CN111238816A - 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 - Google Patents
一种基于稀疏分类算法的滚动轴承复合故障诊断方法 Download PDFInfo
- Publication number
- CN111238816A CN111238816A CN202010150150.6A CN202010150150A CN111238816A CN 111238816 A CN111238816 A CN 111238816A CN 202010150150 A CN202010150150 A CN 202010150150A CN 111238816 A CN111238816 A CN 111238816A
- Authority
- CN
- China
- Prior art keywords
- fault
- dictionary
- vibration signal
- sparse
- rolling bearing
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 66
- 239000002131 composite material Substances 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 80
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于稀疏分类算法的滚动轴承复合故障诊断方法,其步骤为:首先,利用采集的正常无故障振动信号样本和已知单一故障的振动信号样本构建稀疏分解的字典;其次,对待诊断滚动轴承的振动信号进行可调品质因子小波变换,得到一系列频带不同的变换系数向量;并利用峭度筛选出故障特征向量;然后,对每个故障特征向量在字典上进行稀疏系数向量;并对每个故障特征向量进行重构及归类;最后,找出满足判断标准的重构误差的较小值所在的类别,根据类别确定待诊断滚动轴承的故障类型。本发明利用稀疏分类算法进行复合故障诊断,避免了噪声干扰,克服了分离故障源方法的缺陷,具有诊断准确、可靠性高、成本低的优点。
Description
技术领域
本发明涉及信号分析与故障诊断技术领域,特别是指一种基于稀疏分类算法的滚动轴承复合故障诊断方法。
背景技术
旋转机械设备中,滚动轴承起着支撑和将滑动摩擦转化为滚动摩擦的重要作用,由于安装不当或不良运行,其极容易产生故障,导致整个设备无法正常运行。滚动轴承的故障可以是单一类型(如:外环故障、内环故障、滚动体故障、保持架故障等),也可以是复合类型(两种或以上的单一故障相互耦合作用的故障)。由于故障源彼此交叉作用,复合故障的发展速度和破坏力远胜于单一故障,因此,及时有效的诊断滚动轴承复合故障对保障整个设备的安全运行至关重要。
由于故障源产生的振动彼此交叉干扰,采集的设备振动信号是一种复杂的非平稳、多模态信号。现有基于振动分析的复合故障诊断技术,多采用分离故障源的方法。在实际工程案例中,分离故障源的方法为滚动轴承的复合故障诊断提供了有效的解决途径,但也存在缺陷,一方面,分离故障源方法要求各故障源具备良好的时频可分离性,但实际采集多路传感器的振动信号存在噪声和交叉项的影响,干扰严重;另一方面,分离故障方法未充分利用采集多路振动数据,通常选取单通道数据进行特征分离,这不利于准确全面的监测与诊断。
发明内容
针对现有复合故障诊断技术存在干扰严重,不能准确全面的监测与诊断的技术问题,本发明提出了一种基于稀疏分类算法的滚动轴承复合故障诊断方法,充分利用振动数据样本,通过稀疏分类进行复合故障诊断,不易受到干扰因素的影响,具有诊断准确,可靠性高、成本低的优点,具有广泛的应用前景。
本发明的技术方案是这样实现的:
一种基于稀疏分类算法的滚动轴承复合故障诊断方法,其步骤如下:
S1、采集正常无故障振动信号样本和已知单一故障的振动信号样本;
S2、利用步骤S1中的正常无故障振动信号样本和已知单一故障的振动信号样本构建用于稀疏分解的字典;
S3、采集待诊断滚动轴承的振动信号;
S4、对步骤S3中的待诊断滚动轴承的振动信号进行可调品质因子小波变换,得到一系列频带不同的变换系数向量;
S5、计算步骤S4中的变换系数向量的峭度,并利用显著性的判断标准将峭度值显著大于阈值T的变换系数向量作为故障特征向量;
S6、利用正交匹配追踪算法计算步骤S5中的每个故障特征向量在字典上的稀疏系数向量;
S7、利用稀疏系数向量和字典上的子字典对步骤S5中的每个故障特征向量进行重构,并凭借重构误差较小值的判断标准对重构误差进行归类;
S8、依次判断重构误差是否存在满足判断标准的较小值,若存在,找出重构误差较小值所在的类别,根据类别确定待诊断滚动轴承的故障类型。
所述步骤S1中正常无故障振动信号样本是在同型号、同转速、不同负载作用下采集一定时长正常无故障振动信号;所述已知单一故障的振动信号样本是在不同的故障尺寸下采集的故障振动信号,其中,已知单一故障包括外环故障、内环故障和滚动体故障。
所述正常无故障振动信号样本为N1,N2,…,Nn1,其中,n1表示负载种类;所述外环故障振动信号样本为O1,O2,…,On2,其中,n2表示外环故障的尺寸数量;所述内环故障振动信号样本集I1,I2,…,In3,其中,n3表示内环故障的尺寸数量;所述滚动体故障振动信号样本集B1,B2,…,Bn4,其中,n4表示滚动体故障的尺寸数量。
所述稀疏分解的字典的构建方法为:
S21、设置重叠长度为l1,对每个正常无故障振动信号样本Ni1进行重叠截断处理,使每段信号长度为L,在所有正常无故障的信号段中,随机选取k1个信号段合并作为子字典其中,1≤i1≤n1,k1>n1,表示随机选取的由N1,N2,…,Nn1重叠截断产生的信号段;
S22、设置重叠长度为l2,对每个外环故障振动信号样本Oi2进行重叠截断处理,使每段信号长度为L,在所有外环故障的信号段中,随机选取k2个合并作为子字典其中,1≤i2≤n2,k2>n2,表示随机选取的由O1,O2,…,On2重叠截断产生的信号段;
S23、设置重叠长度为l3,对每个内环故障振动信号样本Ii3进行重叠截断处理,使每段信号长度为L,在所有内环故障的信号段中,随机选取k3个合并作为子字典其中,1≤i3≤n3,k3>n3,表示随机选取的由I1,I2,…,In3重叠截断产生的信号段;
S24、设置重叠长度为l4,对每个滚动体故障振动信号样本Bi4进行重叠截断处理,使每段信号长度为L,在所有滚动体故障的信号段中,随机选取k4个合并作为子字典其中,1≤i4≤n4,k3>n3,表示随机选取的由B1,B2,…,Bn4重叠截断产生的信号段;
S25、将步骤S21至S24中的4个子字典合并构成了稀疏分解的字典D,即D=[D1,D2,D3,D4]∈RL×(k1+k2+k3+k4)。
所述待诊断滚动轴承的振动信号的采集方法为:将同型号的未知故障类型的滚动轴承安装在转轴上,设置转轴的转速与正常无故障振动信号的转速相同,采集一定时长的振动信号,得到未知故障类型的振动信号为y。
所述变换系数向量的峭度的计算方法为:其中,1≤i≤p,wi为第i个变换系数向量,p为变换系数向量的个数,μ为第i个变换系数向量wi的平均值,σ为第i个变换系数向量wi的标准差,Ni为第i个变换系数向量wi的长度。
所述利用稀疏系数向量和字典上的子字典对故障特征向量进行重构,凭借重构误差较小值判断标准进行归类的方法为:
本技术方案能产生的有益效果:本发明利用可调品质因子小波变换将滚动轴承振动信号分解为不同频带分量,凭借不同故障类型振动信号在同一频带小波系数分布的显著差异性,通过峭度筛选出具有故障特征的频带系数,利用稀疏分类算法进行复合故障诊断,充分了利用已知的振动数据样本,避免了噪声干扰,克服了分离故障源方法的缺陷,具有诊断准确,可靠性高、成本低的优点。
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为本发明的流程图;
图2为本发明的N205EM型轴承正常无故障和3种已知单一故障的振动波形图,其中,(a)为正常无故障,(b)为外环故障,(c)为内环故障,(d)为滚动体故障;
图3为本发明的N205EM型轴承待诊断复合故障的振动波形图;
图4为本发明的21个变换系数向量的峭度情况;
图5为本发明的各故障特征向量的重构误差,其中,横坐标1表示正常无故障,横坐标2表示外环故障,横坐标3表示内环故障,横坐标4表示滚动体故障。
具体实施方式
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付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。
如图1所示,本发明实施例提出了一种基于稀疏分类算法的滚动轴承复合故障诊断方法应用到型号为QPZZ-II旋转机械振动故障平台的复合故障诊断中,选用型号为N205EM轴承做实验对象,具体步骤如下:
S1、采集正常无故障振动信号样本和已知单一故障的振动信号样本;所述正常无故障振动信号样本是在同型号、同转速、不同负载作用下采集一定时长的正常无故障振动信号;所述已知单一故障的振动信号样本是在不同的故障尺寸下采集的故障振动信号,其中,已知单一故障包括外环故障、内环故障和滚动体故障。
所述正常无故障振动信号样本为N1,N2,…,Nn1,其中,n1表示负载种类;所述外环故障振动信号样本为O1,O2,…,On2,其中,n2表示外环故障的尺寸数量;所述内环故障振动信号样本集I1,I2,…,In3,其中,n3表示内环故障的尺寸数量;所述滚动体故障振动信号样本集B1,B2,…,Bn4,其中,n4表示滚动体故障的尺寸数量。
设置采样频率为12kHz,采集型号为N205EM、转速为1800r/min的滚动轴承正常无故障振动信号和3种单一故障振动信号。如图2所示,正常无故障振动信号在3种不同负载作用时分别采集得到,即得到N1,N2,N3,3个信号时长均为1min。3种单一故障为:外环故障、内环故障、滚动体故障,每种单一故障的振动信号在4种不同的故障尺寸下采集得到:采集外环故障振动信号时,将轴承的外环用激光加工4种尺寸的凹点,然后分别采集在这4种故障尺寸下时长均为1min的振动信号,即得到O1,O2,O3,O4;采集内环故障振动信号时,将轴承的内环用激光加工4种尺寸的凹点,然后分别采集在这4种故障尺寸下时长均为1min的振动信号,即得到I1,I2,I3,I4;采集滚动体故障振动信号时,将轴承的滚动体用激光加工4种尺寸的瑕疵点,然后分别采集在这4种故障尺寸下时长均为1分钟的振动信号,即得到B1,B2,B3,B4。
S2、利用步骤S1中的正常无故障振动信号样本和已知单一故障的振动信号样本构建用于稀疏分解的字典;
所述稀疏分解的字典的构建方法为:
S21、设置重叠长度为l1,对每个正常无故障振动信号样本Ni1进行重叠截断处理,使每段信号长度为L,在所有正常无故障的信号段中,随机选取k1个信号段合并作为子字典其中,1≤i1≤n1,k1>n1,表示随机选取的由N1,N2,…,Nn1重叠截断产生的信号段;
S22、设置重叠长度为l2,对每个外环故障振动信号样本Oi2进行重叠截断处理,使每段信号长度为L,在所有外环故障的信号段中,随机选取k2个合并作为子字典其中,1≤i2≤n2,k2>n2,表示随机选取的由O1,O2,…,On2重叠截断产生的信号段;
S23、设置重叠长度为l3,对每个内环故障振动信号样本Ii3进行重叠截断处理,使每段信号长度为L,在所有内环故障的信号段中,随机选取k3个合并作为子字典其中,1≤i3≤n3,k3>n3,表示随机选取的由I1,I2,…,In3重叠截断产生的信号段;
S24、设置重叠长度为l4,对每个滚动体故障振动信号样本Bi4进行重叠截断处理,使每段信号长度为L,在所有滚动体故障的信号段中,随机选取k4个合并作为子字典其中,1≤i4≤n4,k3>n3,表示随机选取的由B1,B2,…,Bn4重叠截断产生的信号段;
S25、将步骤S21至S24中的4个子字典合并构成了稀疏分解的字典D,即D=[D1,D2,D3,D4]∈RL×(k1+k2+k3+k4)。
本发明实施例中设置的重叠长度l1=l2=l3=l4=256点、每段长度均为L=12000点,分别将振动信号样本N1,N2,N3、O1,O2,O3,O4、I1,I2,I3,I4、B1,B2,B3,B4重叠截断成若干段,在同一种类型中,随机选取50段(即k1=k2=k3=k4=50)合并构成1个子字典,最后4个子字典合并构成稀疏分解的字典,即得到子字典: 字典D=[D1,D2,D3,D4]。
S3、采集待诊断滚动轴承的振动信号;具体方法为:将同型号的未知故障类型的滚动轴承安装在转轴上,设置转轴的转速与正常无故障振动信号的转速相同,采集一定时长的振动信号,得到未知故障类型的振动信号为y。型号为N205EM的另一个滚动轴承,在其外环和内环分别用激光机加工凹点,以模拟外环和内环的复合故障。将此轴承安装在试验平台上,设置转速为1800r/min,采样频率为12kHz,采集其1s时长的振动信号,即得到y,其波形如图3所示。
S4、对步骤S3中的待诊断滚动轴承的振动信号进行可调品质因子小波变换,得到一系列频带不同的变换系数向量;设置品质因子Q=1,对y实施可调品质因子小波变换,得到p=21个频带不同的变换系数向量w1,w2,…,w21。
S5、计算步骤S4中的变换系数向量的峭度:其中,1≤i≤p,wi为第i个变换系数向量,p为变换系数向量的个数,μ为第i个变换系数向量wi的平均值,σ为第i个变换系数向量wi的标准差,Ni为第i个变换系数向量wi的长度。根据变换系数向量的峭度的计算方法依次得到K1,K2,…,K21,图4显示了21个变换系数向量的峭度情况。
再利用显著性的判断标准筛选出峭度值显著大于阈值T的变换系数向量作为故障特征向量;其中,显著性的判断标准为:其中,T=3为阈值。经计算判断:K1,K2,K4,K8,K11,K15,这6个峭度值显著性的判断标准,对应的变换系数向量为w1,w2,w4,w8,w11,w15,这6个变换系数向量作为故障特征向量。
S6、利用正交匹配追踪算法计算步骤S5中的每个故障特征向量在字典上的稀疏系数向量;所述稀疏系数向量为:其中,稀疏系数向量的求解值,αi是稀疏分解的字典D的列向量总数,D为稀疏分解的字典,wi为第i个变换系数向量,γ为正则化参数。将w1,w2,w4,w8,w11,w15分别按L1-范数优化模型在字典D上稀疏分解,利用正交匹配追踪算法分别求取稀疏分解系数向量
S7、利用稀疏系数向量和字典上的子字典对故障特征向量进行重构,凭借重构误差较小值的判断标准对重构误差进行归类;具体方法为:
S8、对步骤S5中的每个故障特征向量都进行重构,依次判断重构误差是否存在满足判断标准的较小值,若存在,找出重构误差较小值所在的类别,根据类别确定待诊断滚动轴承的故障类型。若有多个故障特征向量在不同的类别(2个以上)上重构误差较小,则可根据这些类别确定待诊断滚动轴承的的复合故障类型;若有多个故障特征向量在相同的类别(1个)上重构误差较小,则可根据这一类别确定待诊断滚动轴承的单一故障类型。若w1,w2,w4,w8,w11,w15在不同的类别(2个以上)上重构误差较小,则可根据这些类别确定待诊断滚动轴承的的复合故障类型;若w1,w2,w4,w8,w11,w15在相同的类别(1个)上重构误差较小,则可根据这一类别确定待诊断滚动轴承的单一故障类型。
图5显示了w1,w2,w4,w8,w11,w15的重构误差分布图。可以看出:w1,w2的较小值均分布在第2和3类别上、w4,w11的较小值均分布在第2类别上、w8,w15的较小值均分布在第3类别上。由已知第2和3类别分别对应于外环故障和内环故障,因此,待诊断的滚动轴承存在外环和内环的复合故障类型,这一结论与实际相符。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于稀疏分类算法的滚动轴承复合故障诊断方法,其特征在于,其步骤如下:
S1、采集正常无故障振动信号样本和已知单一故障的振动信号样本;
S2、利用步骤S1中的正常无故障振动信号样本和已知单一故障的振动信号样本构建用于稀疏分解的字典;
S3、采集待诊断滚动轴承的振动信号;
S4、对步骤S3中的待诊断滚动轴承的振动信号进行可调品质因子小波变换,得到一系列频带不同的变换系数向量;
S5、计算步骤S4中的变换系数向量的峭度,并利用显著性的判断标准将峭度值显著大于阈值T的变换系数向量作为故障特征向量;
S6、利用正交匹配追踪算法计算步骤S5中的每个故障特征向量在字典上的稀疏系数向量;
S7、利用稀疏系数向量和字典上的子字典对步骤S5中的每个故障特征向量进行重构,并凭借重构误差较小值的判断标准对重构误差进行归类;
S8、依次判断重构误差是否存在满足判断标准的较小值,若存在,找出重构误差较小值所在的类别,根据类别确定待诊断滚动轴承的故障类型。
2.根据权利要求1所述的基于稀疏分类算法的滚动轴承复合故障诊断方法,其特征在于,所述步骤S1中正常无故障振动信号样本是在同型号、同转速、不同负载作用下采集一定时长正常无故障振动信号;所述已知单一故障的振动信号样本是在不同的故障尺寸下采集的故障振动信号,其中,已知单一故障包括外环故障、内环故障和滚动体故障。
3.根据权利要求2所述的基于稀疏分类算法的滚动轴承复合故障诊断方法,其特征在于,所述正常无故障振动信号样本为N1,N2,…,Nn1,其中,n1表示负载种类;所述外环故障振动信号样本为O1,O2,…,On2,其中,n2表示外环故障的尺寸数量;所述内环故障振动信号样本集I1,I2,…,In3,其中,n3表示内环故障的尺寸数量;所述滚动体故障振动信号样本集B1,B2,…,Bn4,其中,n4表示滚动体故障的尺寸数量。
4.根据权利要求1或3所述的基于稀疏分类算法的滚动轴承复合故障诊断方法,其特征在于,所述稀疏分解的字典的构建方法为:
S21、设置重叠长度为l1,对每个正常无故障振动信号样本Ni1进行重叠截断处理,使每段信号长度为L,在所有正常无故障的信号段中,随机选取k1个信号段合并作为子字典其中,1≤i1≤n1,k1>n1,表示随机选取的由N1,N2,…,Nn1重叠截断产生的信号段;
S22、设置重叠长度为l2,对每个外环故障振动信号样本Oi2进行重叠截断处理,使每段信号长度为L,在所有外环故障的信号段中,随机选取k2个合并作为子字典其中,1≤i2≤n2,k2>n2,表示随机选取的由O1,O2,…,On2重叠截断产生的信号段;
S23、设置重叠长度为l3,对每个内环故障振动信号样本Ii3进行重叠截断处理,使每段信号长度为L,在所有内环故障的信号段中,随机选取k3个合并作为子字典其中,1≤i3≤n3,k3>n3,表示随机选取的由I1,I2,…,In3重叠截断产生的信号段;
S24、设置重叠长度为l4,对每个滚动体故障振动信号样本Bi4进行重叠截断处理,使每段信号长度为L,在所有滚动体故障的信号段中,随机选取k4个合并作为子字典其中,1≤i4≤n4,k3>n3,表示随机选取的由B1,B2,…,Bn4重叠截断产生的信号段;
S25、将步骤S21至S24中的4个子字典合并构成了稀疏分解的字典D,即D=[D1,D2,D3,D4]∈RL×(k1+k2+k3+k4)。
5.根据权利要求1或2所述的基于稀疏分类算法的滚动轴承复合故障诊断方法,其特征在于,所述待诊断滚动轴承的振动信号的采集方法为:将同型号的未知故障类型的滚动轴承安装在转轴上,设置转轴的转速与正常无故障振动信号的转速相同,采集一定时长的振动信号,得到未知故障类型的振动信号为y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150150.6A CN111238816B (zh) | 2020-03-06 | 2020-03-06 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150150.6A CN111238816B (zh) | 2020-03-06 | 2020-03-06 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111238816A true CN111238816A (zh) | 2020-06-05 |
CN111238816B CN111238816B (zh) | 2021-10-22 |
Family
ID=70862869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010150150.6A Active CN111238816B (zh) | 2020-03-06 | 2020-03-06 | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111238816B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113418704A (zh) * | 2021-06-18 | 2021-09-21 | 北京控制工程研究所 | 一种基于微振动峭度改进的轴承故障判定方法 |
CN114062510A (zh) * | 2021-08-30 | 2022-02-18 | 北京工业大学 | 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法 |
WO2023185827A1 (zh) * | 2022-03-30 | 2023-10-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN109406148A (zh) * | 2018-12-11 | 2019-03-01 | 中原工学院 | 一种基于改进量子进化算法的滚动轴承故障特征提取方法 |
CN109993105A (zh) * | 2019-03-29 | 2019-07-09 | 北京化工大学 | 一种改进的自适应稀疏采样故障分类方法 |
US20190257716A1 (en) * | 2014-09-17 | 2019-08-22 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
CN110160790A (zh) * | 2019-05-14 | 2019-08-23 | 中国地质大学(武汉) | 一种基于改进k-svd的滚动轴承故障冲击信号提取方法及系统 |
CN110346141A (zh) * | 2019-06-20 | 2019-10-18 | 燕山大学 | 稀疏自编码滚动轴承故障诊断方法 |
CN110765965A (zh) * | 2019-10-30 | 2020-02-07 | 兰州理工大学 | 机械振动信号稀疏表示的快速字典学习算法 |
-
2020
- 2020-03-06 CN CN202010150150.6A patent/CN111238816B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190257716A1 (en) * | 2014-09-17 | 2019-08-22 | International Business Machines Corporation | Detecting apparatus, detection method, and program |
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN109406148A (zh) * | 2018-12-11 | 2019-03-01 | 中原工学院 | 一种基于改进量子进化算法的滚动轴承故障特征提取方法 |
CN109993105A (zh) * | 2019-03-29 | 2019-07-09 | 北京化工大学 | 一种改进的自适应稀疏采样故障分类方法 |
CN110160790A (zh) * | 2019-05-14 | 2019-08-23 | 中国地质大学(武汉) | 一种基于改进k-svd的滚动轴承故障冲击信号提取方法及系统 |
CN110346141A (zh) * | 2019-06-20 | 2019-10-18 | 燕山大学 | 稀疏自编码滚动轴承故障诊断方法 |
CN110765965A (zh) * | 2019-10-30 | 2020-02-07 | 兰州理工大学 | 机械振动信号稀疏表示的快速字典学习算法 |
Non-Patent Citations (1)
Title |
---|
余发军: "机械故障稀疏特征提取及诊断方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113340598B (zh) * | 2021-06-01 | 2024-05-28 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113418704A (zh) * | 2021-06-18 | 2021-09-21 | 北京控制工程研究所 | 一种基于微振动峭度改进的轴承故障判定方法 |
CN114062510A (zh) * | 2021-08-30 | 2022-02-18 | 北京工业大学 | 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法 |
CN114062510B (zh) * | 2021-08-30 | 2023-11-17 | 北京工业大学 | 一种基于协同表示的瓷绝缘子裂纹声发射信号识别方法 |
WO2023185827A1 (zh) * | 2022-03-30 | 2023-10-05 | 阿里巴巴(中国)有限公司 | 机械故障检测方法、装置、服务端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111238816B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238816B (zh) | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 | |
Wang et al. | Matching synchrosqueezing wavelet transform and application to aeroengine vibration monitoring | |
Vishwakarma et al. | Vibration analysis & condition monitoring for rotating machines: a review | |
US11022633B2 (en) | Enhanced system and method for conducting PCA analysis on data signals | |
Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
Li et al. | Early fault diagnosis of rotating machinery by combining differential rational spline-based LMD and K–L divergence | |
KR101607047B1 (ko) | 결함 검출을 위한 신호 분석 방법 및 장치 | |
Kumar et al. | Non-parametric Ensemble Empirical Mode Decomposition for extracting weak features to identify bearing defects | |
Singh et al. | A review of vibration analysis techniques for rotating machines | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
Maasoum et al. | An autoencoder-based algorithm for fault detection of rotating machines, suitable for online learning and standalone applications | |
Abdelkader et al. | Rolling bearing faults diagnosis based on empirical mode decomposition: Optimized threshold de-noising method | |
Jiang et al. | Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure | |
Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis | |
Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
Li et al. | A novel unsupervised graph wavelet autoencoder for mechanical system fault detection | |
Mezni et al. | Bearings ball fault detection using kullback leibler divergence in the EMD framework | |
Xu et al. | Weak faults diagnosis for rolling bearings based on variational Hilbert Huang transform | |
CN116028840A (zh) | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 | |
Satija et al. | Development of rolling bearing health diagnosis and prediction system using MEMS accelerometer vibration sensing module | |
CN112595515A (zh) | 一种动力轴系轴承故障检测方法及系统 | |
Qin et al. | Fault frequency identification of rolling bearing using reinforced ensemble local mean decomposition | |
Mezni et al. | Bearing fault detection using intrinsic mode functions statistical information | |
Guo et al. | Compound fault diagnosis of rolling bearing based on tunable Q-factor wavelet transform and sparse representation classification | |
Wang et al. | An integrative computational method for gearbox diagnosis |
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 |