CN109297699A - 一种混合分解与提取的智能旋转机械故障诊断方法 - Google Patents
一种混合分解与提取的智能旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN109297699A CN109297699A CN201811493246.1A CN201811493246A CN109297699A CN 109297699 A CN109297699 A CN 109297699A CN 201811493246 A CN201811493246 A CN 201811493246A CN 109297699 A CN109297699 A CN 109297699A
- Authority
- CN
- China
- Prior art keywords
- follows
- wolf
- rotating machinery
- matrix
- obtains
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种混合分解与提取的智能旋转机械故障诊断方法,包括:获取旋转机械的原始振动序列进行去噪处理,得到已去噪处理的振动序列;采用不同消失矩的母小波包函数,对已去噪处理的振动序列进行分解操作,得到各自若干个振动子序列;采用主元分析法,对每个振动子序列进行特征提取,得到旋转机械的特征参数矩阵;获取旋转机械训练样本,且已知训练样本的故障类型,使用训练样本训练支持向量机模型得到旋转机械故障诊断分类器;实时采集待检测旋转机械的原始振动序列,获取其特征参数矩阵,并输入到旋转机械故障诊断分类器,从而判断待检测旋转机械的故障类型。本发明提高了对旋转机械故障诊断的时效性和精度。
Description
技术领域
本发明涉及机械系统故障辨识与预测领域,特别是涉及一种混合分解与提取的智能旋转机械故障诊断方法。
背景技术
随着科技的不断进步和中国制造2025的提出,各种机械装备广泛使用在各行各业,其中旋转机械在这些机械装备中占据了重要地位。但是旋转机械在长期使用过程中,因为一直存在不同程度的振动工况,极其容易出现不同程度的损耗而产生各种机械故障,如果发现不及时导致机械故障不断积累,轻则出现停机事故导致经济损耗,重则产生安全隐患造成安全事故。
目前对旋转机械系统的状态监测与诊断最常用的方法是采集旋转机械系统的随机振动信号,然后对随机振动信号进行时频分析。但由于所测取的振动信号不但有故障信号,而且还包含其它机械零部件的振动信号,并且旋转机械在早期的故障产生阶段,其故障特征信息很微弱,信噪比很小,难以提取。
发明内容
本发明提出一种混合分解与提取的智能旋转机械故障诊断方法,可以更好更及时的检测出旋转机械的故障类型,即发生故障的部位和故障名称,提高故障诊断的准确性和时效性。
为实现上述技术目的,本发明的技术方案为:
一种混合分解与提取的智能旋转机械故障诊断方法,包括以下步骤:
步骤1,获取旋转机械的原始振动序列,对原始振动序列进行去噪处理,得到已去噪处理的振动序列;
步骤2,采用若干个具有不同消失矩的母小波包函数,对已去噪处理的振动序列进行分解操作;已去噪处理的振动序列在采用不同消失矩的母小波包函数分解后分别得到各自若干个振动子序列;
步骤3,采用主元分析法,对每个振动子序列进行特征提取,得到特征参数矩阵;
步骤4,按照步骤1-3对已知故障类型的旋转机械提取特征参数矩阵,作为训练样本;
以旋转机械的特征参数矩阵训练样本为输入、故障类型为输出,训练支持向量机模型,得到旋转机械故障诊断分类器;
步骤5,实时采集待检测旋转机械的原始振动序列,按照步骤1-3获取待检测旋转机械的特征参数矩阵;
将待检测旋转机械的特征参数矩阵输入到旋转机械故障诊断分类器,旋转机械故障诊断分类器输出待检测旋转机械的故障类型。
本方案通过采用小波包分解方法,使用多个不同的消失矩对振动序列进行分解,在采用不同消失矩的母小波包函数分解后分别得到多个不同的振动子序列;采用主元分析法,针对每个振动子序列进行特征提取,得到旋转机械的特征参数矩阵;这种小波包分解与主元分析法特征提取相结合的方法,使得到的特征参数矩阵在保证广度和深度的前提下,不但保留了主要特征信息,而且降低了输入支持向量机模型的维度,在后续对待检测旋转机械故障诊断分类器对故障诊断的计算时间,提升了分类器的时效性;而且以训练样本的该特征参数矩阵和故障类型训练的旋转机械故障诊断分类器,对待检测旋转机械的故障诊断精度更高。
进一步地,所述支持向量机模型的输入层包括1个节点,输出层包括1个节点,核函数为径向基函数,支持向量机模型的惩罚系数和核函数参数采用狼群-模拟退火混合算法进行优化选择。
采用狼群-模拟退火算法对支持向量机的参数进行优化,这样能够有效提高优化参数得到的旋转机械故障诊断分类器在对特征序列进行分类时的精度,增加了故障诊断的准确性和可靠性。
进一步地,所述支持向量机模型的惩罚系数和核函数参数采用狼群-模拟退火混合算法进行优化选择的具体过程为:
步骤4.1,以个体狼位置作为支持向量机分类模型的惩罚系数、核函数参数,随机初始化狼群中的每只个体狼并设置狼群参数;
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤4.2,设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
将个体狼位置的对应的SVM模型惩罚系数、核函数参数代入支持向量机模型中,将所有训练样本输入支持向量机模型获得旋转机械故障诊断分类器,旋转机械故障诊断分类器输出的预测故障类型正确的数量占所有训练样本数量的比例为诊断准确率,取诊断准确率作为适应度函数;
步骤4.3,依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度函数更新狼群,获得更新后的最优头狼位置;
步骤4.4,判断是否到达优化精度要求或最大迭代次数,若没有到达,令t=t+1转至步骤4.5,若到达,转至步骤4.7;
步骤4.5,对本次迭代中的最优头狼个体进行模拟退火操作,在得到的头狼位置ai邻域内随机选择新的位置aj并计算两者适应度之差ΔF=F(ai)-F(aj),计算选择概率P=exp(-ΔF/Ti),Ti为当前温度;如果P>random[0,1),则将当前头狼位置由ai替换为aj,并以aj作为下次寻优的开始,否则以ai开始下一次寻优;
步骤4.6,令t2=t2+1,按照进行降温退火,若t2<Lmax,转至步骤4.5,否则,转至步骤4.3;
步骤4.7,输出最优头狼位置对应的支持向量机分类模型所使用的惩罚系数和核函数参数。
进一步地,步骤2采用的母小波包函数的消失矩分别为:db5、db7和db9。
进一步地,所述步骤3的具体过程为:
步骤3.1,所有振动子序列转置组成序列矩阵Q;
步骤3.2,将序列矩阵Q中的每个振动子序列进行零均值化处理;
步骤3.3,求出零均值化处理后的序列矩阵的协方差矩阵,得到协方差矩阵的特征值和对应的特征向量;
步骤3.4,将特征向量按对应特征值大小按序排列,取前k行组成矩阵Q',该矩阵Q'即为旋转机械的特征参数矩阵。
进一步地,所述对原始振动序列进行去噪处理的具体过程为:利用傅里叶变换将原始振动序列分解为低频和高频信号,利用滤波器滤除高频信号,得到的低频信号经傅里叶逆变换后得到已去噪处理的振动序列。
进一步地,旋转机械的故障类型包括转子不平衡、转子与联轴器不对中、转轴弯曲、油膜涡动及振荡、连接松动、磨碰喘振。
有益效果
本方案通过采用小波包分解方法,使用多个不同的消失矩对振动序列进行分解,每个消失矩对应多个不同的振动子序列;采用主元分析法,针对每个振动子序列进行特征提取,得到旋转机械的特征参数矩阵;这种小波包分解与主元分析法特征提取相结合的方法,使得到的特征参数矩阵的广度和深度;从而以训练样本的该特征参数矩阵和故障类型训练的旋转机械故障诊断分类器,对待检测旋转机械的故障诊断精度更高。
附图说明
图1为本发明混合分解与提取的智能旋转机械故障诊断方法的系统框架图。
具体实施方式
下面结合最佳实施方式与附图对本发明的混合分解与提取的智能旋转机械故障诊断方法进行解释说明,如图1所示,具体包括以下步骤。
步骤1,获取旋转机械的原始振动序列{Xt},对原始振动序列进行去噪处理,得到已去噪处理的振动序列。
原始振动序列{Xt}的去噪处理过程:利用傅里叶变换将原始振动序列分解为低频和高频信号,利用滤波器滤去高频信号,得到的低频信号经傅里叶逆变换后得到已去噪处理的振动序列{Xt′},此时的已去噪处理的振动序列更加平稳。
步骤2,采用消失矩为db5、db7和db9的母小波包函数,分别对已去噪处理的振动序列{Xt′}进行分解操作,已去噪处理的振动序列在采用不同消失矩的母小波包函数分解后分别得到各自若干个振动子序列,由于消失矩不同,因此相应得到的振动子序列的频谱不同。其中,振动子序列的个数为2n,n为小波包分解的层数。
步骤3,采用主元分析法,对每个振动子序列进行特征提取,得到旋转机械的特征参数矩阵,具体过程为:
步骤3.1,所有振动子序列转置组成序列矩阵Q;序列矩阵Q包括全部消失矩分解的全部振动子序列;
步骤3.2,将序列矩阵Q中的每个振动子序列进行零均值化处理;
步骤3.3,求出零均值化处理后的序列矩阵的协方差矩阵,得到协方差矩阵的特征值和对应的特征向量;这里求解协方差矩阵的特征多项式可以得到特征值以及特征向量,其中每一个特征值对应于一个特征向量;
步骤3.4,将特征向量按对应特征值大小按序排列,取前k行组成矩阵Q',该矩阵Q'即为旋转机械的特征参数矩阵。
步骤4,按照步骤1-3对已知故障类型的旋转机械提取特征参数矩阵,作为训练样本;在本实施例中,旋转机械的故障类型包括转子不平衡、转子与联轴器不对中、转轴弯曲、油膜涡动及振荡、连接松动、磨碰喘振等;
以旋转机械的特征参数矩阵训练样本为输入、故障类型为输出,训练支持向量机模型,得到旋转机械故障诊断分类器。
在本实施例中,支持向量机模型的输入层包括1个节点,输出层包括1个节点,选择径向基函数作为核函数,输入为旋转机械的特征参数矩阵Q',输出为旋转机械的故障类型,支持向量机模型的惩罚系数和核函数参数采用狼群-模拟退火混合算法进行优化选择,具体的优化选择过程为:
步骤4.1,以个体狼位置作为支持向量机分类模型的惩罚系数、核函数参数,随机初始化狼群中的每只个体狼并设置狼群参数;
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤4.2,设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
将个体狼位置的对应的支持向量机模型的惩罚系数和核函数参数代入支持向量机模型中,将所有训练样本输入支持向量机模型获得旋转机械故障诊断分类器,旋转机械故障诊断分类器输出的预测故障类型正确的数量占所有训练样本数量的比例为诊断准确率,取诊断准确率作为适应度函数;
步骤4.3,依次对所有个体狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度函数更新狼群,获得更新后的最优头狼位置;
步骤4.4,判断是否到达优化精度要求或最大迭代次数,若没有到达,令t=t+1转至步骤4.5,若到达,转至步骤4.7;
步骤4.5,对本次迭代中的最优头狼个体进行模拟退火操作,在得到的最优头狼位置ai邻域内随机选择新的位置aj并计算两者适应度之差ΔF=F(ai)-F(aj),计算选择概率P=exp(-ΔF/Ti),Ti为当前温度;如果P>random[0,1),则将当前头狼位置由ai替换为aj,并以aj作为下次寻优的开始,否则以ai开始下一次寻优;
步骤4.6,令t2=t2+1,按照进行降温退火,若t2<Lmax,转至步骤4.5,否则,转至步骤4.3;
步骤4.7,输出最优头狼位置对应的支持向量机分类模型所使用的惩罚系数和核函数参数,得到旋转机械故障诊断分类器。
步骤5,通过目标旋转机械系统待检测部位所布置的传感器网络实时采集待检测旋转机械的原始振动序列,按照步骤1-3获取待检测旋转机械的特征参数矩阵;
将待检测旋转机械的特征参数矩阵输入到旋转机械故障诊断分类器,旋转机械故障诊断分类器输出待检测旋转机械的故障类型。
最后将旋转机械故障诊断分类器所输出的待检测旋转机械的故障类型,与旋转机械常见故障进行对比,从而确定具体的机械故障,以进一步安排相应的维护检修工序。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变形或修改。因此,本发明的范围应该被理解和认定为覆盖了所有这些其他变形或修改。
Claims (7)
1.一种混合分解与提取的智能旋转机械故障诊断方法,其特征在于,包括以下步骤:
步骤1,获取旋转机械的原始振动序列,对原始振动序列进行去噪处理,得到已去噪处理的振动序列;
步骤2,采用若干个具有不同消失矩的母小波包函数,对已去噪处理的振动序列进行分解操作;已去噪处理的振动序列在采用不同消失矩的母小波包函数分解后分别得到各自若干个振动子序列;
步骤3,采用主元分析法,对每个振动子序列进行特征提取,得到特征参数矩阵;
步骤4,按照步骤1-3对已知故障类型的旋转机械提取特征参数矩阵,作为训练样本;
以旋转机械的特征参数矩阵训练样本为输入、故障类型为输出,训练支持向量机模型,得到旋转机械故障诊断分类器;
步骤5,实时采集待检测旋转机械的原始振动序列,按照步骤1-3获取待检测旋转机械的特征参数矩阵;
将待检测旋转机械的特征参数矩阵输入到旋转机械故障诊断分类器,旋转机械故障诊断分类器输出待检测旋转机械的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述支持向量机模型的输入层包括1个节点,输出层包括1个节点,核函数为径向基函数,支持向量机模型的惩罚系数和核函数参数采用狼群-模拟退火混合算法进行优化选择。
3.根据权利要求2所述的方法,其特征在于,所述支持向量机模型的惩罚系数和核函数参数采用狼群-模拟退火混合算法进行优化选择的具体过程为:
步骤4.1,以个体狼位置作为支持向量机分类模型的惩罚系数、核函数参数,随机初始化狼群中的每只个体狼并设置狼群参数;
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤4.2,设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
将个体狼位置的对应的SVM模型惩罚系数、核函数参数代入支持向量机模型中,将所有训练样本输入支持向量机模型获得旋转机械故障诊断分类器,旋转机械故障诊断分类器输出的预测故障类型正确的数量占所有训练样本数量的比例为诊断准确率,取诊断准确率作为适应度函数;
步骤4.3,依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度函数更新狼群,获得更新后的最优头狼位置;
步骤4.4,判断是否到达优化精度要求或最大迭代次数,若没有到达,令t=t+1转至步骤4.5,若到达,转至步骤4.7;
步骤4.5,对本次迭代中的最优头狼个体进行模拟退火操作,在得到的头狼位置ai邻域内随机选择新的位置aj并计算两者适应度之差ΔF=F(ai)-F(aj),计算选择概率P=exp(-ΔF/Ti),Ti为当前温度;如果P>random[0,1),则将当前头狼位置由ai替换为aj,并以aj作为下次寻优的开始,否则以ai开始下一次寻优;
步骤4.6,令t2=t2+1,按照进行降温退火,若t2<Lmax,转至步骤4.5,否则,转至步骤4.3;
步骤4.7,输出最优头狼位置对应的支持向量机分类模型所使用的惩罚系数和核函数参数。
4.根据权利要求1所述的方法,其特征在于,步骤2采用的母小波包函数的消失矩分别为:db5、db7和db9。
5.根据权利要求1所述的方法,其特征在于,所述步骤3的具体过程为:
步骤3.1,所有振动子序列转置组成序列矩阵Q;
步骤3.2,将序列矩阵Q中的每个振动子序列进行零均值化处理;
步骤3.3,求出零均值化处理后的序列矩阵的协方差矩阵,得到协方差矩阵的特征值和对应的特征向量;
步骤3.4,将特征向量按对应特征值大小按序排列,取前k行组成矩阵Q',该矩阵Q'即为旋转机械的特征参数矩阵。
6.根据权利要求1所述的方法,其特征在于,所述对原始振动序列进行去噪处理的具体过程为:利用傅里叶变换将原始振动序列分解为低频和高频信号,利用滤波器滤除高频信号,得到的低频信号经傅里叶逆变换后得到已去噪处理的振动序列。
7.根据权利要求1所述的方法,其特征在于,旋转机械的故障类型包括转子不平衡、转子与联轴器不对中、转轴弯曲、油膜涡动及振荡、连接松动、磨碰喘振。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811493246.1A CN109297699A (zh) | 2018-12-07 | 2018-12-07 | 一种混合分解与提取的智能旋转机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811493246.1A CN109297699A (zh) | 2018-12-07 | 2018-12-07 | 一种混合分解与提取的智能旋转机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109297699A true CN109297699A (zh) | 2019-02-01 |
Family
ID=65142767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811493246.1A Pending CN109297699A (zh) | 2018-12-07 | 2018-12-07 | 一种混合分解与提取的智能旋转机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109297699A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826600A (zh) * | 2019-10-18 | 2020-02-21 | 北京航空航天大学 | 基于自适应共振网络在线增量学习的发动机喘振预测方法 |
CN110824293A (zh) * | 2019-10-15 | 2020-02-21 | 淮阴工学院 | 一种基于狼群算法的多特征融合参数的电网故障诊断方法 |
CN111220312A (zh) * | 2020-02-28 | 2020-06-02 | 中国铁道科学研究院集团有限公司 | 一种螺栓状态的诊断方法及系统 |
CN111238807A (zh) * | 2020-01-17 | 2020-06-05 | 福州大学 | 一种行星齿轮箱故障诊断方法 |
CN111717800A (zh) * | 2020-06-30 | 2020-09-29 | 三一汽车起重机械有限公司 | 起重机的回转机构故障监测方法和装置 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
CN114034476A (zh) * | 2021-11-17 | 2022-02-11 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
CN115017121A (zh) * | 2022-08-05 | 2022-09-06 | 山东天意机械股份有限公司 | 一种混凝土生产设备数据存储系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105258940A (zh) * | 2015-11-30 | 2016-01-20 | 上海无线电设备研究所 | 机械故障定量提取的标准化多小波与多小波包变换方法 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN108760327A (zh) * | 2018-08-02 | 2018-11-06 | 南昌航空大学 | 一种航空发动机转子故障的诊断方法 |
-
2018
- 2018-12-07 CN CN201811493246.1A patent/CN109297699A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105258940A (zh) * | 2015-11-30 | 2016-01-20 | 上海无线电设备研究所 | 机械故障定量提取的标准化多小波与多小波包变换方法 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN108760327A (zh) * | 2018-08-02 | 2018-11-06 | 南昌航空大学 | 一种航空发动机转子故障的诊断方法 |
Non-Patent Citations (1)
Title |
---|
杜振宁 等: ""基于小波包分解和PCA的轴承故障诊断"", 《控制工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824293A (zh) * | 2019-10-15 | 2020-02-21 | 淮阴工学院 | 一种基于狼群算法的多特征融合参数的电网故障诊断方法 |
CN110826600A (zh) * | 2019-10-18 | 2020-02-21 | 北京航空航天大学 | 基于自适应共振网络在线增量学习的发动机喘振预测方法 |
CN111238807A (zh) * | 2020-01-17 | 2020-06-05 | 福州大学 | 一种行星齿轮箱故障诊断方法 |
CN111220312A (zh) * | 2020-02-28 | 2020-06-02 | 中国铁道科学研究院集团有限公司 | 一种螺栓状态的诊断方法及系统 |
CN111717800A (zh) * | 2020-06-30 | 2020-09-29 | 三一汽车起重机械有限公司 | 起重机的回转机构故障监测方法和装置 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
CN114034476A (zh) * | 2021-11-17 | 2022-02-11 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
CN114034476B (zh) * | 2021-11-17 | 2022-06-14 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
CN115017121A (zh) * | 2022-08-05 | 2022-09-06 | 山东天意机械股份有限公司 | 一种混凝土生产设备数据存储系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109297699A (zh) | 一种混合分解与提取的智能旋转机械故障诊断方法 | |
CN107560851B (zh) | 滚动轴承微弱故障特征早期提取方法 | |
CN110470475B (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN106338406B (zh) | 列车牵引电传动系统的在线监测与故障预警系统及方法 | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
CN113537328B (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
CN105425150B (zh) | 一种基于rbf和pca-svdd的电机故障诊断方法 | |
CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
Huang et al. | A Fault Diagnosis Approach for Rolling Bearing Based on Wavelet Packet Decomposition and GMM-HMM. | |
CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 | |
CN104614166A (zh) | 一种飞机发动机转子振动信号故障状态识别的方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
CN114565006A (zh) | 一种基于深度学习的风力发电机叶片损伤检测方法及系统 | |
CN106339720B (zh) | 一种汽车发动机的失效检测方法 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
CN117562311A (zh) | 一种高性能电子烟雾化器的检测系统 | |
Zhao et al. | Hybrid pre-training strategy for deep denoising neural networks and its application in machine fault diagnosis | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 |
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 |
Application publication date: 20190201 |
|
RJ01 | Rejection of invention patent application after publication |