CN110608885B - 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法 - Google Patents

一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法 Download PDF

Info

Publication number
CN110608885B
CN110608885B CN201910873736.2A CN201910873736A CN110608885B CN 110608885 B CN110608885 B CN 110608885B CN 201910873736 A CN201910873736 A CN 201910873736A CN 110608885 B CN110608885 B CN 110608885B
Authority
CN
China
Prior art keywords
rolling bearing
wear
inner ring
time domain
signal
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
CN201910873736.2A
Other languages
English (en)
Other versions
CN110608885A (zh
Inventor
尚志武
高茂生
李万祥
刘霞
俞燕
周士琦
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.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic 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 Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201910873736.2A priority Critical patent/CN110608885B/zh
Publication of CN110608885A publication Critical patent/CN110608885A/zh
Application granted granted Critical
Publication of CN110608885B publication Critical patent/CN110608885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，包括以下步骤，基于动态时间规整算法(DTW)和重采样技术的振动信号预处理、时域指标的计算、滚动轴承内圈磨损故障的诊断及趋势预测。本发明的有益效果是，结构简单，实用性强，能够有效地对滚动轴承内圈磨损故障做出诊断和趋势预测，为设备维护人员提供重要参考。

Description

一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法
技术领域
本发明涉及振动故障诊断领域，特别是一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法。
背景技术
随着人们生活水平的提高，对于物质需求的质量和数量都在不断提高，工业生产需要有较高的效率，一旦用于工业生产的机械发生故障，将会极大的影响工业企业的生产进度，带来巨大的经济损失甚至危及人身安全。滚动轴承是各种机械装备中经常使用的零件。滚动轴承的长期工作容易使得滚动轴承的内圈极易磨损。当滚动轴承发生轻微磨损时，其仍可以正常工作，当滚动轴承内圈磨损达到一定程度时，滚动轴承便无法正常工作，此时如果继续工作将会违背安全生产原则，并且会影响产品合格率。因此，及时的对滚动轴承内圈磨损故障做出诊断及趋势预测是十分必要的。这样可以及时了解滚动轴承的状态，使得滚动轴承发挥最大的作用。目前应用于滚动轴承故障诊断的方法有小波包分析(Waveletpacket analysis)方法、深度学习(Deep learning)方法和频谱分析(Spectrum analysis)方法等，这些方法存在较大的局限性。小波包分析方法依赖于小波基的选择，深度学习方法对故障的诊断具有很好的效果，但是其具有较大的计算量，实际应用较困难，频谱分析方法可以有效地发现滚动轴承的故障频率，但是对于故障程度无法做出具体判断，因此目前没有有效的方法可以同时实现滚动轴承内圈磨损故障的诊断和趋势预测。基于计算时域指标，根据时域指标值大小进行故障诊断及故障趋势预测在理论上是可以实现的。通过计算时域指标值找出故障趋势的规律，根据规律判断滚动轴承内圈磨损故障的程度，预测出设备的停机时间，使得在不影响产品质量的前提下，滚动轴承能够发挥最大作用。
发明内容
本发明的目的是为了解决上述问题，设计了一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法。
实现上述目的本发明的技术方案为，一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，包括以下步骤：
步骤1：基于动态时间规整(DTW)算法和重采样技术的振动信号预处理；
步骤2：时域指标的计算；
步骤3：滚动轴承内圈磨损故障的诊断及趋势预测。
进一步地，所述的步骤1中，基于动态时间规整(DTW)算法和重采样技术的振动信号预处理，其具体步骤如下：
步骤1.1：将参考信号A与测试信号B同时输入到DTW算法；
步骤1.2：通过DTW算法获得最优规整路径WR；
步骤1.3：使用重采样技术将原始残差向量信号OR恢复原长。
进一步地，所述的步骤2中，时域指标的计算，其具体步骤如下：
步骤2.1：计算传统时域指标值；
步骤2.2：计算时域新指标。
进一步地，所述的步骤3中，滚动轴承内圈磨损故障的诊断及趋势预测，其具体步骤如下：
步骤3.1：做出时域新指标的曲线图；
步骤3.2：根据时域新指标曲线图判断滚动轴承内圈磨损故障的程度及其故障趋势。
进一步地，所述的步骤1.1中，参考信号A与测试信号B同时输入到DTW算法，其具体为，滚动轴承的振动信号是由加速度振动检测传感器测得的，滚动轴承在无故障情况下测得的信号为健康振动信号Xh(t)，滚动轴承在内圈磨损故障情况下测得的信号为故障振动信号Xf(t)，健康振动信号作为DTW算法的参考信号A，故障振动信号作为DTW算法的测试信号B，参考信号A与测试信号B同时输入到DTW算法。
进一步地，所述的步骤1.2中，通过DTW算法获得最优规整路径WR，其具体为，通过动态时间规整算法计算参考信号A的数据点与测试信号B的数据点的最小累积距离，获得最优规整路径WR。
进一步地，所述的步骤2.1中，计算传统时域指标值，其具体为，健康振动信号Xh(t)和故障振动信号Xf(t)分别需计算的传统时域指标的数量为4个，分别是峰值Peak、均方根值RMS、波峰因数CF、峭度值Ku。
进一步地，所述的步骤2.2中，计算时域新指标，其具体为，在计算信号的4个传统时域指标值之后，需要计算时域新指标TALAP和TRCKT，其具体计算方法如下：
Figure GSB0000191521770000021
Figure GSB0000191521770000022
其中，XRMS表示信号的均方根值，RMS0表示健康信号的均方根值，log表示取对数。
进一步地，所述的步骤3.1中，做出时域新指标的曲线图，其具体步骤如下：
步骤3.1.1：根据滚动轴承健康情况下和内圈不同磨损程度情况下的四个时域指标值，计算健康振动信号Xh(t)和故障振动信号Xf(t)的TALAP值和TRCKT值；
步骤3.1.2：拟合出TALAP和TRCKT的曲线图。
进一步地，所述的步骤3.2中，根据时域新指标曲线图判断滚动轴承内圈磨损故障的程度及其故障趋势，其具体为，根据TALAP的曲线的变化趋势，TALAP曲线图分为三个区域，早期微弱磨损区域、中度磨损区域、严重故障预警区域与失效区域的混叠区域，根据TRCKT的曲线变化趋势，TRCKT曲线图分为两个阶段，非完全下降区域与下降区域，下降区域对应TALAP曲线图的失效区域，当滚动轴承的振动信号的TALAP值处在早期微弱故障磨损区域和中度磨损区域时，滚动轴承仍可以继续正常工作，当达到严重故障预警区域与失效区域的混叠区域时，要根据TRCKT曲线图判断TRCKT值是否处于下降区域，若处于下降区域则应立即停止运行。
利用本发明的技术方案制作的一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，通过该方法可以对滚动轴承的振动信号进行预处理，得到包含大量故障信息的振动信号，使之适用于时域指标计算，便于进行故障诊断和趋势预测，TALAP和TRCKT指标综合了传统时域指标的特点和优势，避免了多指标综合判断的复杂性，仅可根据TALAP指标实现故障诊断，根据TRCKT指标实现故障趋势预测，降低了故障诊断和趋势预测的难度，方法简单实用，此方法适用于任何恒定转速条件下的滚动轴承内圈磨损故障的诊断及趋势预测。因此，该发明具有实用价值，能够为维修人员提供准确的滚动轴承运行信息，减少因轴承故障带来的经济损失，满足了故障诊断及趋势预测的需要。
附图说明
图1是本发明所述一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法的流程图。
图2是滚动轴承转速1728r/min情况下不同磨损程度的原始残差向量信号时域图。
图3是滚动轴承转速1750r/min情况下不同磨损程度的原始残差向量信号时域图。
图4是滚动轴承转速1772r/min情况下不同磨损程度的原始残差向量信号时域图。
图5是滚动轴承转速1796r/min情况下不同磨损程度的原始残差向量信号时域图。
图6是滚动轴承转速1728r/min情况下不同磨损程度的残差向量信号时域图。
图7是滚动轴承转速1750r/min情况下不同磨损程度的残差向量信号时域图。
图8是滚动轴承转速1772r/min情况下不同磨损程度的残差向量信号时域图。
图9是滚动轴承转速1796r/min情况下不同磨损程度的残差向量信号时域图。
图10是时域新指标TALAP在不同转速条件下的曲线图。
图11是时域新指标TRCKT在不同转速条件下的曲线图。
具体实施方式
下面结合附图对本发明进行具体描述，如图1所示，一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，包括以下步骤：
步骤1：基于动态时间规整(DTW)算法和重采样技术的振动信号预处理；
步骤2：时域指标的计算；
步骤3：滚动轴承内圈磨损故障的诊断及趋势预测。
下面通过一个具体实施例对本发明进行具体阐述。
在本实施例中，数据来源于美国凯斯西储大学轴承数据中心，所使用数据的基本参数如表1所示，实验轴承的基本参数如表2所示，参考信号的基本参数如表3所示。
表1实验所使用数据的基本参数
Figure GSB0000191521770000041
表2轴承基本参数表
Figure GSB0000191521770000042
表3参考信号基本参数
Figure GSB0000191521770000043
下面应用动态时间规整算法进行预处理，从原始数据中截取实验所使用的所有信号，长度为2400点。
步骤1：基于动态时间规整(DTW)算法和重采样技术的振动信号预处理；
步骤1.1：滚动轴承的振动信号是由加速度振动检测传感器测得的，健康振动信号作为DTW算法的参考信号A，相应的故障振动信号作为DTW算法的测试信号B，参考信号A与测试信号B同时输入到DTW算法。
步骤1.2：通过DTW算法获得最优规整路径WR；通过DTW算法计算参考信号A的数据点与测试信号B的数据点的最小累积距离，获得最优规整路径WR；DTW算法的具体计算过程如下：
(1)输入参考信号A和测试信号B；
(2)DTW算法处理的过程就是将参考信号A的数据点与测试信号B的数据点进行匹配，顺序的以参考信号A中的每一个数据点作为计算欧氏距离的标准数据点，寻找测试信号B中与之欧式距离最小的数据点，该最小数据点便于标准数据点匹配成功，对应的两点形成规整路径的一个坐标，所有坐标按照顺序排列形成完整的规整路径，匹配点之间欧氏距离最小时，累计距离便是最小值。
在规整路径中，第i对匹配数据点表示为：wi＝(Am，Bn)，第i对匹配数据点的规整路径坐标表示为：wRi＝(m，n)，匹配结果表示为：W＝w1，w2，w3，……，wi，……，wj，完整的规整路径表示为WR＝wR1，wR2，wR3，……，wRi，……，wRK，
累计距离可以表达为如下形式：
Figure GSB0000191521770000051
其中，m是来自参考信号A的索引，n是来自测试信号B的索引，K为匹配数据点对的总数。因此动态时间规整必须满足以下3个条件：
条件1(边界条件)：必须满足wRi＝(1，1)，wRK＝(K，K)；
条件2(连续性条件)：给定wRi＝(m，n)，且wR(i-1)＝(m′，n′)，则m-m′≤1，且n-n′≤1；
条件3(单调性条件)：给定wRi＝(m，n)，且wR(i-1)＝(m′，n′)，则m-m′≥0，且n-n′≥0。
(3)输出规整路径WR；
得到规整路径后，可以得到规整后的信号，将参考信号A与测试信号B直接做差得到原始残差向量信号OR，图2所示为转速1728r/min情况下的原始残差向量信号时域图，图3为转速1750r/min情况下的原始残差向量信号时域图，图4为转速1772r/min情况下的原始残差向量信号时域图，图5为转速1796r/min情况下的原始残差向量信号时域图。
步骤1.3：使用重采样技术将原始残差向量信号OR恢复原长；重采样技术的具体计算过程如下：
(1)输入原始残差向量信号OR＝OR1，OR2，……，ORi，……，ORi和规整路径WR，令wRi＝(a，b)，wR(i+1)＝(a′，b′)，将a设置为参考信号A的索引，b设置为测试信号B的索引，m为从1到K的整数，i和m的初始值均为1；
(2)判断b′是否与b相等。若二者相等，则令Rm取ORi和ORi+1中的较大值；若二者不相等，则令Rm＝ORi；
(3)令i＝i+1；
(4)判断i是否等于j，若不相等，令m＝m+1，返回(2)继续循环，若相等则停止循环；
(5)输出残差向量信号R＝R1，R2，……，Rm，……，RK；
在得到残差向量信号后，经过重采样算法的处理，信号恢复原长，图6所示为转速1728r/min情况下的残差向量信号时域图，图7为转速1750r/min情况下的残差向量信号时域图，图8为转速1772r/min情况下的残差向量信号时域图，图9为转速1796r/min情况下的残差向量信号时域图。
步骤2：时域指标的计算；
步骤2.1：健康振动信号Xh(t)和故障振动信号Xf(t)分别需计算的传统时域指标的数量为4个，分别是峰值Peak、均方根值RMS、波峰因数CF、峭度值Ku；传统时域指标的计算公式如下所示：
Figure GSB0000191521770000061
Figure GSB0000191521770000062
Peak＝Xmax
Figure GSB0000191521770000063
XRMS表示信号的均方根值，Xmax表示信号的最大值，xk表示信号中的第k个数据点，
Figure GSB0000191521770000066
表示信号中各个数据点的平均值。不同转速和磨损程度条件下传统时域指标的计算结果如表4所示。
表4不同转速和磨损程度条件下传统时域指标的计算结果
Figure GSB0000191521770000064
步骤2.2：在计算信号的4个传统时域指标值之后，需要计算时域新指标TALAP和TRCKT，其具体计算方法如下：
Figure GSB0000191521770000065
Figure GSB0000191521770000071
其中，RMS0表示健康信号的均方根值，log表示取对数。不同转速和不同磨损程度条件下TALAP和TRCKT的计算结果如表5和表6所示。
表5不同转速和不同磨损程度条件下TALAP的计算结果
Figure GSB0000191521770000072
表6不同转速和不同磨损程度条件下TRCKT的计算结果
Figure GSB0000191521770000073
步骤3：滚动轴承内圈磨损故障的诊断及趋势预测；
步骤3.1：做出时域新指标的曲线图；
步骤3.1.1：根据滚动轴承健康情况下和内圈不同磨损程度情况下的四个时域指标值，计算健康振动信号Xh(t)和故障振动信号Xf(t)的TALAP值和TRCKT值；
步骤3.1.2：拟合出TALAP和TRCKT的曲线图。不同故障程度与不同转速情况下的TALAP曲线图如图10所示，不同故障程度与不同转速情况下TRCKT的曲线图如图11所示。
步骤3.2：根据时域新指标曲线图判断滚动轴承内圈磨损故障的程度及其故障趋势。根据TALAP的曲线的变化趋势，TALAP曲线图分为三个区域，早期微弱磨损区域、中度磨损区域、严重故障预警区域与失效区域的混叠区域，根据TRCKT的曲线变化趋势，TRCKT曲线图分为两个阶段，非完全下降区域与下降区域，下降区域对应TALAP曲线图的失效区域，当滚动轴承的振动信号的TALAP值处在早期微弱故障磨损区域和中度磨损区域时，滚动轴承仍可以继续正常工作，当达到严重故障预警区域与失效区域的混叠区域时，要根据TRCKT曲线图判断TRCKT值是否处于下降区域，若处于下降区域则应立即停止运行。
综上，一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法能够有效地对滚动轴承内圈磨损故障做出准确的故障诊断和故障趋势预测，并可以确定该种故障所处的恶化阶段。DTW算法与时域指标结合使用，能够充分提取滚动轴承振动信号中的故障信息，为设备维护技术人员提供了一种新的滚动轴承状态监测方法。
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。

Claims (5)

1.一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，其特征在于，包括以下步骤：
步骤1：基于动态时间规整算法和重采样技术的振动信号预处理；
步骤2：时域指标的计算；
步骤3：滚动轴承内圈磨损故障的诊断及趋势预测；
所述的步骤2中，时域指标的计算，其具体步骤如下：
步骤2.1：计算传统时域指标值；
步骤2.2：计算时域新指标；
所述的步骤2.2中，计算时域新指标，其具体为，在计算信号的4个传统时域指标值之后，需要计算时域新指标TALAP和TRCKT，其具体计算方法如下：
Figure FSB0000194311250000011
Figure FSB0000194311250000012
其中，XRMS表示信号的均方根值，RMS0表示健康信号的均方根值，log表示取对数，Peak为峰值，CF为波峰因数，Ku为峭度值。
2.根据权利要求1所述的一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，其特征在于，所述的步骤1中，基于动态时间规整算法和重采样技术的振动信号预处理，其具体步骤如下：
步骤1.1：通过动态时间规整算法获得原始残差向量信号；
步骤1.2：使用重采样技术将原始残差向量信号恢复原长，得到残差向量信号。
3.根据权利要求1所述的一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，其特征在于，所述的步骤3中，滚动轴承内圈磨损故障的诊断及趋势预测，其具体步骤如下：
步骤3.1：做出时域新指标的曲线图；
步骤3.2：根据时域新指标曲线图判断滚动轴承内圈磨损故障的程度及其故障趋势。
4.根据权利要求2所述的一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，其特征在于，所述的步骤1.1中，将参考信号与测试信号同时输入到动态时间规整算法，其具体为，滚动轴承在无故障情况下测得的健康振动信号作为动态时间规整算法的参考信号，滚动轴承在内圈磨损故障情况下测得的故障振动信号作为动态时间规整算法的测试信号，参考信号与测试信号同时输入到动态时间规整算法以获得原始残差向量信号。
5.根据权利要求3所述的一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法，其特征在于，所述的步骤3.2中，根据时域新指标曲线图判断滚动轴承内圈磨损故障的程度及其故障趋势，其具体为，根据TALAP的曲线的变化趋势，TALAP曲线图分为三个区域，早期微弱磨损区域、中度磨损区域、严重故障预警区域与失效区域的混叠区域，根据TRCKT的曲线变化趋势，TRCKT曲线图分为两个阶段，非完全下降区域与下降区域，下降区域对应TALAP曲线图的失效区域，当滚动轴承的振动信号的TALAP值处在早期微弱故障磨损区域和中度磨损区域时，滚动轴承仍可以继续正常工作，当达到严重故障预警区域与失效区域的混叠区域时，要根据TRCKT曲线图判断TRCKT值是否处于下降区域，若处于下降区域则应立即停止运行。
CN201910873736.2A 2019-09-09 2019-09-09 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法 Active CN110608885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910873736.2A CN110608885B (zh) 2019-09-09 2019-09-09 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910873736.2A CN110608885B (zh) 2019-09-09 2019-09-09 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法

Publications (2)

Publication Number Publication Date
CN110608885A CN110608885A (zh) 2019-12-24
CN110608885B true CN110608885B (zh) 2021-10-29

Family

ID=68892134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910873736.2A Active CN110608885B (zh) 2019-09-09 2019-09-09 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法

Country Status (1)

Country Link
CN (1) CN110608885B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6393395B1 (en) * 1999-01-07 2002-05-21 Microsoft Corporation Handwriting and speech recognizer using neural network with separate start and continuation output scores
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN105467975A (zh) * 2015-12-29 2016-04-06 山东鲁能软件技术有限公司 一种设备故障诊断方法
CN106289777A (zh) * 2016-08-01 2017-01-04 北京航空航天大学 一种基于几何度量的多工况滚动轴承性能评估方法
KR101823067B1 (ko) * 2016-07-27 2018-01-30 주식회사 세화 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법
CN108303250A (zh) * 2017-01-12 2018-07-20 天津工业大学 一种通过电信号残差向量信号识别齿轮箱故障的方法
CN108303249A (zh) * 2017-01-12 2018-07-20 天津工业大学 一种用于齿轮箱电信号残差信号的提取方法
CN109242023A (zh) * 2018-09-12 2019-01-18 江苏科技大学 一种基于dtw和mds的锚链闪光焊质量在线评估方法
JP2019021036A (ja) * 2017-07-18 2019-02-07 三菱重工業株式会社 移動軌跡成形装置、異常診断システム、移動軌跡成形方法及びプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2798337A1 (en) * 2012-12-04 2014-06-04 University Of Winnipeg Cardiovascular pulse wave analysis method and system
CN103335842A (zh) * 2013-06-14 2013-10-02 江苏永钢集团有限公司 一种基于概率密度曲线的轴承故障识别系统及其方法
US10289478B2 (en) * 2016-04-26 2019-05-14 Nec Corporation System fault diagnosis via efficient temporal and dynamic historical fingerprint retrieval
CN107144428B (zh) * 2017-03-17 2019-02-22 北京交通大学 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法
CN208125377U (zh) * 2018-03-05 2018-11-20 西安交通大学 一种电机滚动轴承故障诊断系统
CN109829402B (zh) * 2019-01-21 2022-08-30 福州大学 基于gs-svm的不同工况下轴承损伤程度诊断方法
CN110163190B (zh) * 2019-06-17 2022-05-06 郑州大学 一种滚动轴承故障诊断方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6393395B1 (en) * 1999-01-07 2002-05-21 Microsoft Corporation Handwriting and speech recognizer using neural network with separate start and continuation output scores
CN104897403A (zh) * 2015-06-24 2015-09-09 北京航空航天大学 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
CN105134619A (zh) * 2015-09-28 2015-12-09 北京航空航天大学 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法
CN105467975A (zh) * 2015-12-29 2016-04-06 山东鲁能软件技术有限公司 一种设备故障诊断方法
KR101823067B1 (ko) * 2016-07-27 2018-01-30 주식회사 세화 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법
CN106289777A (zh) * 2016-08-01 2017-01-04 北京航空航天大学 一种基于几何度量的多工况滚动轴承性能评估方法
CN108303250A (zh) * 2017-01-12 2018-07-20 天津工业大学 一种通过电信号残差向量信号识别齿轮箱故障的方法
CN108303249A (zh) * 2017-01-12 2018-07-20 天津工业大学 一种用于齿轮箱电信号残差信号的提取方法
JP2019021036A (ja) * 2017-07-18 2019-02-07 三菱重工業株式会社 移動軌跡成形装置、異常診断システム、移動軌跡成形方法及びプログラム
CN109242023A (zh) * 2018-09-12 2019-01-18 江苏科技大学 一种基于dtw和mds的锚链闪光焊质量在线评估方法

Also Published As

Publication number Publication date
CN110608885A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
Lee et al. Application of deep neural network and generative adversarial network to industrial maintenance: A case study of induction motor fault detection
KR102398307B1 (ko) 이상 판정 지원 장치
CN109063308B (zh) 一种基于深度量子学习的健康评估方法
Li et al. Bearing fault feature selection method based on weighted multidimensional feature fusion
CN109858104A (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
JP2931187B2 (ja) ポンプ劣化診断システム
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
CN108305014A (zh) 一种基于可靠性屋和粗糙理想点法的失效模式与影响分析方法
Singh et al. Rotor faults diagnosis using artificial neural networks and support vector machines
CN116257747B (zh) 融合峭度和卷积自编码器的转子系统早期异常检测方法
CN114971351A (zh) 一种基于熵值法的设备多指标健康状况评估方法
CN110608885B (zh) 一种用于滚动轴承内圈磨损故障诊断及趋势预测的方法
JPH01152335A (ja) ころがり軸受異常診断装置
CN114326593A (zh) 一种刀具寿命预测系统及方法
CN114818779B (zh) 一种基于层级分类算法的风机转子的故障诊断方法
Abdusslam Detection and diagnosis of rolling element bearing faults using time encoded signal processing and recognition
Doguer et al. New time domain method for the detection of roller bearing defects
CN103752620A (zh) 一种轧机扭振预测方法
Ertunç A combined decision algorithm for diagnosing bearing faults using artificial intelligent techniques
CN112857806B (zh) 一种基于移动窗口时域特征提取的轴承故障检测方法
CN110925182B (zh) 热轧产线除鳞泵振动劣化的预警方法
JP2021076597A (ja) 過渡速度動作中の振動傾向を決定することによるロータ異常の検出
Juuso et al. Combining process and condition monitoring data
Ma et al. Deep residual shrinkage network with time-frequency features for bearing fault diagnosis
JPH0666626A (ja) 回転機械の自動診断方法

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