CN107727395A - 一种基于全变分与补偿距离评估的轴承故障诊断方法 - Google Patents
一种基于全变分与补偿距离评估的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107727395A CN107727395A CN201710598597.8A CN201710598597A CN107727395A CN 107727395 A CN107727395 A CN 107727395A CN 201710598597 A CN201710598597 A CN 201710598597A CN 107727395 A CN107727395 A CN 107727395A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- fault diagnosis
- index
- full variation
- uncompensation distance
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于全变分与补偿距离评估的轴承故障诊断方法,传感器采集滚动轴承的多通道振动信号;振动信号按时间序列分割,组成样本集;对样本提取时域特征并引入振动信号全变分,得到时域一维特征行向量;不同通道的时域一维特征行向量组成高维数据特征集,并采用补偿距离评估算法获取敏感特征集;利用PSO优化的支持向量机进行训练并建立故障诊断模型,确定轴承故障类型并输出结果。本发明通过采集不同运行状态滚动轴承振动信号,按时间序列划分得到多组样本集,提取时域特征,并引入全变分特征构成多维时域特征集;通过补偿距离评估算法选择敏感特征指标,采用PSO优化的支持向量机训练故障诊断模型,故障诊断精度高,训练速度快。
Description
技术领域
本发明涉及一种轴承故障诊断方法,具体涉及一种基于全变分与补偿距离评估的轴承故障诊断方法。
背景技术
滚动轴承是旋转机械中的重要组件,也是旋转机械中比较常见且易损坏的部件,它在旋转机械中起关键作用,其工作状态正常与否直接影响整台机组的性能,因此,能否快速、精准地检测出轴承故障的存在和严重程度对于保障轴承安全可靠地运行和减少设备停机成本意义重大。据统计旋转机械的故障有30%是由轴承引起的,因此滚动轴承故障的多分类显得尤为重要。
传统滚动轴承故障诊断方法是对故障信号进行时、频域多维特征提取,构建轴承振动信号混合域特征向量集。因为每个特征指标对故障诊断的影响不同,有些指标非常重要,而有些关系不大或微乎其微,所以高维特征向量存在的冗余信息会对后续模式分析造成维数灾难,增大计算时间,影响故障分类精度。然而传统的降维方法如主成分分析法,线性判别式分析法都局限于处理线性特征,滚动轴承振动信号特征集往往存在复杂的非线性关系,因此传统降维方法面临挑战。
目前滚动轴承故障诊断算法一般采用基于数据驱动的机器学习算法,如神经网络、模糊识别、贝叶斯分类等,都存在训练时间长或者分类精度低的缺点。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于全变分与补偿距离评估的轴承故障诊断方法,增加全变分特征,使时域特征指标更好地反映滚动轴承运行状态,训练时间短、诊断精度高。
为了实现上述目的,本发明采用的技术方案是:一种基于全变分与补偿距离评估的轴承故障诊断方法,包括以下步骤:
a.加速度传感器采集滚动轴承的多通道振动信号;
b.振动信号按时间序列分割,组成样本集;
c.对样本提取时域特征并引入振动信号全变分,得到时域一维特征行向量;
d.不同通道的时域一维特征行向量组成高维数据特征集,并采用补偿距离评估算法获取敏感特征集;
e.利用PSO优化的支持向量机进行训练并建立故障诊断模型,确定轴承故障类型并输出结果。
进一步的,所述的步骤b中振动信号按时间序列分割获得样本集,每个样本集记为Xi, i=1,2,...,M,其中M≥200,|Xi|≥2000。
进一步的,所述的步骤c中提取每个样本的时域特征包括均值、标准差、均方根值、歪度指标、峭度指标、波形指标、裕度指标、脉冲指标、峰值指标和全变分等10个时域特征指标,得到时域一维特征行向量;其中,振动信号全变分定义为:式中,D∈R(n-1)×n为双对角矩阵,xi为振动信号的幅值,n为数据点数。
进一步的,所述的步骤c中的不同通道的时域一维特征行向量按行排列形成一个特征矩阵,再按列转化成一个特征列向量;不同样本的特征列向量组成高维数据特征集,并采用补偿距离评估算法获取敏感特征集,补偿距离指标选择大于阈值0.6或者补偿距离指标最大的3个特征为敏感特征集,全变分函数对于快速变化的x给予大的值,因此更能反映出故障信号的时域特征。
与现有技术相比本发明提出了基于全变分与补偿距离评估相结合的支持向量机轴承故障诊断方法,通过采集不同运行状态滚动轴承振动信号,按时间序列划分得到多组样本集,提取时域特征,并引入明显反应振动信号变化的全变分特征构成多维时域特征集;通过补偿距离评估算法选择敏感特征指标,去除时域特征集的冗余特征,并采用PSO优化的支持向量机训练故障诊断模型,故障诊断精度和训练速度都得到明显提高且方法简便易于操作。
附图说明
图1为本发明故障诊断方法流程图;
图2为本发明实施例中某一通道轴承正常状态的振动信号图;
图3为本发明实施例中某一通道轴承内圈故障状态的振动信号图;
图4为本发明实施例中某一通道轴承外圈故障状态的振动信号图;
图5为本发明实施例中某一通道轴承滚动体故障状态的振动信号图;
图6为本发明实施例中某一通道轴承组合故障状态的振动信号图;
图7为本发明引入全变分特征集补偿距离评估指标图;
图8为本发明引入振动信号全变分特征集的补偿距离评估降维聚类效果图;
具体实施方式
下面结合附图对本发明作进一步说明。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括以下步骤:
a.加速度传感器采集滚动轴承的多通道振动信号,通过传感器测得滚动轴承的振动信号记为x(i),i=1,2,...,N,N为信号长度;
b.振动信号按时间序列分割,组成样本集,每个样本集记为Xi,i=1,2,...,M,其中 M≥200,|Xi|≥2000;
c.对样本提取时域特征并引入振动信号全变分,得到时域一维特征行向量;
滚动轴承振动信号时域波形具有直观、易于理解的特点,是机械故障诊断的原始数据,因此,本发明采用时域分析法,提取每个样本的时域特征,包括均值、标准差、均方根值、歪度指标、峭度指标、波形指标、裕度指标、脉冲指标、峰值指标等9个传统时域特征基础上,引入了一种新的时域特征即振动信号的全变分;设x为轴承的振动信号,由于正常运行下机器的振动或噪声一般是大量的、无规则的、大小接近的随机扰动的结果;而对于不正常运行状态下的振动信号,通常是在随机信号中出现有规则的周期性脉冲,这就意味着通常情况满足xi≈xi+1,为此,定义振动信号全变分为:式中, D∈R(n-1)×n为双对角矩阵,xi为振动信号的幅值,n为数据点数;
全变分函数对于快速变化的x给予大的值,因此更能反映出故障信号的时域特征。提取的时域特征计算公式如下:
均值:标准差:
均方根值:歪度指标:
峭度指标:波形指标:
裕度指标:脉冲指标:
峰值指标:全变分:
d.不同通道的时域一维特征行向量组成高维数据特征集,并采用补偿距离评估算法获取敏感特征集;
设含有C个模式类ω1,ω2,...,ωC的特征集为{pc,m,k},c=1,2,...,C;m=1,2,...,Mc; k=1,2,...,K,其中,pc,m,k为c状态下第m个样本第k个特征,Mc为c状态下样本总数,K 为每个样本特征数目,因此总共可得Mc×C个样本集,从而得Mc×C×K个特征,并将此特征集定义为{pc,m,k};
补偿距离评估技术实现特征降维的具体步骤为:
①计算ωc类中所有特征向量平均距离:
②定义并计算方差因子:
③计算C个模式类的类间距离:
其中:为ωc类中所有第k个特征均值;
④定义并计算方差因子:
⑤定义并计算补偿因子:
⑥计算类间距离与类内距离比值,得距离评估指标:
对αk归一化处理,得距离评估指标为:
⑦设阈值从特征集{pc,m,k}中选择距离评估指标特征为灵敏特征或者选择补偿距离指标最大的3个特征为敏感特征集。
e.利用PSO优化的支持向量机进行训练并建立故障诊断模型,确定轴承故障类型并输出结果;
支持向量机参数选择直接影响模型分类精度,因此采用粒子群PSO优化支持向量机惩罚参数与核函数方差,粒子群算法保留了基于种群的全局搜索策略,同时其采用的速度—位移模型,操作简单,避免了复杂的遗传操作,它特有的记忆使其可以动态跟踪当前的搜索情况调整其搜索策略,粒子群算法可描述为:设粒子群在一个n维空间中搜索,由m个粒子组成种群 Z={Z1,Z2,...,Zm},其中每个粒子的位置Zi={zi1,zi2,...,zin}都表示目标问题的一个解,将每个粒子搜索到的最好解记为pid,以及整个粒子群经历的最优解记为pgd,每个粒子的速度为 Vi={vi1,vi2,...,vin},则在两个最优的情况下,每个粒子速度更新法则如下:
vid(t+1)=wvid(t)+η1rand()(pid-zid(t))+η2rand()(pgd-zid(t));
zid(t+1)=zid(t)+vid(t+1);
其中,vid(t+1)表示第i个粒子在t+1次迭代中第d维的速度,w为权重,η1,η2为加速常数,rand()为0-1之间的随机数。
实施例:
利用多通道传感器采集轴承的振动信号,假设利用6通道振动传感器采集了轴承5种工作状态(正常,内圈故障,外圈故障,滚动体故障,组合故障)1分钟数据;如图2至图 6所示为某一通道正常,内圈故障,外圈故障,滚动体故障,组合故障5种工作状态轴承监测的振动信号。
数据处理针对每个方向不同工作状态提取200组为训练集,提取150组为测试集,每组数据点为3000个。时域特征提取时在传统时域特征基础上引入振动信号全变分,即提取每组数据10个特征构成特征集,所以6通道传感器共构成60个特征集。特征集{pc,m,k}表示为:
其中N=200×5为5种运行状态的样本数总和,K=60,特征集元素a11,a21,...,aP1分别表示通道1,2,...,6每个通道10个时域特征的第1个特征。
对60维数据集进行降维,计算60个特征距离评估指标将阈值φ设为0.6,即大于0.6的指标被选为敏感特征指标;具体实现步骤为:
(1)计算ωc类中所有特征向量平均距离:
(2)定义并计算方差因子:
(3)计算C个模式类的类间距离:
其中:为ωc类中所有第k个特征均值;
(4)定义并计算方差因子:
(5)定义并计算补偿因子:
(6)计算类间距离与类内距离比值,得距离评估指标:
对αk归一化处理,得距离评估指标为:
(7)设阈值φ(φ∈[0,1]),从特征集{pc,m,k}中选择距离评估指标特征为灵敏特征。
如图7所示,选择的3个特征分别为通道4和通道5方向的振动信号全变分,及通道4方向振动信号的均方根值;如图8所示,显示结果表明该降维算法能够有效的选择敏感特征指标。将敏感特征集用于PSO优化的支持向量机模型训练,将测试样本敏感特征集用该方法诊断轴承的故障类型,其故障识别精度为99.87%,并且诊断速度得到了明显提升。
本发明公开了一种基于全变分与补偿距离评估相结合的支持向量机轴承故障诊断方法,在传统振动信号时域特征基础上,引入了一种新的时域特征——振动信号的全变分,并通过补偿距离评估算法验证了引入指标的优越性。算法采用补偿距离评估进行特征降维去除冗余特征,最后通过PSO优化的支持向量机对轴承故障类型实现高精度故障识别,而且提高了故障诊断速度。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进,均应包含在本发明技术方案的保护范围之内。
Claims (4)
1.一种基于全变分与补偿距离评估的轴承故障诊断方法,其特征在于,包括以下步骤:
a. 加速度传感器采集滚动轴承的多通道振动信号;
b. 振动信号按时间序列分割,组成样本集;
c. 对样本提取时域特征并引入振动信号全变分,得到时域一维特征行向量;
d. 不同通道的时域一维特征行向量组成高维数据特征集,并采用补偿距离评估算法获取敏感特征集;
e. 利用PSO优化的支持向量机进行训练并建立故障诊断模型,确定轴承故障类型并输出结果。
2. 根据权利要求1所述的一种基于全变分与补偿距离评估的轴承故障诊断方法,其特征在于,所述的步骤b中振动信号按时间序列分割获得样本集,每个样本集记为,,其中,。
3.根据权利要求1所述的一种基于全变分与补偿距离评估的轴承故障诊断方法,其特征在于,所述的步骤c中提取每个样本的时域特征包括均值、标准差、均方根值、歪度指标、峭度指标、波形指标、裕度指标、脉冲指标、峰值指标和全变分等10个时域特征指标,得到时域一维特征行向量;其中,振动信号全变分定义为:,式中,为双对角矩阵,为振动信号的幅值,为数据点数。
4.根据权利要求1所述的一种基于全变分与补偿距离评估的轴承故障诊断方法,其特征在于,所述的步骤d中的不同通道的时域一维特征行向量按行排列形成一个特征矩阵,再按列转化成一个特征列向量;不同样本的特征列向量组成高维数据特征集,并采用补偿距离评估算法获取敏感特征集,补偿距离指标选择大于阈值0.6或者补偿距离指标最大的3个特征为敏感特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598597.8A CN107727395B (zh) | 2017-07-21 | 2017-07-21 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598597.8A CN107727395B (zh) | 2017-07-21 | 2017-07-21 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107727395A true CN107727395A (zh) | 2018-02-23 |
CN107727395B CN107727395B (zh) | 2019-12-03 |
Family
ID=61201293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710598597.8A Active CN107727395B (zh) | 2017-07-21 | 2017-07-21 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107727395B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108555907A (zh) * | 2018-04-12 | 2018-09-21 | 宁波市智能制造产业研究院 | 机器人运行状况评价方法 |
CN108896308A (zh) * | 2018-07-02 | 2018-11-27 | 昆明理工大学 | 一种基于概率包络的轮对轴承故障诊断方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109443766A (zh) * | 2018-09-10 | 2019-03-08 | 中国人民解放军火箭军工程大学 | 一种重载车辆变速箱齿轮安全性分析方法 |
CN109470477A (zh) * | 2018-09-27 | 2019-03-15 | 昆明理工大学 | 一种基于改进的pso算法优化fsvm的滚动轴承故障诊断方法 |
CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN110110803A (zh) * | 2019-05-15 | 2019-08-09 | 广东工业大学 | 一种机器人故障诊断方法、装置及设备 |
CN110451395A (zh) * | 2019-07-19 | 2019-11-15 | 广东寰球智能科技有限公司 | 一种扶梯故障监测方法 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN110887664A (zh) * | 2019-12-04 | 2020-03-17 | 中国船舶工业系统工程研究院 | 建立轴承故障识别模型的方法和装置 |
CN111046945A (zh) * | 2019-12-10 | 2020-04-21 | 北京化工大学 | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 |
CN111811820A (zh) * | 2020-07-20 | 2020-10-23 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于多参数对比的汽轮机主机振动状态评估方法 |
CN112084885A (zh) * | 2020-08-19 | 2020-12-15 | 昆明理工大学 | 一种基于多域特征提取和相关补偿距离的滚动轴承性能评估方法 |
CN112836581A (zh) * | 2021-01-05 | 2021-05-25 | 北京航空航天大学 | 一种基于相关性分析的敏感故障特征提取方法及装置 |
CN113487141A (zh) * | 2021-06-11 | 2021-10-08 | 北京控制工程研究所 | 一种多源信息聚类融合的轴承状态评估方法 |
CN113505862A (zh) * | 2021-09-07 | 2021-10-15 | 深圳市信润富联数字科技有限公司 | 混合型故障检测方法及装置 |
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 |
CN113670616A (zh) * | 2021-09-03 | 2021-11-19 | 苏州大学 | 一种轴承性能退化状态检测方法及系统 |
CN114169539A (zh) * | 2022-02-11 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 模型训练方法、训练装置、电子设备和计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0192625A (ja) * | 1987-10-02 | 1989-04-11 | Nippon Steel Corp | 系の振動特性の表現方法 |
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 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN103077514A (zh) * | 2012-12-17 | 2013-05-01 | 西南科技大学 | 一种基于全变分的视觉感知图像质量评价方法 |
CN104198184A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于第二代小波变换与bp神经网络的轴承故障的诊断方法 |
CN105606363A (zh) * | 2016-01-29 | 2016-05-25 | 济南大学 | 一种基于域自适应的轴承故障诊断方法 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
-
2017
- 2017-07-21 CN CN201710598597.8A patent/CN107727395B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0192625A (ja) * | 1987-10-02 | 1989-04-11 | Nippon Steel Corp | 系の振動特性の表現方法 |
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 |
CN103077514A (zh) * | 2012-12-17 | 2013-05-01 | 西南科技大学 | 一种基于全变分的视觉感知图像质量评价方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN104198184A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于第二代小波变换与bp神经网络的轴承故障的诊断方法 |
CN105606363A (zh) * | 2016-01-29 | 2016-05-25 | 济南大学 | 一种基于域自适应的轴承故障诊断方法 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘树蔚: "基于变分法的医学超声图像去噪研究", 《科技视界》 * |
刘鹏 等: "基于补偿距离评估技术与灰色关联分析的滚动轴承故障程度识别", 《机械传动》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108555907A (zh) * | 2018-04-12 | 2018-09-21 | 宁波市智能制造产业研究院 | 机器人运行状况评价方法 |
CN108896308A (zh) * | 2018-07-02 | 2018-11-27 | 昆明理工大学 | 一种基于概率包络的轮对轴承故障诊断方法 |
CN109443766A (zh) * | 2018-09-10 | 2019-03-08 | 中国人民解放军火箭军工程大学 | 一种重载车辆变速箱齿轮安全性分析方法 |
CN109470477A (zh) * | 2018-09-27 | 2019-03-15 | 昆明理工大学 | 一种基于改进的pso算法优化fsvm的滚动轴承故障诊断方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109084980B (zh) * | 2018-10-10 | 2019-11-05 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN109858104B (zh) * | 2019-01-10 | 2022-09-02 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN110110803A (zh) * | 2019-05-15 | 2019-08-09 | 广东工业大学 | 一种机器人故障诊断方法、装置及设备 |
CN110451395A (zh) * | 2019-07-19 | 2019-11-15 | 广东寰球智能科技有限公司 | 一种扶梯故障监测方法 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN110866502B (zh) * | 2019-11-19 | 2023-02-14 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN110887664A (zh) * | 2019-12-04 | 2020-03-17 | 中国船舶工业系统工程研究院 | 建立轴承故障识别模型的方法和装置 |
CN110887664B (zh) * | 2019-12-04 | 2021-05-25 | 中国船舶工业系统工程研究院 | 建立轴承故障识别模型的方法和装置 |
CN111046945A (zh) * | 2019-12-10 | 2020-04-21 | 北京化工大学 | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 |
CN111046945B (zh) * | 2019-12-10 | 2023-10-24 | 北京化工大学 | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 |
CN111811820A (zh) * | 2020-07-20 | 2020-10-23 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于多参数对比的汽轮机主机振动状态评估方法 |
CN112084885A (zh) * | 2020-08-19 | 2020-12-15 | 昆明理工大学 | 一种基于多域特征提取和相关补偿距离的滚动轴承性能评估方法 |
CN112836581B (zh) * | 2021-01-05 | 2023-09-01 | 北京航空航天大学 | 一种基于相关性分析的敏感故障特征提取方法及装置 |
CN112836581A (zh) * | 2021-01-05 | 2021-05-25 | 北京航空航天大学 | 一种基于相关性分析的敏感故障特征提取方法及装置 |
CN113487141A (zh) * | 2021-06-11 | 2021-10-08 | 北京控制工程研究所 | 一种多源信息聚类融合的轴承状态评估方法 |
CN113487141B (zh) * | 2021-06-11 | 2023-09-29 | 北京控制工程研究所 | 一种多源信息聚类融合的轴承状态评估方法 |
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 |
CN113670616A (zh) * | 2021-09-03 | 2021-11-19 | 苏州大学 | 一种轴承性能退化状态检测方法及系统 |
CN113505862B (zh) * | 2021-09-07 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 混合型故障检测方法及装置 |
CN113505862A (zh) * | 2021-09-07 | 2021-10-15 | 深圳市信润富联数字科技有限公司 | 混合型故障检测方法及装置 |
CN114169539A (zh) * | 2022-02-11 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 模型训练方法、训练装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107727395B (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107727395A (zh) | 一种基于全变分与补偿距离评估的轴承故障诊断方法 | |
CN104849050B (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
An et al. | A novel bearing intelligent fault diagnosis framework under time-varying working conditions using recurrent neural network | |
Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
CN107677472A (zh) | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
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 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN110132596A (zh) | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 | |
CN108764341B (zh) | 一种变工况条件下的滚动轴承故障诊断方法 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN109299727A (zh) | 信息重构的改进极限学习机故障诊断方法 | |
CN108857577B (zh) | 刀具磨损状态监控方法及设备 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN112819059A (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN104102726A (zh) | 基于层次聚类的改进k均值聚类算法 | |
CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
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 | |
CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
CN113935375A (zh) | 一种基于umap降维算法的高速电主轴故障识别方法 | |
CN111046331A (zh) | 一种基于信号异常的健康监控方法 | |
US11928613B1 (en) | Bearing fault diagnosis method based on fuzzy broad learning model | |
CN117591935A (zh) | 多源子域负迁移抑制的轴承诊断方法、系统、介质和设备 | |
CN112860183A (zh) | 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法 |
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 |