CN110243603A - 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 - Google Patents
基于Welch转换-径向基神经网的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN110243603A CN110243603A CN201910465371.XA CN201910465371A CN110243603A CN 110243603 A CN110243603 A CN 110243603A CN 201910465371 A CN201910465371 A CN 201910465371A CN 110243603 A CN110243603 A CN 110243603A
- Authority
- CN
- China
- Prior art keywords
- data
- follows
- calculation formula
- denoted
- calculated
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 210000004218 nerve net Anatomy 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000005096 rolling process Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000013480 data collection Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 11
- 230000001537 neural effect Effects 0.000 abstract description 3
- 230000003321 amplification Effects 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 abstract description 2
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 2
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于Welch转换‑径向基神经网的滚动轴承故障诊断方法,涉及一种滚动轴承智能故障诊断方法,本发明公开了一种基于Welch转换‑径向基神经网的滚动轴承智能故障诊断方法,通过对原始时态振动信号作为输入,使用数据集增强技术扩大训练样本数,而后用Welch法对训练样本进行功率谱转换,对环境噪声进行抑制,同时消除周期初始位移影响,将不同信号间的差异放大从而提高分类的精确性,并利用所得的功率谱对径向基神经网络进行训练,并用同样的方式处理测试样本信号,并用训练好的神经网进行精确的故障定位并对损伤大小进行精确的识别。
Description
技术领域
本发明涉及一种滚动轴承故障诊断方法,特别是涉及一种基于Welch转换-径向基神经网的滚动轴承故障诊断方法。
背景技术
由机器故障引发的事故经常会造成严重的人员伤亡和财产损失,而现代工业中相当大部分的旋转机械故障都是由于轴承产生故障所导致的,对轴承进行智能化监测与诊断可以有效减少停机检修次数从而降低维修成本,所以说对滚动轴承进行故障诊断具有重要的工程意义。
目前常用的故障诊断方法是对信号频域和时频域进行特征值提取之后通过智能分类器进行辅助诊断,这类诊断具有局限性,大多面临着以下问题:1、绝大部分的工作设备是由多部件协同运作来完成的,所以所测信号经常面临着其它零件产生的振动所导致的噪声干扰。2、特征提取时由于提取人员的专业性不高,提取数量限制及特征提取本身对信号就是一种信息约减的特性所造成的信号信息丢失的问题。3、现阶段多数使用的智能分类器都需要大量的数据进行分类器训练,如多层感知机网络(MLP),深层神经网络(DNN),卷积神经网络(CNN)等分类器。而现实中在工程项目初期,由于设备、资金、技术等限制,部分工程数据的获取方面会较为困难很多智能分类器没有办法达到其该有的分类性能。因此,本发明提供一种不需对信号进行复杂的特征提取,在只有少量的训练数据的情况下、强噪声干扰下可以实现极高的故障类别的识别精度,首先通过Welch转换对信号进行噪声进行抑制,同时将不同信号见得差异放大,之后用径向基神经网(RBFNN)的具有中心点比较的特性进行,小训练样本、抗噪、精准的故障诊断。
发明内容
本发明的目的在于提供一种基于Welch转换-径向基神经网的滚动轴承故障诊断方法,本发明基于Welch转换-径向基神经网的滚动轴承智能故障诊断方法,先通过Welch法转换功率谱,通过归一化处理,用RBFNN进行分类,从而确定故障位置并损伤大小。
本发明的目的是通过以下技术方案实现的:
基于Welch转换-径向基神经网的滚动轴承故障诊断方法,所述方法包括如下步骤:
(1)、采集滚动轴承振动信号
使用振动数据采集仪以采样频率12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为X[m],m=1 ,2 ,…,M,M为总采样点数,并标记轴承状态,总状态数为y,将所有的所得的数据集合为,标签数据集为;
(2)、数据集增强建立训练集
在采集的振动信号上以步长为K、样本长度为P的情况下选取一次数据,共x个表示为,其中n=1、2、3、…、x;
(3)、对训练集通过Welch法进行功率谱转换
(3.1)、设定步长λ、截取长度S,跨越次数其中,;
(3.2)、确定窗函数的起始位置,;
(3.3)、选择窗函数类型
设定窗函数为矩形窗函数,起始位置j,计算公式为:
;
(3.4)、设定归一化因子,计算公式为:
;
(3.5)、根据(3.1)-(3.4)对每个样本进行数据截取
通过窗函数截取数据集,截取次,得到的数据集记作;
(3.6)、对(3.5)得到的数据集进行傅里叶变换,计算公式为:
;
(3.7)、计算出功率谱,计算公式为:
;
(3.8)、对所得功率谱进行归一化处理,得到数据集,计算公式为:
;
(4)、训练径向基神经网络
(4.1)、训练中心点
(4.1.1)、令c=1;
(4.1.2)、判断是否c≤y
是进行(4.1.3),否则进行(4.1.13);
(4.1.3)、提取数据
提取所有数据集在第c类中的所有数据记作;
(4.1.4)、初定中心点
在中随机选取k个数据为中心点,将所有中心点记作, =1、2、3、…、k;
(4.1.5)、计算中的每个数据与所有中心点的距离,计算公式为:
;
(4.1.6)、提取中心点附近数据
根据确定每个中心点周围的数据并提取,记作,其中=1、2、3、…、h,h为中心点附近的数据的总数;
(4.1.7)、计算更新后的中心点
计算的每个维度的平均值,结果即为更新后的中心点;
(4.1.8)、是否达到最优
将本次所得的中心点与上次所得的中心点进行比较,若相等则向下继续执行(4.1.9),否则执行(4.1.5);
(4.1.9)、提取最后一次循环的所有;
(4.1.10)、将中的所有元素进行平方,得到矩阵
;
(4.1.11)、计算中的每个数据与所有中心点的欧式距离;
将(4.1.10)中每一行元素进行求和在进行开方,得到:
;
(4.1.11)、计算偏置,根据公式,计算得到
;
(4.1.12)、令c+1执行(4.1.2)
(4.1.13)、保存所有得到的中心点中心点,记作
;
(4.1.13)、保存所有得到的,记作
;
(4.2)、计算输出层权重W
(4.2.1)、计算数据集与所有中心点的欧式距离,计算公式为:
;
(4.2.2)、选用Guassian函数作为径向基函数对欧式距离进行激活,得到激活后的Act计算公式为:
,其中为的标准差;
(4.2.3)、通过求逆矩阵方法求得权重阵,计算公式为:
;
(5)、诊断轴承
(5.1)、获取被诊断轴承轴承数据
使用振动数据采集仪以采样频率12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为,m=1 ,2 ,…,M,M为总采样点数,在采集的振动信号中随机截取样本长度为P的一组信号,记为
(5.2)、计算功率谱,计算方法与(3.1)-(3.8)所示
(5.3)、计算与所有中心点的欧式距离,计算公式为:
;
(5.4)、对进行激活,得到,计算公式为:
,其中为的标准差;
(5.5)、计算出诊断结果,计算公式为:
,其中;
(5.6)、输出诊断结果
比较中每个值的大小。找出最大值位置,找到对应标签所代表的轴承状态,输出轴承状态;
(6)、诊断结束。
附图说明
图1本文提出的故障诊断模型流程图;
图2Welch转换层计算流程图;
图3径向基神经网络结构图;
图4径向基层训练测试流程图;
图5本文提出的故障诊断模型的示意图;
图6数据集增强的示意图;
图7不同种类的轴承故障信号图;
图8轴承数据采集设备图;
图9本文提出的故障诊断方法与WDCNN与DNN诊断方法的识别率比对;
图10本文提出的故障诊断方法的训练样本数与识别率之间关系;
图11本文提出的故障诊断方法与WDCNN的在不同样本量下的识别正确率;
图12本文提出的故障诊断方法在每种只有一个的训练样本的情况下的性能测试;
图13轴承外圈故障信号在SNR=0情况下的振动信号;
图14各种诊断模式的抗噪性能。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
总体的,如图1所示,本发明实施例公开了一种基于Welch转换-径向基神经网的滚动轴承智能故障诊断方法,包括如下步骤:
(1)、采集滚动轴承振动信号
使用振动数据采集仪以采样频率12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为X[m],m=1 ,2 ,…,M,M为总采样点数,如图7所示,并标记轴承状态,总状态数为y,将所有的所得的数据集合为,标签数据集为;
(2)、数据集增强建立训练集
在采集的振动信号上以步长为K、样本长度为P的情况下选取一次数据,共x个表示为,其中n=1、2、3、…、x;
数据集增强的截取方法如图6所示;
(3)、对训练集通过Welch法进行功率谱转换,流程图如图2所示
(3.1)、设定步长λ、截取长度S,跨越次数其中,;
(3.2)、确定窗函数的起始位置,;
(3.3)、选择窗函数类型
设定窗函数为矩形窗函数,起始位置j,计算公式为:
;
(3.4)、设定归一化因子,计算公式为:
;
(3.5)、根据(3.1)-(3.4)对每个样本进行数据截取
通过窗函数截取数据集,截取次,得到的数据集记作;
(3.6)、对(3.5)得到的数据集进行傅里叶变换,计算公式为:
;
(3.7)、计算出功率谱,计算公式为:
;
(3.8)、对所得功率谱进行归一化处理,得到数据集,计算公式为:
;
(4)、训练径向基神经网络,流程图如图4所示
(4.1)、训练中心点
(4.1.1)、令c=1;
(4.1.2)、判断是否c≤y,是进行(4.1.3),否则进行(4.1.13);
(4.1.3)、提取数据
提取所有数据集在第c类中的所有数据记作;
(4.1.4)、初定中心点
在中随机选取k个数据为中心点,将所有中心点记作, =1、2、3、…、k;
(4.1.5)、计算中的每个数据与所有中心点的距离,计算公式为:
;
(4.1.6)、提取中心点附近数据
根据确定每个中心点周围的数据并提取,记作,其中=1、2、3、…、h,h为中心点附近的数据的总数:
(4.1.7)、计算更新后的中心点
计算的每个维度的平均值,结果即为更新后的中心点;
(4.1.8)、是否达到最优
将本次所得的中心点与上次所得的中心点进行比较,若相等则向下继续执行(4.1.9),否则执行(4.1.5);
(4.1.9)、提取最后一次循环的所有;
(4.1.10)、将中的所有元素进行平方,得到矩阵
;
(4.1.11)、计算中的每个数据与所有中心点的欧式距离;
将(4.1.10)中每一行元素进行求和在进行开方,得到:
;
(4.1.11)、计算偏置,根据公式,计算得到
;
(4.1.12)、令c+1执行(4.1.2)
(4.1.13)、保存所有得到的中心点中心点,记作
;
(4.1.13)、保存所有得到的,记作
;
(4.2)、计算输出层权重W
(4.2.1)、计算数据集与所有中心点的欧式距离,计算公式为:
;
(4.2.2)、选用Guassian函数作为径向基函数对欧式距离进行激活,得到激活后的Act计算公式为:
,其中为的标准差;
(4.2.3)、通过求逆矩阵方法求得权重阵,计算公式为:
;
径向基神经网络结构如图3所示;
(5)、诊断轴承
(5.1)、获取被诊断轴承轴承数据
使用振动数据采集仪以采样频率12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为,m=1 ,2 ,…,M,M为总采样点数,在采集的振动信号中随机截取样本长度为P的一组信号,记为
(5.2)、计算功率谱,计算方法与(3.1)-(3.8)所示
(5.3)、计算与所有中心点的欧式距离,计算公式为:
;
(5.4)、对进行激活,得到,计算公式为:
,其中为的标准差;
(5.5)、计算出诊断结果,计算公式为:
,其中;
(5.6)、输出诊断结果
比较中每个值的大小。找出最大值位置,找到对应标签所代表的轴承状态,输出轴承状态;
(6)、诊断结束
实例
在实施例中,依托试验室中的轴承振动试验台,试验台如图8所示。
具体相关信息如下:
为了证明本发明的有效性和优势,本发明选择了几个目前先进的故障诊断方法的比较来验证其故障诊断性能;
表1为对比的试验数据集
表1 试验数据集
为验证本文提出的故障诊断方法的诊断准确性能将其与WDCNN(Deep ConvolutionalNeural Networks with Wide First-layer Kernels)与DNN(Deep Neural Networks)诊断方法的识别率比对,得到的诊断结果如图9所示;
为验证本文提出的故障诊断方法在不同数量训练样本情况下进行测验并与WDCNN进行比较测验结果如图11所示;
为验证本文提出的故障诊断方法在极端条件下的诊断性能,我们取数据数量仅为30个的训练样本进行测验,测验结果如图12所示;
为验证本文提出的故障诊断方法在噪音干扰下的诊断性能,我们将所有信号加入不同信噪比(SNR)的高斯白噪声,如图13所示的为轴承外圈故障信号在SNR=0情况下的振动信号。将本文提出的故障诊断方法通过与WDCNN、DNN、SVM(支持向量机)、MLP(多层感知机)、FC-WTA(Fully-Connected Winner-take-all)在不同SNR的情况下进行比较,测验结果如图14所示;
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.基于Welch转换-径向基神经网的滚动轴承故障诊断方法,其特征在于,所述方法包括如下步骤:
(1)、采集滚动轴承振动信号
使用振动数据采集仪以采样频率12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为X[m],m=1 ,2 ,…,M,M为总采样点数,并标记轴承状态,总状态数为y,将所有的所得的数据集合为,标签数据集为;
(2)、数据集增强建立训练集
在采集的振动信号上以步长为K、样本长度为P的情况下选取一次数据,共x个表示为,其中n=1、2、3、…、x;
(3)、对训练集通过Welch法进行功率谱转换
(3.1)、设定步长λ、截取长度S,跨越次数其中,;
(3.2)、确定窗函数的起始位置,;
(3.3)、选择窗函数类型
设定窗函数为矩形窗函数,起始位置j,计算公式为:
;
(3.4)、设定归一化因子,计算公式为:
;
(3.5)、根据(3.1)-(3.4)对每个样本进行数据截取
通过窗函数截取数据集,截取次,得到的数据集记作;
(3.6)、对(3.5)得到的数据集进行傅里叶变换,计算公式为:
;
(3.7)、计算出功率谱,计算公式为:
;
(3.8)、对所得功率谱进行归一化处理,得到数据集,计算公式为:
;
(4)、训练径向基神经网络
(4.1)、训练中心点
(4.1.1)、令c=1;
(4.1.2)、判断是否c≤y
是进行(4.1.3),否则进行(4.1.13);
(4.1.3)、提取数据
提取所有数据集在第c类中的所有数据记作;
(4.1.4)、初定中心点
在中随机选取k个数据为中心点,将所有中心点记作, =1、2、3、…、k;
(4.1.5)、计算中的每个数据与所有中心点的距离,计算公式为:
;
(4.1.6)、提取中心点附近数据
根据确定每个中心点周围的数据并提取,记作,其中=1、2、3、…、h,h为中心点附近的数据的总数;
(4.1.7)、计算更新后的中心点
计算的每个维度的平均值,结果即为更新后的中心点;
(4.1.8)、是否达到最优
将本次所得的中心点与上次所得的中心点进行比较,若相等则向下继续执行(4.1.9),否则执行(4.1.5);
(4.1.9)、提取最后一次循环的所有;
(4.1.10)、将中的所有元素进行平方,得到矩阵
;
(4.1.11)、计算中的每个数据与所有中心点的欧式距离;
将(4.1.10)中每一行元素进行求和在进行开方,得到:
;
(4.1.11)、计算偏置,根据公式,计算得到
;
(4.1.12)、令c+1执行(4.1.2)
(4.1.13)、保存所有得到的中心点中心点,记作
;
(4.1.13)、保存所有得到的,记作
;
(4.2)、计算输出层权重W
(4.2.1)、计算数据集与所有中心点的欧式距离,计算公式为:
;
(4.2.2)、选用Guassian函数作为径向基函数对欧式距离进行激活,得到激活后的Act计算公式为:
,其中为的标准差;
(4.2.3)、通过求逆矩阵方法求得权重阵,计算公式为:
;
(5)、诊断轴承
(5.1)、获取被诊断轴承轴承数据
使用振动数据采集仪以采样频率12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为,m=1 ,2 ,…,M,M为总采样点数,在采集的振动信号中随机截取样本长度为P的一组信号,记为
(5.2)、计算功率谱,计算方法与(3.1)-(3.8)所示
(5.3)、计算与所有中心点的欧式距离,计算公式为:
;
(5.4)、对进行激活,得到,计算公式为:
,其中为的标准差;
(5.5)、计算出诊断结果,计算公式为:
,其中;
(5.6)、输出诊断结果
比较中每个值的大小;
找出最大值位置,找到对应标签所代表的轴承状态,输出轴承状态;
(6)、诊断结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465371.XA CN110243603B (zh) | 2019-05-30 | 2019-05-30 | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465371.XA CN110243603B (zh) | 2019-05-30 | 2019-05-30 | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110243603A true CN110243603A (zh) | 2019-09-17 |
CN110243603B CN110243603B (zh) | 2020-11-24 |
Family
ID=67885514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465371.XA Expired - Fee Related CN110243603B (zh) | 2019-05-30 | 2019-05-30 | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243603B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672326A (zh) * | 2019-09-29 | 2020-01-10 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN111060323A (zh) * | 2019-12-05 | 2020-04-24 | 山东超越数控电子股份有限公司 | 一种基于rbf神经网络的航空发动机过振的自动识别方法 |
CN113656890A (zh) * | 2021-08-10 | 2021-11-16 | 北京理工大学 | 一种基于混合径向基函数神经网络的飞行器优化方法 |
CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
WO2022042356A1 (zh) * | 2020-08-31 | 2022-03-03 | 华为技术有限公司 | 血糖检测模型训练方法、血糖检测方法、系统及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103388625A (zh) * | 2012-05-11 | 2013-11-13 | 谢夫勒科技股份两合公司 | 尤其是针对径向滚动轴承的滚动轴承装置 |
US20130317815A1 (en) * | 2012-05-25 | 2013-11-28 | National Taiwan Normal University | Method and system for analyzing digital sound audio signal associated with baby cry |
CN104316317A (zh) * | 2014-10-08 | 2015-01-28 | 西北工业大学 | 一种基于com组件的齿轮系统多故障诊断方法 |
CN105891327A (zh) * | 2014-10-08 | 2016-08-24 | 南京农业大学 | 一种基于振动信息的植物缺水检测装置及其方法 |
CN106021789A (zh) * | 2016-06-01 | 2016-10-12 | 北京交通大学 | 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统 |
CN107290746A (zh) * | 2017-06-08 | 2017-10-24 | 北京小米移动软件有限公司 | 材料检测方法及装置 |
CN109187021A (zh) * | 2018-07-26 | 2019-01-11 | 河海大学 | 基于熵的多源风电机组轴承故障诊断方法 |
CN109582003A (zh) * | 2018-12-03 | 2019-04-05 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 |
CN109765054A (zh) * | 2019-01-22 | 2019-05-17 | 上海海事大学 | 一种滚动轴承故障诊断方法 |
-
2019
- 2019-05-30 CN CN201910465371.XA patent/CN110243603B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103388625A (zh) * | 2012-05-11 | 2013-11-13 | 谢夫勒科技股份两合公司 | 尤其是针对径向滚动轴承的滚动轴承装置 |
US20130317815A1 (en) * | 2012-05-25 | 2013-11-28 | National Taiwan Normal University | Method and system for analyzing digital sound audio signal associated with baby cry |
CN104316317A (zh) * | 2014-10-08 | 2015-01-28 | 西北工业大学 | 一种基于com组件的齿轮系统多故障诊断方法 |
CN105891327A (zh) * | 2014-10-08 | 2016-08-24 | 南京农业大学 | 一种基于振动信息的植物缺水检测装置及其方法 |
CN106021789A (zh) * | 2016-06-01 | 2016-10-12 | 北京交通大学 | 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统 |
CN107290746A (zh) * | 2017-06-08 | 2017-10-24 | 北京小米移动软件有限公司 | 材料检测方法及装置 |
CN109187021A (zh) * | 2018-07-26 | 2019-01-11 | 河海大学 | 基于熵的多源风电机组轴承故障诊断方法 |
CN109582003A (zh) * | 2018-12-03 | 2019-04-05 | 东北林业大学 | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断 |
CN109765054A (zh) * | 2019-01-22 | 2019-05-17 | 上海海事大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
金志浩 等: "基于聚类分析的转子碰摩声发射特征提取", 《沈阳化工大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672326A (zh) * | 2019-09-29 | 2020-01-10 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110672326B (zh) * | 2019-09-29 | 2021-12-21 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110826607A (zh) * | 2019-10-24 | 2020-02-21 | 北京建筑大学 | 一种滚动轴承的故障检测方法及装置 |
CN111060323A (zh) * | 2019-12-05 | 2020-04-24 | 山东超越数控电子股份有限公司 | 一种基于rbf神经网络的航空发动机过振的自动识别方法 |
WO2022042356A1 (zh) * | 2020-08-31 | 2022-03-03 | 华为技术有限公司 | 血糖检测模型训练方法、血糖检测方法、系统及电子设备 |
CN113656890A (zh) * | 2021-08-10 | 2021-11-16 | 北京理工大学 | 一种基于混合径向基函数神经网络的飞行器优化方法 |
CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110243603B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110243603A (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
CN104849050B (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
Wang et al. | Intelligent rolling bearing fault diagnosis via vision ConvNet | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN110274764A (zh) | 一种基于振动加速度信号的机车电机轴承自动诊断方法 | |
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
CN107963239B (zh) | 一种基于音频的运载火箭故障检测装置及检测方法 | |
CN110135492A (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
CN110044623A (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 | |
CN102589884A (zh) | 一种基于GentleBoost的飞机发电机轴承故障诊断方法 | |
Tian et al. | An ensemble learning-based fault diagnosis method for rotating machinery | |
CN111062100A (zh) | 轴承剩余寿命预测模型建立方法及装置 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN112146882A (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 | |
CN105956574A (zh) | 不同转速下滚动轴承寿命状态同尺度表征与识别方法 | |
CN106198008B (zh) | 一种电机轴承外圈故障辨识方法 | |
CN114372492A (zh) | 一种可解释性滚动轴承故障诊断方法 | |
CN109934136A (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN105973602B (zh) | 一种电机轴承外圈故障辨识方法 | |
CN115326398B (zh) | 一种基于模糊宽度学习模型的轴承故障诊断方法 | |
CN116907029A (zh) | 检测室外机内风扇异常的方法、控制装置以及空调室外机 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |