CN108664936B - 一种基于机器故障的诊断方法及系统 - Google Patents
一种基于机器故障的诊断方法及系统 Download PDFInfo
- Publication number
- CN108664936B CN108664936B CN201810455450.8A CN201810455450A CN108664936B CN 108664936 B CN108664936 B CN 108664936B CN 201810455450 A CN201810455450 A CN 201810455450A CN 108664936 B CN108664936 B CN 108664936B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency
- determining
- time
- function
- 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
- 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
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器故障的诊断方法及系统,所述诊断方法包括:获取机器故障待诊断的各观测信号;根据各所述观测信号确定各积函数对应的时‑频灰度图像;根据各所述积函数对应的时‑频灰度图像确定时‑频图像像素矩阵;对所述时‑频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;根据多个所述基图像确定图像切片;将图像切片输入支持向量机分类模型中,实现故障分类诊断,提高了故障诊断的准确性。
Description
技术领域
本发明涉及故障诊断技术领域,特别是涉及一种基于机器故障的诊断方法及系统。
背景技术
机械故障诊断本质上是一种模式识别问题,从不同模式(如正常状态、齿轮缺陷、轴承故障、转子故障等)中提取特征的工作,表征各模式的数据。
目前绝大部分故障诊断技术为了进行有效的特征提取,往往需要采取一些特殊的技术方法,如频谱分析、时-频分析以及滤波技术等,利用这些技术方法,达到检测和获取故障特征频率的目的。典型的故障特征频率成分包括齿轮啮合频率及其高次谐波成分、调制分量等等。但是,由于结构共振、轮齿制造误差、传动比失配、非高斯脉冲干扰、噪声污染以及多通道传感观测的信息冗余等,要抽取准确的特征频率通常很困难,往往要靠经验。
对机器故障观测信号直接进行时-频分析,虽然可以获得机器整体的非线性、非稳态振动特征,但是由一些客观的异常因素(见划线部分)所导致的非高斯脉冲干扰、噪声污染以及多通道传感观测的信息冗余等问题无法得到解决,特别是由于机械结构共振以及多通道传感观测信息冗余的影响,安装于机器外壳上的传感器所测得的信号往往是多个机器组件振动的组合,与故障相关的特征同时出现在多个观测传感信号中。即使依靠人工经验也难以实现准确的故障特征提取,从而严重影响了故障诊断的准确性。
基于上述问题,如何克服上述问题,成为本领域亟需解决的问题。
发明内容
本发明的目的是提供一种基于机器故障的诊断方法及系统,以实现提高故障诊断的准确性。
为实现上述目的,本发明提供了一种基于机器故障的诊断方法,所述诊断方法包括:
获取机器故障待诊断的各观测信号;
根据各所述观测信号确定各积函数对应的时-频灰度图像;
根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;
对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;
通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;
根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;
根据多个所述基图像确定图像切片;
将图像切片输入支持向量机分类模型中,实现故障分类诊断。
可选的,所述根据各所述观测信号确定各积函数对应的时-频灰度图像,具体包括:
对各所述观测信号进行局域均值分解,获得多个积函数;
对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率;
根据各所述积函数对应的瞬时幅值和瞬时频率确定各积函数对应的时-频灰度图像。
可选的,所述对各所述观测信号进行局域均值分解,获得多个积函数,具体公式为:
其中,xj(t)为第j个观测信号,Pk(t)为经过局域均值分解所得的积函数,K表示积函数的总数,uK(t)为残余分量。
可选的,所述对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率,具体公式为:
其中,RP为取实部运算函数,K表示积函数的总数,ak(t)和ωk(t)分别为第j个观测信号xj(t)的进行时-频分析所得的各积函数对应的瞬时包络和瞬时频率。
可选的,所述通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向,具体公式为:
其中,L(x,y,σ)为尺度空间,符号“*”代表卷积运算,G(x,y,σ)为变尺度高斯核函数,它由冗余取消图像灰度矩阵G(O×N)通过像素坐标与强度变尺度操作获得,x和y分别为像素点的横坐标和纵坐标,σ为像素强度标准差,I(x,y)为像素密度,D(x,y,σ)为高斯图像差分函数,m(x,y)和θ(x,y)分别为梯度幅值和梯度方向。
可选的,所述根据多个所述基图像确定图像切片,具体公式为:
其中,Iw(s,l)是一个尺寸为N×N的图像切片,bj(s,l)为第j个基图像的线性联合,uj为尺度常数,s、l为图像切片尺寸变量,N′为基图像的总数。
可选的,所述将图像切片输入支持向量机分类模型中,实现故障分类诊断,具体公式为:
其中,Θ(w,b,e,α)为分类器函数,w为方向向量,γ为惩罚参数,ei为松弛变量,αi为拉格朗日乘子,xi为图像切片,b为偏移项,yi为图像切片的目标值,M为常量,φ(xi)为为核函数,wT为w的转置形式。
本发明还提供一种基于机器故障的诊断系统,所述诊断系统包括:
获取模块,用于获取机器故障待诊断的各观测信号;
时-频灰度图像确定模块,用于根据各所述观测信号确定各积函数对应的时-频灰度图像;
时-频图像像素矩阵确定模块,用于根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;
冗余取消处理模块,用于对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;
综合确定模块,用于通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;
基图像确定模块,用于根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;
图像切片确定模块,用于根据多个所述基图像确定图像切片;
故障分类诊断模块,用于将图像切片输入支持向量机分类模型中,实现故障分类诊断。
可选的,所述时-频灰度图像确定模块,具体包括:
局域均值分解单元,用于对各所述观测信号进行局域均值分解,获得多个积函数;
时-频分析单元,用于对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率;
时-频灰度图像确定单元,用于根据各所述积函数对应的瞬时幅值和瞬时频率确定各积函数对应的时-频灰度图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明根据各所述观测信号确定各积函数对应的时-频灰度图像;根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;根据多个所述基图像确定图像切片;将图像切片输入支持向量机分类模型中,实现故障分类诊断,提高了故障诊断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于机器故障的诊断方法流程图;
图2为本发明实施例基于机器故障的诊断系统结构图;
图3为本发明实施例基于尺度不变特征变换的原理图;
图4为本发明实施例基于独立分量分析冗余取消网络训练性能图;
图5为本发明实施例支持向量机最优分类结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于机器故障的诊断方法及系统,以实现提高故障诊断的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于机器故障的诊断方法流程图,如图1所示,本发明提供一种基于机器故障的诊断方法,所述诊断方法包括:
步骤S1:获取机器故障待诊断的各观测信号;
步骤S2:根据各所述观测信号确定各积函数对应的时-频灰度图像;
步骤S3:根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;
步骤S4:对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;
步骤S5:通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;
步骤S6:根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;
步骤S7:根据多个所述基图像确定图像切片;
步骤S8:将图像切片输入支持向量机分类模型中,实现故障分类诊断。
下面对各个步骤进行详细分析:
步骤S1:获取机器故障待诊断的各观测信号;所述观测信号为振动信号、声信号中任意一种;所述观测信号并不限于以上两种信号,此处不再一一举例。
步骤S2:根据各所述观测信号确定各积函数对应的时-频灰度图像,具体包括:
步骤S21:对各所述观测信号进行局域均值分解,获得多个积函数;具体公式为:
其中,xj(t)为第j个观测信号,Pk(t)为经过局域均值分解所得的积函数,K表示积函数的总数,uK(t)为残余分量。
步骤S22:对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率;具体公式为:
其中,RP为取实部运算函数,ak(t)和ωk(t)分别为第j个观测信号xj(t)的进行时-频分析所得的各积函数对应的瞬时包络和瞬时频率。
步骤S23:根据各所述积函数对应的瞬时幅值和瞬时频率确定各积函数对应的时-频灰度图像。
步骤S3:根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵G(L×N);其中,gl(N)为时-频图像像素矩阵G(L×N)中第l个像素分量,gl(N)像素分量中包含N个像素点,l=1,2,…,L。
步骤S4:对所述时-频图像像素矩阵G(L×N)进行冗余取消处理,获得冗余取消图像像素矩阵G(O×N);具体为:基于独立分量分析对所述时-频图像像素矩阵G(L×N)进行冗余取消处理,获得冗余取消图像像素矩阵G(O×N);
其中,g′o(N)为经过冗余取消处理所获得的时-频图像灰度矩阵G(O×N)中第o个像素分量,同样g′o(N)包含N个像素点,o=1,2,…,O,O≤L。
步骤S5:通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;具体公式为:
其中,L(x,y,σ)为尺度空间,符号“*”代表卷积运算,G(x,y,σ)为变尺度高斯核函数,它由冗余取消图像灰度矩阵G(O×N)通过像素坐标与强度变尺度操作获得,x和y分别为像素点的横坐标和纵坐标,σ为像素强度标准差,I(x,y)为像素密度,D(x,y,σ)为高斯图像差分函数,m(x,y)和θ(x,y)分别为梯度幅值和梯度方向。
步骤S7:根据多个所述基图像确定图像切片,具体公式为:
其中,Iw(s,l)是一个尺寸为N×N的图像切片,bj(s,l)为第j个基图像的线性联合,uj为尺度常数,s、l为图像切片尺寸变量,N′为基图像的总数。
步骤S8:将图像切片输入支持向量机分类模型中,实现故障分类诊断,具体公式为:
其中,Θ(w,b,e,α)为分类器函数,w为方向向量,γ为惩罚参数,ei为松弛变量,αi为拉格朗日乘子,xi为图像切片,b为偏移项,yi为图像切片的目标值,M为常量,φ(xi)为为核函数,wT为w的转置形式。
本发明通过识别待诊断特征点在高维特征空间中相对于分离超平面所处的位置,即可进行未知故障模式的分类诊断,提高了故障诊断的准确性。
图2为本发明实施例基于机器故障的诊断系统结构图;如图2所示,本发明还提供一种基于机器故障的诊断系统,所述诊断系统包括:
获取模块1,用于获取机器故障待诊断的各观测信号;
时-频灰度图像确定模块2,用于根据各所述观测信号确定各积函数对应的时-频灰度图像;
时-频图像像素矩阵确定模块3,用于根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;
冗余取消处理模块4,用于对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;
综合确定模块5,用于通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;
基图像确定模块6,用于根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;
图像切片确定模块7,用于根据多个所述基图像确定图像切片;
故障分类诊断模块8,用于将图像切片输入支持向量机分类模型中,实现故障分类诊断。
下面对各个模块进行详细分析:
所述时-频灰度图像确定模块2,具体包括:
局域均值分解单元,用于对各所述观测信号进行局域均值分解,获得多个积函数;
时-频分析单元,用于对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率;
时-频灰度图像确定单元,用于根据各所述积函数对应的瞬时幅值和瞬时频率确定各积函数对应的时-频灰度图像。
实施例1
基于独立分量分析冗余取消与尺度不变特征变化融合:
假设C个时-频分布图像冗余取消训练集Γc={x(k),k=1,2,…,K},c=1,2,…,C分属不同的模式类,这里x(k)为第k个像素分量训练样本,c为训练集编号,即对应的模式类号。K为训练集容量,即每个训练集中所包含的训练样本数。按照如下的学习规则由第k个训练样本x(k)可获得一个线性变换估计W(k)。
ΔW(k)∝[(W(k-1))T]-1+(1-2y(k))(x(k))T
最终,由给定的C个不同模式类的训练集可以获得C个独立分量分析冗余取消网络Wc=W(K),c=1,2,…,C。这些受训网络共同构成一个图像像素信息冗余取消器,用于从其他训练样本中获取各模式类的、由独立基图像切片构成的时-频灰度图像。
利用尺度不变特征变换,对经过冗余取消的冗余取消图像像素矩阵按照以下方式在梯度幅值与方向两个维度上进行的特征融合:
L(x,y,σ)=G(x,y,σ)*I(x,y),
D(x,y,σ)=L(x,y,qσ)-L(x,y,σ),
最终,基于基图像线性联合分解原理提取复杂故障征兆的量化特征。如图3所示。
实施例2
独立分量分析冗余取消网络的训练与基于最优支持向量机分类的故障识别与诊断
利用如下的全局分离-混合矩阵的模方作为测度评价独立分量分析冗余取消网络的训练收敛性能:
式中bij、aij分别为全局混合矩阵B与分离矩阵A中的元素,||·||为2-范数函数。从图4可以看到,收敛的独立分量分析冗余取消网络对应的全局混合-分离矩阵BA的模方参数收敛至0,而不收敛的网络对应部分参数则收敛至1。如果测度参数的敛散性不定,则需要调整网络训练的步长和总迭代次数。
支持向量机的内积核采用高斯径向基函数。在分类器训练过程中,VC维上界参数分别选取为1、10、100、200和400等不同值。利用20个像素分量训练数据样本提取的尺度不变特征变换融合梯度特征向量,训练支持向量机所得到的最优分离超平面如图5中粗实线所示。
根据训练结果可得最优的VC维上界参数为1,对应最优的支持向量机分类器,其最优分离超平面为线性的,利用该分类器对正常状态(“+”)和轴承故障(“*”)两个模式类进行划分,识别精度分别达到95%和95%。从而,实现了对故障的有效识别与诊断,如图5所示。图中“o”括起来的为支持向量。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于机器故障的诊断方法,其特征在于,所述诊断方法包括:
获取机器故障待诊断的各观测信号;
根据各所述观测信号确定各积函数对应的时-频灰度图像;
根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;
对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;
通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;
根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;
根据多个所述基图像确定图像切片;
将图像切片输入支持向量机分类模型中,实现故障分类诊断。
2.根据权利要求1所述的诊断方法,其特征在于,所述根据各所述观测信号确定各积函数对应的时-频灰度图像,具体包括:
对各所述观测信号进行局域均值分解,获得多个积函数;
对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率;
根据各所述积函数对应的瞬时幅值和瞬时频率确定各积函数对应的时-频灰度图像。
8.一种基于机器故障的诊断系统,其特征在于,所述诊断系统包括:
获取模块,用于获取机器故障待诊断的各观测信号;
时-频灰度图像确定模块,用于根据各所述观测信号确定各积函数对应的时-频灰度图像;
时-频图像像素矩阵确定模块,用于根据各所述积函数对应的时-频灰度图像确定时-频图像像素矩阵;
冗余取消处理模块,用于对所述时-频图像像素矩阵进行冗余取消处理,获得冗余取消图像像素矩阵;
综合确定模块,用于通过尺度不变特征,根据所述冗余取消图像像素矩阵确定高斯图像差分函数、梯度幅值和梯度方向;
基图像确定模块,用于根据所述高斯图像差分函数、梯度幅值和梯度方向确定多个基图像;
图像切片确定模块,用于根据多个所述基图像确定图像切片;
故障分类诊断模块,用于将图像切片输入支持向量机分类模型中,实现故障分类诊断。
9.根据权利要求8所述的诊断系统,其特征在于,所述时-频灰度图像确定模块,具体包括:
局域均值分解单元,用于对各所述观测信号进行局域均值分解,获得多个积函数;
时-频分析单元,用于对各所述积函数进行时-频分析,获得各积函数对应的瞬时幅值和瞬时频率;
时-频灰度图像确定单元,用于根据各所述积函数对应的瞬时幅值和瞬时频率确定各积函数对应的时-频灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810455450.8A CN108664936B (zh) | 2018-05-14 | 2018-05-14 | 一种基于机器故障的诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810455450.8A CN108664936B (zh) | 2018-05-14 | 2018-05-14 | 一种基于机器故障的诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664936A CN108664936A (zh) | 2018-10-16 |
CN108664936B true CN108664936B (zh) | 2020-09-01 |
Family
ID=63778389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810455450.8A Active CN108664936B (zh) | 2018-05-14 | 2018-05-14 | 一种基于机器故障的诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664936B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460794A (zh) * | 2018-11-19 | 2019-03-12 | 广东工业大学 | 一种数据特征提取方法、系统及电子设备和存储介质 |
WO2022119426A1 (fr) * | 2020-12-01 | 2022-06-09 | Université Internationale de RABAT | Système intelligent pour détection et notification instantanée des perturbations de la qualité du signal électrique |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574639A (en) * | 1994-10-12 | 1996-11-12 | National Instruments Corporation | System and method for constructing filters for detecting signals whose frequency content varies with time |
CN102866027A (zh) * | 2012-08-13 | 2013-01-09 | 燕山大学 | 基于lmd和局域时频熵的旋转机械故障特征提取方法 |
CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
CN105628358A (zh) * | 2015-12-28 | 2016-06-01 | 北华大学 | 基于参数自适应随机共振的离心机转子故障诊断方法 |
CN107238778A (zh) * | 2016-07-18 | 2017-10-10 | 广东电网有限责任公司佛山供电局 | 一种识别直流牵引网故障电流的方法和系统 |
CN107577999A (zh) * | 2017-08-22 | 2018-01-12 | 哈尔滨工程大学 | 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法 |
CN107643181A (zh) * | 2016-07-21 | 2018-01-30 | 北京航空航天大学 | 一种基于图像识别的滚动轴承变工况故障诊断方法 |
CN107917806A (zh) * | 2017-12-03 | 2018-04-17 | 中国直升机设计研究所 | 一种基于mckd和lmd的滚动轴承早期故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011265563B2 (en) * | 2010-12-24 | 2016-09-22 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
TWI542887B (zh) * | 2014-07-10 | 2016-07-21 | 國立成功大學 | 馬達故障檢測方法與馬達故障檢測系統 |
-
2018
- 2018-05-14 CN CN201810455450.8A patent/CN108664936B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574639A (en) * | 1994-10-12 | 1996-11-12 | National Instruments Corporation | System and method for constructing filters for detecting signals whose frequency content varies with time |
CN102866027A (zh) * | 2012-08-13 | 2013-01-09 | 燕山大学 | 基于lmd和局域时频熵的旋转机械故障特征提取方法 |
CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
CN105628358A (zh) * | 2015-12-28 | 2016-06-01 | 北华大学 | 基于参数自适应随机共振的离心机转子故障诊断方法 |
CN107238778A (zh) * | 2016-07-18 | 2017-10-10 | 广东电网有限责任公司佛山供电局 | 一种识别直流牵引网故障电流的方法和系统 |
CN107643181A (zh) * | 2016-07-21 | 2018-01-30 | 北京航空航天大学 | 一种基于图像识别的滚动轴承变工况故障诊断方法 |
CN107577999A (zh) * | 2017-08-22 | 2018-01-12 | 哈尔滨工程大学 | 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法 |
CN107917806A (zh) * | 2017-12-03 | 2018-04-17 | 中国直升机设计研究所 | 一种基于mckd和lmd的滚动轴承早期故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
Fault diagnosis of gearboxes using feature extraction in time domain;Weidong Jiao等;《2017 9th International Conference on Modelling, Identification and Control (ICMIC)》;20180322;第573-577页 * |
Research on vibration response of a multi-faulted rotor system using LMD-based time-frequency representation;Weidong Jiao;《EURASIP Journal on Advances in Signal Processing》;20120330;第1-11页 * |
Weak Fault Feature Extraction of Rolling Bearings Using Local Mean Decomposition-Based Multilayer Hybrid Denoising;Jianbo Yu等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20171012;第66卷(第12期);第3148-3159页 * |
基于局部均值分解和共振解调的滚动轴承故障诊断;王梦奇等;《济南大学学报( 自然科学版)》;20171213;第32卷(第1期);第13-19页 * |
基于独立分量分析的传感观测信息融合压缩方法及其在故障诊断中的应用;钱苏翔等;《中国电机工程学报》;20060215;第26卷(第5期);第137-142页 * |
基于独立分量分析的机械故障特征提取及分类方法研究;陈建国;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20120416;第76-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108664936A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
Kumar et al. | Fuzzy classifier for fault diagnosis in analog electronic circuits | |
CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
Dervilis et al. | Robust methods for outlier detection and regression for SHM applications | |
CN109635864B (zh) | 一种基于数据的容错控制方法及装置 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN117216844B (zh) | 一种桥梁结构损伤检测方法、系统和存储介质 | |
Zang et al. | Structural health monitoring and damage assessment using frequency response correlation criteria | |
CN110782041A (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN107644413A (zh) | 基于邻域比值和自步学习的sar图像变化区域检测方法 | |
CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及系统 | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
CN113067805A (zh) | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 | |
CN117274819B (zh) | 用于多类型海域智能化监测的遥感信息提取系统 | |
Barbosa et al. | Temperature time series: Pattern analysis and forecasting | |
CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
Yu et al. | Structural damage detection of truss bridge under environmental variability | |
CN113138556B (zh) | 一种高精度闭环系统辨识方法 |
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 |