CN109668732A - 基于循环相关熵的滚动轴承的故障诊断方法 - Google Patents
基于循环相关熵的滚动轴承的故障诊断方法 Download PDFInfo
- Publication number
- CN109668732A CN109668732A CN201811510327.8A CN201811510327A CN109668732A CN 109668732 A CN109668732 A CN 109668732A CN 201811510327 A CN201811510327 A CN 201811510327A CN 109668732 A CN109668732 A CN 109668732A
- Authority
- CN
- China
- Prior art keywords
- bearing
- fault
- data
- joint entropy
- frequency
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于循环相关熵的滚动轴承的故障诊断方法。该方法包括:分别采集滚动轴承处于不同故障状态下的轴承数据,计算出每种故障的故障特征频率;对轴承数据进行加窗处理,将轴承数据划分成多个数据块,选取高斯核函数作为循环相关熵的核函数,计算出每个数据块的平均循环相关熵,以及平均循环相关熵的傅里叶变换的均值在f域的傅里叶变换结果;根据傅里叶变换结果在alpha域的投影得出故障信号的频谱分布结果,根据故障信号的频谱分布结果和每种故障状态下的轴承数据的故障特征频率对轴承的故障类型进行判断。本发明的方法能够更好的处理在非高斯噪声环境下,尤其是冲击噪声干扰条件下的故障轴承信号,能够更好的满足工程实践的要求。
Description
技术领域
本发明涉及轴承故障诊断技术领域,尤其涉及一种基于循环相关熵的滚 动轴承的故障诊断方法。
背景技术
滚动轴承在机械工程领域内应用十分广泛,在高强度和高密度的工作条 件下滚动轴承具有很高的故障率。因此,通过故障诊断方法对滚动轴承的状 态进行监测,实时更换故障轴承以保证机械设备的正常运转就显得尤为重 要。
当轴承部件表面发生故障时,在旋转的过程中会与其他部件表面产生撞 击,由此产生一系列被调制的冲击信号。这种故障信息分布在信号的某个频 段中,如果能通过信号处理方法得到信噪比较高的故障频带信息,故障就能 够被检测出来。
因此,基于频带优选的故障诊断方法得到了国内外学者的大量关注。但 在实际研究中发现,工程实践中的轴承振动信号往往伴随着大量的非高斯噪 声,频带优选算法的稳定性会受到这类非高斯噪声的干扰,导致故障诊断结 果不准确。
发明内容
本发明的实施例提供了一种基于循环相关熵的滚动轴承的故障诊断方 法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案:
一种基于循环相关熵的滚动轴承的故障诊断方法,其特征在于,包括:
分别采集滚动轴承处于不同故障状态下的轴承数据,所述故障状态包括 滚动体故障、内圈故障和外圈故障,计算出每种故障状态下的轴承数据的故 障特征频率;
对所述轴承数据进行加窗处理,将轴承数据划分成多个数据块,选取高 斯核函数作为循环相关熵的核函数,计算出每个数据块的平均循环相关熵, 计算出平均循环相关熵的傅里叶变换的均值在f域的傅里叶变换结果;
根据所述傅里叶变换结果在alpha域的投影得出故障信号的频谱分布结 果,根据所述故障信号的频谱分布结果和所述每种故障状态下的轴承数据的 故障特征频率对轴承的故障类型进行判断。
进一步地,所述的计算出每种故障状态下的轴承数据的故障特征频率, 包括:
外圈故障的特征频率的计算公式如下:
内圈故障的特征频率的计算公式如下:
滚动体故障的特征频率的计算公式如下:
fr表示转轴的旋转频率,n表示轴承的滚动体数目,表示载荷径向面夹 角,d表示滚动体的直径,D表示轴承内径。
进一步地,所述的对所述轴承数据进行加窗处理,将轴承数据划分成多 个数据块,选取高斯核函数作为循环相关熵的核函数,计算出每个数据块的 平均循环相关熵,包括:
对采集的滚动轴承处于不同故障状态下的轴承数据x[n]进行加窗,将轴 承数据x[n]划分成L个数据块,每个数据块有N个样本点;
选取高斯核函数作为循环相关熵的核函数,根据Silverman准则计算每个 数据块的循环相关熵的核宽度σ:
x,y表示两个长度相等的随机信号,κ(x-y)表示高斯核函数表;
σ表示循环相关熵的核宽度;
σ=0.9A*N-1/5 (5)
A表示样本标准差与样本的四分位差除以1.34的最小值,N表示样本点 数;
计算每个数据块的平均循环相关熵Ml,l=0,1,2,…,L-1;
τn表示数据块之间的平移间隔;xl[n]表示数据块的原数据,xl[n+τn]表示 原数据平移τn后的新数据,κ(xl[n],xl[n+τn])表示计算平移前后两个数据块的相 关熵。
进一步地,所述的计算出平均循环相关熵的傅里叶变换的均值在f域的傅 里叶变换结果,包括:
基于L个数据块计算时域信号的中心化循环相关熵,并计算中心化循环相 关熵在alpha域的傅里叶变换结果alpha域指调制频率,即轴承的故障频 率所在的域;
α[n]表示循环频率,G(xl[n],xl[n+τn])表示中心化前平移前后两数据块的循 环相关熵,Ml表示平均循环相关熵,[G(xl[n],xl[n+τn])-Ml表示中心化循环相 关熵;
计算L个数据块的平均循环相关熵Ml的傅里叶变换的均值
计算均值在f域的傅里叶变换结果Tα;
上面的f域指载波频率,即共振频率所在的域。
进一步地,所述的根据所述傅里叶变换结果在alpha域的投影得出故障信 号的频谱分布结果,根据所述故障信号的频谱分布结果和所述每种故障状态 下的轴承数据的故障特征频率对轴承的故障类型进行判断,包括:
设定滚动体故障的特征频率为52Hz,内圈故障的特征频率为162Hz,外圈 故障的特征频率为120Hz;
根据所述傅里叶变换结果在alpha域的投影得出故障信号的频谱分布结 果,当故障信号的频率与滚动体故障的特征频率之间的差值小于设定的阈 值,则判断轴承的故障类型为滚动体故障;当故障信号的频率与内圈故障的 特征频率之间的差值小于设定的阈值,则判断轴承的故障类型为内圈故障; 当故障信号的频率与外圈故障的特征频率之间的差值小于设定的阈值,则判 断轴承的故障类型为外圈故障。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供的 基于循环相关熵的滚动轴承的故障诊断方法根据滚动轴承振动信号循环平稳 建模理论,采用核函数映射的方法,将数据从欧几里得空间映射到希尔伯特 空间,能够更好地处理在非高斯噪声环境下,可以在滚动轴承信号被冲击噪 声干扰的条件下,准确地对滚动轴承的故障类型进行区分,能够更好地满足 工程实践的要求。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的 描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所 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为本发明实施例提供的一种基于循环相关熵的滚动轴承智能故障诊断 方法的处理流程图;
图2为本发明实施例提供的一种故障轴承的局部故障如图1所示,其中, 滚动体故障(a)、内圈故障(b)和外圈故障(c);
图3为本发明实施例提供的一种通过试验台的横向载荷施加装置向轴承施 加周期性的冲击噪声的示意图;
图4为本发明实施例提供的一种轴承滚动体故障轴承信号的相关熵谱图, 箭头表示滚动体故障特征频率的峰值;
图5为本发明实施例提供的一种轴承内圈故障轴承信号的相关熵谱图,箭 头表示内圈故障特征频率的峰值;
图6为本发明实施例提供的一种轴承外圈故障轴承信号的相关熵谱图,箭 头表示外圈故障特征频率的峰值;
图7为本发明实施例提供的一种基于谱峭度方法分析得到的轴承滚动体故 障信号分析:图(a)基于谱峭度的信号分解;图(b)是根据图(a)优选频 带结果得到的包络频谱图;
图8为本发明实施例提供的一种基于谱峭度方法分析得到的轴承内圈故障 信号分析:图(a)基于谱峭度的信号分解;图(b)是根据图(a)优选频带 结果得到的包络频谱图;
图9为本发明实施例提供的一种基于谱峭度方法分析得到的轴承外圈故障 信号分析:图(a)基于谱峭度的信号分解;图(b)是根据图(a)优选频带 结果得到的包络频谱图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出, 其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功 能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发 明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式 “一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解 的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步 骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、 整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被 “连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或 者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无 线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项 的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一 般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该 被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一 样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例 做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
循环平稳建模方法最初用于医学信号及通信信号的分析与处理,近些年 来引入到机械工程领域。循环平稳建模方法极大地促进了滚动轴承故障机理 分析及故障诊断效果的提升,该方法通过提取滚动轴承振动信号中的循环周 期成分,将故障信号从相对较强的背景噪声以及其它耦合振动干扰信号之中 分离出来,实现对轴承的故障诊断。
相关熵是基于核函数的信号相关性度量指数,相关熵基于核方法将原始 数据空间映射到高维数据空间,采用满足Mercer条件的正定核函数进行信号 相似度的运算,相关熵可以保存高阶矩的信息,从而在信号处于非高斯噪声 环境下时仍能有稳定的相关性度量表现。因此,相关熵在诸如高阶特征提 取,冲击噪声估计,尤其是非线性信号处理等研究中应用广泛。
该实施例提供了一种基于循环相关熵的滚动轴承智能故障诊断方法的处 理流程如图1所示,包括如下的处理步骤:
步骤11、获取实验数据:分别采集滚动轴承处于不同故障状态下的轴承 数据,该轴承数据包括滚动体故障数据、内圈故障数据和外圈故障数据,在 数据采集过中添加周期冲击噪声,根据轴承的技术参数计算轴承的故障频 率。
本发明实施例提供的一种故障轴承的局部故障如图2所示,其中,滚动体 故障(a)、内圈故障(b)和外圈故障(c),图3为本发明实施例提供的一 种通过试验台的横向载荷施加装置向轴承施加周期性的冲击噪声的示意图。
外圈故障的特征频率的计算公式如下:
内圈故障的特征频率的计算公式如下:
滚动体故障的特征频率的计算公式如下:
fr表示转轴的旋转频率,n表示轴承的滚动体数目,表示载荷径向面夹 角,d表示滚动体的直径,D表示轴承内径;
步骤12、对步骤11获取的轴承数据x[n]进行加窗,将轴承数据x[n]划分 成L个数据块,每个数据块有N个样本点;
步骤13、选取高斯核函数作为循环相关熵的核函数,根据Silverman准 则,计算步骤12获取的每个数据块的循环相关熵的核宽度σ;
计算方法如式(5)所示;
x,y表示两个长度相等的随机信号,κ(x-y)表示高斯核函数表,核宽度σ 的大小控制高斯核函数的窗宽度,核宽度越大,窗宽度越宽。
σ表示循环相关熵的核宽度;
σ=0.9A*N-1/5 (5)
A表示样本标准差与样本的四分位差除以1.34的最小值;
N表示样本点数。
基于步骤12得到的L个数据块,步骤13得到的循环相关熵的核宽度σ,计 算每个数据块的平均循环相关熵Ml,l=0,1,2,…,L-1,计算公式如(6)所 示;
τn表示数据块之间的平移间隔;xl[n]表示数据块的原数据,xl[n+τn]表示 原数据平移τn后的新数据,κ(xl[n],xl[n+τn])表示计算平移前后两个数据块的相 关熵。
κ(x-y)核函数中的核指的就是核宽度,如式(4)所示。
步骤14、基于步骤12得到的L个数据块,计算时域信号的中心化循环相关 熵,并计算中心化循环相关熵在alpha域的傅里叶变换结果alpha域指调 制频率,即轴承的故障频率所在的域;
α[n]表示循环频率,G(xl[n],xl[n+τn])表示中心化前平移前后两数据块的循 环相关熵,Ml表示平均循环相关熵。
中心化循环相关熵的表达式为[G(xl[n],xl[n+τn])-Ml,计算中心化相关熵的 目的实现循环相关熵的零均值。
步骤15、计算L个数据块的平均循环相关熵Ml的傅里叶变换的均值
计算均值在f域的傅里叶变换结果Tα;
上面的f域指载波频率,即共振频率所在的域;
步骤16、提取傅里叶变换结果在alpha域的投影得出故障信号的频谱分 布结果,根据上述故障信号的频谱分布结果和步骤11得到的故障特征频率对 轴承的故障类型进行判断。
通过理论计算得到的滚动体故障的特征频率为52Hz,内圈故障的特征频 率为162Hz,外圈故障的特征频率为120Hz,即三种故障信号对应的频谱中谱 峰所在的峰值分别为52Hz,162Hz,120Hz及其倍频。
根据频谱上显示的谱峰值可以对故障类型进行判断。根据所述傅里叶变 换结果在alpha域的投影得出故障信号的频谱分布结果,当故障信号的频率与 滚动体故障的特征频率之间的差值小于设定的阈值,则判断轴承的故障类型 为滚动体故障;当故障信号的频率与内圈故障的特征频率之间的差值小于设 定的阈值,则判断轴承的故障类型为内圈故障;当故障信号的频率与外圈故 障的特征频率之间的差值小于设定的阈值,则判断轴承的故障类型为外圈故 障。上述设定的阈值根据实际情况设定,可以为数值1-5等。
图4-图6分别表示了滚动体故障,内圈故障和外圈故障对应的相关熵频谱 示意图,从图中的箭头可以看出,谱峰所在的循环频率值能够与计算得到的 理论值相对应,从而验证了本发明所提出的方法能够准确的识别出三种故障 状态下的故障频率及其倍频,实现轴承的故障类型诊断。
为了进一步阐述本发明的优越性,通过经典谱峭度分析方法得到的结果 与本发明方法对比,滚动体故障,内圈故障和外圈故障信号得到的分析结果 如图7-图9所示,可以看出由于冲击噪声的干扰,谱峭度方法选择的频带内信 号成分以周期性的噪声为主要频率信息,无法检测出轴承的故障类型。
以图7为例进行具体说明,从图7(a)可以看出谱峭度方法优选得到的频 带中心为5866Hz,带宽为1066Hz,将该频段通过滤波方法滤出并单独进行包 络分析得到图7(b),图7(b)与图相比,从频谱图上无法发现明显的故障频 率信息,只有周期性的冲击噪声分布在整个频段。
综上所述,本发明实施例提供的基于循环相关熵的滚动轴承的故障诊断 方法根据滚动轴承振动信号循环平稳建模理论,采用核函数映射的方法,将 数据从欧几里得空间映射到希尔伯特空间,在此基础上计算滚动轴承振动信 号的循环相关熵谱,从而实现轴承故障诊断。
与现有的谱峭度方法相比,本发明实施例的方法能够更好地处理在非高 斯噪声环境下,可以在滚动轴承信号被冲击噪声干扰的条件下,准确地对滚 动轴承的故障类型进行区分,能够更好地满足工程实践的要求。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中 的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到 本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解, 本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品 的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁 碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机, 服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所 述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同 相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同 之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例, 所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描 述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元 可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可 以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案 的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并 实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不 局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可 轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明 的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于循环相关熵的滚动轴承的故障诊断方法,其特征在于,包括:
分别采集滚动轴承处于不同故障状态下的轴承数据,所述故障状态包括滚动体故障、内圈故障和外圈故障,计算出每种故障状态下的轴承数据的故障特征频率;
对所述轴承数据进行加窗处理,将轴承数据划分成多个数据块,选取高斯核函数作为循环相关熵的核函数,计算出每个数据块的平均循环相关熵,计算出平均循环相关熵的傅里叶变换的均值在f域的傅里叶变换结果;
根据所述傅里叶变换结果在alpha域的投影得出故障信号的频谱分布结果,根据所述故障信号的频谱分布结果和所述每种故障状态下的轴承数据的故障特征频率对轴承的故障类型进行判断。
2.根据权利要求1所述的方法,其特征在于,所述的计算出每种故障状态下的轴承数据的故障特征频率,包括:
外圈故障的特征频率的计算公式如下:
内圈故障的特征频率的计算公式如下:
滚动体故障的特征频率的计算公式如下:
fr表示转轴的旋转频率,n表示轴承的滚动体数目,表示载荷径向面夹角,d表示滚动体的直径,D表示轴承内径。
3.根据权利要求2所述的方法,其特征在于,所述的对所述轴承数据进行加窗处理,将轴承数据划分成多个数据块,选取高斯核函数作为循环相关熵的核函数,计算出每个数据块的平均循环相关熵,包括:
对采集的滚动轴承处于不同故障状态下的轴承数据x[n]进行加窗,将轴承数据x[n]划分成L个数据块,每个数据块有N个样本点;
选取高斯核函数作为循环相关熵的核函数,根据Silverman准则计算每个数据块的循环相关熵的核宽度σ:
x,y表示两个长度相等的随机信号,κ(x-y)表示高斯核函数表;
σ表示循环相关熵的核宽度;
σ=0.9A*N-1/5 (5)
A表示样本标准差与样本的四分位差除以1.34的最小值,N表示样本点数;
计算每个数据块的平均循环相关熵Ml,l=0,1,2,…,L-1;
τn表示数据块之间的平移间隔;xl[n]表示数据块的原数据,xl[n+τn]表示原数据平移τn后的新数据,κ(xl[n],xl[n+τn])表示计算平移前后两个数据块的相关熵。
4.根据权利要求3所述的方法,其特征在于,所述的计算出平均循环相关熵的傅里叶变换的均值在f域的傅里叶变换结果,包括:
基于L个数据块计算时域信号的中心化循环相关熵,并计算中心化循环相关熵在alpha域的傅里叶变换结果alpha域指调制频率,即轴承的故障频率所在的域;
n=0,1,2…,N-1,l=0,1,2,…,L-1
α[n]表示循环频率,G(xl[n],xl[n+τn])表示中心化前平移前后两数据块的循环相关熵,Ml表示平均循环相关熵,[G(xl[n],xl[n+τn])-Ml表示中心化循环相关熵;
计算L个数据块的平均循环相关熵Ml的傅里叶变换的均值
计算均值在f域的傅里叶变换结果Tα;
上面的f域指载波频率,即共振频率所在的域。
5.根据权利要求4所述的方法,其特征在于,所述的根据所述傅里叶变换结果在alpha域的投影得出故障信号的频谱分布结果,根据所述故障信号的频谱分布结果和所述每种故障状态下的轴承数据的故障特征频率对轴承的故障类型进行判断,包括:
设定滚动体故障的特征频率为52Hz,内圈故障的特征频率为162Hz,外圈故障的特征频率为120Hz;
根据所述傅里叶变换结果在alpha域的投影得出故障信号的频谱分布结果,当故障信号的频率与滚动体故障的特征频率之间的差值小于设定的阈值,则判断轴承的故障类型为滚动体故障;当故障信号的频率与内圈故障的特征频率之间的差值小于设定的阈值,则判断轴承的故障类型为内圈故障;当故障信号的频率与外圈故障的特征频率之间的差值小于设定的阈值,则判断轴承的故障类型为外圈故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510327.8A CN109668732A (zh) | 2018-12-11 | 2018-12-11 | 基于循环相关熵的滚动轴承的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811510327.8A CN109668732A (zh) | 2018-12-11 | 2018-12-11 | 基于循环相关熵的滚动轴承的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109668732A true CN109668732A (zh) | 2019-04-23 |
Family
ID=66143756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811510327.8A Pending CN109668732A (zh) | 2018-12-11 | 2018-12-11 | 基于循环相关熵的滚动轴承的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109668732A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209713A (zh) * | 2020-01-03 | 2020-05-29 | 长江存储科技有限责任公司 | 晶圆数据处理方法和装置 |
CN111896256A (zh) * | 2020-03-03 | 2020-11-06 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于深度核处理的轴承故障诊断方法 |
CN116383721A (zh) * | 2023-05-25 | 2023-07-04 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302940A (zh) * | 2015-09-16 | 2016-02-03 | 大连理工大学 | 一种基于循环相关熵的载频估计方法 |
CN105933259A (zh) * | 2016-04-21 | 2016-09-07 | 大连理工大学 | 一种基于压缩感知重建的循环相关熵谱的载频估计方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
-
2018
- 2018-12-11 CN CN201811510327.8A patent/CN109668732A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302940A (zh) * | 2015-09-16 | 2016-02-03 | 大连理工大学 | 一种基于循环相关熵的载频估计方法 |
CN105933259A (zh) * | 2016-04-21 | 2016-09-07 | 大连理工大学 | 一种基于压缩感知重建的循环相关熵谱的载频估计方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
付云骁等: ""基于乘积函数相关熵的滚动轴承故障辨识方法"", 《应用基础与工程科学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209713A (zh) * | 2020-01-03 | 2020-05-29 | 长江存储科技有限责任公司 | 晶圆数据处理方法和装置 |
CN111209713B (zh) * | 2020-01-03 | 2023-08-18 | 长江存储科技有限责任公司 | 晶圆数据处理方法和装置 |
CN111896256A (zh) * | 2020-03-03 | 2020-11-06 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于深度核处理的轴承故障诊断方法 |
CN116383721A (zh) * | 2023-05-25 | 2023-07-04 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
CN116383721B (zh) * | 2023-05-25 | 2023-12-12 | 华北电力大学 | 一种基于循环相关熵谱的旋转设备检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109668732A (zh) | 基于循环相关熵的滚动轴承的故障诊断方法 | |
Bounoua et al. | Fault detection and diagnosis of nonlinear dynamical processes through correlation dimension and fractal analysis based dynamic kernel PCA | |
Wang et al. | Enhanced generative adversarial network for extremely imbalanced fault diagnosis of rotating machine | |
CN106408088B (zh) | 一种基于深度学习理论的旋转机械设备故障诊断方法 | |
He et al. | Subspace-based gearbox condition monitoring by kernel principal component analysis | |
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
Liu et al. | TScatNet: An interpretable cross-domain intelligent diagnosis model with antinoise and few-shot learning capability | |
Yan et al. | Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN109813547A (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 | |
Pinheiro et al. | Vibration analysis in turbomachines using machine learning techniques | |
CN108573193A (zh) | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 | |
Jin et al. | A novel multi-adversarial cross-domain neural network for bearing fault diagnosis | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Zhu et al. | A simulation-data-driven subdomain adaptation adversarial transfer learning network for rolling element bearing fault diagnosis | |
Ehsani et al. | Convolutional autoencoder anomaly detection and classification based on distribution PMU measurements | |
Shukla et al. | Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
Fang et al. | Minimum noise amplitude deconvolution and its application in repetitive impact detection | |
Liu et al. | Maximum correntropy criterion-based blind deconvolution and its application for bearing fault detection | |
CN107966287A (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
Li et al. | Data augmentation via variational mode reconstruction and its application in few-shot fault diagnosis of rolling bearings | |
CN109270836A (zh) | 一种积分信号提取方法、装置及设备 | |
Li et al. | Bi-filter multiscale-diversity-entropy-based weak feature extraction for a rotor-bearing system | |
Delgado et al. | Accurate bearing faults classification based on statistical-time features, curvilinear component analysis and neural networks |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190423 |
|
WD01 | Invention patent application deemed withdrawn after publication |