CN109520611B - 一种地震模拟振动台工况的监测方法 - Google Patents

一种地震模拟振动台工况的监测方法 Download PDF

Info

Publication number
CN109520611B
CN109520611B CN201811326133.2A CN201811326133A CN109520611B CN 109520611 B CN109520611 B CN 109520611B CN 201811326133 A CN201811326133 A CN 201811326133A CN 109520611 B CN109520611 B CN 109520611B
Authority
CN
China
Prior art keywords
working condition
signal
signals
earthquake simulation
working
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
CN201811326133.2A
Other languages
English (en)
Other versions
CN109520611A (zh
Inventor
梅艳
任燕
季献铖
朱孜轶
李燕妮
王钦旭
郑巧玲
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN201811326133.2A priority Critical patent/CN109520611B/zh
Publication of CN109520611A publication Critical patent/CN109520611A/zh
Application granted granted Critical
Publication of CN109520611B publication Critical patent/CN109520611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • G06F2218/06Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种地震模拟振动台工况的监测方法。首先通过传感器采集地震模拟振动台各类工况信号并保存至PC端做信号处理;其次利用高通滤波除去非工作频率段的低频干扰,完整地保留信号的有用成分,用于循环神经网络学习识别实际的地震模拟振动台的实际工况信号,以此来驱动EMD算法内部的筛分门系数ε以及IMF层数的确定,最终得到地震模拟振动台工况信号消噪和状态监测效果。本发明方法一方面利用高通滤波滤去低频干扰,使明显低于工作频率之下的干扰信号除去,从而减小频谱干扰;另一方面,利用循环神经网络对地震模拟振动台工况信号的主动学习识别真实工作信号,以此来驱动EMD内部的阈值从而对信号消噪获得最终的地震模拟振动台工况的监测信号。

Description

一种地震模拟振动台工况的监测方法
技术领域
本发明涉及机械设备状态监测领域,尤其涉及一种利用高通滤波循环神经网络增强的EMD消噪对地震模拟振动台工况进行监测的方法。
背景技术
早期的抗震试验最初是采用野外原型试验,将强震观测仪器设置在房屋等结构物上,等待地震的到来,测量房屋的动力特性,但是由于强震较少,所以试验周期长,满足不了抗震研究的要求。后来又采用大型起振机等方式在原型结构物上进行振动来获得数据,但是起振机的振动和地震振动还是有很大的差别。也有学者提出直接利用计算分析方法进行研究,但是由于结构的非线性数学模型很难给出而没有推行。最后提出在试验室内建造地震模拟振动台,将在现场的试验搬到试验室来做,可以获得所需的大量数据,并且取得数据的周期可以大大缩短。
地震模拟振动台始建于60年代末,首先是美国加州大学Berkeley分校建成了6.1m*6.1m的水平和垂直两向振动台,随后日本国立防灾科学技术中心建成了世界上最大的15m*15m水平或垂直单独工作的振动台,还大力发展了3向6自由度振动台。到日前为止,据有关资料的不完全统计,国际上己经建成了近百座振动台,主要分布在日本、中国和美国三个国家。所以在多地震国家里,振动台技术的应用,标志着一个国家的工业发展水平。
国内的相关研究始于20世纪70年代中期,20世纪80年代以来发展迅速,除自行研制了一批振动台外,还引进了许多国外振动台,来满足抗震研究的需要。中国建筑科学研究院研制了3m*3m单水平向振动台,甘肃天水红山试验机厂、国家地震局和机电部抗震研究室联合研制了3m*3m双激振器单水平向振动台,井与1988年在哈尔滨建成了5m*5m双水平向地震模拟振动台。但是国内现有的地震模拟振动台使用的电液伺服阀控制器太昂贵,为了降低成本,采用并联阀组的方式代替改伺服阀。在利用并联阀组产生高频振动模拟地震波的同时,我们还需要对此地震模拟振动台进行实时监测以保证其模拟地震波的效果。
然而,地震模拟振动台的工况信号极为复杂,极易被各种强背景噪声所掩盖。另外,地震模拟振动台的工况信号通常是一种具有冲击特征的周期信号,具有非高斯性和较宽的频带。要想从强背景噪声下准确地提取出真实工况信息,采用传统的消噪方法具有一定困难。而现代信号处理方法在机械设备状态监测领域迫切需要解决的问题之一就是可靠的地震模拟振动台的工况信息提取方法。。
发明内容
本发明要解决的技术问题是提供一种利用EMD消噪的具有可靠的消噪能力和快速识别能力的地震模拟振动台工况的消噪的监测方法。
为解决上述技术问题,本发明是通过以下技术方案实现的:一种地震模拟振动台工况的监测方法,包括以下步骤:
步骤1,获取地震模拟振动台的正常工况信号样本,理论工况信号表达式为:
y(n)=x(n)+s(n)
式(1)中y(n)为理论工况信号,x(n)为理论工作信号,s(n)为随机噪声;
步骤2,选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理,将滤波器的H(s)采取双线性映射法至H(z);
步骤3,将滤波后的正常工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪,选取以下统计特征:
(1)、标准差:
Figure BDA0001858806550000031
(2)、波形率:
Figure BDA0001858806550000032
(3)、不规则度:
Figure BDA0001858806550000033
(4)、功率谱均方根:
Figure BDA0001858806550000034
其中,
Figure BDA0001858806550000041
为第i次采集的时域信号xi(n)的均值,si(k)为第i次采集的时域信号对应的频谱,N为数据点的个数,
Figure BDA0001858806550000042
为时域信号xi(n)均方根值,K为谱线的个数,ui(k)为功率谱函数;
步骤4,将训练样本特征参数空间S划分成三个子空间Pi(i=1,2,3),即,P1由振动信号时域特征参数构成,P2由量纲特征参数构成,P3由频域特征参数构成;针对各特征子空间Si,利用循环神经网络,构造对应的子神经网络分类器Ci(i=1,2,3);
步骤5,设置工况信号样本为强噪声状态和无噪声状态,输入真实工作状态和理论工作信号,学习真实工作信号;
步骤6,进行EMD处理;找到待处理信号所有极值点,通过样条函数拟合出信号极大值包络线e+(t)和极小值包络线e-(t),将其平均值作为原信号均值包络,即
Figure BDA0001858806550000043
将原信号序列减去m1(t)得到一个新信号:
Figure BDA0001858806550000044
在实际情况中,上下包络的均值无法为零,通常当满足下面的式子时,就认为包络的均值IFM为零的条件:
Figure BDA0001858806550000045
其中ε为筛分门,取值在0.2-0.3之间,取步长为0.01,将循环神经网络的学习结果导入至EMD算法中,以驱动其选择最优筛分门ε值,IFM层值作为最终消噪结果,得到地震模拟振动台工况信号消噪和状态监测效果。
通过采用上述方案,高通滤波对低于某一给定频率以下的频率成分有衰减作用,而允许这个截频以上的频率成分通过,并且没有相位移的滤波过程。循环神经网络是一种既有前馈通路,又有反馈通路的神经元网络,其中反馈通路可将某一些神经元的输出经过一个或几个时间节拍之后送到其它神经元或自身,是人工神经网络的一种,主要用途是处理和预测序列数据。通循环神经网络在机械设备中的应用,一般是直接对机械设备各个运行状态的数据进行学习分类,特别是对于强噪声背景下状态特征不明显,故障机理不明确的机械状态监测上取得了良好的效果。但是其有一不可避免的问题,需要巨大的样本量:其一,在确定每个具体故障的数据得多,这样才能有分类准确性;其二,这些小类得分的细或者说得考虑到各种各样的运行状态,一台设备可能会有上千种故障问题或是单一的或是耦合的,实验室模拟故障很难面面俱到,以至于工程浩大。经验模态分解(简称EMD)方法,能使复杂信号分解为有限个本征模函数(简称IMF),所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号,有一定的自适应能力,但是由于算法本身筛分门系数与IMF层数的可变性,导致了该方法实际运行时间长,信号分解效果有一定随机性。
本方法克服EMD分解效果具有一定随机性以及运行时间较长的缺点,利用高通滤波和循环神经网络增强的EMD消噪对于地震模拟振动台工况的监测方法。
通过上述方法,一方面利用高通滤波滤去低频干扰,使明显低于工作频率之下的干扰信号除去,从而减小频谱干扰;另一方面,利用循环神经网络对地震模拟振动台工况信号的主动学习识别真实工作信号,以此来驱动EMD内部的阀值从而对信号消噪获得最终的地震模拟振动台工况的监测信号。本发明的有益效果是利用高通滤波去除理论已知的非工作频段,抑制噪声,通过从两方面利用循环神经网络学习理论工作信号和微弱干扰的工作信号,来学习真实的工作信号波形、频率组合等,从而以主动的方式来识别较大噪声干扰下的工况信号。其优点时对特定机械工况信号进行主动识别,有较为可靠的消噪能力和快速识别能力,用来驱动EMD对地震模拟振动台工况的消噪,区别于其他消噪方法。
附图说明
图1为本发明的技术路线图;
图2为本发明采用的双线性变换法的映射关系图;
图3为本实施例采用的高通滤波器通带曲线;
图4为本发明实施例的消噪后时域对比图。
具体实施方式
为了使本发明的技术方案更加清楚明白,以下结合附图及实施例,对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参考图1至图4,本发明提供一种地震模拟振动台工况的监测方法,包括以下步骤:
步骤1,获取地震模拟振动台的正常工况信号样本,理论工况信号表达式为:
y(n)=x(n)+s(n) (1)
式(1)y(n)为理论工况信号,中x(n)为理论工作信号,s(n)为随机噪声。
参考图1,对循环神经网络的作用对象进行改变,其训练与分类对象不再是具体的某个故障运行状态或者其它运行状态,而是希望分拣处噪声、工作信号,其目的是主动去解析出正常信号和工作信号。当故障发生或非正常工况发生,工作信号的波形较正常信号一定会发生畸变,我们可以刻画其波形的畸变率来判断故障程度,从畸变样式来判断故障类型,从而实现对高频机械工作状态的有限监测。
步骤2,选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理,先确定数字滤波器的技术指标,再将高通滤波器指标转化成高通滤波器指标,然后将信号进行拉式变换得H(s),最后采用双线性映射法将H(s)换化为H(z)将H(s)采取双线性映射法至H(z)。
其中,双线性变换法是采用非线性频率压缩的方法,将整个频率轴上的频率范围压缩到-πT~πT之间,再用z=esT转化到Z平面上。也就是,首先将整个S平面压缩映射S1平面(为一条-πT~πT的横带平面中),然后在通过标准变换z=esT,将此横带变换到整个Z平面上去。这样就使两个平面建立了一一对应关系,映射关系如图2所示,公式表达过程如下:
为了将S平面的整个虚轴jΩ压缩到S1平面jΩ轴上的-πT~πT段上,可以通过以下的正切变换实现
Figure BDA0001858806550000071
当Ω1由-π/T经过0变换到π/T时,Ω由-∞经过0变换到+∞,也即映射了整个jΩ轴。将式(2)改写成
Figure BDA0001858806550000081
将此关系解析延拓到整个S平面和S1平面,令jΩ=s,jΩ=s1则得
Figure BDA0001858806550000082
再将S1平面通过以下标准变换关系映射到Z平面
Figure BDA0001858806550000083
从而得到S平面和Z平面的单值映射关系为:
Figure BDA0001858806550000084
Figure BDA0001858806550000085
式(5)与式(6)是S平面与Z平面之间的单值映射关系,这种变换都是两个线性函数之比,因此称为双线性变换。
将z=e代入(5)得:
Figure BDA0001858806550000086
再将s=σ+jΩ代入式(7),得
Figure BDA0001858806550000087
由此得出,当σ<0时,|z|<1;当σ>0时,。也就是说|z|>1,S平面的左半平面映射到Z平面的单位圆内,S平面的右半平面映射到Z平面的单位圆外,S平面的虚轴映射到Z平面的单位圆上,高通滤波器通带曲线如图3所示。
步骤3,将滤波后的工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪,选取以下统计特征:
(1)、标准差:
Figure BDA0001858806550000091
(2)、波形率:
Figure BDA0001858806550000092
(3)、不规则度:
Figure BDA0001858806550000093
(4)、功率谱均方根:
Figure BDA0001858806550000094
其中,
Figure BDA0001858806550000095
为第i次采集的时域信号xi(n)的均值,si(k)为第i次采集的时域信号对应的频谱,N为数据点的个数,
Figure BDA0001858806550000096
为时域信号xi(n)均方根值,K为谱线的个数,ui(k)为功率谱函数。另外量纲特征参数为峭度、波形指标、峰值指标、脉冲指标、裕度指标以及频域组合。
步骤4,将训练样本特征参数空间S划分成三个子空间Pi(i=1,2,3),即,P1由振动信号时域特征参数构成,P2由量纲特征参数构成,P3由频域特征参数构成;针对各特征子空间Si,利用循环神经网络,构造对应的子神经网络分类器Ci(i=1,2,3);各分类器结构参数如表1所示。表1中,输入层节点对应样本集Ci的各特征参数,输出层节点对应故障模式类,隐含层节点数取值为输入层节点数的两倍加1。
表1循环神经网络分器结构参数
分类编号 输入节点数 隐藏节点数 输出节点数 训练目标
C<sub>i</sub> N 2N+1 M 0.02
步骤5,设置工况信号为强噪声状态和无噪声状态,输入实测的真实工作状态和理论工作信号,学习真实工作信号;
步骤6,进行EMD处理;找到待处理信号所有极值点,通过样条函数拟合出信号极大值包络线e+(t)和极小值包络线e-(t),将其平均值作为原信号均值包络即为
Figure BDA0001858806550000101
将原信号序列减去m1(t)得到一个新信号:
Figure BDA0001858806550000103
在实际情况中,上下包络的均值无法为零,通常当满足下面的式子时,就认为包络的均值IFM为零的条件:
Figure BDA0001858806550000102
这里的ε为筛分门,一般取值在0.2-0.3之间。这里我们取步长为0.01,将循环神经网络的学习结果导入至EMD算法中,以驱动其选择最优筛分门ε值,IFM层值作为最终消噪结果,得到地震模拟振动台工况信号消噪和状态监测效果。
采集某型号地震模拟振动台不同工况下振动状态为数据样本,样本首先经过高通滤波设置中心频率为200Hz,衰减带宽为50Hz,对样本进行滤波处理,然后样本包括训练样本和识别样本,分为3类分别设置为无噪声工况信号、弱噪声工况信号、含噪声工况信号,节点输出值为(1,0,0),(0,1,0),(0,0,1);网络训练次数为1000,训练目标为0.02,学习速度为0.1。将故障样本集归一化并将取无噪声和弱噪声的样本为训练样本,含噪声样本为测试集。利用训练集对应的分类器进行训练,将测试集输入到训练好的分类器进行分类识别,下一步以识别结果来驱动EMD消噪,其结果显示EMD筛分门值固定在0.26IMF层值为13为最佳效果,运行时间也较增强之前有所缩短。选取13层中的第2层为最终消噪结果,用此方法消噪结果如图4所示。由图可知,该方法对地震模拟振动台的工况信号有较好的消噪能力,能还原真实的工作信号。
以上实施例仅仅是对本发明的解释,其并不是对本发明的限制,对于本领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围,因此本发明专利的保护范围应以权利要求为准。

Claims (1)

1.一种地震模拟振动台工况的监测方法,其特征在于包括以下步骤:
步骤1,获取地震模拟振动台的正常工况信号样本,理论工况信号表达式为:
y(n)=x(n)+s(n) (1)
式(1)中y(n)为理论工况信号,x(n)为理论工作信号,s(n)为随机噪声;
步骤2,选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理,采取双线性映射法将滤波器的H(s)映射至H(z);
步骤3,将滤波后的正常工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪,选取以下统计特征:
(1)、标准差:
Figure FDA0002590022680000011
(2)、波形率:
Figure FDA0002590022680000012
(3)、不规则度:
Figure FDA0002590022680000013
(4)、功率谱均方根:
Figure FDA0002590022680000021
其中,
Figure FDA0002590022680000022
为第i次采集的时域信号xi(n)的均值,si(k)为第i次采集的时域信号对应的频谱,N为数据点的个数,
Figure FDA0002590022680000023
为时域信号xi(n)均方根值,K为谱线的个数,ui(k)为功率谱函数;
步骤4,将训练样本特征参数空间S划分成三个子空间Pi(i=1,2,3),即,P1由振动信号时域特征参数构成,P2由量纲特征参数构成,P3由频域特征参数构成;针对各特征子空间Si,利用循环神经网络,构造对应的子神经网络分类器Ci(i=1,2,3);
步骤5,设置工况信号样本为强噪声状态和无噪声状态,输入真实工作状态和理论工作信号,学习真实工作信号;
步骤6,进行EMD处理;找到待处理信号所有极值点,通过样条函数拟合出信号极大值包络线e+(t)和极小值包络线e-(t),将其平均值作为原信号均值包络,即
Figure FDA0002590022680000024
将原信号序列减去m1(t)得到一个新信号:
Figure FDA0002590022680000025
在实际情况中,上下包络的均值无法为零,通常当满足下面的式子时,就认为包络的均值IFM为零的条件:
Figure FDA0002590022680000026
其中ε为筛分门,取值在0.2-0.3之间,取步长为0.01,将循环神经网络的学习结果导入至EMD算法中,以驱动其选择最优筛分门ε值,IFM层值作为最终消噪结果,得到地震模拟振动台工况信号消噪和状态监测效果。
CN201811326133.2A 2018-11-08 2018-11-08 一种地震模拟振动台工况的监测方法 Active CN109520611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811326133.2A CN109520611B (zh) 2018-11-08 2018-11-08 一种地震模拟振动台工况的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811326133.2A CN109520611B (zh) 2018-11-08 2018-11-08 一种地震模拟振动台工况的监测方法

Publications (2)

Publication Number Publication Date
CN109520611A CN109520611A (zh) 2019-03-26
CN109520611B true CN109520611B (zh) 2020-09-22

Family

ID=65773844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811326133.2A Active CN109520611B (zh) 2018-11-08 2018-11-08 一种地震模拟振动台工况的监测方法

Country Status (1)

Country Link
CN (1) CN109520611B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046663A (zh) * 2019-04-16 2019-07-23 重庆大学 一种复杂机电系统故障临界态辨识方法
CN110595597B (zh) * 2019-10-24 2024-03-12 国网湖南省电力有限公司 油浸式变压器内部噪声监测传感器安装设备及其修正方法
CN110852200B (zh) * 2019-10-28 2023-05-12 华中科技大学 一种非接触式人体动作检测方法
CN112947615B (zh) * 2021-02-05 2022-04-19 浙江大学 一种加速度频域分段伺服控制方法及控制器

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103048137A (zh) * 2012-12-20 2013-04-17 北京航空航天大学 一种变工况下的滚动轴承故障诊断方法
CN103424183A (zh) * 2013-08-06 2013-12-04 常州大学 机械振动信号检测异常干扰消除方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7593796B2 (en) * 2006-11-27 2009-09-22 Toyota Motor Engineering & Manufacturing North America, Inc. Torque estimator for internal combustion engine
CN102629243B (zh) * 2012-03-02 2015-01-07 燕山大学 基于神经网络集成和bs-emd的端点效应抑制方法
CN102721545B (zh) * 2012-05-25 2015-05-20 北京交通大学 一种基于多特征参量的滚动轴承故障诊断方法
CN104616033A (zh) * 2015-02-13 2015-05-13 重庆大学 基于深度学习和支持向量机的滚动轴承故障诊断方法
CN104792522B (zh) * 2015-04-10 2017-05-17 北京工业大学 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法
CN106127184A (zh) * 2016-07-05 2016-11-16 上海电机学院 一种风机齿轮箱故障诊断方法
CN107145620B (zh) * 2017-03-14 2019-08-06 浙江大学 一种基于随机减量技术的结构动力特性识别方法
CN108344564B (zh) * 2017-12-25 2019-10-18 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN108107475B (zh) * 2018-03-05 2019-07-19 吉林大学 基于经验小波变换和多阈值函数的井中微地震去噪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103048137A (zh) * 2012-12-20 2013-04-17 北京航空航天大学 一种变工况下的滚动轴承故障诊断方法
CN103424183A (zh) * 2013-08-06 2013-12-04 常州大学 机械振动信号检测异常干扰消除方法

Also Published As

Publication number Publication date
CN109520611A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN109520611B (zh) 一种地震模拟振动台工况的监测方法
CN108152033B (zh) 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法
CN104792522B (zh) 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法
CN108805059A (zh) 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
CN109813547B (zh) 基于稀疏分解优化算法的旋转机械局部型故障诊断方法
CN113723171B (zh) 基于残差生成对抗网络的脑电信号去噪方法
CN110568483A (zh) 基于卷积神经网络的地震线性噪声压制效果自动评估方法
CN113776837B (zh) 基于ceemdan与gwo-nlm的滚动轴承故障诊断方法
Han et al. An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE
CN110940522A (zh) 强背景噪声下轴承故障周期性脉冲稀疏分离与诊断方法
CN114034481A (zh) 一种轧机齿轮箱故障诊断系统及方法
CN115753067B (zh) 一种基于数字孪生的强噪声下旋转机械故障诊断方法
CN105866664A (zh) 一种基于幅频特征的模拟电路智能化故障诊断方法
Sun et al. Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training
CN115481666A (zh) 一种齿轮箱小样本故障诊断方法、系统及设备
CN112985809A (zh) 基于信号多维度精细画像的滚动轴承故障诊断方法
CN106500991B (zh) 基于自适应多尺度AVG-Hat变换的轴承故障信号特征提取方法
Mengyuan et al. Research of circuit breaker intelligent fault diagnosis method based on double clustering
CN113792657B (zh) 提取声学信号识别与盲解卷积算法的齿轮箱故障的方法
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN118311645A (zh) 一种地震前兆信息提取方法、装置、设备及存储介质
CN117349615B (zh) 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法
CN110222386A (zh) 一种行星齿轮退化状态识别方法
CN108267311A (zh) 一种基于张量分解的机械多维大数据处理方法
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

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190326

Assignee: Zhejiang Nanfang Cultural Tourism Technology Co., Ltd

Assignor: Wenzhou University

Contract record no.: X2021330000843

Denomination of invention: A monitoring method for working condition of seismic simulation shaking table

Granted publication date: 20200922

License type: Common License

Record date: 20211225

EE01 Entry into force of recordation of patent licensing contract