CN111680661A - 一种基于多特征融合的机械旋转部件性能退化跟踪方法 - Google Patents
一种基于多特征融合的机械旋转部件性能退化跟踪方法 Download PDFInfo
- Publication number
- CN111680661A CN111680661A CN202010567687.2A CN202010567687A CN111680661A CN 111680661 A CN111680661 A CN 111680661A CN 202010567687 A CN202010567687 A CN 202010567687A CN 111680661 A CN111680661 A CN 111680661A
- Authority
- CN
- China
- Prior art keywords
- mechanical rotating
- time
- characteristic
- features
- feature
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 65
- 230000015556 catabolic process Effects 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于多特征融合的机械旋转部件性能退化跟踪方法，它涉及一种机械旋转部件性能退化跟踪方法。本发明为了解决现有的性能退化跟踪方法不能全面准确的地刻画机械旋转部件的全部状态信息，无法为机械旋转部件性能退化提供有效参考数据的问题。本发明的步骤一：获取机械旋转部件退化数据；步骤二：从机械旋转部件的原始振动信号中提取多种特征；步骤三：计算提取得到的多种特征的相关性、单调性、鲁棒性和综合指标，筛选综合指标值最高的8项特征，构成敏感特征数据集；步骤四：构建LSTM网络，将步骤四中筛选的敏感特征数据集输入到LSTM网络，进行多特征融合获得融合特征LSTM‑HI，融合特征LSTM‑HI即为健康因子。本发明用于机械旋转部件性能退化跟踪。
Description
技术领域
本发明涉及一种机械旋转部件性能退化跟踪方法，具体涉及一种基于多特征融合的机械旋转部件性能退化跟踪方法。属于故障预测技术领域。
背景技术
随着材料科学和超微制造技术的发展，旋转机械在现代工业中扮演着越来越重要的作用。但是，旋转机械的性能总是会随着时间的流逝而退化，从而导致潜在的故障发生。旋转机械一旦发生故障，不仅会造成巨大的经济损失，还会导致灾难性的人员伤亡和严重的社会影响。
机械旋转部件通常是最容易发生故障的部件，据有关研究报道，在使用滚动轴承的旋转机械中，大约有30％的机械故障是由滚动轴承引起的；感应电机故障40％以上是由轴承故障引起的；在飞行器的总故障次数中，齿轮箱故障约占10.3％左右，而在齿轮箱的失效零件中，齿轮失效占60％左右。轴承和齿轮故障会引起转轴的不平衡振动，进一步诱发转轴故障，严重的甚至会造成转轴断裂事故。近几十年来，因机械旋转部件出现故障而造成的灾难性事故时有发生。1991年11月30日，兰州铁路局1479列货运火车因轴承质量问题，导致保持架破裂，进而轴承运转卡组至热切使列车发生脱轨，造成极大的社会影响。2014年8月19日，云南省昆明市某水泥公司原料磨循环风机发生轴承脱落事故，造成风机剧烈损坏，产生严重经济损失。2018年6月19日，某工厂水洗车间齿轮箱遇明火发生爆炸事故，当场造成两名工人受伤，其中一人为脸部烧伤。在武器装备应用中，有的装备(如万发炮等)短时间内机械旋转部件需转动上万次，极易发生故障。因此对轴承、转轴和齿轮等机械旋转部件开展性能退化跟踪研究具有重要意义。
对于机械旋转部件性能退化跟踪方法研究，可以改变传统故障维修模式，将事后维修策略转换为预防性维修策略，即故障发生前对机械旋转部件开展连续监测，追踪其全寿命周期内的退化过程，制定维护维修策略，合理安排组织生产，有效地防止机械设备异常失效的发生，避免造成经济损失与人员伤亡。此外，对于机械旋转部件性能退化跟踪方法研究有助于机械设备的实时性维护，降低设备维护成本，提升设备工作效率，增加经济效益。综上所述，开展对机械旋转部件性能退化跟踪研究，对于维护工业生产安全，增加工业产值，促进国民经济的发展具有重要的意义。
机械旋转部件的运行状态实时监测主要依靠安装大量的加速度传感器采集振动信号而实现。振动信号往往含有大量、丰富且有效的信息，因此，从原始振动信号中提取全面且有效的特征参数将成为进行机械旋转部件性能退化跟踪和故障预测方法研究的先决条件。现有的性能退化跟踪方法大多数只是基于一种特征参数，所表征的仅仅是旋转部件的部分状态信息，不能全面准确的地刻画机械旋转部件的全部状态信息。因此，研究基于多特征融合的机械旋转部件性能退化跟踪方法具有十分重要的现实意义。
发明内容
本发明的目的是为了解决现有的性能退化跟踪方法大多数只是基于一种特征参数，所表征的仅仅是旋转部件的部分状态信息，不能全面准确的地刻画机械旋转部件的全部状态信息，无法为机械旋转部件性能退化提供有效参考数据的问题。进而提供一种基于多特征融合的机械旋转部件性能退化跟踪方法。
本发明的技术方案是：一种基于多特征融合的机械旋转部件性能退化跟踪方法，它包括以下步骤：包括以下步骤：
包括以下步骤：
步骤一：获取机械旋转部件退化数据；
步骤二：从机械旋转部件的原始振动信号中提取多种特征；
步骤三：计算提取得到的多种特征的相关性、单调性、鲁棒性和综合指标，筛选综合指标值最高的8项特征，构成敏感特征数据集；
步骤四：构建LSTM网络，将步骤四中筛选的敏感特征数据集输入到LSTM网络，进行多特征融合获得融合特征LSTM-HI，融合特征LSTM-HI即为健康因子。
进一步地，步骤一中获取机械旋转部件退化数据的方式为：使用多个加速度传感器采集从机械旋转部件运行过程中的振动数据。
进一步地，步骤二中的原始振动信号中提取步骤如下：
步骤二一：从步骤一中获取的振动信号中提取11项时域特征；
步骤二二：从步骤一中获取的振动信号中提取频域特征；
步骤二三：计算时域特征和频域特征的RS特征，RS特征表示当前时间和初始时间之间数据序列的相似性度量；
步骤二四：提取振动信号的时频域特征，通过对振动信号进行三级小波包分解，获得8个频率子带能量比作为时频域特征，此外，从振动信号中提取近似熵、样本熵和模糊熵，也作为时频域特征。
进一步地，步骤二一中的11项时域特征分别为：均值、标准差、峰峰值、均方根和熵值这5个有量纲的时域特征指标，表示为P1～P5，以及偏斜度、峭度、波形指标、峰值指标、脉冲指标和裕度指标这6个无量纲的时域特征指标，表示为P6～P11。
进一步地，步骤二二中的频域特征为：
假设采样频率为25.6kHz，若将整个频谱划分为四个子带，那么整个频谱和四个子带频谱分别位于0-12.8kHz，0-3.2kHz，3.2-6.4kHz，6.4-9.6kHz和9.6-12.8kHz；因此，将整个频谱和四个子带频谱作为频域特征。
进一步地，步骤二三中的RS特征计算过程如下：
如果将时间t处的数据序列表示为ft，并将初始时间处的数据序列表示为f0，则通过以下方式计算RS特征：
其中，k代表数据序列的长度，
和
分别是
和
的平均值。
进一步地，步骤三中的敏感特征数据集构件步骤如下：
步骤三一：从步骤二共获得17项特征，所述17项特征包括1项时域特征的RS特征、5项频域特征的RS特征和11项时频域特征，其中11项时频域特征包括8项频率子带能量比、近似熵、样本熵和模糊熵，对这17项特征进行归一化处理；
步骤三二：为了选择与退化状态相关程度更高的特征，在信号的平稳趋势和随机余量的基础上，采取相关性、单调性和鲁棒性指标来表示退化特征评价标准，具体评价过程如下；
对于特征信号序列E＝[e(1),e(2),...,e(K)]，时间序列T＝[t1,t2,...,tK]，e(tk)表示在时间tk处对应的特征值，其中，K代表总的时间长度，首先用移动平均法将特征序列分为两部分，分别是平稳趋势项和随机余量项：
e(tk)＝eT(tk)+eR(tk)
式中，eT(tk)代表特征的平稳趋势部分，而eR(tk)则表示特征的随机余量部分；
E和T之间相关性指标记为Corr(E,T)，E的单调性指标和鲁棒性指标分别记为Mon(E)和Rob(E)，计算这三个评价指标的具体公式如下：
式中，δ(·)是一个简单的单位步阶函数，具体表示为：
步骤三三：以上三个指标的间隔为[0,1]，考虑到单个指标只能反映特征量在某一方面的特性，为了全面衡量所提出单特征量在表征机械旋转部件退化状态方面的性能，构造一个加权组合度量以融合以上三个度量，具体表示为：
J＝ω1Corr(E,T)+ω2Mon(E)+ω3Rob(E)
式中，ωi代表每个性能评价指标的重要性权值，由于单调趋势对剩余寿命预测的结果影响最大，因此，将相关性、单调性和鲁棒性的重要性权重分别设置为0.2、0.5和0.3，获得17项特征的综合指标后，选择其中最高的8项组成敏感特征集。
进一步地，步骤四中获得融合特征LSTM-HI包括训练步骤和测试步骤，其中，训练步骤和测试步骤具体如下：
步骤四一：训练步骤中，使用旋转部件的寿命样本来形成训练集
其中选择了xt∈RN*1在t时刻的N个特征，yt∈[0,1]是在时间t处轴承的退化百分比关联的标签，通过最小化成本函数来训练LSTM模型：
其中，
是LSTM模型的输出；yt是真实标签值；
步骤四二：测试步骤中，将测试集数据的选定特征直接输入经过训练的LSTM，以获得融合特征LSTM-HI，即基于多特征融合得到的健康因子。
本发明与现有技术相比具有以下效果：
1、本发明采用相关性、单调性和鲁棒性筛选多特征，获得对故障信息敏感的特征集。将敏感特征集输入LSTM模型训练，获得的融合特征LSTM-HI与时间保持一定的相关性、在时间轴上呈现出整体递增或递减的一致趋势，同时对异常值保持一定的鲁棒性。实验表明，本发明提出的基于多特征融合的机械旋转部件性能退化跟踪获得的融合特征LSTM-HI综合指标为0.519590，远高于其他17项特征的综合指标，这意味着融合特征LSTM-HI不仅在相关性、单调性和鲁棒性单独表现优异，同时又在故障预测的所有影响因素之间保持出色的平衡，较好地提升了机械旋转部件性能退化跟踪准确率。
2、本发明获得的健康因子LSTM-HI包含有大量有效且全面的故障信息：首先，可以描述时域振动信号幅值与能量的变化情况；其次，能够描述信号的振动能量与频率之间的分布状况，同时还能展现振动信号中的频率成分与不同频率成分的能量大小分布状况；最后，具有对数据依赖性小、结果稳定的特点，可以定量地描述数据信号的复杂程度。因此健康因子LSTM-HI能够准确地表征机械旋转部件性能退化过程。
附图说明
图1是本发明中机械旋转部件性能退化跟踪的流程图。
图2是训练集1-1的F2特征数据分布曲线。
图3是训练集轴承退化跟踪曲线。
图4是基于测试集1-3的LSTM-HI退化跟踪曲线。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于多特征融合的机械旋转部件性能退化跟踪方法，它包括以下步骤：
步骤一：获取机械旋转部件退化数据；
步骤二：从机械旋转部件的原始振动信号中提取多种特征；
步骤三：计算提取得到的多种特征的相关性、单调性、鲁棒性和综合指标，筛选综合指标值最高的8项特征，构成敏感特征数据集；
步骤四：构建LSTM网络，将步骤四中筛选的敏感特征数据集输入到LSTM网络，进行多特征融合获得融合特征LSTM-HI，融合特征LSTM-HI即为健康因子。
本实施方式的目标是从机械旋转部件的振动信号中提取多种时域、频域与时频域特征，并根据相关性、单调性和鲁棒性指标筛选特征，将筛选得到的多维特征集输入到LSTM深度学习模型中进行融合，获得融合特征LSTM-HI，实现机械旋转部件性能退化跟踪，提高机械旋转部件性能退化跟踪的实时性与准确性。
具体实施方式二：结合图1说明本实施方式，本实施方式的步骤一中三维模型的参数化网格划分的步骤如下：
步骤一中获取机械旋转部件退化数据的方式为：使用多个加速度传感器采集从机械旋转部件运行过程中振动数据。
如此设置，可以获得机械旋转部件的实际退化数据，应用于后续的性能退化跟踪提供数据支持。其它组成和连接关系与具体实施方式一相同。
具体实施方式三：结合图1说明本实施方式，本实施方式的步骤二中的原始振动信号中提取步骤如下：
步骤二一：从步骤一中获取的振动信号中提取11项时域特征；
步骤二二：从步骤一中获取的振动信号中提取频域特征；
步骤二三：计算时域特征和频域特征的RS特征，RS特征表示当前时间和初始时间之间数据序列的相似性度量；
步骤二四：提取振动信号的时频域特征，通过对振动信号进行三级小波包分解，获得8个频率子带能量比作为时频域特征，此外，从振动信号中提取近似熵、样本熵和模糊熵，也作为时频域特征。
如此设置，能够获得多维时频域特征，这些对数据依赖性小、结果稳定，可以定量地描述数据信号的复杂程度。其它组成和连接关系与具体实施方式一或二相同。
具体实施方式四：结合图1说明本实施方式，本实施方式的步骤二一中的11项时域特征分别为：均值、标准差、峰峰值、均方根和熵值这5个有量纲的时域特征指标，表示为P1～P5，以及偏斜度、峭度、波形指标、峰值指标、脉冲指标和裕度指标这6个无量纲的时域特征指标，表示为P6～P11。
如此设置，可以获取机械旋转部件振动信号的时域特征，表征时域振动信号幅值与能量的变化情况，此外，为后续的多特征融合提供数据支持。其它组成和连接关系与具体实施方式一、二或三相同。
具体实施方式五：结合图1说明本实施方式，本实施方式的步骤二二中的频域特征为：
假设采样频率为25.6kHz，若将整个频谱划分为四个子带，那么整个频谱和四个子带频谱分别位于0-12.8kHz，0-3.2kHz，3.2-6.4kHz，6.4-9.6kHz和9.6-12.8kHz；因此，将整个频谱和四个子带频谱作为频域特征。
如此设置，可以获取机械旋转部件振动信号的频域特征，这些特征能够描述信号的振动能量与频率之间的分布状况，同时还能展现振动信号中的频率成分与不同频率成分的能量大小分布状况。此外，为后续的多特征融合提供数据支撑，其它组成和连接关系与具体实施方式一、二、三或四相同。
具体实施方式六：结合图1说明本实施方式，本实施方式的步骤二三中的RS特征计算过程如下：
如果将时间t处的数据序列表示为ft，并将初始时间处的数据序列表示为f0，则通过以下方式计算RS特征：
其中，k代表数据序列的长度，
和
分别是
和
的平均值。
如此设置，可以计算得到时域、频域特征的RS特征，可以表示当前时间和初始时间之间数据序列的相似性度量，参与后续的多特征融合。其它组成和连接关系与具体实施方式一、二、三、四或五相同。
具体实施方式七：结合图1说明本实施方式，本实施方式的步骤三中的敏感特征数据集构件步骤如下：
步骤三一：从步骤二共获得17项特征，所述17项特征包括1项时域特征的RS特征、5项频域特征的RS特征和11项时频域特征，其中11项时频域特征包括8项频率子带能量比、近似熵、样本熵和模糊熵。因为这17项特征量纲不同而且数值相差较大，所以对特征进行归一化处理，规范到[0,1]之间；
步骤三二：为了选择与退化状态相关程度更高的特征，在信号的平稳趋势和随机余量的基础上，采取相关性、单调性和鲁棒性指标来表示退化特征评价标准，具体评价过程如下；
对于特征信号序列E＝[e(1),e(2),...,e(K)]，时间序列T＝[t1,t2,...,tK]，e(tk)表示在时间tk处对应的特征值，其中，K代表总的时间长度，首先用移动平均法将特征序列分为两部分，分别是平稳趋势项和随机余量项：
e(tk)＝eT(tk)+eR(tk)
式中，eT(tk)代表特征的平稳趋势部分，而eR(tk)则表示特征的随机余量部分；
E和T之间相关性指标记为Corr(E,T)，E的单调性指标和鲁棒性指标分别记为Mon(E)和Rob(E)，计算这三个评价指标的具体公式如下：
式中，δ(·)是一个简单的单位步阶函数，具体表示为：
步骤三三：以上三个指标的间隔为[0,1]，考虑到单个指标只能反映特征量在某一方面的特性，为了全面衡量所提出单特征量在表征机械旋转部件退化状态方面的性能，构造一个加权组合度量以融合以上三个度量，具体表示为：
J＝ω1Corr(E,T)+ω2Mon(E)+ω3Rob(E)
式中，ωi代表每个性能评价指标的重要性权值，由于单调趋势对剩余寿命预测的结果影响最大，因此，将相关性、单调性和鲁棒性的重要性权重分别设置为0.2、0.5和0.3，获得17项特征的综合指标后，选择其中最高的8项组成敏感特征集。
如此设置，可以为特征筛选提供数据支持，从17项特征参数中筛选出敏感特征集，排除冗余且无用的特征，能够更好地表征机械旋转部件性能退化过程，其它组成和连接关系与具体实施方式一、二、三、四、五或六相同。
具体实施方式八：结合图1说明本实施方式，本实施方式的步骤四中获得融合特征LSTM-HI包括训练步骤和测试步骤，其中，训练步骤和测试步骤具体如下：
步骤四一：训练步骤中，使用旋转部件的寿命样本来形成训练集
其中选择了xt∈RN*1在t时刻的N个特征，yt∈[0,1]是在时间t处轴承的退化百分比关联的标签，例如，假设轴承的故障时间为2800s，当前检查点为1400s，那么标签yt＝0.5，因此，通过最小化成本函数来训练LSTM模型：
其中，
是LSTM模型的输出；yt是真实标签值；
步骤四二：测试步骤中，将测试集数据的选定特征直接输入经过训练的LSTM，以获得融合特征LSTM-HI，即基于多特征融合得到的健康因子。
如此设置，训练步骤可以克服现有技术中需要人为确定失效阈值的缺点。0表示初始状态，此时的机械旋转部件完全健康，1表示失效状态，即机械旋转部件以及完全退化失效，这样失效阈值设置为1，排除人为判定失效阈值的偶然性干扰。机器学习中受随机权重和偏置初值的影响，每次训练获得的模型均不相同，测试步骤中直接将数据输入已训练好的模型，无需重复训练，保证了实验的一致性，有效地排除其他因素干扰。
其它组成和连接关系与具体实施方式一、二、三、四、五、六或七相同。
本发明的实施例：
在机械系统性能退化领域，IEEE组织PHM挑战赛获得的数据集是领域内最具权威性的数据集之一。因此，本发明选择使用IEEE PHM 2012挑战赛的滚动轴承数据集作为研究对象进行仿真验证。
IEEE PHM 2012挑战赛所用的PRONOSTIA试验台主要包括三个部分：
(1)旋转部分。旋转部分主要包括电机、加速器、齿轮箱以及一系列轴承。同步电机的功率可达到1.1KW，运行速度的范围为0-6000rpm。电机的转动通过转轴和联轴器传递到轴承上，试验中的滚动轴承型号是NSK6307DU。
(2)加载部分。通过不断地增加轴承的径向载荷直至达到轴承的最大额定载荷，达到加速轴承衰退的目的，进而极大地缩短了其寿命周期。
(3)测量部分。通过安装在轴承上的速度传感器和扭矩传感器可以实现轴承运行环境的实时监测，试验者可以通过观察传感器显示的数据了解试验台在每一时刻的运行状态。另外，温度传感器和加速度传感器主要用来测量轴承的两种不同类型的状态指标。
试验中的有两个高频加速度传感器(DYTRN 30358)分别安装在轴承的外圈表面，分别用来测量轴承水平方向和垂直方向的加速度。加速度传感器在使用过程中，其采样频率被设置为25.6kHz，采样间隔为10s，每次采样时长为0.1s，即每次采样可得到2560个加速度数据点。温度传感器(PT100)安装在加速度传感器附近，也是在接近轴承外圈表面的位置，其采样频率固定为10Hz，采样类型是连续采样。数据采集卡(NI DAQCard-9174)主要包括三个模块，分别用于两个加速度传感器、温度探针以及扭矩传感器。
表1 PRONOSTIA试验台工况信息
表2 PRONOSTIA试验台轴承信息
表1列出了PRONOSTIA试验台的三种工况信息。表2表示了所有加速寿命试验结束时收集到的17组滚动轴承的全寿命周期振动数据信息。
根据步骤二获得11个时域特征(均方根值、熵值和脉冲指标等)、5个频域特征(整个频谱和四个四个子带频谱)、8个三级小波包分解能量比、近似熵、样本熵、模糊熵。然后RS特征公式计算时域特征的RS特征，标记为F1；计算频域特征的RS特征，标记为F2-F6；8个三级小波包分解能量比标记为F7-F14；近似熵、样本熵、模糊熵标记为F15-F17。接下来对这些17个特征进行归一化处理。图2中显示了测试集轴承1-1的特征F2，在图中可以看到曲线随轴承的退化呈现出明显的下降趋势。
为了筛选敏感特征数据集，特征F1-F17的相关系数、单调系数、鲁棒系数和综合指标，训练集轴承1-1的相关标如表3所示。选取综合指标最高的8项特征组成筛选特征数据集进行特征融合。从表3发现，F2、F3、F5、F6、F7、F10、F16和F17的综合指标值高于剩下11项特征，因此选取这八个特征作为敏感特征数据集
从表3可以看出，融合特征LSTM-HI的综合指标为0.526879，远远高于F1-F17的综合指标。此外，相关性、单调性和鲁棒性这三个具体指标，训练集轴承1-1的融合特征LSTM-HI也都具有很高的数值。这意味着它可以在故障预测的所有影响因素之间保持出色的平衡，可以用来进行轴承的性能退化跟踪。
表3轴承1-1特征参数评价指标
接下来，将这些筛选得到的敏感特征集输入到LSTM模型中以获得LSTM-HI。六个训练集轴承1-1、1-2、2-1、2-2、3-1和3-2的融合特征LSTM-HI曲线如图3所示。从图中可以看出，六个训练集均保持近似直线的上升趋势，同时因为训练集轴承数据都是全寿命周期数据而且训练集的融合特征最终值均为1，可以由此判定失效阈值为1。
测试阶段，选取测试集轴承1-3进行结果展示。测试集轴承1-3融合特征LSTM-HI曲线如图4所示，相关特征评价指标则如表4所示。
从实验结果可以发现，17个特征与LSTM-HI的鲁棒性都很好，因为它们的值接近1。其中，F1和LSTM-HI分别为0.984826和0.983333，优于其他特征，这意味着它们对异常值具有鲁棒性。值得注意的是，LSTM-HI的单调指标为0.065519，在单调性上具有最高性能，因此，它适用于轴承的连续退化跟踪。此外，F7、F10和LSTM-HI的相关性指标分别为0.960956、0.965028和0.959153远高于其他特征，这表示它们与时间保持极高的相关性。
表5轴承1-3特征参数评价指标
综上所述，LSTM-HI在加权组合度量上具有最高的值为0.519590，这意味着它可以在故障预测的所有影响因素之间保持出色的平衡，即LSTM-HI的相关性、单调性以及鲁棒性指标均有较高的参数，不存在某一指标表现极差的情况。由此证明，融合特征LSTM-HI可以更加完善具体的表征实验轴承退化过程，从而能够制定维护维修策略，合理安排组织生产，有针对性的防范机械设备产生异常故障，避免造成经济损失与人员伤亡。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：它包括以下步骤：
步骤一：获取机械旋转部件退化数据；
步骤二：从机械旋转部件的原始振动信号中提取多种特征；
步骤三：计算提取得到的多种特征的相关性、单调性、鲁棒性和综合指标，筛选综合指标值最高的8项特征，构成敏感特征数据集；
步骤四：构建LSTM网络，将步骤四中筛选的敏感特征数据集输入到LSTM网络，进行多特征融合获得融合特征LSTM-HI，融合特征LSTM-HI即为健康因子。
2.根据权利要求1所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤一中获取机械旋转部件退化数据的方式为：使用多个加速度传感器采集从机械旋转部件运行过程中的振动数据。
3.根据权利要求2所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤二中的原始振动信号中提取步骤如下：
步骤二一：从步骤一中获取的振动信号中提取11项时域特征；
步骤二二：从步骤一中获取的振动信号中提取频域特征；
步骤二三：计算时域特征和频域特征的RS特征，RS特征表示当前时间和初始时间之间数据序列的相似性度量；
步骤二四：提取振动信号的时频域特征，通过对振动信号进行三级小波包分解，获得8个频率子带能量比作为时频域特征，此外，从振动信号中提取近似熵、样本熵和模糊熵，也作为时频域特征。
4.根据权利要求3所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤二一中的11项时域特征分别为：均值、标准差、峰峰值、均方根和熵值这5个有量纲的时域特征指标，表示为P1～P5，以及偏斜度、峭度、波形指标、峰值指标、脉冲指标和裕度指标这6个无量纲的时域特征指标，表示为P6～P11。
5.根据权利要求4所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤二二中的频域特征为：
假设采样频率为25.6kHz，若将整个频谱划分为四个子带，那么整个频谱和四个子带频谱分别位于0-12.8kHz，0-3.2kHz，3.2-6.4kHz，6.4-9.6kHz和9.6-12.8kHz；因此，将整个频谱和四个子带频谱作为频域特征。
6.根据权利要求5所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤二三中的RS特征计算过程如下：
如果将时间t处的数据序列表示为ft，并将初始时间处的数据序列表示为f0，则通过以下方式计算RS特征：
其中，k代表数据序列的长度，
和
分别是
和{ft i}i＝1,2,...,k的平均值。
7.根据权利要求6所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤三中的敏感特征数据集构件步骤如下：
步骤三一：从步骤二共获得17项特征，所述17项特征包括1项时域特征的RS特征、5项频域特征的RS特征和11项时频域特征，其中11项时频域特征包括8项频率子带能量比、近似熵、样本熵和模糊熵，对这17项特征进行归一化处理；
步骤三二：为了选择与退化状态相关程度更高的特征，在信号的平稳趋势和随机余量的基础上，采取相关性、单调性和鲁棒性指标来表示退化特征评价标准，具体评价过程如下；
对于特征信号序列E＝[e(1),e(2),...,e(K)]，时间序列T＝[t1,t2,...,tK]，e(tk)表示在时间tk处对应的特征值，其中，K代表总的时间长度，首先用移动平均法将特征序列分为两部分，分别是平稳趋势项和随机余量项：
e(tk)＝eT(tk)+eR(tk)
式中，eT(tk)代表特征的平稳趋势部分，而eR(tk)则表示特征的随机余量部分；
E和T之间相关性指标记为Corr(E,T)，E的单调性指标和鲁棒性指标分别记为Mon(E)和Rob(E)，计算这三个评价指标的具体公式如下：
式中，δ(·)是一个简单的单位步阶函数，具体表示为：
步骤三三：以上三个指标的间隔为[0,1]，考虑到单个指标只能反映特征量在某一方面的特性，为了全面衡量所提出单特征量在表征机械旋转部件退化状态方面的性能，构造一个加权组合度量以融合以上三个度量，具体表示为：
J＝ω1Corr(E,T)+ω2Mon(E)+ω3Rob(E)
式中，ωi代表每个性能评价指标的重要性权值，由于单调趋势对剩余寿命预测的结果影响最大，因此，将相关性、单调性和鲁棒性的重要性权重分别设置为0.2、0.5和0.3，获得17项特征的综合指标后，选择其中最高的8项组成敏感特征集。
8.根据权利要求7所述的一种基于多特征融合的机械旋转部件性能退化跟踪方法，其特征在于：步骤四中获得融合特征LSTM-HI包括训练步骤和测试步骤，其中，训练步骤和测试步骤具体如下：
步骤四一：训练步骤中，使用旋转部件的寿命样本来形成训练集
其中选择了xt∈RN*1在t时刻的N个特征，yt∈[0,1]是在时间t处轴承的退化百分比关联的标签，通过最小化成本函数来训练LSTM模型：
其中，
是LSTM模型的输出；yt是真实标签值；
步骤四二：测试步骤中，将测试集数据的选定特征直接输入经过训练的LSTM，以获得融合特征LSTM-HI，即基于多特征融合得到的健康因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010567687.2A CN111680661A (zh) | 2020-06-19 | 2020-06-19 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010567687.2A CN111680661A (zh) | 2020-06-19 | 2020-06-19 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111680661A true CN111680661A (zh) | 2020-09-18 |
Family
ID=72436607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010567687.2A Pending CN111680661A (zh) | 2020-06-19 | 2020-06-19 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680661A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112075940A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨工业大学 | 一种基于双向长短时记忆神经网络的震颤检测系统 |
| CN112232404A (zh) * | 2020-10-13 | 2021-01-15 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
| CN112365935A (zh) * | 2020-10-20 | 2021-02-12 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
| CN112380932A (zh) * | 2020-11-02 | 2021-02-19 | 上海三菱电梯有限公司 | 振动信号特征值选择方法及电梯健康状态评估或故障诊断方法 |
| CN112597705A (zh) * | 2020-12-28 | 2021-04-02 | 哈尔滨工业大学 | 一种基于scvnn的多特征健康因子融合方法 |
| CN112699790A (zh) * | 2020-12-28 | 2021-04-23 | 哈尔滨工业大学 | 一种基于ceemd-cc的单特征健康因子提取方法 |
| CN112816191A (zh) * | 2020-12-28 | 2021-05-18 | 哈尔滨工业大学 | 一种基于sdrsn的多特征健康因子融合方法 |
| CN113033881A (zh) * | 2021-03-08 | 2021-06-25 | 沈阳大学 | 一种滚动轴承剩余寿命预测方法 |
| CN113092112A (zh) * | 2021-03-30 | 2021-07-09 | 北京工业大学 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
| CN113155453A (zh) * | 2021-01-08 | 2021-07-23 | 沈阳大学 | 一种多特征融合评估预测轴承性能寿命方法 |
| CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
| CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
| CN113670616A (zh) * | 2021-09-03 | 2021-11-19 | 苏州大学 | 一种轴承性能退化状态检测方法及系统 |
| CN115310490A (zh) * | 2022-08-17 | 2022-11-08 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
| CN115901249A (zh) * | 2022-11-07 | 2023-04-04 | 昆明理工大学 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
| CN116296377A (zh) * | 2023-05-10 | 2023-06-23 | 北京奔驰汽车有限公司 | 工业机器人的rv减速器故障预测方法及装置 |
| CN116399589A (zh) * | 2023-03-29 | 2023-07-07 | 哈尔滨理工大学 | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
| CN117780679A (zh) * | 2024-02-26 | 2024-03-29 | 无锡精恩风机有限公司 | 一种离心风机故障诊断方法及在线监测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
| CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
| CN106934126A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
| CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
| CN108398265A (zh) * | 2018-01-15 | 2018-08-14 | 上海电力学院 | 一种滚动轴承在线故障检测方法 |
| CN109187025A (zh) * | 2018-09-19 | 2019-01-11 | 哈尔滨理工大学 | 一种集成kelm的滚动轴承剩余使用寿命预测方法 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN111291918A (zh) * | 2020-01-06 | 2020-06-16 | 东南大学 | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 |
-
2020
- 2020-06-19 CN CN202010567687.2A patent/CN111680661A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
| CN105975749A (zh) * | 2016-04-28 | 2016-09-28 | 上海交通大学 | 一种轴承健康评估与预测的方法及系统 |
| CN106934126A (zh) * | 2017-02-28 | 2017-07-07 | 西安交通大学 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
| CN108398265A (zh) * | 2018-01-15 | 2018-08-14 | 上海电力学院 | 一种滚动轴承在线故障检测方法 |
| CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
| CN109187025A (zh) * | 2018-09-19 | 2019-01-11 | 哈尔滨理工大学 | 一种集成kelm的滚动轴承剩余使用寿命预测方法 |
| CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
| CN111291918A (zh) * | 2020-01-06 | 2020-06-16 | 东南大学 | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| GANGJIN HUANG 等: "A Reliable Prognosis Approach for Degradation Evaluation of Rolling Bearing Using MCLSTM", 《SENSORS》 * |
| JINGLI YANG 等: "Failure Prediction of the Rotating Machinery Based on CEEMDAN-ApEn Feature and AR-UKF Model", 《APPLIED SCIENCES》 * |
| YONGBO LI 等: "The Entropy Algorithm and Its Variants in the Fault Diagnosis of Rotating Machinery: A Review", 《IEEE ACCESS》 * |
| 孙占民 等: "基于改进基本尺度熵的轴承退化特征分析方法研究", 《机电工程》 * |
| 柏林 等: "基于状态追踪特征相空间重构的轴承寿命预测方法", 《振动与冲击》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112075940A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨工业大学 | 一种基于双向长短时记忆神经网络的震颤检测系统 |
| CN112232404A (zh) * | 2020-10-13 | 2021-01-15 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
| CN112232404B (zh) * | 2020-10-13 | 2023-12-22 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
| CN112365935A (zh) * | 2020-10-20 | 2021-02-12 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
| CN112365935B (zh) * | 2020-10-20 | 2022-08-30 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
| CN112380932A (zh) * | 2020-11-02 | 2021-02-19 | 上海三菱电梯有限公司 | 振动信号特征值选择方法及电梯健康状态评估或故障诊断方法 |
| CN112816191B (zh) * | 2020-12-28 | 2022-07-29 | 哈尔滨工业大学 | 一种基于sdrsn的多特征健康因子融合方法 |
| CN112597705A (zh) * | 2020-12-28 | 2021-04-02 | 哈尔滨工业大学 | 一种基于scvnn的多特征健康因子融合方法 |
| CN112597705B (zh) * | 2020-12-28 | 2022-05-24 | 哈尔滨工业大学 | 一种基于scvnn的多特征健康因子融合方法 |
| CN112816191A (zh) * | 2020-12-28 | 2021-05-18 | 哈尔滨工业大学 | 一种基于sdrsn的多特征健康因子融合方法 |
| CN112699790A (zh) * | 2020-12-28 | 2021-04-23 | 哈尔滨工业大学 | 一种基于ceemd-cc的单特征健康因子提取方法 |
| CN113155453A (zh) * | 2021-01-08 | 2021-07-23 | 沈阳大学 | 一种多特征融合评估预测轴承性能寿命方法 |
| CN113155453B (zh) * | 2021-01-08 | 2023-11-07 | 沈阳大学 | 一种多特征融合评估预测轴承性能寿命方法 |
| CN113033881A (zh) * | 2021-03-08 | 2021-06-25 | 沈阳大学 | 一种滚动轴承剩余寿命预测方法 |
| CN113033881B (zh) * | 2021-03-08 | 2024-03-29 | 沈阳大学 | 一种滚动轴承剩余寿命预测方法 |
| CN113092112A (zh) * | 2021-03-30 | 2021-07-09 | 北京工业大学 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
| CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
| CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
| CN113670616A (zh) * | 2021-09-03 | 2021-11-19 | 苏州大学 | 一种轴承性能退化状态检测方法及系统 |
| CN115310490B (zh) * | 2022-08-17 | 2024-03-29 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
| CN115310490A (zh) * | 2022-08-17 | 2022-11-08 | 中国核动力研究设计院 | 基于多域特征与敏感特征选择的旋转设备故障分析方法 |
| CN115901249A (zh) * | 2022-11-07 | 2023-04-04 | 昆明理工大学 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
| CN115901249B (zh) * | 2022-11-07 | 2024-02-27 | 昆明理工大学 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
| CN116399589B (zh) * | 2023-03-29 | 2024-01-12 | 哈尔滨理工大学 | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
| CN116399589A (zh) * | 2023-03-29 | 2023-07-07 | 哈尔滨理工大学 | 基于rcmwe的滚动轴承微弱信号特征提取方法 |
| CN116296377A (zh) * | 2023-05-10 | 2023-06-23 | 北京奔驰汽车有限公司 | 工业机器人的rv减速器故障预测方法及装置 |
| CN117780679A (zh) * | 2024-02-26 | 2024-03-29 | 无锡精恩风机有限公司 | 一种离心风机故障诊断方法及在线监测系统 |
| CN117780679B (zh) * | 2024-02-26 | 2024-05-03 | 无锡精恩风机有限公司 | 一种离心风机故障诊断方法及在线监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680661A (zh) | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 | |
| JP6397330B2 (ja) | ドライブトレイン、ギアボックス、発電機などの回転機械の残存耐用年数を測定 | |
| JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
| CN102262215B (zh) | 一种大型发电机定转子气隙偏心故障检测方法 | |
| Walker et al. | Unbalance localization through machine nonlinearities using an artificial neural network approach | |
| WO2011024304A1 (ja) | 風車の監視装置及び方法並びにプログラム | |
| KR20110005893A (ko) | 기어박스의 모델 기반 진단을 위한 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
| KR20070012680A (ko) | 구름 베어링의 잔여수명 진단방법 및 이 잔여수명진단장치 | |
| CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
| Wilkinson et al. | Towards the zero maintenance wind turbine | |
| CN114971351A (zh) | 一种基于熵值法的设备多指标健康状况评估方法 | |
| CN114184956A (zh) | 一种基于大数据管理的服役风力发电机组故障预测方法 | |
| Li et al. | A spectral self-focusing fault diagnosis method for automotive transmissions under gear-shifting conditions | |
| CN113221261B (zh) | 一种航空传动系统振动限制值的制定方法 | |
| Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
| CN114295367A (zh) | 一种风电机组齿轮箱工况在线监测方法 | |
| Carroll et al. | Availability improvements from condition monitoring systems and performance based maintenance contracts | |
| Di Lorenzo et al. | Structural Health Monitoring strategies based on the estimation of modal parameters | |
| CN114021288B (zh) | 一种风电机组偏航轴承寿命预测的方法 | |
| Shen et al. | Vibration fault detection of vehicle transmission gearbox based on time-frequency analysis of non-stationary signals | |
| Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
| CN111075661B (zh) | 基于温度变化趋势判断风电机组主轴轴承健康状况的方法 | |
| CN115048960A (zh) | 一种设备状态检测方法 | |
| CN107505125A (zh) | 滚动直线导轨副可靠性加速试验方法 | |
| CN111695391B (zh) | 一种基于近似序列熵的滚珠轴承故障实时检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |