CN110220885B - 一种机械设备磨损状态综合判断方法 - Google Patents

一种机械设备磨损状态综合判断方法 Download PDF

Info

Publication number
CN110220885B
CN110220885B CN201910497594.4A CN201910497594A CN110220885B CN 110220885 B CN110220885 B CN 110220885B CN 201910497594 A CN201910497594 A CN 201910497594A CN 110220885 B CN110220885 B CN 110220885B
Authority
CN
China
Prior art keywords
wear
abrasion
main
concentration
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
Application number
CN201910497594.4A
Other languages
English (en)
Other versions
CN110220885A (zh
Inventor
陈涛
王立勇
王少红
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology 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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN201910497594.4A priority Critical patent/CN110220885B/zh
Publication of CN110220885A publication Critical patent/CN110220885A/zh
Application granted granted Critical
Publication of CN110220885B publication Critical patent/CN110220885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/66—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light electrically excited, e.g. electroluminescence
    • G01N21/67—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light electrically excited, e.g. electroluminescence using electric arcs or discharges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Abstract

本发明涉及一种机械设备磨损状态综合判断方法，其包括步骤：按照等时间间隔原则采集机械设备运行阶段的N个油样，进行原子发射光谱分析，获得油样中n种不同元素的浓度含量；对光谱检测元素进行系统聚类确定主要磨损元素；判断设备运行阶段是否换油，进而确定磨损指标；对每个磨损评价指标进行标准化处理，然后对标准化后的磨损指标进行因子分析；对磨损主因子综合得分序列进行正态检验；根据综合得分序列是否符合正态分布，确定综合得分磨损界限值，完成磨损状态综合判断。本发明依据磨损综合得分对装置的磨损状态做出整体性判断，能够为快速、正确地评价设备磨损状况、准确地早期预警磨损故障。

Description

一种机械设备磨损状态综合判断方法
技术领域
本发明涉及一种机械设备监测技术领域，特别是关于一种油液光谱监测技术领域中的机械设备磨损状态综合判断方法。
背景技术
磨损是引起机械设备故障的主要原因，油液光谱分析是目前监测设备早期异常磨损的一项重要的技术，设备的磨损状态评价是在采集设备运行阶段油样的光谱分析数据基础上进行，利用一定的方法对磨损评价指标进行分析，做出定量化的总体判断，对正确评价设备磨损状况、准确地早期预警磨损故障具有重要意义。
目前在磨损状态评价中，综合评价方法应用多指标对设备的磨损状态进行评价，能够获取比较全面的设备运行状态，避免依靠单个指标进行评价造成的误判。在综合评价方法中，模糊方法、主成分分析和因子分析方法等应用的较为广泛。在上述方法中，模糊方法若是采集的油样样本较少，就会产生磨损状态判别准确率下降的问题；主成分分析方法所提取的磨损主成分实际意义较为模糊，往往难以作出符合实际的解释；因子分析方法具有因子旋转的功能，能够方便解释各因子的实际意义，但是，由于因子分析需要构造新的因子模型，计算量较大。
发明内容
针对上述问题，本发明的目的是提供一种机械设备磨损状态综合判断方法，该方法将描述机械设备的多个磨损评价指标转化成无量纲的磨损综合得分，并依据磨损综合得分对装置的磨损状态做出整体性判断。
为实现上述目的，本发明采取以下技术方案：一种机械设备磨损状态综合判断方法，其包括以下步骤：1)按照等时间间隔原则采集机械设备运行阶段的N个油样，进行原子发射光谱分析，获得油样中n种不同元素的浓度含量；2)对光谱检测元素进行系统聚类确定主要磨损元素；3)判断设备运行阶段是否换油，进而确定磨损指标；4)对每个磨损评价指标进行标准化处理，然后对标准化后的磨损指标进行因子分析；5)对磨损主因子综合得分序列进行正态检验；6)根据综合得分序列是否符合正态分布，确定综合得分磨损界限值，完成磨损状态综合判断。
进一步，所述步骤2)中，系统聚类中测度距离采用基于相关系数的相关距离，基于N个油样光谱检测元素中的任意两种元素i,j的浓度含量数据序列xi＝(xi1,xi2,…,xiN)与xj＝(xj1,xj2,…,xjN)，计算元素i,j相关距离rij如下式为：
Figure BDA0002089139460000021
Figure BDA0002089139460000022
Figure BDA0002089139460000023
式中，
Figure BDA0002089139460000024
和
Figure BDA0002089139460000025
分别表示光谱检测元素i,j的浓度数据序列xi与xj的数学期望，
Figure BDA0002089139460000026
和
Figure BDA0002089139460000027
在实际应用中以样本均值来表示；xir和xir分别表示第i和j中光谱检测元素在第r个采集油样中的光谱检测元素浓度值。
进一步，所述步骤3)中，磨损指标的确定方法为：如果存在换油，则磨损指标为：主要磨损元素的光谱检测浓度含量，主要磨损元素的浓度梯度及主要磨损元素的浓度比例特征；如果设备运行阶段没有换油，则磨损指标为：主要磨损元素的光谱检测浓度含量和主要磨损元素的浓度梯度。
进一步，通过磨损元素的浓度梯度来反映综合传动装置磨损状态的动态变化，第k种主要磨损元素的浓度梯度xΔk计算公式如下：
Figure BDA0002089139460000028
式中，xk(r+1)表示第k种主要磨损元素在第r+1个油样中对应的光谱检测浓度测量值，xkr表示第k种主要磨损元素在第r个油样中对应的光谱检测浓度测量值，Δt为实际采样间隔，T为标准采样间隔。
进一步，第k种主要磨损元素的浓度与第l种主要磨损元素的浓度比例特征xk/l计算公式如下：
Figure BDA0002089139460000029
式中，xk/l表示第k种元素浓度值xk与第l种元素浓度值xl的比值。
进一步，所述步骤4)中，因子分析包括以下步骤：4.1)确定磨损主因子个数；4.2)判断磨损主因子M是否为一个，如果为一个，由最小二乘法估计得到磨损主因子得分的估计公式为：
Figure BDA00020891394600000210
式中，A′为磨损主因子载荷矩阵的转置，R-1为原始磨损指标的相关系数矩阵R的逆矩阵，Y表示磨损评价指标y1,y2,…,yp构成的矩阵；如果磨损主因子M大于1个，对磨损主因子得分进行信息熵加权，磨损主因子综合得分
Figure BDA0002089139460000031
越高，则磨损越严重。
进一步，所述步骤4.2)中，磨损主因子综合得分
Figure BDA0002089139460000032
计算如下式：
Figure BDA0002089139460000033
其中，
Figure BDA0002089139460000034
是第q个磨损主因子Fq的信息熵加权系数，该系数计算如下：
Figure BDA0002089139460000035
pq为磨损主因子提供信息的概率，计算公式如下：
Figure BDA0002089139460000036
其中，λq为磨损主因子Fq对应的奇异值。
进一步，所述步骤5)中，正态检验的方法为：假设磨损综合得分序列总体服从正态分布，然后计算统计量W，在显著性水平α＝0.05下，若W≥Wα，则接受正态性假设，即磨损特征服从正态分布，否则不接受正态性假设，即磨损特征不满足正态性分布；其中，Wα表示统计量W在显著性水平α下的数值。
进一步，所述步骤6)中，综合得分磨损界限值确定方法为：如果综合得分序列符合正态分布，则应用3倍标准差原理制定综合得分磨损界限值；如果磨损综合得分序列不符合正态分布，则磨损异常线为通过箱线图法确定的大于Q3+1.5IQR的界限，磨损上四分位数线为Q3对应的值，其中，IQR为磨损综合得分四分位距，Q3为磨损综合得分上四分位数。
本发明由于采取以上技术方案，其具有以下优点：1、本发明确定主要磨损元素，判断设备的运行过程是否换油建立磨损评价指标，对磨损评价指标进行降维，得到磨损主因子，判断磨损主因子的个数决定是否加权得到磨损综合得分，对磨损综合得分检验正态性，建立界限值判断设备的磨损状态，进而系统、全面的评价设备的早期磨损状况。2、本发明根据系统聚类方法，确定主要磨损元素；根据设备运行阶段是否换油，确定磨损评价的指标体系，判断磨损主因子是否为一个，确定是否对磨损主因子进行信息熵加权；根据磨损综合得分是否服从正态分布确定界限值，大大缩减了界限值的数目而且界限值较不进行正态性检验的更为合理，能够为快速、正确地评价设备磨损状况、准确地早期预警磨损故障。3、本发明对磨损指标体系进行主成分因子分析，能够把多个磨损评价指标转化为少数几个综合评价指标，把描述综合传动装置的多个磨损评价指标转化成无量纲的磨损综合得分，并依据磨损综合得分对装置的磨损状态做出整体性评价。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供一种机械设备磨损状态综合判断方法，其包括以下步骤：
1)按照等时间间隔原则采集机械设备运行阶段的N个油样，进行原子发射光谱分析，获得油样中n种不同元素的浓度含量。
2)对光谱检测元素进行系统聚类确定主要磨损元素；
系统聚类中测度距离采用基于相关系数的相关距离，距离越近越容易合并为一类。基于N个油样光谱检测元素中的任意两种元素i,j的浓度含量数据序列xi＝(xi1,xi2,…,xiN)与xj＝(xj1,xj2,…,xjN)，计算元素i,j相关距离rij如下式为：
Figure BDA0002089139460000041
Figure BDA0002089139460000042
Figure BDA0002089139460000043
式中，
Figure BDA0002089139460000044
和
Figure BDA0002089139460000045
分别表示元素i,j的浓度数据序列xi与xj的数学期望，
Figure BDA0002089139460000046
和
Figure BDA0002089139460000047
在实际应用中以样本均值来表示。xir和xir分别表示第i和j种光谱检测元素在第r个采集油样中的光谱检测元素浓度值。|rij|≤1，rij越接近于1，表示xi和xj越相似，反之则表示二者之间的相似性越弱，取0.85≤rij≤1的元素为主要磨损元素。
3)判断设备运行阶段是否换油，进而确定磨损指标；磨损指标的确定方法为：如果存在换油，则磨损指标为：主要磨损元素的光谱检测浓度含量(光谱检测浓度含量由原子发射光谱仪直接测定)，主要磨损元素的浓度梯度及主要磨损元素的浓度比例特征；如果设备运行阶段没有换油，则磨损指标为：主要磨损元素的光谱检测浓度含量和主要磨损元素的浓度梯度。
其中，通过磨损元素的浓度梯度来反映综合传动装置磨损状态的动态变化，第k种主要磨损元素的浓度梯度xΔk计算公式如下：
Figure BDA0002089139460000051
式中，xk(r+1)表示第k种主要磨损元素在第r+1个油样中对应的光谱检测浓度测量值，xkr表示第k种主要磨损元素在第r个油样中对应的光谱检测浓度测量值，Δt为实际采样间隔，T为标准采样间隔。
第k种主要磨损元素的浓度与第l种主要磨损元素的浓度比例特征xk/l计算公式如下：
Figure BDA0002089139460000052
即xk/l可以用第k种和第l种元素在第r个油样中的浓度值xkr与元素浓度值xlr的比值来计算。
4)对每个磨损评价指标进行标准化处理(均值为0，标准差都为1)，然后对标准化后的磨损指标进行因子分析；
其中，因子分析包括以下步骤：
4.1)确定磨损主因子个数：设有p个磨损评价指标y1,y2,…,yp，应用主成分分析方法确定主因子，将磨损评价指标y1,y2,…,yp总方差分解为p个独立的变量F1,F2,…,Fp的方差之和，
Figure BDA0002089139460000053
为第t个磨损因子Ft的方差贡献率：
Figure BDA0002089139460000054
如果只取其中的m个磨损因子(m＜p)，那么m个磨损因子的累积贡献率ψm为：
Figure BDA0002089139460000055
ψm表明综合表达y1,y2,…,yp的能力。取累计方差贡献率大于等于80％的准则确定磨损主因子个数M。
4.2)判断磨损主因子M是否为一个，如果为一个，由最小二乘法估计得到磨损主因子得分的估计公式为：
Figure BDA0002089139460000056
式中，A′为磨损主因子载荷矩阵的转置，R-1为原始磨损指标的相关系数矩阵R的逆矩阵，Y表示磨损评价指标y1,y2,…,yp构成的矩阵。
如果磨损主因子M大于1个，对磨损主因子得分进行信息熵加权，磨损主因子综合得分
Figure BDA0002089139460000057
计算如下式，得分越高，则磨损越严重。
Figure BDA0002089139460000058
其中，
Figure BDA0002089139460000059
是第q个磨损主因子Fq的信息熵加权系数，该系数计算如下：
Figure BDA0002089139460000061
pq为磨损主因子提供信息的概率，计算公式如下：
Figure BDA0002089139460000062
其中，λq为磨损主因子Fq对应的奇异值。
5)对磨损主因子综合得分序列进行正态检验；
正态检验的方法为：假设磨损综合得分序列总体服从正态分布，然后计算统计量W，W统计量计算如下：
Figure BDA0002089139460000063
式中，
Figure BDA0002089139460000064
表示第r个油样的磨损综合得分，
Figure BDA0002089139460000065
表示N个油样的磨损综合得分的均值，ar是可查的列表系数。
在显著性水平α＝0.05下，若W≥Wα(Wα表示统计量W在显著性水平α下的数值，此值可以通过查表求得)，则接受正态性假设，即磨损综合得分序列服从正态分布，否则不接受正态性假设，即磨损主因子综合得分序列不满足正态性分布。
6)根据综合得分序列是否符合正态分布，确定综合得分磨损界限值，完成磨损状态综合判断：如果综合得分序列符合正态分布，则应用3倍标准差原理制定综合得分磨损界限值如表1所示。
表1 3倍标准差原理制定的界限值
Figure BDA0002089139460000066
Figure BDA0002089139460000067
表示磨损综合得分的均值、s表示磨损综合得分的标准差。
如果磨损综合得分序列不符合正态分布，则磨损异常线为通过箱线图法确定的大于Q3+1.5IQR(IQR为磨损综合得分四分位距，Q3为磨损综合得分上四分位数)的界限，磨损上四分位数线为Q3对应的值。
上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。

Claims (5)

1.一种机械设备磨损状态综合判断方法，其特征在于，该方法包括以下步骤：
1)按照等时间间隔原则采集机械设备运行阶段的N个油样，进行原子发射光谱分析，获得油样中n种不同元素的浓度含量；
2)对光谱检测元素进行系统聚类确定主要磨损元素；
3)判断设备运行阶段是否换油，进而确定磨损指标；
4)对每个磨损评价指标进行标准化处理，然后对标准化后的磨损指标进行因子分析；
5)对磨损主因子综合得分序列进行正态检验；
6)根据综合得分序列是否符合正态分布，确定综合得分磨损界限值，完成磨损状态综合判断；
所述步骤4)中，因子分析包括以下步骤：
4.1)确定磨损主因子个数；
4.2)判断磨损主因子M是否为一个，如果为一个，由最小二乘法估计得到磨损主因子得分的估计公式为：
Figure FDA0003099464280000011
式中，A′为磨损主因子载荷矩阵的转置，R-1为原始磨损指标的相关系数矩阵R的逆矩阵，Y表示磨损评价指标y1,y2,…,yp构成的矩阵；
如果磨损主因子M大于1个，对磨损主因子得分进行信息熵加权，磨损主因子综合得分
Figure FDA0003099464280000012
越高，则磨损越严重；
所述步骤4.2)中，磨损主因子综合得分
Figure FDA0003099464280000013
计算如下式：
Figure FDA0003099464280000014
其中，
Figure FDA0003099464280000015
是第q个磨损主因子Fq的信息熵加权系数，该系数计算如下：
Figure FDA0003099464280000016
pq为磨损主因子提供信息的概率，计算公式如下：
Figure FDA0003099464280000017
其中，λq为磨损主因子Fq对应的奇异值；
所述步骤5)中，正态检验的方法为：假设磨损综合得分序列总体服从正态分布，然后计算统计量W，在显著性水平α＝0.05下，若W≥Wα，则接受正态性假设，即磨损特征服从正态分布，否则不接受正态性假设，即磨损特征不满足正态性分布；其中，Wα表示统计量W在显著性水平α下的数值；
所述步骤6)中，综合得分磨损界限值确定方法为：如果综合得分序列符合正态分布，则应用3倍标准差原理制定综合得分磨损界限值；如果磨损综合得分序列不符合正态分布，则磨损异常线为通过箱线图法确定的大于Q3+1.5IQR的界限，磨损上四分位数线为Q3对应的值，其中，IQR为磨损综合得分四分位距，Q3为磨损综合得分上四分位数。
2.如权利要求1所述方法，其特征在于：所述步骤2)中，系统聚类中测度距离采用基于相关系数的相关距离，基于N个油样光谱检测元素中的任意两种元素i,j的浓度含量数据序列xi＝(xi1,xi2,…,xiN)与xj＝(xj1,xj2,…,xjN)，计算元素i,j相关距离rij如下式为：
Figure FDA0003099464280000021
Figure FDA0003099464280000022
Figure FDA0003099464280000023
式中，
Figure FDA0003099464280000024
和
Figure FDA0003099464280000025
分别表示光谱检测元素i,j的浓度数据序列xi与xj的数学期望，
Figure FDA0003099464280000026
和
Figure FDA0003099464280000027
在实际应用中以样本均值来表示；xir和xjr分别表示第i和j种 光谱检测元素在第r个采集油样中的光谱检测元素浓度值。
3.如权利要求1所述方法，其特征在于：所述步骤3)中，磨损指标的确定方法为：如果存在换油，则磨损指标为：主要磨损元素的光谱检测浓度含量，主要磨损元素的浓度梯度及主要磨损元素的浓度比例特征；如果设备运行阶段没有换油，则磨损指标为：主要磨损元素的光谱检测浓度含量和主要磨损元素的浓度梯度。
4.如权利要求3所述方法，其特征在于：通过磨损元素的浓度梯度来反映综合传动装置磨损状态的动态变化，第k种主要磨损元素的浓度梯度xΔk计算公式如下：
Figure FDA0003099464280000028
式中，xk(r+1)表示第k种主要磨损元素在第r+1个油样中对应的光谱检测浓度测量值，xkr表示第k种主要磨损元素在第r个油样中对应的光谱检测浓度测量值，Δt为实际采样间隔，T为标准采样间隔。
5.如权利要求3所述方法，其特征在于：第k种主要磨损元素的浓度与第l种主要磨损元素的浓度比例特征xk/l计算公式如下：
Figure FDA0003099464280000031
式中，xk/l表示第k种元素浓度值xk与第l种元素浓度值xl的比值。
CN201910497594.4A 2019-06-10 2019-06-10 一种机械设备磨损状态综合判断方法 Active CN110220885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910497594.4A CN110220885B (zh) 2019-06-10 2019-06-10 一种机械设备磨损状态综合判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910497594.4A CN110220885B (zh) 2019-06-10 2019-06-10 一种机械设备磨损状态综合判断方法

Publications (2)

Publication Number Publication Date
CN110220885A CN110220885A (zh) 2019-09-10
CN110220885B true CN110220885B (zh) 2021-11-16

Family

ID=67816073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910497594.4A Active CN110220885B (zh) 2019-06-10 2019-06-10 一种机械设备磨损状态综合判断方法

Country Status (1)

Country Link
CN (1) CN110220885B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030443A (zh) * 2021-02-26 2021-06-25 上海伽易信息技术有限公司 一种基于动态自适应趋势分析的地铁车辆油液智能监测方法及判断模型
CN114295814A (zh) * 2021-12-28 2022-04-08 广州机械科学研究院有限公司 一种油液检测的阈值生成方法及系统
CN114445407B (zh) * 2022-04-11 2022-06-07 季华实验室 材料的耐磨性能检测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003307414A (ja) * 2002-04-15 2003-10-31 Toshiba Corp 摩耗量測定方法及び摩耗量測定装置
CN101393108A (zh) * 2008-10-10 2009-03-25 南京航空航天大学 油液磨粒在线监测方法及系统
CN105115916A (zh) * 2015-07-20 2015-12-02 北京新联铁科技股份有限公司 动车组运行时的设备磨损监测方法
CN105844288A (zh) * 2016-03-17 2016-08-10 西安工业大学 基于油液监测技术的机器状态识别方法
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0317532A (ja) * 1989-06-15 1991-01-25 Unyusho Senpaku Gijutsu Kenkyusho 金属摩耗検知法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003307414A (ja) * 2002-04-15 2003-10-31 Toshiba Corp 摩耗量測定方法及び摩耗量測定装置
CN101393108A (zh) * 2008-10-10 2009-03-25 南京航空航天大学 油液磨粒在线监测方法及系统
CN105115916A (zh) * 2015-07-20 2015-12-02 北京新联铁科技股份有限公司 动车组运行时的设备磨损监测方法
CN105844288A (zh) * 2016-03-17 2016-08-10 西安工业大学 基于油液监测技术的机器状态识别方法
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于信息熵的时频参数优化及内燃机轴承磨损监测;贾继德等;《农业工程学报》;20100430;第26卷(第4期);全文 *
基于油液检测的综合传动台架磨合期磨损规律研究;王立勇等;《润滑与密封》;20080731;第33卷(第7期);全文 *

Also Published As

Publication number Publication date
CN110220885A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110220885B (zh) 一种机械设备磨损状态综合判断方法
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN108399277B (zh) 一种基于温度与应变关联性的桥梁损伤识别方法
CN112179691B (zh) 基于对抗学习策略的机械装备运行状态异常检测系统和方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及系统
CN109781658B (zh) 一种基于近红外光谱主成分分析的绝缘纸种类判别方法
WO2022147853A1 (zh) 一种基于混合预测模型的复杂装备电源组故障预测方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN103389430A (zh) 一种基于贝叶斯判别理论的油浸式变压器故障检测方法
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN111797887A (zh) 一种基于密度筛选与k-均值聚类的反窃电预警方法及系统
CN109434562A (zh) 基于划分聚类的铣削刀具磨损状态识别方法
CN115081331A (zh) 一种基于状态参数重构误差的风电机组运行状态异常检测方法
CN115048998A (zh) 一种基于监测数据的斜拉桥群索索力异常识别定位方法
CN106442830B (zh) 变压器油中气体含量告警值的检测方法和系统
CN105910806A (zh) 加注泵早期健康状态监测方法
CN113627358A (zh) 一种多特征融合的道岔智能故障诊断方法及系统和设备
CN109840386B (zh) 基于因子分析的损伤识别方法
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法

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