘制时间小波能量谱模糊熵变化曲线,结果如图5所示。从图中可知,在轴承开始运行后,时间小波能量谱模糊熵出现了小幅度的波动,但整体趋势平稳,这和滚动轴承正常运行状态相符合。当滚动轴承运行至5440min时,熵值开始减小,并且下降明显,说明轴承的运行状态发生了变化,早期故障已经出现;当运行至6470min时,熵值下降明显,但接着变化较为平稳,此时轴承故障程度并不严重;当运行至7020min时,时间小波能量谱模糊熵剧烈下降,此时故障已经较为严重。
为了进行对比,选用传统方法的峭度指标绘制滚动轴承全寿命实验的运行状态曲线,结果如图6所示。从图6中可知,轴承开始运行后,峭度数值保持平稳,运行至6470min时,峭度值突然增大,但接着变化较为平稳,说明峭度指标检测出轴承的运行中出现故障,但故障并不严重;运行至7020min时,峭度值开始显著升高,说明故障已较为严重。通过比较可以发现,峭度曲线图发现轴承早期故障的时间要比时间小波能量谱模糊熵晚1030min。
本实例通过提取时间小波能量谱模糊熵作为特征向量对滚动轴承正常、内圈故障、外圈故障和滚动体故障进行了准确地故障模式识别,并通过分析滚动轴承全寿命运行过程中的振动信号,绘制了监测滚动轴承运行状态的时间小波能量谱模糊熵曲线,成功诊断出滚动轴承运行中出现的早期故障。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种滚动轴承故障模式识别及状态监测的特征向量提取方法,其特征在于:其步骤如下:
步骤1、采用Hermitian小波作为小波基函数对滚动轴承故障振动信号进行连续小波变换,计算得到滚动轴承故障振动信号的时间小波能量谱序列;
步骤2、根据模糊熵理论描述所述滚动轴承故障振动信号复杂程度的优良性质,计算时间小波能量谱序列的模糊熵值;
步骤3、根据滚动轴承不同故障模式下,所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的差异,采用时间小波能量谱序列的模糊熵值作为特征向量,用于识别滚动轴承不同类型的故障模式;
同时,根据滚动轴承运行过程中,正常工况与故障工况时所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的变化,采用时间小波能量谱序列的模糊熵值绘制曲线图,监测滚动轴承的运行状态。
2.根据权利要求1所述的滚动轴承故障模式识别及状态监测的特征向量提取方法,其特征在于:所述步骤2中计算时间小波能量谱序列的模糊熵值的方法如下:
2-1、获取滚动轴承故障振动信号及Hermitian小波基函数,输出所述滚动轴承故障振动信号连续小波变换后的结果;
2-2、获取所述滚动轴承故障振动信号的连续小波变换结果,输出时间小波能量谱序列;
2-3、获取模糊熵理论相关参数及所述时间小波能量谱序列,输出时间小波能量谱序列的模糊熵值。
3.根据权利要求1所述的滚动轴承故障模式识别及状态监测的特征向量提取方法,其特征在于:所述步骤3中时间小波能量谱序列的模糊熵值用于滚动轴承不同类型的故障模式识别及滚动轴承的运行状态监测的具体方法如下:
3-1、获取传感器所采集的滚动轴承多个不同故障模式的滚动轴承故障振动信号,采用Hermitian小波作为小波基函数,输出滚动轴承故障振动信号连续小波变换后的系数,计算得到小波系数的时间小波能量谱序列;
3-2、获取模糊熵计算中的相关参数,输出滚动轴承不同故障模式下滚动轴承故障振动信号时间小波能量谱序列的模糊熵值;
3-3、获取滚动轴承训练样本和测试样本信号的时间小波能量谱模糊熵值作为特征向量,根据支持向量机智能分类算法,输出测试样本故障模式识别结果,完成滚动轴承不同故障模式的识别;
3-4、获取传感器采集的滚动轴承运行过程中不同时间节点的振动信号样本,输出对应时间节点样本信号的时间小波能量谱序列的模糊熵值;
3-5、获取不同时间节点的滚动轴承振动信号的时间小波能量谱序列的模糊熵值,输出随时间变化的滚动轴承运行状态曲线。
4.根据权利要求1所述的滚动轴承故障模式识别及状态监测的特征向量提取方法,其特征在于:所述步骤3中实现滚动轴承不同故障模式识别的具体方法包括:
(1)获取滚动轴承不同故障模式下滚动轴承故障振动信号,输出训练样本集合和测试样本集合;
(2)获取模糊熵计算中的相关参数数值,输出训练样本集合和测试样本集合中各个样本信号的时间小波能量谱模糊熵;
(3)获取支持向量机模型中相关参数数值,输出支持向量机智能分类模型;
(4)获取训练样本集合中各个样本的时间小波能量谱序列的模糊熵值,输出已经训练完成的支持向量机智能分类模型;
(5)获取测试样本集合中各个样本的时间小波能量谱序列的模糊熵值,输出支持向量机智能分类后测试样本的结果,实现滚动轴承不同故障类型的模式识别。
5.根据权利要求1所述的滚动轴承故障模式识别及状态监测的特征向量提取方法,其特征在于:所述步骤3中利用时间小波能量谱序列的模糊熵监测滚动轴承运行状态的具体方法包括:
(1)获取滚动轴承运行过程中不同时间节点处采集的滚动轴承故障振动信号,输出随运行时间变化的振动信号数据样本,建立数据样本集合;
(2)获取Hermitian小波基函数及模糊熵值计算过程中相关参数,输出数据样本集合中每个样本的时间小波能量谱序列的模糊熵值;
(3)获取滚动轴承运行时间范围,输出每个样本的时间小波能量谱序列的模糊熵值随时间变化的曲线,进而监测滚动轴承的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610897948.0A CN106441896A (zh) | 2016-10-14 | 2016-10-14 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610897948.0A CN106441896A (zh) | 2016-10-14 | 2016-10-14 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106441896A true CN106441896A (zh) | 2017-02-22 |
Family
ID=58174886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610897948.0A Pending CN106441896A (zh) | 2016-10-14 | 2016-10-14 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106441896A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
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 |
CN108960565A (zh) * | 2018-05-28 | 2018-12-07 | 广东工业大学 | 柔性材料卷对卷加工设备的性能检测方法、系统及其组件 |
CN109580224A (zh) * | 2018-12-28 | 2019-04-05 | 北京中科东韧科技有限责任公司 | 滚动轴承故障实时监测方法 |
CN109784305A (zh) * | 2019-01-29 | 2019-05-21 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN111695391A (zh) * | 2019-03-14 | 2020-09-22 | 南京航空航天大学 | 一种基于近似序列熵的滚珠轴承故障实时检测方法 |
CN112036270A (zh) * | 2020-08-18 | 2020-12-04 | 兰州理工大学 | 一种滚动轴承早期损伤状态的振动监测方法 |
CN112347588A (zh) * | 2020-11-26 | 2021-02-09 | 中国舰船研究设计中心 | 基于小波包分解的旋转机械故障诊断方法 |
CN113125886A (zh) * | 2021-04-16 | 2021-07-16 | 南京工程学院 | 一种针对电能质量扰动源的定位方法 |
CN113865860A (zh) * | 2021-08-25 | 2021-12-31 | 浙江运达风电股份有限公司 | 一种基于转频边带rms趋势分析的齿轮断齿故障诊断方法 |
CN114935357A (zh) * | 2022-03-14 | 2022-08-23 | 浙江倍时信息科技有限公司 | 一种基于熵值计算的设备健康监测系统 |
CN116380445A (zh) * | 2023-06-05 | 2023-07-04 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130332773A1 (en) * | 2012-06-12 | 2013-12-12 | Siemens Aktiengesellschaft | Generalized pattern recognition for fault diagnosis in machine condition monitoring |
JP2014142324A (ja) * | 2012-12-25 | 2014-08-07 | Ntn Corp | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 |
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 |
CN104748965A (zh) * | 2015-04-09 | 2015-07-01 | 华北电力大学(保定) | 一种滚动轴承组合故障模拟实验台及其模拟方法 |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
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 |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
CN105865784A (zh) * | 2016-03-23 | 2016-08-17 | 大连理工大学 | 基于局部均值分解和灰色关联的滚动轴承检测方法 |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
-
2016
- 2016-10-14 CN CN201610897948.0A patent/CN106441896A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130332773A1 (en) * | 2012-06-12 | 2013-12-12 | Siemens Aktiengesellschaft | Generalized pattern recognition for fault diagnosis in machine condition monitoring |
JP2014142324A (ja) * | 2012-12-25 | 2014-08-07 | Ntn Corp | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 |
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 |
CN104748965A (zh) * | 2015-04-09 | 2015-07-01 | 华北电力大学(保定) | 一种滚动轴承组合故障模拟实验台及其模拟方法 |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
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 |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
CN105865784A (zh) * | 2016-03-23 | 2016-08-17 | 大连理工大学 | 基于局部均值分解和灰色关联的滚动轴承检测方法 |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
郑近德 等: "基于改进的ITD和模糊熵的滚动轴承故障诊断方法", 《中国机械工程》 * |
郑近德 等: "多尺度排列熵及其在滚动轴承故障诊断中的应用", 《中国机械工程》 * |
郑近德 等: "多尺度模糊熵及其在滚动轴承故障诊断中的应用", 《振动工程学报》 * |
Cited By (17)
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 |
CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
CN108960565B (zh) * | 2018-05-28 | 2021-08-13 | 广东工业大学 | 柔性材料卷对卷加工设备的性能检测方法、系统及其组件 |
CN108960565A (zh) * | 2018-05-28 | 2018-12-07 | 广东工业大学 | 柔性材料卷对卷加工设备的性能检测方法、系统及其组件 |
CN109580224A (zh) * | 2018-12-28 | 2019-04-05 | 北京中科东韧科技有限责任公司 | 滚动轴承故障实时监测方法 |
CN109784305A (zh) * | 2019-01-29 | 2019-05-21 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN109784305B (zh) * | 2019-01-29 | 2020-12-08 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN111695391A (zh) * | 2019-03-14 | 2020-09-22 | 南京航空航天大学 | 一种基于近似序列熵的滚珠轴承故障实时检测方法 |
CN112036270A (zh) * | 2020-08-18 | 2020-12-04 | 兰州理工大学 | 一种滚动轴承早期损伤状态的振动监测方法 |
CN112036270B (zh) * | 2020-08-18 | 2024-03-05 | 兰州理工大学 | 一种滚动轴承早期损伤状态的振动监测方法 |
CN112347588A (zh) * | 2020-11-26 | 2021-02-09 | 中国舰船研究设计中心 | 基于小波包分解的旋转机械故障诊断方法 |
CN113125886B (zh) * | 2021-04-16 | 2023-10-27 | 南京工程学院 | 一种针对电能质量扰动源的定位方法 |
CN113125886A (zh) * | 2021-04-16 | 2021-07-16 | 南京工程学院 | 一种针对电能质量扰动源的定位方法 |
CN113865860A (zh) * | 2021-08-25 | 2021-12-31 | 浙江运达风电股份有限公司 | 一种基于转频边带rms趋势分析的齿轮断齿故障诊断方法 |
CN114935357A (zh) * | 2022-03-14 | 2022-08-23 | 浙江倍时信息科技有限公司 | 一种基于熵值计算的设备健康监测系统 |
CN116380445A (zh) * | 2023-06-05 | 2023-07-04 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
CN116380445B (zh) * | 2023-06-05 | 2023-08-08 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
CN107013449B (zh) | 基于深度学习的声音信号识别压缩机故障的方法及系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN103575523A (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN103822786A (zh) | 基于多元统计分析的风电机组机械设备状态诊断方法 | |
CN113486868B (zh) | 一种电机故障诊断方法及系统 | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
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 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN105865784A (zh) | 基于局部均值分解和灰色关联的滚动轴承检测方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Shi et al. | Sound-aided fault feature extraction method for rolling bearings based on stochastic resonance and time-domain index fusion | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |