CN111103139A - 基于grcmse与流形学习的滚动轴承故障诊断方法 - Google Patents
基于grcmse与流形学习的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111103139A CN111103139A CN201911407048.3A CN201911407048A CN111103139A CN 111103139 A CN111103139 A CN 111103139A CN 201911407048 A CN201911407048 A CN 201911407048A CN 111103139 A CN111103139 A CN 111103139A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- grcmse
- dimensional
- manifold learning
- fault
- 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
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
- G06F18/2411—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于GRCMSE与流形学习的滚动轴承故障诊断方法,包括以下步骤:步骤S1:利用加速度传感器采集滚动轴承振动加速度信号;步骤S2:利用GRCMSE算法对振动加速信号进行特征提取;步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理,并将降维后的滚动轴承故障特征信息,按比例分为训练样本低维特征集和测试样本低维特征集;步骤S4:根据训练样本低维特征,训练PSO‑SVM分类器,得到训练好的PSO‑SVM分类器;步骤S5:将测试样本低维特征集输入训练好的PSO‑SVM分类器,诊断得到故障类型。本发明克服了多尺度样本熵中粗粒化存在的不足,解决了高维故障特征存在的信息冗余问题,能够有效诊断滚动轴承不同状态类型。
Description
技术领域
本发明属于机械故障诊断与信号处理领域,具体涉及一种基于GRCMSE与流形学习的滚动轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械的关键部件,其复杂的工作环境使得滚动轴承长时间运转后极易因疲劳而产生故障,进而引发一系列的事故,因此对其进行故障诊断有着现实的理论和实际意义。
滚动轴承故障诊断的关键在于特征提取,近几年,随着非线性理论的发展,基于熵值特征提取方法受到学者青睐,如近似熵,样本熵,排列熵,模糊熵,多尺度熵和多尺度样本熵(MSE)等。其中,多尺度样本熵综合了多尺度熵可以从其他尺度上全面表征故障特征信息,以及样本熵具有适合衡量短数据序列复杂性特征和弥补近似熵匹配自身的缺陷的优势,因此,在许多领域得到很好的应用。但将MSE应用于滚动轴承特征提取过程仍然存在以下两点缺陷:①通过均化数据的粗粒化过程,在一定程度上“中和”了原始信号的动力学突变行为,使得估计的熵值存在偏差;②MSE熵值稳定性会随粗粒化尺度因子增大而增加。
此外,为全面表征滚动轴承故障信息,构建的故障特征通常表现为高维、非线性和冗余等,增加的分类器识别的负担,并影响识别效果。
发明内容
有鉴于此,本发明的目的在于提供一种基于GRCMSE与流形学习的滚动轴承故障诊断方法,克服了多尺度样本熵中粗粒化存在的不足,解决了高维故障特征存在的信息冗余问题。
为实现上述目的,本发明采用如下技术方案:
一种基于GRCMSE与流形学习的滚动轴承故障诊断方法,包括以下步骤:
步骤S1:利用加速度传感器采集滚动轴承振动加速度信号;
步骤S2:利用GRCMSE算法对振动加速信号进行特征提取,得到滚动轴承故障特征信息;
步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理,并将降维后的滚动轴承故障特征信息,按比例分为训练样本低维特征集和测试样本低维特征集;
步骤S4:根据训练样本低维特征,训练PSO-SVM分类器,得到训练好的PSO-SVM分类器;
步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器,诊断得到故障类型。
进一步的,所述振动加速度信号包括正常状态,外圈故障状态,内圈故障状态和滚动体故障状态下传动轴径向振动加速度信号。
进一步的,所述GRCMSE算法具体为:
进一步的,所述DDMA流形学习方法具体为:
令(X,P,μ)为测量空间,数据集X∈RD,P表示σ代数子集,μ表示X上的分布DDMA的具体过程如下:
(1)构建判别式的高斯内核:
式中,ρ(x,y)表示核宽,l(x)和l(y)分别表示样本点x和y的标签信息,ω表示判别常数,ρW为同类标签样本的核宽,ρB为异类标签样本的核宽,Ω为整个数据集的标签信息;
A=min{NA,NL=l(x),NL=l(y)} (7)
式中,NA表示预先设定邻域大小,NL表示相同标签L下的样本点数;
(2)任意数据点x均可视为加权图G上的顶点,然后在数据图上构建马尔可夫链,用于寻找复杂几何中的相关结构,权重图G中x的度:
则x至y的转移概率表达式如下:
(3)利用转移概率矩阵Q用以描述马尔可夫链,其中,Q包含所有q(x,y);则x和y的转移距离定义为:
扩散映射结果如下:
进一步的,所述步骤S4具体为:
步骤S41:对训练样本低维特征进行行归一化处理;
步骤S42:根据SVM模型,选用径向基函数作为核函数,利用粒子群优化算法,将归一化处理后训练样本3折交叉后的平均正确识别率作为适应度值,确定出SVM模型的最佳惩罚因子和核函数参数。
本发明与现有技术相比具有以下有益效果:
1、本发明克服了多尺度样本熵中粗粒化存在的不足,解决了高维故障特征存在的信息冗余问题。
2、本发明能够有效诊断滚动轴承不同状态类型。
附图说明
图1为本发明的诊断方法流程图;
图2为本发明一实施例中滚动轴承不同状态下的时域波形图;
图3为本发明一实施例中GRCMSE的流程图;
图4为本发明一实施例中四种状态高维特征均值特征曲线:(a)MSE与RCMSE均值曲线;(b)GMSE与GRCMSE均值曲线;
图5为本发明一实施例中四种方法熵值偏差:(a)MSE熵值标准差;(b)RCMSE熵值标准差;(c)GMSE熵值标准差;(d)GRCMSE熵值标准差;
图6为本发明一实施例中高维特征的PSO-SVM识别结果;
图7为本发明一实施例中DDMA对GRCMSE降维结果;
图8为本发明一实施例中低维特征的PSO-SVM识别结果。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于GRCMSE与流形学习的滚动轴承故障诊断方法,包括以下步骤:
步骤S1:利用加速度传感器采集滚动轴承振动加速度信号;
在本实施例中,将其应用于滚动轴承正常工作(Nor)和具有内圈故障(IRF)、外圈故障(ORF)以及滚动体故障(BF)下的振动加速度信号分析过程。在采样频率为5120HZ条件下,分别采集调心球轴承四种状态下振动加速度信号各100组,每组信号样本包含4096个采样点,4种类型共计400组样本。其中,每种类型随机选取20组样本作为训练样本,剩余80组作为测试样本,4种类型共计80组训练样本,320组测试样本。滚动轴承四种状态的时域波形图如图2所示。据图2可知,仅根据轴承振动信号时域波形难以区分各故障类型。
步骤S2:利用GRCMSE算法对振动加速信号进行特征提取,得到滚动轴承故障特征信息;
步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理,并将降维后的滚动轴承故障特征信息,按比例分为训练样本低维特征集和测试样本低维特征集;
步骤S4:根据训练样本低维特征,训练PSO-SVM分类器,得到训练好的PSO-SVM分类器;
步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器,诊断得到故障类型。
在本实施例中,所述GRCMSE算法具体为:
在本实施例中,采用的GRCMSE算法流程如图3所示。并将该算法与多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE)等三种算法进行对比,四种算法对滚动轴承4种类熵值均值曲线和标准差分别如图4和图5所示。其中,各算法参数设置如下:N=4096,m=2,r=0.15SD(SD表示标准差值),smax=25。。据图4和图5可知:(1)MSE与RCMSE算法对滚动轴承4种类型熵值均值曲线较为接近,如图4(a)所示。但与MSE相比,同一尺度下的RCMSE提取的熵值具有较小的标准差值如图5(a)和(b)所示。同理,GMSE与GRCMSE算法对滚动轴承4种类型熵值均值曲线较为接近,如图4(b)所示。但与GMSE相比,同一尺度下的GRCMSE提取的熵值具有较小的标准差值如图5(c)和(d)所示。这验证了采用精细复合思想提取出的熵值更为精准。(2)与MSE和RCMSE算法相比,GMSE和GRCMSE算法提取的滚动轴承4种类型熵值曲线更为平滑,并且在大部分尺度下,4种类型区分较为明显。表明利用广义粗粒化思想,能够提取易于区分故障类型的特征信息。
在本实施例中,将GRCMSE全部特征直接输入至PSO-SVM分类器中进行训练与测试,识别结果如图6所述。据图6可知,GRCMSE算法提取的故障特征不可避免存在信息冗余,因此仍存有部分样本故障类别误判现象,需要采用降维算法对该高维故障特征集进行维数约简。本实施例利用DDMA流形学习方法对高维特征集进行维数约简时,其对GRCMSE特征集的降维结果如图7所示。其中,DDMA参数设置如下:依据相关维数法确定最佳本征维数为3,近邻参数为20,判别常数为2,转移时间为1。据图7可知,DDMA对GRCMSE特征集降维结果中,可将四类样本完全分离开,没有出现样本混叠现象,并且四类样本聚集性较好。
在本实施例中,所述DDMA流形学习方法具体为:
令(X,P,μ)为测量空间,数据集X∈RD,P表示σ代数子集,μ表示X上的分布DDMA的具体过程如下:
(1)构建判别式的高斯内核:
式中,ρ(x,y)表示核宽,l(x)和l(y)分别表示样本点x和y的标签信息,ω表示判别常数,ρW为同类标签样本的核宽,ρB为异类标签样本的核宽,Ω为整个数据集的标签信息;
A=min{NA,NL=l(x),NL=l(y)} (7)
式中,NA表示预先设定邻域大小,NL表示相同标签L下的样本点数;
(2)任意数据点x均可视为加权图G上的顶点,然后在数据图上构建马尔可夫链,用于寻找复杂几何中的相关结构,权重图G中x的度:
则x至y的转移概率表达式如下:
(3)利用转移概率矩阵Q用以描述马尔可夫链,其中,Q包含所有q(x,y);则x和y的转移距离定义为:
扩散映射结果如下:
在本实施例中,所述步骤S4具体为:
步骤S41:对训练样本低维特征进行行归一化处理;
步骤S42:根据SVM模型,选用径向基函数作为核函数,利用粒子群优化算法,将归一化处理后训练样本3折交叉后的平均正确识别率作为适应度值,确定出SVM模型的最佳惩罚因子和核函数参数。其中,设置粒子群规模为20,终止迭代为100,局部搜索能力为2,全局搜索能力为2。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种基于GRCMSE与流形学习的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
步骤S1:利用加速度传感器采集滚动轴承振动加速度信号;
步骤S2:利用GRCMSE算法对振动加速信号进行特征提取,得到滚动轴承故障特征信息;
步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理,并将降维后的滚动轴承故障特征信息,按比例分为训练样本低维特征集和测试样本低维特征集;
步骤S4:根据训练样本低维特征,训练PSO-SVM分类器,得到训练好的PSO-SVM分类器;
步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器,诊断得到故障类型。
2.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法,其特征在于:所述振动加速度信号包括正常状态,外圈故障状态,内圈故障状态和滚动体故障状态下传动轴径向振动加速度信号。
4.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法,其特征在于,所述DDMA流形学习方法具体为:
令(X,P,μ)为测量空间,数据集X∈RD,P表示σ代数子集,μ表示X上的分布DDMA的具体过程如下:
(1)构建判别式的高斯内核:
式中,ρ(x,y)表示核宽,l(x)和l(y)分别表示样本点x和y的标签信息,ω表示判别常数,ρW为同类标签样本的核宽,ρB为异类标签样本的核宽,Ω为整个数据集的标签信息;
A=min{NA,NL=l(x),NL=l(y)} (7)
式中,NA表示预先设定邻域大小,NL表示相同标签L下的样本点数;
(2)任意数据点x均可视为加权图G上的顶点,然后在数据图上构建马尔可夫链,用于寻找复杂几何中的相关结构,权重图G中x的度:
则x至y的转移概率表达式如下:
(3)利用转移概率矩阵Q用以描述马尔可夫链,其中,Q包含所有q(x,y);则x和y的转移距离定义为:
扩散映射结果如下:
5.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法,其特征在于,所述步骤S4具体为:
步骤S41:对训练样本低维特征进行行归一化处理;
步骤S42:根据SVM模型,选用径向基函数作为核函数,利用粒子群优化算法,将归一化处理后训练样本3折交叉后的平均正确识别率作为适应度值,确定出SVM模型的最佳惩罚因子和核函数参数。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911407048.3A CN111103139A (zh) | 2019-12-31 | 2019-12-31 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
PCT/CN2020/126642 WO2021135630A1 (zh) | 2019-12-31 | 2020-11-05 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
AU2020104428A AU2020104428A4 (en) | 2019-12-31 | 2020-11-05 | A rolling bearing fault diagnosis method based on GRCMSE and manifold learning |
ZA2021/02516A ZA202102516B (en) | 2019-12-31 | 2021-04-16 | A rolling bearing fault diagnosis method based on grcmse and manifold learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911407048.3A CN111103139A (zh) | 2019-12-31 | 2019-12-31 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111103139A true CN111103139A (zh) | 2020-05-05 |
Family
ID=70423921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911407048.3A Pending CN111103139A (zh) | 2019-12-31 | 2019-12-31 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
Country Status (4)
Country | Link |
---|---|
CN (1) | CN111103139A (zh) |
AU (1) | AU2020104428A4 (zh) |
WO (1) | WO2021135630A1 (zh) |
ZA (1) | ZA202102516B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146861A (zh) * | 2020-09-15 | 2020-12-29 | 湖北工业大学 | 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 |
CN112418267A (zh) * | 2020-10-16 | 2021-02-26 | 江苏金智科技股份有限公司 | 一种基于多尺度可视图和深度学习的电机故障诊断方法 |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN114738389A (zh) * | 2022-03-29 | 2022-07-12 | 南京航空航天大学 | 一种面向打滑诊断的智能轴承系统及打滑诊断预测方法 |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553987B (zh) * | 2021-08-02 | 2024-09-06 | 苏州电器科学研究院股份有限公司 | 一种汽涡轮发电机组振动故障诊断方法、装置及计算设备 |
CN113807524B (zh) * | 2021-08-12 | 2023-07-25 | 上海工程技术大学 | 量子差分进化算法优化svm的滚动轴承故障诊断方法 |
CN113723476B (zh) * | 2021-08-13 | 2024-03-26 | 国网山东省电力公司枣庄供电公司 | 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 |
CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及系统 |
CN113642508B (zh) * | 2021-08-27 | 2024-04-09 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
CN113820132B (zh) * | 2021-08-30 | 2023-09-05 | 西安理工大学 | 基于多尺度散布熵构造阈值的故障报警方法 |
CN113764548A (zh) * | 2021-09-02 | 2021-12-07 | 浙江清华柔性电子技术研究院 | 微型器件的转移方法 |
CN113743590A (zh) * | 2021-09-13 | 2021-12-03 | 哈电发电设备国家工程研究中心有限公司 | 一种可倾瓦轴承拍瓦故障诊断方法、计算机及存储介质 |
CN113790892B (zh) * | 2021-09-13 | 2024-01-23 | 哈电发电设备国家工程研究中心有限公司 | 基于决策级融合的重型燃气轮机可倾瓦轴承拍瓦故障诊断方法、计算机及存储介质 |
CN113962289B (zh) * | 2021-09-26 | 2024-04-05 | 西安交通大学 | 面向终身学习的旋转机械在线智能故障诊断方法及系统 |
CN113901999B (zh) * | 2021-09-29 | 2023-09-29 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和系统 |
CN113758709A (zh) * | 2021-09-30 | 2021-12-07 | 河南科技大学 | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 |
CN114088400B (zh) * | 2021-11-01 | 2024-04-09 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114139639B (zh) * | 2021-12-06 | 2024-05-14 | 东北大学 | 一种基于自步邻域保持嵌入的故障分类方法 |
CN114358075B (zh) * | 2021-12-31 | 2024-08-13 | 北京化工大学 | 一种数据驱动的转子系统典型故障自动识别方法 |
CN114383846B (zh) * | 2022-01-06 | 2023-06-30 | 合肥工业大学 | 基于故障标签信息向量的轴承复合故障诊断方法 |
CN114486263B (zh) * | 2022-02-15 | 2023-04-25 | 浙江大学 | 一种旋转机械滚动轴承振动信号降噪解调方法 |
CN114579542A (zh) * | 2022-03-15 | 2022-06-03 | 中铁十四局集团大盾构工程有限公司 | 一种基于pca-svm的盾构机故障数据清洗方法及装置 |
CN114742095A (zh) * | 2022-03-21 | 2022-07-12 | 昆明理工大学 | 一种滚动轴承多通道数据故障识别方法 |
CN114593919B (zh) * | 2022-03-28 | 2023-11-17 | 青岛理工大学 | 一种新型的滚动轴承故障诊断方法及其系统 |
CN114781450B (zh) * | 2022-04-24 | 2024-03-29 | 华东交通大学 | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 |
CN114993677B (zh) * | 2022-05-11 | 2023-05-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
CN114897023B (zh) * | 2022-05-19 | 2024-03-29 | 西安交通大学 | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 |
CN114964781B (zh) * | 2022-05-31 | 2024-06-25 | 广西大学 | 一种列车轴承故障智能诊断方法 |
CN115127813B (zh) * | 2022-06-30 | 2023-04-07 | 上海理工大学 | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
CN115096593A (zh) * | 2022-07-11 | 2022-09-23 | 安徽工业大学 | 一种基于非线性流形学习的滚动轴承故障诊断方法 |
CN115114964B (zh) * | 2022-07-21 | 2023-04-07 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
CN115290328B (zh) * | 2022-08-03 | 2024-07-30 | 合肥工业大学 | 基于滚动轴承声振非平稳信号的故障诊断分类方法及系统 |
CN115113038B (zh) * | 2022-08-19 | 2022-12-30 | 国网江西省电力有限公司电力科学研究院 | 基于电流信号相空间重构的断路器故障诊断方法 |
CN115406656B (zh) * | 2022-08-29 | 2024-08-02 | 桂林电子科技大学 | 轴承锈蚀智能诊断方法及系统 |
CN115876476B (zh) * | 2023-02-16 | 2023-05-16 | 山东科技大学 | 滚动轴承故障诊断方法、系统、计算机设备以及存储介质 |
CN116150676B (zh) * | 2023-04-19 | 2023-09-26 | 山东能源数智云科技有限公司 | 基于人工智能的设备故障诊断与识别方法及装置 |
CN116659863B (zh) * | 2023-05-19 | 2024-04-19 | 云南中广核能源服务有限公司 | 一种基于小波包的轴承振动信号处理方法 |
CN116432091B (zh) * | 2023-06-15 | 2023-09-26 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
CN116499748B (zh) * | 2023-06-27 | 2023-08-29 | 昆明理工大学 | 基于改进smote和分类器的轴承故障诊断方法、系统 |
CN116701918B (zh) * | 2023-08-02 | 2023-10-20 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
CN117972616B (zh) * | 2024-03-28 | 2024-06-14 | 江西江投能源技术研究有限公司 | 一种抽水蓄能发电机组安全状态监测诊断方法及系统 |
CN118551261A (zh) * | 2024-07-30 | 2024-08-27 | 森特士兴环保科技有限公司 | 基于多属性故障分形的土壤气相抽提设备故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799368A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备非线性故障预测方法 |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
CN109916628A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017207380A1 (de) * | 2017-05-03 | 2018-11-08 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Zustands eines Antriebsriemens |
CN108760300A (zh) * | 2018-04-19 | 2018-11-06 | 西安工业大学 | 一种依据轴承振动信号对其进行故障智能诊断的方法 |
CN111103139A (zh) * | 2019-12-31 | 2020-05-05 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
-
2019
- 2019-12-31 CN CN201911407048.3A patent/CN111103139A/zh active Pending
-
2020
- 2020-11-05 WO PCT/CN2020/126642 patent/WO2021135630A1/zh active Application Filing
- 2020-11-05 AU AU2020104428A patent/AU2020104428A4/en active Active
-
2021
- 2021-04-16 ZA ZA2021/02516A patent/ZA202102516B/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799368A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备非线性故障预测方法 |
CN104849050A (zh) * | 2015-06-02 | 2015-08-19 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
CN109916628A (zh) * | 2019-04-04 | 2019-06-21 | 哈尔滨理工大学 | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
尚传福: "基于多尺度样本熵的时间序列复杂度研究", 《现代电子技术》 * |
张成等: "基于判别式扩散映射分析的非线性特征提取", 《计算机应用》 * |
郑近德等: "基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法", 《噪声与振动控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN112146861A (zh) * | 2020-09-15 | 2020-12-29 | 湖北工业大学 | 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法 |
CN112418267A (zh) * | 2020-10-16 | 2021-02-26 | 江苏金智科技股份有限公司 | 一种基于多尺度可视图和深度学习的电机故障诊断方法 |
CN114738389A (zh) * | 2022-03-29 | 2022-07-12 | 南京航空航天大学 | 一种面向打滑诊断的智能轴承系统及打滑诊断预测方法 |
Also Published As
Publication number | Publication date |
---|---|
AU2020104428A4 (en) | 2021-07-22 |
WO2021135630A1 (zh) | 2021-07-08 |
ZA202102516B (en) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
CN110059601B (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN110210381A (zh) | 一种域分离自适应一维卷积神经网络智能故障诊断方法 | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
CN107247968A (zh) | 基于核熵成分分析失衡数据下物流设备异常检测方法 | |
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 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
Zhang et al. | A bearing fault diagnosis method based on multiscale dispersion entropy and GG clustering | |
CN115221930A (zh) | 一种滚动轴承的故障诊断方法 | |
CN114564987B (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
Sun et al. | Curvature enhanced bearing fault diagnosis method using 2D vibration signal | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及系统 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN112215365A (zh) | 一种基于朴素贝叶斯模型提供特征预测能力方法 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN114118174A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN111458145A (zh) | 一种基于路图特征的缆车滚动轴承故障诊断方法 |
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 |