CN111307452A - 一种时变转速下旋转机械智能故障诊断方法 - Google Patents

一种时变转速下旋转机械智能故障诊断方法 Download PDF

Info

Publication number
CN111307452A
CN111307452A CN202010147607.8A CN202010147607A CN111307452A CN 111307452 A CN111307452 A CN 111307452A CN 202010147607 A CN202010147607 A CN 202010147607A CN 111307452 A CN111307452 A CN 111307452A
Authority
CN
China
Prior art keywords
time
fault diagnosis
frequency
varying
rotating speed
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
CN202010147607.8A
Other languages
English (en)
Other versions
CN111307452B (zh
Inventor
王鹏
李庆
孙益群
王忠利
孙晋明
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.)
Jiangsu Tianwo Heavy Industry Technology Co ltd
Original Assignee
Jiangsu Tianwo Heavy Industry Technology 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 Jiangsu Tianwo Heavy Industry Technology Co ltd filed Critical Jiangsu Tianwo Heavy Industry Technology Co ltd
Priority to CN202010147607.8A priority Critical patent/CN111307452B/zh
Publication of CN111307452A publication Critical patent/CN111307452A/zh
Application granted granted Critical
Publication of CN111307452B publication Critical patent/CN111307452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种时变转速下旋转机械智能故障诊断方法，通过对滚动轴承的时域振动信号进行角域重采样，将非平稳的时域信号转换成平稳的角域信号，能够消除转速变化对振动信号分析的影响；采用能够很好描述剧烈变化信号的瞬态特性的Gabor变换用于以时频谱脊线拟合为基础的转速估计方法；采用无需安装转速传感器的无键相阶次跟踪方法，可以适用于无法安装转速传感器的场合；采用可以无需专家经验和领域知识而自适应提取时序特征的LSTM模型，且BN泛化层的存在可以加快模型的收敛并且防止过拟合、提高模型的泛化能力，实现变转速工况下的旋转机械自适应智能故障诊断与辨识。

Description

一种时变转速下旋转机械智能故障诊断方法
技术领域
本发明涉及一种机械故障诊断方法，具体是一种针对缺少专家经验及先域知识的时变转速下工况下旋转机械的智能故障诊断方法，属于机械故障检测诊断技术领域。
背景技术
目前针对旋转机械故障诊断的研究中，针对智能化自适应诊断主要采用机器学习方法，而近年来被广泛采用的深度学习方法具有更强的故障分类性能，但现有的智能化自适应诊断方法主要在恒定工况的旋转机械故障诊断中有着较好的应用，而针对变转速工况的旋转机械故障诊断的相关研究较少，特别是转速不规律的时变条件下，深度学习方法无法解决故障诊断问题。
发明内容
针对上述问题，本发明提供一种时变转速下旋转机械智能故障诊断方法，能够对时变转速条件下旋转机械的故障敏感特征进行自适应提取且进行快速准确的故障识别分类，从而实现故障诊断。
为实现上述目的，本时变转速下旋转机械智能故障诊断方法具体包括以下步骤：
步骤一：利用加速度传感器采集轴承的振动信号；
步骤二：对采集的信号进行Gabor展开，获得Gabor时频图；
步骤三：在Gabor时频图中选取明显的某阶次分量，在其脊线上放置控制点，用直线连接控制点，通过线性插值法得到滤波中心频率线，计算得到滤波邻域；
步骤四：通过遮掩算法求取该阶次的Gabor系数
Figure BDA0002401305780000011
获取仅有该阶次分量的时频谱Mq(t,f)；
步骤五：根据局部极值搜索算法进行瞬时频率估计并进行二次拟合；
步骤六：通过拟合得到的瞬时频率函数进行键相时标计算及等角度重采样；
步骤七：对等角度重采样信号进行标准化处理并分割，之后构建带标签的数据集(X，Y)，并按3:1比例划分训练集和测试集；
步骤八：搭建LSTM模型(即Long Short-Term Memory，长短期记忆网络模型)，该模型由LSTM特征提取层、BN(即Batch Normalization)泛化层、全连接层及softmax分类层组成；
步骤九：利用训练集对LSTM模型进行训练，得到参数训练好的模型；利用测试集对训练好的模型进行检测，计算故障诊断精度；
步骤十：采集工业过程中的实时数据，进行角域重采样，之后输入到训练好的LSTM模型中，得到故障诊断结果。
进一步的，步骤二中Gabor展开算法为：
Figure BDA0002401305780000021
Figure BDA0002401305780000022
其中，L为信号的周期，M与N分别为时域采样数与频域采样数，Cm,n为Gabor系数，hL(k)与γL(k)定义为
hL(k)＝h(k-mΔM)e2πnΔNk/L
γL(k)＝γ(k-mΔM)e2πnΔNk/L
hL(k)与γL(k)二者符合的双正交关系为
Figure BDA0002401305780000023
0≤m≤ΔM-1,0≤n≤ΔN-1
式中ΔM与ΔN分别为时间采样间隔与频率采样间隔，临界采样情况下ΔMΔN＝L。
进一步的，步骤四中遮掩算法为根据时变滤波邻域设定一个与Cm,n具有相同维数的二进制遮掩数组
Figure BDA0002401305780000024
之后提取
Figure BDA0002401305780000025
的公式为
Figure BDA0002401305780000031
进一步，步骤三中滤波邻域用等频率法或等阶次法来计算，
采用等频率法计算时，若第q阶中心频率为fq(t)，等频率带宽Δf为以常量，则滤波邻域计算公式为
Figure BDA0002401305780000032
采用等阶次法时滤波邻域计算公式为
Figure BDA0002401305780000033
式中fq(t)为第q个中心频率，Δf为等频率带宽，Δo为等阶带宽，fq(t)为中心频率。
进一步的，步骤五中进行瞬时频率估计的部极值搜索算法公式为
IFq(t+1)＝Argmax|Mq(t,f)|,f∈[fq(t)-Δf,fq(t)+Δf]。
进一步的，步骤五中二次拟合方程为
IFq(t)＝at2+bt+c
式中t为时间，f为频率，Mq(t,f)为第q阶分量的时频谱，a,b,c为拟合式参数。
进一步的，步骤六中等角度重采样的键相时标Tn公式为
Figure BDA0002401305780000034
其中T0为时域采样开始时刻。
进一步的，步骤六中采用Lagrange线性插值算法对时域信号x(t)进行等角度重采样，公式为
Figure BDA0002401305780000035
进一步的，步骤八中LSTM的具体实现方法如下：
输入层和隐藏层包含LSTM的记忆单元c、输入门i、遗忘门f及输出门o，对于LSTM单个记忆单元c，算法如下：
一、遗忘门读取信息ht-1和输入xt，通过函数式ft＝σ(Wfht-1+Ufxt+bf)判断过去的记忆单元是否保留；
二、输入门控制当前样本的信息输入，由输入和隐藏单元同时决定的当前输入信息和临时记忆单元两部分构成：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)；
三、记忆单元当前状态ct的更新由上一次的状态ct-1与遗忘门输出ft的Hadamard积和输入门it与at的Hadamard积构成：
Figure BDA0002401305780000041
四、隐藏状态ht的输出由两部分组成：第一部分是输出门的输出ot，由上一序列的隐层输出和本序列数据经线性变换叠加，以及激活函数sigmoid得到；第二部分由状态ct和tanh激活函数组成，函数式如下：
ot＝σ(Woht-1+Uoxt+bo)
Figure BDA0002401305780000042
其中，xt为当前样本的输入向量，ht-1为上一样本的隐层输出，ht为当前样本的隐层输出，输入门包括it和at两部分，ft为遗忘门的输出、ot为输出门的输出，W、U分别为各个门结构对应的权值矩阵，b为偏置量。
进一步的，步骤八中BN泛化层的输出由以下公式计算：
yi＝γx′i+β
Figure BDA0002401305780000043
Figure BDA0002401305780000044
Figure BDA0002401305780000051
其中，x是输入的向量，x∈Rm，μB是xi的均值，
Figure BDA0002401305780000052
是xi的方差，ε是一个非常小的常数，γ和β是模型中学习得到的参数。
进一步，步骤八中softmax层计算公式如下：
Figure BDA0002401305780000053
其中，K是标签的个数，θ是softmax层的参数。
与现有技术相比，本时变转速下旋转机械智能故障诊断方法采用的是能够有效反映旋转机械设备状态检测的振动数据，变转速过程中的齿轮箱振动信号是非平稳信号，采用角域重采样将非平稳的时域信号转换成平稳的角域信号，能消除转速变化对振动信号分析的影响；采用能够很好描述剧烈变化信号的瞬态特性的Gabor变换用于以时频谱脊线拟合为基础的转速估计方法；采用无需安装转速传感器的无键相阶次跟踪方法，可以适用于无法安装转速传感器的场合；采用可以无需专家经验和领域知识而自适应提取时序特征的LSTM模型，且BN泛化层的存在可以加快模型的收敛并且防止过拟合、提高模型的泛化能力，实现变转速工况下的旋转机械自适应智能故障诊断与辨识。
附图说明
图1是本发明的流程图；
图2是本发明阶次跟踪的流程图；
图3是本发明LSTM模型的示意图；
图4是本发明仿真信号的时域波形图；
图5是本发明仿真信号的包络谱图；
图6本发明转速估计值与理论值吻合度示意图；
图7是被测门机转车减速箱实例实物图；
图8是被测门机转车减速箱实例的时域波形图；
图9是被测门机转车减速箱实例重采样后的振动信号图；
图10是迭代次数与准确率的关系图；
图11是试验10次模型的准确率视图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示，本时变转速下旋转机械智能故障诊断方法将无键相阶次跟踪与深度学习方法结合，实现变转速工况下的旋转机械自适应智能故障诊断与辨识，具体包括以下步骤：
步骤1：利用加速度传感器采集轴承的振动信号；
步骤2：对采集的信号进行Gabor展开，获得Gabor时频图；
步骤3：在Gabor时频图中选取明显的某阶次分量，在其脊线上放置控制点，用直线连接控制点，通过线性插值法得到滤波中心频率线，计算得到滤波邻域；
步骤4：通过遮掩算法求取该阶次的Gabor系数
Figure BDA0002401305780000061
获取仅有该阶次分量的时频谱Mq(t,f)；
步骤5：根据局部极值搜索算法进行瞬时频率估计并进行二次拟合；
步骤6：通过拟合得到的瞬时频率函数进行键相时标计算及等角度重采样，图2是本发明中阶次跟踪的具体流程图；
步骤7：对等角度重采样信号进行标准化处理并分割，之后构建带标签的数据集(X，Y)，并按3:1比例划分训练集和测试集；
步骤8：搭建LSTM模型，该模型由LSTM特征提取层、BN泛化层、全连接层及softmax分类层组成，图3为本发明中提出的LSTM模型的示意图；
步骤9：利用训练集对LSTM模型进行训练，得到参数训练好的模型；利用测试集对训练好的模型进行检测，计算故障诊断精度；
步骤10：采集工业过程中的实时数据，进行角域重采样，之后输入到训练好的LSTM模型中，得到故障诊断结果。
为验证提出方法的有效性，构建如下模型来模拟轴承故障时的振动信号：
Figure BDA0002401305780000071
式中，Ai为第i次冲击的幅值，Ti为第i次冲击发生的时刻，冲击发生的频率为转动频率的1.75倍，Bn为第n次谐波的幅值，βn为第n次谐波的初相位，s(t)为冲击信号，f(t)为瞬时转频，N(t)为噪声，s(t)与f(t)公式如下：
s(t)＝e-500tsin(4000πt)
f(t)＝[250+400cos(0.25πt)]/60
取B1＝0.3，B2＝0.5，B3＝0.4，β1＝π/6，β2＝-π/3，β3＝π/2仿真信号的时域波形如图4，其包络谱如图5，通过包络谱无法看出能够反映冲击特征频率的谱线。
对仿真信号进行阶次跟踪分析，通过分析获得的转速估计值与理论值如图6，从图中可以看出转速估计结果较为理想，估计值与理论值差异不大。
采用本时变转速下旋转机械智能故障诊断方法对门机转车减速箱进行故障诊断实例，被测门机转车减速箱如图7。
对采集得到的一段振动信号进行分析，其时域波形如图8。
对该信号进行基于Gabor变换的无键相阶次跟踪分析与等角度重采样，得到的重采样后的振动信号如图9。
对重采样后的振动信号构建数据集，将500组样本按3:1分为训练集与测试集。根据已知的设备故障情况将训练集与测试集再分为故障、健康两类。LSTM模型的输入样本为长度为1024的子信号，得到375组子信号组成的训练集和125组子信号组成的测试集。
模型的超参数是通过交叉验证实验来选择的。表1显示了LSTM模型中的主要参数。采用分类交叉熵作为损失函数，Adam作为模型训练，学习率设置为0.2，迭代次数设置为10。该模型正确率取10次平均，模型平均准确率为99.491％。
表1 LSTM模型中的主要参数
Figure BDA0002401305780000072
Figure BDA0002401305780000081
从图10可以看出，在模型迭代第9次的时候，准确率为0.9956，且不再上升，因此本文选用迭代次数为10次，是符合要求的；从图11可以看出，10次试验模型的准确率都在0.985以上，从而证明了LSTM模型的稳定性与可靠性。

Claims (10)

1.一种时变转速下旋转机械智能故障诊断方法，其特征在于，具体包括以下步骤：
步骤一：利用加速度传感器采集轴承的振动信号；
步骤二：对采集的信号进行Gabor展开，获得Gabor时频图；
步骤三：在Gabor时频图中选取明显的某阶次分量，在其脊线上放置控制点，用直线连接控制点，通过线性插值法得到滤波中心频率线，计算得到滤波邻域；
步骤四：通过遮掩算法求取该阶次的Gabor系数
Figure FDA0002401305770000011
获取仅有该阶次分量的时频谱Mq(t,f)；
步骤五：根据局部极值搜索算法进行瞬时频率估计并进行二次拟合；
步骤六：通过拟合得到的瞬时频率函数进行键相时标计算及等角度重采样；
步骤七：对等角度重采样信号进行标准化处理并分割，之后构建带标签的数据集(X，Y)，并按3:1比例划分训练集和测试集；
步骤八：搭建LSTM模型，该模型由LSTM特征提取层、BN泛化层、全连接层及softmax分类层组成；
步骤九：利用训练集对LSTM模型进行训练，得到参数训练好的模型；利用测试集对训练好的模型进行检测，计算故障诊断精度；
步骤十：采集工业过程中的实时数据，进行角域重采样，之后输入到训练好的LSTM模型中，得到故障诊断结果。
2.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤二中Gabor展开算法为：
Figure FDA0002401305770000012
Figure FDA0002401305770000013
其中，L为信号的周期，M与N分别为时域采样数与频域采样数，Cm,n为Gabor系数，hL(k)与γL(k)定义为
hL(k)＝h(k-mΔM)e2πnΔNk/L
γL(k)＝γ(k-mΔM)e2πnΔNk/L
hL(k)与γL(k)二者符合的双正交关系为
Figure FDA0002401305770000021
式中ΔM与ΔN分别为时间采样间隔与频率采样间隔，临界采样情况下ΔMΔN＝L。
3.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤四中遮掩算法为根据时变滤波邻域设定一个与Cm,n具有相同维数的二进制遮掩数组
Figure FDA0002401305770000022
之后提取
Figure FDA0002401305770000023
的公式为
Figure FDA0002401305770000024
4.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤三中滤波邻域用等频率法或等阶次法来计算，
采用等频率法计算时，若第q阶中心频率为fq(t)，等频率带宽Δf为以常量，则滤波邻域计算公式为
Figure FDA0002401305770000025
采用等阶次法时滤波邻域计算公式为
Figure FDA0002401305770000026
式中fq(t)为第q个中心频率，Δf为等频率带宽，Δo为等阶带宽，fq(t)为中心频率。
5.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤五中进行瞬时频率估计的部极值搜索算法公式为
IFq(t+1)＝Argmax|Mq(t,f)|,f∈[fq(t)-Δf,fq(t)+Δf]；
步骤五中二次拟合方程为
IFq(t)＝at2+bt+c
式中t为时间，f为频率，Mq(t,f)为第q阶分量的时频谱，a,b,c为拟合式参数。
6.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤六中等角度重采样的键相时标Tn公式为
Figure FDA0002401305770000031
其中T0为时域采样开始时刻。
7.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤六中采用Lagrange线性插值算法对时域信号x(t)进行等角度重采样，公式为
Figure FDA0002401305770000032
8.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤八中LSTM的具体实现方法如下：
输入层和隐藏层包含LSTM的记忆单元c、输入门i、遗忘门f及输出门o，对于LSTM单个记忆单元c，算法如下：
一、遗忘门读取信息ht-1和输入xt，通过函数式ft＝σ(Wfht-1+Ufxt+bf)判断过去的记忆单元是否保留；
二、输入门控制当前样本的信息输入，由输入和隐藏单元同时决定的当前输入信息和临时记忆单元两部分构成：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)；
三、记忆单元当前状态ct的更新由上一次的状态ct-1与遗忘门输出ft的Hadamard积和输入门it与at的Hadamard积构成：
Figure FDA0002401305770000041
四、隐藏状态ht的输出由两部分组成：第一部分是输出门的输出ot，由上一序列的隐层输出和本序列数据经线性变换叠加，以及激活函数sigmoid得到；第二部分由状态ct和tanh激活函数组成，函数式如下：
ot＝σ(Woht-1+Uoxt+bo)
Figure FDA0002401305770000042
其中，xt为当前样本的输入向量，ht-1为上一样本的隐层输出，ht为当前样本的隐层输出，输入门包括it和at两部分，ft为遗忘门的输出、ot为输出门的输出，W、U分别为各个门结构对应的权值矩阵，b为偏置量。
9.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤八中BN泛化层的输出由以下公式计算：
yi＝γx′i+β
Figure FDA0002401305770000043
Figure FDA0002401305770000044
Figure FDA0002401305770000045
其中，x是输入的向量，x∈Rm，μB是xi的均值，
Figure FDA0002401305770000046
是xi的方差，ε是一个非常小的常数，γ和β是模型中学习得到的参数。
10.根据权利要求1所述的时变转速下旋转机械智能故障诊断方法，其特征在于，步骤八中softmax层计算公式如下：
Figure FDA0002401305770000047
其中，K是标签的个数，θ是softmax层的参数。
CN202010147607.8A 2020-03-05 2020-03-05 一种时变转速下旋转机械智能故障诊断方法 Active CN111307452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010147607.8A CN111307452B (zh) 2020-03-05 2020-03-05 一种时变转速下旋转机械智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010147607.8A CN111307452B (zh) 2020-03-05 2020-03-05 一种时变转速下旋转机械智能故障诊断方法

Publications (2)

Publication Number Publication Date
CN111307452A true CN111307452A (zh) 2020-06-19
CN111307452B CN111307452B (zh) 2022-01-28

Family

ID=71145376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147607.8A Active CN111307452B (zh) 2020-03-05 2020-03-05 一种时变转速下旋转机械智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN111307452B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665051A (zh) * 2020-07-01 2020-09-15 天津大学 基于能量权重法的强噪声变转速条件下轴承故障诊断方法
CN113984282A (zh) * 2021-10-12 2022-01-28 厦门大学 一种无键相变转速下转子动平衡故障特征提取方法
CN114659790A (zh) * 2022-03-14 2022-06-24 浙江工业大学 一种变转速风电高速轴轴承故障的识别方法
CN114925809A (zh) * 2022-04-13 2022-08-19 北京印刷学院 基于lstm的印刷机轴承故障诊断方法及装置
CN115310498A (zh) * 2022-10-12 2022-11-08 青岛明思为科技有限公司 一种基于神经网络的变转速工况下旋转机械故障分类方法
CN117708574A (zh) * 2024-02-02 2024-03-15 江苏南高智能装备创新中心有限公司 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1069435A2 (en) * 1999-07-12 2001-01-17 Nsk Ltd Rolling bearing unit for wheel
JP2004053112A (ja) * 2002-07-19 2004-02-19 Noritz Corp 給湯装置の故障診断方法、故障診断プログラム、故障診断支援装置、および給湯装置
EP2226621A1 (en) * 2009-03-05 2010-09-08 Tetra Laval Holdings & Finance SA Predictive rolling bearing maintenance
CN103018043A (zh) * 2012-11-16 2013-04-03 东南大学 变转速轴承故障诊断方法
CN103196547A (zh) * 2013-03-11 2013-07-10 安徽新力电业科技咨询有限责任公司 一种实现旋转机械振动信号同步阶比跟踪分析方法
CN104535323A (zh) * 2015-01-12 2015-04-22 石家庄铁道大学 一种基于角域-时域-频域的机车轮对轴承故障诊断方法
CN105092249A (zh) * 2015-09-22 2015-11-25 山东理工大学 基于Gabor滤波器的滚动轴承故障诊断方法
CN105547698A (zh) * 2015-12-31 2016-05-04 新疆金风科技股份有限公司 滚动轴承的故障诊断方法及装置
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法
CN106289777A (zh) * 2016-08-01 2017-01-04 北京航空航天大学 一种基于几何度量的多工况滚动轴承性能评估方法
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108805059A (zh) * 2018-05-29 2018-11-13 东华大学 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
CN109668733A (zh) * 2018-12-21 2019-04-23 苏州大学 变分非线性模式分解变转速轴承故障诊断方法
CN110617964A (zh) * 2019-07-29 2019-12-27 中国铁道科学研究院集团有限公司城市轨道交通中心 用于滚动轴承故障诊断的同步压缩变换阶比分析法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1069435A2 (en) * 1999-07-12 2001-01-17 Nsk Ltd Rolling bearing unit for wheel
JP2004053112A (ja) * 2002-07-19 2004-02-19 Noritz Corp 給湯装置の故障診断方法、故障診断プログラム、故障診断支援装置、および給湯装置
EP2226621A1 (en) * 2009-03-05 2010-09-08 Tetra Laval Holdings & Finance SA Predictive rolling bearing maintenance
CN103018043A (zh) * 2012-11-16 2013-04-03 东南大学 变转速轴承故障诊断方法
CN103196547A (zh) * 2013-03-11 2013-07-10 安徽新力电业科技咨询有限责任公司 一种实现旋转机械振动信号同步阶比跟踪分析方法
CN104535323A (zh) * 2015-01-12 2015-04-22 石家庄铁道大学 一种基于角域-时域-频域的机车轮对轴承故障诊断方法
CN105092249A (zh) * 2015-09-22 2015-11-25 山东理工大学 基于Gabor滤波器的滚动轴承故障诊断方法
CN105547698A (zh) * 2015-12-31 2016-05-04 新疆金风科技股份有限公司 滚动轴承的故障诊断方法及装置
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法
CN106289777A (zh) * 2016-08-01 2017-01-04 北京航空航天大学 一种基于几何度量的多工况滚动轴承性能评估方法
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108805059A (zh) * 2018-05-29 2018-11-13 东华大学 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
CN109668733A (zh) * 2018-12-21 2019-04-23 苏州大学 变分非线性模式分解变转速轴承故障诊断方法
CN110617964A (zh) * 2019-07-29 2019-12-27 中国铁道科学研究院集团有限公司城市轨道交通中心 用于滚动轴承故障诊断的同步压缩变换阶比分析法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
H. SHEN 等: ""Feature extraction on connecting rod bearing fault based on EMD and Gabor transformation"", 《PROCEEDINGS OF 2012 2ND INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY》 *
L. CAO 等: ""Bearing Fault Diagnosis Method Based on GMM and Coupled Hidden Markov Model"", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHONGQING)》 *
冯研研 等: ""改进形态滤波与 LMD 结合的滚动轴承故障诊断方法研究"", 《机械设计与制造》 *
赵德尊: ""变转速下滚动轴承时变非平稳故障特征提取方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665051A (zh) * 2020-07-01 2020-09-15 天津大学 基于能量权重法的强噪声变转速条件下轴承故障诊断方法
CN113984282A (zh) * 2021-10-12 2022-01-28 厦门大学 一种无键相变转速下转子动平衡故障特征提取方法
CN113984282B (zh) * 2021-10-12 2022-07-19 厦门大学 一种无键相变转速下转子动平衡故障特征提取方法
CN114659790A (zh) * 2022-03-14 2022-06-24 浙江工业大学 一种变转速风电高速轴轴承故障的识别方法
CN114659790B (zh) * 2022-03-14 2023-12-01 浙江工业大学 一种变转速风电高速轴轴承故障的识别方法
CN114925809A (zh) * 2022-04-13 2022-08-19 北京印刷学院 基于lstm的印刷机轴承故障诊断方法及装置
CN114925809B (zh) * 2022-04-13 2024-05-24 北京印刷学院 基于lstm的印刷机轴承故障诊断方法及装置
CN115310498A (zh) * 2022-10-12 2022-11-08 青岛明思为科技有限公司 一种基于神经网络的变转速工况下旋转机械故障分类方法
CN115310498B (zh) * 2022-10-12 2023-02-03 青岛明思为科技有限公司 一种基于神经网络的变转速工况下旋转机械故障分类方法
CN117708574A (zh) * 2024-02-02 2024-03-15 江苏南高智能装备创新中心有限公司 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法
CN117708574B (zh) * 2024-02-02 2024-04-12 江苏南高智能装备创新中心有限公司 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN111307452B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN111307452B (zh) 一种时变转速下旋转机械智能故障诊断方法
Sun et al. Sparse representation based on parametric impulsive dictionary design for bearing fault diagnosis
Zhu et al. Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images
Gu et al. Bearing fault diagnosis with varying conditions using angular domain resampling technology, SDP and DCNN
Zhao et al. Intelligent fault diagnosis of gearbox under variable working conditions with adaptive intraclass and interclass convolutional neural network
Avendano-Valencia et al. Gaussian process models for mitigation of operational variability in the structural health monitoring of wind turbines
CN110261109B (zh) 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
Aguado et al. Multivariate statistical monitoring of continuous wastewater treatment plants
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN114912547B (zh) 一种线性时变结构的欠定工作模态参数识别方法和系统
CN114235415B (zh) 基于神经网络的风力发电机变桨轴承故障诊断方法及装置
Ji et al. Parallel sparse filtering for intelligent fault diagnosis using acoustic signal processing
CN112435142B (zh) 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN111122162B (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
CN105424366A (zh) 基于eemd自适应消噪的轴承故障诊断方法
CN112215405A (zh) 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN112414713A (zh) 一种基于实测信号的滚动轴承故障检测方法
Wang et al. Fault diagnosis of rotating machinery under time-varying speed based on order tracking and deep learning
CN117236188A (zh) 一种仿真数据辅助的轴承迁移诊断方法、系统及设备介质
Yuan et al. A multichannel MN-GCN for wheelset-bearing system fault diagnosis
CN111795819A (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN117708574B (zh) 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法
CN115184768A (zh) 一种输配电智能终端故障诊断与可靠性评估方法
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault 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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An intelligent fault diagnosis method for rotating machinery under time-varying speed

Effective date of registration: 20220804

Granted publication date: 20220128

Pledgee: Xuzhou Shenghong Intellectual Property Service Co.,Ltd.

Pledgor: JIANGSU TIANWO HEAVY INDUSTRY TECHNOLOGY CO.,LTD.

Registration number: Y2022320000433