CN107036817B - 基于磷虾群算法的svr滚动轴承性能衰退预测方法 - Google Patents
基于磷虾群算法的svr滚动轴承性能衰退预测方法 Download PDFInfo
- Publication number
- CN107036817B CN107036817B CN201710219477.2A CN201710219477A CN107036817B CN 107036817 B CN107036817 B CN 107036817B CN 201710219477 A CN201710219477 A CN 201710219477A CN 107036817 B CN107036817 B CN 107036817B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- signal
- algorithm
- svr
- fault
- 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.)
- Expired - Fee Related
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于磷虾群算法的SVR滚动轴承性能衰退预测方法,属于泛函逼近的旋转机械预测方法领域。首先分析时域、频域、时频域特征指标,提出基于CEEMD和小波包半软阈值降噪相结合的特征提取方法,对滚动轴承进行故障诊断。又针对多特征参数对滚动轴承故障衰退特征进行综合评价,提出LLE非线性特征降维方法与模糊C均值结合的方法,最后介绍了支持向量回归机基本理论,以此基础提出基于磷虾群算法的多变量支持向量回归机的预测模型,对SVR中的参数进行优化,选取最优C、σ参数。本发明具有预测精度高,计算用时短,聚类后的特征值预测效果好的特点。通过以上三个步骤可以进行滚动轴承的衰退过程精确预测。
Description
技术领域
本发明属于泛函逼近的旋转机械预测方法领域,具体涉及基于CEEMD与小波包变换相结合特征提取,并采用多特征融合技术对非线性信号进行降维处理的方法。
背景技术
随着科学技术上的突破与飞跃,旋转机械设备故障的诊断和预测得到人们广泛关注,而大型旋转机械设备也随着时代的发展自动化、精密化、复杂化程度越来越高,工作环境的要求也越来越严格。设备会随着时间的推移逐渐进入耗损故障高发阶段。工厂中的整条生产线可能会由于单独零部件发生故障而瘫痪,既会给企业造成经济危机又可能发生人员意外伤亡的风险。对于性能退化预测方法的研究,正是为了预估设备的损坏时间及要发生故障的零部件及时进行更换,保证设备正常运行延长设备使用寿命。
国外方面,20世纪60年代,滚动轴承状态监测技术开始迅速发展。1962年,Gustafsson和Tallian研究发现可以通过滚动轴承振动加速度信号的峰值变化来振动轴承的早期故障。1974年,美国波音公司的D.R.Harting开启了共振解调技术领域的先锋。1998年,Norden E.Huang等人提出了一种新型信号处理方法Hilbert-Huang变换,将信号分解成多个IMF分量并进行Hilbert变换。
国内方面,20世纪80年代开始出现滚动轴承故障检测的相关研究。燕山大学时培明,许帅等提出基于小波去噪与EEMD(集合经验模态分解:针对EMD方法的不足,提出的一种噪声辅助数据分析方法,分解原理为当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器组分割成的不同尺度成分组成)包络解调相结合的轴承故障诊断方法,尤其针对强噪声环境有着非常显著的效果,能够准确地诊断出滚动轴承内外圈故障频率。2010年,大连理工大学苏文胜提出一种基于小波包样本熵的滚动轴承故障诊断和预测方法,计算全寿命周期轴承试验台数据的小波包样本熵,利用EMD(经验模态分解:是Hilbert-Huang变换(HHT)的核心算法,通过算法过程定义,而并非由确定的理论公式定义,目的在于将性能不好的信号分解为一组性能较好的本征模函数)提取其中趋势,可以较好地预测滚动轴承的运行状态。
滚动轴承在机械设备中的重要程度不言而喻,其性能好坏直接影响整个机器运行,而且又是故障多发的部件,寿命离散程度也大。如果对滚动轴承仅仅只是按照设计寿命对其进行定期维修会造成过度维修或者欠维修,造成资源浪费,因此对性能衰退预测和故障预测甚为重要。而机械设备故障诊断的发展基础是基于信号处理与分析并结合模式识别的理论方法来实现的,有众多的模式识别方法,其结果好坏由计算收敛速度、相关度、精确度等指标来评价。因此,应针对不同的应用对象来选取适合的评价指标。
针对振动信号的故障特征集存在信息冗余,计算量较大,进而造成算法准确率极大降低的问题,我们需要对多特征参数进行维数约减。运用PCA(主成分分析:实质是尽可能好地代表原特征情况下,将原特征进行线性变换、映射至低维空间中)降维,滚动轴承各阶段损伤混杂在一起,并没有很好区分开。KPCA(核主成分分析:基本思想是通过某种隐式方式将输入空间映射到某个高维空间(常称为特征空间),并且在特征空间中实现PCA)通过与核函数相结合把数据投影至高维的空间,并在该空间中学习,损伤表现有所区分,却又不明显。LLE将高维特征数据投影至相同的全局低维坐标中,降维后,虽可以明显区分,但还存在部分混叠现象。而采用LLE和模糊C均值聚类结合的方法对滚动轴承衰退阶段的变化有很好的聚类效果,聚类中间比较集中且无混叠现象,聚类集中程度较高。
机械设备健康维修主要实现手段之一是提取对机械设备的衰退变化进行预测与评估,主要有单一特征参数和多特征参数的性能退化评价。单一振动信号的性能衰退评估方法容易实现且原理简单,但信息不全面,敏感性差,不能很好反映大型设备的运行状态。同时基于多特征参数的退化评估包含信息量大,可以综合考虑多个参数对其自身的影响,能够对多参数进行最优选取,抗干扰能力强。但多特征参数存在信息量大和敏感程度差等缺点,不能全面对轴承退化进行评价。因此合理的选用衰退评价指标是判断滚动轴承衰退过程的重要依据。
综上,首先要提出合适的特征提取的方法,贴近原始信号,达到更好的降噪效果。接着,提出合适的特征降维方法,提高滚动轴承衰退阶段的分类精度,且具有很好的损伤识别效果。其次,确保性能衰退预测算法的精确度,更好地对滚动轴承的衰退过程进行精确预测。
发明内容
本发明的目的在于提供一种基于磷虾群算法的SVR滚动轴承性能衰退预测方法,该方法基于CEEMD和小波包阈值降噪的特征提取方法,真实地对滚动轴承进行故障诊断,又提出了基于C-LLE的滚动轴承特征降维方法,提高滚动轴承衰退阶段的分类精度,接着是基于磷虾群算法的多变量支持向量回归机的预测模型,预测精度高,计算用时短,聚类后的特征值预测效果好。
实现上述目的,本发明的技术方案是:
基于磷虾群算法的SVR滚动轴承性能衰退预测方法,所述的方法包括如下步骤:
步骤一;基于CEEMD和小波包阈值降噪的特征提取;
分析时域、频域、时频域特征指标,反应滚动轴承的故障诊断能力,提出新的CEEMD与小波包半软阈值相结合的理论算法;
步骤二;基于C-LLE的滚动轴承降维;
针对多特征参数对滚动轴承故障衰退特征进行评价,并对特征降维的多种方法进行理论分析,提出LLE非线性特征降维方法与模糊C均值聚类结合的方法,在滚动轴承整个监测过程中,区分滚动轴承不同损伤程度,对滚动轴承退化趋势进行预测和分类,将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C均值聚类模型;
步骤三;基于支持向量回归机性能衰退预测;
在向量回归机基本理论的基础上,提出基于磷虾群算法的多变量支持向量机的性能退化评估方法,采用磷虾群算法对SVR中的参数进行优化,选取最优C、σ参数。
本发明相对于现有技术的有益效果是:
本发明的基于磷虾群算法的SVR滚动轴承性能衰退预测方法,是一种新的CEEMD与小波包半软阈值相结合的算法,原始信号得到了精确重构。在保持EMD方法的完备性的基础上,相比EEMD筛选迭代次数降低,计算速度也得到提高。半软阈值相比于硬阈值和软阈值,更好地降低均方根误差,提高信噪比,从而有效地抑制噪声,更贴近原始信号。而LLE非线性特征降维方法与模糊C均值聚类结合的方法,更为精确诊断出滚动轴承在不同衰退阶段的变化趋势。比较经过模糊C均值聚类后的PCA、KPCA、LLE效果可知,LLE有更好的聚类效果,聚类中间比较即集中且无混叠现象,聚类集中程度较高。同时遗传算法的SVR预测精度仅为98.6%,且平均相对百分比误差较大,为5.74%,而磷虾群算法的SVR预测精度高达99.9%,近乎达到完美预测的程度,且平均相对百分比误差较小,拟合程度高,具有较强的搜索能力。
附图说明
图1为滚动轴承振动信号特征提取与性能衰退预测研究工作的路线图。
图2为CEEMD和小波包相结合的故障特征提取流程图。
图3为小波包分解去噪结果图。
图4为小波包分解去噪频谱图。
图5为CEEMD去噪方法仿真去噪结果图。
图6为CEEMD去噪频谱图。
图7为CEEMD结合小波去噪方法仿真去噪结果图。
图8为CEEMD结合小波去噪方法仿真去噪频谱图。
图9为CEEMD结合小波包去噪方法仿真去噪结果图。
图10为CEEMD结合小波包去噪方法仿真去噪频谱图。
图11为LLE流形学习的模糊C均值聚类流程图。
图12为PCA降维后模糊C均值聚类图。
图13为kpca降维后模糊C均值聚类图。
图14为lle降维后模糊C均值聚类图。
图15为基于磷虾群算法的多变量支持向量回归机预测数据图,即原始数据和回归预测数据对比图。
图16为基于磷虾群算法的变量支持向量回归机相对误差图。
具体实施方式
具体实施方式一:如图1所示,本实施方式的基于磷虾群算法的SVR滚动轴承性能衰退预测方法,所述的方法包括如下步骤:
步骤一;基于CEEMD(完备总体经验模态分解:与EEMD类似,利用加入高斯白噪声正负对的形式,对于重构信号中的残余辅助噪声具有很好的消除效果,从而减少重构误差,提高计算速度)和小波包阈值降噪的特征提取;
分析时域、频域、时频域特征指标,反应滚动轴承的故障诊断能力,提出新的CEEMD与小波包半软阈值相结合的理论算法;
步骤二;基于C-LLE(建立模糊C聚类模型,用LLE流行算法对非线性数据降维,处理后的低维数据均能够保持原有的拓扑关系)的滚动轴承降维;
针对多特征参数对滚动轴承故障衰退特征进行评价,并对特征降维的多种方法进行理论分析,提出LLE非线性特征降维方法与模糊C均值聚类(对高维特征数据建模,利用隶属度来评价样本点聚类效果优劣的一种迭代优化聚类算法)结合的方法,在滚动轴承整个监测过程中,区分滚动轴承不同损伤程度,对滚动轴承退化趋势进行预测和分类,将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C均值聚类模型;
步骤三;基于支持向量回归机性能衰退预测;
在向量回归机基本理论的基础上,提出基于磷虾群算法的多变量支持向量机的性能退化评估方法,采用磷虾群算法(为已有方法)对SVR(支持向量回归机:是支持向量在函数回归领域的应用,基本思想是通过事先确定的非线性映射将输入向量映射的一个高维特征空间(Hilbert空间)中,然后在此高维空间中再进行线性回归,从而取得在原空间非线性回归的效果)中的参数进行优化,选取最优C、σ(C值表示惩罚系数,如果C值过小则惩罚度小而训练误差增大,C值过大会导致泛化能力差而学习精度高。σ反映了支持向量之间的相关程度。σ如果特别小会导致SVR间的联系不紧密,推广能力变差。σ值过大会使SVR间的联系过于强而不能达到精度要求)参数。
具体实施方式二:本实施方式是对具体实施方式一作出的进一步说明;
步骤一(首先要分析滚动轴承振动信号,滚动轴承中当噪声信号足够大而覆盖了有用信息时,直接采用小波包阈值降噪会在去掉噪声信号的同时,也去除掉了淹没在噪声中的有用信号。而采用CEEMD直接舍弃高频分量进行去噪,会造成高频有效信号的损失问题,故采用CEEMD和小波包相结合的方法)的具体步骤如下:
步骤一一;对安装于滚动轴承座上的加速度传感器设置采样时间和频率,然后确定加速度传感器通道个数,并采集滚动轴承不同损伤状态下的振动信号,接着预处理得到的振动信号,作为故障预测的输入信号;对所述的滚动轴承原始信号进行CEEMD分解,分解出从高频到低频(0~100Hz为低频段,101~250Hz为中频段,251~450Hz为高频段)的IMF(本征模函数:任意一点的瞬时频率都是有意义的,即函数必须是对称的,局部均值为零,并且具有相同的过零点和极值点数目)分量,而滚动轴承的噪声信号包含在高频信号中;
步骤一二;确定高频信号中含有噪声的IMF分量,选定合适的阈值函数,对高频信号进行小波包阈值降噪处理;
步骤一三;对高频区降噪后的IMF分量和低频区未降噪的IMF分量进行信号重构,得到降噪后的信号。
具体实施方式三:本实施方式是对具体实施方式一作出的进一步说明;
步骤二(由于单一的特征参数不能良好地反映出滚动轴承正常运行过程中的变化,而多特征参数往往存在不相关性和信息冗余的问题,因此采用特征降维的方法把包含所有特征量的空间矩阵进行降维,采用基于C-LLE的滚动轴承特征降维方法,在滚动轴承整个监测过程中,不仅可以区分轴承不同损伤程度,而且可以对滚动轴承退化趋势进行预测和分类。将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C聚类模型。首先故障特征提取:提取训练样本初期损伤阶段、中度损伤阶段、严重损伤阶段的故障信号中的时域、频域及改进CEEMD特征,以形成代表故障信号的高维特征集)的具体步骤如下:
步骤二一;故障特征提取:提取训练样本初期损伤阶段、中度损失阶段、严重损伤阶段的故障信号中的时域、频域及改进CEEMD特征,以形成代表故障信号的高维特征集;
步骤二二;本征流形特征提取:针对滚动轴承的不同损伤程度,分别通过LLE实现将高维特征集映射到低维空间;
步骤二三;滚动轴承性能评估模型确立:通过模糊C均值聚类方法分别求出初期、中度和重度损伤三种情况下故障信号的聚类中心C={Cnormal,Cfailure},再求得每个样本相对于正常样本的隶属度。C代表聚类中心,Cnormal代表符合聚类中心的正常值,Cfailure代表远离聚类中心的失效值。
具体实施方式四:本实施方式是对具体实施方式一作出的进一步说明;
步骤三(在向量回归机的基础上,提出基于磷虾群算法的多变量支持向量回归机的性能退化评估方法,采用磷虾群算法对SVR中的参数进行优化)的具体步骤如下:
步骤三一;训练:通过磷虾群算法对SVR中的参数进行选取,找出相应的最优参数,完成对数据模型的训练;
步骤三二;测试:根据获得的训练模型,测试训练数据集,检测构建模型的准确性;
步骤三三;预测:利用训练好的模型,对未知的样本进行预测,得到预测结果;
为了能够准确评价预测方法,采用如下的性能评价指标:
式中,MARE代表平均绝对相对误差,ytest代表预测值,yi为原始值,n代表序列长度。
具体实施方式五:本实施方式是对具体实施方式一作出的进一步说明;
步骤一中,所述的小波包阈值是一种小波包半软阈值函数结合硬阈值和软阈值的算法,其表达式如下:
式中:T1是阈值下限,T2是阈值上限,sgn(w)为符号函数,w为原始小波系数,η(w)为阈值化处理后得到的估计小波系数,I为经EMD分解次数。
实施例1:
为了更清楚地说明本实施例,如图1所示,基于磷虾群算法的SVR滚动轴承性能衰退预测方法,包括如下步骤:
步骤一、滚动轴承故障特征提取及降噪方法研究;
步骤二、滚动轴承非线性数据的高效特征降维;
步骤三、滚动轴承多变量支持向量回归机性能衰退预测。
本实施例采用美国凯斯西储大学滚动轴承故障试验平台对比验证特征提取方法,设备包括:1.5KW的电动机、数据记录仪、监测系统、扭矩传感器和功率测试计,测试风扇端滚动轴承为SKF6203,电机转速为1797rpm,采样频率为12KHz,所述的滚动轴承外圈损伤点在3点钟方向,故障直径为0.5334mm。由加速度传感器采集得到滚动轴承外圈故障试验数据,同时在试验的滚动轴承上采用电火花加工出同方向不同损伤深度的单点故障,分别为0.007英寸、0.014英寸、0.021英寸。对这同一故障类型的三种不同损伤程度的故障类型数据,每种损伤状态各30组样本,每组样本又含有100个数据点。分别提取滚动轴承三种损伤阶段的故障特征向量,每组各18个特征值,组成特征矩阵为N=30×3×18=1620。
首先,滚动轴承特征提取及降噪:
由于滚动轴承的信号采集受到工作环境(如噪声)的影响,导致原始信号往往非线性,不稳定。滚动轴承中当噪声信号足够大而覆盖了有用信息时,直接采用小波包阈值降噪会在去掉信号噪声信号的同时,也去除掉了淹没在噪声中的有用信号。而采用CEEMD直接舍弃高频分量进行去噪,会造成高频有效信号的损失问题。因此,采用将CEEMD和小波包相结合的方法,通过互补的方式来解决上述问题,图2为CEEMD和小波包相结合的故障特征提取流程图。从图3-图10的对比可以看出,新的方法更加精确地诊断出滚动轴承的内圈故障,高频信号的处理更加完善,保证信号噪声的滤出和完整性。
其次,滚动轴承非线性数据的高效特征降维:
基于C-LLE降维算法的基本流程如图11所示。滚动轴承在整个健康监测过程中,不仅可以区分滚动轴承不同损伤程度,而且可以对滚动轴承退化趋势进行预测和分类。将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C聚类模型。不同特征参数对滚动轴承的损伤表现不同,因此多特征参数选取最具有代表性的特征尤为重要。对特征向量归一化处理后,对多特征降维。从图12-图14可以看出,采用LLE和模糊C均值聚类结合的方法对滚动轴承衰退阶段的变化有很好的聚类效果,聚类中间比较集中且无混叠现象,聚类集中程度较高。
再之,滚动轴承多变量支持向量回归机性能衰退预测:
采用损伤直径为0.007英寸的滚动轴承内圈故障数据,提取滚动轴承内圈的故障特征数据18个,并经过LLE降维后由模糊C均值聚类后得到的前3个主要特征参数,组成3×30=90特征向量。测试数据集的故障特征作为输入,输入故障诊断模型中进行故障诊断测试寻优得到最优C、σ值分别为2.83,11.31,采用磷虾群算法进行数据预测结果如图15所示。图16可以看出基于磷虾群算法的多变量支持向量回归机的预测精度更高,且预测数据的回归曲线基本与原始数据相重合,相对误差量最小为0.48,SVR预测精度高达99.45%。以此证明了新方法的可行性,能够更好地对滚动轴承的衰退过程进行精确预测。
Claims (5)
1.一种基于磷虾群算法的SVR滚动轴承性能衰退预测方法,其特征在于:所述的方法包括如下步骤:
步骤一;基于CEEMD和小波包阈值降噪的特征提取;
分析时域、频域、时频域特征指标,反应滚动轴承的故障诊断能力,提出新的CEEMD与小波包半软阈值相结合的理论算法;
步骤二;基于C-LLE的滚动轴承降维;
针对多特征参数对滚动轴承故障衰退特征进行评价,并对特征降维的多种方法进行理论分析,提出LLE非线性特征降维方法与模糊C均值聚类结合的方法,在滚动轴承整个监测过程中,区分滚动轴承不同损伤程度,对滚动轴承退化趋势进行预测和分类,将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C均值聚类模型;
步骤三;基于支持向量回归机性能衰退预测;
在向量回归机基本理论的基础上,提出基于磷虾群算法的多变量支持向量机的性能退化评估方法,采用磷虾群算法对SVR中的参数进行优化,选取最优C、σ参数。
2.根据权利要求1所述的基于磷虾群算法的SVR滚动轴承性能衰退预测方法,其特征在于:
步骤一的具体步骤如下:
步骤一一;对安装于滚动轴承座上的加速度传感器设置采样时间和频率,然后确定加速度传感器通道个数,并采集滚动轴承不同损伤状态下的振动信号,接着预处理得到的振动信号,作为故障预测的输入信号;对所述的滚动轴承原始信号进行CEEMD分解,分解出从高频到低频的IMF分量,而滚动轴承的噪声信号包含在高频信号中;
步骤一二;确定高频信号中含有噪声的IMF分量,选定合适的阈值函数,对高频信号进行小波包阈值降噪处理;
步骤一三;对高频区降噪后的IMF分量和低频区未降噪的IMF分量进行信号重构,得到降噪后的信号。
3.根据权利要求1所述的基于磷虾群算法的SVR滚动轴承性能衰退预测方法,其特征在于:步骤二的具体步骤如下:
步骤二一;故障特征提取:提取训练样本初期损伤阶段、中度损伤阶段、严重损伤阶段的故障信号中的时域、频域及改进CEEMD特征,以形成代表故障信号的高维特征集;
步骤二二;本征流形特征提取:针对滚动轴承的不同损伤程度,分别通过LLE实现将高维特征集映射到低维空间;
步骤二三;滚动轴承性能评估模型确立:通过模糊C均值聚类方法分别求出初期、中度和重度损伤三种情况下故障信号的聚类中心C={Cnormal,Cfailure},再求得每个样本相对于正常样本的隶属度,C代表聚类中心,Cnormal代表符合聚类中心的正常值,Cfailure代表远离聚类中心的失效值。
4.根据权利要求1所述的基于磷虾群算法的SVR滚动轴承性能衰退预测方法,其特征在于:步骤三的具体步骤如下:
步骤三一;训练:通过磷虾群算法对SVR中的参数进行选取,找出相应的最优参数,完成对数据模型的训练;
步骤三二;测试:根据获得的训练模型,测试训练数据集,检测构建模型的准确性;
步骤三三;预测:利用训练好的模型,对未知的样本进行预测,得到预测结果;
为了能够准确评价预测方法,采用如下的性能评价指标:
式中,MARE代表平均绝对相对误差,ytest代表预测值,yi为原始值,n代表序列长度。
5.根据权利要求1所述的基于磷虾群算法的SVR滚动轴承性能衰退预测方法,其特征在于:
步骤一中,所述的小波包阈值是一种小波包半软阈值函数结合硬阈值和软阈值的算法,其表达式如下:
式中:T1是阈值下限,T2是阈值上限,sgn(w)为符号函数,w为原始小波系数,η(w)为阈值化处理后得到的估计小波系数,I为经EMD分解次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710219477.2A CN107036817B (zh) | 2017-04-05 | 2017-04-05 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710219477.2A CN107036817B (zh) | 2017-04-05 | 2017-04-05 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107036817A CN107036817A (zh) | 2017-08-11 |
CN107036817B true CN107036817B (zh) | 2019-03-08 |
Family
ID=59533511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710219477.2A Expired - Fee Related CN107036817B (zh) | 2017-04-05 | 2017-04-05 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107036817B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
CN108509987A (zh) * | 2018-03-19 | 2018-09-07 | 浙江师范大学 | 高性能的大型风电齿轮箱多故障模式二分类器 |
CN108712222A (zh) * | 2018-05-17 | 2018-10-26 | 广东工业大学 | 一种协作频谱感知方法及相关装置 |
CN109855874B (zh) * | 2018-12-13 | 2020-07-28 | 安徽大学 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
CN110006649B (zh) * | 2018-12-24 | 2020-11-17 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN110057584B (zh) * | 2019-04-01 | 2020-04-28 | 西安交通大学 | 一种机车牵引电机轴承退化监测方法 |
CN109827777B (zh) * | 2019-04-01 | 2020-12-18 | 哈尔滨理工大学 | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 |
CN110135088B (zh) * | 2019-05-20 | 2022-08-23 | 哈尔滨工业大学 | 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 |
CN110333077B (zh) * | 2019-07-08 | 2021-06-15 | 重庆大学 | 一种基于近似支持向量的滚动轴承故障诊断方法 |
CN110672324B (zh) * | 2019-09-02 | 2021-03-26 | 佛山科学技术学院 | 一种基于有监督lle算法的轴承故障诊断方法及装置 |
CN110705181B (zh) * | 2019-10-13 | 2022-06-24 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
CN111985315A (zh) * | 2020-07-10 | 2020-11-24 | 合肥工业大学 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
CN111896254A (zh) * | 2020-08-10 | 2020-11-06 | 山东大学 | 一种变速变载大型滚动轴承故障预测系统及方法 |
CN112214852B (zh) * | 2020-10-09 | 2022-10-14 | 电子科技大学 | 一种考虑衰退率的透平机械性能衰退预测方法 |
CN112697887B (zh) * | 2020-12-08 | 2023-05-02 | 江苏科技大学 | 基于神经网络的超声检测缺陷定性识别方法 |
CN112749506B (zh) * | 2020-12-21 | 2022-08-26 | 哈尔滨理工大学 | 基于ceemd和gwo-svr的振动信号预测方法 |
CN113434768A (zh) * | 2021-07-07 | 2021-09-24 | 辽宁工程技术大学 | 一种融合磷虾群算法和fcm的个性化推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN103042436A (zh) * | 2013-01-21 | 2013-04-17 | 北京信息科技大学 | 一种基于轴心轨迹流形学习的主轴回转误差溯源方法 |
CN104506162A (zh) * | 2014-12-15 | 2015-04-08 | 西北工业大学 | 基于ls-svr建模的高阶粒子滤波器的故障预示方法 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN106127112A (zh) * | 2016-06-15 | 2016-11-16 | 北京工业大学 | 基于dlle模型的数据降维与特征理解方法 |
CN106153340A (zh) * | 2016-06-29 | 2016-11-23 | 北京工业大学 | 一种滚动轴承故障诊断方法 |
-
2017
- 2017-04-05 CN CN201710219477.2A patent/CN107036817B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN103042436A (zh) * | 2013-01-21 | 2013-04-17 | 北京信息科技大学 | 一种基于轴心轨迹流形学习的主轴回转误差溯源方法 |
CN104506162A (zh) * | 2014-12-15 | 2015-04-08 | 西北工业大学 | 基于ls-svr建模的高阶粒子滤波器的故障预示方法 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN106127112A (zh) * | 2016-06-15 | 2016-11-16 | 北京工业大学 | 基于dlle模型的数据降维与特征理解方法 |
CN106153340A (zh) * | 2016-06-29 | 2016-11-23 | 北京工业大学 | 一种滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107036817A (zh) | 2017-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107036817B (zh) | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
Udmale et al. | Multi-fault bearing classification using sensors and ConvNet-based transfer learning approach | |
CN104236911A (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 | |
CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
Puchalski et al. | Stable distributions and fractal diagnostic models of vibration signals of rotating systems | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
Ren et al. | An improved variational mode decomposition method and its application in diesel engine fault diagnosis | |
Mengting et al. | An improved fault diagnosis method based on a genetic algorithm by selecting appropriate IMFs | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
Li et al. | An orthogonal wavelet transform-based K-nearest neighbor algorithm to detect faults in bearings | |
Shi et al. | Sound-aided fault feature extraction method for rolling bearings based on stochastic resonance and time-domain index fusion | |
Liu et al. | Feasibility study of the GST-SVD in extracting the fault feature of rolling bearing under variable conditions | |
Li et al. | A classification algorithm of fault modes-integrated LSSVM and PSO with parameters’ optimization of VMD | |
Du et al. | RUL prediction based on GAM–CNN for rotating machinery | |
CN116839900B (zh) | 基于因果注意的时序卷积网络的故障诊断方法 | |
Wang et al. | Fast spectral correlation based on sparse representation self-learning dictionary and its application in fault diagnosis of rotating machinery | |
CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
Liu et al. | A model of binaural auditory nerve oscillator network for bearing fault diagnosis by integrating two-channel vibration signals | |
Zhao et al. | Combine assembly quality detection based on multi-entropy data fusion and optimized LSSVM | |
CN115406522A (zh) | 基于声纹识别的电厂设备运行状态研究与应用 | |
Zhang et al. | A Hybrid Method to Diagnose 3D Rotor Eccentricity Faults in Synchronous Generators Based on ALIF_PE and KFCM |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190308 Termination date: 20200405 |
|
CF01 | Termination of patent right due to non-payment of annual fee |