CN107817106A - 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 - Google Patents
基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107817106A CN107817106A CN201710942165.4A CN201710942165A CN107817106A CN 107817106 A CN107817106 A CN 107817106A CN 201710942165 A CN201710942165 A CN 201710942165A CN 107817106 A CN107817106 A CN 107817106A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- mover
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明属于机械设备故障诊断领域,本发明公开了一种基于贝叶斯残余变换、奇异值分解、高斯混合隐马尔科夫模型框架滚动轴承故障诊断方法,具体为:首先采集故障轴承信号;固定在被测轴承盖上的加速度传感器将信号放大后传输到多通道数据采集分析仪,分析仪将采集到的信号发送到PC机;其次对采集到的信号进行如下处理:第一步,通过贝叶斯残余变换分解信号,并对残余信号消噪重构,重构信号包含较为清晰的信号特征;第二步,采用奇异值分解,提取上一步骤中所得的重构信号的奇异值向量,提高故障特征的稳定性;第三步,依据高斯混合的隐马尔科夫模型来对轴承故障进行分类。本发明具有精确诊断滚动轴承故障的优点。
Description
技术领域
本发明属于机械设备故障诊断技术领域,尤其是一种基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法。
背景技术
轴承广泛应用于现代机械设备中,是旋转机械不可或缺的部件。其主要功能是支撑机械旋转体,降低其运动过程中的摩擦系数,并保证其回转精度。由于高速、重载等恶劣的工作条件,轴承寿命变短,从而引发各种机械故障。这些故障可能导致机器破坏,轻则造成经济损失重则导致灾难性事故。
机械设备故障诊断技术作为一门新兴学科,首先发展于上世纪60年代的美国。我国故障诊断技术起步较晚但发展迅速,从最初依靠经验、简单仪表排除故障到复杂仪器、信号处理为基础的现代化故障诊断技术。1981年的美国,工厂需花费了6000多亿美元来维护其关键的系统,这个数字在20年内翻了一番。然而,这些支出中有近一半是无效的维护。因此,开发有效的维护技术是一项迫切的任务。
目前,机器维护方式已从故障发生后再维修,进展到预防性维护,然后向实时监测发展,对机器进行实时的故障诊断和预测。故障诊断中,对旋转机器局部缺陷引起的振动信号分析已成为诊断的最优选方法。
当机械设备上产生局部缺陷,例如轴承发生故障,在周期运动时缺陷部分会产生周期性脉冲。由于收集到的信号总是包含嘈杂的背景噪声,因此检测这些有用的周期性瞬态脉冲需要先进的信号处理。需在机械故障特征提取方法上做大量研究,如小波变换,经验模式分解,Wigner-Ville分布,独立分量分析和光谱峰度(SK)等。而这些诊断方法都存在不可避免的缺陷。如小波变换方法采用的变换尺度较小,当低频段存在较强的能量干扰时,该特征量的有效值就会降低,导致诊断结果不理想。经验模态分解难以避免端点效应即上、下包络在数据序列两端发散,且这种发散会随着运算的进行而逐渐向内,从而使得整个数据序列受到影响。
Wigner-Ville分布具有好的时频聚集性,但是对于多分量信号,根据卷积定理,会出现交叉项,产生“虚假信号”,在诊断过程中产生缺陷。
发明内容
为了克服现有技术的不足,本发明提供了一种基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法,该诊断方法可以精确诊断滚动轴承故障。
为了实现上述目的,本发明采用的技术方案是:一种基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法,其特征在于,包括以下内容:首先使用贝叶斯残余变换分解信号,得到不同尺度上的残余信号,这些信号包含不同的信号特征,再对这些信号进行阈值处理,消噪重构,得到重构信号;其次提出奇异值分解,提取上一步骤中所得的重构信号的奇异值向量,进而建立高斯混合隐马尔科夫模型来识别轴承故障的类型;
具体步骤如下:①贝叶斯残余变换对原始故障信号进行分解,
原始信号f(t)被建模为n个残余信号的总和,用公式表示为
式(1)中,ri(t)表征了第i层分解尺度下信号特征的残余信号,为了将信号f(t)分解成几个残余信号,可进一步将式(1)表示成
f∑,1(t)=f∑,2(t)+r1(t) (2)
式(2)中,f∑,2(t)定义为尺度[2,n]上所有残余信号的总和,在这一步骤中,通过fΣ,1(t)来计算f∑,2(t)是解决问题的核心,因此,在条件期望中引入核回归模型,有
式(3)中,是基于非参数Nadaraya-Waston的内核回归,使用的内核函数是Kj,然后,可以通过以下方式获得
因此,可将框架进一步表示为
式(5)中,
至此,基于核回归的贝叶斯残余变换信号分解过程进行完毕,容易知道,将贝叶斯残余变换逆推,即对各残余信号r1(t),r2(t),...,rn(t)求和,可以得到原始信号。那么,将残余信号进行阈值处理后,可以重构含有明显特征的故障信号。较低尺度的残余信号包含较大的噪声信号,而高尺度残余信号含有较大的故障信号特性。
②噪声抑制:
使用自适应噪声估计来估计噪声阈值,其定义如下
θj=MAD(Cj(t))/0.6745 (7)
式(7)中,MAD是中值绝对偏差,r,j(t)由下式得到:
最后,通过反向贝叶斯残余变换获得去噪后的故障信号,
③奇异值分解提取奇异值特征向量:
奇异值分解是一种正交矩阵转换算法,当矩阵元素发生变化时,奇异值仍具有稳定性。
对第②步骤中得到消噪信号构造成Hankel矩阵,再进行奇异值分解(SVD)以此获得故障特征,并提高故障特征的稳定性,保证后续分类结果的准确性。
设消噪的轴承故障信号为构造一个Hankel矩阵
式(9)中,1<n<N,令m=N-n+1,则矩阵A是m×n的矩阵,
Rank(A)=r,则存在正交矩阵Um×m和Vn×n,使得S=UTAV,
式(10)中,σi表示矩阵A的奇异值,且σ1(A)≥σ2(A)≥…≥σI(A)。是AAT与ATA的特征值,σi是矩阵A的奇异值,n维列向量X=(σ1,σ2,…,σr,…,0,…,0)T为A的唯一奇异值特征向量。由此,奇异值特征向量可以作为信号的特征,进行下一步分类;
④基于高斯混合隐马尔可夫模型的信号分类:
隐马尔可夫模型(HMM)是基于统计原理的动态建模工具,把一个总随机过程看成一系列状态的转移,后一个状态只与之前的状态相关,用“转移概率”来表示,而模型的状态是不可观测的,只能通过表现出来的观测值观测。
隐马尔可夫模型故障诊断流程可以分为模型库训练和分类决策两个方面;信号特征提取已由上一步骤完成,将特征信号作为观测序列输入,训练并建立隐马尔可夫模型库;隐马尔可夫模型库的建立步骤包括:隐藏状态的划分、初始值选取、权重重估和模型评估;隐马尔可夫模型库库建立之后,计算当前观测序列与各隐马尔科夫模型的概率,概率最大值P即对应的故障类型;
基于高斯混合的隐马尔科夫模型进行故障诊断的基本步骤如下:
由实际情况选定模型状态数目N,观测值数目M,选择合适的隐马尔可夫模型参数λ=(π,A,B);高斯混合是高斯或正态分布的组合,采用高斯密度的加权和表示,n维正太随机变量X=(X1,X2,…Xn)的概率密度函数为
式(11)中,μ是n维随机变量的均值向量,C是n维随机变量的协方差矩阵。
在高斯混合隐马尔科夫模型中,定义γt(j,m)为给定模型参数λ和观测序列O的条件下,t时刻模型的状态sj对应的第m个高斯分布的联合概率,可表示为
γt(j,m)=P(qt=sj,xj,t=Xj,m|O,λ) (12)
式(12)中xj,t表示t时刻状态sj的高斯分布,Xj,m表示状态sj的第m个高斯分布,
进一步可求得
由式(13)可以推算出:
重估权重
均值向量
协方差矩阵
重估后的模型参数为重复计算隐马尔可夫模型在t时刻的联合分布概率以及t时刻包含的隐藏状态所处状态的概率分布,直到收敛,最终得到的模型参数即为训练结果。
采用上述方案,本发明提出的组合框架,应用贝叶斯残余变换对信号的去噪效果非常好且保留了有效的特征信息;奇异值分解获得奇异值向量,提高了故障特征的稳定性;高斯混合隐马尔科夫模型对样本进行训练和分类,得到非常精确的分类结果。故本发明提出的轴承故障诊断取得了令人满意的效果。
本发明的轴承故障诊断方法还具有以下优点:一方面克服了目前基于单个方法诊断故障准确度较低的问题,依据一个组合框架,高效地将故障信号消噪重构,提取特征,故障分类,诊断率高,为故障的诊断带来极大的方便;另一方面,组合框架融合了三种诊断方法的优点,提高诊断效率,进一步加快检测速度。
下面结合附图对本发明作进一步描述。
附图说明
附图1为本发明具体实施例提供的故障诊断系统;
附图2为本发明具体实施例滚动轴承故障诊断方法技术路线图;
附图3为本发明具体实施例贝叶斯残余变换消噪图;
附图4为本发明具体实施例中高斯混合隐马尔可夫模型分类结果图;
附图5为本发明对比案例1中高斯混合隐马尔可夫模型分类结果图;
附图6为本发明对比案例2中高斯混合隐马尔可夫模型分类结果图;
具体实施方式
本发明的保护范围不局限于下述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其他多种具体实施方式实施本发明的,或者凡是采用本发明的设计结构和思路,做简单变化或更改的,都落入本发明的保护范围。
本发明的具体实施例如图1-4所示是提供一种贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型组合框架滚动轴承故障诊断方法与系统,该故障诊断系统可实现轴承故障智能诊断。
图1是本发明提供的故障诊断系统。在具体实施过程中,设备电机通过皮带轮带动传动轴旋转,从而使故障轴承以一定的周期旋转。固定在被测轴承轴承盖上的加速度传感器将信号放大后传输到多通道数据采集分析仪,分析仪将采集到的信号发送到PC机。将这些采集的参数信号通过贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型组合框架技术进行处理,从而判别出轴承的状况,对这种设备状况的描述即为故障现象,如轴承的内圈、外圈、滚动体等故障现象。
具体实施例:
使用贝叶斯残余变换-奇异值分解-高斯混合马尔科夫模型组合框架分别对4类不同的故障信号进行处理,4类故障包括内圈故障、外圈故障、滚动体故障和保持架故障。第一步:使用贝叶斯残余变换分解故障信号,得到不同尺度上的残余信号,对高尺度上的残余信号进行阈值处理、消噪,重构信号;第二步:对重构信号进行奇异值分解,提高故障特征的稳定性,将得到的奇异值向量作为故障特征;第三步:将经过前处理的4种不同的故障信号分成480个样本,使用高斯混合隐马尔可夫模型对这480个样本进行训练和分类。分类结果图4所示,通过计算得到,第一类故障识别率为97.5%,第二类故障识别率为98.3%,第三类故障识别率为99%,第四类故障识别率为96.7%。
其中,第一类故障表示内圈故障,第二类故障表示外圈故障,第三类故障表示滚动体故障,第四类故障表示保持架故障。
HMM的初始概率π及其模型训练之后的状态转移矩阵如下:
内圈故障高斯混合HMM的状态转移矩阵
外圈故障高斯混合HMM的状态转移矩阵
滚动体故障高斯混合HMM的状态转移矩阵
保持架故障高斯混合HMM的状态转移矩阵
对比案例1:
基于贝叶斯残余变换和高斯混合隐马尔科夫模型的滚动轴承故障诊断方法。在该对比案例中,去除了本发明中滚动轴承故障诊断方法的第二步骤奇异值分解。首先,使用贝叶斯残余变换分解故障信号,得到不同尺度上的残余信号,对高尺度上的残余信号进行阈值处理、消噪,重构信号;其次,将经过消噪重构的4种不同的故障信号分成480个样本,使用高斯混合隐马尔可夫模型对这480个样本进行训练和分类。分类结果图4所示,通过计算得到,第一类故障识别率为87.5%,第二类故障识别率为83.3%,第三类故障识别率为90%,第四类故障识别率为80%。
由此可见,直接使用消噪后的重构信号作为样本进行训练和分类,得到的诊断结果明显比本发明提出的组合框架诊断方法的诊断结果准确率低,参考图5。因此,奇异值分解对提高故障特征的稳定性,保障诊断结果的准确性起着非常重要的作用。
对比案例1中HMM的初始概率π及其模型训练之后的状态转移矩阵如下:
内圈故障高斯混合HMM的状态转移矩阵
外圈故障高斯混合HMM的状态转移矩阵
滚动体故障高斯混合HMM的状态转移矩阵
保持架故障高斯混合HMM的状态转移矩阵
对比案例2:
基于奇异值分解和高斯混合隐马尔科夫模型的滚动轴承故障诊断方法。在该对比案例中,去除了本发明中滚动轴承故障诊断方法的第一步骤贝叶斯残余变换。首先,使用奇异值分解方法将原始轴承故障信号进行奇异值分解,提取奇异值特征向量;其次,将提取的4种不同故障的奇异值特征向量分成480个样本,使用高斯混合隐马尔可夫模型对这480个样本进行训练和分类。分类结果图4所示,通过计算得到,第一类故障识别率为66.7%,第二类故障识别率为54.2%,第三类故障识别率为70%,第四类故障识别率为52.5%。
由此可见,若故障信号没有经过贝叶斯残余变换消噪,最终得到的诊断结果准确率很低,参考图6。由于原始信号在采集的过程中混入了外界干扰噪声,在故障诊断时对原始信号进行消噪处理非常关键。
对比案例2:HMM的初始概率π及其模型训练之后的状态转移矩阵如下:
内圈故障高斯混合HMM的状态转移矩阵
外圈故障高斯混合HMM的状态转移矩阵
滚动体故障高斯混合HMM的状态转移矩阵
保持架故障高斯混合HMM的状态转移矩阵。
Claims (1)
1.一种基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法,其特征在于,包括以下内容:首先使用贝叶斯残余变换分解信号,得到残余信号,再对残余信号进行阈值处理,消噪重构,得到重构信号;其次提出奇异值分解,提取上一步骤中所得的重构信号的奇异值向量,进而建立高斯混合隐马尔科夫模型来识别轴承故障的类型;
具体步骤如下:①贝叶斯残余变换对原始故障信号进行分解,
原始信号f(t)被建模为n个残余信号的总和,用公式表示为
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,ri(t)表征了第i层分解尺度下信号特征的残余信号,为了将信号f(t)分解成几个残余信号,可进一步将式(1)表示成
f∑,1(t)=f∑,2(t)+r1(t) (2)
式(2)中,f∑,2(t)定义为尺度[2,n]上所有残余信号的总和,在这一步骤中,通过f∑,1(t)来计算f∑,2(t)是解决问题的核心,因此,在条件期望中引入核回归模型,有
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>|</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中,是基于非参数Nadaraya-Waston的内核回归,使用的内核函数是Kj,然后,可以通过以下方式获得
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>K</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msup>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
因此,可将框架进一步表示为
<mrow>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中,
<mrow>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>K</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mi>i</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>&Sigma;</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
至此,基于核回归的贝叶斯残余变换信号分解过程进行完毕;
②噪声抑制:
使用自适应噪声估计来估计噪声阈值,其定义如下
θj=MAD(Cj(t))/0.6745 (7)
式(7)中,MAD是中值绝对偏差,r,j(t)由下式得到:
<mrow>
<msup>
<mi>r</mi>
<mo>,</mo>
</msup>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo><</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
最后,通过反向贝叶斯残余变换获得去噪后的故障信号;
③奇异值分解提取奇异值特征向量:
对第②步骤中得的到消噪信号构造成Hankel矩阵,再进行奇异值分解(SVD)以此获得故障特征,具体内容如下:
设消噪的轴承故障信号为X=[x1,x2,…,xN」构造一个Hankel矩阵
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mi>n</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式(9)中,1<n<N,令m=N-n+1,则矩阵A是m×n的矩阵,
Rank(A)=r,则存在正交矩阵Um×m和Vn×n,使得S=UTAV,
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>&sigma;</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>r</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>&sigma;</mi>
<mi>r</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式(10)中,σi表示矩阵A的奇异值,且σ1(A)≥σ2(A)≥…≥σI(A)。是AAT与ATA的特征值,σi是矩阵A的奇异值,n维列向量X=(σ1,σ2,…,σr,…,0,…,0)T为A的唯一奇异值特征向量,由此,奇异值特征向量作为信号的特征,进行下一步分类;
④基于高斯混合隐马尔可夫模型的信号分类:
隐马尔可夫模型故障诊断流程可以分为模型库训练和分类决策两个方面;信号特征提取已由第③步骤完成,将特征信号作为观测序列输入,训练并建立隐马尔可夫模型库;隐马尔可夫模型库的建立步骤包括:隐藏状态的划分、初始值选取、权重重估和模型评估;隐马尔可夫模型库建立之后,计算当前观测序列与各隐马尔科夫模型的概率,概率最大值P即对应的故障类型;
基于高斯混合的隐马尔科夫模型进行故障诊断的基本步骤如下:
由实际情况选定模型状态数目N,观测值数目M,选择合适的隐马尔可夫模型参数λ=(π,A,B);高斯混合是高斯或正态分布的组合,采用高斯密度的加权和表示,n维正太随机变量X=(X1,X2,…Xn)的概率密度函数为
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>&mu;</mi>
<mo>,</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
<mo>|</mo>
<mi>C</mi>
<mo>|</mo>
</mrow>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>C</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式(11)中,μ是n维随机变量的均值向量,C是n维随机变量的协方差矩阵。
在高斯混合隐马尔科夫模型中,定义γt(j,m)为给定模型参数λ和观测序列O的条件下,t时刻模型的状态sj对应的第m个高斯分布的联合概率,可表示为
γt(j,m)=P(qt=sj,xj,t=Xj,m|O,λ) (12)
式(12)中xj,t表示t时刻状态sj的高斯分布,Xj,m表示状态sj的第m个高斯分布。
进一步可求得
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
由式(13)可以推算出:
重估权重
<mrow>
<msub>
<mover>
<mi>w</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
均值向量
<mrow>
<msub>
<mover>
<mi>&mu;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
协方差矩阵
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
重估后的模型参数为重复计算隐马尔可夫模型在t时刻的联合分布概率以及t时刻包含的隐藏状态所处状态的概率分布,直到收敛,最终得到的模型参数即为训练结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710942165.4A CN107817106B (zh) | 2017-10-11 | 2017-10-11 | 基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710942165.4A CN107817106B (zh) | 2017-10-11 | 2017-10-11 | 基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107817106A true CN107817106A (zh) | 2018-03-20 |
CN107817106B CN107817106B (zh) | 2019-08-02 |
Family
ID=61608139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710942165.4A Active CN107817106B (zh) | 2017-10-11 | 2017-10-11 | 基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107817106B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615111A (zh) * | 2018-04-26 | 2018-10-02 | 浙江大学 | 一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法 |
CN108960328A (zh) * | 2018-07-04 | 2018-12-07 | 温州大学 | 一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法 |
CN109029997A (zh) * | 2018-09-13 | 2018-12-18 | 温州大学 | 一种内燃机滚动轴承状态检测的核回归残余分解多元同步压缩方法 |
CN109029992A (zh) * | 2018-06-15 | 2018-12-18 | 深圳大学 | 机床主轴的轴承故障诊断的方法和系统 |
CN109101010A (zh) * | 2018-09-30 | 2018-12-28 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN109344999A (zh) * | 2018-09-07 | 2019-02-15 | 华中科技大学 | 一种径流概率预报方法 |
CN110430549A (zh) * | 2019-08-05 | 2019-11-08 | 西北工业大学 | 一种用于可穿戴网和车联网数据检测及修复方法 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN110618321A (zh) * | 2019-08-07 | 2019-12-27 | 哈尔滨工业大学 | 一种非线性信号滤波方法、系统和佳拉洁雅装置 |
CN111207926A (zh) * | 2019-12-27 | 2020-05-29 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
CN111444988A (zh) * | 2020-05-11 | 2020-07-24 | 北华大学 | 一种滚动轴承故障诊断系统 |
CN112067296A (zh) * | 2020-09-08 | 2020-12-11 | 北京交通大学 | 基于经验模态分解和核相关的滚动轴承故障诊断方法 |
CN113031430A (zh) * | 2021-03-02 | 2021-06-25 | 辽宁石油化工大学 | 基于pd反馈的奇异半马不连续跳变系统控制器设计方法 |
CN113295413A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
CN115935153A (zh) * | 2023-01-06 | 2023-04-07 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793606A (zh) * | 2015-04-15 | 2015-07-22 | 浙江大学 | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 |
CN104881567A (zh) * | 2015-04-24 | 2015-09-02 | 浙江工业大学 | 一种基于统计模型的桥梁健康监测数据小波降噪方法 |
CN105181336A (zh) * | 2015-10-30 | 2015-12-23 | 东南大学 | 一种用于轴承故障诊断的特征选取方法 |
CN106124175A (zh) * | 2016-06-14 | 2016-11-16 | 电子科技大学 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN106885697A (zh) * | 2017-03-17 | 2017-06-23 | 华东交通大学 | 基于fcm‑hmm的滚动轴承的性能退化评估方法 |
-
2017
- 2017-10-11 CN CN201710942165.4A patent/CN107817106B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793606A (zh) * | 2015-04-15 | 2015-07-22 | 浙江大学 | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 |
CN104881567A (zh) * | 2015-04-24 | 2015-09-02 | 浙江工业大学 | 一种基于统计模型的桥梁健康监测数据小波降噪方法 |
CN105181336A (zh) * | 2015-10-30 | 2015-12-23 | 东南大学 | 一种用于轴承故障诊断的特征选取方法 |
CN106124175A (zh) * | 2016-06-14 | 2016-11-16 | 电子科技大学 | 一种基于贝叶斯网络的压缩机气阀故障诊断方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN106885697A (zh) * | 2017-03-17 | 2017-06-23 | 华东交通大学 | 基于fcm‑hmm的滚动轴承的性能退化评估方法 |
Non-Patent Citations (3)
Title |
---|
吴炬卓,牛海清,许佳: "基于逐层最优基小波和贝叶斯估计的电缆瓷套终端", 《电测与仪表》 * |
吴超威: "基于高斯混合隐马尔科夫模型的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
徐宏武,范玉刚,吴建德: "基于 S 变换特征提取和隐马尔科夫模型的故障诊断方法研究", 《计算机与应用化学》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615111A (zh) * | 2018-04-26 | 2018-10-02 | 浙江大学 | 一种面向百万千瓦超超临界机组动静态信息的分布式贝叶斯在线故障诊断方法 |
CN108615111B (zh) * | 2018-04-26 | 2021-08-06 | 浙江大学 | 面向百万千瓦超超临界机组动静态信息的故障诊断方法 |
CN109029992A (zh) * | 2018-06-15 | 2018-12-18 | 深圳大学 | 机床主轴的轴承故障诊断的方法和系统 |
CN108960328A (zh) * | 2018-07-04 | 2018-12-07 | 温州大学 | 一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法 |
CN109344999A (zh) * | 2018-09-07 | 2019-02-15 | 华中科技大学 | 一种径流概率预报方法 |
CN109029997A (zh) * | 2018-09-13 | 2018-12-18 | 温州大学 | 一种内燃机滚动轴承状态检测的核回归残余分解多元同步压缩方法 |
CN109101010A (zh) * | 2018-09-30 | 2018-12-28 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN110430549A (zh) * | 2019-08-05 | 2019-11-08 | 西北工业大学 | 一种用于可穿戴网和车联网数据检测及修复方法 |
CN110618321A (zh) * | 2019-08-07 | 2019-12-27 | 哈尔滨工业大学 | 一种非线性信号滤波方法、系统和佳拉洁雅装置 |
CN110618321B (zh) * | 2019-08-07 | 2022-01-04 | 哈尔滨工业大学 | 一种非线性信号滤波方法、系统和佳拉洁雅装置 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN111207926A (zh) * | 2019-12-27 | 2020-05-29 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
CN111207926B (zh) * | 2019-12-27 | 2022-02-01 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
CN111444988A (zh) * | 2020-05-11 | 2020-07-24 | 北华大学 | 一种滚动轴承故障诊断系统 |
CN111444988B (zh) * | 2020-05-11 | 2021-09-17 | 北华大学 | 一种滚动轴承故障诊断系统 |
CN112067296B (zh) * | 2020-09-08 | 2021-11-02 | 北京交通大学 | 基于经验模态分解和核相关的滚动轴承故障诊断方法 |
CN112067296A (zh) * | 2020-09-08 | 2020-12-11 | 北京交通大学 | 基于经验模态分解和核相关的滚动轴承故障诊断方法 |
CN113031430A (zh) * | 2021-03-02 | 2021-06-25 | 辽宁石油化工大学 | 基于pd反馈的奇异半马不连续跳变系统控制器设计方法 |
CN113031430B (zh) * | 2021-03-02 | 2023-08-22 | 辽宁石油化工大学 | 基于pd反馈的奇异半马不连续跳变系统控制器设计方法 |
CN113295413A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
CN113295413B (zh) * | 2021-06-24 | 2022-10-25 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
CN115935153A (zh) * | 2023-01-06 | 2023-04-07 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107817106B (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817106A (zh) | 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 | |
He et al. | A new hybrid deep signal processing approach for bearing fault diagnosis using vibration signals | |
Shao et al. | Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery | |
Zhang et al. | Bearing fault diagnosis via generalized logarithm sparse regularization | |
CN106092574B (zh) | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
CN104655425B (zh) | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
US20230273093A1 (en) | Method and device for fault diagnosis of wind turbine pitch bearing based on neural network | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
Yuan et al. | Intelligent fault diagnosis of rolling element bearings based on HHT and CNN | |
CN104748961A (zh) | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 | |
CN110617960A (zh) | 一种风电机组齿轮箱故障诊断方法及系统 | |
CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
Cui et al. | An investigation of rolling bearing early diagnosis based on high-frequency characteristics and self-adaptive wavelet de-noising | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
CN105865784A (zh) | 基于局部均值分解和灰色关联的滚动轴承检测方法 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Han et al. | An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE | |
CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN115586023A (zh) | 一种轨道车辆传动系统故障诊断方法及系统 | |
Lu et al. | GAN-LSTM predictor for failure prognostics of rolling element bearings | |
Kumar et al. | An AI-based nonparametric filter approach for gearbox fault diagnosis |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180320 Assignee: ZHEJIANG GREATWALL MIXERS CO.,LTD. Assignor: Wenzhou University Contract record no.: X2023330000104 Denomination of invention: Rolling bearing fault diagnosis method based on bayesian residual transformation singular value decomposition gaussian mixture hidden markov model framework Granted publication date: 20190802 License type: Common License Record date: 20230311 |