CN110849625A - 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 - Google Patents

基于混合熵与联合分布适配的变工况下轴承故障诊断方法 Download PDF

Info

Publication number
CN110849625A
CN110849625A CN201910957125.6A CN201910957125A CN110849625A CN 110849625 A CN110849625 A CN 110849625A CN 201910957125 A CN201910957125 A CN 201910957125A CN 110849625 A CN110849625 A CN 110849625A
Authority
CN
China
Prior art keywords
entropy
domain data
data set
sample
working condition
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
Application number
CN201910957125.6A
Other languages
English (en)
Inventor
薛小明
姜伟
张楠
刘丽燕
曹苏群
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910957125.6A priority Critical patent/CN110849625A/zh
Publication of CN110849625A publication Critical patent/CN110849625A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了基于混合熵与联合分布适配的变工况下轴承故障诊断方法。根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，建立源域数据集和目标域数据集；分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数；根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量；根据迁移学习理论，利用源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。本发明能够有效解决未知负载工况下轴承多类故障状态的识别问题，显著提高故障诊断精度，提升轴承稳定运行水平。

Description

基于混合熵与联合分布适配的变工况下轴承故障诊断方法
技术领域
本发明属于故障诊断技术领域，特别涉及了一种变工况下的故障诊断方法。
背景技术
滚动轴承是现代机械设备中最常见的基础部件之一，通过将运转的轴与轴座间的滑动摩擦转变为滚动摩擦，从而减少摩擦损失，有效提升机械设备运行效率。研究表明，由滚动轴承发生故障进而引发的机械设备运行异常或事故在设备故障案例中占据较大比例，且滚动轴承故障通常可在监测到的振动信号中得到反映。因此，基于采集到的滚动轴承振动信号样本，研究设计高效可行的滚动轴承故障诊断方法，可有效提高轴承故障诊断精度，提升机械设备可靠稳定运行水平，促使设备维护策略向自动化、智能化方向发展。
目前，针对滚动轴承故障诊断的相关研究大多针对单一负载工况开展。工程实际中，受设备生产任务影响，轴承通常在变负载工况下运行，传统故障诊断方法难以满足准确识别轴承故障工况的应用需求。因此，利用监测获取的轴承振动信号，探究变工况下高效准确识别轴承故障工况的诊断方法，可为解决上述问题提供一条有效的途径。针对变工况下滚动轴承故障诊断，目前尚未系统深入地进行相关研究，缺乏合理完备的基于混合熵与联合分布适配的变工况下轴承故障诊断方法，尚不能满足对轴承实施准确诊断、智能维护的功能需求。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了基于混合熵与联合分布适配的变工况下轴承故障诊断方法。
为了实现上述技术目的，本发明的技术方案为：
基于混合熵与联合分布适配的变工况下轴承故障诊断方法，包括以下步骤：
(1)根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，建立用于变工况下滚动轴承故障诊断的源域数据集和目标域数据集；
(2)分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数；
(3)根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量；
(4)根据迁移学习理论，实现目标域数据对源域数据的迁移学习，利用步骤(3)得到的源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。
进一步地，在步骤(2)中，采用快速集成经验模态分解方法对源域数据集和目标域数据集包含的各样本信号进行时频分解。
进一步地，在步骤(3)中，所述非线性熵参数包括排列熵、样本熵、能量熵、奇异谱熵和功率谱熵。
进一步地，步骤(3)的具体过程如下：
(3-1)根据频率高低对各样本信号的本征模态函数进行排序；
(3-2)计算各IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵：
Figure BDA0002227716990000021
Figure BDA0002227716990000022
Figure BDA0002227716990000023
Figure BDA0002227716990000024
Figure BDA0002227716990000031
其中，m为重构空间的嵌入维度；Pl表示重构空间中第l种排列样式的概率分布；L为重构空间中总的排列样式数，L≤m！；B表示向量序列间距离小于等于r的数目，r为相似偏差；N为单个样本数据的总长度；pkn表示第n个IMF分量的能量在总能量中所占的比值；λi为IMF分量空间重构获得的矩阵的第i个奇异值，
Figure BDA0002227716990000032
Sx(f)表示x(t)的功率谱估计，x(t)为原始信号序列的IMF分量之一，
Figure BDA0002227716990000033
(3-3)分析各类熵在不同尺度上对于同类故障和不同类故障的聚集性与分散性，选取前h个高频IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵特征，构建各样本信号的多尺度混合熵特征向量，h为预设的正整数。
进一步地，步骤(4)的具体过程如下：
(4-1)基于源域数据集和目标域数据集，采用K最近邻分类算法生成目标域数据集各样本信号的初始伪标签；
(4-2)利用联合分布适配方法将源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量空间映射到核再生空间，实现目标域数据对源域数据的迁移学习，获得新映射空间数据；
(4-3)基于新映射空间数据，采用K最近邻分类算法生成每次迭代过程目标域数据集各样本信号的伪标签；
(4-4)进行若干次迭代，将最后一次迭代过程获取的标签数据作为最终故障诊断结果。
采用上述技术方案带来的有益效果：
(1)本发明首次考虑构建样本多尺度混合熵特征向量，用于实现轴承故障工况的准确识别，具体包括排列熵、样本熵、能量熵、奇异谱熵和功率谱熵特征，多角度综合考虑了不同类型的非线性度量熵特征对轴承诊断精度的影响，弥补了单一熵特征难以实现轴承故障精确诊断的不足，有效提升了滚动轴承故障诊断的准确性；
(2)本发明首次考虑变工况下滚动轴承故障诊断问题，融合迁移学习思想，研究设计了基于混合熵和联合适配分布的基于混合熵与联合分布适配的变工况下轴承故障诊断方法，实现了目标域数据对源域数据的迁移学习，揭示了变工况下可识别轴承故障类型的本质信息，攻克了变工况下难以有效实现轴承故障诊断的理论难题，为滚动轴承实施变工况下故障精确诊断提供可靠的理论指导与技术支持。
附图说明
图1为本发明基于混合熵与联合分布适配的变工况下轴承故障诊断方法流程图；
图2为本发明实例提供的一种滚动轴承正常运行工况下振动信号FEEMD分解及FFT频谱图；
图3为本发明实例提供的一种滚动轴承内环故障运行工况下振动信号FEEMD分解及FFT频谱图；
图4为本发明实例提供的信号样本IMFs排列熵特征分布图；
图5为本发明实例提供的信号样本IMFs样本熵特征分布图；
图6为本发明实例提供的信号样本IMFs能量熵特征分布图；
图7为本发明实例提供的信号样本IMFs奇异谱熵特征分布图；
图8为本发明实例提供的信号样本IMFs功率谱熵特征分布图；
图9为本发明实例提供的联合适配分布的跨域学习过程示意图；
图10为本发明实例提供的不同分类器在不同数量IMFs分量下的诊断结果图；
图11为本发明实例提供的案例1中诊断结果对比图；
图12为本发明实例提供的案例3中诊断结果对比图；
图13为本发明实例提供的案例5中诊断结果对比图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提出了基于混合熵与联合分布适配的变工况下轴承故障诊断方法，步骤如下。
步骤1：根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，:得到源域数据集(即训练数据集)和目标域数据集(即测试数据集)。
在本实施例中，试验对比案例说明及各案例下源域负载工况、目标域负载工况、源域样本数量、目标域样本数量设置如表1所示。
表1试验对比案例
Figure BDA0002227716990000051
步骤2：分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数。在本实施例中，采用快速集成经验模态分解(FEEMD)方法对样本信号进行时频分解。
在本实施例中，选取西储大学滚动轴承故障试验数据作为实施例，轴承故障类型说明如表2所示。
表2滚动轴承故障类型
Figure BDA0002227716990000061
在本实施例中，FEEMD方法参数设置如下：集成试验次数取100，附加噪声幅值为原始信号标准差的20％。图2和图3所示分别为滚动轴承正常运行工况及内环故障运行工况下振动信号经FEEMD分解后的IMFs(图中的(a))及其FFT频谱图(图中的(b))。
步骤3：根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量。在本实施例中，该步骤的具体过程如下：
3-1：根据频率高低对各样本信号的本征模态函数进行排序。
3-2：计算各IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵：
Figure BDA0002227716990000062
Figure BDA0002227716990000063
Figure BDA0002227716990000065
Figure BDA0002227716990000066
其中，m为重构空间的嵌入维度；Pl表示重构空间中第l种排列样式的概率分布；L为重构空间中总的排列样式数，L≤m！；B表示向量序列间距离小于等于r的数目，r为相似偏差；N为单个样本数据的总长度；pkn表示第n个IMF分量的能量在总能量中所占的比值；λi为IMF分量空间重构获得的矩阵的第i个奇异值，
Figure BDA0002227716990000071
Sx(f)表示x(t)的功率谱估计，x(t)为原始信号序列的IMF分量之一，
图4-8所示分别为滚动轴承处于滚动体故障工况、内环故障工况、外环故障工况及正常工况下，振动信号样本IMFs分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵特征的分布情况。由图4-8可知，不同工况下信号样本IMFs分量的各种非线性度量熵特征均呈现显著差异，表明其包含能够有效揭示轴承故障类型的本质信息，可作为滚动轴承故障诊断的特征量。
3-3：分析各类熵在不同尺度上对于同类故障和不同类故障的聚集性与分散性，选取前h个高频IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵特征，构建各样本信号的多尺度混合熵特征向量。在本实施例中，h＝5。
步骤4：根据迁移学习理论，实现目标域数据对源域数据的迁移学习，利用步骤3得到的源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。在本实施例中，该步骤的具体过程如下：
4-1：基于源域数据集和目标域数据集，采用K最近邻(K-Nearest Neighbor，KNN)分类算法生成目标域数据集各样本信号的初始伪标签。
4-2：利用联合分布适配(Joint Distribution Adaptation，JDA)方法将源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量空间映射到核再生空间，实现目标域数据对源域数据的迁移学习，获得新映射空间数据。图9所示为联合适配分布(JDA)的跨域学习过程示意图，其中，Ds表示源域数据集，Dt表示目标域数据集，T表示迁移学习任务，MDA表示边界分布适应，CDA表示条件分布适应。
4-3：基于新映射空间数据，采用K最近邻分类算法生成每次迭代过程目标域数据集各样本信号的伪标签。
4-4：进行若干次迭代，将最后一次迭代过程获取的标签数据作为最终故障诊断结果。
在本实施例中，选取KNN、支持向量机(SVM)、随机森林(RF)作为所发明诊断方法的对比模型，验证所发明诊断方法在诊断精度方面的优越性。图10为本发明实例提供的不同分类模型在不同数量IMFs分量下的诊断结果，表3所列为诊断结果详细对比情况。由表3所示结果可知，针对各设计案例下的诊断实例，所发明诊断方法的诊断精度均显著高于其他三种方法。
表3诊断结果对比
Figure BDA0002227716990000081
此外，在本实施例中，选取五种适配方法，包括迁移成分分析(TCA)、半监督迁移成分分析(SSTCA)、最大独立领域自适应(MIDA)、子空间对齐(SA)和信息理论学习(ITL)，与本发明所提JDA方法进行对比，验证所发明基于JDA的诊断方法在诊断效果方面的优势。图11-13分别为表1中案例1、案例3、案例5诊断结果对比图，图中纵坐标Dimension number表示迁移学习获得新空间的维数大小。验证表明，利用所发明的基于混合熵和联合适配分布的基于混合熵与联合分布适配的变工况下轴承故障诊断方法，获得的轴承故障诊断结果具有最高的诊断精度，是正确、有效且使用的方法，具有良好的实际应用价值。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，包括以下步骤：
(1)根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，建立用于变工况下滚动轴承故障诊断的源域数据集和目标域数据集；
(2)分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数；
(3)根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量；
(4)根据迁移学习理论，实现目标域数据对源域数据的迁移学习，利用步骤(3)得到的源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。
2.根据权利要求1所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，在步骤(2)中，采用快速集成经验模态分解方法对源域数据集和目标域数据集包含的各样本信号进行时频分解。
3.根据权利要求1所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，在步骤(3)中，所述非线性熵参数包括排列熵、样本熵、能量熵、奇异谱熵和功率谱熵。
4.根据权利要求3所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，步骤(3)的具体过程如下：
(3-1)根据频率高低对各样本信号的本征模态函数进行排序；
(3-2)计算各IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵：
排列熵
Figure FDA0002227716980000011
样本熵
Figure FDA0002227716980000021
能量熵
Figure FDA0002227716980000022
奇异谱熵
Figure FDA0002227716980000023
功率谱熵
其中，m为重构空间的嵌入维度；Pl表示重构空间中第l种排列样式的概率分布；L为重构空间中总的排列样式数，L≤m！；B表示向量序列间距离小于等于r的数目，r为相似偏差；N为单个样本数据的总长度；pkn表示第n个IMF分量的能量在总能量中所占的比值；λi为IMF分量空间重构获得的矩阵的第i个奇异值，
Figure FDA0002227716980000025
Sx(f)表示x(t)的功率谱估计，x(t)为原始信号序列的IMF分量之一，
Figure FDA0002227716980000026
(3-3)分析各类熵在不同尺度上对于同类故障和不同类故障的聚集性与分散性，选取前h个高频IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵特征，构建各样本信号的多尺度混合熵特征向量，h为预设的正整数。
5.根据权利要求1所述基于混合熵与联合分布适配的变工况下轴承故障诊断方法，其特征在于，步骤(4)的具体过程如下：
(4-1)基于源域数据集和目标域数据集，采用K最近邻分类算法生成目标域数据集各样本信号的初始伪标签；
(4-2)利用联合分布适配方法将源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量空间映射到核再生空间，实现目标域数据对源域数据的迁移学习，获得新映射空间数据；
(4-3)基于新映射空间数据，采用K最近邻分类算法生成每次迭代过程目标域数据集各样本信号的伪标签；
(4-4)进行若干次迭代，将最后一次迭代过程获取的标签数据作为最终故障诊断结果。
CN201910957125.6A 2019-10-10 2019-10-10 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 Pending CN110849625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910957125.6A CN110849625A (zh) 2019-10-10 2019-10-10 基于混合熵与联合分布适配的变工况下轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910957125.6A CN110849625A (zh) 2019-10-10 2019-10-10 基于混合熵与联合分布适配的变工况下轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN110849625A true CN110849625A (zh) 2020-02-28

Family

ID=69596565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910957125.6A Pending CN110849625A (zh) 2019-10-10 2019-10-10 基于混合熵与联合分布适配的变工况下轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN110849625A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413089A (zh) * 2020-04-08 2020-07-14 北华大学 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN112036301A (zh) * 2020-08-31 2020-12-04 中国矿业大学 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN112446430A (zh) * 2020-11-27 2021-03-05 云南电网有限责任公司电力科学研究院 一种直流输电系统故障识别方法
CN113029567A (zh) * 2021-02-26 2021-06-25 上海电机学院 基于特征融合等势星球图的故障信号诊断方法
CN113268833A (zh) * 2021-06-07 2021-08-17 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN117388681A (zh) * 2023-12-07 2024-01-12 国网辽宁省电力有限公司 一种高压隔离开关故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018026118A (ja) * 2016-07-29 2018-02-15 オークマ株式会社 送りねじ装置における軸受の診断方法
CN108254179A (zh) * 2017-08-08 2018-07-06 常州路航轨道交通科技有限公司 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法
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
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
CN110097088A (zh) * 2019-04-08 2019-08-06 燕山大学 一种基于迁移学习与特殊点策略的动态多目标进化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018026118A (ja) * 2016-07-29 2018-02-15 オークマ株式会社 送りねじ装置における軸受の診断方法
CN108254179A (zh) * 2017-08-08 2018-07-06 常州路航轨道交通科技有限公司 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法
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
CN109902393A (zh) * 2019-03-01 2019-06-18 哈尔滨理工大学 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法
CN110097088A (zh) * 2019-04-08 2019-08-06 燕山大学 一种基于迁移学习与特殊点策略的动态多目标进化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡明武: "基于迁移学习的变工况下滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
那晓栋: "基于深度学习的变负载下滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413089A (zh) * 2020-04-08 2020-07-14 北华大学 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN112036301A (zh) * 2020-08-31 2020-12-04 中国矿业大学 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN112036301B (zh) * 2020-08-31 2021-06-22 中国矿业大学 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN112446430A (zh) * 2020-11-27 2021-03-05 云南电网有限责任公司电力科学研究院 一种直流输电系统故障识别方法
CN113029567A (zh) * 2021-02-26 2021-06-25 上海电机学院 基于特征融合等势星球图的故障信号诊断方法
CN113268833A (zh) * 2021-06-07 2021-08-17 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN113268833B (zh) * 2021-06-07 2023-07-04 重庆大学 一种基于深度联合分布对齐的迁移故障诊断方法
CN117388681A (zh) * 2023-12-07 2024-01-12 国网辽宁省电力有限公司 一种高压隔离开关故障诊断方法

Similar Documents

Publication Publication Date Title
CN110849625A (zh) 基于混合熵与联合分布适配的变工况下轴承故障诊断方法
Wang et al. A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
Zhao et al. Bearing remaining useful life estimation based on time–frequency representation and supervised dimensionality reduction
US8630962B2 (en) Error detection method and its system for early detection of errors in a planar or facilities
CN110503075B (zh) 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统
Arunadevi et al. A study of classification algorithms using Rapidminer
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN111061293B (zh) 多参数耦合的飞行器故障定位方法、飞行器及存储介质
CN109406118A (zh) 一种基于层次卷积神经网络的机械故障预测方法
CN112131907A (zh) 一种训练分类模型的方法及装置
Yan et al. Multi-feature fusion-based mechanical fault diagnosis for on-load tap changers in smart grid with electric vehicles
Pham et al. Efficient fault diagnosis of rolling bearings using neural network architecture search and sharing weights
Tang et al. KKCV-GA-based method for optimal analog test point selection
CN113268833A (zh) 一种基于深度联合分布对齐的迁移故障诊断方法
CN116223962A (zh) 线束电磁兼容性预测方法、装置、设备及介质
Zhang et al. Multiple‐Fault Diagnosis Method Based on Multiscale Feature Extraction and MSVM_PPA
Yu et al. Fault diagnosis of rolling element bearing using multi-scale Lempel-Ziv complexity and mahalanobis distance criterion
Jianhui et al. New fault diagnosis method for rolling bearing based on PCA
Zhi et al. Anti-noise motor fault diagnosis method based on decision tree and the feature extraction methods in the time domain and frequency domain
CN105277852A (zh) 配电网线路工况分类识别方法
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
CN115293030A (zh) 基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法
Song et al. Health assessment for hydraulic system based on GRNN and metric learning
CN116680554B (zh) 一种基于概率化元学习模型的旋转机械寿命预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228

RJ01 Rejection of invention patent application after publication