CN108830291A - 一种轮式起重机液压系统故障诊断方法及系统 - Google Patents
一种轮式起重机液压系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN108830291A CN108830291A CN201810428419.5A CN201810428419A CN108830291A CN 108830291 A CN108830291 A CN 108830291A CN 201810428419 A CN201810428419 A CN 201810428419A CN 108830291 A CN108830291 A CN 108830291A
- Authority
- CN
- China
- Prior art keywords
- characteristic value
- state
- hydraulic system
- fault diagnosis
- classifier
- 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.)
- Pending
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- 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
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Abstract
本发明公开了一种轮式起重机液压系统故障诊断方法及系统,所述方法包括:获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;用小波包提取各状态对应特征值;采用“一对一”多分类方法,各组特征值两两组合构建训练集;利用LS‑SVM算法对各个训练集进行学习,产生相应的分类器;采集测试状态的数据,并进行小波包提取特征值;将测试数据的特征值代入各分类器,采用投票法分类,得票数最多的即是测试状态故障诊断的结果。所述系统包括传感器模块、训练集构建模块、分类器生成模块、故障诊断模块。本发明可以对起重机液压系统故障情况进行准确的诊断。
Description
技术领域
本发明涉及轮式起重机液压系统故障诊断领域,特别是涉及一种基于最小二乘支持向量机的轮式起重机液压系统故障诊断方法及系统。
背景技术
工程起重机是各种工程建设广泛应用的重要起重设备,它对减轻劳动强度、节省人力、降低建设成本、提高施工质量、加快建设速度,实现工程施工机械化起着十分重要的作用。轮式起重机由于具备机动灵活、作业半径大等特点,是一料广泛应用于国民经济建设的起重装置,主要用于工厂、矿山、港口码头、建筑工地等场地的起重作业和安装工程。液压系统是起重机的重要组成部分,起重机的大部分功能都离不开液压,它运行情况的好坏直接影响着起重机的性能及安全操作,所以对液压系统的故障诊断具有重要的意义。
目前,如王海兰等人在《液压系统故障诊断技术》(起重运输机械,2005(02))中所述,应用于轮式起重机液压系统故障诊断的方法主要有专家系统和神经网络系统等方法。而专家系统会遇到知识获取“瓶颈”问题,知识库过于庞大和非结构性、求解方法单一等困难,使其支持能力有限;神经网络具有自学习功能,并且可以实现非线性复杂映射,但是该算法可能陷入局部最优解,且存在“过拟合”现象,影响预测能力。
经检索,申请号为CN201010155100.3的中国发明专利申请,公开号为CN101865179A,其公开一种用于机械设备液压系统的故障分析监控系统及方法,能够随时对机械设备,如起重油液系统测评、监控。但是其主要是进行油污检测分析监控。而无法对其他故障,比如液压泵故障、卷扬液压马达故障、回转液压马达故障、液压缸故障、多路控制阀故障等进行监控。
发明内容
针对现有技术中存在的问题,提出了一种基于最小二乘支持向量机的轮式起重机液压系统故障诊断方法及系统,能有效对轮式起重机液压系统的各种故障进行诊断。
根据本发明的第一方面,提供一种轮式起重机液压系统故障诊断方法,包括:
获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;
用小波包提取各个状态对应压力、流量、油液温度、液压马达转速等信号的特征值;
采用“一对一”多分类方法,将提取到的各组特征值分别两两组合构建训练集;
利用最小二乘支持向量机(LS-SVM)算法对各个训练集进行学习,对应各个训练集产生相应的分类器;
采集测试状态液压系统各部分的压力、流量、油液温度、液压马达转速等信号,并用小波包提取压力、流量、油液温度、液压马达转速等信号的特征值;
将测试数据的特征值代入各个分类器,采用投票法进行分类,得票数最多的即为分类的结果,也即是测试状态故障诊断的结果。
本发明中,所述最小二乘支持向量机(LS-SVM)用二次损失函数代替传统支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组求解,在保证精度的同时大大降低了计算的复杂性,加快了求解速度。
可选地,所述用小波包提取各个状态对应的特征值,是指:首先利用小波对采集到的各信号进行降噪处理,再对降噪之后的信号进行小波包分解、重构,得到各个状态对应的特征值。
可选地,所述“一对一”多分类方法,是指:将各状态对应的特征值两两组合,对每一种组合分别利用最小二乘支持向量机算法训练得到k(k-1)/2个分类器,其中k是所有状态的总数。
可选地,所述将测试数据的特征值代入各个分类器,采用投票法进行分类,是指:分别将测试数据的特征值输入各个分类器中,得到每个分类器的输出,输出为某个状态则该状态得一票,最后统计各个状态的得票数,得票数最多的即为故障诊断的结果。
根据本发明的第二方面,提供一种轮式起重机液压系统故障诊断系统,包括:
传感器模块,用于获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;
训练集构建模块,对所述传感器模块获得的信号,用小波包提取各个状态对应压力、流量、油液温度、液压马达转速信号的特征值,采用“一对一”多分类方法,将提取到的各组特征值分别两两组合构建训练集;
分类器生成模块,利用最小二乘支持向量机(LS-SVM)算法对所述训练集构建模块构建的各个训练集进行学习,对应各个训练集产生相应的分类器;
故障诊断模块,采集测试状态液压系统各部分的压力、流量、油液温度、液压马达转速信号,并用小波包提取这些信号的特征值,将测试数据的特征值代入所生成的各个分类器,采用投票法进行分类,得票数最多的即测试状态故障诊断的结果。
可选地,所述传感器模块包括压力传感器、流量传感器、温度传感器、速度传感器,用于获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号。
可选地,所述训练集构建模块中,首先利用小波对采集到的各信号进行降噪处理,再对降噪之后的信号进行小波包分解、重构,得到各个状态对应的特征值。
可选地,所述训练集构建模块中“一对一”多分类方法,是指:将各状态对应的特征值两两组合,对每一种组合分别利用最小二乘支持向量机算法训练得到k(k-1)/2个分类器,其中k是所有状态的总数。
可选地,所述故障诊断模块中采用投票法进行分类,是指:分别将测试数据的特征值输入各个分类器中,得到每个分类器的输出,输出为某个状态则该状态得一票,最后统计各个状态的得票数,得票数最多的即为故障诊断的结果。
与现有技术相比,本发明实施例具有以下有益效果:
本发明通过小波包提取各个状态的特征值,利用“一对一”多分类方法结合最小二乘支持向量机,构造了多个LS-SVM分类器,最后通过“投票法”进行测试状态的故障诊断,从而实现了对轮式起重机液压系统故障诊断的多类分类。本发明采用最小二乘支持向量机(LS-SVM),在保证精度的同时大大降低了计算的复杂性,加快了求解速度。本发明同时采用投票法,提高了准确率。
综上,本发明可以对起重机液压系统故障情况进行准确的诊断,具有计算复杂度低,诊断准确、有效的优点,实现了在小样本下高准确率的故障分类。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其他特征、目的和优点将会变得更加明显;
图1是本发明一实施例中方法流程图;
图2是本发明一实施例中方法详细流程图;
图3是本发明一实施例中LS-SVM“一对一”多分类方法及“投票法”详细过程图;
图4为本发明一实施例中系统模块框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提出的基于最小二乘支持向量机的轮式起重机液压系统故障诊断技术,结合轮式起重机液压系统常见的五种故障形式:液压泵故障、卷扬液压马达故障、回转液压马达故障、液压缸故障、多路控制阀故障,以及正常状态,一共有6种状态。本发明通过小波包提取各个状态的特征值,利用“一对一”多分类方法结合最小二乘支持向量机,构造了多个LS-SVM分类器,最后通过“投票法”进行测试状态的故障诊断,从而实现了对轮式起重机液压系统故障诊断的多类分类。以下结合具体附图对本发明部分具体实施例来进行说明。
参照图1所示,一种轮式起重机液压系统故障诊断方法的实施例,其步骤流程为:
(1)获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;
(2)用小波包提取各个状态对应压力、流量、油液温度、液压马达转速等信号的特征值;
(3)采用“一对一”多分类方法,将提取到的各组特征值分别两两组合构建训练集;
(4)利用最小二乘支持向量机(LS-SVM)算法对各个训练集进行学习,对应各个训练集产生相应的分类器;
(5)采集测试状态液压系统各部分的压力、流量、油液温度、液压马达转速等信号,并用小波包提取压力、流量、油液温度、液压马达转速等信号的特征值;各个部分采集的信号不同,比如液压泵和液压缸可以采集压力、流量信号,液压马达采集液压马达转速信号,多路控制阀采集压力、流量信号,液压系统管路采集油液温度。
(6)将测试数据的特征值代入各个分类器,采用投票法进行分类,得票数最多的即为分类的结果,也即是测试状态故障诊断的结果。
上述流程中,步骤(4)LS-SVM是在SVM的基础上进行改进,用二次损失函数代替传统SVM中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组求解,降低了计算的复杂性,加快了求解速度。
如图2所示,为本发明一实施例的详细流程示意图,该实施例中,分别采集正常状态的数据和各个故障状态的数据,一共六种状态的数据。首先利用小波对采集到的信号进行降噪处理,再对降噪之后的信号进行小波包分解、重构,得到6种状态对应的特征值。
6种状态的特征值两两组合,一共可以构建15个训练集。分别对每个训练集使用最小二乘支持向量机(LS-SVM)算法进行学习,可以产生15个二分类器。
LS-SVM算法实现原理:
在SVM中,设超平面(ω,b)能将训练样本正确分类,则有
式中,ω为超平面的法向量,b为偏置量,xi为输入特征向量,yi为特征向量xi的标记,yi=+1表示故障,yi=-1表示正常。
则分类决策函数为:
其中,sgn()为符号函数,x为输入的测试状态的特征向量。
LS-SVM是在SVM的基础上进行改进,将最小二乘线性系统作为损失函数,代替二次规划,用等式约束代替不等式约束条件。
LS-SVM非线性分类模型可通过求解优化函数minω,b,eJP(ω,e)来表示:
式中,γ为规则化因子,γ>0,ek为误差变量,k为求和指标,N为样本总数。
式(3)满足下列等式约束:
式中为非线性映射,把样本集从输入空间映射到高维的特征空间,yk为特征向量xk对应的标记,yk=+1或-1。
和SVM类似,采用Lagrange乘子法:
式中αk为拉格朗日乘子。分别对ω、b、ek、αk求偏导等于0得:
消去ω和ek,可转化为求解线性方程组:
矩阵Ω为核矩阵,其中K(xk,xl)为支持向量机的核函数,y=[y1,y2,…,yN]T,α=[α1,α2,…,αN]T。
则LS-SVM的分类决策函数为:
LS-SVM的核函数必须是正定的且满足Mercer定理,为了简化统计模型计算量,采用模型预测正确率较高的高斯径向基核函数,其核函数为:
根据上述过程可以得到15个二分类器LS-SVM1—LS-SVM15,采集测试状态的数据,并用小波包提取特征值,对测试数据采用“投票法”进行分类,如图3所示,分别将测试数据的特征值输入LS-SVM1—LS-SVM15中,得到每个分类器的输出,LS-SVM1输出1则状态1得一票、反之输出-1时状态2得一票,LS-SVM2输出1则状态1得一票、反之输出-1时状态3得一票……LS-SVM15输出1则状态5得一票,反之输出-1输出则状态6得一票,最后分别统计状态1——状态6的得票数,得票数最多的即为故障诊断的结果。
可以看出,采用基于最小二乘支持向量机的故障诊断方法,具有计算复杂度低,诊断准确、有效的优点,实现了在小样本下高准确率的故障分类。
对应于上述的故障诊断方法,本发明还提供相应的故障诊断系统的实施例,参照图4所示,包括传感器模块、训练集构建模块、分类器生成模块、故障诊断模块。其中:
传感器模块,用于获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;该传感器模块可以包括压力传感器、流量传感器、温度传感器、速度传感器;
训练集构建模块,对所述传感器模块获得的信号,用小波包提取各个状态对应压力、流量、油液温度、液压马达转速信号的特征值,采用“一对一”多分类方法,将提取到的各组特征值分别两两组合构建训练集;
分类器生成模块,利用最小二乘支持向量机(LS-SVM)算法对所述训练集构建模块构建的各个训练集进行学习,对应各个训练集产生相应的分类器;
故障诊断模块,采集测试状态液压系统各部分的压力、流量、油液温度、液压马达转速信号,并用小波包提取这些信号的特征值,将测试数据的特征值代入所生成的各个分类器,采用投票法进行分类,得票数最多的即测试状态故障诊断的结果。
上述系统采用最小二乘支持向量机(LS-SVM),在保证精度的同时大大降低了计算的复杂性,加快了求解速度;同时采用投票法,提高了准确率。因此,本发明实施例可以对起重机液压系统故障情况进行准确的诊断,具有计算复杂度低,诊断准确、有效的优点,实现了在小样本下高准确率的故障分类。
本发明系统实施例中涉及的各个模块的具体实现技术,可以采用上述方法对应步骤中的技术,在此不再赘述。
需要说明的是,本发明提供的所述故障诊断方法中的步骤,可以利用所述故障诊断系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程,即,所述系统中的实施例可理解为实现所述方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种轮式起重机液压系统故障诊断方法,其特征在于,包括:
获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;
用小波包提取各个状态对应压力、流量、油液温度、液压马达转速信号的特征值;
采用“一对一”多分类方法,将提取到的各组特征值分别两两组合构建训练集;
利用最小二乘支持向量机(LS-SVM)算法对各个训练集进行学习,对应各个训练集产生相应的分类器;
采集测试状态液压系统各部分的压力、流量、油液温度、液压马达转速信号,并用小波包提取这些信号的特征值;
将测试数据的特征值代入各个分类器,采用投票法进行分类,得票数最多的即为分类的结果,也即是测试状态故障诊断的结果。
2.根据权利要求1所述的轮式起重机液压系统故障诊断方法,其特征在于,所述用小波包提取各个状态对应的特征值,是指:首先利用小波对采集到的各信号进行降噪处理,再对降噪之后的信号进行小波包分解、重构,得到各个状态对应的特征值。
3.根据权利要求1所述的轮式起重机液压系统故障诊断方法,其特征在于,所述“一对一”多分类方法,是指:将各状态对应的特征值两两组合,对每一种组合分别利用最小二乘支持向量机算法训练得到k(k-1)/2个分类器,其中k是所有状态的总数。
4.根据权利要求1所述的轮式起重机液压系统故障诊断方法,其特征在于,所述将测试数据的特征值代入各个分类器,采用投票法进行分类,是指:分别将测试数据的特征值输入各个分类器中,得到每个分类器的输出,输出为某个状态则该状态得一票,最后统计各个状态的得票数,得票数最多的即为故障诊断的结果。
5.一种轮式起重机液压系统故障诊断系统,其特征在于,包括:
传感器模块,用于获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号,得到样本空间;
训练集构建模块,对所述传感器模块获得的信号,用小波包提取各个状态对应压力、流量、油液温度、液压马达转速信号的特征值,采用“一对一”多分类方法,将提取到的各组特征值分别两两组合构建训练集;
分类器生成模块,利用最小二乘支持向量机(LS-SVM)算法对所述训练集构建模块构建的各个训练集进行学习,对应各个训练集产生相应的分类器;
故障诊断模块,采集测试状态液压系统各部分的压力、流量、油液温度、液压马达转速信号,并用小波包提取这些信号的特征值,将测试数据的特征值代入所生成的各个分类器,采用投票法进行分类,得票数最多的即测试状态故障诊断的结果。
6.根据权利要求5所述的轮式起重机液压系统故障诊断系统,其特征在于,所述传感器模块包括压力传感器、流量传感器、温度传感器、速度传感器,用于获取轮式起重机液压系统正常状态和各种故障状态时各部分的压力、流量、油液温度、液压马达转速信号。
7.根据权利要求5所述的轮式起重机液压系统故障诊断系统,其特征在于,所述训练集构建模块中,首先利用小波对采集到的各信号进行降噪处理,再对降噪之后的信号进行小波包分解、重构,得到各个状态对应的特征值。
8.根据权利要求5所述的轮式起重机液压系统故障诊断系统,其特征在于,所述训练集构建模块中“一对一”多分类方法,是指:将各状态对应的特征值两两组合,对每一种组合分别利用最小二乘支持向量机算法训练得到k(k-1)/2个分类器,其中k是所有状态的总数。
9.根据权利要求5所述的轮式起重机液压系统故障诊断系统,其特征在于,所述故障诊断模块中采用投票法进行分类,是指:分别将测试数据的特征值输入各个分类器中,得到每个分类器的输出,输出为某个状态则该状态得一票,最后统计各个状态的得票数,得票数最多的即为故障诊断的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428419.5A CN108830291A (zh) | 2018-05-07 | 2018-05-07 | 一种轮式起重机液压系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428419.5A CN108830291A (zh) | 2018-05-07 | 2018-05-07 | 一种轮式起重机液压系统故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830291A true CN108830291A (zh) | 2018-11-16 |
Family
ID=64148281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810428419.5A Pending CN108830291A (zh) | 2018-05-07 | 2018-05-07 | 一种轮式起重机液压系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830291A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109324604A (zh) * | 2018-11-29 | 2019-02-12 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN109968671A (zh) * | 2019-03-20 | 2019-07-05 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
CN113114748A (zh) * | 2021-04-02 | 2021-07-13 | 天津一重电气自动化有限公司 | 一种基于数据分析的智能预测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103758742A (zh) * | 2014-01-17 | 2014-04-30 | 东华大学 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN105626502A (zh) * | 2016-02-01 | 2016-06-01 | 上海交通大学 | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 |
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
CA2965340A1 (en) * | 2016-05-11 | 2017-11-11 | Mahmoud Ismail | An enhanced system and method for conducting pca analysis on data signals |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
-
2018
- 2018-05-07 CN CN201810428419.5A patent/CN108830291A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103758742A (zh) * | 2014-01-17 | 2014-04-30 | 东华大学 | 一种基于双类特征融合诊断的柱塞泵故障诊断系统 |
CN104849650A (zh) * | 2015-05-19 | 2015-08-19 | 重庆大学 | 一种基于改进的模拟电路故障诊断方法 |
CN105626502A (zh) * | 2016-02-01 | 2016-06-01 | 上海交通大学 | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 |
CA2965340A1 (en) * | 2016-05-11 | 2017-11-11 | Mahmoud Ismail | An enhanced system and method for conducting pca analysis on data signals |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
Non-Patent Citations (8)
Title |
---|
SHIJIE MA等: "Based on Wavelet Packet and The LS - SVM Ship With Warship Engine Fault Diagnosis", 《2016 CHINESE CONTROL AND DECISION CONFERENCE》 * |
YONGXIA BU等: "The Rolling Bearing Fault Diagnosis Based on LMD and LS-SVM", 《2014 26TH CHINESE CONTROL AND DECISION CONFERENCE》 * |
中国汽车工程学会组编: "《汽车先进制造技术跟踪研究 2016》", 31 October 2016, 北京:北京理工大学出版社 * |
张秀彬,应俊豪著: "《汽车智能化技术原理》", 31 March 2011, 上海:上海交通大学出版社 * |
张质文、王金诺、邹胜利主编: "《起重机设计手册 第2版下》", 31 August 2013, 北京:中国铁道出版社 * |
游张平等: "起重机液压系统的粒子群神经网络故障诊断", 《液压与气动》 * |
白鹏,张喜斌,李彦等编著: "《支持向量机理论及工程应用实例》", 31 August 2008, 西安:西安电子科技大学出版社 * |
胡良谋,曹克强,徐浩军等著: "《支持向量机故障诊断及控制技术》", 30 November 2011, 北京:国防工业出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109324604A (zh) * | 2018-11-29 | 2019-02-12 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN109968671A (zh) * | 2019-03-20 | 2019-07-05 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
CN113114748A (zh) * | 2021-04-02 | 2021-07-13 | 天津一重电气自动化有限公司 | 一种基于数据分析的智能预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021243838A1 (zh) | 变工况下类内自适应轴承故障诊断方法 | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Jia et al. | A deviation based assessment methodology for multiple machine health patterns classification and fault detection | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN103048133B (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN108830291A (zh) | 一种轮式起重机液压系统故障诊断方法及系统 | |
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
CN103969052B (zh) | 基于离群分析的柴油机故障诊断方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN108090606A (zh) | 设备故障发现方法及系统 | |
CN105956514A (zh) | 一种振动数据驱动的直升机旋翼异常检测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
Chen et al. | Multi-channel calibrated transformer with shifted windows for few-shot fault diagnosis under sharp speed variation | |
CN111698267A (zh) | 一种工业控制系统信息安全测试系统及方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN108709744A (zh) | 一种变负载工况下电机轴承故障诊断方法 | |
Jiao et al. | Partly interpretable transformer through binary arborescent filter for intelligent bearing fault diagnosis | |
Wang et al. | An efficient anomaly detection for high-speed train braking system using broad learning system | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
CN112418460A (zh) | 工程车辆的故障诊断方法和故障诊断装置 | |
CN107766882A (zh) | 基于数据驱动量化特征多粒度的行星齿轮箱故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |