CN106441946B - 基于振动信号的车辆液压减震器故障识别方法及系统 - Google Patents
基于振动信号的车辆液压减震器故障识别方法及系统 Download PDFInfo
- Publication number
- CN106441946B CN106441946B CN201611032945.7A CN201611032945A CN106441946B CN 106441946 B CN106441946 B CN 106441946B CN 201611032945 A CN201611032945 A CN 201611032945A CN 106441946 B CN106441946 B CN 106441946B
- Authority
- CN
- China
- Prior art keywords
- signal
- damper
- time
- vibrating sensor
- training set
- 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
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/04—Suspension or damping
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本申请公开了一种基于振动信号的车辆液压减震器故障识别方法及系统,该方法包括以下步骤:在车辆的液压减震器上下两端分别安装振动传感器;采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的信号中提取训练集数据;利用训练集数据来训练故障识别模型;将训练好的模型用于车辆液压减震器故障识别。本发明成本较低、算法简单、故障识别结果可靠等特点。
Description
技术领域
本申请属于车辆设计制造领域,具体地说,涉及一种基于振动信号的车辆液压减震器故障识别方法及系统。
背景技术
液压减震器是汽车、摩托车、轨道机车等车辆中最常用的关键总成之一。在车辆运行过程中,由于液压减震器长期受到振动的作用,容易产生故障,进而影响车辆的安全稳定运行。因此,正常运行的液压减震器是车辆安全稳定运行的重要保障,车辆液压减震器的故障识别具有重要的实际意义。
一般的车辆液压减震器故障识别通过监测减震器的运行温度,识别减震器可能存在的故障。也可以在液压减震器上安装振动传感器(或者利用车轮或车体上已有的振动传感器),通过检测过大的振动信号幅值来监测减震器故障。但是,由于车辆运行工况比较复杂,当路面情况比较恶劣时,即使正常运行的液压减震器也可能产生较高的运行温度和较大的振动信号。因此,直接基于振动信号幅值不能够有效识别汽车液压减震器的故障。
发明内容
有鉴于此,本申请针对上述的问题,提供了一种基于振动信号的车辆液压减震器故障识别方法及系统,通过利用车辆的车轮和车体上安装的两个振动传感器,将两个振动传感器的振动信号进行分析建立故障识别模型,以识别液压减震器可能的故障。该方法具有成本较低、算法简单、故障识别结果可靠等特点。
为了解决上述技术问题,本申请公开了一种基于振动信号的车辆液压减震器故障识别方法,包括以下步骤:
(1)在车辆的液压减震器上下两端分别安装振动传感器;
(2)采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的时域信号中提取训练集数据;
(3)利用训练集数据来训练故障识别模型;
(4)将训练好的模型用于车辆液压减震器故障识别。
进一步地,步骤(1)中在车辆的液压减震器上下两端分别安装振动传感器具体为:在液压减震器的上下两端分别安装第二振动传感器和第一振动传感器,将第二振动传感器和第一振动传感器的信号分别记为a1(t)和a2(t),其中t为时间,a1和a2分别为t时刻两个信号的幅值,或者用车体上安装的第二振动传感器信号作为a1(t),用车轮上安装的第一振动传感器作为a2(t)。
进一步地,步骤(2)中采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的信号中提取训练集数据具体为:采集减震器在正常、泄漏、卡死、断簧、失效状态下两个传感器的多个时域信号,分别记为和其中N为采集的信号的次数;从N次采集的信号中,取M(M<N)维信号为训练集数据。
进一步地,步骤(3)中利用训练集数据来训练故障识别模型具体为:
(3.1)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,得到频域表示信号;
(3.2)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号;
(3.3)将训练集数据中两个传感器的时域信号、频域表示信号、时频域表示信号组成6组数据;
(3.4)对每一组数据,用一个卷积神经网络进行深度学习训练;
(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合;
(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效这些工作状态进行训练。
进一步地,进一步地,所述步骤(3)中利用训练集数据来训练故障识别模型具体为:
(3.1)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,在频域得到频谱A1(f)和A2(f),其中f为频率,A1和A2分别为f频率下的频谱幅值;
(3.2)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号S1(t,f)和S2(t,f),其中S1和S1分别为(t,f)对应的时频表示的幅值;
(3.3)将训练集数据中的a1(t),a2(t),A1(f),A2(f),S1(t,f),S2(t,f)组成6组数据,记为T1,T2,T3,T4,T5,T6;
(3.4)对每一组数据,用一个卷积神经网络(共记为C1,C2,C3,C4,C5,C6)进行深度学习训练;
(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合;
(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效工作状态进行训练。
进一步地,步骤(4)中将训练好的模型用于车辆液压减震器故障识别具体为:采集车辆液压减震器在工作时的第一振动传感器信号,将传感器信号输入到已经训练好的故障识别模型中,故障识别模型将会识别输出当前的减震器故障状态,减震器故障状态包括正常、泄漏、卡死、断簧或失效。
本发明还公开了一种基于振动信号的车辆液压减震器故障识别系统,包括故障识别模型、车轮、第一振动传感器、减震器、第二振动传感器和车体;
车轮的上方自下而上依次设置有减震器和车体;
第一振动传感器安装在减震器和车轮之间或者车轮上;用于提取路面振动的信号,并传递给故障识别模型;
第二振动传感器安装在减震器与车体之间或者车体上;用于提取减震器上部的响应振动信号,并传递给故障识别模型;
故障识别模型将路面振动的信号和响应振动信号进行傅里叶变换被转变为频域信号,并通过短时傅里叶变换被转变为时频域信号,通过取多次信号数据为训练集,对生成的六组训练集数据分别采用六个卷积神经网络进行深度学习;将六个卷积神经网络的输出,直接作为一个随机森林决策树的输入,而训练的随机森林决策树的输出就对应为车辆液压减震器的状态;车辆液压减震器的状态包括正常、泄漏、卡死、断簧和失效。
与现有技术相比,本申请可以获得包括以下技术效果:
1)本发明训练好的故障诊断模型,可以直接用于车辆液压减震器的故障诊断。将车辆运动过程中的第一振动传感器和第二振动传感器的时域信号a1(t)和a2(t)直接输入已经训练好的故障识别模型,该模型将会自动识别减震器当前的故障或健康状态。
2)本发明成本较低、算法简单、故障识别结果可靠等特点。
当然,实施本申请的任一产品必不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请基于振动信号的车辆液压减震器故障识别方法示意图;
其中,1.故障识别模型,2.车轮,3.第一振动传感器,4.减震器,5.第二振动传感器,6.车体,7.傅里叶变换,8.时域信号,9.短时傅里叶变换,10.卷积神经网络,11.车辆液压减震器的状态,12.随机森林决策树。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式,藉此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明公开了一种基于振动信号的车辆液压减震器故障识别装置,如图1所示,包括故障识别模型1、车轮2、第一振动传感器3、减震器4、第二振动传感器5和车体6。
车轮2的上方自下而上依次设置有减震器4和车体6;
第一振动传感器3安装在减震器4和车轮2之间或者车轮2上;用于提取路面振动的信号,并传递给故障识别模型1;
第二振动传感器5安装在减震器4与车体6之间或者车体6上;用于提取减震器4上部的响应振动信号,并传递给故障识别模型1;
故障识别模型1将路面振动的信号和响应振动信号进行傅里叶变换被转变为频域信号,并通过短时傅里叶变换被转变为时频域信号,通过取多次信号数据为训练集,对生成的六组训练集数据分别采用六个卷积神经网络进行深度学习;将六个卷积神经网络的输出,直接作为一个随机森林决策树的输入,而训练的随机森林决策树的输出就对应为车辆液压减震器的状态;车辆液压减震器的状态包括正常、泄漏、卡死、断簧和失效。
参见图1所示的一种基于振动信号的车辆液压减震器故障识别方法实施例,车辆在运动过程中,路面的激励从车轮2传递到减震器4下部,路面振动由安装在减震器4下部的第一振动传感器3采集,该振动传递到减震器4的上部和车体6上,减震器4上部的响应振动信号由第二振动传感器5采集。第一振动传感器3的信号用于训练故障识别模型1。在故障识别模型中,从第一振动传感器采集的时域信号8一方面通过傅里叶变换7被转变为频域信号A1(f)和A2(f),另一方面通过短时傅里叶变换9被转变为时频域信号S1(t,f)和S2(t,f)。通过取多次信号数据为训练集,对生成的六组训练集数据分别采用六个卷积神经网络10进行深度学习。将六个卷积神经网络10的输出,直接作为一个随机森林决策树12的输入,而训练的随机森林决策树12的输出11就对应为车辆液压减震器的状态(正常、泄漏、卡死、断簧或失效等)。
对于采用前述步骤训练好的故障诊断模型1,可以直接用于车辆液压减震器的故障诊断。将车辆运动过程中的第一振动传感器的时域信号a1(t)和a2(t)直接输入已经训练好的故障识别模型1,该模型将会自动识别减震器当前的故障或健康状态。
实施例1
本发明基于振动信号的车辆液压减震器故障识别方法,具体的步骤如下:
(1)传感器安装:在液压减震器的上下两端分别安装第二振动传感器5和第一振动传感器3,将两个振动传感器的信号记为a1(t)和a2(t),其中t为时间,a1和a2分别为t时刻两个信号的幅值,也可以用车体上安装的振动传感器信号作为a1(t),用车轮上安装的振动传感器作为a2(t)。
(2)信号采集:采集减震器在各种状态下(正常、泄漏、卡死、断簧、失效等)两个传感器的多个时域信号,分别记为和其中N为采集的信号的次数。从N次采集的信号中,取M(M<N)维信号为训练集数据。
(3)故障识别模型训练,具体方法如下:
a)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,在频域得到频谱A1(f)和A2(f),其中f为频率,A1和A2分别为f频率下的频谱幅值。
b)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号S1(t,f)和S2(t,f),其中S1和S1分别为(t,f)对应的时频表示的幅值。
c)将训练集数据中的a1(t),a2(t),A1(f),A2(f),S1(t,f),S2(t,f)组成6组数据,记为T1,T2,T3,T4,T5,T6。
d)对每一组数据,用一个卷积神经网络(共记为C1,C2,C3,C4,C5,C6)进行深度学习训练。
e)将6个卷积神经网络的输出用一个随机森林决策树进行融合。
f)将随机森林决策树的输出对应设置为液压减震器的各种工作状态(正常、泄漏、卡死、断簧、或失效等)进行训练。
(4)将训练好的模型用于故障识别:采集车辆液压减震器在工作时的第一振动传感器和第二振动传感器信号,将第一振动传感器和第二振动传感器信号输入到已经训练好的故障识别模型中,故障识别模型将会识别输出当前的减震器故障状态(正常、泄漏、卡死、断簧或失效等)。
采用上述方法进行故障识别,可以获得92%以上的故障识别率。
需要说明的是,在实际的车辆上,第一振动传感器可以直接安装在车轮上,第二振动传感器可以直接安装在车体上。因此,本发明成本较低、算法简单、故障识别结果可靠等特点。
如在说明书及权利要求当中使用了某些词汇来指称特定成分或方法。本领域技术人员应可理解,不同地区可能会用不同名词来称呼同一个成分。本说明书及权利要求并不以名称的差异来作为区分成分的方式。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (4)
1.一种基于振动信号的车辆液压减震器故障识别方法,其特征在于,包括以下步骤:
(1)在车辆的液压减震器上下两端分别安装振动传感器;
(2)采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的时域信号中提取训练集数据;
(3)利用训练集数据来训练故障识别模型;
(4)将训练好的模型用于车辆液压减震器故障识别;
所述步骤(1)中在车辆的液压减震器上下两端分别安装振动传感器具体为:在液压减震器的上下两端分别安装第二振动传感器(5)和第一振动传感器(3),将第二振动传感器(5)和第一振动传感器(3)的信号分别记为a1(t)和a2(t),其中t为时间,a1和a2分别为t时刻两个信号的幅值,或者用车体(6)上安装的第二振动传感器(5)信号作为a1(t),用车轮上安装的第一振动传感器(3)作为a2(t);
所述步骤(2)中采集减震器在正常、泄漏、卡死、断簧、失效这些状态下两个振动传感器的时域信号,从采集的信号中提取训练集数据具体为:采集减震器在正常、泄漏、卡死、断簧、失效状态下两个传感器的多个时域信号,分别记为和其中N为采集的信号的次数;从N次采集的信号中,取M(M<N)维信号为训练集数据;
所述步骤(3)中利用训练集数据来训练故障识别模型具体为:
(3.1)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,得到频域表示信号;
(3.2)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号;
(3.3)将训练集数据中两个传感器的时域信号、频域表示信号、时频域表示信号组成6组数据;
(3.4)对每一组数据,用一个卷积神经网络进行深度学习训练;
(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合;
(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效这些工作状态进行训练。
2.根据权利要求1所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,进一步地,所述步骤(3)中利用训练集数据来训练故障识别模型具体为:
(3.1)对每一个训练集的振动传感器时域信号,分别做傅里叶变换,在频域得到频谱A1(f)和A2(f),其中f为频率,A1和A2分别为f频率下的频谱幅值;
(3.2)对每一个训练集的振动传感器时域信号,将两个振动传感器时域信号分别做短时傅里叶变换,在时频域得到时频表示信号S1(t,f)和S2(t,f),其中S1和S1分别为(t,f)对应的时频表示的幅值;
(3.3)将训练集数据中的a1(t),a2(t),A1(f),A2(f),S1(t,f),S2(t,f)组成6组数据,记为T1,T2,T3,T4,T5,T6;
(3.4)对每一组数据,用一个卷积神经网络(共记为C1,C2,C3,C4,C5,C6)进行深度学习训练;
(3.5)将6个卷积神经网络的输出用一个随机森林决策树进行融合;
(3.6)将随机森林决策树的输出对应设置为液压减震器的正常、泄漏、卡死、断簧、或失效工作状态进行训练。
3.根据权利要求2所述的基于振动信号的车辆液压减震器故障识别方法,其特征在于,所述步骤(4)中将训练好的模型用于车辆液压减震器故障识别具体为:采集车辆液压减震器在工作时的第一振动传感器信号,将传感器信号输入到已经训练好的故障识别模型中,故障识别模型将会识别输出当前的减震器故障状态,减震器故障状态包括正常、泄漏、卡死、断簧或失效。
4.一种基于振动信号的车辆液压减震器故障识别系统,其特征在于,包括故障识别模型(1)、车轮(2)、第一振动传感器(3)、减震器(4)、第二振动传感器(5)和车体(6);
所述车轮(2)的上方自下而上依次设置有减震器(4)和车体(6);
第一振动传感器(3)安装在减震器(4)和车轮(2)之间或者车轮(2)上;用于提取路面振动的信号,并传递给故障识别模型(1);
所述第二振动传感器(5)安装在减震器(4)与车体(6)之间或者车体(6)上;用于提取减震器(4)上部的响应振动信号,并传递给故障识别模型(1);
故障识别模型(1)将路面振动的信号和响应振动信号进行傅里叶变换被转变为频域信号,并通过短时傅里叶变换被转变为时频域信号,通过取多次信号数据为训练集,对生成的六组训练集数据分别采用六个卷积神经网络进行深度学习;将六个卷积神经网络的输出,直接作为一个随机森林决策树的输入,而训练的随机森林决策树的输出就对应为车辆液压减震器的状态;车辆液压减震器的状态包括正常、泄漏、卡死、断簧和失效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611032945.7A CN106441946B (zh) | 2016-11-15 | 2016-11-15 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611032945.7A CN106441946B (zh) | 2016-11-15 | 2016-11-15 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106441946A CN106441946A (zh) | 2017-02-22 |
CN106441946B true CN106441946B (zh) | 2018-10-19 |
Family
ID=58221744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611032945.7A Active CN106441946B (zh) | 2016-11-15 | 2016-11-15 | 基于振动信号的车辆液压减震器故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106441946B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238507B (zh) * | 2017-06-20 | 2019-12-31 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
CN107560849B (zh) * | 2017-08-04 | 2020-02-18 | 华北电力大学 | 多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
US20190102959A1 (en) * | 2017-09-29 | 2019-04-04 | GM Global Technology Operations LLC | Systems and methods to detect abnormalities in a vehicle suspension system |
CN110297178A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于深度学习的柴油发电机组故障诊断与检测装置及方法 |
CN110826583A (zh) * | 2018-08-14 | 2020-02-21 | 珠海格力电器股份有限公司 | 故障的确定方法、装置、存储介质及电子装置 |
CN109583323B (zh) * | 2018-11-12 | 2021-05-18 | 浙江工业大学 | 基于门控制循环单元的地铁振动信号识别方法 |
CN109801401A (zh) * | 2018-12-29 | 2019-05-24 | 青岛海洋科学与技术国家实验室发展中心 | 故障检测方法、计算机可读介质、故障检测装置以及船舶 |
CN113408068A (zh) * | 2021-06-18 | 2021-09-17 | 浙江大学 | 一种随机森林分类的机泵故障诊断方法及装置 |
CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
CN113537044B (zh) * | 2021-07-14 | 2022-08-26 | 哈尔滨理工大学 | 基于STFT与改进DenseNet的航空发动机故障诊断方法 |
CN116994411B (zh) * | 2023-09-27 | 2023-11-28 | 无锡中马汽车配件制造有限公司 | 减震器故障报警系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19519136C1 (de) * | 1995-05-30 | 1996-08-01 | Fichtel & Sachs Ag | Stoßdämpferprüfgerät |
CN1403795A (zh) * | 2002-10-17 | 2003-03-19 | 上海工程技术大学 | 汽车减振器故障测试装置及其测试方法 |
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 |
CN103234742A (zh) * | 2013-04-18 | 2013-08-07 | 中国矿业大学 | 振动筛减振弹簧故障诊断方法 |
CN104502126A (zh) * | 2014-12-28 | 2015-04-08 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
CN105628403A (zh) * | 2016-03-14 | 2016-06-01 | 重庆工商大学 | 一种阻尼器故障检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010249636A (ja) * | 2009-04-15 | 2010-11-04 | Kyoei Technica Kk | 緩衝器の検査装置 |
-
2016
- 2016-11-15 CN CN201611032945.7A patent/CN106441946B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19519136C1 (de) * | 1995-05-30 | 1996-08-01 | Fichtel & Sachs Ag | Stoßdämpferprüfgerät |
CN1403795A (zh) * | 2002-10-17 | 2003-03-19 | 上海工程技术大学 | 汽车减振器故障测试装置及其测试方法 |
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 |
CN103234742A (zh) * | 2013-04-18 | 2013-08-07 | 中国矿业大学 | 振动筛减振弹簧故障诊断方法 |
CN104502126A (zh) * | 2014-12-28 | 2015-04-08 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
CN105628403A (zh) * | 2016-03-14 | 2016-06-01 | 重庆工商大学 | 一种阻尼器故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
汽车减震器常见故障的诊断;田贻春 等;《汽车运用》;20110210(第2期);第43页 * |
高速动车组抗蛇行减振器的故障分析与识别;刘泉龙 等;《机床与液压》;20160115;第44卷(第1期);第188-193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106441946A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106441946B (zh) | 基于振动信号的车辆液压减震器故障识别方法及系统 | |
CN104236911B (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 | |
CN104502126A (zh) | 一种基于模态区间的高速列车转向架故障诊断方法 | |
CN104833534A (zh) | 一种基于多源信息融合的列车走行系故障诊断装置及方法 | |
Castejón et al. | Automated diagnosis of rolling bearings using MRA and neural networks | |
Liu et al. | An enhanced diagnostic scheme for bearing condition monitoring | |
CN109001557A (zh) | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 | |
CN108254179A (zh) | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 | |
CN109612729A (zh) | 一种港机车轮轴承的故障状态识别方法 | |
CN105022912A (zh) | 基于小波主成分分析的滚动轴承故障预测方法 | |
CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、系统和存储介质 | |
Ji et al. | Parallel sparse filtering for intelligent fault diagnosis using acoustic signal processing | |
CN104614166A (zh) | 一种飞机发动机转子振动信号故障状态识别的方法 | |
JP2017077055A (ja) | 状態診断装置及びプログラム | |
CN109060350A (zh) | 一种基于字典学习的滚动轴承故障特征提取方法 | |
CN106383028A (zh) | 一种齿轮箱故障的诊断方法 | |
Liu et al. | A two-stage learning model for track-side acoustic bearing fault diagnosis | |
CN110501172A (zh) | 一种基于轴箱振动的轨道车辆车轮状态识别方法 | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN104111172B (zh) | 一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法 | |
CN103743477B (zh) | 一种机械故障检测诊断方法及其设备 | |
Zhao et al. | Understanding real faults of axle box bearings based on vibration data using decision tree | |
Samy et al. | Fault diagnosis of rolling element bearings using an EMRAN RBF neural network-demonstrated using real experimental data | |
Pham et al. | A wavelet packet spectral subtraction and convolutional neural network based method for diagnosis of system health |
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 |