CN110059732A - 一种内燃机多故障诊断方法 - Google Patents
一种内燃机多故障诊断方法 Download PDFInfo
- Publication number
- CN110059732A CN110059732A CN201910255341.6A CN201910255341A CN110059732A CN 110059732 A CN110059732 A CN 110059732A CN 201910255341 A CN201910255341 A CN 201910255341A CN 110059732 A CN110059732 A CN 110059732A
- Authority
- CN
- China
- Prior art keywords
- diagonal
- sample
- cumulant
- class
- support vector
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种内燃机多故障诊断方法,包括获取内燃机振动角域信号;故障特征参数提取:首先根据角域信号计算其三阶累积量,再根据三阶累积量计算对角累积量,最后计算基于对角累积量的统计参数对角累积能量和对角累积差;故障分类模型的构建:首先对非线性支持向量机进行优化构建最优的非线性支持向量机并得到最优分类函数;再采用一对一法构造内燃机多故障分类模型;最后利用已知故障类型的特征参数对角累积差,对角累积能量作为训练集,把训练集中样本点输入到故障分类模型中进行训练得到分类模型,再将包含未知故障类型的特征参数对角累积差,对角累积能量的测试集,把测试集的样本点输入训练后的分类模型进行类型识别即故障诊断。
Description
技术领域
本发明涉及故障诊断方法,尤其涉及一种内燃机多故障诊断方法。
背景技术
内燃机运转时产生振动是不可避免的,不论是状态监测还是故障诊断,振动信号都是反映其内在关系极其有效的敏感参数。传统的故障诊断方法采用的是时域分析,基于时间序列进行信号采集,然而内燃机机体表面振动信号呈现多态冲击、时变传输与非高斯的典型特征,使得采用基于时间序列的信号进行故障诊断难以得到准确的结果。目前使用较多的特征参数提取方法是利用小波变换或者其改进算法对原始信号进行分解,依据各尺度和频带的能量来提取故障特征参数,包括平均能量分布、标准相对能量,然而小波变换的信号是冗余的,多尺度分解后,尺度和频带众多,使得信号处理和特征提取十分繁琐,同时,具有小波分解的特征参数比较单一,没有完全的反映分解信号的特征信息。在故障分类方面,使用较多的是神经网络算法,然而不管从学习效率还是故障识别率上,支持向量机算法都优于神经网络算法,且比神经网络算法有更强的抗干扰能力。支持向量机(SVM)是建立在统计学习理论的VC维和结构风险最小化原则基础上的机器学习方法。支持向量机是从线性可分情况下的最优超平面发展而来的。
因此,亟待解决上述问题。
发明内容
发明目的:本发明的目的是提供可有效降低内燃机结构和工况对信号的扰动使诊断结果更为准确的一种内燃机多故障诊断方法。
技术方案:为实现以上目的,本发明公开了一种内燃机多故障诊断方法,包括如下步骤:
(1)获取内燃机振动角域信号y(θ),θ为角度;
(2)故障特征参数提取:首先根据角域信号y(θ)计算其三阶累积量,再根据三阶累积量计算对角累积量,最后计算基于对角累积量的统计参数对角累积能量和对角累积差;
(3)故障分类模型的构建:
首先对非线性支持向量机进行优化构建最优的非线性支持向量机并得到最优分类函数f(x);
再采用一对一法构造内燃机多故障分类模型,即在任意两类样本集之间设计一个二分类模型;设第i类和j类的样本集分别记为{(x,y)}i与{(x,y)}j,x为样本集的特征参数,y表示样本类别,相应的标签集分别为i与j,总的样本集为M类;则M类故障的分类共构造M(M-1)/2决策函数,第i类和j类的决策函数记为fij(x);当新的测试集输入非线性支持向量机的决策函数进行训练后,若fij(x)=i,则属于i类,i类的权值加1,否则j的权值加1,最终权值最大的一类即为测试样本集所属的类别;
最后利用已知故障类型的特征参数对角累积差,对角累积能量作为训练集,将训练集的样本点输入到故障分类模型fij(x)中进行训练得到分类模型,再将包含未知故障类型的特征参数对角累积差和对角累积能量的测试集,将测试集的样本点输入训练后的分类模型进行类型识别即故障诊断。
其中,所述步骤(1)中获取内燃机振动角域信号y(θ)的具体步骤包括:通过光电式角度编码器采集内燃机振动信号,获得振动的角域信号y(θ),其中采样频率fs为3600/转。
优选的,所述步骤(2)中故障特征参数具体提取步骤包括:
(2.1)将角域信号y(θ)按旋转周期截断,获得单个样本信号x(θ);计算三阶累积量C3x(τ1,τ2)的估计式对于各态遍历的随机角域信号y(θ),三阶累积量C3x(τ1,τ2)可由单个样本信号x(θ)代替集总的角域信号y(θ)来估计,估计式计算公式为:
其中:为角域信号y(θ)的一阶矩估计式,N为单个样本信号x(θ)的采样点数,τ1,τ2为角度延迟量,x(θ+τ1),x(θ+τ2)分别为角度为θ+τ1与θ+τ2时的样本信号;
(2.2)对角累积量D3x(k)为三阶累积量C3x(τ1,τ2)按轴线τ1=τ2对称分布元素的加权均值,对角累积量D3x(k)的计算公式为:
其中:c(m,k)为三阶累积量的第m行,第k列的元素值;
(2.3)对角累积能量E3x为对角累积量D3x(k)的平方在时延轴上的积分平均值,反映了对角累积量D3x(k)的总能量值,对角累积差STD3x反映了对角累积量D3x(k)的偏差程度;对角累积能量E3x的积分公式为:
对角累积能量E3x的离散计算公式为:
对角累积差STD3x的离散计算公式为:
其中,为对角累积量D3x(k)的平均值。
再者,所述步骤(3)中优化非线性支持向量机的具体步骤包括:
当训练样本集在线性不可分时,对支持向量机的原始优化问题引入松弛变量ξn,采取软间隔思想来折中考虑最小的样本容错率和最大超平面的矛盾,原始优化问题可称为求解广义最优超平面,广义最优超平面即为:
其中:T(ω,ξ)为优化目标函数,s.t.表示优化条件,ω与b分别为超平面的法向量和截距,xn为每个样本集中的第n个特征参数,yn为对应的类别标识,yn=+1表示样本为正样本,yn=-1表示样本为负样本,C称为惩罚因子;
非线性支持向量机引入核函数后,非线性支持向量机的最优分类函数为:
其中,sgn(·)为符号函数,αn*为最优拉格郎日系数,b*为阈值,xn、xm表示样本点数,l表示总的样本数,n,m=(1,2...,l);K(xn,xm)为核函数;
核函数选择径向基核函数:
K(xn,xm)=exp(-||xn-xm||2/2g2)
其中g是径向基的宽度;
采用网格法优化非线性支持向量机的惩罚因子C和径向基的宽度g;将参数C和g的设定在范围2-10~210上,以步长为0.5进行迭代,计算分类准确率,并在合格分类准确率中获取分类准确率最高时的C和g作为最优参数,构建最优的非线性支持向量机。
进一步,所述合格分类准确率P≥90%,其中:P=Sa/St×100%,Sa表示正确分类样本数,St表示总测试样本数。
有益效果:
与现有技术相比,本发明具有以下显著优点:本发明针对非线性、非平稳的内燃机振动信号,提出基于角域信号的特征提取方法,并将基于对角累积量的统计参量E3x,STD3x作为样本集,输入支持向量机构建多分类模型;本发明的方法有效降低内燃机结构和工况对信号的扰动,使诊断结果更为准确;并且能够实现内燃机多种不同故障的诊断,具有很高的工程应用价值。
附图说明
图1为本发明的系统流程图;
图2为本发明中三阶累积量估算式关于角度延迟轴对称的原理示意图;
图3为本发明中对角累积量的原理图;
图4为本发明中SVM多故障分类模型示意图;
图5为本发明中试验台的示意图;
图6为本发明中连杆轴承间隙模拟故障示意图;
图7为图6中A处磨损故障局部放大图;
图8为本发明中角域信号采集系统的流程图;
图9为本发明中5台不同故障的内燃机在一个工作周期内的振动信号;
图10为本发明中5种不同故障角域信号对角累积量的计算结果;
图11为本发明中5种不同故障对角累积能量的样本分布图;
图12为本发明中5种不同故障对角累积标准差的样本分布图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明的一种内燃机多故障诊断方法,包括如下步骤:
(1)获取内燃机振动角域信号y(θ),θ为角度;具体步骤包括:通过光电式角度编码器采集内燃机振动信号,获得振动的角域信号y(θ),其中采样频率fs为3600/转;将角域信号y(θ)按旋转周期截断,获得单个样本信号x(θ);
(2)故障特征参数提取:首先根据角域信号y(θ)计算其三阶累积量C3x(τ1,τ2),再根据三阶累积量C3x(τ1,τ2)计算对角累积量D3x(k),最后计算基于对角累积量D3x(k)的统计参数对角累积能量E3x和对角累积差STD3x;
故障特征参数具体提取步骤包括:
(2.1)计算三阶累积量C3x(τ1,τ2)的估计式对于各态遍历的随机角域信号y(θ),三阶累积量C3x(τ1,τ2)可由单个样本信号x(θ)代替集总的角域信号y(θ)来估计,估计式计算公式为:
其中:为角域信号y(θ)的一阶矩估计式,N为单个样本信号x(θ)的采样点数,τ1,τ2为角度延迟量,x(θ+τ1),x(θ+τ2)分别为角度为θ+τ1与θ+τ2时的样本信号,如图2所示,三阶累积量估计式关于角度延迟轴τ1,τ2及τ1=τ2对称;
(2.2)对角累积量D3x(k)为三阶累积量C3x(τ1,τ2)按轴线τ1=τ2对称分布元素的加权均值,对角累积量的原理如图3所示;
对角累积量D3x(k)的计算公式为:
其中:c(m,k)为三阶累积量的第m行,第k列的元素值;
(2.3)对角累积能量E3x为对角累积量D3x(k)的平方在时延轴上的积分平均值,反映了对角累积量D3x(k)的总能量值,对角累积差STD3x反映了对角累积量D3x(k)的偏差程度;对角累积能量E3x的积分公式为:
对角累积能量E3x的离散计算公式为:
对角累积差STD3x的离散计算公式为:
其中,为对角累积量D3x(k)的平均值;
(3)故障分类模型的构建:
首先对非线性支持向量机进行优化构建最优的非线性支持向量机并得到最优分类函数f(x);优化非线性支持向量机的具体步骤包括:
当训练样本集在线性不可分时,对支持向量机的原始优化问题引入松弛变量ξn,采取软间隔思想来折中考虑最小的样本容错率和最大超平面的矛盾,原始优化问题可称为求解广义最优超平面,广义最优超平面即为:
其中:T(ω,ξ)为优化目标函数,s.t.表示优化条件,ω与b分别为超平面的法向量和截距,xn为每个样本集中的第n个特征参数,yn为对应的类别标识,yn=+1表示样本为正样本,yn=-1表示样本为负样本,C称为惩罚因子;
非线性支持向量机引入核函数后,非线性支持向量机的最优分类函数为:
其中,sgn(·)为符号函数,αn*为最优拉格郎日系数,b*为阈值,xn、xm表示样本点数,l表示总的样本数,n,m=(1,2...,l);K(xn,xm)为核函数;
核函数选择径向基核函数:
K(xn,xm)=exp(-||xn-xm||2/2g2)
其中g是径向基的宽度;
采用网格法优化非线性支持向量机的惩罚因子C和径向基的宽度g;将参数C和g的设定在范围2-10~210上,以步长为0.5进行迭代,获取分类准确率P最高时的C和g作为最优参数,构建最优的非线性支持向量机;分类准确率P≥90%,其中:P=Sa/St×100%,Sa表示正确分类样本数,St表示总测试样本数。
如图4所示,再采用一对一法构造内燃机多故障分类模型,即在任意两类样本集之间设计一个二分类模型;设第i类和j类的样本集分别记为{(x,y)}i与{(x,y)}j,x为样本集的特征参数,y表示样本类别,相应的标签集分别为i与j,总的样本集为M类;则M类故障的分类共构造M(M-1)/2决策函数,第i类和j类的决策函数记为fij(x);当新的测试集输入非线性支持向量机的决策函数进行训练后,若fij(x)=i,则属于i类,i类的权值加1,否则j的权值加1,最终权值最大的一类即为测试样本集所属的类别;最后利用已知故障类型的特征参数对角累积差STD3x,对角累积能量E3x作为训练集,单故障单特征参数的训练集包含80样本点,输入到故障分类模型fij(x)中进行训练得到分类模型,再将包含未知故障类型的特征参数对角累积差STD3x,对角累积能量E3x的测试集,单故障单特征参数的测试集包含20个样本点,输入训练后的分类模型进行类型识别即故障诊断。
实施例
1、故障模拟
本实例将对内燃机曲轴连杆轴承间隙进行故障诊断,选用5台RT160型汽油机,包括1台正常汽油机,4台不同连杆轴承间隙故障程度的汽油机。采用锁紧螺栓将汽油机固定在安装底座上,输出轴无负载。加速度传感器布置与主轴外壳的轴承座上,光电式角度编码器由弹性联轴器与主轴连接,实现角度触发采样,如图5所示,其中内燃机1、加速度传感器2、光电式角度编码器3。
如图6和图7所示,其中连杆5,曲轴轴颈6,Δ为磨损间隙;间隙故障通过加工连杆大头孔,改变孔径的方法来模拟连杆轴承的过大异常间隙,根据间隙大小,将汽油机的故障分为正常间隙、轻度磨损、中度磨损、严重磨损和极限磨损状态。如下面表1所示:
表1
2、角域信号采集系统
振动角域信号采集系统主要包括硬件系统和软件系统,硬件系统包括:ICP压电式传感器、信号调理仪、抗混叠滤波器、数据采集卡、光电编码器和PC机;软件系统主要是基于LabView的采集软件,其流程如图7所示。振动角域信号采集系统实现编码器角度触发采样,振动信号由传感器获取,输入信号调理仪进行抗混叠滤波和幅值调适,经过预处理的模拟信号进入采集卡缓存区,同时,采集卡成功初始化,等待采集命令;曲轴转动时,编码器发出数字脉冲电压信号送入采集卡,触发开始采样,同时进行幅值量化和编码;最后,被量化和编码后的数字信号输入电脑显示输出和数据存储。
3、特征参数提取
本实例选用转速在1200r/min的工况,分别采集了5种不同间隙故障的振动信号,分别计算特征参数的样本集。图9给出了5台不同连杆故障的内燃机在一个工作周期内的振动信号。
计算单个旋转周期内振动角域信号的三阶累积量,设定估计的最大角度延迟量τ1=τ2=50,每段样本数为3600点,每种故障100个样本点,5种故障共计500个样本点。
根据三阶累计量计算对角累计量,图10给出了5中不同故障角域信号对角累积量的计算结果。如图10所示,对角累积量呈对称分布,在时延τ=0取得最大值,并随着时延的增加角累积量逐渐衰减至零。正常机的对角累积量最大值约为1,连杆故障1的对角累积量最大值约为0.8,连杆故障2的对角累积量最大值约为0.7,连杆故障3的对角累积量最大值约为6,连杆故障4的对角累积量最大值约为10。这说明对角累积量随之故障程度的增加呈非线性变化,故障越大,反映越灵敏。
计算每种故障信号的对角累积能量E3x对角累积差STD3x,各100个样本点。所得结果如图11和图12所示,其中图10显示的是5种故障对角累计能量E3x样本分布,图11显示的是对角累计标准差STD3x样本分布。
4、构建分类模型与诊断结果
为验证将对角累计能量E3x与角累计标准差STD3x作为分类特征参数的有效性,将不同特征参数的SVM多分类模型来进行比较分析,共构建了3种基于不同特征参数的的SVM多故障分类模型。第1、2两种分类模型是基于传统时域参数和时-频域统计参数的SVM多分类模型,第3种是基于对角累积统计参数的SVM分类模型,各分类模型的参数详细情况见表2:
表2
其中,RMS—均方根值;STD—标准差;Kv—峭度值;Cf—峰值指标;Sf—波形指标;CLf—裕度指标;MF—频谱指标;FC—频谱重心;RMSF—谱有效值;STDF—谱标准差。
为了建立最优的SVM分类模型,本发明采用网格法优化支持向量机的惩罚因子C和径向基的宽度g。将参数C和g的设定在范围2-10~210上,以步长为0.5进行迭代,获取分类准确率最高时的C和g作为最优参数,从而完成了最优分类器的构建,见表3。
表3
本发明采用十字交叉验证法,将上述单故障样本集分为80个点训练集和20个点测试集,分别用于分类器的训练和检验,检验的结果如表4。
表4
从表4中可以看出,本发明提出的分类模型的平均分类准确率为96%,相比于传统的时域参数和时-频参数分类模型,其准确率明显更高。
Claims (5)
1.一种内燃机多故障诊断方法,其特征在于,包括如下步骤:
(1)获取内燃机振动角域信号y(θ),θ为角度;
(2)故障特征参数提取:首先根据角域信号y(θ)计算其三阶累积量,再根据三阶累积量计算对角累积量,最后计算基于对角累积量的统计参数对角累积能量和对角累积差;
(3)故障分类模型的构建:
首先对非线性支持向量机进行优化构建最优的非线性支持向量机并得到最优分类函数f(x);
再采用一对一法构造内燃机多故障分类模型,即在任意两类样本集之间设计一个二分类模型;设第i类和j类的样本集分别记为{(x,y)}i与{(x,y)}j,x为样本集的特征参数,y表示样本类别,相应的标签集分别为i与j,总的样本集为M类;则M类故障的分类共构造M(M-1)/2决策函数,第i类和j类的决策函数记为fij(x);当新的测试集输入非线性支持向量机的决策函数进行训练后,若fij(x)=i,则属于i类,i类的权值加1,否则j的权值加1,最终权值最大的一类即为测试样本集所属的类别;
最后利用已知故障类型的特征参数对角累积差,对角累积能量作为训练集,把训练集中样本点输入到故障分类模型fij(x)中进行训练得到分类模型,再将包含未知故障类型的特征参数对角累积差,对角累积能量的测试集,把测试集的样本点输入训练后的分类模型进行类型识别即故障诊断。
2.根据权利要求1所述的一种内燃机多故障诊断方法,其特征在于:所述步骤(1)中获取内燃机振动角域信号的具体方法为:通过光电式角度编码器采集内燃机振动信号,获得振动的角域信号y(θ),其中采样频率fs为3600/转。
3.根据权利要求1所述的一种内燃机多故障诊断方法,其特征在于:所述步骤(2)中故障特征参数具体提取步骤包括:
(2.1)将角域信号y(θ)按旋转周期截断,获得单个样本信号x(θ);计算三阶累积量C3x(τ1,τ2)的估计式对于各态遍历的随机角域信号y(θ),三阶累积量C3x(τ1,τ2)可由单个样本信号x(θ)代替集总的角域信号y(θ)来估计,估计式计算公式为:
其中:为角域信号y(θ)的一阶矩估计式,N为单个样本信号x(θ)的采样点数,τ1,τ2为角度延迟量,x(θ+τ1),x(θ+τ2)分别为角度为θ+τ1与θ+τ2时的样本信号;
(2.2)对角累积量D3x(k)为三阶累积量C3x(τ1,τ2)按轴线τ1=τ2对称分布元素的加权均值,对角累积量D3x(k)的计算公式为:
其中:c(m,k)为三阶累积量的第m行,第k列的元素值;
(2.3)对角累积能量E3x为对角累积量D3x(k)的平方在时延轴上的积分平均值,反映了对角累积量D3x(k)的总能量值,对角累积差STD3x反映了对角累积量D3x(k)的偏差程度;对角累积能量E3x的积分公式为:
对角累积能量E3x的离散计算公式为:
对角累积差STD3x的离散计算公式为:
其中,为对角累积量D3x(k)的平均值。
4.根据权利要求1所述的一种内燃机多故障诊断方法,其特征在于:所述步骤(3)中优化非线性支持向量机的具体步骤包括:
当训练样本集在线性不可分时,对支持向量机的原始优化问题引入松弛变量ξn,采取软间隔思想来折中考虑最小的样本容错率和最大超平面的矛盾,原始优化问题可称为求解广义最优超平面,广义最优超平面即为:
其中:T(ω,ξ)为优化目标函数,s.t.表示优化条件,ω与b分别为超平面的法向量和截距,xn为每个样本集中的第n个特征参数,yn为对应的类别标识,yn=+1表示样本为正样本,yn=-1表示样本为负样本,C称为惩罚因子;
非线性支持向量机引入核函数后,非线性支持向量机的最优分类函数为:
其中,sgn(·)为符号函数,αn*为最优拉格郎日系数,b*为阈值,xn、xm表示样本点数,l表示总的样本数,n,m=(1,2...,l);K(xn,xm)为核函数;
核函数选择径向基核函数:
K(xn,xm)=exp(-||xn-xm||2/2g2)
其中g是径向基的宽度;
采用网格法优化非线性支持向量机的惩罚因子C和径向基的宽度g;将参数C和g的设定在范围2-10~210上,以步长为0.5进行迭代,计算分类准确率,并在合格分类准确率中获取分类准确率最高时的C和g作为最优参数,构建最优的非线性支持向量机。
5.根据权利要求4所述的一种内燃机多故障诊断方法,其特征在于:所述合格分类准确率P≥90%,其中:P=Sa/St×100%,Sa表示正确分类样本数,St表示总测试样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255341.6A CN110059732A (zh) | 2019-04-01 | 2019-04-01 | 一种内燃机多故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255341.6A CN110059732A (zh) | 2019-04-01 | 2019-04-01 | 一种内燃机多故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059732A true CN110059732A (zh) | 2019-07-26 |
Family
ID=67317878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255341.6A Pending CN110059732A (zh) | 2019-04-01 | 2019-04-01 | 一种内燃机多故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059732A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642649A (zh) * | 2021-08-16 | 2021-11-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于支持向量机的hplc通信模块合格分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202974665U (zh) * | 2012-12-17 | 2013-06-05 | 中国矿业大学 | 基于支持向量机svm分类的自动故障诊断内燃机 |
CN104111109A (zh) * | 2014-07-21 | 2014-10-22 | 石家庄铁道大学 | 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法 |
CN104155134A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种高阶累积量特征提取方法适用性的判断方法 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控系统 |
-
2019
- 2019-04-01 CN CN201910255341.6A patent/CN110059732A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202974665U (zh) * | 2012-12-17 | 2013-06-05 | 中国矿业大学 | 基于支持向量机svm分类的自动故障诊断内燃机 |
CN104111109A (zh) * | 2014-07-21 | 2014-10-22 | 石家庄铁道大学 | 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN104155134A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种高阶累积量特征提取方法适用性的判断方法 |
CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控系统 |
Non-Patent Citations (2)
Title |
---|
CHEN LIN ET AL: "The clearance fault diagnosis for the internal combustion engine using the AS-SOAI algorithm", 《HYDROMECHATRONICS ENGINEERING》 * |
陈林: "内燃机零件质量及装配故障的诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642649A (zh) * | 2021-08-16 | 2021-11-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于支持向量机的hplc通信模块合格分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104729853B (zh) | 一种滚动轴承性能退化评估装置及方法 | |
CN108181107B (zh) | 计及多分类目标的风电机组轴承机械故障诊断方法 | |
CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN110954312A (zh) | 一种基于无键相整周期信号的往复机械故障诊断方法 | |
Shi et al. | A two-stage sound-vibration signal fusion method for weak fault detection in rolling bearing systems | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN110263649A (zh) | 一种基于EMD和Teager算子的变负荷活塞式发动机冲击特征提取方法 | |
CN110595778B (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
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 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN104504403A (zh) | 一种基于散射变换的旋转机械故障预测方法 | |
CN112113755A (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
Wang et al. | A quantitative intelligent diagnosis method for early weak faults of aviation high-speed bearings | |
Deng et al. | Application of BP neural network and convolutional neural network (CNN) in bearing fault diagnosis | |
Lv et al. | Gear fault feature extraction based on fuzzy function and improved Hu invariant moments | |
CN110059732A (zh) | 一种内燃机多故障诊断方法 | |
CN115114965A (zh) | 风电机组齿轮箱故障诊断模型、方法、设备及存储介质 | |
CN113408578B (zh) | 基于生成式对抗网络的谐波减速器故障诊断方法及系统 | |
CN107463872A (zh) | 一种旋转机械转轴裂纹故障诊断方法 | |
CN107679013A (zh) | 基于eemd‑hht与时频重排结合的转速曲线估计方法 | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
CN101968379B (zh) | 航空发动机转子系统工况振动信号特征信息提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |