CN109489977A - 基于KNN-AdaBoost的轴承故障诊断方法 - Google Patents
基于KNN-AdaBoost的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN109489977A CN109489977A CN201811622381.1A CN201811622381A CN109489977A CN 109489977 A CN109489977 A CN 109489977A CN 201811622381 A CN201811622381 A CN 201811622381A CN 109489977 A CN109489977 A CN 109489977A
- Authority
- CN
- China
- Prior art keywords
- knn
- signal
- classifier
- bearing fault
- adaboost
- 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.)
- Granted
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于KNN‑AdaBoost的轴承故障诊断方法,具体按照变分模态分解算法将振动信号均进行预处理成为确定中心频率和带宽的模态分量,分别选取每组振动信号中的峭度最大的模态分量,计算得到多组轴承故障特征向量;训练得到多个KNN分类器;根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器;使用AdaBoost强分类器对采集到的轴承振动信号按步骤进行分类。本发明基于KNN‑AdaBoost的轴承故障诊断方法,能够依据大量的实时轴承监测数据进行故障分类,有助于快速识别轴承的故障类型。
Description
技术领域
本发明采煤机故障检测技术领域,涉及一种基于KNN-AdaBoost的轴承故障诊断方法。
背景技术
采煤机是一个集机械、电气、液压为一体的大型复杂系统,随着煤炭工业的发展,采煤机的功能越来越多,其自身的结构也越来越复杂。轴承作为一种采煤机标准化的传动零部件,其运行状态也越来越影响到采煤机的工作效率及寿命。相关统计表明,采煤机的所有故障中约有30%由轴承引起。长期以来,机械设备维修人员采用定期抽查维护的方式发现并及时排除轴承的故障,但仍对突发性事故措手不及,容易造成严重损失,且定期抽查维护会造成很大程度的资源浪费及生产停滞,同时也存在一定的盲目性。因此在轴承故障的早期阶段,能够根据提取到的轴承振动信号,及时有效地识别出故障类型,对企业保证设备运行效率和减少经济损失具有积极意义。但是目前并没有能够将轴承故障精确诊断的方法。
发明内容
本发明的目的是提供一种基于KNN-AdaBoost的轴承故障诊断方法,能够依据大量的实时轴承监测数据进行故障分类,有助于快速识别轴承的故障类型。
本发明所采用的技术方案是,基于KNN-AdaBoost的轴承故障诊断方法,具体按照下述步骤进行:
步骤1,获取采煤机轴承不同状态下的多段振动信号,并将每段振动信号中的所有振动信号作为一组振动信号;
步骤2,将每组振动信号中的每个振动信号均进行预处理成为确定中心频率和带宽的模态分量,得到多组确定中心频率和带宽的模态分量;
步骤3,分别选取每组振动信号中的峭度最大的模态分量,在时域和频域的统计分析下得到做多组轴承故障特征向量;
步骤4,使用多组轴承故障特征向量训练得到多个KNN分类器;
步骤5,根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器;
步骤6,使用AdaBoost强分类器对采集到的轴承振动信号进行分类。
本发明的特点还在于:
步骤2中按照下述步骤将每个振动信号预处理成为确定中心频率和带宽的模态分量:
步骤2.1,建立每个振动信号的约束变分模型,具体按照下述步骤进行:
步骤2.1.1,将每个振动信号分解为多个模态函数,将每个模态函数均进行希尔伯特变换,得到每个模态函数的解析信号:
式中,δ(t)为脉冲信号,j为虚数单位,t为时间,uk(t)为模态函数;
步骤2.1.2,调制各个模态函数的频谱到其相应的基频带,得到调制信号:
式中,ωk为第k个模态函数的瞬时频率;
步骤2.1.3,解调信号梯度的平方范数,估计出各模态函数的带宽,得到约束变分模型:
式中,为函数z'k(t)关于时间t的偏导数,k为模态函数的个数;
步骤2.2,解约束变分模型,得到确定中心频率和带宽的模态分量,具体按照下述步骤进行:
步骤2.2.1,引入增广拉格朗日函数L,通过二次惩罚因子α和Lagrange乘法算子λ(t)来求取约束变分模型的最优解,二次惩罚因子α保证信号在高斯噪声下重构的精度,Lagrange乘法算子λ(t)加强约束:
式中,f(t)为输入信号;
步骤2.2.2,通过交替更新寻求变分模型最优解:
步骤2.2.3,更新Lagrange乘法算子λ(t):
步骤2.3.4,迭代更新,直至收敛满足限制条件,得到确定中心频率和带宽的模态分量:
步骤3中的轴承故障特征向量包括均方根值、峭度值、偏度值,均值频率、频率散度、样本熵和排列熵;
均方根值根据下式计算得到:
式中,x为原始信号,N为样本个数;
峭度值根据下式计算得到:
式中,σx为信号的标准差;
偏度值根据下式计算得到:
均值频率根据下式计算得到:
式中,s(k)为原始信号通过傅里叶变换得到的频域信号;
频率散度根据下式计算得到:
式中,Fm为信号频率均值,fk为信号频率;
样本熵根据下式计算得到:
式中,Am(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数,Bm(r)为m维向量中小于等于阈值r的子序列个数;
排列熵根据下式计算得到:
式中,Pj为原始信号中每种元素排列出现的概率。
步骤4中使用多组轴承故障特征向量训练得到多个KNN分类器具体按照下述步骤进行:
步骤4.1,将多组轴承故障特征向量进行分类,随机取70%的轴承故障特征向量组作为训练组,剩余30%的轴承故障特征向量组作为测试组;
步骤4.2,将训练组输入邻近距离分类器进行训练,得到初始故障诊断模型;
步骤4.3,将测试组输入值至初始故障诊断模型中,判断初始故障诊断模型的准确率,若初始故障诊断模型的准确率不小于设定值,则将初始故障诊断模型作为KNN分类器,若小于设定值,则重复步骤4.2-4.3至初始故障诊断模型的准确率不小于设定值,将初始故障诊断模型作为KNN分类器;
步骤4.4,重复步骤4.1-4.3多次,得到多个KNN分类器。
步骤5根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器具体按照下述步骤进行:
步骤5.1,将多组轴承故障特征向量进行分类,随机取70%的轴承故障特征向量组作为训练组,剩余30%的轴承故障特征向量组作为测试组;
步骤5.2,将训练组和多个KNN分类器输入AdaBoost分类器中;
步骤5.3,初始化每个KNN分类器的权重,给每个KNN分类器赋予相同的权值;
步骤5.4,将训练组输入每个KNN分类器中,计算每个KNN分类器的误差:
式中,ωmk表示在第m次迭代时第k个KNN分类器的权值,Gk(xi)表示KNN分类器k对xi的分类结果,yi表示样本i的真实标签;I(Gk(xi)≠yi)是一个指标函数;
步骤5.5,计算每个KNN分类器的权值:
步骤5.6,更新每个KNN分类器的权值,判断当前迭代次数是否满足当前迭代次数小于设定迭代次数,若满足,则重复步骤5.4-5.6,至当前得带次数不小于设定迭代次数;若不满足则将多个KNN分类器则组合为AdaBoost强分类器:
本发明的有益效果是:
本发明基于KNN-AdaBoost的轴承故障诊断方法,能够依据大量的实时轴承监测数据进行故障分类,有助于快速识别轴承的故障类型。
本发明基于KNN-AdaBoost的轴承故障诊断方法,数据来源于轴承在线实时监测到的机械振动数据信号,避免了传统故障诊断的盲目性和资源浪费。
附图说明
图1是本发明基于KNN-AdaBoost的轴承故障诊断方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
基于KNN-AdaBoost的轴承故障诊断方法,具体按照下述步骤进行:
步骤1,获取采煤机轴承不同状态下的多段振动信号,并将每段振动信号中的所有振动信号作为一组振动信号;
步骤2,将每组振动信号中的每个振动信号均进行预处理成为确定中心频率和带宽的模态分量,得到多组确定中心频率和带宽的模态分量;
步骤2中按照下述步骤将每个振动信号预处理成为确定中心频率和带宽的模态分量:
步骤2.1,建立每个振动信号的约束变分模型,具体按照下述步骤进行:
步骤2.1.1振动信号分解为多个模态函数,将每个模态函数均进行希尔伯特变换,得到每个模态函数的解析信号:
式中,δ(t)为脉冲信号,j为虚数单位,t为时间,uk(t)为模态函数;
步骤2.1.2,调制各模态函数的频谱到其相应的基频带,得到调制信号:
式中,ωk为第k个模态函数的瞬时频率;
步骤2.1.3解调信号梯度的平方范数,估计出各模态函数的带宽,得到约束变分模型:
式中,为函数z'k(t)关于时间t的偏导数,k为模态函数个数;
步骤2.2解约束变分模型,得到确定中心频率和带宽的模态分量,具体按照下述步骤进行:
步骤2.2.1,引入增广拉格朗日函数L,通过二次惩罚因子α和Lagrange乘法算子λ(t)来求取约束变分模型的最优解,二次惩罚因子α保证信号在高斯噪声下重构的精度,Lagrange乘法算子λ(t)加强约束:
式中,f(t)为输入信号;
步骤2.2.2,通过交替更新寻求变分模型最优解:
步骤2.2.3,更新Lagrange乘法算子λ(t):
步骤2.3.4,迭代更新,直至收敛满足限制条件,得到确定中心频率和带宽的模态分量:
步骤3,分别选取每组振动信号中的峭度最大的模态分量,在时域和频域的统计分析下得到做多组轴承故障特征向量;
轴承故障特征向量包括均方根值、峭度值、偏度值,均值频率、频率散度、样本熵和排列熵;
均方根值根据下式计算得到:
式中,x为原始信号,N为样本个数;
峭度值根据下式计算得到:
式中,σx为信号的标准差;
偏度值根据下式计算得到:
均值频率根据下式计算得到:
式中,s(k)为原始信号通过傅里叶变换得到的频域信号;
频率散度根据下式计算得到:
式中,Fm为信号频率均值,fk为信号频率;
样本熵根据下式计算得到:
式中,Am(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数,Bm(r)为m维向量中小于等于阈值r的子序列个数;
排列熵根据下式计算得到:
式中,Pj为原始信号中每种元素排列出现的概率。
步骤4,使用多组轴承故障特征向量训练得到多个KNN分类器,具体按照下述步骤进行:
步骤4.1,将多组轴承故障特征向量进行分类,随机取70%的轴承故障特征向量组作为训练组,剩余30%的轴承故障特征向量组作为测试组;
步骤4.2,将训练组输入邻近距离分类器进行训练,得到初始故障诊断模型;
步骤4.3,将测试组输入值至初始故障诊断模型中,判断初始故障诊断模型的准确率,若初始故障诊断模型的准确率不小于设定值,则将初始故障诊断模型作为KNN分类器,若小于设定值,则重复步骤4.2-4.3至初始故障诊断模型的准确率不小于设定值,将初始故障诊断模型作为KNN分类器;
步骤4.4,重复步骤4.1-4.3多次,得到多个KNN分类器。
步骤5,根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器,具体按照下述步骤进行:
步骤5.1,将多组轴承故障特征向量进行分类,随机取70%的轴承故障特征向量组作为训练组,剩余30%的轴承故障特征向量组作为测试组;
步骤5.2,将训练组和多个KNN分类器输入值AdaBoost分类器中;
步骤5.3,初始化每个KNN分类器的权重,给每个KNN分类器赋予相同的权值;
步骤5.4,将训练组输入每个KNN分类器中,计算每个KNN分类器的误差:
式中,ωmk表示在第m次迭代时第k个KNN分类器的权值,Gk(xi)表示KNN分类器k对xi的分类结果,yi表示样本i的真实标签;I(Gk(xi)≠yi)是一个指标函数;
步骤5.5,计算每个KNN分类器的权值:
步骤5.6,更新每个KNN分类器的权值,判断当前迭代次数是否满足当前迭代次数小于设定迭代次数,若满足,则重复步骤5.4-5.6,至当前得带次数不小于设定迭代次数;若不满足则将多个KNN分类器则组合为AdaBoost强分类器:
步骤6,使用AdaBoost强分类器对采集到的轴承振动信号进行分类。
本发明步骤3中选取峭度最大的模态分量,能够剔除原始信号中大量的无关信息,增强信号的有效性。
本发明基于KNN-AdaBoost的轴承故障诊断方法,基于VMD分解技术提取出的轴承故障特征数据,经过AdaBoost算法进行模式分类的基础上,用KNN算法替换原始基分类器,在此基础上建立基于KNN-AdaBoost的采煤机轴承故障诊断模型,能够进一步提高采煤机轴承的故障诊断准确率,同时具有重要的实际应用和理论研究价值。
Claims (5)
1.基于KNN-AdaBoost的轴承故障诊断方法,其特征在于,具体按照下述步骤进行:
步骤1,获取采煤机轴承不同状态下的多段振动信号,并将每段振动信号中的所有振动信号作为一组振动信号;
步骤2,将每组振动信号中的每个振动信号均进行预处理成为确定中心频率和带宽的模态分量,得到多组确定中心频率和带宽的模态分量;
步骤3,分别选取每组振动信号中的峭度最大的模态分量,在时域和频域的统计分析下得到做多组轴承故障特征向量;
步骤4,使用多组轴承故障特征向量训练得到多个KNN分类器;
步骤5,根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器;
步骤6,使用所述AdaBoost强分类器对采集到的轴承振动信号进行分类。
2.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法,其特征在于,所述步骤2中按照下述步骤将每个振动信号预处理成为确定中心频率和带宽的模态分量:
步骤2.1,建立每个振动信号的约束变分模型,具体按照下述步骤进行:
步骤2.1.1,将每个振动信号分解为多个模态函数,将每个模态函数均进行希尔伯特变换,得到每个模态函数的解析信号:
式中,δ(t)为脉冲信号,j为虚数单位,t为时间,uk(t)为模态函数;
步骤2.1.2,调制各个模态函数的频谱到其相应的基频带,得到调制信号:
式中,ωk为第k个模态函数的瞬时频率;
步骤2.1.3解调信号梯度的平方范数,估计出各模态函数的带宽,得到约束变分模型:
式中,为函数关于时间t的偏导数,k为模态函数的个数;
步骤2.2解约束变分模型,得到确定中心频率和带宽的模态分量,具体按照下述步骤进行:
步骤2.2.1,引入增广拉格朗日函数L,通过二次惩罚因子α和Lagrange乘法算子λ(t)来求取约束变分模型的最优解,二次惩罚因子α保证信号在高斯噪声下重构的精度,Lagrange乘法算子λ(t)加强约束:
式中,f(t)为输入信号;
步骤2.2.2,通过交替更新寻求变分模型最优解:
步骤2.2.3,更新Lagrange乘法算子λ(t):
步骤2.3.4,迭代更新,直至收敛满足限制条件,得到确定中心频率和带宽的模态分量:
3.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法,其特征在于,所述步骤3中的轴承故障特征向量包括均方根值、峭度值、偏度值,均值频率、频率散度、样本熵和排列熵;
所述均方根值根据下式计算得到:
式中,x为原始信号,N为样本个数;
所述峭度值根据下式计算得到:
式中,σx为信号的标准差;
所述偏度值根据下式计算得到:
所述均值频率根据下式计算得到:
式中,s(k)为原始信号通过傅里叶变换得到的频域信号;
所述频率散度根据下式计算得到:
式中,Fm为信号频率均值,fk为信号频率;
所述样本熵根据下式计算得到:
式中,Am(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数,Bm(r)为m维向量中小于等于阈值r的子序列个数;
所述排列熵根据下式计算得到:
式中,Pj为原始信号中每种元素排列出现的概率。
4.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法,其特征在于,步骤4中使用多组轴承故障特征向量训练得到多个KNN分类器具体按照下述步骤进行:
步骤4.1,将多组轴承故障特征向量进行分类,随机取70%的轴承故障特征向量组作为训练组,剩余30%的轴承故障特征向量组作为测试组;
步骤4.2,将所述训练组输入邻近距离分类器进行训练,得到初始故障诊断模型;
步骤4.3,将所述测试组输入值至初始故障诊断模型中,判断初始故障诊断模型的准确率,若初始故障诊断模型的准确率不小于设定值,则将初始故障诊断模型作为KNN分类器,若小于设定值,则重复步骤4.2-4.3至初始故障诊断模型的准确率不小于设定值,将初始故障诊断模型作为KNN分类器;
步骤4.4,重复步骤4.1-4.3多次,得到多个KNN分类器。
5.根据权利要求1所述的基于KNN-AdaBoost的轴承故障诊断方法,其特征在于,步骤5根据多组轴承故障特征向量和多个KNN分类器训练得到AdaBoost强分类器具体按照下述步骤进行:
步骤5.1,将多组轴承故障特征向量进行分类,随机取70%的轴承故障特征向量组作为训练组,剩余30%的轴承故障特征向量组作为测试组;
步骤5.2,将所述训练组和多个KNN分类器输入AdaBoost分类器中;
步骤5.3,初始化每个KNN分类器的权重,给每个KNN分类器赋予相同的权值;
步骤5.4,将训练组输入每个KNN分类器中,计算每个KNN分类器的误差:
式中,ωmk表示在第m次迭代时第k个KNN分类器的权值,Gk(xi)表示KNN分类器k对xi的分类结果,yi表示样本i的真实标签;I(Gk(xi)≠yi)是一个指标函数;
步骤5.5,计算每个KNN分类器的权值:
步骤5.6,更新每个KNN分类器的权值,判断当前迭代次数是否满足当前迭代次数小于设定迭代次数,若满足,则重复步骤5.4-5.6,至当前得带次数不小于设定迭代次数;若不满足则将多个KNN分类器则组合为AdaBoost强分类器:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811622381.1A CN109489977B (zh) | 2018-12-28 | 2018-12-28 | 基于KNN-AdaBoost的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811622381.1A CN109489977B (zh) | 2018-12-28 | 2018-12-28 | 基于KNN-AdaBoost的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109489977A true CN109489977A (zh) | 2019-03-19 |
CN109489977B CN109489977B (zh) | 2021-03-05 |
Family
ID=65712984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811622381.1A Expired - Fee Related CN109489977B (zh) | 2018-12-28 | 2018-12-28 | 基于KNN-AdaBoost的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109489977B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160781A (zh) * | 2019-06-18 | 2019-08-23 | 广东石油化工学院 | 一种旋转机械故障分类的测试集重构和预测方法 |
CN110307981A (zh) * | 2019-06-17 | 2019-10-08 | 西安工程大学 | 基于pnn-ifa的轴承故障诊断方法 |
CN111898447A (zh) * | 2020-06-30 | 2020-11-06 | 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 |
CN112153000A (zh) * | 2020-08-21 | 2020-12-29 | 杭州安恒信息技术股份有限公司 | 网络流量异常的检测方法、装置、电子装置和存储介质 |
WO2020258913A1 (zh) * | 2019-06-24 | 2020-12-30 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
CN112255492A (zh) * | 2020-09-07 | 2021-01-22 | 西安理工大学 | 一种强噪声背景下的配电网单相接地高阻故障识别方法 |
CN112748362A (zh) * | 2020-12-22 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 |
CN112880726A (zh) * | 2020-12-31 | 2021-06-01 | 北京航天试验技术研究所 | 基于变分模态分解样本熵的传感器故障诊断方法和装置 |
NL2028323B1 (en) * | 2021-02-03 | 2022-04-05 | Sichuan Univ Of Science And Engineering | Method for detecting internal defects of magnetic tile based on improved variational mode decomposition |
CN118484647A (zh) * | 2024-07-08 | 2024-08-13 | 北京理工大学长三角研究院(嘉兴) | 一种基于vmd-hmm的电连接器间歇故障诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589806A (zh) * | 2015-12-17 | 2016-05-18 | 北京航空航天大学 | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106056165A (zh) * | 2016-06-28 | 2016-10-26 | 大连理工大学 | 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法 |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN107202950A (zh) * | 2017-05-12 | 2017-09-26 | 南京邮电大学 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
US20180005463A1 (en) * | 2016-06-30 | 2018-01-04 | Massachusetts lnstitute of Technology | System, Device, and Method for Feature Generation, Selection, and Classification for Audio Detection of Anomalous Engine Operation |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
US20180321667A1 (en) * | 2016-05-09 | 2018-11-08 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
CN109000921A (zh) * | 2017-06-07 | 2018-12-14 | 中国大唐集团科技工程有限公司 | 一种风电机组主轴故障的诊断方法 |
US20180361514A1 (en) * | 2017-06-20 | 2018-12-20 | Lincoln Global, Inc. | Machine learning for weldment classification and correlation |
-
2018
- 2018-12-28 CN CN201811622381.1A patent/CN109489977B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589806A (zh) * | 2015-12-17 | 2016-05-18 | 北京航空航天大学 | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 |
US20180321667A1 (en) * | 2016-05-09 | 2018-11-08 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106056165A (zh) * | 2016-06-28 | 2016-10-26 | 大连理工大学 | 一种基于超像素关联性增强Adaboost分类学习的显著性检测方法 |
US20180005463A1 (en) * | 2016-06-30 | 2018-01-04 | Massachusetts lnstitute of Technology | System, Device, and Method for Feature Generation, Selection, and Classification for Audio Detection of Anomalous Engine Operation |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN107202950A (zh) * | 2017-05-12 | 2017-09-26 | 南京邮电大学 | 基于lmd近似熵和svm的模拟电路故障诊断方法 |
CN109000921A (zh) * | 2017-06-07 | 2018-12-14 | 中国大唐集团科技工程有限公司 | 一种风电机组主轴故障的诊断方法 |
US20180361514A1 (en) * | 2017-06-20 | 2018-12-20 | Lincoln Global, Inc. | Machine learning for weldment classification and correlation |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
Non-Patent Citations (5)
Title |
---|
HAIXIANG G、YIJING L、YANAN L ET AL: "BPSO-Adaboost-KNN ensemble learning algorithm for multi-class imbalanced data classification", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 * |
冯帅: "基于SVM-AdaBoost算法的轨道交通列车滚动轴承故障诊断", 《城市公共交通》 * |
宓超 等编著: "《装卸机器视觉及其应用》", 31 January 2016, 上海科学技术出版社 * |
魏雪倩 等: "基于AdaBoost多分类算法变压器故障诊断", 《西安工程大学学报》 * |
黄海安: "复杂工况下行星齿轮箱故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110307981A (zh) * | 2019-06-17 | 2019-10-08 | 西安工程大学 | 基于pnn-ifa的轴承故障诊断方法 |
CN110160781A (zh) * | 2019-06-18 | 2019-08-23 | 广东石油化工学院 | 一种旋转机械故障分类的测试集重构和预测方法 |
WO2020258913A1 (zh) * | 2019-06-24 | 2020-12-30 | 华为技术有限公司 | 一种训练分类模型的方法及装置 |
CN111898447A (zh) * | 2020-06-30 | 2020-11-06 | 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 |
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 |
CN112153000A (zh) * | 2020-08-21 | 2020-12-29 | 杭州安恒信息技术股份有限公司 | 网络流量异常的检测方法、装置、电子装置和存储介质 |
CN112255492A (zh) * | 2020-09-07 | 2021-01-22 | 西安理工大学 | 一种强噪声背景下的配电网单相接地高阻故障识别方法 |
CN112255492B (zh) * | 2020-09-07 | 2023-10-24 | 西安理工大学 | 一种强噪声背景下的配电网单相接地高阻故障识别方法 |
CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
CN112748362A (zh) * | 2020-12-22 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 |
CN112748362B (zh) * | 2020-12-22 | 2022-04-26 | 国网河南省电力公司电力科学研究院 | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 |
CN112880726A (zh) * | 2020-12-31 | 2021-06-01 | 北京航天试验技术研究所 | 基于变分模态分解样本熵的传感器故障诊断方法和装置 |
NL2028323B1 (en) * | 2021-02-03 | 2022-04-05 | Sichuan Univ Of Science And Engineering | Method for detecting internal defects of magnetic tile based on improved variational mode decomposition |
CN118484647A (zh) * | 2024-07-08 | 2024-08-13 | 北京理工大学长三角研究院(嘉兴) | 一种基于vmd-hmm的电连接器间歇故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109489977B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489977A (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
US10699040B2 (en) | System and method for remaining useful life determination | |
CN110500217B (zh) | 基于可测数据特征的柴油机共轨系统油泵故障检测方法 | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN108229538B (zh) | 交通工具系统预测装置和方法 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
EP2978095A1 (en) | Power system operation | |
CN101272580B (zh) | 一种基于反馈的自适应移动基站系统可靠性评估方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN109211546A (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN110414152A (zh) | 民机试飞振动故障预测模型和预测系统 | |
CN105701013A (zh) | 基于互信息的软件缺陷数据特征选择方法 | |
CN109145319A (zh) | 基于深度神经网络的关键设备切削刀具剩余寿命预测方法 | |
CN107490758B (zh) | 基于故障传播的模块化bp神经网络电路故障诊断方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN105203327B (zh) | 一种应用于发动机气路分析的气路测量参数选择方法 | |
Kaur et al. | An empirical approach for software fault prediction | |
CN108377508B (zh) | 基于测量报告数据的用户感知分类方法和装置 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN109190304B (zh) | 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210305 Termination date: 20211228 |