CN111412978A - 一种基于无故障振动信号的往复机械异常检测方法 - Google Patents
一种基于无故障振动信号的往复机械异常检测方法 Download PDFInfo
- Publication number
- CN111412978A CN111412978A CN202010319522.3A CN202010319522A CN111412978A CN 111412978 A CN111412978 A CN 111412978A CN 202010319522 A CN202010319522 A CN 202010319522A CN 111412978 A CN111412978 A CN 111412978A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration signal
- coding network
- key phase
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及了一种基于无故障振动信号的往复机械异常检测方法,包括以下步骤:1)往复机械气缸盖振动信号和曲轴箱键相信号采集;2)角域整周期振动信号截取;3)转化振动信号为频段能量百分比特征序列;4)变分自编码网络模型构建和训练;5)以样本重构概率为指标进行异常检测。本发明研究创新与特点在于柴油机角域整周期振动信号准确截取与预处理及利用变分自编码网络对往复机械正常状态对应潜在空间进行建模,弥补了传统故障监测方法中对故障数据的依赖性,避免了人工特征的设计和提取问题,尤其适用于旋转、往复动力机械的故障监测。
Description
技术领域
本发明属于装甲车辆、船舶动力及工程机械用往复机械设备异常检测技术领域,尤其涉及了一种基于无故障振动信号的往复机械异常检测方法,可在缺乏故障数据情况下对往复机械异常进行预警。
背景技术
往复机械是装甲车辆、船舶动力及工程机械的核心动力设备,其安全可靠运行对军事或生产任务的顺利完成具有重要作用。往复机械振动信号包含了丰富的状态信息,为了及时对往复机械异常进行预警,防止异常进一步恶化,降低恶性故障带来的严重损失,国内外学者对基于振动信号的故障在线监测方法进行研究并积累了一定的成果。然而,由于这些故障监测方法对故障数据依赖性较强,已经越来越无法满足工程应用的实际需求。因此,研发一种无故障振动信号的异常检测方法对往复机械异常预警具有十分重要的意义。
目前在异常检测领域,主要采用的方法是,利用带标签的正常和异常数据数据,结合机器学习或深度学习算法,进行异常检测模型的训练。训练高精度的异常检测模型可以获得很好的故障识别效果,但大多需要根据足够的专家标记的正常和异常样本。往复机械结构复杂,故障类型多样化,导致异常数据的专家标记过程复杂且昂贵。另外,由于环境、应用条件、经济等因素的限制导致故障数据难以获取,很多情况下机组仅有正常数据而没有故障数据。故障数据的缺乏,大大限制了传统异常检测方法的应用。
发明内容
为了解决缺乏故障数据情况下的异常预警问题,本发明提供一种无需任何异常数据、效率高、准确率良好的基于无故障振动信号的往复机械异常检测方法。本发明目的在于针对异常数据获取难,数量少等问题,提供一种以角域整周期信号的频段能量百分比特征序列为基础,结合基于变分自编码网络的往复机械正常状态对应潜在空间模型,以样本服从潜在空间分布概率为指标的异常检测方法,实现对往复机械气门间隙过大等异常状态的预警。
针对上述问题,本发明设计的一种技术方案是:基于无故障振动信号的往复机械异常检测方法,方案步骤如下所示:
第一步,在往复机械气缸盖上安装加速度传感器采集气缸盖振动信号,在曲轴箱输出端安装电涡流传感器采集曲轴箱键相信号。利用往复机械状态监测系统,采集正常状态下的往复机械气缸盖振动信号和曲轴箱键相信号。
第二步,根据键相信号截取角域整周期振动信号形成正常状态下的数据集。当曲轴旋转720°,对应为角域一个整周期,根据键相传感器信号采集可知键相信号中每个冲击的间隔为360°。根据振动信号与键相信号的对应性,进行角域整周期振动信号截取。
第三步,利用以db10小波为基础,对整周期信号进行n阶小波包变换,得到样本的2n组分解系数。根据分解系数计算对应频段的能量特征,如下所示。
E(i,j)=∑[ps(N,i,k)]2
式中,E(i,j)表示第i层分解第j个分解序列对应的能量值。ps(N,i,k)表示小波包变换得到的分解系数。对各个分解序列的能量值进行归一化处理,得到各个频段对应的能量百分比,如下所示。
根据频段的先后顺序,形成频段能量百分比特征序列。
第四步,以频段能量百分比特征序列作为变分自编码网络的输入,构建变分自编码网络。变分自编码网络结构包括输入层、编码器、潜在空间表示层、解码器和输出层,潜在空间表示层包括均值和方差两部分,往潜在空间表示层的输入增加高斯白噪声并作为潜在空间表示层的输出。
第五步,变分自编码网络的目标函数是数据的边际似然的变分下界,因此变分自编码网络的损失函数包括两个方面:一是实现重构误差最小;二是让潜在空间分布与真实数据分布最接近。因此,对应的损失函数如下所示。
式中,DKL(*)表示KL散度函数,qω(z|x(i))表示利用样本x(i)推断出的潜在空间z分布,pθ(z)表示潜在空间z分布,logpθ(x(i)|z(i,l))表示样本的边际似然。
以正常状态下的往复机械振动信号为数据基础,使用随机梯度下降法最小化损失函数,更新变分自编码网络参数,直到参数收敛完成网络模型的训练。
第六步,基于训练完成的变分自编码网络模型,计算训练样本的重构概率,并把最小值作为异常检测的阈值;信号的重构概率定义如下所示。
P=pθ(x|u*,σ*)
式中,u*,σ*分别表示生成样本分布的均值和方差。
第七步,基于训练完成的变分自编码网络模型,计算测试样本的重构概率,如果测试样本的重构概率小于检测阈值,说明测试样本是异常的,否则为正常。利用以下公式计算准确率:
式中,nR,nT分别表示准确识别的样本数和总样本数。
2、进一步,步骤2当前整周期振动信号截取方法:为了避免发生频谱泄露,振动信号样本常根据当前曲轴转速v(单位:转/每分钟)和系统采样频率Fs(单位:Hz)进行截取,整周期振动信号样本为[x(i),…,x(i+Fs/v*60*2)]。本发明以键相信号冲击顶点进行整周期振动信号截取,为了保证变转速下整周期信号的完整性,滑动对比键相信号瞬时幅值,连续采集N个键相信号数据点,当瞬时幅值邻域最大且远大于平均值时max([y(i),…,y(i+N)])>>mean([y(i),…,y(i+N)]),该数据点为键相冲击信号顶点pi。以键相冲击信号顶点时刻作为时域整周期振动信号的起始点和终止点,信号长度对应连续的三个冲击顶点,整周期振动信号样本为[x(pj),…,x(pj+2)]。
3、进一步,步骤3变分自编码网络的输入形式:当前对于变分自编码网络的输入形式多为时序振动数据,为了保证振动信号样本的一致性,通常需要结合气缸的发火和配气相位,将整周期信号中发火、进气门开启关闭、排气门开启关闭对应的激励冲击相位调整一致。本发明利用小波包变换进行振动信号频段分解,计算各个频段的能量特征并进行归一化处理,以振动信号的频段能量百分比特征序列代替时序振动信号作为变分自编码网络的输入,能够有效降低振动信号随机性带来的影响,保证振动信号样本前后信息的一致性。
4、进一步,步骤4基于变分自编码网络的正常状态对应潜在空间建模。传统异常检测方法是以信号特征为基础,以距离或密度等度量方式进行正常状态对应潜在空间建模。本发明利用正常数据进行变分自编码网络训练,得到自适应数据分布的正常状态对应潜在空间模型。
5、进一步,步骤6异常检测指标的确定。为了对比正常与异常的差异性,传统异常检测方法常以信号的重构误差作为异常检测指标。本发明以测试样本满足正常状态对应数据分布的可能性作为异常检测指标。
与传统异常检测技术对比,本发明的效益主要具体体现在:
1、本发明利用频段能量特征百分比序列代替时域振动信号,一方面能够大大降低振动信号随机性对关键信息表征效果的影响,另一方面能够使得振动数据样本具有较好的一致性,避免样本信息受角域整周期信号在不同往复机械工况下的数据长度不同因素的影响。
2、本发明提出的基于无故障振动信号的往复机械异常检测方法能够对往复机械正常状态潜在空间进行建模,无需任何人工特征的设计和提取;异常检测的判定规则简单,效率高,适应性好。
3、本发明提出的基于无故障振动信号的往复机械异常检测方法具有适应性广、应用方便简单、准确高特点,不仅能够应用于往复机械气门间隙异常的监测,也能应用于其他往复机械典型故障(如撞缸、失火等故障)、燃气轮机和压缩机等复杂机组。
附图说明:
图1为本发明的流程图
图2为角域整周期振动信号截取
图3为小波包变换提取频段能量百分比特征序列
图4为变分自编码网络结构
图5为正常和异常数据在变分自编码网络的潜在空间分布图
图6为异常检测结果混淆矩阵
具体实施方式
结合附图和实际往复机械缸盖数据分别对本发明方法进行详细说明:
如图1所示,一种基于无故障振动信号的往复机械异常检测方法,异常检测流程如下:
第一步,利用往复机械状态监测系统,采集正常状态下的往复机械气缸盖振动信号和曲轴箱键相信号。在往复机械气缸盖上安装加速度传感器采集气缸盖振动信号,在曲轴箱输出端安装电涡流传感器采集曲轴箱键相信号。
第二步,根据键相信号截取角域整周期振动信号形成正常状态下的数据集。当曲轴旋转720°,对应为角域一个整周期,根据键相传感器信号采集可知键相信号中每个冲击的间隔为360°。根据振动信号与键相信号的对应性,进行角域整周期振动信号截取,如图2所示。
第三步,利用以db10小波为基础,对整周期信号进行n阶小波包变换,得到样本的2n个频段能量百分比,用频段能量百分比特征序列代替角域整周期信号。当n取3时,整周期信号整个频谱将被分为8个频段,如图3所示。能量百分比特征则为每个频段对应能量归一化后的数值,根据频段的先后顺序,形成频段能量百分比特征序列。振动信号的采样频率为51200Hz,最大频率为25600Hz,进行小波包变换特征提取时,n取10,能够得到长度为1024的频段能量百分比特征序列。
第四步,以频段能量百分比特征序列作为变分自编码网络的输入,构建变分自编码网络。变分自编码网络结构如图4所示,包括输入层、隐含层1、隐含层2、隐含层3、潜在空间表示层、隐含层4、隐含层5、隐含层6和输出层,对应神经网络层的维度分别为1024,512,256,128,64,128,256,512,1024。除了输入层和潜在空间表示层,其他神经网络层的激活函数都采用ReLU非线性函数。潜在空间表示层包括均值和方差两部分,均包含64个神经元,往潜在空间表示层的输入增加高斯白噪声并作为潜在空间表示层的输出。
第五步,变分自编码网络的目标函数是数据的边际似然的变分下界,因此变分自编码网络的损失函数包括两个方面:一是实现重构误差最小;二是让潜在空间分布与真实数据分布最接近。因此,对应的损失函数如下所示。
式中,DKL(*)表示KL散度函数,qω(z|x(i))表示利用样本x(i)推断出的潜在空间z分布,pθ(z)表示潜在空间z分布,logpθ(x(i)|z(i,l))表示样本的边际似然。
以正常状态下的往复机械振动信号为数据基础,设定学习率为0.001,使用随机梯度下降法最小化损失函数,更新变分自编码网络参数,直到参数收敛完成网络模型的训练。为了方便展示,将潜在空间分布的维度设置为2,正常与异常数据在基于变分自编码网络的潜在空间分布如图5所示。
第六步,基于训练完成的变分自编码网络模型,计算训练样本的重构概率,并把最小值作为异常检测的阈值;信号的重构概率定义如下所示。
P=pθ(x|u*,σ*)
式中,u*,σ*分别表示生成样本分布的均值和方差。
第七步,基于训练完成的变分自编码网络模型,计算测试样本的重构概率,如果测试样本的重构概率小于检测阈值,说明测试样本是异常的,否则为正常。利用以下公式计算准确率:
式中,nR,nT分别表示准确识别的样本数和总样本数。
本实例中往复机械机组信息如下:
利用测试集进行测试,得到的异常检测结果混淆矩阵如图6所示,总体准确率在95%以上。
Claims (5)
1.一种基于无故障振动信号的往复机械异常检测方法,其特征在于:
第一步,在往复机械气缸盖上安装加速度传感器采集气缸盖振动信号,在曲轴箱输出端安装电涡流传感器采集曲轴箱键相信号;利用往复机械状态监测系统,采集正常状态下的往复机械气缸盖振动信号和曲轴箱键相信号;
第二步,根据键相信号截取角域整周期振动信号形成正常状态下的数据集;当曲轴旋转720°,对应为角域一个整周期,根据键相传感器信号采集可知键相信号中每个冲击的间隔为360°;根据振动信号与键相信号的对应性,进行角域整周期振动信号截取;
第三步,利用以db10小波为基础,对整周期信号进行n阶小波包变换,得到样本的2n组分解系数;根据分解系数计算对应频段的能量特征,如下所示;
E(i,j)=∑[ps(N,i,k)]2
式中,E(i,j)表示第i层分解第j个分解序列对应的能量值;ps(N,i,k)表示小波包变换得到的分解系数;对各个分解序列的能量值进行归一化处理,得到各个频段对应的能量百分比,如下所示;
根据频段的先后顺序,形成频段能量百分比特征序列;
第四步,以频段能量百分比特征序列作为变分自编码网络的输入,构建变分自编码网络;变分自编码网络结构包括输入层、编码器、潜在空间表示层、解码器和输出层,潜在空间表示层包括均值和方差两部分,往潜在空间表示层的输入增加高斯白噪声并作为潜在空间表示层的输出;
第五步,变分自编码网络的目标函数是数据的边际似然的变分下界,对应的损失函数如下所示;
式中,DKL(*)表示KL散度函数,qω(z|x(i))表示利用样本x(i)推断出的潜在空间z分布,pθ(z)表示潜在空间z分布,logpθ(x(i)|z(i,l))表示样本的边际似然;
以正常状态下的往复机械振动信号为数据基础,使用随机梯度下降法最小化损失函数,更新变分自编码网络参数,直到参数收敛完成网络模型的训练;
第六步,基于训练完成的变分自编码网络模型,计算训练样本的重构概率,并把最小值作为异常检测的阈值;信号的重构概率定义如下所示;
P=pθ(x|u*,σ*)
式中,u*,σ*分别表示生成样本分布的均值和方差;
第七步,基于训练完成的变分自编码网络模型,计算测试样本的重构概率,如果测试样本的重构概率小于检测阈值,说明测试样本是异常的,否则为正常;利用以下公式计算准确率:
式中,nR,nT分别表示准确识别的样本数和总样本数。
2.根据权利要求1所述的一种基于无故障振动信号的往复机械异常检测方法,其特征在于,步骤2当前整周期振动信号截取方法:以键相信号冲击顶点进行整周期振动信号截取,为了保证变转速下整周期信号的完整性,滑动对比键相信号瞬时幅值,连续采集N个键相信号数据点,当瞬时幅值邻域最大且远大于平均值时max([y(i),…,y(i+N)])>>mean([y(i),…,y(i+N)]),该数据点为键相冲击信号顶点pi;以键相冲击信号顶点时刻作为时域整周期振动信号的起始点和终止点,信号长度对应连续的三个冲击顶点,整周期振动信号样本为[x(pj),…,x(pj+2)]。
3.根据权利要求1所述的一种基于无故障振动信号的往复机械异常检测方法,其特征在于,步骤3变分自编码网络的输入形式:利用小波包变换进行振动信号频段分解,计算各个频段的能量特征并进行归一化处理,以振动信号的频段能量百分比特征序列代替时序振动信号作为变分自编码网络的输入。
4.根据权利要求1所述的一种基于无故障振动信号的往复机械异常检测方法,其特征在于,步骤4基于变分自编码网络的正常状态对应潜在空间建模;利用正常数据进行变分自编码网络训练,得到自适应数据分布的正常状态对应潜在空间模型。
5.根据权利要求1所述的一种基于无故障振动信号的往复机械异常检测方法,其特征在于,步骤6异常检测指标的确定;为了对比正常与异常的差异性,以测试样本满足正常状态对应数据分布的可能性作为异常检测指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319522.3A CN111412978B (zh) | 2020-04-22 | 2020-04-22 | 一种基于无故障振动信号的往复机械异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319522.3A CN111412978B (zh) | 2020-04-22 | 2020-04-22 | 一种基于无故障振动信号的往复机械异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111412978A true CN111412978A (zh) | 2020-07-14 |
CN111412978B CN111412978B (zh) | 2021-06-08 |
Family
ID=71489969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319522.3A Active CN111412978B (zh) | 2020-04-22 | 2020-04-22 | 一种基于无故障振动信号的往复机械异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111412978B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861272A (zh) * | 2020-07-31 | 2020-10-30 | 西安交通大学 | 一种基于多源数据的复杂机电系统异常状态检测方法 |
CN112284428A (zh) * | 2020-09-15 | 2021-01-29 | 北京化工大学 | 活塞发动机曲轴停机相位在线监测方法 |
CN112706901A (zh) * | 2020-12-31 | 2021-04-27 | 华南理工大学 | 一种半潜船主推进系统半监督故障诊断方法 |
CN112798290A (zh) * | 2020-12-25 | 2021-05-14 | 北京化工大学 | 基于频谱重构误差的燃气轮机异常状态监测方法 |
CN112814886A (zh) * | 2020-12-06 | 2021-05-18 | 北京化工大学 | 一种往复压缩机信号的无键相角域周期分割方法 |
CN112816195A (zh) * | 2021-01-04 | 2021-05-18 | 安徽容知日新科技股份有限公司 | 往复式机械设备故障诊断方法及装置 |
CN112966632A (zh) * | 2021-03-19 | 2021-06-15 | 浙江中自庆安新能源技术有限公司 | 一种基于振动信号图像化的故障识别方法及系统 |
CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
CN113344099A (zh) * | 2021-06-22 | 2021-09-03 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
RU2774697C1 (ru) * | 2022-01-16 | 2022-06-21 | Общество с ограниченной ответственностью "ГТЛАБ Диагностика" | Способ вибродиагностики для определения степени и скорости развития зарождающихся дефектов промышленного оборудования |
CN114715752A (zh) * | 2022-06-08 | 2022-07-08 | 凯尔菱电(山东)电梯有限公司 | 用于电梯的异常检测方法及系统 |
CN114922806A (zh) * | 2022-04-27 | 2022-08-19 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
CN115270895A (zh) * | 2022-09-27 | 2022-11-01 | 南通爱月机械科技有限公司 | 一种用于柴油机的故障检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
CN101266189A (zh) * | 2008-05-07 | 2008-09-17 | 上海理工大学 | 一种结构低频振动无线巡查星形网络的构建方法 |
CN201828333U (zh) * | 2010-07-09 | 2011-05-11 | 华北电力大学 | 汽轮发电机组振动键相信号预处理电路 |
CN102702105A (zh) * | 2005-12-30 | 2012-10-03 | Ambrx公司 | 含有非天然氨基酸和多肽的组合物、涉及非天然氨基酸和多肽的方法以及非天然氨基酸和多肽的用途 |
US8371157B2 (en) * | 2007-04-09 | 2013-02-12 | Bg Soflex Llc. | Engine position tracking for internal combustion engines |
CN104863840A (zh) * | 2015-03-16 | 2015-08-26 | 北京化工大学 | 一种基于emd-pca的往复压缩机智能诊断方法 |
CN105628381A (zh) * | 2016-01-13 | 2016-06-01 | 东北石油大学 | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
CN107702922A (zh) * | 2017-09-11 | 2018-02-16 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
US20180335366A1 (en) * | 2017-05-19 | 2018-11-22 | Nutech Ventures | Detecting Faults in Wind Turbines |
JP2019061565A (ja) * | 2017-09-27 | 2019-04-18 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 異常診断方法および異常診断装置 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
WO2019160003A1 (ja) * | 2018-02-16 | 2019-08-22 | 日本電信電話株式会社 | モデル学習装置、モデル学習方法、プログラム |
-
2020
- 2020-04-22 CN CN202010319522.3A patent/CN111412978B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102702105A (zh) * | 2005-12-30 | 2012-10-03 | Ambrx公司 | 含有非天然氨基酸和多肽的组合物、涉及非天然氨基酸和多肽的方法以及非天然氨基酸和多肽的用途 |
CN101059130A (zh) * | 2007-03-07 | 2007-10-24 | 江苏工业学院 | 往复压缩机在线远程状态监测与故障分析诊断系统 |
US8371157B2 (en) * | 2007-04-09 | 2013-02-12 | Bg Soflex Llc. | Engine position tracking for internal combustion engines |
CN101266189A (zh) * | 2008-05-07 | 2008-09-17 | 上海理工大学 | 一种结构低频振动无线巡查星形网络的构建方法 |
CN201828333U (zh) * | 2010-07-09 | 2011-05-11 | 华北电力大学 | 汽轮发电机组振动键相信号预处理电路 |
CN104863840A (zh) * | 2015-03-16 | 2015-08-26 | 北京化工大学 | 一种基于emd-pca的往复压缩机智能诊断方法 |
CN105628381A (zh) * | 2016-01-13 | 2016-06-01 | 东北石油大学 | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
US20180335366A1 (en) * | 2017-05-19 | 2018-11-22 | Nutech Ventures | Detecting Faults in Wind Turbines |
CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN107702922A (zh) * | 2017-09-11 | 2018-02-16 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
JP2019061565A (ja) * | 2017-09-27 | 2019-04-18 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 異常診断方法および異常診断装置 |
WO2019160003A1 (ja) * | 2018-02-16 | 2019-08-22 | 日本電信電話株式会社 | モデル学習装置、モデル学習方法、プログラム |
Non-Patent Citations (1)
Title |
---|
张译丹 等: "往复压缩机连杆小头轴瓦磨损建模仿真与监测诊断方法研究", 《自动化技术与应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861272A (zh) * | 2020-07-31 | 2020-10-30 | 西安交通大学 | 一种基于多源数据的复杂机电系统异常状态检测方法 |
CN112284428A (zh) * | 2020-09-15 | 2021-01-29 | 北京化工大学 | 活塞发动机曲轴停机相位在线监测方法 |
CN112814886A (zh) * | 2020-12-06 | 2021-05-18 | 北京化工大学 | 一种往复压缩机信号的无键相角域周期分割方法 |
CN112798290A (zh) * | 2020-12-25 | 2021-05-14 | 北京化工大学 | 基于频谱重构误差的燃气轮机异常状态监测方法 |
CN112706901A (zh) * | 2020-12-31 | 2021-04-27 | 华南理工大学 | 一种半潜船主推进系统半监督故障诊断方法 |
CN112706901B (zh) * | 2020-12-31 | 2022-04-22 | 华南理工大学 | 一种半潜船主推进系统半监督故障诊断方法 |
CN112816195A (zh) * | 2021-01-04 | 2021-05-18 | 安徽容知日新科技股份有限公司 | 往复式机械设备故障诊断方法及装置 |
CN112966632B (zh) * | 2021-03-19 | 2023-12-12 | 浙江中自庆安新能源技术有限公司 | 一种基于振动信号图像化的故障识别方法及系统 |
CN112966632A (zh) * | 2021-03-19 | 2021-06-15 | 浙江中自庆安新能源技术有限公司 | 一种基于振动信号图像化的故障识别方法及系统 |
CN113239970A (zh) * | 2021-04-16 | 2021-08-10 | 首钢集团有限公司 | 一种模型训练方法、设备振动异常检测方法和装置 |
CN113344099A (zh) * | 2021-06-22 | 2021-09-03 | 华中科技大学 | 一种基于变分自编码器的机械设备退化点识别方法和系统 |
RU2774697C1 (ru) * | 2022-01-16 | 2022-06-21 | Общество с ограниченной ответственностью "ГТЛАБ Диагностика" | Способ вибродиагностики для определения степени и скорости развития зарождающихся дефектов промышленного оборудования |
CN114922806A (zh) * | 2022-04-27 | 2022-08-19 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
CN114922806B (zh) * | 2022-04-27 | 2023-11-24 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
CN114715752A (zh) * | 2022-06-08 | 2022-07-08 | 凯尔菱电(山东)电梯有限公司 | 用于电梯的异常检测方法及系统 |
CN115270895A (zh) * | 2022-09-27 | 2022-11-01 | 南通爱月机械科技有限公司 | 一种用于柴油机的故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111412978B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111412978B (zh) | 一种基于无故障振动信号的往复机械异常检测方法 | |
Shao et al. | Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery | |
CN110849626B (zh) | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 | |
CN110954312B (zh) | 一种基于无键相整周期信号的往复机械故障诊断方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN102507230B (zh) | 一种自动供输弹装置故障诊断方法 | |
CN111042917B (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
Xiong et al. | Multi-type diesel engines operating condition recognition method based on stacked auto-encoder and feature transfer learning | |
CN116481821A (zh) | 基于大数据分析管理的发动机故障预警方法及系统 | |
CN111795819B (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 | |
CN109236587A (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
CN110457979A (zh) | 基于张量Tucker分解模糊控制的柴油机故障诊断方法 | |
Lu et al. | Bearing fault diagnosis based on clustering and sparse representation in frequency domain | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
Liang et al. | Multi-sensor signals multi-scale fusion method for fault detection of high-speed and high-power diesel engine under variable operating conditions | |
CN112487709B (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
Duan et al. | Fault diagnosis of air compressor in nuclear power plant based on vibration observation window | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
Yang et al. | Intelligent diagnosis technology of wind turbine drive system based on neural network | |
Qi et al. | A new deep fusion network for automatic mechanical fault feature learning | |
CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
Li et al. | Transfer Diagnosis Model of Internal Combustion Engine with Embedded Vibration Signal Impact Decomposition | |
Tai et al. | Fault diagnosis of wave sensor based on wavelet packet and improved RBF neural network |
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 |