CN108388860B - 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 - Google Patents
一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN108388860B CN108388860B CN201810144056.2A CN201810144056A CN108388860B CN 108388860 B CN108388860 B CN 108388860B CN 201810144056 A CN201810144056 A CN 201810144056A CN 108388860 B CN108388860 B CN 108388860B
- Authority
- CN
- China
- Prior art keywords
- data
- rolling bearing
- fault
- parameters
- wavelet
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000007619 statistical method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 3
- 238000012631 diagnostic technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于航空发动机故障诊断技术领域,提供了一种基于功率熵谱‑随机森林的航空发动机滚动轴承故障诊断方法。本发明针对现有传统技术存在的上述不足,提出基于随机森林的航空发动机滚动轴承故障诊断方法,其中,首先使用某研究机构提供的航空发动机滚动轴承试验测量数据建立训练数据集和测试数据集;基于故障特征提取的思想,采用小波分析对原始采集数据进行时域统计分析和频域分析;从而从工程应用角度出发,实现了有效的故障诊断。
Description
技术领域
本发明属于航空发动机故障诊断技术领域,具体涉及一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法。
背景技术
航空发动机作为航空发动机系统的核心部件之一,其能否正常工作将直接影响到飞机的飞行安全。而滚动轴承是航空发动机中应用最广泛的一种通用机械部件,研究表明,在航空发动机的各种故障中,滚动轴承故障占有相当大的比例。因此,如何准确监测识别出航空发动机滚动轴承所处的不同故障模式,对确保飞机飞行安全以及降低维修成本起关键作用,具有重要的军事与经济价值。
目前已有很多国内外学者展开了滚动轴承的检测及诊断研究方面的工作,常用诊断技术包括热诊断、声学诊断、光纤诊断、油液诊断以及振动诊断技术。其中,振动诊断技术理论相对成熟,其通过采集和处理运行过程中的振动信号,对滚动轴承中的变形、脱落等进行监测和诊断。本文中采用的即为振动诊断技术。而随着
综上,本文提出一种基于随机森林的航空发动机滚动轴承故障诊断模型,从工程实际应用角度出发,对发动机滚动轴承的内圈故障、外圈故障以及滚动体故障等10类状态进行识别。
发明内容
本发明针对现有传统技术存在的上述不足,提出基于随机森林的航空发动机滚动轴承故障诊断方法。
本发明的技术方案:
一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法,如附图1主流程图所示,步骤如下:
第一步,航空发动机性滚动轴承故障数据预处理
对原始滚动轴承数据,首先进行(1)、(2)步预处理:
(1)滚动轴承实验测量数据包括转速n1、驱动端振动加速度a1、风扇端振动加速度a2、故障直径d、滚珠个数Z、内圈半径r1、外圈半径r2和接触角度α2,共8组参数;
(2)数据集成:滚动轴承实验测量数据包括多个实验过程现场采集数据,将多源实验数据结合起来统一存储,并建立滚动轴承故障数据库;
待提取出故障特征后,对特征数据进行(3)、(4)、(5)步处理:
(3)重采样:对于特征数据进行分析,由于采时间间隔不等,为了方便之后的滚动预测,采用线性重采样法对滚动轴承实验测量数据进行重采样处理;
(4)归一化:对重采样处理后的数据进行归一化处理,以取消各维数据间数量级差别,避免因输入输出数据数量级差别较大而造成预测误差较大;使用最大最小法,其转换形式如下:
xnor=(xnor-xmin)/(xmax-xmin)
式中,xnor为待归一化数据序列,xmin为数据序列中的最小数,xmax为数据序列中的最大数;
(5)数据筛选与清理:对归一化后的数据进行可视化处理,讲故障数据进行简单聚类和清理;
第二步,滚动轴承数据特征向量提取
对采集的滚动轴承实验测量数据进行处理以作为特征向量来表征振动故障特征情况,特征向量包括时域参数和功率谱熵;
(1)时域参数
其中,有量纲时域振动参数如下
均值:
方差:
均方根值:
峰值:
Xp=max(|Xt|)
其中,无量纲时域振动参数如下:
峰值指标:
偏态指标:
峭度指标:
脉冲指标:
波性指标:
裕度指标:
其中,N为实验观测时间,即原始信号长度;
(2)功率谱熵
利用MATLAB中的小波工具箱对振动信号进行分解与重构,在进行分解与重构之前,首先选取和确定小波基函数、小波阶数和小波包分解层数,其中,小波基函数选择Db小波,小波阶数选择1,小波包分解层数选择3;
在经过小波包正交分解处理后,由于测量振动信号所得的各个频带信号相对独立,因此可监测由小波包得到的各个频带的能量这种方法,测出包括谐波分量在内的所有信号分量;
其中,Eij为能量,Sij(t)为重构信号,i为小波包分解层数,j为第i层节点,j=1,...,2i;m=1,2,…,n,n∈Z,n为重构信号的离散点数目;
然后计算功率谱熵;功率谱是指功率有限的信号在单位频带内功率随频率变化情况;对信号进行j层小波包分解后得到小波包分解序列S(j,m),m取0~2j-1,在此把信号的小波分解看成对信号的一种划分,定义该划分的测度:
其中,SF(j,m)(i)为S(j,m)的傅里叶变换序列的第i个值;N是原始信号长度;
基于信息熵的基本理论,同样定义小波包空间上的功率谱熵:
根据分析选择时域参数(均值、方差、均方根值、峰值、峰值指标、偏态指标、峭度指标、脉冲指标、波形指标及裕度指标等10项指标)及功率谱熵共11个参数作为特征参数作为随机森林方法中的输入属性。故障特征提取中的时域分析如附表1所示,功率熵计算分析如附图2所示。
第三步,构建训练数据库
设第r类故障的样本容量为G(r),该组样本稀疏表示后为{X(1),X(2),,,(X(G(r))},其中X(h)={xh(1),xh(2)...xh(dim),}为每一个样本中对应的多维特征向量;
设{y(1),y(2)...y(G(r))}为对应的多分类故障标签,则随机森林模型的输入量为{X(h)},输出量为{y(h)};
第四步,构建基于随机森林的滚动轴承振动故障分类模型
随机森林是一种基于分类树的组合算法,由Breiman于2001年提出。由于具备参数调整较少、不必担心过拟合,对噪声有较好的抗干扰性等特点故在多个领域得到了应用。其实现原理简述如下:
随机森林的重要参数有两个,分别为:ntree,即生成的决策树的个数;以及mtry,即回归树的特征数量;
随机森林模型训练步骤如下:
1)首先给定训练集Train、测试集Test以及特征维数F,并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry;
2)对于第i棵树(i=1:ntree),从Train中有放回的抽取大小和Train一样的训练集Train(i),作为根节点的样本;
3)如果在当前节点上达到终止条件,即节点上有最少的样本数s,以及节点上有最少的信息增益m,则设置当前节点为叶子节点,并继续依次训练其他节点;
如果当前节点没有达到终止条件,则从F维特征中随机选取mtry维特征,fmtry<<F;利用mtry维特征,寻找分类效果最好的一维特征m及其阈值threshold,并继续训练其他节点;
4)重复步骤2)和3)直到所有节点都训练过或被标记为叶子节点;
5)重复步骤2)、3)和4)直到所有决策树都得到训练;
6)对于测试集Test中的样本,从根节点开始,根据当前节点的阈值threshold,判断是进入左节点还是进入右节点,直到其到达某个叶子节点,并输出分类标签;
7)根据测试集中数据,统计分类准确率,评价模型分类效果(效果如附表2所示)。
本发明的有益效果:本发明的方法,首先使用某研究机构提供的航空发动机滚动轴承试验测量数据建立训练数据集和测试数据集;基于故障特征提取的思想,采用小波分析对原始采集数据进行时域统计分析和频域分析;从而从工程应用角度出发,实现了有效的故障诊断。
附图说明
图1是航空发动机滚动轴承故障诊断方法建立流程图。
图2是滚动轴承时域振动信号显示图。
图3是功率谱熵分析结果显示(频带能量谱)。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
本方法使用的数据是某研究机构提供的滚动轴承试验数据320组。
第一步,航空发动机性滚动轴承故障数据预处理
(1)轴承原始数据包括转速n1、驱动端振动加速度a1、风扇端振动加速度a2、故障直径d、滚珠个数Z、内圈半径r1、外圈半径r2、接触角度α2,共8组参数;
(2)数据集成:滚动轴承实验数据包括多个实验过程现场采集数据。将之建立滚动轴承故障数据仓库;
待提取出故障特征后,对特征数据进行(3)、(4)、(5)步处理:
(3)重采样:对于数据进行分析,由于采时间间隔不等,为了方便之后的滚动预测,采用线性重采样法对航发性能参数数据进行重采样处理;
(4)归一化:对重采样处理后的数据进行归一化处理,转化为一定范围内的数据,以取消各维数据间数量级差别,避免因输入输出数据数量级差别较大而造成预测误差较大。使用最大最小法。
(5)数据筛选与清理:讲故障数据进行简单聚类和清理;
第二步,滚动轴承数据特征向量提取
对采集的轴承振动数据进行处理以作为特征向量来表征振动故障特征情况,特征向量主要包括时域参数和功率谱熵。
(1)时域参数
振动信号时域参数的变化往往反映着设备工作运行状态的改变,因此我们可以将信号的一些时域参数作为特征参数。振动时域特征参数一般分为有量纲和无量纲两种。
(2)功率谱熵
利用MATLAB中的小波工具箱对振动信号进行分解与重构。在进行分解与重构之前,首先要选取合适的小波基函数、小波阶数、小波包分解层数。这里小波基函数选择Db小波,小波阶数选择1,小波包分解层数选择3。
基于信息熵的基本理论,同样可以定义小波包空间上的功率谱熵并进行计算。
故综上所述,根据分析选择时域参数(均值、方差、均方根值、峰值、峰值指标、偏态指标、峭度指标、脉冲指标、波形指标及裕度指标等10项指标)及功率谱熵共11个参数作为特征参数作,将之当作随机森林方法中的输入属性。特征参数提取如附表1所示(取10个样本故障提取结果)。功率谱熵计算分析如附图2所示。
表1特征参数提取(时域参数与功率谱熵)
第三步,构建训练数据库
本次实验中共有数据320组。根据提取的11维特征向量,其中输入数据的维数为11维。输出数据是对应的故障类型,共有10类故障。在320组数据中,选择训练数据200组,测试数据使用剩余的120组。
第四步,构建基于随机森林的滚动轴承振动故障分类模型
随机森林的重要参数有ntree和mtry,其中ntree为生成的决策树的个数,mtry即回归树的特征数量。
随机森林模型训练步骤如下:
(1)首先给定训练集Train、测试集Test以及特征维数F。并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry;
(2)对于第i棵树(i=1:ntree),从Train中有放回的抽取大小和Train一样的训练集Train(i),作为根节点的样本;
(3)根据当前节点是否达到终止条件,对当前节点进行相应阈值threshold等指标的确定。
(4)重复步骤上述步骤直到所有决策树都得到训练。从而建立诊断模型。
(6)对于测试集Test中的样本,从根节点开始,根据当前节点的阈值threshold,判断是进入左节点还是进入右节点,直到其到达某个叶子节点,并输出分类标签。
(7)统计分类准确率,其10类故障的分类效果如附表2所示。
表2基于随机森林模型的滚动轴承各故障类型分类效果统计
由上表统计结果可知,随机森林故障诊断模型具有较高地故障分类效果,故障识别率达到了97.5%,同时该实验结果也说明了以时域指标和功率谱熵作为故障特征表征原始传感器信号达到了良好的效果。综上所述,本文中提出的基于随机森林的航空发动机滚动轴承故障诊断方法达到了较好的应用效果。
Claims (1)
1.一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法,其特征在于,步骤如下:
第一步,航空发动机滚动轴承故障数据预处理
对原始滚动轴承数据,首先进行(1)、(2)步预处理:
(1)滚动轴承实验测量数据包括转速n1、驱动端振动加速度a1、风扇端振动加速度a2、故障直径d、滚珠个数Z、内圈半径r1、外圈半径r2和接触角度α2,共8组参数;
(2)数据集成:滚动轴承实验测量数据包括多个实验过程现场采集数据,将多源实验数据结合起来统一存储,并建立滚动轴承故障数据库;
待提取出故障特征后,对特征数据进行(3)、(4)、(5)步处理:
(3)重采样:对于特征数据进行分析,由于采样时间间隔不等,为了方便之后的滚动预测,采用线性重采样法对滚动轴承实验测量数据进行重采样处理;
(4)归一化:对重采样处理后的数据进行归一化处理,以取消各维数据间数量级差别,避免因输入输出数据数量级差别较大而造成预测误差;使用最大最小法,其转换形式如下:
xnor=(xnor-xmin)/(xmax-xmin)
式中,xnor为待归一化数据序列,xmin为数据序列中的最小数,xmax为数据序列中的最大数;
(5)数据筛选与清理:对归一化后的数据进行可视化处理,将故障数据进行简单聚类和清理;
第二步,滚动轴承数据特征向量提取
对采集的滚动轴承实验测量数据进行处理以作为特征向量来表征振动故障特征情况,特征向量包括时域参数和功率谱熵;
(一)时域参数
其中,有量纲时域振动参数如下
均值:
方差:
均方根值:
峰值:
Xp=max(|Xt|)
其中,无量纲时域振动参数如下:
峰值指标:
偏态指标:
峭度指标:
脉冲指标:
波性指标:
裕度指标:
其中,N为实验观测时间,即原始信号长度;
(二)功率谱熵
利用MATLAB中的小波工具箱对振动信号进行分解与重构,在进行分解与重构之前,首先选取和确定小波基函数、小波阶数和小波包分解层数,其中,小波基函数选择Db小波,小波阶数选择1,小波包分解层数选择3;
在经过小波包正交分解处理后,由于测量振动信号所得的各个频带信号相对独立,因此可监测由小波包得到的各个频带的能量这种方法,测出包括谐波分量在内的所有信号分量;
其中,Eij为能量,Sij(t)为重构信号,i为小波包分解层数,j为第i层节点,j=1,…,2i;u=1,2,…,n,n∈Z,n为重构信号的离散点数目;
然后计算功率谱熵;功率谱是指功率有限的信号在单位频带内功率随频率变化情况;对信号进行j层小波包分解后得到小波包分解序列S(j,m),m取0~2j-1,在此把信号的小波分解看成对信号的一种划分,定义该划分的测度:
其中,SF(j,m)(i)为S(j,m)的傅里叶变换序列的第i个值;N是原始信号长度;
基于信息熵的基本理论,同样定义小波包空间上的功率谱熵:
根据分析选择时域参数及功率谱熵作为特征参数作为随机森林方法中的输入属性;
第三步,构建训练数据库
设第r类故障的样本容量为G(r),该组样本稀疏表示后为{X(1),X(2)…X(G(r))},其中X(h)={xh(1),xh(2)…xh(dim)}为每一个样本中对应的多维特征向量;
设{y(1),y(2)…y(G(r))}为对应的多分类故障标签,则随机森林模型的输入量为{X(h)},输出量为{y(h)};
第四步,构建基于随机森林的滚动轴承振动故障分类模型
随机森林的重要参数有两个,分别为:ntree,即生成的决策树的个数;以及mtry,即回归树的特征数量;
随机森林模型训练步骤如下:
1)首先给定训练集Train、测试集Test以及特征维数F,并确定决策树数量ntree、每棵树的深度depth以及回归树的特征数量mtry;
2)对于第i棵树,i=1:ntree,从Train中有放回的抽取大小和Train一样的训练集Train(i),作为根节点的样本;
3)如果在当前节点上达到终止条件,即节点上有最少的样本数s,以及节点上有最少的信息增益g,则设置当前节点为叶子节点,并继续依次训练其他节点;
如果当前节点没有达到终止条件,则从F维特征中随机选取mtry维特征,mtry<<F;利用mtry维特征,寻找分类效果最好的一维特征w及其阈值threshold,并继续训练其他节点;
4)重复步骤2)和3)直到所有节点都训练过或被标记为叶子节点;
5)重复步骤2)、3)和4)直到所有决策树都得到训练;
6)对于测试集Test中的样本,从根节点开始,根据当前节点的阈值threshold,判断是进入左节点还是进入右节点,直到其到达某个叶子节点,并输出分类标签;
7)根据测试集中数据,统计分类准确率,评价模型分类效果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144056.2A CN108388860B (zh) | 2018-02-12 | 2018-02-12 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
PCT/CN2018/077739 WO2019153388A1 (zh) | 2018-02-12 | 2018-03-01 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
US16/629,423 US11333575B2 (en) | 2018-02-12 | 2018-03-01 | Method for fault diagnosis of an aero-engine rolling bearing based on random forest of power spectrum entropy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144056.2A CN108388860B (zh) | 2018-02-12 | 2018-02-12 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388860A CN108388860A (zh) | 2018-08-10 |
CN108388860B true CN108388860B (zh) | 2020-04-28 |
Family
ID=63069355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810144056.2A Active CN108388860B (zh) | 2018-02-12 | 2018-02-12 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11333575B2 (zh) |
CN (1) | CN108388860B (zh) |
WO (1) | WO2019153388A1 (zh) |
Families Citing this family (169)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11436395B2 (en) * | 2018-06-27 | 2022-09-06 | Dalian University Of Technology | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
CN109297689B (zh) * | 2018-09-11 | 2020-11-06 | 中国水利水电科学研究院 | 一种引入权重因子的大型水力机械智能诊断方法 |
CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
CN109410074A (zh) * | 2018-10-18 | 2019-03-01 | 广州市勤思网络科技有限公司 | 智能核保方法与系统 |
CN109323860A (zh) * | 2018-10-31 | 2019-02-12 | 广东石油化工学院 | 一种旋转机械齿轮箱故障数据集优化方法 |
CN109580260A (zh) * | 2018-11-27 | 2019-04-05 | 南京康尼机电股份有限公司 | 一种轨道车辆门系统的亚健康诊断方法 |
CN109540523A (zh) * | 2018-11-27 | 2019-03-29 | 中国舰船研究设计中心 | 一种艇用离心泵滚动轴承故障诊断方法 |
CN109974835B (zh) * | 2018-12-29 | 2021-06-04 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和系统 |
CN111855793A (zh) * | 2019-04-12 | 2020-10-30 | 北京化工大学 | 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法 |
CN110058110A (zh) * | 2019-04-16 | 2019-07-26 | 重庆大学 | 一种有源逆变器间歇故障诊断方法 |
CN110207987B (zh) * | 2019-05-13 | 2020-12-15 | 中国民航大学 | 一种滚动轴承性能退化衰退节点的判定方法 |
CN110108431B (zh) * | 2019-05-22 | 2021-07-16 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
CN110287552B (zh) * | 2019-06-10 | 2022-09-13 | 合肥工业大学 | 基于改进随机森林算法的电机轴承故障诊断方法及系统 |
CN110375987B (zh) * | 2019-06-24 | 2021-10-22 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
CN110489254B (zh) * | 2019-07-13 | 2022-06-14 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
CN110399854B (zh) * | 2019-07-31 | 2020-10-23 | 中南大学 | 基于混合特征提取的滚动轴承故障分类方法 |
CN110470475B (zh) * | 2019-09-04 | 2021-07-23 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN110702408A (zh) * | 2019-09-30 | 2020-01-17 | 佛山科学技术学院 | 一种轴承状态变化事件监测方法及装置 |
CN110530639B (zh) * | 2019-10-08 | 2023-09-22 | 五邑大学 | 一种高速列车轴箱轴承故障诊断方法 |
CN110689130B (zh) * | 2019-10-24 | 2022-10-04 | 陕西科技大学 | 轴承故障诊断方法 |
CN110765983B (zh) * | 2019-11-07 | 2023-07-11 | 山东科技大学 | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 |
CN111126434B (zh) * | 2019-11-19 | 2023-07-11 | 山东省科学院激光研究所 | 基于随机森林的微震初至波到时自动拾取方法及系统 |
CN110991424A (zh) * | 2019-12-25 | 2020-04-10 | 安徽工业大学 | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 |
CN110991422B (zh) * | 2019-12-25 | 2023-05-26 | 安徽工业大学 | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 |
CN111220388B (zh) * | 2020-02-04 | 2021-11-30 | 珠海市华星装备信息科技有限公司 | 一种基于时域分析的滚动轴承故障诊断方法 |
CN111461214B (zh) * | 2020-03-31 | 2023-07-28 | 国网上海市电力公司 | 一种基于随机森林算法的绝缘管母故障自动诊断方法 |
CN111461058A (zh) * | 2020-04-17 | 2020-07-28 | 福州大学 | 一种电力电子变换器故障的诊断方法和诊断系统 |
CN111476323B (zh) * | 2020-06-01 | 2023-05-12 | 合肥工业大学 | 一种轴承故障分类方法及系统 |
CN111680642B (zh) * | 2020-06-11 | 2023-06-23 | 石家庄铁道大学 | 一种地形分类方法及装置 |
CN111737918B (zh) * | 2020-06-24 | 2022-09-27 | 大连理工大学 | 一种针对航空发动机高压转子故障诊断的集成学习方法 |
CN111610026B (zh) * | 2020-06-28 | 2021-06-04 | 盐城工学院 | 一种基于深度聚类的旋转机械故障诊断方法 |
CN111898447B (zh) * | 2020-06-30 | 2024-02-02 | 西安理工大学 | 基于辛几何模态分解的风电机组故障特征提取方法 |
CN111723449B (zh) * | 2020-06-30 | 2024-02-20 | 华北科技学院 | 一种矿井提升机恒减速制动系统性能退化评价方法 |
CN111860241A (zh) * | 2020-07-07 | 2020-10-30 | 国网山东省电力公司威海供电公司 | 一种基于小波包分析的电力设备放电故障识别方法 |
CN112052871B (zh) * | 2020-07-21 | 2024-05-07 | 上海宇航系统工程研究所 | 一种基于支持向量机的火箭发动机健康诊断方法及系统 |
CN111931601B (zh) * | 2020-07-22 | 2023-10-20 | 上海交通大学 | 齿轮箱错误类别标签修正系统及方法 |
CN111860686B (zh) * | 2020-07-31 | 2022-08-19 | 北京航空航天大学 | 用于故障诊断的因果关系邻接矩阵特征提取方法 |
CN112229632B (zh) * | 2020-08-20 | 2021-08-17 | 中国矿业大学 | 一种基于敏感特征迁移学习的轴承故障诊断方法 |
CN111985408A (zh) * | 2020-08-21 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种瓷支柱绝缘子故障识别方法及装置 |
CN112035716A (zh) * | 2020-08-21 | 2020-12-04 | 华风数据(深圳)有限公司 | 基于XGBoost算法的风机发电机故障监测与诊断方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112001326B (zh) * | 2020-08-25 | 2024-04-23 | 西安西电开关电气有限公司 | 基于振动指纹的高压开关装备故障诊断与预测方法和系统 |
CN112016471B (zh) * | 2020-08-27 | 2024-02-23 | 杭州电子科技大学 | 一种不完备样本条件下的滚动轴承故障诊断方法 |
CN111914490B (zh) * | 2020-08-31 | 2023-10-13 | 中国水利水电科学研究院 | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 |
CN113760634A (zh) * | 2020-09-04 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
CN112179653A (zh) * | 2020-09-07 | 2021-01-05 | 神华铁路装备有限责任公司 | 滚动轴承振动信号盲源分离方法、装置及计算机设备 |
CN112084974B (zh) * | 2020-09-14 | 2023-04-25 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
CN112304611A (zh) * | 2020-09-14 | 2021-02-02 | 江苏大学 | 一种基于深度学习的轴承故障的诊断方法 |
CN112183344B (zh) * | 2020-09-28 | 2021-06-01 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
CN112200237B (zh) * | 2020-10-05 | 2024-02-02 | 武汉理工大学 | 一种结构健康监测系统时序监测数据异常诊断方法 |
CN112347854B (zh) * | 2020-10-12 | 2024-03-29 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
CN112232212B (zh) * | 2020-10-16 | 2021-09-07 | 广东石油化工学院 | 三重并发故障分析方法、系统、大机组设备及存储介质 |
CN112284735B (zh) * | 2020-10-21 | 2022-07-15 | 兰州理工大学 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
CN112464151B (zh) * | 2020-10-27 | 2023-12-29 | 国电电力湖南新能源开发有限公司 | 一种基于声学诊断的风电机组偏航系统异音诊断方法 |
CN112364991B (zh) * | 2020-10-30 | 2024-05-10 | 台州学院 | 一种lstm-e轴承故障识别模型训练方法 |
CN112329341B (zh) * | 2020-11-02 | 2022-07-08 | 智昌科技集团股份有限公司 | 一种基于ar和随机森林模型的故障诊断系统及方法 |
CN112418013B (zh) * | 2020-11-09 | 2024-02-09 | 贵州大学 | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 |
CN112347944B (zh) * | 2020-11-10 | 2023-10-13 | 南京大学 | 一种基于零值比例频谱特征的机械传动故障检测方法 |
CN112560327B (zh) * | 2020-11-13 | 2024-03-12 | 盐城工学院 | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 |
CN112461934B (zh) * | 2020-11-20 | 2023-03-21 | 北京化工大学 | 一种基于声发射的航空发动机叶片裂纹源定位方法 |
CN112345252A (zh) * | 2020-11-22 | 2021-02-09 | 国家电网有限公司 | 一种基于eemd和改进gsa-som神经网络的滚动轴承故障诊断方法 |
CN112633098B (zh) * | 2020-12-14 | 2023-05-30 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN112731019B (zh) * | 2020-12-21 | 2022-10-14 | 合肥工业大学 | 一种anpc三电平逆变器故障诊断方法 |
CN112763225B (zh) * | 2020-12-25 | 2022-12-30 | 哈尔滨工业大学 | 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法 |
CN112800855B (zh) * | 2021-01-04 | 2022-07-12 | 中南大学 | 一种列车转向架非侵入式实时故障监测方法 |
CN112816213B (zh) * | 2021-01-06 | 2022-08-12 | 沈阳工业大学 | 一种风力机传动系统的故障诊断方法 |
CN112883521B (zh) * | 2021-01-12 | 2023-04-07 | 中国科学院声学研究所南海研究站 | 应用于海底观测网的海底光电复合缆外力入侵监测系统 |
CN114841374A (zh) * | 2021-01-14 | 2022-08-02 | 新智数字科技有限公司 | 一种基于随机贪心算法的横向联邦梯度提升树优化方法 |
CN112665715B (zh) * | 2021-01-15 | 2022-12-13 | 成都航空职业技术学院 | 一种航空发动机的振动故障检测系统及方法 |
CN112945557B (zh) * | 2021-01-29 | 2024-01-12 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
CN112861973A (zh) * | 2021-02-08 | 2021-05-28 | 汕头大学 | 一种基于决策树的通信铁塔故障诊断方法 |
CN112990272B (zh) * | 2021-02-19 | 2022-08-16 | 上海理工大学 | 用于冷水机组故障诊断的传感器优化选择方法 |
CN113158769A (zh) * | 2021-03-03 | 2021-07-23 | 安徽大学 | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 |
CN112857805B (zh) * | 2021-03-13 | 2022-05-31 | 宁波大学科学技术学院 | 一种基于图相似度特征提取的滚动轴承故障检测方法 |
CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113076844B (zh) * | 2021-03-26 | 2022-05-20 | 华中科技大学 | 一种旋转部件故障诊断模型构建方法及应用 |
CN113204837B (zh) * | 2021-03-27 | 2024-06-18 | 中国航发湖南动力机械研究所 | 一种多源信息的滚动轴承故障诊断方法 |
CN113155462B (zh) * | 2021-03-29 | 2023-03-24 | 温州大学 | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 |
EP4071453A1 (en) * | 2021-04-08 | 2022-10-12 | General Electric Company | Methods of identifying unbalance of engine rotors based on engine vibration |
CN113158366B (zh) * | 2021-04-14 | 2022-10-21 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113189483B (zh) * | 2021-04-25 | 2022-10-28 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN113176462B (zh) * | 2021-04-28 | 2022-05-27 | 淮北市华明工业变频设备有限公司 | 一种基于大数据的变频设备运行故障监测系统 |
CN113204738B (zh) * | 2021-04-30 | 2022-04-08 | 山东大学 | 一种基于小波变换与拓扑数据分析的机械故障特征提取方法 |
CN113325380B (zh) * | 2021-05-28 | 2024-04-02 | 西安电子科技大学 | 基于蒙德里安森林的空中微动目标分类在线建库方法 |
CN113822121B (zh) * | 2021-06-18 | 2024-02-13 | 北京航天动力研究所 | 一种基于数据扩充与深度迁移学习的涡轮泵小样本故障判定方法 |
CN113408068A (zh) * | 2021-06-18 | 2021-09-17 | 浙江大学 | 一种随机森林分类的机泵故障诊断方法及装置 |
CN113572152B (zh) * | 2021-06-21 | 2023-10-13 | 国网山东省电力公司电力科学研究院 | 一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法 |
CN113434973B (zh) * | 2021-06-21 | 2023-04-07 | 西安科技大学 | 基于改进pso-som-bpnn的机械故障诊断方法 |
CN113358357B (zh) * | 2021-06-25 | 2023-08-04 | 上海应用技术大学 | 数控机床滚动轴承故障诊断方法 |
CN113432877B (zh) * | 2021-06-26 | 2023-08-18 | 郑州航空工业管理学院 | 基于视觉特征融合的复杂旋转机械设备故障诊断方法 |
CN113464290B (zh) * | 2021-06-28 | 2023-08-11 | 航天时代飞鸿技术有限公司 | 一种航空活塞发动机增压自适应控制方法及系统 |
CN113705602B (zh) * | 2021-06-30 | 2023-08-04 | 广西大学 | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 |
CN113514547A (zh) * | 2021-07-05 | 2021-10-19 | 哈尔滨理工大学 | 一种基于声振法的高铁制动片无损检测方法 |
CN113469106B (zh) * | 2021-07-16 | 2024-06-04 | 辽宁大学 | 一种缺失数据的knn区间型轴承故障诊断方法 |
CN113704868B (zh) * | 2021-07-19 | 2023-08-04 | 广西大学 | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 |
CN113567127B (zh) * | 2021-07-23 | 2022-06-07 | 西安交通大学 | 一种基于时频特征分离的滚动轴承退化指标提取方法 |
CN113591241B (zh) * | 2021-07-29 | 2023-08-04 | 福建省特种设备检验研究院 | 一种基于vmd与自适应momeda的回转支承故障诊断方法 |
CN113607205B (zh) * | 2021-08-02 | 2023-09-19 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
CN113901862B (zh) * | 2021-08-12 | 2024-04-05 | 西安交通大学 | 一种电磁斥力机构故障监测方法、系统、设备及可读存储介质 |
CN113657664A (zh) * | 2021-08-16 | 2021-11-16 | 大连海事大学 | 一种船舶机舱设备状态预测系统及方法 |
CN113627375A (zh) * | 2021-08-16 | 2021-11-09 | 北京信息科技大学 | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 |
CN113642508B (zh) * | 2021-08-27 | 2024-04-09 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
CN113505445B (zh) * | 2021-09-10 | 2022-03-01 | 北京航空航天大学 | 基于序贯随机森林的实时故障诊断方法和系统 |
CN113758708B (zh) * | 2021-09-14 | 2024-03-26 | 北京化工大学 | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 |
CN113554000B (zh) * | 2021-09-17 | 2021-12-14 | 武汉飞恩微电子有限公司 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
CN113821888B (zh) * | 2021-09-23 | 2024-02-27 | 西安热工研究院有限公司 | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 |
CN113837096B (zh) * | 2021-09-24 | 2024-02-13 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
CN113901999B (zh) * | 2021-09-29 | 2023-09-29 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和系统 |
CN113959719B (zh) * | 2021-09-30 | 2024-05-14 | 桂林电子科技大学 | 一种基于sot-svm的变工况滚动轴承故障诊断方法 |
CN114216433A (zh) * | 2021-10-28 | 2022-03-22 | 江苏大学 | 基于自适应小波包降噪的植保无人机飞行态监测方法 |
CN114021275B (zh) * | 2021-10-29 | 2023-08-08 | 上海海事大学 | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 |
CN114088405A (zh) * | 2021-11-10 | 2022-02-25 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法 |
CN113971421A (zh) * | 2021-11-19 | 2022-01-25 | 福州大学 | 基于轨道侧振动加速度的轨道板变形识别方法 |
CN113901729A (zh) * | 2021-11-22 | 2022-01-07 | 上海电力大学 | 一种基于深层特征和迁移学习的滚动轴承故障诊断方法 |
CN114216681A (zh) * | 2021-11-22 | 2022-03-22 | 中国国家铁路集团有限公司 | 动车组滚动轴承健康状态确定方法及装置 |
CN114330096B (zh) * | 2021-11-25 | 2024-04-19 | 中车永济电机有限公司 | 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 |
CN114199570B (zh) * | 2021-12-13 | 2024-02-02 | 浙江工业大学 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
CN114371005A (zh) * | 2021-12-17 | 2022-04-19 | 江苏核电有限公司 | 一种滚动轴承的冲击特征提取方法及装置 |
CN114483479B (zh) * | 2021-12-23 | 2023-09-12 | 大唐可再生能源试验研究院有限公司 | 一种基于随机森林的风机高温降容状态评估方法 |
CN114325236B (zh) * | 2021-12-28 | 2023-08-18 | 广东电网有限责任公司 | 一种基于频谱熵和随机森林的配电网故障识别方法及系统 |
CN114004263B (zh) | 2021-12-29 | 2022-05-03 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
CN114298110B (zh) * | 2021-12-29 | 2024-04-19 | 北京交通大学 | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 |
CN114296435B (zh) * | 2021-12-30 | 2023-12-01 | 沈阳东睿科技有限公司 | 一种航空发动机故障诊断系统 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
CN114528868A (zh) * | 2022-01-04 | 2022-05-24 | 东南大学 | 一种压缩机叶片裂纹故障检测方法 |
CN114417924B (zh) * | 2022-01-17 | 2024-03-29 | 辽宁石油化工大学 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
CN114646468B (zh) * | 2022-02-28 | 2022-12-23 | 南京航空航天大学 | 一种基于小样本的地铁车轮轴承故障诊断方法 |
CN114371009A (zh) * | 2022-02-28 | 2022-04-19 | 西安理工大学 | 基于改进随机森林的高速列车轴承故障诊断方法 |
CN114781427B (zh) * | 2022-03-17 | 2024-05-14 | 华电河南新能源发电有限公司 | 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 |
CN114742095A (zh) * | 2022-03-21 | 2022-07-12 | 昆明理工大学 | 一种滚动轴承多通道数据故障识别方法 |
CN114662546B (zh) * | 2022-04-06 | 2023-06-06 | 西北工业大学 | 基于蜜獾优化的航空发动机传感器故障诊断方法及装置 |
CN114692341B (zh) * | 2022-04-22 | 2024-03-19 | 桂林电子科技大学 | 基于融合时空图ConvLSTM模型的风机故障预测方法及存储介质 |
CN114781450B (zh) * | 2022-04-24 | 2024-03-29 | 华东交通大学 | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 |
CN115077685A (zh) * | 2022-05-18 | 2022-09-20 | 国网青海省电力公司 | 设备状态检测方法、装置及系统 |
CN114987773B (zh) * | 2022-05-20 | 2024-06-14 | 成都飞机工业(集团)有限责任公司 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
CN114662622B (zh) * | 2022-05-24 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 一种基于小样本数据的phm端到端系统的实现方法 |
CN115127813B (zh) * | 2022-06-30 | 2023-04-07 | 上海理工大学 | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
CN115014765B (zh) * | 2022-07-11 | 2023-04-07 | 浙江大学 | 一种通过声信号提取滚动轴承保持架故障特征的方法 |
CN115219199A (zh) * | 2022-07-14 | 2022-10-21 | 天津职业技术师范大学 | 一种基于深度相关熵谱密度的轴承微弱故障提取方法 |
CN115342900B (zh) * | 2022-08-15 | 2024-04-30 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
CN115453064B (zh) * | 2022-09-22 | 2023-09-05 | 山东大学 | 一种细颗粒物空气污染成因分析方法及系统 |
CN115270896B (zh) * | 2022-09-28 | 2023-04-07 | 西华大学 | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 |
CN116659860B (zh) * | 2022-10-24 | 2024-03-22 | 中国人民解放军93208部队 | 一种服役环境下航空发动机主轴承故障演化监测新方法 |
CN115901249B (zh) * | 2022-11-07 | 2024-02-27 | 昆明理工大学 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
CN115993247B (zh) * | 2022-12-08 | 2023-09-01 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
CN115828140B (zh) * | 2022-12-13 | 2024-04-09 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
CN115935283B (zh) * | 2022-12-27 | 2023-07-25 | 南京信息工程大学 | 一种基于多元非线性因果分析的干旱成因溯源方法 |
CN116448425B (zh) * | 2023-03-09 | 2023-11-21 | 江苏波司登科技有限公司 | 一种基于改进随机森林的传送带轴承远程故障诊断方法及系统 |
CN116051911B (zh) * | 2023-03-29 | 2023-07-07 | 北京大学 | 基于不确定性学习的小样本轴承振动图像数据故障诊断方法 |
CN116106430B (zh) * | 2023-04-12 | 2023-06-27 | 中南大学 | 基于声发射技术的熔铸用耐火材料开裂诊断方法 |
CN116337445B (zh) * | 2023-04-13 | 2024-02-23 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
CN116482526A (zh) * | 2023-04-28 | 2023-07-25 | 国网重庆市电力公司市北供电分公司 | 一种用于非故障相阻抗继电器的分析系统 |
CN116383721B (zh) * | 2023-05-25 | 2023-12-12 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
CN116701956B (zh) * | 2023-06-07 | 2023-12-08 | 唐山市燃气集团有限公司 | 基于故障属性燃气调压器联合映射零样本故障诊断方法 |
CN116558828B (zh) * | 2023-07-10 | 2023-09-15 | 昆明理工大学 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
CN116974265B (zh) * | 2023-07-11 | 2024-04-26 | 武汉理工大学 | 无信号场景下的井下矿车故障诊断方法及系统 |
CN116721097A (zh) * | 2023-08-08 | 2023-09-08 | 匀熵智能科技(无锡)有限公司 | 轴承故障诊断方法、装置及电子设备 |
CN116911203B (zh) * | 2023-09-12 | 2023-12-01 | 北京理工大学 | 一种小行星动能撞击的轨道设计方法 |
CN116956197B (zh) * | 2023-09-14 | 2024-01-19 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
CN117030268B (zh) * | 2023-10-07 | 2024-01-23 | 太原科技大学 | 一种滚动轴承故障诊断方法 |
CN117192371B (zh) * | 2023-11-03 | 2024-01-30 | 南通清浪智能科技有限公司 | 一种新能源汽车电机驱动器的测试方法及系统 |
CN117782198B (zh) * | 2023-12-01 | 2024-06-25 | 湖南省衡永高速公路建设开发有限公司 | 一种基于云边端架构的公路机电设备运行监测方法及系统 |
CN117589456B (zh) * | 2024-01-19 | 2024-04-02 | 中国航发四川燃气涡轮研究院 | 增强稀疏分解的滚动轴承变转速故障诊断方法 |
CN117786560B (zh) * | 2024-02-28 | 2024-05-07 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
CN117893955B (zh) * | 2024-03-12 | 2024-06-04 | 希格玛电气(珠海)有限公司 | 一种环网柜故障检测系统 |
CN117949540B (zh) * | 2024-03-26 | 2024-06-07 | 天津风霖物联网科技有限公司 | 一种用于工程检测的密实度检测方法 |
CN117969092B (zh) * | 2024-03-29 | 2024-06-21 | 山东天工岩土工程设备有限公司 | 一种盾构机主轴承的故障检测方法、设备及介质 |
CN117993125B (zh) * | 2024-04-03 | 2024-06-04 | 南京航空航天大学 | 一种航空发动机滚动轴承剥落故障演化的宏观动力学模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN104155596A (zh) * | 2014-08-12 | 2014-11-19 | 北京航空航天大学 | 一种基于随机森林的模拟电路故障诊断系统 |
CN105373700A (zh) * | 2015-10-30 | 2016-03-02 | 哈尔滨工程大学 | 一种基于信息熵和证据理论的机械故障诊断方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070105288A (ko) | 2007-08-01 | 2007-10-30 | 순천대학교 산학협력단 | LabVIEW를 이용한 디젤엔진발전기의 베어링 고장진단 |
US8155820B2 (en) | 2008-03-10 | 2012-04-10 | Eklund Neil H | Method, apparatus and computer program product for predicting and avoiding a fault |
CN103471849A (zh) | 2013-09-25 | 2013-12-25 | 东华大学 | 基于双重组合模式的多层相关向量机的轴承故障诊断系统 |
US10339465B2 (en) * | 2014-06-30 | 2019-07-02 | Amazon Technologies, Inc. | Optimized decision tree based models |
CN104122086B (zh) * | 2014-08-11 | 2016-05-04 | 长沙理工大学 | 基于Kriging模型的风力机齿轮箱故障诊断方法 |
US10168248B1 (en) * | 2015-03-27 | 2019-01-01 | Tensor Systems Pty Ltd | Vibration measurement and analysis |
CN108885204B (zh) * | 2015-11-20 | 2021-10-26 | 新加坡科技研究局 | 用于预测具有不同化学结构的异生物的细胞类型特异性毒性的基于高通量成像的方法 |
CN105547698B (zh) * | 2015-12-31 | 2017-11-14 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
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 |
CN107643180A (zh) | 2016-07-21 | 2018-01-30 | 北京航天动力研究所 | 基于小波分析的高速低温涡轮泵轴承保持架故障诊断方法 |
CN106323635B (zh) * | 2016-08-04 | 2018-10-19 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN107036816B (zh) * | 2016-11-17 | 2019-06-11 | 重庆工商大学 | 一种航空发动机轴承故障诊断方法 |
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 |
CN107255492A (zh) | 2017-07-17 | 2017-10-17 | 郑州航空工业管理学院 | 一种基于分布式光纤传感的飞行器健康状态监测系统 |
CN107657088B (zh) * | 2017-09-07 | 2021-06-11 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
-
2018
- 2018-02-12 CN CN201810144056.2A patent/CN108388860B/zh active Active
- 2018-03-01 US US16/629,423 patent/US11333575B2/en active Active
- 2018-03-01 WO PCT/CN2018/077739 patent/WO2019153388A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN104155596A (zh) * | 2014-08-12 | 2014-11-19 | 北京航空航天大学 | 一种基于随机森林的模拟电路故障诊断系统 |
CN105373700A (zh) * | 2015-10-30 | 2016-03-02 | 哈尔滨工程大学 | 一种基于信息熵和证据理论的机械故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
"A Method for Modulation Recognition Based on Entropy Features and Random Forest";Zhen Zhang et al.;《2017 IEEE International Conference on Software Quality, Reliability and Security Companion (QRS-C)》;20170729;第243-246页 * |
"Fault Diagnosis for Centrifugal Pumps Based on Complementary Ensemble Empirical Mode Decomposition, Sample Entropy and Random Forest";Yang Wang et al.;《2016 12th World Congress on Intelligent Control and Automation (WCICA)》;20160615;第1317-1320页 * |
"基于弱相关化特征子空间选择的离散化随机森林并行分类算法";陈旻骋 等;《计算机科学》;20160630;第43卷(第6期);第55-90页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019153388A1 (zh) | 2019-08-15 |
CN108388860A (zh) | 2018-08-10 |
US20200200648A1 (en) | 2020-06-25 |
US11333575B2 (en) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388860B (zh) | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN111307438B (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN109710955B (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN109374293B (zh) | 一种齿轮故障诊断方法 | |
CN114061957A (zh) | 一种柴油机主轴承的健康评估方法 | |
CN112163472A (zh) | 一种基于多视角特征融合的滚动轴承诊断方法 | |
Pang et al. | Fault state recognition of wind turbine gearbox based on generalized multi-scale dynamic time warping | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN113051092B (zh) | 一种基于优化核密度估计和js散度的故障诊断方法 | |
Yu et al. | Fault feature of gearbox vibration signals based on morphological filter dynamic convolution autoencoder | |
Zurita et al. | A review of vibration machine diagnostics by using artificial intelligence methods | |
Yang et al. | Intelligent diagnosis technology of wind turbine drive system based on neural network | |
CN114964783A (zh) | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 | |
CN115186707A (zh) | 一种简易齿轮箱故障检测方法 | |
CN111351655A (zh) | 一种铁路机车齿轮箱中齿轮故障诊断方法 | |
Wang et al. | Centrifugal pump fault diagnosis based on MEEMD-PE Time-frequency information entropy and Random forest | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing |
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 |