CN110261116A - 一种轴承故障检测方法及装置 - Google Patents
一种轴承故障检测方法及装置 Download PDFInfo
- Publication number
- CN110261116A CN110261116A CN201910611008.4A CN201910611008A CN110261116A CN 110261116 A CN110261116 A CN 110261116A CN 201910611008 A CN201910611008 A CN 201910611008A CN 110261116 A CN110261116 A CN 110261116A
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- vibration
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000013145 classification model Methods 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 19
- 238000012549 training Methods 0.000 abstract description 12
- 238000005070 sampling Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 230000002123 temporal effect Effects 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种轴承故障检测方法和装置，包括：获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；将所述待处理振动时序信号输入至预先训练的故障分类模型，得到轴承振动信号故障分类结果；将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。本发明实施例提供的方法以按时间序列连续采样的振动信号数值为检测信号直接作为样本用于卷积神经网络的训练样本，无需采用传统故障识别中对信号进行特征提取的步骤，弱化了特征提取在故障识别中对识别结果准确性的影响，并结合标签有监督地对整个网络进行参数训练，从而实现准确的轴承故障检测。
Description
技术领域
本发明实施例涉及故障检测技术领域，具体涉及一种轴承故障检测方法及装置。
背景技术
随着科技的发展、航空、航天、工业等领域的机电设备日趋复杂化、智能化和综合化，运用状况和工作环境也愈加复杂多变，导致其维护和保障成本越来越高，同时，由于组成环节和影响因素的增加，发生故障的几率逐渐加大，因此对复杂装备系统进行准确、有效的故障检测成为提高系统安全性和可靠性的必要步骤，且是降低维护成本的有效途径。轴承是机械设备中具有广泛应用的关键部件之一，由于过载、疲劳、磨损、腐蚀等原因，轴承在机器操作过程中容易损坏，事实上，超过50％的旋转机器故障与轴承故障有关，滚动轴承可能导致设备剧烈摇晃，设备停机，停止生产，甚至造成人员伤亡，一般来说，早期轴承弱故障是复杂的，难以检测。因此，轴承状态的检测和分析非常重要，它可以发现轴承的早期弱故障，防止故障造成损失。
轴承的故障检测和诊断一直备受关注。在所有类型的轴承故障诊断方法中，振动信号分析是最主要和最有用的工具之一。伴随着机器学习等技术的发展，故障诊断已成为多种方法综合的模式识别的过程，其过程一般包括数据采集、特征提取、特征选择和融合、健康状况识别4个步骤，其中特征提取是一个关键步骤，特征提取的好坏很大程度决定着故障诊断的性能。常用的故障特征提取有统计分析、自回归模型、小波分析、傅里叶变换、经验模式分解和奇异值分解。上述的故障特征提取方法一般都需要进行复杂的数学运算和对要提取的信号有一定的理解以及具备丰富的信号处理技术，在每个轴承采样频率不同并且采样频率未知的情况下更是无法通过将时序信号数据经过信号处理转换成评语数据。对于一些复杂的系统来说，由于外界环境的干扰和内部结构的相互影响，传统的故障特征提取方法不足以挖掘出对所有故障类型敏感的特征。因此，迫切需要研究一种新的方法以适应诊断系统的变化。
近几年，随着深度学习在图像识别、语音识别等领域的成功应用，相对于传统方法在提取特征、准确率等方面都有明显优势，基于深度学习的故障诊断成为一个热门的研究方向，并且取得了不少成果，主要有：基于深度置信网络的滚动轴承和齿轮箱故障诊断方法，采用卷积神经网络模型(Convolutional Neural Networks,CNN)网络的轴承和齿轮故障诊断方法；采用堆叠自动编码机的电动机故障诊断方法。而大部分深度学习的研究存在一个问题，即在输入深度学习网络前，对采样得到的时序数据进行小波变换、傅里叶采样等预处理，将时序数据转换成2D的时频图，这在每个轴承采样数据的采样频率不同并且采样频率未知的情况下实现较为困难。为此，本发明提出一种基于时序数据和卷积神经网络的轴承故障检测方法。
发明内容
为此，本发明实施例提供一种轴承故障检测方法及装置，以解决现有技术中由于故障诊断过程中特征提取占据着重要的位置，且特征提取的好坏影响着故障识别的准确性，而在很多故障识别过程中，特征提取存在着多重困难而导致的故障识别困难、识别不准确的问题。
为了实现上述目的，本发明实施例提供一种基于时序数据和卷积神经网络的轴承故障检测方法和装置，该方法以按时间序列连续采样的振动信号数值为检测信号直接作为样本用于卷积神经网络的训练样本，无需采用传统故障识别中对信号进行特征提取的步骤，弱化了特征提取在故障识别中对识别结果准确性的影响，并结合标签有监督地对整个网络进行参数训练，从而实现准确的轴承故障检测。本发明的具体技术方案如下：
根据本发明实施例的第一方面提供一种轴承故障检测方法，其特征在于，包括如下步骤：
获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；
将所述待处理振动时序信号输入至预先训练的故障分类模型，得到轴承振动信号故障分类结果；
将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。
进一步地，在所述完成检测之前，得到待处理振动时序信号之后，还包括采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号。
进一步地，所述故障分类模型为以一维时间序列作为输入信号的卷积神经网络模型。
进一步地，采用随机梯度下降算法对所述故障分类模型的参数进行优化。
进一步地，采用投票法对所述分类结果进行投票，得到分类结果中概率最大的类别。
根据本发明实施例的第二方面提供一种轴承故障检测装置，其特征在于，包括预处理模块、故障分类模块、类别检测模块；其中，
所述预处理模块用于获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；
所述故障分类模块用于将所述待处理振动时序信号输入至故障分类模型，得到轴承振动信号故障分类结果；
所述类别检测模块用于将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。
进一步地，在所述类别检测模块之前、预处理模块之后，还包括数据增强模块，用于采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号。
进一步地，所述故障分类模型为以一维时间序列作为输入信号的卷积神经网络模型。
进一步地，采用随机梯度下降算法对所述故障分类模型的参数进行优化。
进一步地，采用投票法对所述分类结果进行投票，得到分类结果中概率最大的类别。
本发明实施例具有如下优点：
本发明实施例提供一种基于时序数据和卷积神经网络的轴承故障检测方法和装置，该方法以按时间序列连续采样的振动信号数值为检测信号直接作为样本用于卷积神经网络的训练样本，无需采用传统故障识别中对信号进行特征提取的步骤，弱化了特征提取在故障识别中对识别结果准确性的影响，并结合标签有监督地对整个网络进行参数训练，从而实现准确的轴承故障检测。且本发明直接对轴承的振动信号的时序信号进行信号进行故障识别，避免将时序信号转换成频域信号再进行特征提取而导致的频率特征分量难以提取、无特定采样频率的频域信号难以转换等问题。实现了深度学习极具挑战的小样本模型中取得了较好的分类效果。
进一步地，本发明在得到待处理振动时序信号之后，还包括对所述振动信号进行数据增强，得到多段维度相同的振动信号。大大增多了轴承故障训练数据的样本，避免了使用卷积神经网络模型由于数据量小而导致的过拟合的问题。另一方面，在测试时，对所需进行故障检测的振动信号进行数据增强得到的多条振动信号，采用训练完成的卷积神经网络分别进行处理得到多个分类结果，采用投票法对所述分类结果进行投票得到最终结果。通过集成多个分类结果的智慧，可以容许分类器误差的存在，提高分类结果的准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例1提供的一种轴承故障检测方法流程框图；
图2是本发明实施例2提供的一种轴承故障检测方法的优选实施方式的流程框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例1提供的一种轴承故障检测方法的流程框图，包括：
获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；
将所述待处理振动时序信号输入至预先训练的故障分类模型，得到轴承振动信号故障分类结果；
将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。
上述预处理包括对振动信号进行去噪处理，信号幅值调整等处理。
本发明实施例1提供的一种轴承故障检测方法以按时间序列连续采样的振动信号数值为检测信号直接作为样本用于卷积神经网络的训练样本，无需采用传统故障识别中对信号进行特征提取的步骤，弱化了特征提取在故障识别中对识别结果准确性的影响，并结合标签有监督地对整个网络进行参数训练，从而实现准确的轴承故障检测。
需要说明的是，上述故障分类模型的训练属于本领域现有技术，在此不再赘述。
图2是本发明实施例2提供的一种轴承故障检测方法的优选实施方式的流程框图。将预处理后得到的待处理振动时序信号输入至预先训练的基于卷积神经网络的故障分类模型，采用随机梯度下降算法对所述故障分类模型的参数进行优化，得到轴承振动信号故障分类结果。
然后将得到的振动特征信号输入至预先训练的故障分类模型后会得到相应的多个标签，将这多个标签进行投票，得到概率最大的类别。
上述故障分类模型为以一维时间序列作为输入信号的卷积神经网络模型，卷积神经网络模型与随机梯度下降算法均为现有技术，在此不再赘述。
众所周知，CNN非常适合处理海量数据，学习海量数据中的特征，识别出海量数据中蕴含的信息。但可用的轴承故障训练数据量较小，使用CNN进行分类容易造成过拟合，因此，本发明采用的方法是对数据集的时序数据进行数据增强。由于观察可视化数据可得，不管是否存在故障以及存在何种故障，轴承的运行状况呈现周期，因此可以将特征进行分割，切分成多段维度较小且相同的特征也就是说，在数据增强之后，原有的数据集增强多倍，大大减少了CNN过拟合的可能性。基于此原因，本发明可选的实施方式还包括，在完成检测之前，得到待处理振动时序信号之后，还包括采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号，以此实现数据的增强。
由于经过数据增强，因此经过训练完毕的CNN分类器时会得到相应的多个标签，将这多个标签进行投票，得到概率最大的类别。与常用的CNN分类得到最终类别相比，投票法改变了“一票决定生死”的局面，可以集齐多个分类结果的智慧，同时也允许了分类器小失误的存在。
本发明实施例2提供的一种基于时序数据和卷积神经网络的轴承故障检测方法和装置，该方法以按时间序列连续采样的振动信号数值为检测信号直接作为样本用于卷积神经网络的训练样本，无需采用传统故障识别中对信号进行特征提取的步骤，弱化了特征提取在故障识别中对识别结果准确性的影响，并结合标签有监督地对整个网络进行参数训练，从而实现准确的轴承故障检测。且本发明直接对轴承的振动信号的时序信号进行信号进行故障识别，避免将时序信号转换成频域信号再进行特征提取而导致的频率特征分量难以提取、无特定采样频率的频域信号难以转换等问题。实现了深度学习极具挑战的小样本模型中取得了较好的分类效果。
进一步地，本发明在所述特征提取之前，得到待处理振动时序信号之后，还包括对所述振动信号进行进行分割，得到多段维度相同的振动信号。大大增多了轴承故障训练数据的样本，避免了使用CNN卷积神经网络模型由于数据量小而导致的过拟合的问题。另一方面，在测试时，对所需进行故障检测的振动信号进行数据增强得到的多条振动信号，采用训练完成的卷积神经网络分别进行处理得到多个分类结果，采用投票法对所述分类结果进行投票得到最终结果。通过集成多个分类结果的智慧，可以容许分类器误差的存在，提高分类结果的准确性。
根据本发明实施例的第二方面提供一种轴承故障检测装置，其特征在于，包括预处理模块、故障分类模块、类别检测模块；其中，
所述预处理模块用于获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；
所述故障分类模块用于将所述待处理振动时序信号输入至故障分类模型，得到轴承振动信号故障分类结果；
所述类别检测模块用于将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。
进一步地，在所述类别检测模块之前、预处理模块之后，还包括数据增强模块，用于采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号。
进一步地，所述故障分类模型为以一维时间序列作为输入信号的卷积神经网络模型。
进一步地，采用随机梯度下降算法对所述故障分类模型的参数进行优化。
进一步地，采用投票法对所述分类结果进行投票，得到分类结果中概率最大的类别。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种轴承故障检测方法，其特征在于，包括如下步骤：
获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；
将所述待处理振动时序信号输入至预先训练的故障分类模型，得到轴承振动信号故障分类结果；
将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。
2.根据权利要求1所述的方法，其特征在于，在所述将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测之前，得到待处理振动时序信号之后，还包括采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号。
3.根据权利要求1所述的方法，其特征在于，所述故障分类模型为以一维时间序列作为输入信号的卷积神经网络模型。
4.根据权利要求1所述的方法，其特征在于，采用随机梯度下降算法对所述故障分类模型的参数进行优化。
5.根据权利要求2所述的方法，其特征在于，采用投票法对所述分类结果进行投票，得到分类结果中概率最大的类别。
6.一种轴承故障检测装置，其特征在于，包括预处理模块、故障分类模块、类别检测模块；其中，
所述预处理模块用于获取轴承的振动信号，并对所述振动信号进行预处理，得到待处理振动时序信号；
所述故障分类模块用于将所述待处理振动时序信号输入至预先训练的故障分类模型，得到轴承振动信号故障分类结果；
所述类别检测模块用于将所有分类结果中概率最大的类别作为检测的故障类别，完成轴承的故障检测。
7.根据权利要求6所述的装置，其特征在于，在所述类别检测模块之前、预处理模块之后，还包括数据增强模块，用于采用数据切割的方法对所述振动信号进行数据增强，得到多段维度相同的振动信号。
8.根据权利要求6所述的装置，其特征在于，所述故障分类模型为以一维时间序列作为输入信号的卷积神经网络模型。
9.根据权利要求6所述的装置，其特征在于，采用随机梯度下降算法对所述故障分类模型的参数进行优化。
10.根据权利要求7所述的装置，其特征在于，采用投票法对所述分类结果进行投票，得到分类结果中概率最大的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910611008.4A CN110261116A (zh) | 2019-07-08 | 2019-07-08 | 一种轴承故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910611008.4A CN110261116A (zh) | 2019-07-08 | 2019-07-08 | 一种轴承故障检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110261116A true CN110261116A (zh) | 2019-09-20 |
Family
ID=67925033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910611008.4A Pending CN110261116A (zh) | 2019-07-08 | 2019-07-08 | 一种轴承故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110261116A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080607A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的滚动轴承甩油故障检测方法 |
| CN111079705A (zh) * | 2019-12-31 | 2020-04-28 | 北京理工大学 | 一种振动信号分类方法 |
| CN111291466A (zh) * | 2020-01-11 | 2020-06-16 | 上海应用技术大学 | 一种轴承疲劳寿命影响因素的分析方法和系统 |
| CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
| CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
| 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 |
| CN114414245A (zh) * | 2019-09-29 | 2022-04-29 | 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 |
| CN115629930A (zh) * | 2022-12-23 | 2023-01-20 | 北京东远润兴科技有限公司 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
| EP3246689A1 (en) * | 2016-05-20 | 2017-11-22 | ABB Technology Oy | Method and system for monitoring mechanical bearing |
| CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| CN109029992A (zh) * | 2018-06-15 | 2018-12-18 | 深圳大学 | 机床主轴的轴承故障诊断的方法和系统 |
| CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
| CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
| CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
| WO2019129956A1 (fr) * | 2017-12-28 | 2019-07-04 | Safran | Procédé et dispositif de surveillance d'un roulement équipant un dispositif tournant |
-
2019
- 2019-07-08 CN CN201910611008.4A patent/CN110261116A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3246689A1 (en) * | 2016-05-20 | 2017-11-22 | ABB Technology Oy | Method and system for monitoring mechanical bearing |
| CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
| WO2019129956A1 (fr) * | 2017-12-28 | 2019-07-04 | Safran | Procédé et dispositif de surveillance d'un roulement équipant un dispositif tournant |
| CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| CN109029992A (zh) * | 2018-06-15 | 2018-12-18 | 深圳大学 | 机床主轴的轴承故障诊断的方法和系统 |
| CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
| CN109596326A (zh) * | 2018-11-30 | 2019-04-09 | 电子科技大学 | 基于优化结构卷积神经网络的旋转机械故障诊断方法 |
| CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114414245A (zh) * | 2019-09-29 | 2022-04-29 | 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 |
| CN111080607A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的滚动轴承甩油故障检测方法 |
| CN111080607B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像识别的滚动轴承甩油故障检测方法 |
| CN111079705A (zh) * | 2019-12-31 | 2020-04-28 | 北京理工大学 | 一种振动信号分类方法 |
| CN111079705B (zh) * | 2019-12-31 | 2023-07-25 | 北京理工大学 | 一种振动信号分类方法 |
| CN111291466A (zh) * | 2020-01-11 | 2020-06-16 | 上海应用技术大学 | 一种轴承疲劳寿命影响因素的分析方法和系统 |
| CN111538947A (zh) * | 2020-05-18 | 2020-08-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
| CN111538947B (zh) * | 2020-05-18 | 2022-06-14 | 中车永济电机有限公司 | 风力发电机轴承故障分类模型的构建方法 |
| CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
| 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 |
| CN115629930A (zh) * | 2022-12-23 | 2023-01-20 | 北京东远润兴科技有限公司 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
| CN115629930B (zh) * | 2022-12-23 | 2023-08-08 | 北京东远润兴科技有限公司 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
| CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
| CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
| CN107451760A (zh) | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 | |
| CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
| CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
| CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
| CN114492534B (zh) | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 | |
| CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
| Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
| CN117113170A (zh) | 一种基于多尺度信息融合的轻量化旋转机械故障诊断方法 | |
| CN111597948A (zh) | 一种轴承振动信号的故障检测和分类方法 | |
| CN117330314A (zh) | 一种基于二维灰度图和Swin-Transformer的轴承故障诊断方法 | |
| CN110231165B (zh) | 一种基于期望差异约束置信网络的机械设备故障诊断方法 | |
| CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
| CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
| CN110044619A (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
| CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
| CN114742094A (zh) | 一种基于深度形态卷积网络的振动信号缺陷特征提取方法 | |
| CN113688780A (zh) | 一种电机轴承故障识别方法 |
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: 20190920 |
|
| RJ01 | Rejection of invention patent application after publication |