CN111307438A - 一种基于信息熵的旋转机械振动故障诊断方法及其系统 - Google Patents

一种基于信息熵的旋转机械振动故障诊断方法及其系统 Download PDF

Info

Publication number
CN111307438A
CN111307438A CN202010165513.3A CN202010165513A CN111307438A CN 111307438 A CN111307438 A CN 111307438A CN 202010165513 A CN202010165513 A CN 202010165513A CN 111307438 A CN111307438 A CN 111307438A
Authority
CN
China
Prior art keywords
matrix
information
data
vibration
information entropy
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
Application number
CN202010165513.3A
Other languages
English (en)
Other versions
CN111307438B (zh
Inventor
李少华
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.)
Shanghai Stringer Industrial Co ltd
Original Assignee
Shanghai Stringer Industrial Co ltd
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 Shanghai Stringer Industrial Co ltd filed Critical Shanghai Stringer Industrial Co ltd
Priority to CN202010165513.3A priority Critical patent/CN111307438B/zh
Publication of CN111307438A publication Critical patent/CN111307438A/zh
Application granted granted Critical
Publication of CN111307438B publication Critical patent/CN111307438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Abstract

本申请公开了一种基于信息熵的旋转机械振动故障诊断方法及其系统,其中,基于信息熵的旋转机械振动故障诊断方法包括如下步骤:获取旋转机械的振动数据;利用振动数据构建多维时间序列矩阵,并对该多维时间序列矩阵进行处理从而获得时域信号矩阵;对时域信号矩阵中的每个元素进行处理,得到幅值谱矩阵和功率谱矩阵;对各类矩阵中的每一个序列进行信息熵计算,并通过信息熵的值反映旋转机械的状态;其中,各类矩阵包括:时域信号矩阵、幅值谱矩阵和功率谱矩阵;各类矩阵中的每个元素均为一个序列。本申请具有给出设备的故障特征而且能对其进行量化估计,实现机械故障在定性和定量两方面的精准判断的技术效果。

Description

一种基于信息熵的旋转机械振动故障诊断方法及其系统
技术领域
本申请涉及数字处理技术领域,特别涉及一种基于信息熵的旋转机械振动故障诊断方法及其系统。
背景技术
设备的振动信息能够反映设备的运行状态。现有的设备健康状态评估与故障诊断方法主要是基于振动的时域信号、频域信号和时频域信号等信息,但此类信息未能全面反映设备的运行状态。使用振动传感器得到离散时间序列的振动信号,该振动信号作为反映设备运行状态的一条信息,信息熵是在各种谱的基础上提炼出熵值,以此反映该信息的混乱程度,是一种非线性估计方法。
在设备处于正常状态时,振动信号的频域信息熵集中在设备的工作频率附近,设备的频域信息熵较小;当设备出现故障时,设备作为一个系统向着无序化的方向发展,系统的不确定性会增加,表现在设备的能量由于故障而被分散到不同的频段内,导致频域的信息熵增加。
旋转机械的传统状态监测及分析方法包括时域分析、频域分析、时频域分析等方法,此类方法均是先通过不同的分析手段提取振动数据的特征值,比较提取的特征量和标准信号的特征量,如果两者相差不大,则认为设备运行良好,否则认为运行状态较差。该类方法对识别平稳信号中的故障特征具有较好的表现,但在实际的应用中具有一定的局限性,其原因如下:首先,处于实际工况的旋转机械产生的振动信号具有一定的非平稳性,信号的该特性造成传统分析方法对故障分析结果具有一定的偏差。其次,传统分析方法对采样时刻、样本大小、采样频率等都有特殊要求,导致其对不同时刻的同一振动信号样本的分析结果不尽相同。最后,当故障引起的振动信号比较微弱时,传统分析方法的准确度较低,有时无法准确检测到设备的故障特征。
在工业生产的不同领域,不同的机械故障类型时有发生,且在故障的不同阶段,设备的健康状态处于不同的层级,传统的故障诊断方法只能定性的分析出故障特征,不能给指出该故障所处的阶段,且传统的故障诊断方法不能处理非线性或非平稳信号。
发明内容
本申请提供一种基于信息熵的旋转机械振动故障诊断方法,包括如下步骤:获取旋转机械的振动数据;利用振动数据构建多维时间序列矩阵,并对该多维时间序列矩阵进行处理从而获得时域信号矩阵;对时域信号矩阵中的每个元素进行处理,得到幅值谱矩阵和功率谱矩阵;对各类矩阵中的每一个序列进行信息熵计算,并通过信息熵的值反映旋转机械的状态;其中,各类矩阵包括:时域信号矩阵、幅值谱矩阵和功率谱矩阵;各类矩阵中的每个元素均为一个序列。
如上的,其中,利用振动数据构建多维时间序列矩阵,并对该多维时间序列矩阵进行处理从而获得时域信号矩阵的子步骤包括:利用振动数据构建多维时间序列矩阵;对多维时间序列矩阵进行分割,获取所有方向的时间子序列矩阵;利用所有方向的时间子序列矩阵构成时域信号矩阵。
如上的,其中,多维时间序列矩阵的表达式如下:
其中,Xi,j(t)为多维时间序列矩阵;i表示传感器测量的方向,取值范围为i=1,2,3,其中i=1表示旋转机械的径向方向dr,i=2表示旋转机械的切向方向dt,i=3表示旋转机械的轴向方向ds;N为正整数,表示总采样次数;j表示任意一个采样数据;t表示时域。
如上的,其中,时域信号矩阵,具体表达式如下:其中,Y(t)为时域信号矩阵;t表示时域;ym(t)表示任意方向的子序列矩阵,m为测试方向,取值范围为m=1,2,3;表示任意子序列;u为子序列的索引,取值范围为u=1,2,3,...,k;k为子序列的个数。
如上的,其中,对每一个序列进行信息熵计算的子步骤包括:对各类矩阵中的每一个序列进行归一化处理,获得归一化数据序列;按照步长对归一化数据序列进行数据段划分;统计归一化数据序列在各个数据段中的信息量;根据统计的信息量,计算数据序列的任意数据段中信息的信息比重;利用信息比重计算子序列矩阵中各元素的信息熵;利用元素的信息熵,计算振动方向的信息熵的统计特性;根据统计特性计算振动信号的信息熵总和。
如上的,其中,归一化处理数据序列的表达式如下:其中,为归一化数据序列;表示任意子序列;u为子序列的索引,取值范围为u=1,2,3,...,k,k为子序列的个数。
如上的,其中,步长和数据段个数之间的关系表达式如下:其中,δ0为步长;为归一化数据序列;s为数据段的个数。
如上的,其中,数据段的划分结果的表达式如下:
其中,为归一化数据序列的数据段划分结果;δ0为步长;为归一化数据序列;s为数据段的个数。
如上的,其中,统计归一化数据序列在各个数据段中的信息量的判断式如下:其中,为归一化数据序列;δ0为步长;v表示数据段的索引;n为自然数,n=1,2,3,...,τ,τ为时间尺度;对归一化数据序列中的每一个元素行进遍历;如果满足判断式,则信息量numv增加1。
如上的,其中,根据统计的信息量计算任意数据段中信息的信息比重,计算公式如下式:其中fv为任意数据段中信息的信息比重;numv为第v个数据段的信息量;τ为时间尺度。
如上的,其中,计算子序列矩阵中各元素的信息熵,计算公式如下式:其中,为元素的信息熵;fv为任意数据段中信息的信息比重;v表示数据段的索引;s为数据段的个数。
如上的,其中,计算振动信号的信息熵总和的表达式如下:其中,H为振动信息的信息熵总和;Hm(t)为任意方向的信息熵统计特性;t表示时域;m表示振动方向。
本申请还提供一种基于信息熵的旋转机械振动故障诊断系统,包括:旋转机械、传感器以及处理器;其中,传感器:用于采集旋转机械的振动数据,并将采集的振动数据上传至处理器进行处理;振动数据包括来自旋转机械的三个方向的振动信号;处理器:用于接收振动数据,并执行上述的基于信息熵的旋转机械振动故障诊断方法,对数据进行处理,得出诊断结果。
本申请的一种基于信息熵的旋转机械振动故障诊断方法及其系统,具有能够处理振动设备产生的微弱或非平稳故障特征信号,且能够适用于不同的采样时刻、样本大小和采样频率等不同领域,不仅给出设备的故障特征而且能够对其进行量化估计,实现机械故障在定性和定量两方面的精准判断的技术效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为基于信息熵的旋转机械振动故障诊断方法一种实施例的流程图;
图2为基于信息熵的旋转机械振动故障诊断方法另一种实施例的流程图;
图3为变频电机在稳定状态下的时域信号;
图4为变频电机在稳定状态下的频域信号;
图5为变频电机在晃动状态下的时域信号;
图6为变频电机在晃动状态下的频域信号。
具体实施方式
下面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,本领域技术人员在没有做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。
本申请的目的在于提供一种基于信息熵的旋转机械振动故障诊断方法及其系统,能够处理振动设备产生的微弱或非平稳故障特征信号,且能够适用于不同的采样时刻、样本大小和采样频率等不同领域,不仅给出设备的故障特征而且能够对其进行量化估计,还能实现机械故障在定性和定量两方面的精准判断。
本申请提供一种基于信息熵的旋转机械故障诊断系统,包括:旋转机械、传感器以及处理器;
其中,传感器:用于采集旋转机械的振动数据,并将采集的振动数据上传至处理器进行处理;该振动数据包括来自旋转机械的三个方向的振动信号。
处理器:用于接收传感器上传的振动数据,并执行下述的基于信息熵的旋转机械振动故障诊断方法,对振动数据进行处理,得出诊断结果。
为达到上述目的,如图1、2所示,本申请提供一种基于信息熵的旋转机械故障诊断方法,包括如下步骤:
S1:获取旋转机械的振动数据。
具体的,通过传感器对需要进行故障诊断的旋转机械进行数据采集,获得振动数据,并将数据上传至处理器。其中,振动数据包括来自旋转机械的三个方向的振动信号。
S2:利用振动数据构建多维时间序列矩阵,并对该多维时间序列矩阵进行处理从而获得时域信号矩阵。
S21:利用振动数据构建多维时间序列矩阵。
具体的,处理器接收到传感器上传的振动数据后,分别以振动数据中的每个方向的振动信号构建一维变量,并利用构建的所有一维变量构建多维时间序列矩阵。
具体的,多维时间序列矩阵的表达式如下:
其中,Xi,j(t)为多维时间序列矩阵;i表示传感器测量的方向,取值范围为i=1,2,3,其中i=1表示旋转机械的径向方向dr,i=2表示旋转机械的切向方向dt,i=3表示旋转机械的轴向方向ds;N为正整数,表示总采样次数;j表示任意一个采样数据;t表示时域。
其中,径向方向dr和切向方向dt正交,表示如下:
dr·dt=0;
S22:对多维时间序列矩阵进行分割,获取所有方向的时间子序列矩阵。
具体的,利用矩形窗函数对多维时间序列矩阵Xi,j(t)中的任一维变量进行分割,得到在时间尺度τ下的k个子序列,其中,矩形窗函数的具体表达式如下:
其中,Wu(l)为任意矩形窗函数,u为子序列的索引,为自然数,取值范围为u=1,2,3,...,k;τ为时间尺度;k为子序列的个数;l为[0,N]的自然数。
具体的,子序列矩阵的具体表达式如下:
其中,ym(t)为子序列矩阵的表达式;表示任意子序列;为当u=k时的子序列;m是振动信号的方向编号,m的取值为m=1,2,3,其中m=1表示旋转机械的径向方向dr的振动信号;其中m=2表示旋转机械的切向方向dt的振动信号,m=3表示旋转机械的轴向方向ds的振动信号;k为子序列的个数;t表示时域。
其中,任意子序列的表达式如下:
其中,xm,(u-1)τ+n为任意子序列中的任意元素;xm,uτ为n=τ时的元素;n为自然数,其取值范围为n=1,2,3,...,τ。
S23:利用所有方向的时间子序列矩阵构成时域信号矩阵。
重复子步骤S22,得到所有方向的时间子序列矩阵,利用所有方向的时间子序列矩阵构成时域信号矩阵,具体表达式如下:
其中,Y(t)为时域信号矩阵;t表示时域;u为子序列的索引,取值范围为u=1,2,3,...,k;k为子序列的个数;表示任意子序列,其序列长度为τ;ym(t)表示任意方向的子序列矩阵,m为测试方向,取值范围为m=1,2,3。
S3:对时域信号矩阵中的每个元素进行处理,得到幅值谱矩阵和功率谱矩阵。
具体的,利用获取幅值谱的表达式和获取功率谱的表达式分别对时域信号矩阵Y(t)中的每个元素进行傅里叶变换处理,得到幅值谱矩阵A(w)和功率谱矩阵P(w)。
具体的,获取幅值谱的表达式如下:
获取功率谱的表达式如下:
其中,为幅值谱;为功率谱;n为自然数;J表示虚数;w表示频域;u为子序列的索引。
具体的,幅值谱矩阵A(w)的表达式如下:
其中,A(w)为幅值谱矩阵;k为子序列的个数;w表示频域;u为子序列的索引,取值范围为u=1,2,3,...,k。
具体的,功率谱矩阵P(w)的表达式如下:
其中,P(w)为功率谱矩阵;w为频域;u为子序列的索引,取值范围为u=1,2,3,...,k;k为子序列的个数。
S4:对各类矩阵中的每一个序列进行信息熵计算,并通过信息熵的值反映旋转机械的状态;其中,各类矩阵包括:时域信号矩阵、幅值谱矩阵和功率谱矩阵;各类矩阵中的每个元素均为一个序列。
具体的,S2或S3中得到的各类矩阵中的每个元素均为一个序列,均可按照如下的子步骤计算各类矩阵中每一个元素的信息熵。
具体的,计算各类矩阵中每一个序列的信息熵的子步骤如下:
T1:对各类矩阵中的每一个序列进行归一化处理,获得归一化数据序列。
具体的,以时域信号矩阵为例说明。为避免量纲对计算结果的影响,对时域信号矩阵中的每个元素(即序列)进行归一化处理,即把时域信号矩阵中的所有元素转化为[-1,1]的归一化数据序列,归一化处理数据序列的表达式如下:
其中,为归一化数据序列;表示任意子序列。
T2:按照步长δ0对归一化数据序列进行数据段划分。
具体的,步长和数据段个数之间的关系表达式如下:
其中,δ0为步长;归一化数据序列;s为数据段的个数。
其中,数据段的划分结果的表达式如下:
其中,为归一化数据序列的数据段划分结果;δ0为步长;为归一化数据序列。
T3:统计归一化数据序列在各个数据段中的信息量。
具体的,统计规则如下:根据T2中数据段的划分个数s,定义s个初始化为零的变量numv(v=1,2,3,...s),称为第v个数据段的信息量;v表示数据段的索引。对归一化数据序列中的每一个元素行进遍历,其中n为自然数,n=1,2,3,...,τ,若满足判断式,则numv增加1。
具体的,判断式如下:
其中,为归一化数据序列;δ0为步长;v表示数据段的索引;n为自然数,n=1,2,3,...,τ,τ为时间尺度。
T4:根据统计的信息量,计算数据序列的任意数据段中信息的信息比重。
具体的,根据T3中计算得到的第v个数据段的信息量numi,计算数据序列的任意数据段中信息的比重,计算第v个数据段的信息比重fv的表达式如下:
其中,fv为第v个数据段的信息比重;numv为第v个数据段的信息量;τ为时间尺度。
T5:利用信息比重计算子序列矩阵中各元素的信息熵。
具体的,香农提出的信息熵的定义,表达式如下:
其中,H(z)为变量z的信息熵;p(z)为变量z的概率密度函数。
以时域信号矩阵Y(t)为例,计算时域信号矩阵中的任意一个元素的信息熵的表达式如下:
其中,为元素的信息熵。
T6:利用元素的信息熵,计算振动方向的信息熵的统计特性。
具体的,振动方向包括三个方向,该三个方向分别为径向方向dr、切向方向dt和轴向方向ds,计算振动方向信息熵的统计特性过程中计算的振动方向为故障方向(故障方向可以为三个方向中的任意一个)。其中,统计特性可以为振动方向信息熵的平均值,但不仅限于平均值。
作为一个实施例,以振动方向信息熵的平均值作为统计特性进行说明,计算振动方向信息熵的平均值,该信息熵统计特性的表达式如下:
其中,Hm(t)为任意方向的信息熵统计特性。
T7:根据统计特性计算振动信号的信息熵总和。
具体的,计算振动信号的信息熵总和的表达式如下:
其中,H为振动信息的信息熵总和;t表示时域;m表示振动方向;Hm(t)为任意方向的信息熵统计特性。
具体的,作为一个实施例,以幅值谱矩阵A(w)和功率谱矩阵P(w)为对象进行说明,重复T1到T7,得到幅值谱的信息熵总和以及功率谱的信息熵总和,通过幅值谱的信息熵总和的值和/或功率谱的信息熵总和的值反映旋转机械的状态(图3、4、5、6所示),从而诊断出旋转机械是否故障以及发生故障的情况。
作为一个实施例,以时域信息熵值和频域信息熵值进行说明,如表1所示:
稳定状态 松动状态
时域信息熵值 11.4 12.5
频域信息熵值 1.08 1.3
表1变频电机不同状态下的时域和频域信息熵值
从表1中可以明显看出不同状态下计算得到的信息熵有明显差别,即振动信号的信息熵能够反映电机的安装可靠性。
本申请具有能够处理振动设备产生的微弱或非平稳故障特征信号,且能够适用于不同的采样时刻、样本大小和采样频率等不同领域,不仅给出设备的故障特征而且能够对其进行量化估计,实现机械故障在定性和定量两方面的精准判断的技术效果。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。

Claims (13)

1.一种基于信息熵的旋转机械振动故障诊断方法,其特征在于,包括如下步骤:
获取旋转机械的振动数据;
利用振动数据构建多维时间序列矩阵,并对该多维时间序列矩阵进行处理从而获得时域信号矩阵;
对时域信号矩阵中的每个元素进行处理,得到幅值谱矩阵和功率谱矩阵;
对各类矩阵中的每一个序列进行信息熵计算,并通过信息熵的值反映旋转机械的状态;其中,各类矩阵包括:时域信号矩阵、幅值谱矩阵和功率谱矩阵;各类矩阵中的每个元素均为一个序列。
2.根据权利要求1所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,利用振动数据构建多维时间序列矩阵,并对该多维时间序列矩阵进行处理从而获得时域信号矩阵的子步骤包括:
利用振动数据构建多维时间序列矩阵;
对多维时间序列矩阵进行分割,获取所有方向的时间子序列矩阵;
利用所有方向的时间子序列矩阵构成时域信号矩阵。
3.根据权利要求2所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,多维时间序列矩阵的表达式如下:
其中,Xi,j(t)为多维时间序列矩阵;i表示传感器测量的方向,取值范围为i=1,2,3,其中i=1表示旋转机械的径向方向dr,i=2表示旋转机械的切向方向dt,i=3表示旋转机械的轴向方向ds;N为正整数,表示总采样次数;j表示任意一个采样数据;t表示时域。
4.根据权利要求2或3所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,时域信号矩阵,具体表达式如下:
其中,Y(t)为时域信号矩阵;t表示时域;ym(t)表示任意方向的子序列矩阵,m为测试方向,取值范围为m=1,2,3;表示任意子序列;u为子序列矩阵索引,取值范围为u=1,2,3,...,k;k为子序列的个数。
5.根据权利要求1所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,对每一个序列进行信息熵计算的子步骤包括:
对各类矩阵中的每一个序列进行归一化处理,获得归一化数据序列;
按照步长对归一化数据序列进行数据段划分;
统计归一化数据序列在各个数据段中的信息量;
根据统计的信息量,计算数据序列的任意数据段中信息的信息比重;
利用信息比重计算子序列矩阵中各元素的信息熵;
利用元素的信息熵,计算振动方向的信息熵的统计特性;
根据统计特性计算振动信号的信息熵总和。
6.根据权利要求5所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,归一化处理数据序列的表达式如下:
其中,为归一化数据序列;表示任意子序列;u为子序列的索引,取值范围为u=1,2,3,...,k,k为子序列的个数。
7.根据权利要求5所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,步长和数据段个数之间的关系表达式如下:
其中,δ0为步长;为归一化数据序列;s为数据段的个数。
8.根据权利要求5或7所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,数据段的划分结果的表达式如下:
其中,为归一化数据序列的数据段划分结果;δ0为步长;为归一化数据序列;s为数据段的个数。
9.根据权利要求5所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,统计归一化数据序列在各个数据段中的信息量的判断式如下:
其中,为归一化数据序列;δ0为步长;v表示数据段的索引;n为自然数,n=1,2,3,...,τ,τ为时间尺度;
对归一化数据序列中的每一个元素行进遍历;如果满足判断式,则信息量numv增加1。
10.根据权利要求5所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,根据统计的信息量计算任意数据段中信息的信息比重,计算公式如下式:
其中,fv为任意数据段中信息的信息比重;numv为第v个数据段的信息量;τ为时间尺度。
11.根据权利要求5所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,计算子序列矩阵中各元素的信息熵,计算公式如下式:
其中,为元素的信息熵;fv为任意数据段中信息的信息比重;v表示数据段的索引;s为数据段的个数。
12.根据权利要求5所述的基于信息熵的旋转机械振动故障诊断方法,其特征在于,计算振动信号的信息熵总和的表达式如下:
其中,H为振动信息的信息熵总和;Hm(t)为任意方向的信息熵统计特性;t表示时域;m表示振动方向。
13.一种基于信息熵的旋转机械振动故障诊断系统,其特征在于,包括:旋转机械、传感器以及处理器;
其中,所述传感器:用于采集所述旋转机械的振动数据,并将采集的振动数据上传至所述处理器进行处理;所述振动数据包括来自旋转机械的三个方向的振动信号;
所述处理器:用于接收所述振动数据,并执行权利要求1-12中任意一项所述的基于信息熵的旋转机械振动故障诊断方法,对数据进行处理,得出诊断结果。
CN202010165513.3A 2020-03-11 2020-03-11 一种基于信息熵的旋转机械振动故障诊断方法及其系统 Active CN111307438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010165513.3A CN111307438B (zh) 2020-03-11 2020-03-11 一种基于信息熵的旋转机械振动故障诊断方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010165513.3A CN111307438B (zh) 2020-03-11 2020-03-11 一种基于信息熵的旋转机械振动故障诊断方法及其系统

Publications (2)

Publication Number Publication Date
CN111307438A true CN111307438A (zh) 2020-06-19
CN111307438B CN111307438B (zh) 2021-09-14

Family

ID=71149626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010165513.3A Active CN111307438B (zh) 2020-03-11 2020-03-11 一种基于信息熵的旋转机械振动故障诊断方法及其系统

Country Status (1)

Country Link
CN (1) CN111307438B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012058107A (ja) * 2010-09-09 2012-03-22 Nittetsu Elex Co Ltd 回転機械の異常診断方法
TW201221929A (en) * 2010-11-18 2012-06-01 Univ Nat Taiwan Science Tech Real-time detection system and the method thereof
CN102590762A (zh) * 2012-03-01 2012-07-18 西安电子科技大学 基于信息熵原理的开关电源故障诊断方法
CN104535306A (zh) * 2014-12-01 2015-04-22 平高集团有限公司 智能高压开关设备机械状态监测系统
CN105738722A (zh) * 2016-01-27 2016-07-06 西北工业大学 一种航空机电作动器故障诊断方法
TW201633025A (zh) * 2015-03-10 2016-09-16 Anderson Ind Corp 工具機主軸故障形式的診斷方法及其系統
CN105973596A (zh) * 2016-05-09 2016-09-28 华锐风电科技(集团)股份有限公司 一种基于lltsa和pnn的风机故障诊断方法
CN106546918A (zh) * 2016-10-27 2017-03-29 中国大唐集团科学技术研究院有限公司西北分公司 一种水电机组的故障诊断方法
CN106840379A (zh) * 2017-03-08 2017-06-13 潘小胜 一种机械振动信号的故障分析方法
KR20180010367A (ko) * 2016-07-20 2018-01-31 울산대학교 산학협력단 웨이브렛과 순환대수 엔빌로프 스펙트럼을 이용한 회전기기의 고장을 검출하는 방법
CN107991097A (zh) * 2017-11-16 2018-05-04 西北工业大学 一种基于多尺度符号动力学熵的轴承故障诊断方法
CN108051189A (zh) * 2017-11-20 2018-05-18 郑州工程技术学院 一种旋转机械故障特征提取方法及装置
KR101874472B1 (ko) * 2017-03-24 2018-08-02 한국항공대학교산학협력단 진동신호의 주파수 에너지를 이용한 회전체 고장 예측 시스템 및 방법
CN108984997A (zh) * 2018-09-28 2018-12-11 西北工业大学 一种基于熵值的离心泵故障诊断方法
CN109948597A (zh) * 2019-04-26 2019-06-28 福州大学 一种高压断路器机械故障诊断方法
US20190310164A1 (en) * 2018-04-06 2019-10-10 United Technologies Corporation Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012058107A (ja) * 2010-09-09 2012-03-22 Nittetsu Elex Co Ltd 回転機械の異常診断方法
TW201221929A (en) * 2010-11-18 2012-06-01 Univ Nat Taiwan Science Tech Real-time detection system and the method thereof
CN102590762A (zh) * 2012-03-01 2012-07-18 西安电子科技大学 基于信息熵原理的开关电源故障诊断方法
CN104535306A (zh) * 2014-12-01 2015-04-22 平高集团有限公司 智能高压开关设备机械状态监测系统
TW201633025A (zh) * 2015-03-10 2016-09-16 Anderson Ind Corp 工具機主軸故障形式的診斷方法及其系統
CN105738722A (zh) * 2016-01-27 2016-07-06 西北工业大学 一种航空机电作动器故障诊断方法
CN105973596A (zh) * 2016-05-09 2016-09-28 华锐风电科技(集团)股份有限公司 一种基于lltsa和pnn的风机故障诊断方法
KR20180010367A (ko) * 2016-07-20 2018-01-31 울산대학교 산학협력단 웨이브렛과 순환대수 엔빌로프 스펙트럼을 이용한 회전기기의 고장을 검출하는 방법
CN106546918A (zh) * 2016-10-27 2017-03-29 中国大唐集团科学技术研究院有限公司西北分公司 一种水电机组的故障诊断方法
CN106840379A (zh) * 2017-03-08 2017-06-13 潘小胜 一种机械振动信号的故障分析方法
KR101874472B1 (ko) * 2017-03-24 2018-08-02 한국항공대학교산학협력단 진동신호의 주파수 에너지를 이용한 회전체 고장 예측 시스템 및 방법
CN107991097A (zh) * 2017-11-16 2018-05-04 西北工业大学 一种基于多尺度符号动力学熵的轴承故障诊断方法
CN108051189A (zh) * 2017-11-20 2018-05-18 郑州工程技术学院 一种旋转机械故障特征提取方法及装置
US20190310164A1 (en) * 2018-04-06 2019-10-10 United Technologies Corporation Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing
CN108984997A (zh) * 2018-09-28 2018-12-11 西北工业大学 一种基于熵值的离心泵故障诊断方法
CN109948597A (zh) * 2019-04-26 2019-06-28 福州大学 一种高压断路器机械故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈非 等: ""基于信息熵距的旋转机械振动故障诊断方法"", 《振动、测试与诊断》 *
陈非: ""基于融合信息熵距的旋转机械振动故障定量诊断研究"", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统

Also Published As

Publication number Publication date
CN111307438B (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
Wang et al. Nonconvex sparse regularization and convex optimization for bearing fault diagnosis
CN108388860B (zh) 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
Bessous et al. Diagnosis of bearing defects in induction motors using discrete wavelet transform
CN111307438B (zh) 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
WO2019179340A1 (zh) 基于eemd和msb的滚动轴承故障特征提取方法
Li et al. Incipient fault information determination for rolling element bearing based on synchronous averaging reassigned wavelet scalogram
Chegini et al. New fault diagnosis approaches for detecting the bearing slight degradation
CN112416643A (zh) 无监督异常检测方法与装置
Mohamad et al. Gear fault diagnostics using extended phase space topology
CN111027260A (zh) 一种基于神经网络的往复式压缩机故障诊断方法
CN110108489B (zh) 一种滚动轴承性能退化趋势获取方法
CN109782158B (zh) 一种基于多级分类的模拟电路诊断方法
Kundu et al. Gear pitting severity level identification using binary segmentation methodology
CN110160778A (zh) 基于序贯假设检验的齿轮箱故障状态识别方法
CN111044902A (zh) 一种基于电流和电压信号的电机故障诊断方法
CN106096200B (zh) 一种基于小波分解和谱峭度的包络分析方法
Dang et al. A Fault Diagnosis Method for One-Dimensional Vibration Signal Based on Multiresolution tlsDMD and Approximate Entropy
CN109100146A (zh) 用于检测电机轴承故障的方法及装置
Brkovic et al. Early fault detection and diagnosis in bearings based on logarithmic energy entropy and statistical pattern recognition
Lin et al. Fault diagnosis of rolling bearings using multifractal detrended fluctuation analysis and Mahalanobis distance criterion
Ziaja et al. Fractal based signal processing for fault detection in ball-bearings
Buzzoni et al. Development of an indicator for the assessment of damage level in rolling element bearings based on blind deconvolution methods
Sadoughi et al. A practical bearing fault diagnoser
Ahmed et al. Three-stage method for rotating machine health condition monitoring using vibration signals

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