CN111721534B - 一种滚动轴承健康状态在线评估方法及系统 - Google Patents
一种滚动轴承健康状态在线评估方法及系统 Download PDFInfo
- Publication number
- CN111721534B CN111721534B CN202010557799.XA CN202010557799A CN111721534B CN 111721534 B CN111721534 B CN 111721534B CN 202010557799 A CN202010557799 A CN 202010557799A CN 111721534 B CN111721534 B CN 111721534B
- Authority
- CN
- China
- Prior art keywords
- fault
- rolling bearing
- sliding window
- graph model
- graph
- 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.)
- Active
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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开提出一种滚珠轴承健康状态在线评估方法及系统,通过基于局部均值分解得到的分量信号构建图模型,从多个尺度对信号进行分析,可以更好的反映信号的结构信息,提取到更加丰富的故障相关特征,提高了状态评估的准确性;同时通过构建图模型、计算异常分数,无需复杂的检测和分类算法,仅利用假设检验和K近邻算法即可完成包括故障检测和故障诊断在内的轴承健康状态评估,方法的计算复杂度较低,计算效率高,具有较好的实时性。
Description
技术领域
本公开属于轴承故障评估技术领域,尤其涉及一种滚动轴承健康状态在线评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
滚动轴承是许多领域机器中的关键部件,该部分的损坏会影响机器的正常运行过程,增加维护成本,甚至可能导致严重的人身伤亡;因此,对滚动轴承健康状态进行在线评估,以降低维护成本,确保工业系统的运行可靠性十分重要。
对于滚动轴承健康状态评估,传统方式采用人工听取轴承工作声音进行判断,这种方式主观因素对评估结果有很大影响,并且耗时耗力,很难确定具体故障类型;近年来,随着信号处理、数据挖掘以及人工智能的快速发展,基于数据驱动的方法在滚动轴承健康状态评估中的应用越来越广泛,根据提取的特征进行分类可分为:时域、频域和时频域方法;
发明人发现,对于时域方法来说,通常从信号当中提取方差、峭度、均方根值等特征,从数据分布出发,对机械信号进行动态描述,但是这种方式容易受到噪声干扰,鲁棒性不强;对于频域方法,通常对整段信号进行傅里叶变换,结合故障特征频率对得到的信号频谱进行分析,进行健康状态评估,然而机械信号是非平稳、非线性的,这种方式无法反映各频段信号出现的时间信息;时频域方法解决了频域方法的弊端,通常采用短时傅里叶变换、小波变换,可以获得原始信号的时频分布,然后对时频谱图进行分析提取特征,完成轴承的健康状态评估;时频域方法虽然相比频域方法,可以得到原始信号的时频信息,但是对于短时傅里叶变换,变换时窗口的大小固定,因此不能同时得到较高的时间分辨率和频率分辨率;对于小波变换,变换时需要指定基函数,基函数选取的好坏会影响最后的变换结果,进而影响最后的健康评估;因此,如何设计一种高效稳定、能够有效提取原始机械信号时频信息进行轴承健康状态在线评估的方法尤为重要。
发明内容
本公开为了解决上述问题,提出了一种滚动轴承健康状态评估方法及系统,基于轴承振动信号,提取其中的时频信息,构建数学模型,结合数据检验方法、模式识别技术,对轴承实现在线的早期故障检测和故障诊断。
根据本公开实施例的第一个方面,提供了一种滚动轴承健康状态评估方法,包括:
实时获取滚动轴承震动信号;
基于无重叠滑动窗的方式,对所述震动信号进行局部均值分解,获得若干分量信号;
对于每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;
针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障,并基于K近邻算法获得故障类别。
根据本公开实施例的第二个方面,提供了一种滚动轴承健康状态评估系统,包括:
数据采集模块,用于实时获取滚动轴承振动信号;
数据预处理模块,用于对所述震动信号进行局部均值分解,获得若干分量信号;
图模型构建模块,用于对每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;同时针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
故障检测模块,计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障;
故障诊断模块,用于检测到故障发生后,基于K近邻算法获得故障类别。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种滚动轴承健康状态评估方法。
根据本公开实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种滚动轴承健康状态评估方法。
与现有技术相比,本公开的有益效果是:
(1)通过基于局部均值分解(LMD)得到的分量信号构建图模型,从多个尺度对信号进行分析,可以更好的反映信号的结构信息,提取到更加丰富的故障相关特征,因此方法具有较高的鲁棒性。
(2)通过构建图模型、计算异常分数,无需复杂的检测和分类算法,仅利用假设检验和K近邻算法即可完成包括故障检测和故障诊断在内的轴承健康状态评估,方法的计算复杂度较低,计算效率高,具有较好的实时性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例一中所述的滚动轴承健康状态在线评估方法流程图;
图2为本公开实施例一中所述的原始信号的图模型建模示意图;
图3为本公开实施例一中所述的滑动窗内部建模示意图;
图4为本公开实施例一中所述的原始振动信号的图模型序列描述示意图;
图5为本公开实施例一中所述的滚动轴承故障检测结果示意图;
图6为本公开实施例一中所述的故障类别诊断示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
本实施例的目的是提供一种滚动轴承健康状态在线评估方法。
随着时频分析方法的不断发展,局部均值分解(LMD)方法的提出,有效弥补了传统短时傅里叶变换和小波变换存在的弊端,但是LMD将信号分解为多尺度的分量信号,不能直接用作数据特征。而图论作为一种新兴的建模方式,被广泛用于机械健康状态评估领域,可以有效压缩数据维度,并保持数据原有信息。因此,本发明提出一种基于图论和局部均值分解的滚动轴承健康状态在线评估方法,用于滚动轴承健康状态在线评估,可以完成轴承故障检测和故障诊断。方法首先采用局部均值分解(Local Mean Decomposition)对轴承机械信号分解,利用分解得到的信号分量,构建图模型(Graph)。计算相邻图模型之间的欧式距离,得到异常分数,对此异常分数基于6σ准则进行假设检验,判断轴承当前是否为异常状态。若出现异常,利用K近邻算法(KNN)对异常数据段进行识别,进行故障类型诊断;若没有出现异常,则继续对振动信号进行检测。
具体的,图1中展示了本公开所述方法的流程图,一种滚动轴承健康状态评估方法,包括:
实时获取滚动轴承震动信号;
基于无重叠滑动窗的方式,对所述震动信号进行局部均值分解,获得若干分量信号;
对于每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;
针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障,并基于K近邻算法获得故障类别。
进一步的,所述局部均值分解(LMD)作为一种自适应分解方法,可以用于处理非平稳、非线性信号,它自适应地将原始信号分解为一系列具有物理意义的分量信号,直观的反映信号在不同尺度下的能量分布和变化趋势;并且通过计算,还可以得到高时间分辨率和高频率分辨率的原始信号的时频分布;为获取信号的多尺度信息,本方法利用LMD对轴承振动信号进行了分解。
进一步的,所述图模型作为一种新兴建模方式,可以有效应用于机械健康状态评估领域;图模型(G)由一系列的节点(V)和边(L)组成,即G={V,L}。边(L)是由节点(V)两两连接得到,节点之间的距离指标通常作为权值赋予给相应的边;为借助图模型相关知识,提取信号的多尺度信息,本方法利用轴承振动信号分解得到的分量信号进行建模;由于局部均值过后得到的分量中排名靠后的分量基本为噪声分量,对整体信号影响不大,所以我们的方法只分析前五个分量;如图2所示,对原始信号以无重叠滑动窗的方式进行LMD,根据分解得到的PF分量进行图建模(针对不同的情况和要求,可以选取不同的PF数量用于建模,我们目前的实验采取前五个PF分量用于建模),每个滑动窗内部构建的图模型计算出一个均值图作为该窗内部信号的特征,这样原始信号就由一系列的图模型来进行动态描述;同时,我们给出了具体的建模过程,如图3所示,在滑动窗内部,记当前时刻为t,LMD得到的前五个分量信号在当前时刻的数据点分别为(PF1t,PF2t,PF3t,PF4t,PF5t),将其作为当前时刻图G的节点(v1,v2,v3,v4,v5),节点两两连接得到G的边(l12,l13,l14,...,l45);所得图模型节点个数为5,边数为10,每条边lij的权重dij通过计算节点i和节点j之间的欧式距离得到,即dij=|vi-vj|;因此所构建的图模型可以表示为5×5的邻接矩阵形式:
每个滑动窗内部的图计算出一个均值图,计算公式图下:
因此,如图4所示,原始振动信号X={x1,x2,...,xt}就被表示为一系列的图G(每个图G对它所在的滑动窗内的信号进行动态描述),用以对滚动轴承进行动态描述。
进一步的,所述异常分数计算,对于上一步得到的图模型,其结构为5×5的邻接矩阵,不便于直接使用,所以我们需要根据它进一步计算异常分数,来反映原始振动信号的动态特征;该异常分数通过对得到的图模型序列计算欧式距离得到,具体计算公式如下:
进一步的,所述故障检测阶段,该步基于6σ准则,对计算得到的异常分数进行假设检验,进而进行故障检测;该步的理论依据时,对于服从同一分布的数据,99.9999998%的数据都处于6σ区间中,对于区间以外的数据,认为是异常点;其原假设和备择假设如下:
H0:|sh-μh-1|≤6σh-1,没有发生故障;
H1:|sh-μh-1|>6σh-1,发生故障;
其中μh-1和σh-1分别为t=h-1时刻之前,异常分数的均值和标准差;计算公式如下:
若H0成立,则当前点没有发生故障,继续执行之前步骤;若H1成立,则判断当前点发生了故障,执行接下来的步骤,对故障数据进行诊断;
在图5给出了利用该方法进行检测的例子,该图所示为利用本方法对轴承退化过程进行评估,成功检测到了轴承退化开始点。
进一步的,所述故障诊断,这一步我们用到了K近邻算法,K近邻算法是最简单的机器学习算法之一,使用起来方便高效;该方法的思路是:在特征空间中,如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别,则该样本也属于这个类别;该步的示意图如图6所示,如果信号被检测到发生故障,需要对故障数据进行诊断,确定故障种类(比如内圈故障、外圈故障、滚动体故障等等以及损伤的程度);这一步我们首先计算故障数据段的均值图,作为故障数据段特征,然后利用K近邻算法进行分类。
本公开所述方案基于局部均值分解(LMD)得到的分量信号构建图模型,从多个尺度对信号进行分析,可以更好的反映信号的结构信息,提取到更加丰富的故障相关特征,因此方法具有较高的鲁棒性;本方法构建图模型、计算异常分数,无需复杂的检测和分类算法,仅利用假设检验和K近邻算法即可完成包括故障检测和故障诊断在内的轴承健康状态评估,方法的计算复杂度较低,计算效率高,具有较好的实时性。
实施例二:
本实施例的目的是提供一种滚动轴承健康状态在线评估系统。
一种滚动轴承健康状态评估系统,包括:
数据采集模块,用于实时获取滚动轴承振动信号;
数据预处理模块,用于对所述震动信号进行局部均值分解,获得若干分量信号;
图模型构建模块,用于对每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;同时针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
故障检测模块,计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障;
故障诊断模块,用于检测到故障发生后,基于K近邻算法获得故障类别。
进一步的,所述系统还包括告警模块,用于在检测到当前时间点发生故障时产生告警信息,并将故障类别输出到显示界面。
实施例三:
本实施例的目的是提供一种电子设备。
一种电子设备,包括振动信号采集设备、存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
实时获取滚动轴承震动信号;
基于无重叠滑动窗的方式,对所述震动信号进行局部均值分解,获得若干分量信号;
对于每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;
针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障,并基于K近邻算法获得故障类别。
实施例四:
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤,包括:
实时获取滚动轴承震动信号;
基于无重叠滑动窗的方式,对所述震动信号进行局部均值分解,获得若干分量信号;
对于每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;
针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障,并基于K近邻算法获得故障类别。
上述实施例提供的一种滚动轴承健康状态在线评估方法及系统完全可以实现,具有广阔应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种滚动轴承健康状态在线评估方法,其特征在于,包括:
实时获取滚动轴承振动信号;
基于无重叠滑动窗的方式,对所述振动信号进行局部均值分解,获得若干分量信号;所述无重叠滑动窗的偏移量为滑动窗的长度,确保相邻滑动窗之间没有重叠区域,通过所述无重叠滑动窗将原始振动信号以及获得的分量信号划分为不同区域;
对于每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;
针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障,并基于K近邻算法获得故障类别。
2.如权利要求1所述的一种滚动轴承健康状态在线评估方法,其特征在于,
所述局部均值分解用于自适应的将原始振动信号分解为若干分量信号,所述分量信号能够从不同尺度下反映原始振动信号的能量分布和变化趋势。
3.如权利要求1所述的一种滚动轴承健康状态在线评估方法,其特征在于,
所述图模型的构建的具体步骤为,将同一时刻不同分量信号的数据点作为图模型的节点,各节点间两两连接得到图模型的边,每条边的权重为两节点间的欧式距离,所述图模型通过邻接矩阵的形式进行表示。
6.一种滚动轴承健康状态在线评估系统,其特征在于,包括:
数据采集模块,用于实时获取滚动轴承振动信号;
数据预处理模块,用于基于无重叠滑动窗的方式对所述振动信号进行局部均值分解,获得若干分量信号;所述无重叠滑动窗的偏移量为滑动窗的长度,确保相邻滑动窗之间没有重叠区域,通过所述无重叠滑动窗将原始振动信号以及获得的分量信号划分为不同区域;
图模型构建模块,用于对每个滑动窗内的预设时间点,基于获得的分量信号进行图模型的构建;同时针对每个滑动窗内的所有图模型进行均值计算,获得均值图;
故障检测模块,计算所述图模型的异常分数,并对得到的异常分数进行假设检验,判断当前时间点是否发生故障;
故障诊断模块,用于检测到故障发生后,基于K近邻算法获得故障类别。
7.如权利要求6所述的一种滚动轴承健康状态在线评估系统,其特征在于,还包括告警模块,用于在检测到当前时间点发生故障时产生告警信息,并将故障类别输出到显示界面。
8.一种电子设备,其特征在于,包括振动信号采集设备、存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种滚动轴承健康状态在线评估方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5任一项所述的一种滚动轴承健康状态在线评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557799.XA CN111721534B (zh) | 2020-06-18 | 2020-06-18 | 一种滚动轴承健康状态在线评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010557799.XA CN111721534B (zh) | 2020-06-18 | 2020-06-18 | 一种滚动轴承健康状态在线评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111721534A CN111721534A (zh) | 2020-09-29 |
CN111721534B true CN111721534B (zh) | 2021-09-24 |
Family
ID=72567454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010557799.XA Active CN111721534B (zh) | 2020-06-18 | 2020-06-18 | 一种滚动轴承健康状态在线评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111721534B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932525B (zh) * | 2021-01-27 | 2023-04-07 | 山东大学 | 一种肺音异常智能诊断系统、介质及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002158438A (ja) * | 2000-11-20 | 2002-05-31 | Matsushita Electric Ind Co Ltd | 電子制御装置 |
CN104832418B (zh) * | 2015-05-07 | 2016-10-26 | 北京航空航天大学 | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 |
CN104931263B (zh) * | 2015-06-18 | 2016-10-12 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
CN109100142B (zh) * | 2018-06-26 | 2019-09-13 | 北京交通大学 | 一种基于图论的轴承半监督故障诊断方法 |
CN109238455B (zh) * | 2018-11-16 | 2019-12-03 | 山东大学 | 一种基于图论的旋转机械振动信号监测方法及系统 |
CN109858104B (zh) * | 2019-01-10 | 2022-09-02 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
CN110057588B (zh) * | 2019-05-09 | 2020-07-03 | 山东大学 | 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统 |
CN111275004B (zh) * | 2020-02-21 | 2022-10-11 | 电子科技大学 | 基于lmd和脉冲神经网络的轴承故障诊断方法 |
-
2020
- 2020-06-18 CN CN202010557799.XA patent/CN111721534B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111721534A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
Zhou et al. | Bearing fault recognition method based on neighbourhood component analysis and coupled hidden Markov model | |
Hou et al. | Interpretable online updated weights: Optimized square envelope spectrum for machine condition monitoring and fault diagnosis | |
EP2333629A1 (en) | Error detection method and system | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110795843A (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
Chen et al. | Detection of weak transient signals based on unsupervised learning for bearing fault diagnosis | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN111721534B (zh) | 一种滚动轴承健康状态在线评估方法及系统 | |
van den Hoogen et al. | An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis | |
CN115791174A (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
Zhang et al. | Graph neural network-based bearing fault diagnosis using Granger causality test | |
Yan et al. | Interpretable sparse learned weights and their entropy based quantification for online machine health monitoring | |
CN113051092B (zh) | 一种基于优化核密度估计和js散度的故障诊断方法 | |
Leoni et al. | Failure diagnosis of a compressor subjected to surge events: A data-driven framework | |
CN113792597A (zh) | 一种基于自监督特征提取的机械设备异常声音检测方法 | |
Mishra et al. | Hybrid models for rotating machinery diagnosis and prognosis: estimation of remaining useful life |
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 |