CN110108431B - 一种基于机器学习分类算法的机械设备故障诊断方法 - Google Patents
一种基于机器学习分类算法的机械设备故障诊断方法 Download PDFInfo
- Publication number
- CN110108431B CN110108431B CN201910427830.5A CN201910427830A CN110108431B CN 110108431 B CN110108431 B CN 110108431B CN 201910427830 A CN201910427830 A CN 201910427830A CN 110108431 B CN110108431 B CN 110108431B
- Authority
- CN
- China
- Prior art keywords
- fault
- mechanical equipment
- vibration signals
- signal
- classification
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于机器学习分类算法的机械设备故障诊断方法,包括以下步骤:步骤1,利用加速度传感器采集机械设备关键点的振动信号,并存储振动信号原始波形;步骤2,对步骤1采集得到的振动信号进行筛选判断;步骤3,对筛选后的振动信号进行预处理;步骤4,对步骤3中得到的加速度信号、速度信号、包络信号进行特征提取;步骤5,将步骤4所得的特征向量输入至故障分类模型中,模型输出设备对应的故障诊断结果。本发明基于机器学习分类算法建立机械设备的智能诊断模型,进而实现机械设备故障的智能诊断。
Description
技术领域
本发明属于机械设备故障诊断领域,特别涉及一种基于机器学习分类算法的机械设备故障诊断方法。
背景技术
随着工业现代化水平快速提升,机械设备日益朝着高速化、精密化、自动化和集成化方向快速发展。机械设备中的旋转部件,如轴承、轴瓦、主轴、齿轮箱等,工作环境复杂多变,常因其工作负荷过重、负载多变以及受外部极端工作环境的影响容易发生各类故障。若故障无法及时有效的诊断并排除,随着故障的恶化和进一步发展,将带来重大的安全隐患、并造成重大经济损失。
传统的机械设备故障诊断方法主要为基于振动信号处理进行诊断和基于故障机理的诊断。这两种故障诊断方法能够解决机理简单、并且故障特征明显的机械设备故障类型。对于故障发生机理复杂,并且信号频谱复杂,故障特征揭示不明显的故障类型,传统的故障诊断方法诊断效果较差、准确性较低。
发明内容
本发明的目的在于提供一种基于机器学习分类算法的机械设备故障诊断方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种基于机器学习分类算法的机械设备故障诊断方法,包括以下步骤:
步骤1,利用加速度传感器采集机械设备关键点的振动信号,并存储振动信号原始波形;
步骤2,对步骤1采集得到的振动信号进行筛选判断,清洗、删除机械设备停机状态下采集的振动信号;
步骤3,对筛选后的振动信号进行预处理;
步骤4,对步骤3中得到的加速度信号、速度信号、包络信号进行特征提取,特征提取包括时域特征提取和频域特征提取;
步骤5,将步骤4所得的特征向量输入至故障分类模型中,模型输出设备对应的故障诊断结果。
进一步的,步骤1中,加速度传感器需保证频响至少覆盖1-10KHz,并具有不低于50mg/g的灵敏度;机械设备关键点指机械设备旋转轴支撑轴承所在位置或机械设备齿轮箱齿轮所在位置或机械设备其他关键零部件所处的位置。
进一步的,步骤2中,筛选判断停机状态的振动信号首先需要计算加速度信号包络的峰值,将包络峰值与所设置的停机阈值比较,若小于等于停机阈值,则所采集振动信号对应设备停机状态;反之,所采集振动信号对应设备运转状态;其中停机阈值通过统计设备停机状态下的加速度包络峰值获取。
进一步的,步骤3中,预处理包括对加速度信号进行一次积分得到速度信号,以及提取加速度信号的包络,以此获取了加速度信号对应的速度信号和包络信号。
进一步的,步骤4中,提取的特征组成特征向量,提取的时域特征包括有效值、峰值、峰峰值有量纲指标以及峭度、偏斜度、峰值指标无量纲指标;提取的频域特征包括频带能量、频带能量占比。
进一步的,步骤5中,故障分类模型的构建包括:
1)归纳、收集整理同一机械设备类型的故障案例样本的振动信号数据和对应的故障标签;
2)将1)中的振动信号逐个进行特征提取,并组成特征向量,所提取特征向量与步骤四所述的特征向量一致;
3)将2)中所有特征向量进行划分,划分为训练集和测试集,需保证训练集不低于总样本量的50%,同时划分训练集和测试集中对应的故障标签需保证类别平衡、数量平衡;
4)选用机器学习分类算法对训练集进行训练,得到故障分类模型,将测试集输入故障分类模型中验证模型分类结果的准确度是否满足所设定要求,若满足要求,则该故障分类模型即为构建的模型;若不满足,则需进行:
<1>分类算法的调优,包括:分类算法的筛选、分类算法内部参数调整;
<2>建模特征参数的筛选;并重新进行训练和测试,直至测试集的分类精度达到要求。
与现有技术相比,本发明有以下技术效果:
本发明基于机器学习分类算法建立机械设备的智能诊断模型,进而实现机械设备故障的智能诊断。相对于传统的故障诊断方法,本发明具有自动化、智能化、诊断准确度高的优点。同时本发明的智能诊断方法能够解决故障机理复杂、故障模式繁多的机械设备故障诊断。通过本发明的应用,可实现机械设备故障预知,为机械设备维修提供决策依据,有效的降低了设备安全隐患,避免了重大经济损失。
附图说明
图1为整体流程图。
图2为运行状态振动信号筛选逻辑图。
图3为振动信号预处理流程图。
图4为振动信号特征提取流程图。
图5为机器学习故障分类模型构建流程图。
图6为故障案例测试集分类混淆矩阵。
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1至图6,一种基于机器学习分类算法的机械设备故障诊断方法,包括以下步骤:
步骤1,利用加速度传感器采集机械设备关键点的振动信号,并存储振动信号原始波形;
步骤2,对步骤1采集得到的振动信号进行筛选判断,清洗、删除机械设备停机状态下采集的振动信号;
步骤3,对筛选后的振动信号进行预处理;
步骤4,对步骤3中得到的加速度信号、速度信号、包络信号进行特征提取,特征提取包括时域特征提取和频域特征提取;
步骤5,将步骤4所得的特征向量输入至故障分类模型中,模型输出设备对应的故障诊断结果。
步骤1中,加速度传感器需保证频响至少覆盖1-10KHz,并具有不低于50mg/g的灵敏度;机械设备关键点指机械设备旋转轴支撑轴承所在位置或机械设备齿轮箱齿轮所在位置或机械设备其他关键零部件所处的位置。
步骤2中,筛选判断停机状态的振动信号首先需要计算加速度信号包络的峰值,将包络峰值与所设置的停机阈值比较,若小于等于停机阈值,则所采集振动信号对应设备停机状态;反之,所采集振动信号对应设备运转状态;其中停机阈值通过统计设备停机状态下的加速度包络峰值获取。
步骤3中,预处理包括对加速度信号进行一次积分得到速度信号,以及提取加速度信号的包络,以此获取了加速度信号对应的速度信号和包络信号。
步骤4中,提取的特征组成特征向量,提取的时域特征包括有效值、峰值、峰峰值有量纲指标以及峭度、偏斜度、峰值指标无量纲指标;提取的频域特征包括频带能量、频带能量占比。
步骤5中,故障分类模型的构建包括:
1)归纳、收集整理同一机械设备类型的故障案例样本的振动信号数据和对应的故障标签;
2)将1)中的振动信号逐个进行特征提取,并组成特征向量,所提取特征向量与步骤四所述的特征向量一致;
3)将2)中所有特征向量进行划分,划分为训练集和测试集,需保证训练集不低于总样本量的50%,同时划分训练集和测试集中对应的故障标签需保证类别平衡、数量平衡;
4)选用机器学习分类算法对训练集进行训练,得到故障分类模型,将测试集输入故障分类模型中验证模型分类结果的准确度是否满足所设定要求,若满足要求,则该故障分类模型即为构建的模型;若不满足,则需进行:
<1>分类算法的调优,包括:分类算法的筛选、分类算法内部参数调整;
<2>建模特征参数的筛选;并重新进行训练和测试,直至测试集的分类精度达到要求。
其中:
图1为整体流程图,首先利用加速度传感器采集机械设备振动信号,并对采集到的振动信号进行运行状态信号筛选判断,之后对通过运行状态判断的加速度信号进行预处理,得到相对应的速度信号和加速度包络信号,接下来提取加速度、速度、加速度包络三种信号的时域和频域特征,并将其组成特征向量输入至故障分类模型中,最后通过分类模型输出设备对应的故障诊断结果。
附图2为运行状态振动信号筛选逻辑,首先对采集得到的加速度信号进行包络提取,之后计算加速度包络的峰值,判断包络峰值是否大于设定的停机阈值,若大于停机阈值,则为机械设备运行状态下的测量信号,将信号保留;反之,为机械设备停机状态下的测量信号,将信号删除。
附图3为振动信号预处理流程,对判定为机械设备运行状态下采集的振动加速度信号分别进行一次积分运算和包络提取运算,得到速度信号和加速度包络信号。
附图4为振动信号特征提取流程,对获取的速度、加速度、加速度包络三种信号类型分别进行特征提取,提取时域特征和频域特征,并将提取的所有特征参数组合为特征向量。
附图5为机器学习故障分类模型构建流程,首先对积累的某种机械设备类型的故障案例集进行特征提取,其中故障案例集由历史故障时刻所采集的振动信号和对应的故障标签组成。其次将提取的特征向量进行划分,划分60%的数据量为训练数据集,剩余40%为测试数据集,采用LightGBM机器学习分类算法在训练集中训练得到分类模型,再根据分类模型在测试集上的分类准确度调整分类算法的参数,同时进行分类模型输入参数的筛选,最终得到在测试集上分类准确度表现最高的分类模型,将它作为最优的故障分类模型。
附图6为故障案例测试集分类混淆矩阵,横轴为分类模型预测结果,纵轴为测试集真实故障标签,矩阵中的值表示预测样本占真实故障标签数量的比例,图中对角线的值表示分类模型分类的准确度,由图可知,该故障分类模型在测试集上对所有故障类型的分类准确度在90%以上。
Claims (3)
1.一种基于机器学习分类算法的机械设备故障诊断方法,其特征在于,包括以下步骤:
步骤1,利用加速度传感器采集机械设备关键点的振动信号,并存储振动信号原始波形;
步骤2,对步骤1采集得到的振动信号进行筛选判断,清洗、删除机械设备停机状态下采集的振动信号;
步骤3,对筛选后的振动信号进行预处理;
步骤4,对步骤3中得到的加速度信号、速度信号、包络信号进行特征提取,特征提取包括时域特征提取和频域特征提取;
步骤5,将步骤4所得的特征向量输入至故障分类模型中,模型输出设备对应的故障诊断结果;
步骤1中,加速度传感器需保证频响至少覆盖1-10KHz,并具有不低于50mg/g的灵敏度;机械设备关键点指机械设备旋转轴支撑轴承所在位置或机械设备齿轮箱齿轮所在位置或机械设备其他关键零部件所处的位置;
步骤2中,筛选判断停机状态的振动信号首先需要计算加速度信号包络的峰值,将包络峰值与所设置的停机阈值比较,若小于等于停机阈值,则所采集振动信号对应设备停机状态;反之,所采集振动信号对应设备运转状态;其中停机阈值通过统计设备停机状态下的加速度包络峰值获取;
步骤5中,故障分类模型的构建包括:
1)归纳、收集整理同一机械设备类型的故障案例样本的振动信号数据和对应的故障标签;
2)将1)中的振动信号逐个进行特征提取,并组成特征向量,所提取特征向量与步骤四所述的特征向量一致;
3)将2)中所有特征向量进行划分,划分为训练集和测试集,需保证训练集不低于总样本量的50%,同时划分训练集和测试集中对应的故障标签需保证类别平衡、数量平衡;
4)选用机器学习分类算法对训练集进行训练,得到故障分类模型,将测试集输入故障分类模型中验证模型分类结果的准确度是否满足所设定要求,若满足要求,则该故障分类模型即为构建的模型;若不满足,则需进行:
<1>分类算法的调优,包括:分类算法的筛选、分类算法内部参数调整;
<2>建模特征参数的筛选;并重新进行训练和测试,直至测试集的分类精度达到要求。
2.根据权利要求1所述的一种基于机器学习分类算法的机械设备故障诊断方法,其特征在于,步骤3中,预处理包括对加速度信号进行一次积分得到速度信号,以及提取加速度信号的包络,以此获取了加速度信号对应的速度信号和包络信号。
3.根据权利要求1所述的一种基于机器学习分类算法的机械设备故障诊断方法,其特征在于,步骤4中,提取的特征组成特征向量,提取的时域特征包括有效值、峰值、峰峰值有量纲指标以及峭度、偏斜度、峰值指标无量纲指标;提取的频域特征包括频带能量、频带能量占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427830.5A CN110108431B (zh) | 2019-05-22 | 2019-05-22 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427830.5A CN110108431B (zh) | 2019-05-22 | 2019-05-22 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108431A CN110108431A (zh) | 2019-08-09 |
CN110108431B true CN110108431B (zh) | 2021-07-16 |
Family
ID=67491611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427830.5A Active CN110108431B (zh) | 2019-05-22 | 2019-05-22 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108431B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595811B (zh) * | 2019-09-11 | 2021-04-09 | 浙江工业大学之江学院 | 机械设备健康状态特征图构建方法 |
CN110594107B (zh) * | 2019-10-24 | 2020-06-16 | 内蒙古青电云电力服务有限公司 | 一种基于快速梯度提升机的风电机组故障检测方法及装置 |
CN110816589A (zh) * | 2019-10-31 | 2020-02-21 | 北京英诺威尔科技股份有限公司 | 一种基于机器学习的ctcs3故障诊断方法 |
CN111397896B (zh) * | 2020-03-08 | 2020-12-18 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN111930081A (zh) * | 2020-07-15 | 2020-11-13 | 西门子工厂自动化工程有限公司 | 用于监控agv状态的方法、装置、边缘设备和存储介质 |
CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
TWI758824B (zh) * | 2020-08-18 | 2022-03-21 | 神通資訊科技股份有限公司 | 機械運轉時之異常檢測與折損檢測系統及方法 |
CN112183344B (zh) * | 2020-09-28 | 2021-06-01 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
CN112380932B (zh) * | 2020-11-02 | 2022-10-14 | 上海三菱电梯有限公司 | 振动信号特征值选择方法及电梯健康状态评估或故障诊断方法 |
CN112525334B (zh) * | 2020-11-18 | 2023-06-02 | 西安因联信息科技有限公司 | 一种动设备振动多稳态检测方法 |
CN112613157A (zh) * | 2020-11-26 | 2021-04-06 | 北京航天智造科技发展有限公司 | 转子故障分析方法及装置 |
CN112580252A (zh) * | 2020-11-26 | 2021-03-30 | 北京航天智造科技发展有限公司 | 转子脱落故障诊断分析方法及装置 |
CN112729815A (zh) * | 2020-12-21 | 2021-04-30 | 云南迦南飞奇科技有限公司 | 基于无线网络的输送线健康状况在线故障大数据预警方法 |
CN116888450A (zh) * | 2021-02-22 | 2023-10-13 | 罗伯特·博世有限公司 | 一种用于监测机械装置或机械部件的健康状态的方法及装置 |
CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
CN113392936B (zh) * | 2021-07-09 | 2022-09-02 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN117609692B (zh) * | 2023-11-14 | 2024-04-30 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122583A (zh) * | 2007-09-06 | 2008-02-13 | 华中科技大学 | 一种剪切型框架结构损伤识别方法 |
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
CN107271170A (zh) * | 2017-07-12 | 2017-10-20 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
-
2019
- 2019-05-22 CN CN201910427830.5A patent/CN110108431B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122583A (zh) * | 2007-09-06 | 2008-02-13 | 华中科技大学 | 一种剪切型框架结构损伤识别方法 |
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
CN107271170A (zh) * | 2017-07-12 | 2017-10-20 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110108431A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108431B (zh) | 一种基于机器学习分类算法的机械设备故障诊断方法 | |
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
CN108981796B (zh) | 一种五位一体水力机械故障诊断方法 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN103496625B (zh) | 基于振动分析的多绳摩擦提升机载荷识别方法 | |
CN108760300A (zh) | 一种依据轴承振动信号对其进行故障智能诊断的方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN112308038B (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
CN108544303A (zh) | 一种数控机床主轴故障诊断方法及系统 | |
CN103884943A (zh) | 一种变压器绕组变形综合分析诊断方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN112131797B (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN113739909B (zh) | 一种基于全尺度时域平均的船舶旋转机械故障诊断方法 |
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 |