CN110988537B - 基于位置反馈的电动舵机剩余寿命预测方法 - Google Patents
基于位置反馈的电动舵机剩余寿命预测方法 Download PDFInfo
- Publication number
- CN110988537B CN110988537B CN201911246693.1A CN201911246693A CN110988537B CN 110988537 B CN110988537 B CN 110988537B CN 201911246693 A CN201911246693 A CN 201911246693A CN 110988537 B CN110988537 B CN 110988537B
- Authority
- CN
- China
- Prior art keywords
- steering engine
- electric steering
- signal
- position feedback
- gear
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/007—Subject matter not provided for in other groups of this subclass by applying a load, e.g. for resistance or wear testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于位置反馈的电动舵机剩余寿命预测方法,其包括以下步骤:S1、将电动舵机安装于试验台上;S2、连接试验台;S3、对电动舵机通电测试;S4、对电动舵机施加载荷;S5、如果电动舵机发生故障,则执行步骤S6,如果电动舵机没有发生故障,则执行步骤S7;S6、对电动舵机进行故障排除,如果电动舵机不能正常工作,则结束实验,如果电动舵机能正常工作,则进行下一步;S7、测量电动舵机的齿面磨损量;S8、如果电动舵机未达到设定的循环次数,则继续循环动作,如果电动舵机达到设定的循环次数,则进行下一步;S9、确定信号特征值的失效阀值;S10、对电动舵机进行寿命预测。本发明通过位置反馈信号,可以准确的预测电动舵机的剩余寿命。
Description
技术领域
本发明属于机械装备可靠性与寿命预测技术领域,特别是涉及一种基于位置反馈的电动舵机剩余寿命预测方法。
背景技术
大部分机械设备在发生失效前会产生性能退化,使用适当的传感器采集机械设备的相关信号,从而对设备性能退化过程进行分析和建模,以此反映其演化规律,并在给定的性能指标下预测其剩余寿命。这种通过实时数据监测与分析的方法被称作基于数据驱动的分析方法,对于难以建立故障物理模型的复杂机械设备,该方法有着更广泛的应用前景。
对于伺服控制的电动舵机而言,电动舵机主要由电机、行星减速器、齿轮减速器、轴承、壳体部分组成。经过失效模式与影响分析,发现齿轮的粘着磨损是导致电动舵机失效的主要形式。当齿轮啮合间隙达到一定角度时,即可以认为该电动舵机失效。同时常规的故障诊断与寿命预测方法中往往忽略了位置反馈信号在数据分析中的重要作用。因此,本发明提出了一种基于位置反馈的电动舵机剩余寿命预测方法,为获取更准确的电动舵机剩余有效寿命具有积极的意义。
发明内容
针对以上情况,本发明提供一种基于位置反馈的电动舵机剩余寿命预测方法,克服现有技术的不足,通过利用位置反馈信号,可以更为准确的预测电动舵机的剩余寿命。
本发明采用的技术方案是,一种基于位置反馈的电动舵机剩余寿命预测方法,其包括以下步骤:
S1、将电动舵机通过固定夹具安装于试验台上;
S2、连接并设置所述试验台的试验参数和控制程序;
S3、对所述电动舵机进行通电测试,确定所述电动舵机能正常工作;
S4、对所述电动舵机施加载荷,并开始循环工作;
S5、在试验过程中,如果所述电动舵机发生关键性损耗故障,则执行步骤S6,如果所述电动舵机没有发生关键性损耗故障,则执行步骤S7;
S6、对所述电动舵机进行故障排除,并在常温静态环境中对所述电动舵机进行测试,如果所述电动舵机不能正常工作,则结束实验,如果所述电动舵机能正常工作,则进行下一步;
S7、多次测量并记录所述电动舵机的齿面磨损量;
S8、如果所述电动舵机的循环次数未达到实验所设定的循环次数,则所述电动舵机继续循环动作,如果所述电动舵机的循环次数达到实验所设定的循环次数时,则进行下一步;
S9、建立所述电动舵机的性能退化模型,并确定信号特征值的失效阀值;以及
S10、应用自回归滑动平均模型对所述电动舵机进行剩余寿命预测,且所述自回归滑动平均模型的表达式为:
进一步地,测量所述电动舵机的齿面磨损量,具体包括以下步骤:
S71、转动所述电动舵机的输出轴,测量所述电动舵机中齿轮啮合的间隙值;
S72、取出所述电动舵机中的齿轮;
S73、将所述齿轮安装于三坐标测量仪上,所述齿轮的每个齿面均设有48个坐标点,连续两次测量所述每个坐标点的磨损量;
S74、计算所述每个齿面磨损量的平均值和方差;
S75、确定所述齿轮中磨损剧烈的特征齿面;以及
S76、计算步骤S75中所述特征齿面的磨损量,并将其作为所述齿轮的磨损量表征值。
进一步地,建立所述电动舵机的性能退化模型,并确定信号特征值的失效阀值,具体包括以下步骤:
S91、采集所述电动舵机的振动信号和位置反馈信号;
S92、根据位置反馈信号确定所述齿轮齿面磨损剧烈区域;
S93、对齿面磨损剧烈区域的振动信号进行局域特征提取,具体包括以下步骤:
S931、使用变分模态分解方法将所采集的振动信号进行分解;
S932、对照步骤S91中采集的位置反馈信号,截取步骤S92中所确定的齿面磨损剧烈区域的特征信号;以及
S933、对截取的特征信号求取均方根;
S94、建立所述特征信号的信号特征值退化模型;
S95、根据步骤S71中测量的间隙值,建立所述齿轮的间隙值退化模型;
S96、建立所述信号特征值与间隙值的拟合模型;以及
S97、确定所述电动舵机信号特征值的失效阈值。
优选地,所述48个坐标点在所述每个齿面上呈六列八行布置。
优选地,所述位置反馈信号为正弦信号,所述振动信号为类正弦信号和包含故障特征信号的叠加信号。
本发明的特点和有益效果是:
1、本发明提供的一种基于位置反馈的电动舵机剩余寿命预测方法,通过使用磨损量检测方法确定了齿轮磨损剧烈区域,为振动信号的分析与故障特征提取提供依据。
2、本发明提供的一种基于位置反馈的电动舵机剩余寿命预测方法,使用变分模态分解的方法对基础信号和包含故障信息的特征信号进行了有效地分离。
3、本发明提供的一种基于位置反馈的电动舵机剩余寿命预测方法,充分利用位置反馈信号,对电动舵机中的故障位置做出了精确的定位。
4、本发明提供的一种基于位置反馈的电动舵机剩余寿命预测方法,将性能指标与特征信号进行了有效拟合,进而可以通过性能指标的失效阈值得到特征信号中对应的失效阈值,为电动舵机的寿命预测提供基础。
附图说明
图1是本发明电动舵机剩余寿命预测方法的流程图;
图2是本发明测量电动舵机的齿面磨损量流程图;
图3是本发明确定信号特征值的失效阀值流程图;以及
图4是本发明对振动信号进行局域特征提取的流程图。
具体实施方式
为详尽本发明之技术内容、结构特征、所达成目的及功效,以下将结合说明书附图进行详细说明。
本发明提供一种基于位置反馈的电动舵机剩余寿命预测方法,如图1所示,其包括以下步骤:
S1、将电动舵机通过固定夹具安装于试验台上;
S2、连接并设置试验台的试验参数和控制程序;
S3、对电动舵机进行通电测试,确定电动舵机能正常工作;
S4、对电动舵机施加载荷,并开始循环工作;
S5、在试验过程中,如果电动舵机发生关键性损耗故障,则执行步骤S6,如果电动舵机没有发生关键性损耗故障,则执行步骤S7;
S6、对电动舵机进行故障排除,并在常温静态环境中对电动舵机进行测试,如果电动舵机不能正常工作,则结束实验,如果电动舵机能正常工作,则进行下一步;
S7、多次测量并记录电动舵机的齿面磨损量;
S8、如果电动舵机的循环次数未达到实验所设定的循环次数,则电动舵机继续循环动作,如果电动舵机的循环次数达到实验所设定的循环次数时,则进行下一步;
S9、建立电动舵机的性能退化模型,并确定信号特征值的失效阀值;以及
S10、应用自回归滑动平均模型对电动舵机进行剩余寿命预测,且自回归滑动平均模型的表达式为:
如图2所示,测量电动舵机的齿面磨损量,具体包括以下步骤:
S71、转动电动舵机的输出轴,测量电动舵机中齿轮啮合的间隙值;
S72、取出电动舵机中的齿轮;
S73、将齿轮安装于三坐标测量仪上,齿轮的每个齿面均设有48个坐标点,连续两次测量所述每个坐标点的磨损量;
S74、计算所述每个齿面磨损量的平均值和方差;
S75、确定齿轮中磨损剧烈的特征齿面;以及
S76、计算步骤S75中特征齿面的磨损量,并将其作为齿轮的磨损量表征值。
具体的,48个坐标点在所述每个齿面上呈六列八行布置。
如图3和图4所示,建立电动舵机的性能退化模型,并确定信号特征值的失效阀值,具体包括以下步骤:
S91、采集电动舵机的振动信号和位置反馈信号;
S92、根据位置反馈信号确定齿轮齿面磨损剧烈区域;
S93、对齿面磨损剧烈区域的振动信号进行局域特征提取,具体包括以下步骤:
S931、使用变分模态分解方法将所采集的振动信号进行分解;
S932、对照步骤S91中采集的位置反馈信号,截取步骤S92中所确定的齿面磨损剧烈区域的特征信号;以及
S933、对截取的特征信号求取均方根;
S94、建立特征信号的信号特征值退化模型;
S95、根据步骤S71中测量的间隙值,建立齿轮的间隙值退化模型;
S96、建立信号特征值与间隙值的拟合模型;以及
S97、确定电动舵机信号特征值的失效阈值。
具体的,位置反馈信号为正弦信号,振动信号为类正弦信号和包含故障特征信号的叠加信号。
本发明的具体操作步骤如下:
本发明提供一种基于位置反馈的电动舵机剩余寿命预测方法,如图1至图4所示,其包括以下步骤:
S1、将电动舵机通过固定夹具安装于试验台上;
S2、连接并设置试验台的试验参数和控制程序;
S3、对电动舵机进行通电测试,确定电动舵机能正常工作;
S4、对电动舵机施加载荷,并开始循环工作;
S5、在试验过程中,如果电动舵机发生关键性损耗故障,则执行步骤S6,如果电动舵机没有发生关键性损耗故障,则执行步骤S7;
S6、对电动舵机进行故障排除,并在常温静态环境中对电动舵机进行测试,如果电动舵机不能正常工作,则结束实验,如果电动舵机能正常工作,则进行下一步;
S7、多次测量并记录电动舵机的齿面磨损量,具体包括以下步骤:
S71、转动电动舵机的输出轴,测量电动舵机中齿轮啮合的间隙值;
S72、取出电动舵机中的齿轮;
S73、将齿轮安装于三坐标测量仪上,齿轮标记靠近操作人员,检测方位是以标记齿为中心的所有啮合齿面,检测方向为逆时针,齿轮的每个齿面均设有48个坐标点,48个坐标点在所每个齿面上呈六列八行布置,连续两次测量所述每个坐标点的磨损量;
S74、计算所述每个齿面磨损量的平均值和方差,平均值反映磨损的平均程度,方差反映不同点磨损量的离散程度。平均值偏大表示齿面平均磨损量大,方差值大表示齿面磨损不均匀。
S75、确定齿轮中磨损剧烈的特征齿面;以及
S76、计算步骤S75中特征齿面的磨损量,并将其作为齿轮的磨损量表征值。
具体的,选取磨损区域确定的特征齿面的前5大磨损量值的平均值作为磨损量的表征。
S8、如果电动舵机的循环次数未达到实验所设定的循环次数,则电动舵机继续循环动作,如果电动舵机的循环次数达到实验所设定的循环次数时,则进行下一步;
S9、建立电动舵机的性能退化模型,并确定信号特征值的失效阀值,具体包括以下步骤:
S91、采集电动舵机的振动信号和位置反馈信号;
具体的,位置反馈信号为正弦信号,振动信号为类正弦信号与包含故障特征信号的叠加信号。由于位置反馈信号与振动信号同步采集输入,因而可以针对振动信号中的异常波动进行定位,随着试验的进行,信号畸变加剧的区域即对应齿轮中磨损加剧的齿面。在电动舵机磨损量确定方法中也确定了磨损剧烈区域,印证两个区域所在位置,可以最终得到齿轮磨损区域。
S92、根据位置反馈信号确定齿轮齿面磨损剧烈区域;
S93、对齿面磨损剧烈区域的振动信号进行局域特征提取,具体包括以下步骤:
S931、使用变分模态分解方法将所采集的振动信号进行分解;
本发明中,变分模态分解的方法如下:
1、变分模态分解原理
VMD算法将信号的分解问题转换在变分框架内进行处理,通过寻求变分模型的最优解来对信号进行自适应地分解。变分模态分解算法包含构造变分框架和对变分的求解两个问题。
(1)造变分框架
假设各个模态均为包含了中心频率的有限长度的带宽,那么相应的变分问题就可以表达成寻找k个模态函数uk(t),使得每一个模态的估计带宽之和达到最小带宽,它的约束条件为所有模态的总和等价于输入的原始信号信号f,那么受约束的变分问题可以使用如下公式来描述:
(2)对变分的求解
1)将二次惩罚因子α与拉格朗日乘法算子λ(t)引入到算法中,扩展后的拉格朗日表达式如下:
2)上述变分问题在VMD中采取了乘法算子交替方向法进行解决,经过对的交替更新,将扩展的拉格朗日表达式中的‘鞍点’寻找出来。再利用Parseval/Plancherel傅里叶等距变换,获得各个模态的在频域范围内的更新:
在频域中处理中心频率的取值问题,获得中心频率的更新方法为:
2、变分模态分解的方法
变分模态分解的算法主要包含如下几个步骤:
2)根据上述公式对uk和ωk进行更新;
3)最后对λ进行更新。
3、基于VMD特征参数的齿轮故障特征的提取过程
基于VMD与特征参数的齿轮故障特征提取过程的主要思想是首先对齿轮原始振动信号进行VMD分解,之后求解各个模态分量上的特征参数,它的具体的特征提取步骤如下:
1)预先设置适合的分解模态数K
2)将采集到的齿轮振动信号进行分组,每m个振动信号作为一组数据,记为Vm;
3)使用VMD分解方法对振动加速度信号Vm进行分解,获得K个模态分量,标记为uk={u1k,u2k,…umk},k=1,2,…,K;
4)求解各个模态uk上的方根幅值;
5)依次将K个特征参数放入新的特征向量Fr中,获得含有K维的齿轮故障特征向量:
F=[x1,x2,…,xK]
6)重复上述步骤2)~6),获取下一组样本的故障特征向量F。
S932、对照步骤S91中采集的位置反馈信号,截取步骤S92中所确定的齿面磨损剧烈区域的特征信号;以及
S933、对截取的特征信号求取均方根;
S94、建立特征信号的信号特征值退化模型;
S95、根据步骤S81中测量的间隙值,建立齿轮的间隙值退化模型;
S96、建立信号特征值与间隙值的拟合模型;
本发明中,假设舵机间隙与特征值之间呈线性相关,再使用相关系数检验方法进行检验,如果可以通过检验,则认为线性相关的关系成立。则线性模型表达式为:
f=ks+b
其中,f为特征值,s为舵机间隙,k、b为模型系数。
S97、确定电动舵机信号特征值的失效阈值。
具体的,电动舵机的失效阈值可以由间隙值确定,将该间隙值代入信号特征值与间隙值的拟合模型中,则可以得到电动舵机失效时的信号特征值。
S10、应用自回归滑动平均模型对电动舵机进行剩余寿命预测,且自回归滑动平均模型的表达式为:
使用ARMA(1,1)针对电动舵机特征点时间序列数据进行预测,可以获得剩余有效寿命值。
本发明提供的一种基于位置反馈的电动舵机剩余寿命预测方法,通过使用磨损量检测方法确定了齿轮磨损剧烈区域,为振动信号的分析与故障特征提取提供依据,同时使用变分模态分解的方法对基础信号和包含故障信息的特征信号进行了有效地分离,并充分利用位置反馈信号,对电动舵机中的故障位置做出了精确的定位,此外将性能指标与特征信号进行了有效拟合,进而可以通过性能指标的失效阈值得到特征信号中对应的失效阈值,为电动舵机的寿命预测提供基础。
以上所述是本申请的优选实施方式,不以此限定本发明的保护范围,应当指出,对于该技术领域的普通技术人员来说,在不脱离本技术原理前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (3)
1.一种基于位置反馈的电动舵机剩余寿命预测方法,其特征在于,其包括以下步骤:
S1、将电动舵机通过固定夹具安装于试验台上;
S2、连接并设置所述试验台的试验参数和控制程序;
S3、对所述电动舵机进行通电测试,确定所述电动舵机能正常工作;
S4、对所述电动舵机施加载荷,并开始循环工作;
S5、在试验过程中,如果所述电动舵机发生关键性损耗故障,则执行步骤S6,如果所述电动舵机没有发生关键性损耗故障,则执行步骤S7;
S6、对所述电动舵机进行故障排除,并在常温静态环境中对所述电动舵机进行测试,如果所述电动舵机不能正常工作,则结束实验,如果所述电动舵机能正常工作,则进行下一步;
S7、多次测量并记录所述电动舵机的齿面磨损量;
具体包括以下步骤:
S71、转动所述电动舵机的输出轴,测量所述电动舵机中齿轮啮合的间隙值;
S72、取出所述电动舵机中的齿轮;
S73、将所述齿轮安装于三坐标测量仪上,所述齿轮的每个齿面均设有48个坐标点,连续两次测量所述每个坐标点的磨损量;
S74、计算所述每个齿面磨损量的平均值和方差;
S75、确定所述齿轮中磨损剧烈的特征齿面;
S76、计算步骤S75中所述特征齿面的磨损量,并将其作为所述齿轮的磨损量表征值;
S8、如果所述电动舵机的循环次数未达到实验所设定的循环次数,则所述电动舵机继续循环动作,如果所述电动舵机的循环次数达到实验所设定的循环次数时,则进行下一步;
S9、建立所述电动舵机的性能退化模型,并确定信号特征值的失效阀值;具体包括以下步骤:
S91、采集所述电动舵机的振动信号和位置反馈信号;
S92、根据位置反馈信号确定所述齿轮齿面磨损剧烈区域;
S93、对齿面磨损剧烈区域的振动信号进行局域特征提取,具体包括以下步骤:
S931、使用变分模态分解方法将所采集的振动信号进行分解;
S932、对照步骤S91中采集的位置反馈信号,截取步骤S92中所确定的齿面磨损剧烈区域的特征信号;
S933、对截取的特征信号求取均方根;
S94、建立所述特征信号的信号特征值退化模型;
S95、根据步骤S71中测量的间隙值,建立所述齿轮的间隙值退化模型;
S96、建立所述信号特征值与间隙值的拟合模型;
S97、确定所述电动舵机信号特征值的失效阈值;
S10、应用自回归滑动平均模型对所述电动舵机进行剩余寿命预测,且所述自回归滑动平均模型的表达式为:
Xt=φ1Xt-1+φ2Xt-2+…+φpXp-1+εt+θ1εt-1+θ2εt-2+…+θqεt-q
式中,p为自回归阶数,q为移动平均阶数,θ和φ分别为不为零的待定系数,εt为独立的误差项,Xt为平稳、正态、零均值的时间序列。
2.根据权利要求1所述的基于位置反馈的电动舵机剩余寿命预测方法,其特征在于,所述48个坐标点在所述每个齿面上呈六列八行布置。
3.根据权利要求1所述的基于位置反馈的电动舵机剩余寿命预测方法,其特征在于,所述位置反馈信号为正弦信号,所述振动信号为类正弦信号和包含故障特征信号的叠加信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911246693.1A CN110988537B (zh) | 2019-12-08 | 2019-12-08 | 基于位置反馈的电动舵机剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911246693.1A CN110988537B (zh) | 2019-12-08 | 2019-12-08 | 基于位置反馈的电动舵机剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988537A CN110988537A (zh) | 2020-04-10 |
CN110988537B true CN110988537B (zh) | 2022-03-15 |
Family
ID=70091047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911246693.1A Active CN110988537B (zh) | 2019-12-08 | 2019-12-08 | 基于位置反馈的电动舵机剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988537B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116134A (zh) * | 2013-02-07 | 2013-05-22 | 哈尔滨工业大学 | 双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法 |
CN110398368A (zh) * | 2019-07-26 | 2019-11-01 | 上海工程技术大学 | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 |
CN110426194A (zh) * | 2019-08-23 | 2019-11-08 | 中国兵器科学研究院 | 考虑磨损和疲劳交互作用的机械部件寿命试验方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3650726B2 (ja) * | 2000-08-08 | 2005-05-25 | 光洋精工株式会社 | 電動パワーステアリング装置 |
JP2004318056A (ja) * | 2003-03-28 | 2004-11-11 | Jfe Steel Kk | 振動診断学習用回転機シミュレータ |
CN103645052B (zh) * | 2013-12-11 | 2016-03-30 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
CN107844658A (zh) * | 2017-11-16 | 2018-03-27 | 中国民航大学 | 相关向量机与自回归滑动平均融合的舵机状态预测方法 |
CN109460618B (zh) * | 2018-11-13 | 2023-02-10 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
CN110175369A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 一种基于二维卷积神经网络的齿轮剩余寿命预测方法 |
-
2019
- 2019-12-08 CN CN201911246693.1A patent/CN110988537B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116134A (zh) * | 2013-02-07 | 2013-05-22 | 哈尔滨工业大学 | 双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法 |
CN110398368A (zh) * | 2019-07-26 | 2019-11-01 | 上海工程技术大学 | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 |
CN110426194A (zh) * | 2019-08-23 | 2019-11-08 | 中国兵器科学研究院 | 考虑磨损和疲劳交互作用的机械部件寿命试验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110988537A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111189639B (zh) | 一种基于瞬时频率优化vmd的轴承故障诊断方法 | |
Yan et al. | Permutation entropy: A nonlinear statistical measure for status characterization of rotary machines | |
Guo et al. | A novel signal compression method based on optimal ensemble empirical mode decomposition for bearing vibration signals | |
Bondarenko | Analysis of large experimental datasets in electrochemical impedance spectroscopy | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN110161421B (zh) | 一种在线重构设定频率范围内电池阻抗的方法 | |
CN107132064B (zh) | 基于多传感器的旋转机械系统运行状态监测方法及系统 | |
CN106662472B (zh) | 偏差估计装置和方法以及故障诊断装置和方法 | |
CN108594660B (zh) | 一种时不变结构的工作模态参数识别方法和系统 | |
CN109829136A (zh) | 一种带随机跳变的退化设备的剩余寿命预测方法及系统 | |
EP3649568B1 (en) | Method for automatic detection of physical modes in a modal analysis model | |
JP2020101399A (ja) | 電池容量の推定方法および電池容量の推定装置 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
Shen et al. | Data validation and validated uncertainty estimation of multifunctional self-validating sensors | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN1645283A (zh) | 使用传感器融合的操纵无人驾驶运载工具的方法和装置 | |
CN110414150B (zh) | 一种桥梁时变系统的张量子空间连续系统识别方法 | |
CN108982096A (zh) | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 | |
CN110988537B (zh) | 基于位置反馈的电动舵机剩余寿命预测方法 | |
CN114330489A (zh) | 一种监测设备故障诊断方法及系统 | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
Sun et al. | Reliability analysis with multiple dependent features from a vibration‐based accelerated degradation test | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
CN114861726A (zh) | 一种风力发电机高速齿轮磨损故障趋势预测方法及系统 |
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 |