CN108460429B - 多重回归lssvm模型在机械并发故障诊断中的应用方法 - Google Patents

多重回归lssvm模型在机械并发故障诊断中的应用方法 Download PDF

Info

Publication number
CN108460429B
CN108460429B CN201810416384.3A CN201810416384A CN108460429B CN 108460429 B CN108460429 B CN 108460429B CN 201810416384 A CN201810416384 A CN 201810416384A CN 108460429 B CN108460429 B CN 108460429B
Authority
CN
China
Prior art keywords
lssvm
fault
multiple regression
diagnosis
fault type
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
Application number
CN201810416384.3A
Other languages
English (en)
Other versions
CN108460429A (zh
Inventor
潘昊
李征明
汪洪涛
潘爽
徐劲力
黄丰云
张晓帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201810416384.3A priority Critical patent/CN108460429B/zh
Publication of CN108460429A publication Critical patent/CN108460429A/zh
Application granted granted Critical
Publication of CN108460429B publication Critical patent/CN108460429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种多重回归LSSVM模型在机械并发故障诊断中的应用，包括如下步骤：步骤一，采集数据；步骤二，提取和处理特征参数；步骤三，建立多重回归LSSVM故障诊断模型；步骤四，确定故障类型编码及参数；步骤五，构建多重回归LSSVM；步骤六，搜索最佳参数；步骤七，识别故障类型。本发明提出将多重回归最小二乘支持向量机(LSSVM)应用于旋转机械并发故障诊断中，并提出用改进的粒子群算法优化诊断模型。

Description

多重回归LSSVM模型在机械并发故障诊断中的应用方法
技术领域
本发明属于机械故障诊断技术领域，具体涉及一种多重回归LSSVM模型在机械并发故障诊断中的应用。
背景技术
旋转机械是机械设备中最常见的动力系统之一，它被普遍运用到工业生产的诸多领域。旋转机械的设备状况直接关系着企业经济利益及工人生命安全，故障诊断技术能有效的避免重大损失和灾难性后果，在故障形成后及时地识别故障类型并维护设备安全是故障诊断的主要目的。并发故障是目前故障诊断技术研究的热点课题，机械设备的复杂性及故障相关性给并发故障诊断带来了诸多困难。
发明内容
针对现有技术中存在的上述问题，本发明提供了一种多重回归LSSVM模型在机械并发故障诊断中的应用，提出将多重回归最小二乘支持向量机(LSSVM)应用于旋转机械并发故障诊断中，并提出用改进的粒子群算法优化诊断模型。
为此，本发明采用了以下技术方案：
一种多重回归LSSVM模型在机械并发故障诊断中的应用，包括如下步骤：
步骤一，采集数据；
步骤二，提取和处理特征参数；
步骤三，建立多重回归LSSVM故障诊断模型；
步骤四，确定故障类型编码及参数；
步骤五，构建多重回归LSSVM；
步骤六，搜索最佳参数；
步骤七，识别故障类型。
优选地，步骤一的具体过程如下：对正常和故障下的振动信号分别进行采集，采集的数据包括单一故障类型和并发故障类型，采集得到的模拟数据通过A/D转换器转换成数字信号并输入计算机。
进一步地，数据采集过程中采样频率为2048Hz，转子转速为6000rpm；所述单一故障类型包括转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏，所述并发故障类型包括不平衡-不对中、不平衡-内圈损坏、不平衡-外圈损坏组合故障；截取各类故障所采集数据的中间部分作为待处理数据。
优选地，步骤二的具体过程如下：根据信号的时频域分析理论为基础，从时域和频域两个角度选取特征参数；对各特征值进行归一化处理，将数值映射到[0,1]范围内。
优选地，步骤三的具体过程如下：首先，对收集的故障振动信号经过时频域特征提取方法得到多个特征指标，根据特征指标以及待识别的故障类型确定多重回归LSSVM的关键参数及具体维数；然后用改进后的粒子群算法对多重回归LSSVM的关键参数进行寻优，将特征指标作为多重回归LSSVM的输入训练算法模型，对测试数据在算法模型中的输出结果进行故障判别，最终得到诊断结果。
优选地，步骤四的具体过程如下：选取单一故障类型以及它们的并发故障类型，将单一故障类型和并发故障类型分别编码，其中正常类型看做是一种特殊的故障类型；对时域指标性能和特征指标数据分别进行评定，并制成表格，所有故障类型及其编码制成表格。
优选地，步骤五的具体步骤如下：提取振动信号的若干个时频域指标，由这些指标组成一个特征向量作为算法的输入；在采集的故障数据中，一组特征向量都有唯一确定的故障类型f(X)与之对应，对于多重回归LSSVM的输出来说，f(X)需要编码成多维向量，用来表示具体的故障类型，向量维数与多重回归LSSVM的问题维数相同；
将所有数据样本分成两组，一组作为训练集，另一组作为测试集，并且保证训练集多于测试集，训练集中必须包含所有故障类型的数据；将多重回归LSSVM看成是多个并列的LSSVM，即LSSVM0,LSSVM1,…,LSSVMi，第i个最小二乘支持向量机LSSVMi只负责判断第i类单一故障类型是否存在，用所有数据训练每一维的LSSVM；在训练LSSVMi时，将包含第i类单一故障的故障类型看成是同一类，输出1；将不包含第i类故障的故障类型看成是另一类，输出0；在多重回归LSSVM的数学模型中，除了每一维的LSSVM具有各自惩罚因子外，还有针对于总体样本的惩罚因子，因此，比简单的并列多个LSSVM的运算更为复杂；构建多重回归LSSVM时，故障类型对应的算法输出f(X)＝[d0,d1,…,d4]的编码规则制成表格。
进一步地，所述时频域指标包括峭度、峰值、脉冲、波形、裕度、均方根和标准差，这7个指标组成一个7维向量X＝[x1,x2,…,x7]作为算法的输入；f(X)的具体编码方式如下：令f(X)＝[d0,d1,…,d4]，在机械设备正常运转的状态下，d0＝1,di＝0，其中i≠0；若出现某单一故障dm，则dm＝1,di＝0，且i≠m；如果同时发生多种故障，故障集为h，若di∈h，则di＝1，若则di＝0。
优选地，步骤六的具体过程如下：结合粒子群算法良好的搜索性能，对多重回归LSSVM进行参数搜索，确定关键参数组{C0,C1,…,C5,δ1,…,δ5}后，使用改进的粒子群算法对参数组进行寻优，粒子个体的编码以及粒子群算法中所有需指定的参数制成表格。
优选地，步骤七的具体过程如下：将多重回归LSSVM的输出值与故障类型之间建立一对一的关系；在训练算法时，若故障类型存在，则输出1；否则输出0；对于回归预测值来说，越趋近于1代表故障类型存在，越趋近于0代表故障类型不存在；需要确定阈值λ来界定故障发生与否，若预测值大于或等于λ，则代表故障存在；否则故障不存在；阈值λ的选取可以通过移动法确定，即在指定区间内移动阈值的取值，通过对比不同阈值下的故障诊断率，选择故障诊断率最高的阈值作为故障识别的阈值。
与现有技术相比，本发明的有益效果是：
(1)提出用改进粒子群算法优化多重回归LSSVM中关键参数的优化方法。利用粒子群算法高效、快速的搜索性能，将多重回归LSSVM中的关键参数编码成粒子个体，用改进的粒子群算法在解空间内搜索，最终得到让训练样本总体拟合误差最小的参数组，从而达到优化目的，提高模型的预测能力。
(2)为旋转机械并发故障诊断提供了新方法。根据采集的样本数据训练得到的多重回归LSSVM模型对旋转机械并发故障的识别效果良好，且经过本技术方法优化后的模型诊断率能得到一定程度的提升，同时也说明了支持向量机的推广在机械并发故障诊断领域中仍然适用。
(3)改进的粒子群算法优化多重回归LSSVM方法具有可行性与有效性，准确率高。
(4)利用JAVA与Matlab混合编程技术，可以设计并实现基于B/S架构的故障诊断仿真实验平台，从而更好地将本技术研究内容与实际工程领域相结合。
附图说明
图1是本发明实施例所提供的多功能转子试验台的结构组成示意图。
图2是振动信号采集分布图。
图3是基于优化的多重回归LSSVM故障诊断模型。
图4是故障诊断模型预测值条形图。
图5是诊断率随阈值变化曲线。
图6是故障诊断放置实验平台的功能模块图。
图7是故障振动信号管理界面。
图8是特征提取界面。
图9是故障诊断模型训练界面。
图10是故障诊断界面。
具体实施方式
下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
实施例
一种多重回归LSSVM模型在机械并发故障诊断中的应用，包括以下步骤：
(1)数据采集。本发明来源于柳州五菱汽车股份有限公司提供的校企合作项目，本技术中的数据采集自南京东大测振仪器厂生产的ZT-3型多功能转子故障模拟实验台，该实验台能模拟转子动力系统中各种常见故障。实验台的结构图如图1所示。在转子实验台上对正常和故障下的振动信号分别进行采集。采样频率为2048Hz，转子转速为6000rpm，采集得到的模拟数据通过A/D转换器同步转换成数字信号并输入计算机。其中，选取的单一故障类型包括转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏，并发故障类型包括不平衡-不对中、不平衡-内圈损坏、不平衡-外圈损坏等多种组合故障。表1列举了所采集的故障类型。考虑到设备启动及关闭时转速不均匀可能造成的影响，截取各类故障所采集数据的中间部分作为待处理数据。将信号数据以2500个数据点为单位，绘制出所有故障类型下的信号振动图，如图2所示。
表1所有采集的故障类型列表
(2)特征提取及处理。根据信号的时频域分析理论为基础，从时域和频域两个角度选取特征参数。由于时域和频域指标公式所计算出来的特征值不在同一计算尺度内，必须对各特征值进行归一化处理，将数值映射到[0,1]范围内，从而简化后续的计算。
(3)建立基于优化的多重回归LSSVM的故障诊断模型。模型如图3所示。将基于改进粒子群优化的多重回归LSSVM算法应用到故障诊断技术的故障分类与识别阶段，该模型能够支持并发故障的诊断。首先，对传感器收集的故障振动信号经过时频域特征提取方法得到多个特征指标，根据特征指标以及待识别的故障类型确定多重回归LSSVM的关键参数及具体维数；然后用改进后的粒子群算法对多重回归LSSVM的关键参数进行寻优，将特征指标作为多重回归LSSVM的输入训练算法模型，对测试数据在算法模型中的输出结果进行故障判别，最终得到诊断结果。
(4)故障类型编码及参数确定。取了四种单一故障类型(转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏)以及它们的并发故障类型。将四种单一故障类型分别编码成d1,d2,d3,d4，若同时出现两种或多种故障的情况，例如故障类型为不平衡-不对中，即同时出现了d1和d2，可以简写成d12。其中，正常类型看成是一种特殊的故障类型，编码为d0。时域指标性能评定表如表2所示，特征指标数据表如表3所示，所有故障类型及其编码见表4。
表2时域指标性能评定表
表3特征指标数据表
表4故障类型及编码表
(5)构建多重回归LSSVM。
多重回归LSSVM的构建首先需要确定算法的输入和输出。本技术中提取振动信号的7个时频域指标(峭度、峰值、脉冲、波形、裕度、均方根和标准差)，由这7个指标组成一个7维向量X＝[x1,x2,…,x7]作为算法的输入。在采集的故障数据中，一组特征向量都有唯一确定的故障类型f(X)与之对应,对于多重回归LSSVM的输出来说，f(X)需要编码成多维向量，用来表示具体的故障类型，向量维数与多重回归LSSVM的问题维数相同。f(X)的具体编码方式如下：
令f(X)＝[d0,d1,…,d4]，在机械设备正常运转的状态下，d0＝1,di＝0，其中i≠0；若出现某单一故障dm，则dm＝1,di＝0，且i≠m；如果同时发生多种故障，故障集为h，若di∈h，则di＝1，若则di＝0。
将所有数据样本分成两组，一组作为训练集，另一组作为测试集，并且保证训练集多于测试集，训练集中必须包含所有故障类型的数据。我们都知道，LSSVM适用于做二分类，为了更好的理解多重回归LSSVM的分类机理，可将多重回归LSSVM看成是多个并列的LSSVM，即LSSVM0,LSSVM1,…,LSSVMi，第i个最小二乘支持向量机LSSVMi只负责判断第i类单一故障类型是否存在，用所有数据训练每一维的LSSVM。在训练LSSVMi时，将包含第i类单一故障的故障类型看成是同一类，输出1；将不包含第类故障的故障类型看成是另一类，输出0。在多重回归LSSVM的数学模型中，除了每一维的LSSVM具有各自惩罚因子外，还有针对于总体样本的惩罚因子，因此，比简单的并列多个LSSVM的运算更为复杂。构建多重回归LSSVM时，故障类型对应的算法输出f(X)＝[d0,d1,…,d4]的编码规则见表5。故障诊断模型预测值条形图如图4所示。
表5故障类型输出f(X)编码表
(6)最佳参数搜索。结合粒子群算法良好的搜索性能，对多重回归LSSVM进行参数搜索，确定关键参数组{C0,C1,…,C5,δ1,…,δ5}后，使用改进的粒子群算法对参数组进行寻优。粒子个体的编码以及粒子群算法中所有需指定的参数如表6所示。
表6粒子群初始化参数表
(7)故障类型识别。判断是否存在某种故障是确定性问题，诊断结果只有两种可能(存在或不存在某种故障)，因此需要将多重回归LSSVM的输出值与故障类型之间建立一对一的关系。在训练算法时，若故障类型存在，则输出1；否则输出0。对于回归预测值来说，越趋近于1代表故障类型存在，越趋近于0代表故障类型不存在。因此，需要确定阈值λ来界定故障发生与否，若预测值大于或等于λ，则代表故障存在；否则故障不存在。阈值λ的选取可以通过移动法确定，即在指定区间内移动阈值的取值，通过对比不同阈值下的故障诊断率，选择故障诊断率最高的阈值作为故障识别的阈值。诊断率随阈值变化的曲线如图5所示。
本技术以旋转机械的故障诊断为应用场景，将参数寻优后的多重回归LSSVM分类模型应用于旋转机械的故障诊断中，并建立故障诊断模型。通过仿真实验，将多重回归LSSVM参数优化前后的故障诊断率进行对比。
通过实验验证，改进的粒子群算法优化多重回归LSSVM方法的可行性与有效性，准确率高。
最后，以本文提出的故障诊断模型为核心，设计出基于B/S架构的故障诊断仿真实验平台，以便更好地应用到实际工程领域中。图6是故障诊断放置实验平台的功能模块图，图7是故障振动信号管理界面，图8是特征提取界面，图9是故障诊断模型训练界面，图10是故障诊断界面。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：包括如下步骤：
步骤一，采集数据；
步骤二，提取和处理特征参数；
步骤三，建立多重回归LSSVM故障诊断模型；
步骤四，确定故障类型编码及参数；
步骤五，构建多重回归LSSVM；
步骤六，搜索最佳参数；
步骤七，识别故障类型；
步骤五的具体步骤如下：提取振动信号的若干个时频域指标，由这些指标组成一个特征向量作为算法的输入；在采集的故障数据中，一组特征向量都有唯一确定的故障类型f(X)与之对应，对于多重回归LSSVM的输出来说，f(X)需要编码成多维向量，用来表示具体的故障类型，向量维数与多重回归LSSVM的问题维数相同；
将所有数据样本分成两组，一组作为训练集，另一组作为测试集，并且保证训练集多于测试集，训练集中必须包含所有故障类型的数据；将多重回归LSSVM看成是多个并列的LSSVM，即LSSVM0,LSSVM1,…,LSSVMi，第i个最小二乘支持向量机LSSVMi只负责判断第i类单一故障类型是否存在，用所有数据训练每一维的LSSVM；在训练LSSVMi时，将包含第i类单一故障的故障类型看成是同一类，输出1；将不包含第i类故障的故障类型看成是另一类，输出0；在多重回归LSSVM的数学模型中，除了每一维的LSSVM具有各自惩罚因子外，还有针对于总体样本的惩罚因子，因此，比简单的并列多个LSSVM的运算更为复杂；构建多重回归LSSVM时，故障类型对应的算法输出f(X)＝[d0,d1,…,d4]的编码规则制成表格。
2.根据权利要求1所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：步骤一的具体过程如下：对正常和故障下的振动信号分别进行采集，采集的数据包括单一故障类型和并发故障类型，采集得到的模拟数据通过A/D转换器转换成数字信号并输入计算机。
3.根据权利要求2所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：数据采集过程中采样频率为2048Hz，转子转速为6000rpm；所述单一故障类型包括转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏，所述并发故障类型包括不平衡-不对中、不平衡-内圈损坏、不平衡-外圈损坏组合故障；截取各类故障所采集数据的中间部分作为待处理数据。
4.根据权利要求1所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：步骤二的具体过程如下：根据信号的时频域分析理论为基础，从时域和频域两个角度选取特征参数；对各特征值进行归一化处理，将数值映射到[0,1]范围内。
5.根据权利要求1所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：步骤三的具体过程如下：首先，对收集的故障振动信号经过时频域特征提取方法得到多个特征指标，根据特征指标以及待识别的故障类型确定多重回归LSSVM的关键参数及具体维数；然后用改进后的粒子群算法对多重回归LSSVM的关键参数进行寻优，将特征指标作为多重回归LSSVM的输入训练算法模型，对测试数据在算法模型中的输出结果进行故障判别，最终得到诊断结果。
6.根据权利要求1所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：步骤四的具体过程如下：选取单一故障类型以及它们的并发故障类型，将单一故障类型和并发故障类型分别编码，其中正常类型看做是一种特殊的故障类型；对时域指标性能和特征指标数据分别进行评定，并制成表格，所有故障类型及其编码制成表格。
7.根据权利要求1所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：所述时频域指标包括峭度、峰值、脉冲、波形、裕度、均方根和标准差，这7个指标组成一个7维向量X＝[x1,x2,…,x7]作为算法的输入；f(X)的具体编码方式如下：令f(X)＝[d0,d1,…,d4]，在机械设备正常运转的状态下，d0＝1,di＝0，其中i≠0；若出现某单一故障dm，则dm＝1,di＝0，且i≠m；如果同时发生多种故障，故障集为h，若di∈h，则di＝1，若则di＝0。
8.根据权利要求1所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：步骤六的具体过程如下：结合粒子群算法良好的搜索性能，对多重回归LSSVM进行参数搜索，确定关键参数组{C0,C1,…,C5,δ1,…,δ5}后，使用改进的粒子群算法对参数组进行寻优，粒子个体的编码以及粒子群算法中所有需指定的参数制成表格。
9.根据权利要求1至8任一项所述的一种多重回归LSSVM模型在机械并发故障诊断中的应用方法，其特征在于：步骤七的具体过程如下：将多重回归LSSVM的输出值与故障类型之间建立一对一的关系；在训练算法时，若故障类型存在，则输出1；否则输出0；对于回归预测值来说，越趋近于1代表故障类型存在，越趋近于0代表故障类型不存在；需要确定阈值λ来界定故障发生与否，若预测值大于或等于λ，则代表故障存在；否则故障不存在；阈值λ的选取可以通过移动法确定，即在指定区间内移动阈值的取值，通过对比不同阈值下的故障诊断率，选择故障诊断率最高的阈值作为故障识别的阈值。
CN201810416384.3A 2018-05-03 2018-05-03 多重回归lssvm模型在机械并发故障诊断中的应用方法 Active CN108460429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810416384.3A CN108460429B (zh) 2018-05-03 2018-05-03 多重回归lssvm模型在机械并发故障诊断中的应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810416384.3A CN108460429B (zh) 2018-05-03 2018-05-03 多重回归lssvm模型在机械并发故障诊断中的应用方法

Publications (2)

Publication Number Publication Date
CN108460429A CN108460429A (zh) 2018-08-28
CN108460429B true CN108460429B (zh) 2019-03-05

Family

ID=63215026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810416384.3A Active CN108460429B (zh) 2018-05-03 2018-05-03 多重回归lssvm模型在机械并发故障诊断中的应用方法

Country Status (1)

Country Link
CN (1) CN108460429B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324034A (zh) * 2011-05-25 2012-01-18 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法
CN102566505A (zh) * 2012-02-27 2012-07-11 温州大学 一种数控机床的智能故障诊断方法
CN103808509A (zh) * 2014-02-19 2014-05-21 华北电力大学（保定） 一种基于人工智能算法的风机齿轮箱故障诊断方法
CN104155108A (zh) * 2014-07-21 2014-11-19 天津大学 一种基于振动时频分析的滚动轴承故障诊断方法
CN104849046A (zh) * 2015-05-19 2015-08-19 北京建筑大学 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法
CN107271187A (zh) * 2017-08-09 2017-10-20 西华大学 一种对汽车变速器轴承故障进行定量诊断的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8301333B2 (en) * 2010-03-24 2012-10-30 GM Global Technology Operations LLC Event-driven fault diagnosis framework for automotive systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324034A (zh) * 2011-05-25 2012-01-18 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法
CN102566505A (zh) * 2012-02-27 2012-07-11 温州大学 一种数控机床的智能故障诊断方法
CN103808509A (zh) * 2014-02-19 2014-05-21 华北电力大学（保定） 一种基于人工智能算法的风机齿轮箱故障诊断方法
CN104155108A (zh) * 2014-07-21 2014-11-19 天津大学 一种基于振动时频分析的滚动轴承故障诊断方法
CN104849046A (zh) * 2015-05-19 2015-08-19 北京建筑大学 一种地铁齿轮传动装置模拟故障诊断试验台及诊断方法
CN107271187A (zh) * 2017-08-09 2017-10-20 西华大学 一种对汽车变速器轴承故障进行定量诊断的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
列车滚动轴承振动信号的特征提取及诊断方法研究;熊庆;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20160815;第28-79页
基于多重回归LSSVM的并发故障诊断;胡昌华等;《华中科技大学学报(自然科学版)》;20090815;第37卷;第1-5页

Also Published As

Publication number Publication date
CN108460429A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
Wang et al. Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests
CN108343599B (zh) 一种基于多粒度级联森林的水泵机组智能故障诊断方法
CN109115491B (zh) 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法
CN106570105A (zh) 一种电力设备试验报告的结构化处理方法
CN113887136A (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型系统及方法
CN112446144A (zh) 一种大型回转机组故障诊断方法及装置
Wu et al. Online detection of events with low-quality synchrophasor measurements based on $ i $ forest
CN105137324B (zh) 一种基于仿真分类模型的多探测点故障元器件定位方法
CN109101483A (zh) 一种针对电力巡检文本的错误识别方法
CN105157821A (zh) 一种旋转机械振动故障诊断及定量分析方法
CN110082082A (zh) 一种基于振动信号主成分分析法的gis状态识别方法
CN113239087A (zh) 一种反窃电稽查监控方法及系统
CN107590604B (zh) 一种结合s变换和2dpca的同调机组分群方法及系统
CN112541524A (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
CN111458145A (zh) 一种基于路图特征的缆车滚动轴承故障诊断方法
CN112464209B (zh) 一种电力终端指纹认证方法及装置
CN108460429B (zh) 多重回归lssvm模型在机械并发故障诊断中的应用方法
CN114117923A (zh) 基于混沌特征空间的高压并联电抗器状态判断系统及方法
CN112882899A (zh) 一种日志异常检测方法及装置
CN109781442A (zh) 一种磁浮列车转向架裂缝故障的检测方法
Anguswamy et al. Distribution Network Power Quality Insights With Optimally Placed Micro-PMUs Incorporating Synthetic and Real Field Data
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
Tian et al. Fault diagnosis of mine main ventilator based on multi-eigenvalue selection and data fusion

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