CN106769032A - 一种回转支承使用寿命的预测方法 - Google Patents
一种回转支承使用寿命的预测方法 Download PDFInfo
- Publication number
- CN106769032A CN106769032A CN201611059092.6A CN201611059092A CN106769032A CN 106769032 A CN106769032 A CN 106769032A CN 201611059092 A CN201611059092 A CN 201611059092A CN 106769032 A CN106769032 A CN 106769032A
- Authority
- CN
- China
- Prior art keywords
- pivoting support
- signal
- pca
- temperature
- moment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000015556 catabolic process Effects 0.000 claims abstract description 22
- 238000006731 degradation reaction Methods 0.000 claims abstract description 22
- 230000007423 decrease Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 206010011906 Death Diseases 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000009434 installation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
-
- 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)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种回转支承使用寿命的预测方法,其特征包括如下步骤:提取回转支承的温度、扭矩和振动原始信号;在时域内选取信号的有量纲和无量纲特征值并选取每个信号对应的敏感特征值;将每个信号的敏感特征值做主成分分析(PCA)降维处理,分别形成回转支承的温度PCA性能衰退指标、扭矩PCA性能衰退指标和振动PCA性能衰退指标;通过自组织特征映射神经网络(SOM)寻求回转支承的寿命周期状态分布,完成输入样本类别的划分。本发明实现了回转支承的衰退特征指标的建立以及寿命周期状态的分布,从而有效的进行剩余寿命的预测,大大减少因回转支承寿命结束的突发性带来的巨大损失。
Description
技术领域
本发明涉及一种回转支承使用寿命的预测方法,是一种基于智能算法的寿命预测方法。
背景技术
回转支承是最近几十年发展起来,实现相对回转运动的新型机械部件,由内外圈和滚动体构成,一般需要同时承受轴向力、径向力、倾覆力矩。回转支承的直径通常大于400mm,回转速度运转速度较低,通常在0.1-50r/min,广泛应用于建筑运输设备、风力发电机以及其他机械工程领域,通常安装在大型设备的关键部位。由于回转支承尺寸一般比较大,价格比较昂贵,且储存不便,通常不存备件;载荷作用形式多样、运行环境恶劣,维修难度大,需将几十吨甚至几百吨的东西提升一定高度后才能维修而加大,费用高、停机时间长,因此对回转支承性能衰退评价和寿命预测方法的研究具有重要意义。
轴承类部件寿命预测方法主要有基于力学、基于概率统计、基于信息新技术等。传统的基于力学和概率统计的轴承类寿命预测方法已有很多研究及应用。但是集成度和复杂度日益增加的设备的数学模型或失效机理模型难以准确给出,因此基于力学模型的剩余寿命预测方法受到一定限制。虽然基于概率统计剩余寿命预测方法的预测结果更能反映寿命预测的一般规律,但是需要大量试验和数据的积累,然而大型回转支承工况环境复杂、低速重载,样本数量少,基于概率统计剩余寿命预测方法依旧不适用。基于人工智能的寿命预测方法还不完善,是目前寿命预测领域的研究热点。
由于回转支承的工作环境复杂,性能衰退特征具有一定的非线性、非平稳性,单一性能参数不能全面有效地评价回转支承性能衰退的全过程。因此本专利选取回转支承的温度、扭矩和振动信号时域内的特征值建立其衰退性能指标。由于大型回转支承样本数量少,为实现较高的预测精度,本专利选取针对小样本寿命预测的支持向量回归的智能算法。近年来,SVR也较多的应用于机械设备状态监测和剩余预测问题,很多研究人员采用SVR算法预测轴承的剩余寿命,取得了较好的预测效果。在寿命预测之前本专利先采用SOM算法对回转支承的寿命状态进行分类,在实际的运用过程中,根据数据所属的类别选择对应的预测模型,这样可以缩短预测时间,同时提高预测精度,另外随着数据信息的不断更新,预测模型也具有一定的应变能力。因此,本专利提出了基于SOM-MSVR的回转支承寿命预测方法。
发明内容
为解决上述问题本发明提供了一种基于智能算法的回转支承寿命预测方法。目的是实现回转支承性能衰退特征的建立以及寿命周期的分布,从而对回转支承每个状态进行有针对性的寿命预测,不但可以提高预测精度,还可以在实际使用过程中不断完善预测模型。
本发明为解决以上技术问题,所采用的技术方案是:
一种基于智能算法的回转支承寿命预测方法,包括如下步骤:
步骤一:
提取回转支承的温度、扭矩和振动原始信号,按以下公式计算提取每个信号时域内有量纲和无量纲特征值:
Xmax=max{|xn|}(n=1,2,...,N)
式中:Xmax为数列{xn}的最大值;xn为原始信号第n点的值,n=1,2,…,N,N为数据采集点的个数。
X(p-p)=max(xn)-min(xn)
式中:X(p-p)为数列{xn}的峰峰值。
式中:为数列{xn}的方差;为为数列{xn}的均值。
式中:Xrms为数列{xn}的均方根值。
式中:Xr为数列{xn}的方根幅值。
式中:为数列{xn}的绝对平均幅值。
式中:β为数列{xn}的峭度。
式中:Sf为数列{xn}的波形指标。
式中:Kv为数列{xn}的峭度指标。
式中:If为数列{xn}的脉冲指标。
式中:CLf为数列{xn}的裕度指标。
步骤二:
对每个特征值按下式做相关度计算分析,选取每个原始信号的敏感特征值。
式中r表示相关系数,设置相关系数阈值为0.85,当相关系数大于0.85的特征值作为敏感特征值并被保留,否则剔除。
步骤三:
将每个信号选取的敏感特征值做PCA降维处理,分别形成回转支承的温度PCA性能衰退指标、扭矩PCA性能衰退指标和振动PCA性能衰退指标。
以温度信号为例,具体计算步骤如下所示:
对温度信号时域内的敏感特征值提取后组成N×9数据矩阵如下式所示:
式中,T为温度信号的特征值矩阵;tnj指第n个时刻的第j个特征值,j=1,2,...,9,n=1,2,...,N,N为数据采样点的个数。
根据主成分分析原理,通过变换将9个敏感特征值变量组成新的综合变量,用矩阵表示为:
式中:Yt1,Yt2,...,Ytp为构造的新变量(p≤9),且互不相关方差依次减小,依此为第一主成分、第二主成分...第p个主成分;T*为数据矩阵T进行标准归一化处理得到;αpj是主成分系数,αp1+αp2+,...,+αp9=1,系数αpj是矩阵T*协方差阵E的特征值λp所对应的特征向量αp。
选取第一主分量代替原始信号,通过融合温度信号时域内特征值得到可反映原始信息的综合指标,称为温度PCA衰退指标,则第n个点的温度PCA衰退指标为:
式中:α1j是温度信号系数矩阵,j=1,2,...9。
同理,确定第n点的扭矩PCA衰退指标为(2-11)所示:
Yq(n)=(Tq1 *(n),Tq2 *(n),…,Tq6 *(n))·β1b T
式中:Tq*为Tq标准归一化得到的矩阵,Tq为扭矩信号的特征值矩阵;β1b是扭矩信号系数矩阵,b=1,2,...6。
确定第n点的振动PCA衰退指标为:
Ya(n)=(A1 *(n),A2 *(n),…,A6 *(n))·γ1c T
式中:Ac*为Ac标准归一化得到的矩阵,Ac(n)为振动信号的特征值矩阵;γ1c是振动信号系数矩阵,c=1,2,...,6。
步骤四:
温度、扭矩、振动PCA性能衰退指标通过SOM聚类寻求回转支承的寿命周期分布状态,完成输入样本类别的划分。SOM算法聚类的具体步骤如图4所示。
步骤五:
利用PSO算法优化SVR内部核函数的参数g和惩罚因子C,从而优化回转支承的MSVR剩余寿命预测模型,具体步骤如图5所示。
步骤六:
对每一个子类分别建立MSVR预测模型,本专利选用RBF核函数作为SVR核函数:
式中:控制核函数径向作用范围的是变量g,函数中心是Yc。
MSVR预测模型如图6所示,u指输入层变量个数,本文有温度、扭矩、振动PCA性能衰退指标三个变量,所以u=3。K1、K2、Km是SVR核函数层的节点数。W1、W2、Wu为权重值。第n点的温度、扭矩、振动信号的PCA性能衰退指标与剩余寿命的函数关系如下式所示:
Z(n)=F[Yt(n),Yq(n),Ya(n)]
式中,Z(n)表示回转支承的剩余寿命值;Yt(n)、Yq(n)和Ya(n)分别表示第n点回转支承的温度PCA值、扭矩PCA值和振动PCA值。
回归函数为:
F(Yt(n),Yq(n),Ya(n))=<W·K(Yt(n),Yq(n),Ya(n))>+b
式中:ω为权值矢量,b是偏置门限,K(u)是SVR中的核函数。
在网络构建中,随机选取M试验数据,选取前m个数据作为训练集,剩余的(M-m)个样本作为测试集,训练集和预测集按照如下公式输入:
式中:Xtrain是训练输入集,Ytrain是训练输出集,Xtest是测试输入集,Z(m)表示对应点的实际剩余生命值。
由均方根误差RMSE对模型结果进行评定,其公式如下:
式中:zi表示真实值,表示评估值。
步骤七:
在线预测时,实时监测回转支承的温度、扭矩、振动信号数据,其对应的性能衰退指标Yt(k)、Yq(k)、Ya(k)通过SOM模型判定此时回转支承的寿命状态所属类别,选用相应的预测模型预测k时刻点的剩余寿命T(k)。并不断在线更新数据,实现在线预测并不断完善预测模型。
本发明的有益效果是:
本专利提出的回转支承使用寿命的预测方法,根据回转支承的寿命状态分类,并对每个子类分别建立MSVR预测模型,使得每个预测模型更好的切合数据样本。在实际运用中,可以根据回转支承实时寿命状态所属的类别选择对应的预测模型,这样可以提高预测精度,并且随着数据信息的不断更新,预测模型也有一定的应变能力。
本专利提出的方案还可以实时监测回转支承的温度、扭矩和振动信号,全面检测回转支承实时的工作状态并判断此时其处于寿命周期的哪一阶段,为其维修和更换做好提前准备,大大减少突发事故带来的损失。
针对回转支承低速重载,运行环境恶劣导致的样本数据少,而传统的以大量数据为驱动的寿命预测方法不能有效预测回转支承寿命的问题,本专利提出的MSVR预测模型可以大大改善这一问题。
附图说明
图1是本发明的回转支承试验台结构。
图2是本发明的回转支承温度传感器的安装位置图。
图3是本发明的回转支承加速度传感器安装位置图。
图4是本发明的SOM算法流程图。
图5是本发明的粒子群算法优化SVR的流程图。
图6是本发明的回转支承MSVR寿命预测模型图。
图7是本发明的回转支承机基于SOM-MSVR模型的寿命预测流程图。
具体实施方式
下面结合附图对本发明进一步说明。
如图1至图7,步骤一:
回转支承试验台结构如图1所示,采用温度传感器、扭矩传感器和加速度传感器监测回转支承的温度、扭矩和振动信号,通过数据采集模块传入PC机做相关分析预测。在回转支承的四周每隔90°安装一个温度传感器,安装的位置如图2所示,另外设置一个温度传感器悬在空中用于测量室温,以便去除室环境温度的影响。扭矩传感器安装在马达泵和小齿轮之间。加速度信号传感器通过磁座固定方式每隔90°安装在靠近滚道的表面,如图3所示。
步骤二:
提取每个信号时域内有量纲和无量纲特征值并对每个特征值按下式做相关度计算分析,选取每个原始信号的敏感特征值。
式中r表示相关系数,设置相关系数阈值为0.85,当相关系数大于0.85的特征值作为敏感特征值并被保留,否则剔除。
步骤三:
将每个信号的敏感特征值做PCA降维处理,分别形成回转支承的温度PCA性能衰退指标、扭矩PCA性能衰退指标和振动PCA性能衰退指标。选取第一主分量代替原始信号,则第n个点的温度PCA衰退指标为:
式中:Tt*为Tt标准归一化得到的矩阵,Tt为温度信号的特征值矩阵;α1j是温度信号系数矩阵,j=1,2,...9。
同理,确定第n点的扭矩PCA衰退指标为(2-11)所示:
Yq(n)=(Tq1 *(n),Tq2 *(n),…,Tq6 *(n))·β1b T
式中:Tq*为Tq标准归一化得到的矩阵,Tq为扭矩信号的特征值矩阵;βlb是扭矩信号系数矩阵,b=1,2,...6。
确定第n点的振动PCA衰退指标为:
Ya(n)=(A1 *(n),A2 *(n),…,A6 *(n))·γ1c T
式中:Ac*为Ac标准归一化得到的矩阵,Ac为振动信号的特征值矩阵;γ1c是振动信号系数矩阵,c=1,2,...,6。
步骤四:
温度、扭矩、振动PCA性能衰退指标通过SOM聚类寻求回转支承的寿命周期分布状态,完成输入样本类别的划分,SOM的算法步骤如图4所示。
步骤五:
利用PSO算法优化SVR内部参数,从而优化回转支承的MSVR剩余寿命预测模型。粒子群算法优化SVR内部参数的具体步骤如图5所示。
步骤六:
对每一个子类分别建立MSVR预测模型,MSVR预测模型如图6所示。则第n点的温度、扭矩、振动信号的PCA性能衰退指标与剩余寿命的函数关系如公式所示:
Z(n)=F[Yt(n),Yq(n),Ya(n)]
式中,Z(n)表示回转支承的剩余寿命值;Yt(n)、Yq(n)和Ya(n)分别表示第n点回转支承的温度PCA值、扭矩PCA值和振动PCA值。
在网络构建中,随机选取M组试验数据,选取前m个数据作为训练集,剩余的(M-m)个样本作为测试集,训练集和预测集按照如下公式输入:
式中:Xtrain是训练输入集,Ytrain是训练输出集,Xtest是测试输入集,Z(m)表示对应点的实际剩余生命值。
由均方根误差RMSE对模型结果进行评定,其公式如下:
式中:zi表示真实值,表示评估值。
步骤七:
在线预测时,实时监测回转支承的温度、扭矩、振动信号数据,根据其对应的性能衰退指标Yt(k)、Yq(k)、Ya(k)通过SOM模型判定回转支承此时寿命状态所属类别,选用相应的预测模型预测k时刻点的剩余寿命T(k),并不断在线数据更新,实现在线实时预测并不断完善预测模型。
Claims (5)
1.一种回转支承使用寿命的预测方法,其特征包括如下步骤:
步骤一:
采用温度传感器、扭矩传感器和加速度传感器分别监测回转支承的温度信号、扭矩信号和振动信号;
步骤二:
分别提取步骤一中测量到的温度信号、扭矩信号和振动信号时域内有量纲和无量纲特征值并做相关度计算分析,选取每个原始信号对应的敏感特征值;
步骤三:
将每个信号的敏感特征值做PCA降维处理,分别形成回转支承的温度PCA性能衰退指标、扭矩PCA性能衰退指标和振动PCA性能衰退指标;
步骤四:
温度、扭矩、振动PCA性能衰退指标通过SOM聚类寻求回转支承寿命周期状态的分布,完成输入样本类别的划分;
步骤五:
采用PSO算法优化SVR内部参数,从而优化回转支承的MSVR剩余寿命预测模型。步骤六:
对每一个子类分别建立MSVR预测模型,则第n点的温度、扭矩、振动信号的PCA性能衰退指标与剩余寿命的函数关系如公式所示:
Z(n)=F[Yt(n),Yq(n),Ya(n)]
式中,Z(n)表示回转支承的剩余寿命值;Yt(n)、Yq(n)和Ya(n)分别表示第n点回转支承的温度PCA值、扭矩PCA值和振动PCA值。
步骤七:
在线预测时,实时监测回转支承的温度、扭矩、振动信号,通过SOM模型判定回转支承此时寿命状态所属类别,选用相应的预测模型预测k时刻点的剩余寿命T(k);并不断在线更新数据,实现在线实时预测并不断完善预测模型。
2.根据权利要求1所述的回转支承使用寿命的预测方法,其特征所述步骤一中在回转支承的四周每隔90°安装一个温度传感器,另外设置一个温度传感器悬在空中用于测量室温,以便去除室环境温度的影响,提取回转支承的温度信号;
所述扭矩传感器安装在马达泵和小齿轮之间,提取回转支承的扭矩信号;
所述加速度信号传感器通过磁座固定方式每隔90°安装在靠近滚道的表面,提取回转支承的振动信号。
3.根据权利要求1所述的回转支承使用寿命的预测方法,其特征所述步骤二中按下式做相关度计算分析,选取每个原始信号的敏感特征值。
设置相关系数阈值为0.85,当相关系数大于0.85的特征值作为敏感特征值并被保留,否则剔除;式中r表示相关系数,Yn表示原始信号第n点时域内某个特征值,Xn表示第n点的原始信号值;表示时域内某特征值N个点的平均值,表示N个原始信号的平均值。
4.根据权利要求1所述的回转支承使用寿命的预测方法,其特征所述步骤三中选取第一主分量代替原始信号,则第n个点的温度PCA衰退指标为:
式中:Tj*为Tj标准归一化得到的矩阵,Tj为温度信号的特征值矩阵;α1j是温度信号系数矩阵,j=1,2,...9;
同理,确定第n点的扭矩PCA衰退指标为:
Yq(n)=(Tq1 *(n),Tq2 *(n),…,Tq6 *(n))·β1b T
式中:Tqb*为Tqb标准归一化得到的矩阵,Tqb为扭矩信号的特征值矩阵;β1b是扭矩信号系数矩阵,b=1,2,...6;
确定第n点的振动PCA衰退指标为:
Ya(n)=(A1 *(n),A2 *(n),…,A6 *(n))·γ1c T
式中:A*为Ac标准归一化得到的矩阵,Ac为振动信号的特征值矩阵;γ1c是振动信号系数矩阵,c=1,2,...,6。
5.根据权利要求1所述的回转支承使用寿命的预测方法,其特征所述步骤六中,随机选取M组试验数据,选取前m个数据作为训练集,剩余的(M-m)个样本作为测试集,训练集和预测集按照如下公式输入:
式中:Xtrain是训练输入集,Ytrain是训练输出集,Xtest是测试输入集;Z(m)表示对应点的实际剩余生命值;
由均方根误差RMSE对模型结果进行评定,其公式如下:
式中:zi表示真实值,表示评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611059092.6A CN106769032B (zh) | 2016-11-28 | 2016-11-28 | 一种回转支承使用寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611059092.6A CN106769032B (zh) | 2016-11-28 | 2016-11-28 | 一种回转支承使用寿命的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106769032A true CN106769032A (zh) | 2017-05-31 |
CN106769032B CN106769032B (zh) | 2018-11-02 |
Family
ID=58912605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611059092.6A Active CN106769032B (zh) | 2016-11-28 | 2016-11-28 | 一种回转支承使用寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106769032B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884173A (zh) * | 2017-12-13 | 2018-04-06 | 索特传动设备有限公司 | 试验设备及试验组件 |
CN108846597A (zh) * | 2018-09-06 | 2018-11-20 | 上海市测绘院 | 一种面向tod建设的交通枢纽评价方法 |
CN109992569A (zh) * | 2019-02-19 | 2019-07-09 | 平安科技(深圳)有限公司 | 集群日志特征提取方法、装置及存储介质 |
CN111310314A (zh) * | 2020-01-21 | 2020-06-19 | 北京瑞风协同科技股份有限公司 | 一种基于人工智能确定机电装置寿命的方法和系统 |
CN112525532A (zh) * | 2020-11-05 | 2021-03-19 | 江苏大学 | 一种基于光纤光栅的三排滚柱式转盘轴承健康监测装置 |
CN113551762A (zh) * | 2021-06-09 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种温度自适应的振动采集方法 |
CN113850022A (zh) * | 2021-09-26 | 2021-12-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
CN117473273A (zh) * | 2023-12-27 | 2024-01-30 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
CN117473273B (zh) * | 2023-12-27 | 2024-05-28 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246150A1 (en) * | 2002-05-31 | 2005-11-03 | The Chugoku Electric Power Co., Ltd | Method and apparatus for diagnosing residual life of rolling element bearing |
CN103115789A (zh) * | 2013-01-17 | 2013-05-22 | 西安交通大学 | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 |
CN104713728A (zh) * | 2014-12-15 | 2015-06-17 | 南京工业大学 | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
-
2016
- 2016-11-28 CN CN201611059092.6A patent/CN106769032B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050246150A1 (en) * | 2002-05-31 | 2005-11-03 | The Chugoku Electric Power Co., Ltd | Method and apparatus for diagnosing residual life of rolling element bearing |
CN103115789A (zh) * | 2013-01-17 | 2013-05-22 | 西安交通大学 | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 |
CN104713728A (zh) * | 2014-12-15 | 2015-06-17 | 南京工业大学 | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
Non-Patent Citations (3)
Title |
---|
丁硕等: "自组织特征映射网络在模式分类中的应用研究", 《科学技术与工程》 * |
田淑华等: "基于多特征集融合与多变量支持向量回归的回转支承剩余寿命评估", 《南京工业大学学报(自然科学版)》 * |
苏海锋等: "基于改进均值聚类随机粒子群算法的变电站LCC规划", 《电工技术学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884173A (zh) * | 2017-12-13 | 2018-04-06 | 索特传动设备有限公司 | 试验设备及试验组件 |
CN108846597A (zh) * | 2018-09-06 | 2018-11-20 | 上海市测绘院 | 一种面向tod建设的交通枢纽评价方法 |
CN109992569A (zh) * | 2019-02-19 | 2019-07-09 | 平安科技(深圳)有限公司 | 集群日志特征提取方法、装置及存储介质 |
CN111310314A (zh) * | 2020-01-21 | 2020-06-19 | 北京瑞风协同科技股份有限公司 | 一种基于人工智能确定机电装置寿命的方法和系统 |
CN112525532A (zh) * | 2020-11-05 | 2021-03-19 | 江苏大学 | 一种基于光纤光栅的三排滚柱式转盘轴承健康监测装置 |
CN113551762A (zh) * | 2021-06-09 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种温度自适应的振动采集方法 |
CN113551762B (zh) * | 2021-06-09 | 2023-09-05 | 杭州安脉盛智能技术有限公司 | 一种温度自适应的振动采集方法 |
CN113850022A (zh) * | 2021-09-26 | 2021-12-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
CN113850022B (zh) * | 2021-09-26 | 2024-05-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
CN117473273A (zh) * | 2023-12-27 | 2024-01-30 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
CN117473273B (zh) * | 2023-12-27 | 2024-05-28 | 宁德时代新能源科技股份有限公司 | 异常检测方法、装置、终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106769032B (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106769032B (zh) | 一种回转支承使用寿命的预测方法 | |
WO2021042935A1 (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
Haidong et al. | Enhanced deep gated recurrent unit and complex wavelet packet energy moment entropy for early fault prognosis of bearing | |
Nasiri et al. | Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review | |
Liao et al. | Uncertainty prediction of remaining useful life using long short-term memory network based on bootstrap method | |
Yan et al. | A dynamic multi-scale Markov model based methodology for remaining life prediction | |
CN108344564B (zh) | 一种基于深度学习的主轴特性试验台状态识别及预测方法 | |
Wang et al. | Degradation evaluation of slewing bearing using HMM and improved GRU | |
CN109376620A (zh) | 一种风电机组齿轮箱故障的迁移诊断方法 | |
Zheng et al. | A data-driven approach for remaining useful life prediction of aircraft engines | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN110414140A (zh) | 木材损伤的模型训练和测试方法、装置、设备和存储介质 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
Joshuva et al. | A comparative study of Bayes classifiers for blade fault diagnosis in wind turbines through vibration signals | |
CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
Qian et al. | Structural fatigue reliability analysis based on active learning Kriging model | |
Joshuva et al. | Crack detection and localization on wind turbine blade using machine learning algorithms: A data mining approach | |
JP2022530198A (ja) | 運転可能な風力タービンのコンポーネントの残存有効寿命を評価するための方法 | |
CN109635879B (zh) | 一种参数最优的采煤机故障诊断系统 | |
CN104462836B (zh) | 基于全周期分段步加策略的小子样加速失效演变实验方法 | |
Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
CN113673145A (zh) | 基于pca-lstm神经网络的地表沉降预测方法 | |
Wang et al. | Smart health evaluation of slewing bearing based on multiple-characteristic parameters | |
CN112816211A (zh) | 一种基于pso-bp算法的带式输送机故障诊断的方法 | |
Zaporojan et al. | Modeling the deformation behavior of wind turbine blades using artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |