CN110044623B - 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 - Google Patents
经验模态分解剩余信号特征的滚动轴承故障智能识别方法 Download PDFInfo
- Publication number
- CN110044623B CN110044623B CN201910298913.9A CN201910298913A CN110044623B CN 110044623 B CN110044623 B CN 110044623B CN 201910298913 A CN201910298913 A CN 201910298913A CN 110044623 B CN110044623 B CN 110044623B
- Authority
- CN
- China
- Prior art keywords
- signal
- residual signal
- rolling bearing
- empirical mode
- factor
- 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
Links
Images
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
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
本发明经验模态分解剩余信号特征的滚动轴承故障智能识别方法,所述方法是结合经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式进行智能识别。本发明结合了经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法优化支持向量机参数的网络模型用于轴承故障诊断,实验结果表明在小样本情况的基础上,能够更加精准地识别滚动轴承的故障类型,为滚动轴承故障的模式识别和智能诊断提供了帮助。
Description
技术领域
本发明涉及一种滚动轴承故障诊断方法,更具体地说它是一种经验模态分解剩余信号特征的滚动轴承故障智能识别方法。
背景技术
旋转机械设备中各零部件组成结构复杂而且紧密,滚动轴承作为其中一种定位与支承元件被广泛使用,是设备中很普通但很关键的一类机械元件。旋转机械设备的工作特点是:转子高速运转并且运行环境恶劣,另外转子本身结构较为复杂,容易发生损坏,引发故障甚至失效,从而导致机械设备故障或非计划性停机。相关研究也同时表明,在旋转机械常见的故障中,与滚动轴承相关的故障占将近70%。为保证机械设备的良好运行,减少甚至避免事故的发生,滚动轴承故障诊断技术已经成为机械设备故障诊断技术的重要分支,研究滚动轴承故障诊断技术具有非常重要的意义。
滚动轴承故障诊断关键技术包括:信号预处理、故障特征提取和故障特征分类三个部分。由于滚动轴承故障发生的初期,因故障导致的振动不明显,故障信号很容易被淹没在整个振动信号或者噪声信号中,并且其故障振动信号大部分是非线性和非平稳信号,目前常见的故障信号特征提取方法有短时傅里叶变换、Wigner-Ville分布、小波变换、经验模态分解(Empirical Mode Decomposition,EMD)等等,同时,由于实际工作条件和数据采集设备的限制,采集到的轴承工作数据实际上是有限的,并且滚动轴承大部分时间处于正常工作状态,综合各种因数,实际上采集到的滚动轴承故障样本一般较少,制约了诊断的准确性和稳定性。针对类似上述小样本的分类问题,目前常见的方法有人工神经网络(Artificial Neural Network,ANN)、决策树 (Decision Tree,DT)、支持向量机(SupportVector Machine,SVM) 等等。
但是上述方法的实验过程很复杂,针对性不强。
发明内容
本发明的目的是为了克服上述现有背景技术的不足之处,而提供一种基于经验模态分解剩余信号能量特征的滚动轴承故障模式智能识别方法,本发明在小样本情况的基础上,能够精准地识别滚动轴承的故障类型,为滚动轴承故障的模式识别和智能诊断提供了帮助。
本发明的目的是通过如下措施来达到的:经验模态分解剩余信号特征的滚动轴承故障智能识别方法,它是结合经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式智能识别。
具体包括如下步骤:
通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号,
步骤一:振动信号经验模态分解剩余信号的能量特征提取;
经验模态分解假设任何信号都由不同的特征模态函数 (Intrinsic ModeFunction,IMF)组成,且IMF必须满足以下两个条件:(1)在整个时间历程内,穿越零点的次数与极值点数相等或至多相差一个;(2)信号上任意一点,由局部极大值定义的上包络线和由局部极小值定义的下包络线的均值为零或近似为零,即信号关于时间轴局部对称;
这样任何一个信号就可以分解为有限个IMF分量和一个剩余信号的和;其中,剩余信号提取过程如下:
(1)对任意一个已知信号,首先确定出原始数据X(t)上的所有极值点,用三次样条曲线连接所有极大值点形成上包络线,同样的方法形成下包络线;数据X(t)与上下包络线的均值m1(t)的差记为h1(t),则
h1(t)=X(t)-m1(t) (1-1)
将h1(t)作为新的数据X(t),重复上述步骤,直到h1(t)满足IMF 的两个条件时,则其成为从原始信号筛选出的第一阶IMF,记为C1;
(2)将C1从X(t)中分离出来,得到一个去掉高频分量的差值信号r1(t),有
r1(t)=X(t)-C1 (1-2)
把r1(t)作为“新信号”,重复(1-1)的筛分步骤,直到第n阶的剩余信号成为单调函数,不能再筛分出IMF分量;
(3)数学上,信号X(t)可表示为n个IMF分量和一个剩余项的和,即
式中:Ci(t)为第i个IMF分量,其中i=(0,1···N);rn(t)为经验模态分解的剩余信号,代表信号中的平均趋势,反映的是原始信号的均值信息;然后,计算剩余信号的能量为Ej(j=0,1···N),其中,rj(t)为剩余信号离散点的幅值;Ci(t)表示第i个IMF 分量;rn(t)表示经验模态分解的剩余信号;
步骤二:振动信号的时域特征提取;
在轴承故障模式识别中常用的时域特征参数有:均方根值、均值、方差、峰值因子、脉冲因子、裕度因子、波形因子、峭度因子和偏度等等;这些特征参数的特点是:能直观的反映出滚动轴承的故障特征,都是无量纲参数,对故障和缺陷比较敏感,并且基本不受轴承型号的影响。其中,峰值因子Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf反映时域信号的时间序列分布情况。峭度因子Xkv对信号中的冲击特性很敏感,在滚动轴承出现故障时,振动冲击较大,峭度因子能有效的判定轴承是否发生故障。因此,所提方法采用的振动信号时域特征参数有峰值因子Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf、峭度因子Xkv和偏度Xsk。
步骤三:组成振动信号的特征向量;
将步骤一与步骤二中所得到的能量值和时域特征参数作为输入特征向量的组成元素T'。同时,为了方便后续数据处理以及使收敛速度加快,对提取的特征向量进行归一化处理。则
T′=(Xcf,Xif,Xcif,Xsf,Xkv,Xsk,Ej),
其中Ej(j=0,1···N)表示剩余信号的能量…(1-5)
步骤四:遗传算法优化支持向量机参数的故障模式识别;
依据支持向量机算法,核函数K(x,x')和惩罚因子C需要进行参数选择,其中,x为样本的特征向量。本方法中,选取高斯核函数,即:
使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子。
将四种类型的振动信号特征向量送入遗传算法优化的支持向量机模型,进行网络模型的训练和测试,最后完成滚动轴承故障分类。
本发明具有如下优点:本发明结合了经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法优化支持向量机参数的网络模型用于轴承故障诊断,实验结果表明在小样本情况的基础上,能够更加精准地识别滚动轴承的故障类型,为滚动轴承故障的模式识别和智能诊断提供了帮助。
附图说明
图1为同一转速下不同种类故障信号的EMD剩余信号能量分布图;
图2为遗传算法优化支持向量机参数流程图;
图3为机械故障综合模拟实验台;
图4为测试集的实际分类和预测分类图。
图中1.调速电机,2.联轴器,3.第一轴承座,4.转子,5.加速度传感器,6.第二轴承座,7.工作台。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明本发明的优点将变得更加清楚和容易理解。
本发明经验模态分解剩余信号特征的滚动轴承故障智能识别方法,所述方法是结合经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式智能识别。
在上述技术方案中,所述方法具体包括如下步骤:
通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号,
步骤一:振动信号经验模态分解剩余信号的能量特征提取
经验模态分解假设任何信号都由不同的特征模态函数IMF组成,且IMF必须满足以下两个条件:(1)在整个时间历程内,穿越零点的次数与极值点数相等或至多相差一个;(2)信号上任意一点,由局部极大值定义的上包络线和由局部极小值定义的下包络线的均值为零或近似为零,即信号关于时间轴局部对称;
这样任何一个信号就可以分解为有限个IMF分量和一个剩余信号的和,其中,剩余信号提取过程如下:
(1)对任意一个已知信号,首先确定出原始数据X(t)上的所有极值点,用三次样条曲线连接所有极大值点形成上包络线,同样的方法形成下包络线;数据X(t)与上下包络线的均值m1(t)的差记为h1(t),则
h1(t)=X(t)-m1(t) (1-1)
将h1(t)作为新的数据X(t),重复上述步骤,直到h1(t)满足IMF 的两个条件时,则其成为从原始信号筛选出的第一阶IMF,记为C1;
(2)将C1从X(t)中分离出来,得到一个去掉高频分量的差值信号r1(t),有
r1(t)=X(t)-C1 (1-2)
把r1(t)作为新信号,重复(1-1)的筛分步骤,直到第n阶的剩余信号成为单调函数,不能再筛分出IMF分量;
(3)数学上,信号X(t)可表示为n个IMF分量和一个剩余项的和,即
式中:Ci(t)为第i个IMF分量,其中i=(0,1···N);r_n(t)为经验模态分解的剩余信号,代表信号中的平均趋势,反映的是原始信号的均值信息;然后,计算剩余信号的能量为Ej(j=0,1···N),其中,rj(t)为剩余信号离散点的幅值;
步骤二:振动信号的时域特征提取
采用的振动信号时域特征参数有峰值因子Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf、峭度因子Xkv和偏度Xsk;
步骤三:组成振动信号的特征向量
将步骤一与步骤二中所得到的能量值和时域特征参数作为输入特征向量的组成元素T',同时,为了方便后续数据处理以及使收敛速度加快,对提取的特征向量进行归一化处理;则
T'=(Xcf,Xif,Xcif,Xsf,Xkv,Xsk,Ej) (1-4)
步骤四:遗传算法优化支持向量机参数的故障模式识别
依据支持向量机算法,核函数K(x,x')和惩罚因子需要进行参数选择,其中,x为样本的特征向量;选取高斯核函数,即:
使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子;将四种类型的振动信号特征向量送入遗传算法优化的支持向量机模型,进行网络模型的训练和测试,最后完成滚动轴承故障分类。
在上述技术方案中,在步骤一中,将提取了振动信号经验模态分解剩余信号的能量特征:
其中:rj(t)为剩余信号离散点的幅值;Ej为剩余信号的能量值。
在上述技术方案中,在步骤四中,使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子,将结合了振动信号经验模态分解剩余信号能量值的特征向量送入遗传算法优化的支持向量机模型,进行网络模型的训练和测试,最后完成在小样本情况基础上的滚动轴承故障模式智能识别。
本发明实验是在SpectraQuest公司提供的MB ER-16K轴承上进行的,该实验台主要由滚动轴承、可拆卸轴承座、电机以及调速转置等部分组成,实验是在实验台所配套的MBER-16K系列轴承上进行的。轴承分别在内圈、外圈和滚动体上利用电火花预制了故障。滚动轴承的转速通过电动机在实验现场按照需要进行调节,实验中使用压电式加速度传感器来拾取滚动轴承的振动信号,采样频率为12kHz,振动信号经放大、滤波后,通过数据采集系统进行采集,将采集的实验数据经过信号预处理,分别得到内圈故障、外圈故障,滚动体故障以及正常轴承下的115组数据,四种类型共460组数据。在四类样本数据中,随机取75%的样本作为训练样本,余下25%的样本作为测试样本 (如图1、图3所示)。
结合经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法对支持向量机参数进行寻优的整体算法过程(如图2所示)。先将解空间的解数据表示成遗传空间的基因型串结构数据,本方法中采用二进制进行编码,以个体编码为基础,生成初始群体,然后再通过适应度值评价检测,进行选择、交叉、变异等操作对其进行遗传进化迭代,直到最后找到最优解为止。
1.时域特征提取
在轴承故障模式识别中常用的时域特征参数有:均方根值Xrms、均值μx、方差峰值因子Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf、峭度因子Xkv和偏度Xsk等等。这些特征参数的特点是:能直观的反映出滚动轴承的故障特征,都是无量纲参数,对故障和缺陷比较敏感,并且基本不受轴承型号的影响,时域特征参数具体形式如表1所示。
表1时域特征参数具体形式
表中,N为采集的数据点数目,xi为第i个数据点,max(·)为取最大值的操作。
其中,xi(k)表示第i个数据点的幅值,i=(0,1···N),
采用多参数进行模式识别,能大大提高故障诊断的可靠性。峰值因子Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf反映时域信号的时间序列分布情况。峭度因子Xkv对信号中的冲击特性很敏感,在滚动轴承出现故障时,振动冲击较大,峭度因子能有效的判定轴承是否发生故障。因此,所提方法采用的振动信号时域特征参数有峰值因子 Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf、峭度因子Xkv和偏度Xsk。
2.经验模态分解的剩余信号提取
经验模态分解假设任何信号都由不同的特征模态函数(Intrinsic ModeFunction,IMF)组成,且IMF必须满足以下两个条件:(1)在整个时间历程内,穿越零点的次数与极值点数相等或至多相差一个。(2)信号上任意一点,由局部极大值定义的上包络线和由局部极小值定义的下包络线的均值为零或近似为零,即信号关于时间轴局部对称。
这样任何一个信号就可以分解为有限个IMF分量和一个剩余信号的和。其中,剩余信号提取过程如下:
(1)对任意一个已知信号,首先确定出原始数据X(t)上的所有极值点,用三次样条曲线连接所有极大值点形成上包络线,同样的方法形成下包络线。数据X(t)与上下包络线的均值m1(t)的差记为h1(t),则
h1(t)=X(t)-m1(t) (1-1)
将h1(t)作为新的数据X(t),重复上述步骤,直到h1(t)满足IMF 的两个条件时,则其成为从原始信号筛选出的第一阶IMF,记为C1。
(2)将C1从X(t)中分离出来,得到一个去掉高频分量的差值信号r1(t),有
r1(t)=X(t)-C1 (1-2)
把r1(t)作为“新信号”,重复(1-1)的筛分步骤,直到第n阶的剩余信号成为单调函数,不能再筛分出IMF分量。
(3)数学上,信号X(t)可表示为n个IMF分量和一个剩余项的和,即
3.遗传算法优化支持向量机参数的故障模式识别
依据支持向量机算法,核函数K(x,x')和惩罚因子C需要进行参数选择,其中,x为样本的特征向量。本方法中,选取高斯核函数作为研究对象,即:
在高斯核函数模型中,需要解决高斯核参数σ的选择问题。
惩罚因子C的大小直接反映的是分类面间隔。C越小,分类间隔越大,从而泛化能力比较强,但是分类精度比较低;C越大,分类间隔越小,因此分类精度提高,但是泛化能力降低。选取C的思路是,首先给定一个比较小的值C0,然后以一定的步长增加C0的值,直到达到最优值。针对研究的滚动轴承故障模式识别问题,本方法使用遗传算法来对支持向量机寻求最优高斯核参数σ和惩罚因子C。取群体规模50,最大迭代次数为200,σ的取值范围为0.0001-100,C的取值范围为0.1-100,采用交叉验证方式,交叉概率为0.9,变异概率为0.001,终止条件为满足最大迭代次数即200时停止进化。故障模式识别使用Libsvm3.1工具箱完成。
如图4所示:经过计算,结合经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法对支持向量机参数进行寻优的最佳适应度达到99.3%,其中,通过寻优做到的核函数K(x,x')参数σ为1.00E-4,惩罚因子C为99,测试的115个样本中有3个样本分类有误,分类准确率达到97.35%(112/115)。
4.不同故障模式识别方法对比分析
采用传统的支持向量机(SVM)轴承故障模式识别方法、BP神经网络对相同的数据样本进行训练与测试,随机选择样本中75%的数据为训练数据,余下25%的样本数据为测试样本,并与所提出的遗传算法优化支持向量机(GA-SVM)算法进行比较,对比结果如表2所示。
表2不同分类器的分类指标
5.结论
本发明建立的基于经验模态分解剩余信号能量特征的滚动轴承故障模式智能识别方法,在小样本情况的基础上,能够更加精准地识别滚动轴承的故障类型,为滚动轴承故障的模式识别和智能诊断提供了帮助。
其它未详细说明的均属于现有技术。
Claims (3)
1.经验模态分解剩余信号特征的滚动轴承故障智能识别方法,其特征在于:所述方法是结合经验模态分解剩余信号的能量特征和振动信号的时域特征,利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式智能识别;
具体由如下依次执行的步骤组成:
首先通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号,
步骤一:振动信号经验模态分解剩余信号的能量特征提取
经验模态分解假设任何信号都由不同的特征模态函数IMF组成,且IMF必须满足以下两个条件:(1)在整个时间历程内,穿越零点的次数与极值点数相等或至多相差一个;(2)信号上任意一点,由局部极大值定义的上包络线和由局部极小值定义的下包络线的均值为零或近似为零,即信号关于时间轴局部对称;
这样任何一个信号就可以分解为有限个IMF分量和一个剩余信号的和,其中,剩余信号提取过程如下:
(1)对任意一个已知信号,首先确定出原始数据X(t)上的所有极值点,用三次样条曲线连接所有极大值点形成上包络线,同样的方法形成下包络线;数据X(t)与上下包络线的均值m1(t)的差记为h1(t),则
h1(t)=X(t)-m1(t) (1-1)
将h1(t)作为新的数据X(t),重复上述步骤,直到h1(t)满足IMF的两个条件时,则其成为从原始信号筛选出的第一阶IMF,记为C1;
(2)将C1从X(t)中分离出来,得到一个去掉高频分量的差值信号r1(t),有
r1(t)=X(t)-C1 (1-2)
把r1(t)作为新信号,重复(1-1)的筛分步骤,直到第n阶的剩余信号成为单调函数,不能再筛分出IMF分量;
(3)数学上,信号X(t)可表示为n个IMF分量和一个剩余项的和,即
式中:Ci(t)为第i个IMF分量,其中i=(0,1···N);rn(t)为经验模态分解的剩余信号,代表信号中的平均趋势,反映的是原始信号的均值信息;然后,计算剩余信号的能量为Ej(j=0,1···N),其中,rj(t)为剩余信号离散点的幅值;
步骤二:振动信号的时域特征提取
采用的振动信号时域特征参数有峰值因子Xcf、脉冲因子Xif、裕度因子Xcif、波形因子Xsf、峭度因子Xkv和偏度Xsk;
步骤三:组成振动信号的特征向量
将步骤一与步骤二中所得到的能量特征和振动信号的时域特征参数作为输入特征向量的组成元素T',同时,为了方便后续数据处理以及使收敛速度加快,对提取的特征向量进行归一化处理;则
T'=(Xcf,Xif,Xcif,Xsf,Xkv,Xsk,Ej) (1-4)
步骤四:遗传算法优化支持向量机参数的故障模式识别
依据支持向量机算法,核函数K(x,x')和惩罚因子需要进行参数选择,其中,x为样本的特征向量;选取高斯核函数,即:
使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子;将四种类型的振动信号特征向量送入遗传算法优化的支持向量机模型,进行网络模型的训练和测试,最后完成滚动轴承故障分类。
3.根据权利要求1所述的经验模态分解剩余信号特征的滚动轴承故障智能识别方法,其特征在于,在步骤四中,使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子,将结合了振动信号经验模态分解剩余信号能量值的特征向量送入遗传算法优化的支持向量机模型,进行网络模型的训练和测试,最后完成在小样本情况基础上的滚动轴承故障模式智能识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298913.9A CN110044623B (zh) | 2019-04-15 | 2019-04-15 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298913.9A CN110044623B (zh) | 2019-04-15 | 2019-04-15 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110044623A CN110044623A (zh) | 2019-07-23 |
CN110044623B true CN110044623B (zh) | 2020-09-22 |
Family
ID=67277099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298913.9A Active CN110044623B (zh) | 2019-04-15 | 2019-04-15 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110044623B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008648B (zh) * | 2019-11-12 | 2023-10-27 | 国网湖南省电力有限公司 | 一种纯光纤电子式电流互感器故障辨识方法、系统及介质 |
CN111767891A (zh) * | 2020-07-09 | 2020-10-13 | 南京工程学院 | 一种滚动轴承故障诊断方法 |
CN111811820B (zh) * | 2020-07-20 | 2021-04-23 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 一种基于多参数对比的汽轮机主机振动状态评估方法 |
CN111982488A (zh) * | 2020-08-26 | 2020-11-24 | 上海德意达电子电器设备有限公司 | 一种基于gemd包络谱分析的车轴故障的诊断方法 |
CN112183439A (zh) * | 2020-10-13 | 2021-01-05 | 上海明略人工智能(集团)有限公司 | 信号特征提取方法、系统、计算机可读存储介质及电子设备 |
CN112723076A (zh) * | 2021-01-07 | 2021-04-30 | 昆明理工大学 | 一种电梯导靴故障诊断方法 |
CN113158769A (zh) * | 2021-03-03 | 2021-07-23 | 安徽大学 | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 |
CN113688780A (zh) * | 2021-09-08 | 2021-11-23 | 泉州信息工程学院 | 一种电机轴承故障识别方法 |
CN117117976B (zh) * | 2023-10-25 | 2024-03-05 | 广东电网有限责任公司中山供电局 | 一种双馈感应风力发电机参数辨识方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
CN106441893A (zh) * | 2016-09-22 | 2017-02-22 | 北京邮电大学 | 火车滚动轴承故障与杂质振动区分方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
-
2019
- 2019-04-15 CN CN201910298913.9A patent/CN110044623B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
CN106441893A (zh) * | 2016-09-22 | 2017-02-22 | 北京邮电大学 | 火车滚动轴承故障与杂质振动区分方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110044623A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110044623B (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
Abid et al. | Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM | |
Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN111044621B (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
CN105258789B (zh) | 一种振动信号特征频率带的提取方法及装置 | |
CN111914703A (zh) | 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN115602193A (zh) | 一种多元信息融合的发电厂电气设备分类与异常检测方法 | |
Medina et al. | Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN116399579A (zh) | 变压器机械故障诊断方法、装置、计算机设备及存储介质 | |
Patel et al. | Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN113237619A (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN116840743A (zh) | 电力变压器故障处理方法、装置、电子设备及存储介质 | |
Zhang et al. | Gearbox health condition identification by neuro-fuzzy ensemble | |
Pan et al. | Intelligent fault diagnosis of rolling bearing via deep-layerwise feature extraction using deep belief network | |
Na et al. | Penetration feature extraction and modeling of arc sound signal in GTAW based on wavelet analysis and hidden Markov model | |
Gan et al. | Fault diagnosis of wind Turbine’s gearbox based on improved GA random forest classifier | |
He et al. | Intelligent fault diagnosis of rotating machinery based on multiple relevance vector machines with variance radial basis function kernel | |
Alkhanafseh et al. | Advanced Dual RNN Architecture for Electrical Motor Fault Classification |
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 |