CN110991544A - 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法 - Google Patents
一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法 Download PDFInfo
- Publication number
- CN110991544A CN110991544A CN201911259308.7A CN201911259308A CN110991544A CN 110991544 A CN110991544 A CN 110991544A CN 201911259308 A CN201911259308 A CN 201911259308A CN 110991544 A CN110991544 A CN 110991544A
- Authority
- CN
- China
- Prior art keywords
- vmd
- plunger pump
- cavitation
- axial plunger
- pica
- 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
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Reciprocating Pumps (AREA)
Abstract
本发明公开了一种基于PICA‑VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,该方法的步骤如下:采集轴向柱塞泵壳体处的振动信号并构建初始样本集;采用小波包自适应阈值对原始信号进行去噪;对去噪后的信号进行PICA‑VMD变换得出对应的Hilbert边际谱,提取边际谱中的边际谱幅值作为故障特征并构建特征集;采用PCA法对提取的故障特征进行降维;最后将降维后的故障特征集输入到多分类SVM模型内完成空化等级的识别。本发明方法能有效地识别出轴向柱塞泵的空化等级,Hilbert边际谱幅值能够较好地反映微弱的轴向柱塞泵空化故障特征。
Description
技术领域
本发明涉及一种轴向柱塞泵空化等级识别方法,属于工业过程故障诊断与模式识别领域。
背景技术
空化是广泛存在于流体机械的一种流体力学现象,尤其在泵类中更为普遍,随着轴向柱塞泵的转速的提高,空化现象出现的频率和程度也会随之提高。空化是指轴向柱塞泵内部局部压力下降至空气分离压力时,溶解于液体的空气开始大量析出,形成气泡或空穴的现象。空化现象不仅降低了轴向柱塞泵的容积效率,气泡在溃灭时产生的瞬间冲击力也会对轴向柱塞泵内部元件产生极大的破坏作用。因此,有必要对液压泵内部的空化现象进行诊断,提前做好预防措施。
轴向柱塞泵在不同空化等级下的故障特征不明显,需要利用信号处理方法来提取振动信号中微弱的空化特征,传统的信号处理方法有STFT变换、小波变换、Winger-Ville分布等,但这些方法都不具备自适应的分解特性,无法从非线性、非平稳的振动信号中提取出微弱的空化特征信息,因此无法准确有效地识别出轴向柱塞泵的空化等级。
发明内容
针对轴向柱塞泵空化故障特征提取不丰富导致的空化等级识别率低的问题,本发明提供了一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法。
为了有效解决上述问题,对本发明提供的技术方案进行详细说明:
一种基于扰动帝国竞争—变分模态分解(PICA-VMD)和Hilbert边际谱的轴向柱塞泵空化等级识别方法,该方法包括以下步骤:
步骤1:采集不同空化等级下轴向柱塞泵壳体的振动信号,构建初始样本集;
步骤2:采用小波包自适应阈值去噪法去除原始振动信号中的噪声干扰;
步骤3:对去噪后的信号进行PICA-VMD变换得出对应的边际谱,具体为:采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数:惩罚因子α和IMF分量个数K,采用参数优化后的VMD方法得出信号的边际谱;
提取边际谱中的幅值作为故障特征,并在样本集内构建出故障特征集;
步骤4:采用主成分分析(PCA)法对所提取的故障特征进行特征降维;
步骤5:将经降维后的故障特征集进行预处理,包括空化等级标记和数据标准化,将预处理后的故障特征集作为训练数据,完成多分类SVM模型的训练;
步骤6:根据上述步骤得到待识别的轴向柱塞泵壳体振动信号的降维后的故障特征集,将故障特征集进行数据标准化后,输入到训练好的多分类SVM模型中,完成空化等级的识别。进一步地,所述步骤1中,使用加速度传感器分别采集不同空化等级下相同信号长度的轴向柱塞泵壳体振动信号,并将m个采样点(m大于一个信号周期内包含的采样点)划分为一个样本,从而构建出初始样本集。
进一步地,所述步骤2中,自适应阈值的选择规则选用无偏似然估计函数,阈值类型选择软阈值,小波包分解层数为4层,小波基选择为db4。
进一步地,所述步骤3中,特征提取过程如下:
步骤3-1:采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数:惩罚因子α和IMF分量个数K;
步骤3-2:采用参数优化后的VMD方法将信号分解成相互独立的若干固有模态函数IMF;
步骤3-3:对每个IMF函数进行Hilbert变换,得到第i个IMF分量的瞬时频率fi(t)和瞬时幅值φi(t),两者均为关于时间t的函数;
步骤3-4:根据所有IMF函数的瞬时频率和瞬时幅值求出Hilbert时频谱H(f,t);
步骤3-5:将Hilbert时频谱对时间t进行积分,得到信号的Hilbert边际谱H(f);
步骤3-6:将Hilbert边际谱均匀划分为N个频带,并提取出每个频带内的中心频率的边际谱幅值作为故障特征,从而在整个样本集内构建出M×N维故障特征集,其中M为样本数,N为特征数。
进一步地,惩罚因子α和IMF分量个数K对于VMD分解结果有着很大的影响,且IMF分量包含故障特征信息越多,其稀疏特性越强,包络熵值越小;为达到最优分解效果,将K个IMF分量中最小的包络熵值—局部极小包络熵Emin作为适应度函数,以Emin最小化作为寻优目标;步骤3-1中,基于扰动帝国竞争算法的参数优化过程如下:
步骤3-1-1:初始化算法参数,国家个数Npop=100,帝国个数Nimp=10,迭代次数Niter=100,改革概率pr=0.2,竞争概率pc=1;
步骤3-1-2:随机产生初始国家群体,每个国家对应一组参数组合[K,α];
步骤3-1-3:以IMF分量的局部极小包络熵Emin作为适应度函数Emin=f(K,α),计算每个国家的适应度,根据适应度创建初始帝国;
步骤3-1-4:对于每个帝国,分别进行殖民地同化、竞争、改革、合并来更新殖民地的适应度,当某个帝国内只剩一个殖民地时,该帝国灭亡;
步骤3-1-5:当只剩一个帝国或者达到最大迭代次数时,算法终止,得出VMD分解的最优参数组合[K0,α0]。
进一步地,所述步骤4中,PCA降维维数选择为保留99%原始特征信息时的维数。
进一步地,所述步骤5中,所述空化等级标记具体为,将不同空化等级下的振动样本分别标记为类别1~q,q为空化等级的总数。
进一步地,所述步骤5中,所述数据标准化具体为,将特征值缩放在0~1之间,以避免异常值和极端值对分类结果的影响。
进一步地,所述步骤5中,利用随机种子数打乱预处理后的故障特征集的顺序,之后作为训练数据进行模型训练。
进一步地,所述步骤5中,所述多分类SVM模型的核函数为RBF核,构造多分类SVM模型的方法为一对一法(OVO)。
与现有技术相比,本发明具有如下优点:第一,PICA-VMD方法克服了其他信号处理方法很难提取出隐藏在振动信号中的故障特征信息的问题;第二,相较于其他常见的时域与频域特征,Hilbert边际谱幅值作为故障特征有着更高的识别准确率;第三,采用智能分类的方法,对故障信息的类型和程度进行判断,避免了人工分类的繁琐和计算耗时等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法流程图;
图2为本发明从原始振动信号中提取边际谱幅值的流程图;
图3为本发明实施例轴向柱塞泵空化试验的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有作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。
参考图1,一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,包括以下步骤:
步骤1:使用加速度传感器分别采集不同空化等级下相同信号长度的轴向柱塞泵壳体振动信号,并将m个采样点(m大于振动信号一个周期内包含的采样点)划分为一个样本,从而构建出初始样本集,样本集包括所有空化等级。
步骤2:对信号进行小波包自适应阈值去噪,自适应阈值的选择规则选用无偏似然估计函数,阈值类型选择软阈值,小波包分解层数为4层,小波基选择为db4。
步骤3:对去噪后的信号进行PICA-VMD变换得出对应的边际谱,提取边际谱中的幅值作为故障特征,并在样本集内构建出故障特征集。
如图2所示,特征提取的实现步骤如下:
(1)采用扰动帝国竞争算法PICA求出变分模态分解的最优参数[K0,α0]。
惩罚因子α和IMF分量个数K对于VMD分解结果有着很大的影响,且IMF分量包含故障特征信息越多,其稀疏特性越强,包络熵值越小;为达到最优分解效果,将K个IMF分量中最小的包络熵值—局部极小包络熵Emin作为适应度函数,以Emin最小化作为寻优目标;基于扰动帝国竞争算法的参数优化过程具体如下:
(1.1)初始化算法参数,国家个数Npop=100,帝国个数Nimp=10,迭代次数Niter=100,改革概率pr=0.2,竞争概率pc=1;
(1.2)随机产生初始国家群体,每个国家对应一组参数组合[K,α];
(1.3)以IMF分量的局部极小包络熵Emin作为适应度函数Emin=f(K,α),计算每个国家的适应度,根据适应度创建初始帝国;
(1.4)对于每个帝国,分别进行殖民地同化、竞争、改革、合并来更新殖民地的适应度,当某个帝国内只剩一个殖民地时,该帝国灭亡;
(1.5)当只剩一个帝国或者达到最大迭代次数时,算法终止,得出VMD分解的最优参数组合[K0,α0]。
(2)采用参数优化后的VMD方法将信号分解成相互独立的若干固有模态函数(intrinsic mode function,IMF):
式中,x(t)为初始振动信号函数,uk(t)为第k个固有模态函数。
(3)对每个IMF函数进行Hilbert变换:
进一步得到第k个IMF分量的瞬时频率fk(t)和瞬时幅值Ak(t),两者均为关于时间t的函数:
(4)根据所有IMF函数的瞬时频率和瞬时幅值求出Hilbert时频谱H(f,t):
(5)将Hilbert时频谱对时间t进行积分,得到信号的Hilbert边际谱H(f):
(6)将Hilbert边际谱均匀划分为N个频带,并提取出每个频带内的中心频率的边际谱幅值作为故障特征,从而在整个样本集内构建出M×N维故障特征集,其中M为样本数,N为特征数。频带中心频率可记为f(nΔf),则在离散的中心频率点处,其边际谱幅值为:
步骤4:采用PCA方法对所提取的故障特征进行特征降维,PCA降维维数选择为保留99%原始特征信息时的维数。
步骤5:将经降维后的故障特征集进行预处理,包括空化等级标记和数据标准化,将预处理后的故障特征集作为训练数据,完成多分类SVM模型的训练;具体为:
将不同空化等级下的振动样本分别标记为类别1~q,q为空化等级的总数。
对故障特征集进行数据标准化处理,将特征值缩放在0~1之间,以避免异常值和极端值对分类结果的影响。
利用随机种子数打乱预处理后的故障特征集的顺序,之后作为训练数据进行模型训练。
步骤6:将待识别的轴向柱塞泵壳体振动信号根据步骤2-4中的方法得到降维后的故障特征集,将故障特征集进行数据标准化后,输入训练好的多分类SVM模型中,完成空化等级的识别;其中,多分类SVM模型的核函数可以采用RBF核,构造多分类SVM模型的方法可以采用一对一法(OVO)。
以下以某型号轴向柱塞泵的空化等级识别为实施例,对本发明提出的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法进行进一步说明。
实施例中,搭建了轴向柱塞泵空化测试试验台以研究轴向柱塞泵空化现象的故障诊断方法,搭建试验台主要包括传感器选型、传感器布局、CRIO监测系统设置、上位机程序编写。试验对象为某型轴向柱塞泵,其额定转速为10000r/min,额定出口压力为21MPa。在正常工作状态下,轴向柱塞泵进口压力为0.3MPa,调节进口调压阀组使进口压力从额定进口压力逐渐降低,由此来模拟轴向柱塞泵不同程度的空化现象,轴向柱塞泵空化试验流程如图3所示。
试验采用加速度传感器采集轴向柱塞泵在不同工况即不同空化等级下的振动信号,把空化等级划分为以下四种:无空化、轻微空化、中等空化、严重空化,将四种空化等级下的振动样本分别标记为类别4、3、2、1,设定采样频率为10240Hz,每一工况分别有61440个采样点,将每512个采样点划分成一个样本,因此每一工况下的数据划分成了120个样本,即整个数据集有480个样本点。提取出Hilbert边际谱内400个边际谱幅值作为最终的故障特征向量,即在整个样本集内构建出一个480×400维的故障特征集,对特征故障集进行降维和预处理过程后,得到以下的试验数据集:
利用训练集中的样本训练多分类SVM模型以获得评估器,在测试集上进行测试得到分类结果,根据模型的分类结果来识别轴向柱塞泵的空化等级。试验结果显示,在本实施例中识别准确率为99.4%,这表明采用本发明提出的方法能准确有效地识别出轴向柱塞泵的不同空化等级,从而监测轴向柱塞泵内部的空化程度,避免因空化现象导致的故障问题。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明的具体实施方式。本说明书选取并具体描述实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,包括以下步骤:
步骤1:采集不同空化等级下轴向柱塞泵壳体的振动信号,构建初始样本集;
步骤2:采用小波包自适应阈值去噪法去除原始振动信号中的噪声干扰;
步骤3:对去噪后的信号进行PICA-VMD变换得出对应的边际谱,具体为:采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数:惩罚因子α和IMF分量个数K,采用参数优化后的VMD方法得出信号的边际谱;
提取边际谱中的幅值作为故障特征,并在样本集内构建出故障特征集;
步骤4:采用PCA方法对所提取的故障特征进行特征降维;
步骤5:将经降维后的故障特征集进行预处理,包括空化等级标记和数据标准化,将预处理后的故障特征集作为训练数据,完成多分类SVM模型的训练;
步骤6:根据上述步骤得到待识别的轴向柱塞泵壳体振动信号的降维后的故障特征集,将故障特征集进行数据标准化后,输入到训练好的多分类SVM模型中,完成空化等级的识别。
2.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤1中,使用加速度传感器分别采集不同空化等级下相同信号长度的轴向柱塞泵壳体振动信号,并将m个采样点(m大于一个信号周期内包含的采样点)划分为一个样本,从而构建出初始样本集。
3.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤2中,自适应阈值的选择规则选用无偏似然估计函数,阈值类型选择软阈值,小波包分解层数为4层,小波基选择为db4。
4.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤3中,特征提取过程如下:
步骤3-1:采用扰动帝国竞争算法PICA优化变分模态分解VMD的两个参数:惩罚因子α和IMF分量个数K;
步骤3-2:采用参数优化后的VMD方法将信号分解成相互独立的若干固有模态函数IMF;
步骤3-3:对每个IMF函数进行Hilbert变换,得到第i个IMF分量的瞬时频率fi(t)和瞬时幅值φi(t),两者均为关于时间t的函数;
步骤3-4:根据所有IMF函数的瞬时频率和瞬时幅值求出Hilbert时频谱H(f,t);
步骤3-5:将Hilbert时频谱对时间t进行积分,得到信号的Hilbert边际谱H(f);
步骤3-6:将Hilbert边际谱均匀划分为N个频带,并提取出每个频带内的中心频率的边际谱幅值作为故障特征,从而在整个样本集内构建出M×N维故障特征集,其中M为样本数,N为特征数。
5.根据权利要求4所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤3-1中,基于扰动帝国竞争算法的参数优化过程如下:
步骤3-1-1:初始化算法参数:国家个数、帝国个数、迭代次数、改革概率、竞争概率;
步骤3-1-2:随机产生初始国家群体,每个国家对应一组参数组合[K,α];
步骤3-1-3:以IMF分量的局部极小包络熵Emin作为适应度函数Emin=f(K,α),计算每个国家的适应度,根据适应度创建初始帝国;
步骤3-1-4:对于每个帝国,分别进行殖民地同化、竞争、改革、合并来更新殖民地的适应度,当某个帝国内只剩一个殖民地时,该帝国灭亡;
步骤3-1-5:当只剩一个帝国或者达到最大迭代次数时,算法终止,得出VMD分解的最优参数组合[K0,α0]。
6.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤4中,PCA降维维数选择为保留99%原始特征信息时的维数。
7.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤5中,所述空化等级标记具体为,将不同空化等级下的振动样本分别标记为类别1~q,q为空化等级的总数。
8.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤5中,所述数据标准化具体为,将特征值缩放在0~1之间,以避免异常值和极端值对分类结果的影响。
9.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤5中,利用随机种子数打乱预处理后的故障特征集的顺序,之后作为训练数据进行模型训练。
10.根据权利要求1所述的一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法,其特征在于,所述步骤5中,所述多分类SVM模型的核函数为RBF核,构造多分类SVM模型的方法为一对一法(OVO)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259308.7A CN110991544B (zh) | 2019-12-10 | 2019-12-10 | 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259308.7A CN110991544B (zh) | 2019-12-10 | 2019-12-10 | 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991544A true CN110991544A (zh) | 2020-04-10 |
CN110991544B CN110991544B (zh) | 2023-04-28 |
Family
ID=70091858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259308.7A Active CN110991544B (zh) | 2019-12-10 | 2019-12-10 | 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991544B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525467A (zh) * | 2020-11-26 | 2021-03-19 | 山东科技大学 | 一种适用于悬臂梁的冲击损伤区域识别方法及装置 |
CN113486707A (zh) * | 2021-05-24 | 2021-10-08 | 江苏大学镇江流体工程装备技术研究院 | 一种微型高速泵空化诊断方法、装置、设备及存储介质 |
CN117150376A (zh) * | 2023-10-30 | 2023-12-01 | 浙江大学高端装备研究院 | 一种分类敏感度修正方法、装置和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2828949A1 (fr) * | 2001-08-27 | 2003-02-28 | Serge Glories | Systeme d'analyse de signaux a niveaux multiples permettant leur caracterisation par un nombre reduit de parametres |
WO2016169287A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种混流生产线产能分配方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107832525A (zh) * | 2017-11-07 | 2018-03-23 | 昆明理工大学 | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
-
2019
- 2019-12-10 CN CN201911259308.7A patent/CN110991544B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2828949A1 (fr) * | 2001-08-27 | 2003-02-28 | Serge Glories | Systeme d'analyse de signaux a niveaux multiples permettant leur caracterisation par un nombre reduit de parametres |
WO2016169287A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种混流生产线产能分配方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107832525A (zh) * | 2017-11-07 | 2018-03-23 | 昆明理工大学 | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
YUAN CHEN等: "Multi-objective optimization of micron-scale surface textures for the cylinder/valve plate interface in axial piston pumps" * |
王浩任等: "基于小波包和拉普拉斯特征值映射的柱塞泵健康评估方法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525467A (zh) * | 2020-11-26 | 2021-03-19 | 山东科技大学 | 一种适用于悬臂梁的冲击损伤区域识别方法及装置 |
CN112525467B (zh) * | 2020-11-26 | 2022-09-13 | 山东科技大学 | 一种适用于悬臂梁的冲击损伤区域识别方法及装置 |
CN113486707A (zh) * | 2021-05-24 | 2021-10-08 | 江苏大学镇江流体工程装备技术研究院 | 一种微型高速泵空化诊断方法、装置、设备及存储介质 |
CN113486707B (zh) * | 2021-05-24 | 2023-09-08 | 江苏大学镇江流体工程装备技术研究院 | 一种微型高速泵空化诊断方法、装置、设备及存储介质 |
CN117150376A (zh) * | 2023-10-30 | 2023-12-01 | 浙江大学高端装备研究院 | 一种分类敏感度修正方法、装置和设备 |
CN117150376B (zh) * | 2023-10-30 | 2024-02-20 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障特征样本的分类方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110991544B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN110991544B (zh) | 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法 | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN109740523A (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN102721545A (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN111222457B (zh) | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
CN112101227A (zh) | 一种基于celmdan和sskfda的机械状态监测方法 | |
CN113923104A (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
CN111043050A (zh) | 一种离心泵故障诊断方法及系统 | |
CN114548272A (zh) | 一种离心泵空化状态识别方法 | |
CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN113591733B (zh) | 基于集成神经网络模型的水声通信调制模式分类识别方法 | |
CN115791174A (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN116935892A (zh) | 一种基于音频关键特征动态聚合的工业阀门异常检测方法 | |
CN110701487B (zh) | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |