CN108318249B - 一种旋转机械轴承的故障诊断方法 - Google Patents
一种旋转机械轴承的故障诊断方法 Download PDFInfo
- Publication number
- CN108318249B CN108318249B CN201810069469.9A CN201810069469A CN108318249B CN 108318249 B CN108318249 B CN 108318249B CN 201810069469 A CN201810069469 A CN 201810069469A CN 108318249 B CN108318249 B CN 108318249B
- Authority
- CN
- China
- Prior art keywords
- index
- fault
- time domain
- signal
- frequency domain
- 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
Images
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)
Abstract
本发明公开了一种旋转机械轴承的故障诊断方法,首先对原始信号进行小波包分解,并提取小波包分解后的前一半小波系数进行重构得到重构信号集;接着分别在时域上和频域上对重构信号提取相应的特征值,利用BP神经网络进行模式识别,获取故障分类的权重值;再利用D‑S证据理论将时域与频域获得的故障分类权重值进行融合,获取最终融合的结果;最后选取融合结果中的最大值作为故障诊断的决策判断结果,得到机组诊断的最终结果。本发明提供的旋转机械轴承的故障诊断方法,不仅故障诊断的准确率得到了很大的提高,而且可以判定、诊断与预测旋转机械轴承所处的不同故障种类,比独自进行时域和频域分析效果都要好,可以提高故障分类的准确率和稳定性。
Description
技术领域
本发明涉及一种故障诊断方法,特别是涉及一种旋转机械轴承的故障诊断方法,属于工业旋转机械故障诊断技术领域。
背景技术
随着科学技术的不断发展,旋转机械在石化、工业等领域中应用非常广泛,且对企业起到了关键性的作用。然而,由于旋转机械长期的运转,轴承极其容易造成不同程度的损害,产生各种故障类型。当轴承故障达到一定的程度,如果不能及时发现并加以维修,可能会造成机械不必要的停机,不但影响企业的经济效益,重要的会发生安全事故。
因此,为了更好的判定与区分旋转机械轴承的故障类型,提高故障诊断的可靠性、准确性和精确性,提供一种新的故障诊断方法是有益之举。
发明内容
本发明的主要目的在于,克服现有技术中的不足,提供一种旋转机械轴承的故障诊断方法,可有效解决现有机械设备故障诊断存在难分辨、精度不高等问题。
为了达到上述目的,本发明所采用的技术方案是:
一种旋转机械轴承的故障诊断方法,包括以下步骤:
1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi,并将振动信号Xi采集汇总为原始信号X=[X1,X2,…,Xi],其中,1≤i≤N,N为数据点数;
2)对原始信号X进行小波包分解,且分解尺度为n,n≥1;
4)在时域上利用BP神经网络获取时域分析结果;
4-1)进行时域分析,将重构信号集S进行时域特征值提取;
重构信号集S中的每个重构信号均提取7个时域特征值,7个时域特征值分别为波形指标T1、脉冲指标T2、裕度指标T3、峰值指标T4、峭度指标T5、均方根指标T6和偏度指标T7;
4-2)将提取的7个时域特征值分别归一化至[-1,1],归一化后获得时域分析轴承故障特征向量;
4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的时域分析基本概率分布PAp,1≤p≤k,A表示时域分析,k为故障种类数;
4-4)将获取的时域分析基本概率分布PAp归一化至[0,1],归一化后获得时域归一化后概率PAAp;
5)在频域上利用BP神经网络获取频域分析结果;
5-1)进行频域分析,对重构信号集S进行频域特征值提取;
对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换,得到对应的频谱图;对频谱图的频域信号提取7个频域特征值,7个频域特征值分别为平均信号功率指标F1、平均频率指标F2、信号平均能量指标F3、标准化能量方差指标F4、频谱最大值指标F5、方差系数指标F6和标准化信号功率倒数指标F7;
5-2)将提取的7个频域特征值分别归一化至[-1,1],归一化后获得频域分析轴承故障特征向量;
5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的频域分析基本概率分布PBp,1≤p≤k,B表示频域分析;
5-4)将获取的频域分析基本概率分布PBp归一化至[0,1],归一化后获得频域归一化后概率PBBp;
6)通过D-S证据理论对时域分析结果与频域分析结果进行融合,计算出归一化常数K的结果,并计算出融合分析概率分布PZp,1≤p≤k,Z表示融合分析;
7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果,并依据该决策判断结果进行有无故障及故障种类的判断。
本发明进一步设置为:所述振动传感器安装在靠近变速箱进油口的变速箱箱体上。
本发明进一步设置为:所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。
本发明进一步设置为:所述小波包分解重构算法,具体为,
其中,pc-2l为低频信号,uc-2l为高频信号,l为任意自然数;
其中,hl-2c为高频系数,gl-2c为低频系数。
本发明进一步设置为:所述7个时域特征值的表达式具体为,
峰值指标T4=max|Xi|,
其中,Xm是X的平均值,max|Xi|为时域的峰值指标。
本发明进一步设置为:所述将提取的7个时域特征值分别归一化至[-1,1]所采用的归一化转换表达式为,y=2*(x-MinValue)/(MaxValue-MinValue)-1;
其中,x为归一化转换前的时域特征值,y为归一化转换后的值,MaxValue为7个时域特征值中的最大值,MinValue为7个时域特征值中的最小值。
本发明进一步设置为:所述7个频域特征值的表达式具体为,
频谱最大值指标F5=Max|Xi|,
其中,Xm是X的平均值,Max|Xi|为频谱最大值指标。
本发明进一步设置为:所述计算出归一化常数K的结果,具体为,
则归一化常数K为,
其中,A为命题代表的名称,v为自然数,1≤v≤ψ,ψ为识别框架包含数目,Av为第v个对应的命题。
与现有技术相比,本发明具有的有益效果是:
首先对原始信号进行小波包分解,并提取小波包分解后的前一半小波系数进行重构得到重构信号集;接着分别在时域上和频域上对重构信号提取相应的特征值,利用BP神经网络进行模式识别,获取故障分类的权重值;再利用D-S证据理论将时域与频域获得的故障分类权重值进行融合,获取最终融合的结果;最后选取融合结果中的最大值作为故障诊断的决策判断结果,得到机组诊断的最终结果。本发明提供的旋转机械轴承的故障诊断方法,不仅故障诊断的准确率得到了很大的提高,而且可以判定、诊断与预测旋转机械轴承所处的不同故障种类,从而减少企业不必要的损失,避免安全事故的发生。
上述内容仅是本发明技术方案的概述,为了更清楚的了解本发明的技术手段,下面结合附图对本发明作进一步的描述。
附图说明
图1为本发明一种旋转机械轴承的故障诊断方法的流程图;
图2为本发明一种旋转机械轴承的故障诊断方法中小波分解的示意图;
图3为本发明一种旋转机械轴承的故障诊断方法中BP神经网络结构图。
具体实施方式
下面结合说明书附图,对本发明作进一步的说明。
本发明提供一种旋转机械轴承的故障诊断方法,如图1所示,包括以下步骤:
1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi,并将振动信号Xi采集汇总为原始信号X=[X1,X2,…,Xi],其中,1≤i≤N,N为数据点数。
所述振动传感器优选安装在靠近变速箱进油口的变速箱箱体上,所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。
2)对原始信号X进行小波包分解,且分解尺度为n,n≥1。
小波分解的示意图如图2所示,选择的是db4小波包基,选取分解图中的实线部分,也就是左半部分的低频信号。
所述小波包分解重构算法,具体为,
其中,pc-2l为低频信号,uc-2l为高频信号,l为任意自然数;
其中,hl-2c为高频系数,gl-2c为低频系数。
4)在时域上利用BP神经网络获取时域分析结果。
4-1)进行时域分析,将重构信号集S进行时域特征值提取;
重构信号集S中的每个重构信号均提取7个时域特征值,7个时域特征值分别为波形指标T1、脉冲指标T2、裕度指标T3、峰值指标T4、峭度指标T5、均方根指标T6和偏度指标T7。
所述7个时域特征值的表达式具体为,
峰值指标T4=max|Xi|,
其中,Xm是X的平均值,max|Xi|为时域峰值指标。
4-2)将提取的7个时域特征值分别归一化至[-1,1],归一化后获得时域分析轴承故障特征向量。
所述将提取的7个时域特征值分别归一化至[-1,1]所采用的归一化转换表达式为,y=2*(x-MinValue)/(MaxValue-MinValue)-1;
其中,x为归一化转换前的时域特征值,y为归一化转换后的值,MaxValue为7个时域特征值中的最大值,MinValue为7个时域特征值中的最小值。
4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的时域分析基本概率分布PAp,1≤p≤k,A表示时域分析,k为故障种类数。
其中,BP神经网络分别由输入层、隐藏层和输出层三大部分组成,如图3所示,该神经网络通过权重W调整内部神经元之间的连接关系以达到信息处理的目的。
首先将训练数据集送入神经网络中,对比神经网络的实际输出结果和期望值之间的差别来调整权重W,让其误差不超过规定的阈值;然后把测试数据集导入到神经网络,便可以得到预期的输出结果。
BP神经网络的模式识别中,I1,I2,…,Ie为神经网络的输入信号,1≤e≤7,e为时域特征值;Wq1,Wq2,…,Wqe为神经网络各层的连接权向量;θ表示一个阈值;f(x)为激活函数,表示输入信号与输出信号之间的关系;O1,O2,…,Oe为神经网络的输出信号,则
若用向量来表示输入信号、连接权和输出信号,则为,
其中,BP神经网络输出层的激活函数选择tansig方法――双曲正切S型(sigmoid)传递函数;学习规则采用traingdx——自适应lr动量梯度下降法。
4-4)将获取的时域分析基本概率分布PAp归一化至[0,1],归一化后获得时域归一化后概率PAAp。
在时域上,假设旋转机械的故障分类为轴承正常状态、轴承内圈磨损、轴承外圈磨损与轴承滚珠磨损四种故障种类,有k=4,而通过BP神经网络模式识别后得到的时域分析基本概率分布分别用PA1、PA2、PA3、PA4表示,则归一化后获得时域归一化后概率分别为PAA1、PAA2、PAA3、PAA4表示,即为,
5)在频域上利用BP神经网络获取频域分析结果。
5-1)进行频域分析,对重构信号集S进行频域特征值提取;
对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换,得到对应的频谱图;对频谱图的频域信号提取7个频域特征值,7个频域特征值分别为平均信号功率指标F1、平均频率指标F2、信号平均能量指标F3、标准化能量方差指标F4、频谱最大值指标F5、方差系数指标F6和标准化信号功率倒数指标F7。
所述7个频域特征值的表达式具体为,
频谱最大值指标F5=Max|Xi|,
其中,Xm是X的平均值,Max|Xi|为频谱最大值指标。
5-2)将提取的7个频域特征值分别归一化至[-1,1],归一化后获得频域分析轴承故障特征向量。
5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的频域分析基本概率分布PBp,1≤p≤k,B表示频域分析。
5-4)将获取的频域分析基本概率分布PBp归一化至[0,1],归一化后获得频域归一化后概率PBBp。
在频域上,假设旋转机械的故障分类为轴承正常状态、轴承内圈磨损、轴承外圈磨损与轴承滚珠磨损四种故障种类,有k=4,而通过BP神经网络模式识别后得到的频域分析基本概率分布分别用PB1、PB2、PB3、PB4表示,则归一化后获得时域归一化后概率分别为PBB1、PBB2、PBB3、PBB4表示,即为,
6)通过D-S证据理论对时域分析结果与频域分析结果进行融合,计算出归一化常数K的结果,并计算出融合分析概率分布PZp,1≤p≤k,Z表示融合分析。
基于时域分析结果为PAA1、PAA2、PAA3、PAA4,频域分析结果为PBB1、PBB2、PBB3、PBB4,通过相互融合,计算出融合分析概率分布PZ1、PZ2、PZ3、PZ4。
其中,PI(A)≥Bel(A),PI(A)为命题A的似然函数PI,它表示证据对为A非假的信任程度。
则归一化常数K为,
其中,A为命题代表的名称,v为自然数,1≤v≤ψ,ψ为识别框架包含数目,Av为第v个对应的命题。
若采用2个mass函数m1,m2,则其Dempster合成规则为,
假设旋转机械的故障分类为轴承正常状态、轴承内圈磨损、轴承外圈磨损与轴承滚珠磨损四种故障种类,则可记,识别框架Ω={轴承正常状态A,轴承内圈磨损B,轴承外圈磨损C,轴承滚珠磨损D}。
7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果,并依据该决策判断结果进行有无故障及故障种类的判断。
本发明的创新点在于,对原始信号进行小波包分解,并提取小波包分解后的前一半小波系数进行重构得到重构信号集;分别在时域上和频域上对重构信号提取相应的特征值,利用BP神经网络进行模式识别,获取故障分类的权重值;以及利用D-S证据理论将时域与频域获得的故障分类权重值进行融合,获取最终融合的结果,从而选取融合结果中的最大值作为故障诊断的决策判断结果,得到机组诊断的最终结果。融合后的最终结果表明,该方法准确率比独自进行时域和频域分析效果都要好,可以提高故障分类的准确率和稳定性。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种旋转机械轴承的故障诊断方法,其特征在于,包括以下步骤:
1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi,并将振动信号Xi采集汇总为原始信号X=[X1,X2,…,Xi],其中,1≤i≤N,N为数据点数;
2)对原始信号X进行小波包分解,且分解尺度为n,n≥1;
4)在时域上利用BP神经网络获取时域分析结果;
4-1)进行时域分析,将重构信号集S进行时域特征值提取;
重构信号集S中的每个重构信号均提取7个时域特征值,7个时域特征值分别为波形指标T1、脉冲指标T2、裕度指标T3、峰值指标T4、峭度指标T5、均方根指标T6和偏度指标T7;
4-2)将提取的7个时域特征值分别归一化至[-1,1],归一化后获得时域分析轴承故障特征向量;
4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的时域分析基本概率分布PAp,1≤p≤k,A表示时域分析,k为故障种类数;
4-4)将获取的时域分析基本概率分布PAp归一化至[0,1],归一化后获得时域归一化后概率PAAp;
5)在频域上利用BP神经网络获取频域分析结果;
5-1)进行频域分析,对重构信号集S进行频域特征值提取;
对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换,得到对应的频谱图;对频谱图的频域信号提取7个频域特征值,7个频域特征值分别为平均信号功率指标F1、平均频率指标F2、信号平均能量指标F3、标准化能量方差指标F4、频谱最大值指标F5、方差系数指标F6和标准化信号功率倒数指标F7;
5-2)将提取的7个频域特征值分别归一化至[-1,1],归一化后获得频域分析轴承故障特征向量;
5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号,通过模式识别进行故障分类,获取故障分类的频域分析基本概率分布PBp,1≤p≤k,B表示频域分析;
5-4)将获取的频域分析基本概率分布PBp归一化至[0,1],归一化后获得频域归一化后概率PBBp;
6)通过D-S证据理论对时域分析结果与频域分析结果进行融合,计算出归一化常数K的结果,并计算出融合分析概率分布PZp,1≤p≤k,Z表示融合分析;
7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果,并依据该决策判断结果进行有无故障及故障种类的判断。
2.根据权利要求1所述的一种旋转机械轴承的故障诊断方法,其特征在于:所述振动传感器安装在靠近变速箱进油口的变速箱箱体上。
3.根据权利要求1所述的一种旋转机械轴承的故障诊断方法,其特征在于:所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。
6.根据权利要求1所述的一种旋转机械轴承的故障诊断方法,其特征在于:所述将提取的7个时域特征值分别归一化至[-1,1]所采用的归一化转换表达式为,y=2*(x-MinValue)/(MaxValue-MinValue)-1;
其中,x为归一化转换前的时域特征值,y为归一化转换后的值,MaxValue为7个时域特征值中的最大值,MinValue为7个时域特征值中的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810069469.9A CN108318249B (zh) | 2018-01-24 | 2018-01-24 | 一种旋转机械轴承的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810069469.9A CN108318249B (zh) | 2018-01-24 | 2018-01-24 | 一种旋转机械轴承的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108318249A CN108318249A (zh) | 2018-07-24 |
CN108318249B true CN108318249B (zh) | 2020-04-17 |
Family
ID=62887684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810069469.9A Active CN108318249B (zh) | 2018-01-24 | 2018-01-24 | 一种旋转机械轴承的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108318249B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900469B (zh) * | 2019-03-28 | 2020-06-19 | 西安交通大学 | 一种高压断路器螺旋弹簧应力松弛故障检测装置及方法 |
CN111781435B (zh) * | 2019-04-04 | 2023-05-23 | 中车唐山机车车辆有限公司 | 四象限整流器的故障检测方法及装置 |
CN109934206A (zh) * | 2019-04-08 | 2019-06-25 | 中国矿业大学(北京) | 一种非平稳工况下的旋转机械故障诊断方法 |
CN109932179B (zh) * | 2019-04-09 | 2021-07-27 | 东南大学 | 一种基于ds自适应谱重构的滚动轴承故障检测方法 |
CN110056640B (zh) * | 2019-04-12 | 2021-07-06 | 苏芯物联技术(南京)有限公司 | 基于加速度信号和边缘计算的减速机无线故障诊断方法 |
CN110197120B (zh) * | 2019-04-23 | 2021-09-10 | 中国人民解放军国防科技大学 | 用于无人值守传感器系统的人员目标识别方法 |
CN110222390B (zh) * | 2019-05-24 | 2023-07-18 | 武汉工程大学 | 基于小波神经网络的齿轮裂纹识别方法 |
CN110186684A (zh) * | 2019-06-25 | 2019-08-30 | 东北大学 | 一种航空发动机机械振动故障信号特征提取方法 |
CN110472563B (zh) * | 2019-08-13 | 2022-04-26 | 浙江大学 | 基于小波包分解和神经网络的直梯振动过大故障诊断方法 |
CN110542546B (zh) * | 2019-08-21 | 2021-02-09 | 中国一拖集团有限公司 | 基于谐波分形分解快速算法的机械故障特征识别方法 |
CN110487917A (zh) * | 2019-08-30 | 2019-11-22 | 重庆高开清芯科技产业发展有限公司 | 一种基于神经网络的应力波检测与分析系统 |
CN110617960A (zh) * | 2019-10-12 | 2019-12-27 | 华北电力大学 | 一种风电机组齿轮箱故障诊断方法及系统 |
CN111521398A (zh) * | 2020-03-18 | 2020-08-11 | 武汉工程大学 | 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及系统 |
CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
CN112906473B (zh) * | 2021-01-19 | 2023-06-20 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN113138011A (zh) * | 2021-03-17 | 2021-07-20 | 江苏中科君达物联网股份有限公司 | 一种新型振动噪声测试方法 |
CN113933056B (zh) * | 2021-11-05 | 2024-02-23 | 上海电气风电集团股份有限公司 | 风力发电机组的轴承故障诊断方法和装置 |
CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
CN115951263B (zh) * | 2023-03-13 | 2023-06-16 | 广东工业大学 | 一种牵引系统主回路接地故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
CN101034389A (zh) * | 2007-03-19 | 2007-09-12 | 江西省电力科学研究院 | 基于信息融合的电能质量扰动自动识别方法及系统 |
CN102589890A (zh) * | 2012-03-01 | 2012-07-18 | 上海电力学院 | 基于cpn网络和d-s证据的汽轮机集成故障诊断方法 |
CN102680228A (zh) * | 2011-05-27 | 2012-09-19 | 华锐风电科技(集团)股份有限公司 | 检测风机齿轮箱状态的方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
JP6899109B2 (ja) * | 2016-04-21 | 2021-07-07 | 株式会社トクヤマ | 回転駆動装置における診断対象部の異常診断方法と、それに用いる異常診断装置 |
CN105956574A (zh) * | 2016-05-17 | 2016-09-21 | 重庆交通大学 | 不同转速下滚动轴承寿命状态同尺度表征与识别方法 |
-
2018
- 2018-01-24 CN CN201810069469.9A patent/CN108318249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
CN101034389A (zh) * | 2007-03-19 | 2007-09-12 | 江西省电力科学研究院 | 基于信息融合的电能质量扰动自动识别方法及系统 |
CN102680228A (zh) * | 2011-05-27 | 2012-09-19 | 华锐风电科技(集团)股份有限公司 | 检测风机齿轮箱状态的方法 |
CN102589890A (zh) * | 2012-03-01 | 2012-07-18 | 上海电力学院 | 基于cpn网络和d-s证据的汽轮机集成故障诊断方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108318249A (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108318249B (zh) | 一种旋转机械轴承的故障诊断方法 | |
Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
Shan et al. | A multisensor data fusion method for ball screw fault diagnosis based on convolutional neural network with selected channels | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN108827605B (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
CN113704868B (zh) | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
Han et al. | An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE | |
CN116701871A (zh) | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
Liu et al. | A rotor fault diagnosis method based on BP-Adaboost weighted by non-fuzzy solution coefficients | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
CN112151067B (zh) | 一种基于卷积神经网络的数字音频篡改被动检测方法 | |
CN112146882A (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
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 |