CN111811642A - 一种挖掘机发动机的故障检测方法及故障检测装置 - Google Patents

一种挖掘机发动机的故障检测方法及故障检测装置 Download PDF

Info

Publication number
CN111811642A
CN111811642A CN202010713903.XA CN202010713903A CN111811642A CN 111811642 A CN111811642 A CN 111811642A CN 202010713903 A CN202010713903 A CN 202010713903A CN 111811642 A CN111811642 A CN 111811642A
Authority
CN
China
Prior art keywords
vibration signal
component
signal component
fault detection
determining
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
CN202010713903.XA
Other languages
English (en)
Other versions
CN111811642B (zh
Inventor
刘英豪
徐智颖
王彦森
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.)
Sany Heavy Machinery Ltd
Original Assignee
Sany Heavy Machinery 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 Sany Heavy Machinery Ltd filed Critical Sany Heavy Machinery Ltd
Priority to CN202010713903.XA priority Critical patent/CN111811642B/zh
Publication of CN111811642A publication Critical patent/CN111811642A/zh
Application granted granted Critical
Publication of CN111811642B publication Critical patent/CN111811642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请提供了一种挖掘机发动机的故障检测方法及故障检测装置，涉及发动机故障检测技术领域，其中，所述故障检测方法包括：获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量，从若干个振动信号分量中确定出目标振动信号分量，基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本，将所述测试样本输入至预先训练好的故障检测模型中，得到与该目标振动信号分量对应的发动机的故障检测结果。这样，可以利用发动机的振动信号预先得知发动机的故障检测结果，能够及时发现发动机可能存在的故障风险，进而避免重大故障发生，减少维护时间，从而减少经济损失。

Description

一种挖掘机发动机的故障检测方法及故障检测装置
技术领域
本申请涉及发动机故障检测技术领域，尤其是涉及一种挖掘机发动机的故障检测方法及故障检测装置。
背景技术
挖掘机是一种多功能机械，被广泛应用于水利工程，交通运输，电力工程和矿山采掘等机械施工中，它在减轻繁重的体力劳动，保证工程质量，加快建设以及提高劳动生产率等方面起着十分重要的作用。
在挖掘机工作时，挖掘机由于工作条件恶劣容易导致发动机发生故障。如果挖掘机发动机出现故障时才进行处理，会导致发动机的连续操作被中断而引发重大故障，影响施工进度，造成巨大经济损失。
发明内容
有鉴于此，本申请的目的在于提供一种挖掘机发动机的故障检测方法及故障检测装置，可以利用发动机的振动信号预先得知发动机的故障检测结果，能够及时发现发动机可能存在的故障风险，进而避免重大故障发生，减少维护时间，从而减少经济损失。
第一方面，本申请实施例提供了一种挖掘机发动机的故障检测方法，所述故障检测方法包括：
获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量；
从若干个振动信号分量中确定出目标振动信号分量；
基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本；
将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
优选地，所述获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量，包括：
获取挖掘机发动机在工作状态下的振动信号；
将振动信号通过CEEMDAN算法进行分解，得到若干个IMF分量；
将所述IMF分量确定为振动信号分量。
优选地，所述从若干个振动信号分量中确定出目标振动信号分量，包括：
计算每个振动信号分量与所述振动信号之间的豪斯多夫距离，将计算出的豪斯多夫距离按照从小到大的顺序排列，从最小的豪斯多夫距离开始按顺序选取若干个豪斯多夫距离，确定选取出的若干个豪斯多夫距离分别对应的振动信号分量为第一分量集合；
计算每个振动信号分量与所述振动信号之间的互相关系数，将计算出的互相关系数按照从大到小的顺序排列，从最大的互相关系数开始按顺序选取若干个互相关系数，确定选取出的若干个互相关系数分别对应的振动信号分量为第二分量集合；
从所述第二分量集合中确定出最小的互相关系数对应的参照振动信号分量；
基于所述第一分量集合和所述第二分量集合，确定所述第一分量集合和所述第二分量集合的交集为第三分量集合；
基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量。
优选地，所述基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量，包括：
若所述第三分量集合包括所述参照振动信号分量，则确定所述第三分量集合中信号强度小于所述参照振动信号分量的信号强度的振动信号分量为目标振动信号分量；
若所述第三分量集合不包括所述参照振动信号分量，则确定所述第三分量集合中的所有振动信号分量均为目标振动信号分量。
优选地，通过以下公式计算所述互相关系数：
Figure BDA0002597501050000031
其中，ρ(x，imfi)表示振动信号与第i个振动信号分量之间的互相关系数；
Figure BDA0002597501050000033
N为采样点数，x(t)为所述振动信号，imfi(t)是第i个振动信号分量。
优选地，所述基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本，包括：
将确定出的目标振动信号分量组成目标分量矩阵；
对所述目标分量矩阵进行奇异值分解，得到若干个奇异值；
确定若干个奇异值归一化处理后的特征值为与该目标振动信号分量对应的测试样本。
优选地，通过以下步骤确定故障检测模型：
获取样本振动信号分量对应的训练样本和发动机的故障检测结果；
针对所述训练样本中的样本振动信号分量对应的特征值，以样本振动信号分量对应的特征值作为卷积神经网络的输入，以样本振动信号分量对应的发动机的故障检测结果作为输出，对卷积神经网络进行训练；
将训练完的卷积神经网络确定为故障检测模型。
第二方面，本申请实施例提供了一种挖掘机发动机的故障检测装置，所述故障检测装置包括：
处理模块，用于获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量；
第一确定模块，用于从若干个振动信号分量中确定出目标振动信号分量；
第二确定模块，用于基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本；
第三确定模块，用于将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
优选地，所述处理模块在用于获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量时，所述处理模块用于：
获取挖掘机发动机在工作状态下的振动信号；
将振动信号通过CEEMDAN算法进行分解，得到若干个IMF分量；
将所述IMF分量确定为振动信号分量。
优选地，所述第一确定模块在用于从若干个振动信号分量中确定出目标振动信号分量时，所述第一确定模块用于：
计算每个振动信号分量与所述振动信号之间的豪斯多夫距离，将计算出的豪斯多夫距离按照从小到大的顺序排列，从最小的豪斯多夫距离开始按顺序选取若干个豪斯多夫距离，确定选取出的若干个豪斯多夫距离分别对应的振动信号分量为第一分量集合；
计算每个振动信号分量与所述振动信号之间的互相关系数，将计算出的互相关系数按照从大到小的顺序排列，从最大的互相关系数开始按顺序选取若干个互相关系数，确定选取出的若干个互相关系数分别对应的振动信号分量为第二分量集合；
从所述第二分量集合中确定出最小的互相关系数对应的参照振动信号分量；
基于所述第一分量集合和所述第二分量集合，确定所述第一分量集合和所述第二分量集合的交集为第三分量集合；
基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量。
优选地，所述第一确定模块在用于基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量时，所述第一确定模块用于：
若所述第三分量集合包括所述参照振动信号分量，则确定所述第三分量集合中信号强度小于所述参照振动信号分量的信号强度的振动信号分量为目标振动信号分量；
若所述第三分量集合不包括所述参照振动信号分量，则确定所述第三分量集合中的所有振动信号分量均为目标振动信号分量。
优选地，所述第一确定模块用于通过以下公式计算所述互相关系数：
Figure BDA0002597501050000051
其中，ρ(x,imfi)表示振动信号与第i个振动信号分量之间的互相关系数；
Figure BDA0002597501050000052
N为采样点数，x(t)为所述振动信号，imfi(t)是第i个振动信号分量。
优选地，所述第二确定模块在用于基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本时，所述第二确定模块用于：
将确定出的目标振动信号分量组成目标分量矩阵；
对所述目标分量矩阵进行奇异值分解，得到若干个奇异值；
确定若干个奇异值归一化处理后的特征值为与该目标振动信号分量对应的测试样本。
优选地，所述第三确定模块用于通过以下步骤确定故障检测模型：
获取样本振动信号分量对应的训练样本和发动机的故障检测结果；
针对所述训练样本中的样本振动信号分量对应的特征值，以样本振动信号分量对应的特征值作为卷积神经网络的输入，以样本振动信号分量对应的发动机的故障检测结果作为输出，对卷积神经网络进行训练；
将训练完的卷积神经网络确定为故障检测模型。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如上所述的挖掘机发动机的故障检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的挖掘机发动机的故障检测方法的步骤。
本申请实施例提供了一种挖掘机发动机的故障检测方法及故障检测装置，其中，所述故障检测方法包括：获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量，从若干个振动信号分量中确定出目标振动信号分量，基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本，将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
这样，可以利用发动机的振动信号预先得知发动机的故障检测结果，能够及时发现发动机可能存在的故障风险，进而避免重大故障发生，减少维护时间，从而减少经济损失。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种挖掘机发动机的故障检测方法的流程图；
图2为本申请实施例提供的CEEMDAN方法的分解流程图；
图3为本申请实施例提供的一种确定目标振动信号分量的方法流程图；
图4为发动机内圈故障的振动信号波形图；
图5为本申请实施例提供的故障检测方法的整体流程图；
图6为发动机内圈故障的振动信号的CEEMDAN分解图；
图7为各个IMF分量与内圈故障振动信号之间概率密度函数的豪斯多夫距离的折线图；
图8为各个IMF分量与内圈故障振动信号的互相关系数的折线图；
图9为训练好的故障检测模型对轴承状态的分类预测的其中一组结果图；
图10为本申请实施例提供的一种挖掘机发动机的故障检测装置的结构示意图；
图11为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
第一方面，本申请实施例提供了一种挖掘机发动机的故障检测方法，请参阅图1，图1为本申请实施例提供的一种挖掘机发动机的故障检测方法的流程图，如图1中所示，本申请实施例提供的故障检测方法，包括：
S110，获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量。
该步骤中，发动机的振动信号是发动机故障征兆的信息载体，能够表征发动机的技术状况，因此对发动机的振动信息进行状态监测，来发现发动机的故障是一种有效地方法。
具体地，从不同工作状态下振动信号不同但有规律可循这一原理出发，首先采用振动信号处理方法，将振动信号分解成若干个振动信号分量，每个振动信号分量用来表征该振动信号分量对应的发动机的状态情况。
在本申请实施例中，作为一种优选的实施例，步骤S110包括：
获取挖掘机发动机在工作状态下的振动信号；
将振动信号通过CEEMDAN算法进行分解，得到若干个IMF分量；
将所述IMF分量确定为振动信号分量。
该步骤中，将挖掘机发动机的振动信号进行CEEMDAN分解处理得到一系列按频率区分的IMF分量，其中，周围环境的振动噪声以及反映发动机健康状态的振动信号频率不同，所以IMF分量也随之不同。
具体地，CEEMDAN方法在信号分解的每个阶段自适应地加入白噪声，由计算残剩的余量信号来获得各个IMF分量，该方法的完备性较好，无论分解多少次，信号的重构误差几乎为零。CEEMDAN方法的分解流程如图2所示。其中，x(t)为原始信号，Noi(t)为服从N(0,1)分布的白噪声，r0(t)＝x(t)，Ek(·)为经过EMD分解产生第k个IMF分量的算子，εk为白噪声幅值调节系数，IMF1，i为EMD分解后的第一个IMF分量，
Figure BDA0002597501050000091
为最终CEEMDAN分解得到的分量，将最终得到的
Figure BDA0002597501050000092
确定为振动信号分量。
S120，从若干个振动信号分量中确定出目标振动信号分量。
该步骤中，在将振动信号分解成若干个振动信号分量后，从中筛选出有用的振动信号分量，将有用的振动信号分量确定为目标振动信号分量，进而将该目标振动信号分量作为模型的输入分量。
S130，基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本。
该步骤中，利用奇异值分解方法对目标振动信号分量进行降维处理，得到若干个奇异值，在归一化处理后得到与目标振动信号分量对应的特征值，进而将若干个奇异值归一化处理后的特征值确定为与该目标振动信号分量对应的测试样本。
在本申请实施例中，作为一种优选的实施例，步骤S130包括：
将确定出的目标振动信号分量组成目标分量矩阵；
对所述目标分量矩阵进行奇异值分解，得到若干个奇异值；
确定若干个奇异值归一化处理后的特征值为与该目标振动信号分量对应的测试样本。
该步骤中，通过奇异值分解方法和归一化处理方法可以有效去除噪声，筛选出有用的振动信号分量信息。
具体地，由于筛选出的IMF分量较多，为减少样本数据维数，将筛选得到的IMF分量组成一个矩阵并进行奇异值分解，选较大的几个奇异值归一化处理后作为振动信号的一组特征值。
S140，将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
该步骤中，预先训练故障检测模型，其中，故障检测模型的输入是样本振动信号分量对应的训练样本，输出是样本振动信号分量对应的发动机的故障检测结果。
当故障检测模型训练好后，在实际应用时，只需要将处理后得到的目标振动信号分量对应的测试样本输入至故障检测模型中即可预测发动机的故障情况。
进一步地，故障检测模型是多分类故障检测模型，相应的，发动机的故障检测结果包括发动机的故障检测分类结果，分类结果有很多种。
具体地，采用蚁群算法改进的BP神经网络建立故障检测模型。此算法简单易用，只需要设定网络的结构，不同于神经网络等需要人为设置大量的网络训练参数，此算法输入层到隐含层的权重是随机确定的，执行过程中不再需要调整，隐含层到输出层的权重由一个线性方程组确定，计算速度比传统的学习算法快，能保证学习精度且泛化能力强，常被用于分类、回归等领域中。
本申请实施例提供了一种挖掘机发动机的故障检测方法，所述故障检测方法包括：获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量，从若干个振动信号分量中确定出目标振动信号分量，基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本，将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。这样，可以利用发动机的振动信号预先得知发动机的故障检测结果，能够及时发现发动机可能存在的故障风险，进而避免重大故障发生，减少维护时间，从而减少经济损失。
请参阅图3，图3为本申请实施例提供的一种确定目标振动信号分量的流程图。如图3中所示，步骤S120包括：
S1201，计算每个振动信号分量与所述振动信号之间的豪斯多夫距离，将计算出的豪斯多夫距离按照从小到大的顺序排列，从最小的豪斯多夫距离开始按顺序选取若干个豪斯多夫距离，确定选取出的若干个豪斯多夫距离分别对应的振动信号分量为第一分量集合。
该步骤中，通过豪斯多夫距离筛选法，选出最能反映发动机健康状态的IMF分量。
具体地，豪斯多夫距离是度量空间中真子集之间的距离，应用在非平稳信号中，用于衡量两组数据点集之间的相似程度。
假设有两组有限点集合A＝{a1,…,ap}，B＝{b1,…,bq}，则这两个点集合之间的豪斯多夫距离定义为：
HD(A,B)＝max(h(A,B),h(B,A))；
其中，
h(A,B)＝max(a∈A)min(b∈B)||a-b||；
h(B,A)＝max(b∈B)min(a∈A)||b-a||；
其中，||·||是点集A和B之间的距离范式。
S1202，计算每个振动信号分量与所述振动信号之间的互相关系数，将计算出的互相关系数按照从大到小的顺序排列，从最大的互相关系数开始按顺序选取若干个互相关系数，确定选取出的若干个互相关系数分别对应的振动信号分量为第二分量集合。
该步骤中，在豪斯多夫距离筛选法的基础上，再通过互相关系数筛选法，选出最能反映发动机健康状态的IMF分量。
皮尔逊相关系数是最常见的衡量两个变量之间相关性的系数，变量X与Y之间的皮尔逊相关系数定义为：
Figure BDA0002597501050000121
cov(X,Y)＝E[(X-μX)(Y-μY)]；
Figure BDA0002597501050000122
其中，cov(X,Y)表示X与Y的协方差，σ是标准差。
进而，本申请实施例通过对含噪声的振动信号进行CEEMDAN分解，得到多个IMF分量，然后计算各个IMF分量与振动信号的互相关系数，最后根据计算出的各个互相关系数选取有用的IMF分量。
具体地，通过以下公式计算所述互相关系数：
Figure BDA0002597501050000123
其中，ρ(x，imfi)表示振动信号与第i个振动信号分量之间的互相关系数；
Figure BDA0002597501050000125
N为采样点数，x(t)为所述振动信号，imfi(t)是第i个振动信号分量。
S1203，从所述第二分量集合中确定出最小的互相关系数对应的参照振动信号分量。
该步骤中，以第二分量集合中最小的互相关系数对应的参照振动信号分量作为标准量，用其判断振动信号分量是否是有用的。
S1204，基于所述第一分量集合和所述第二分量集合，确定所述第一分量集合和所述第二分量集合的交集为第三分量集合。
S1205，基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量。
具体地，步骤S1205包括：
若所述第三分量集合包括所述参照振动信号分量，则确定所述第三分量集合中信号强度小于所述参照振动信号分量的信号强度的振动信号分量为目标振动信号分量；
若所述第三分量集合不包括所述参照振动信号分量，则确定所述第三分量集合中的所有振动信号分量均为目标振动信号分量。
该步骤中，根据参照振动信号分量与第三分量集合之间的所属关系，确定目标振动信号分量，然后根据不同的所述关系以及信号强度进行确定。
具体地，确定目标振动信号分量的过程如下：
(1)对振动信号x(t)进行CEEMDAN模态分解，得到m个不同的IMF分量，记为I＝{imf1,imf2,…,imfk,…,imfm}(k<m)；
(2)计算出各个IMF分量与原振动信号x(t)之间的豪斯多夫距离，找出前百分之四十个较小的豪斯多夫距离对应的IMF分量，按原分解顺序排列，记为H＝{imfh1,imfh2,…,imfhj}。其中H集合中的元素个数hj为m×40％，利用进一法得到整数，标记豪斯多夫距离最小值对应的IMF分量，记为imfhmin；
(3)计算出各个IMF分量与原振动信号x(t)之间的互相关系数，绘制出互相关系数折线图，找出前百分之四十个较大的互相关系数对应的IMF分量，按原分解顺序排列，记为R＝{imfr1,imfr2,…,imfrj}。其中R集合中的元素个数rj为m×40％，利用进一法得到整数；
(4)在上述求得的一系列互相关系数中，找出第一个互相关系数取得局部极小值时对应的IMF分量，记为imfsm1；
(5)找出集合H和集合R的交集，记为P＝H∩R＝{imfp1,imfp2,…,imfpi}；
(6)筛选出有用的IMF分量。如果imfsm1∈P，则P中信号强度小于imfsm1的信号强度的IMF分量为有用分量，有用分量即为目标振动信号分量。反之，如果
Figure BDA0002597501050000141
则最终有用分量集合F＝P，即集合P中的所有振动信号分量均为目标振动信号分量。
在本申请实施例中，作为一种优选地实施例，通过以下步骤确定故障检测模型：
获取样本振动信号分量对应的训练样本和发动机的故障检测结果；
针对所述训练样本中的样本振动信号分量对应的特征值，以样本振动信号分量对应的特征值作为卷积神经网络的输入，以样本振动信号分量对应的发动机的故障检测结果作为输出，对卷积神经网络进行训练；
将训练完的卷积神经网络确定为故障检测模型。
该步骤中，故障检测模型的训练过程和应用过程是一致的。在故障检测模型训练时或是应用时，都以样本振动信号分量对应的特征值作为故障检测模型的输入，以样本振动信号分量对应的发动机的故障检测结果作为故障检测模型的输出。
举例说明，以发动机的其中一组内圈发生故障为例，请参阅图4，图4为发动机内圈故障的振动信号波形图，其中，横坐标表示时间，纵坐标表示幅值；按照本申请实施例中提出的故障检测方法，如图5所示，图5为本申请实施例提供的故障检测方法的整体流程图，根据图5提出的处理流程对内圈故障数据逐步分解、筛选、重构、奇异值分解，筛选奇异值和归一化处理等，得到一组特征值，将这组特征值确定为测试样本，输入至故障检测模型中，得到对应的发动机的故障检测结果。
具体地，将这组内圈故障数据进行CEEMDAN分解，得到12个IMF分量和一个残余分量，如图6所示，图6为发动机内圈故障的振动信号的CEEMDAN分解图，其中，横坐标表示时间，纵坐标表示幅值。
进而，计算分解得到的各个IMF分量与原始内圈故障信号的概率密度函数的豪斯多夫距离，得到一系列豪斯多夫距离数据，绘制折线图，如图7所示，图7为各个IMF分量与内圈故障振动信号之间概率密度函数的豪斯多夫距离的折线图，其中，横坐标表示各个IMF分量，纵坐标表示豪斯多夫距离，从图中可以看出，前六个IMF分量对应的豪斯多夫距离值较小。
进一步地，计算分解得到的各个IMF分量与原始内圈故障信号的互相关系数，绘制折线图，如图8所示，图8为各个IMF分量与内圈故障振动信号的互相关系数的折线图，其中，横坐标表示各个IMF分量，纵坐标表示互相关系数，从图中可以看出前六个IMF分量对应的互相关系数较大，第二个IMF分量对应的互相关系数处是折线图中第一次出现局部极小值的地方。
然后，根据筛选最优IMF分量的准则，由于第二个IMF分量对应的互相关系数处是折线图中第一次取得局部极小值的地方，所以前两个IMF分量为无效分量，最终筛选出的最优IMF分量为IMF3、IMF4、IMF5和IMF6。每个IMF分量由6000个数据组成，将筛选出的最优IMF分量组成一个矩阵P。其中，
Figure BDA0002597501050000151
对矩阵P进行奇异值分解，得到四个奇异值，按照从大到小排列为：5.3009，3.5674，1.4876，1.1442。再将这四个数据进行归一化处理，得到一组最终的实验数据：0.4609，0.3102，0.1294，0.0995。将收集的全部160组原始数据，按照类似上述这组内圈故障数据处理的方法，依次进行CEEMDAN分解、IMF分量筛选、构造矩阵、矩阵奇异值分解、筛选奇异值和对奇异值进行归一化处理，最终一共得到160组实验数据。每种状态的前30组实验数据为训练集，后10组实验数据为测试预测集。“正常状态”、“外圈故障”、“内圈故障”和“滚动体故障”依次被标记为“1”、“2”、“3”和“4”，一共160组训练/测试数据。对归一化处理后的各种状态的数据随机各选取30组，共120组数据进行训练，剩余的40组作为测试样本。图9为训练好的故障检测模型对轴承状态的分类预测的其中一组结果图，其中，横坐标表示测试集样本标号，纵坐标表示测试集样本类别，从图9中可知，准确率为97.5％，运行时间为0.7168S，进而，本申请对随机抽取的测试样本的预测准确率较高，该故障检测方法对轴承状态的预测准确率已相当可观，且用时极少。
综上可知，本申请实施例的故障检测方法通过豪斯多夫距离和互相关系数筛选法，选出最能反映发动机健康状态的IMF分量，消除环境振动产生的噪声；将筛选得到的IMF分量组成一个矩阵并进行奇异值分解，选较大的几个奇异值作为特征值，降低数据纬度。
本申请实施例提供了一种挖掘机发动机的故障检测方法，将振动信号分解成若干个振动信号分量，从若干个振动信号分量中确定出目标振动信号分量，利用奇异值分解方法对目标振动信号分量进行降维处理，得到若干个奇异值，再归一化处理后得到与目标振动信号分量对应的特征值，进而确定若干个奇异值归一化处理后的特征值为与该目标振动信号分量对应的测试样本，将测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。这样，可以利用发动机的振动信号预先得知发动机的故障检测结果，能够及时发现发动机可能存在的故障风险，进而避免重大故障发生，减少维护时间，从而减少经济损失。
基于同一发明构思，本申请实施例提供了一种挖掘机发动机的故障检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例的上述方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图10，图10为本申请实施例提供的一种挖掘机发动机的故障检测装置的结构示意图，如图10中所示，所述故障检测装置100包括：
处理模块101，用于获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量；
第一确定模块102，用于从若干个振动信号分量中确定出目标振动信号分量；
第二确定模块103，用于基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本；
第三确定模块104，用于将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
优选地，所述处理模块101在用于获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量时，所述处理模块101用于：
获取挖掘机发动机在工作状态下的振动信号；
将振动信号通过CEEMDAN算法进行分解，得到若干个IMF分量；
将所述IMF分量确定为振动信号分量。
优选地，所述第一确定模块102在用于从若干个振动信号分量中确定出目标振动信号分量时，所述第一确定模块102用于：
计算每个振动信号分量与所述振动信号之间的豪斯多夫距离，将计算出的豪斯多夫距离按照从小到大的顺序排列，从最小的豪斯多夫距离开始按顺序选取若干个豪斯多夫距离，确定选取出的若干个豪斯多夫距离分别对应的振动信号分量为第一分量集合；
计算每个振动信号分量与所述振动信号之间的互相关系数，将计算出的互相关系数按照从大到小的顺序排列，从最大的互相关系数开始按顺序选取若干个互相关系数，确定选取出的若干个互相关系数分别对应的振动信号分量为第二分量集合；
从所述第二分量集合中确定出最小的互相关系数对应的参照振动信号分量；
基于所述第一分量集合和所述第二分量集合，确定所述第一分量集合和所述第二分量集合的交集为第三分量集合；
基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量。
优选地，所述第一确定模块102在用于基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量时，所述第一确定模块102用于：
若所述第三分量集合包括所述参照振动信号分量，则确定所述第三分量集合中信号强度小于所述参照振动信号分量的信号强度的振动信号分量为目标振动信号分量；
若所述第三分量集合不包括所述参照振动信号分量，则确定所述第三分量集合中的所有振动信号分量均为目标振动信号分量。
优选地，所述第一确定模块102用于通过以下公式计算所述互相关系数：
Figure BDA0002597501050000181
其中，ρ(x，imfi)表示振动信号与第i个振动信号分量之间的互相关系数；
Figure BDA0002597501050000183
N为采样点数，x(t)为所述振动信号，imfi(t)是第i个振动信号分量。
优选地，所述第二确定模块103在用于基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本时，所述第二确定模块103用于：
将确定出的目标振动信号分量组成目标分量矩阵；
对所述目标分量矩阵进行奇异值分解，得到若干个奇异值；
确定若干个奇异值归一化处理后的特征值为与该目标振动信号分量对应的测试样本。
优选地，所述第三确定模块104用于通过以下步骤确定故障检测模型：
获取样本振动信号分量对应的训练样本和发动机的故障检测结果；
针对所述训练样本中的样本振动信号分量对应的特征值，以样本振动信号分量对应的特征值作为卷积神经网络的输入，以样本振动信号分量对应的发动机的故障检测结果作为输出，对卷积神经网络进行训练；
将训练完的卷积神经网络确定为故障检测模型。
本申请实施例提供的挖掘机发动机的故障检测装置，包括处理模块、第一确定模块、第二确定模块和第三确定模块，其中，处理模块用于获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量，第一确定模块用于从若干个振动信号分量中确定出目标振动信号分量，第二确定模块用于基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本，第三确定模块用于将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
这样，可以利用发动机的振动信号预先得知发动机的故障检测结果，能够及时发现发动机可能存在的故障风险，进而避免重大故障发生，减少维护时间，从而减少经济损失。
请参阅图11，图11为本申请实施例所提供的一种电子设备的结构示意图。如图11中所示，所述电子设备110包括处理器111、存储器112和总线113。
所述存储器112存储有所述处理器111可执行的机器可读指令，当电子设备110运行时，所述处理器111与所述存储器112之间通过总线113通信，所述机器可读指令被所述处理器111执行时，可以执行如上述图1所述的挖掘机发动机的故障检测方法，图3所述的确定目标振动信号分量的方法以及图5所述的故障检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所述的挖掘机发动机的故障检测方法，图3所述的确定目标振动信号分量的方法以及图5所述的故障检测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种挖掘机发动机的故障检测方法，其特征在于，所述故障检测方法包括：
获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量；
从若干个振动信号分量中确定出目标振动信号分量；
基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本；
将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
2.根据权利要求1所述的故障检测方法，其特征在于，所述获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量，包括：
获取挖掘机发动机在工作状态下的振动信号；
将振动信号通过CEEMDAN算法进行分解，得到若干个IMF分量；
将所述IMF分量确定为振动信号分量。
3.根据权利要求1所述的故障检测方法，其特征在于，所述从若干个振动信号分量中确定出目标振动信号分量，包括：
计算每个振动信号分量与所述振动信号之间的豪斯多夫距离，将计算出的豪斯多夫距离按照从小到大的顺序排列，从最小的豪斯多夫距离开始按顺序选取若干个豪斯多夫距离，确定选取出的若干个豪斯多夫距离分别对应的振动信号分量为第一分量集合；
计算每个振动信号分量与所述振动信号之间的互相关系数，将计算出的互相关系数按照从大到小的顺序排列，从最大的互相关系数开始按顺序选取若干个互相关系数，确定选取出的若干个互相关系数分别对应的振动信号分量为第二分量集合；
从所述第二分量集合中确定出最小的互相关系数对应的参照振动信号分量；
基于所述第一分量集合和所述第二分量集合，确定所述第一分量集合和所述第二分量集合的交集为第三分量集合；
基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量。
4.根据权利要求3所述的故障检测方法，其特征在于，所述基于所述参照振动信号分量与所述第三分量集合之间的所属关系，确定出目标振动信号分量，包括：
若所述第三分量集合包括所述参照振动信号分量，则确定所述第三分量集合中信号强度小于所述参照振动信号分量的信号强度的振动信号分量为目标振动信号分量；
若所述第三分量集合不包括所述参照振动信号分量，则确定所述第三分量集合中的所有振动信号分量均为目标振动信号分量。
5.根据权利要求3所述的故障检测方法，其特征在于，通过以下公式计算所述互相关系数：
Figure FDA0002597501040000021
其中，ρ(x,imfi)表示振动信号与第i个振动信号分量之间的互相关系数；
Figure FDA0002597501040000022
N为采样点数，x(t)为所述振动信号，imfi(t)是第i个振动信号分量。
6.根据权利要求1所述的故障检测方法，其特征在于，所述基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本，包括：
将确定出的目标振动信号分量组成目标分量矩阵；
对所述目标分量矩阵进行奇异值分解，得到若干个奇异值；
确定若干个奇异值归一化处理后的特征值为与该目标振动信号分量对应的测试样本。
7.根据权利要求1所述的故障检测方法，其特征在于，通过以下步骤确定故障检测模型：
获取样本振动信号分量对应的训练样本和发动机的故障检测结果；
针对所述训练样本中的样本振动信号分量对应的特征值，以样本振动信号分量对应的特征值作为卷积神经网络的输入，以样本振动信号分量对应的发动机的故障检测结果作为输出，对卷积神经网络进行训练；
将训练完的卷积神经网络确定为故障检测模型。
8.一种挖掘机发动机的故障检测装置，其特征在于，所述故障检测装置包括：
处理模块，用于获取发动机的振动信号，将所述振动信号分解成若干个振动信号分量；
第一确定模块，用于从若干个振动信号分量中确定出目标振动信号分量；
第二确定模块，用于基于所述目标振动信号分量，确定与该目标振动信号分量对应的测试样本；
第三确定模块，用于将所述测试样本输入至预先训练好的故障检测模型中，确定与该目标振动信号分量对应的发动机的故障检测结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述的挖掘机发动机的故障检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7中任一项所述的挖掘机发动机的故障检测方法的步骤。
CN202010713903.XA 2020-07-22 2020-07-22 一种挖掘机发动机的故障检测方法及故障检测装置 Active CN111811642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010713903.XA CN111811642B (zh) 2020-07-22 2020-07-22 一种挖掘机发动机的故障检测方法及故障检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010713903.XA CN111811642B (zh) 2020-07-22 2020-07-22 一种挖掘机发动机的故障检测方法及故障检测装置

Publications (2)

Publication Number Publication Date
CN111811642A true CN111811642A (zh) 2020-10-23
CN111811642B CN111811642B (zh) 2022-05-03

Family

ID=72862251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010713903.XA Active CN111811642B (zh) 2020-07-22 2020-07-22 一种挖掘机发动机的故障检测方法及故障检测装置

Country Status (1)

Country Link
CN (1) CN111811642B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199897A (zh) * 2020-11-02 2021-01-08 国网重庆市电力公司电力科学研究院 一种基于粒子群算法改进的gis设备异响振动识别方法
CN112949524A (zh) * 2021-03-12 2021-06-11 中国民用航空飞行学院 一种基于经验模态分解与多核学习的发动机故障检测方法
CN115526515A (zh) * 2022-10-10 2022-12-27 北京金河水务建设集团有限公司 一种水利水电用闸门的安全监测系统
CN115574929A (zh) * 2022-10-09 2023-01-06 正泰集团研发中心(上海)有限公司 电器的振动检测方法、装置、电子设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389887B1 (en) * 1999-12-23 2002-05-21 Snecma Moteurs Process for the detection of damage to components of an engine
US20040042661A1 (en) * 2002-08-30 2004-03-04 Markus Ulrich Hierarchical component based object recognition
US20090268555A1 (en) * 2008-04-25 2009-10-29 James Robert Underbrink Method and apparatus for identifying noise sources
CN103470679A (zh) * 2013-09-10 2013-12-25 三一重机有限公司 盲管减振装置、主泵减振系统、液压系统和工程机械
KR20140139955A (ko) * 2013-05-27 2014-12-08 한양대학교 산학협력단 엔진의 고장검출 시스템 및 방법
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN105092023A (zh) * 2015-08-11 2015-11-25 西安科技大学 基于白噪声统计特征的锚杆振动信号矫正方法
US20160041070A1 (en) * 2014-08-05 2016-02-11 01dB-METRAVIB, Société par Actions Simplifiée Automatic Rotating-Machine Fault Diagnosis With Confidence Level Indication
US20170363030A1 (en) * 2016-06-17 2017-12-21 GM Global Technology Operations LLC Method of identifying a faulted component in an automotive system
CN107977719A (zh) * 2017-12-07 2018-05-01 北京交通大学 一种轴承故障预测方法
CN108133611A (zh) * 2016-12-01 2018-06-08 中兴通讯股份有限公司 车辆行驶轨迹监测方法及系统
CN109323754A (zh) * 2018-08-31 2019-02-12 南京理工大学 一种列车车轮多边形故障诊断检测方法
CN109782105A (zh) * 2018-12-29 2019-05-21 华中科技大学 一种变频调速系统三相逆变器功率管故障实时检测方法
CN110263649A (zh) * 2019-05-22 2019-09-20 北京化工大学 一种基于EMD和Teager算子的变负荷活塞式发动机冲击特征提取方法
CN110356322A (zh) * 2019-07-26 2019-10-22 三一重机有限公司 雷达预警方法、系统、装置及挖掘机
CN110397108A (zh) * 2019-06-28 2019-11-01 三一重机有限公司 挖掘机控制方法、装置、服务器、车载设备及存储介质
CN110865357A (zh) * 2019-10-25 2020-03-06 南京理工大学 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN111077386A (zh) * 2019-11-22 2020-04-28 西安理工大学 一种电气设备早期故障信号降噪方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6389887B1 (en) * 1999-12-23 2002-05-21 Snecma Moteurs Process for the detection of damage to components of an engine
US20040042661A1 (en) * 2002-08-30 2004-03-04 Markus Ulrich Hierarchical component based object recognition
US20090268555A1 (en) * 2008-04-25 2009-10-29 James Robert Underbrink Method and apparatus for identifying noise sources
KR20140139955A (ko) * 2013-05-27 2014-12-08 한양대학교 산학협력단 엔진의 고장검출 시스템 및 방법
CN103470679A (zh) * 2013-09-10 2013-12-25 三一重机有限公司 盲管减振装置、主泵减振系统、液压系统和工程机械
US20160041070A1 (en) * 2014-08-05 2016-02-11 01dB-METRAVIB, Société par Actions Simplifiée Automatic Rotating-Machine Fault Diagnosis With Confidence Level Indication
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN105092023A (zh) * 2015-08-11 2015-11-25 西安科技大学 基于白噪声统计特征的锚杆振动信号矫正方法
US20170363030A1 (en) * 2016-06-17 2017-12-21 GM Global Technology Operations LLC Method of identifying a faulted component in an automotive system
CN108133611A (zh) * 2016-12-01 2018-06-08 中兴通讯股份有限公司 车辆行驶轨迹监测方法及系统
CN107977719A (zh) * 2017-12-07 2018-05-01 北京交通大学 一种轴承故障预测方法
CN109323754A (zh) * 2018-08-31 2019-02-12 南京理工大学 一种列车车轮多边形故障诊断检测方法
CN109782105A (zh) * 2018-12-29 2019-05-21 华中科技大学 一种变频调速系统三相逆变器功率管故障实时检测方法
CN110263649A (zh) * 2019-05-22 2019-09-20 北京化工大学 一种基于EMD和Teager算子的变负荷活塞式发动机冲击特征提取方法
CN110397108A (zh) * 2019-06-28 2019-11-01 三一重机有限公司 挖掘机控制方法、装置、服务器、车载设备及存储介质
CN110356322A (zh) * 2019-07-26 2019-10-22 三一重机有限公司 雷达预警方法、系统、装置及挖掘机
CN110865357A (zh) * 2019-10-25 2020-03-06 南京理工大学 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN111077386A (zh) * 2019-11-22 2020-04-28 西安理工大学 一种电气设备早期故障信号降噪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
QUEK, ST: "Structural damage detection using enhanced damage locating vector method with limited wireless sensors", 《JOURNAL OF SOUND AND VIBRATION》 *
党建等: "基于EMD连续几何分布的水电机组振动信号降噪", 《水力发电学报》 *
曾荣等: "发动机声信号与振动信号故障特征提取对比分析", 《军事交通学院学报》 *
罗博等: "Early Fault Detection of Machine Tools Based on Deep Learning and Dynamic Identification", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199897A (zh) * 2020-11-02 2021-01-08 国网重庆市电力公司电力科学研究院 一种基于粒子群算法改进的gis设备异响振动识别方法
CN112949524A (zh) * 2021-03-12 2021-06-11 中国民用航空飞行学院 一种基于经验模态分解与多核学习的发动机故障检测方法
CN115574929A (zh) * 2022-10-09 2023-01-06 正泰集团研发中心(上海)有限公司 电器的振动检测方法、装置、电子设备及存储介质
CN115526515A (zh) * 2022-10-10 2022-12-27 北京金河水务建设集团有限公司 一种水利水电用闸门的安全监测系统

Also Published As

Publication number Publication date
CN111811642B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN111811642B (zh) 一种挖掘机发动机的故障检测方法及故障检测装置
Cabrera et al. Bayesian approach and time series dimensionality reduction to LSTM-based model-building for fault diagnosis of a reciprocating compressor
US11403349B2 (en) Dark web content analysis and identification
Rajabi et al. Fault diagnosis in industrial rotating equipment based on permutation entropy, signal processing and multi-output neuro-fuzzy classifier
Manikandan et al. Fault diagnosis of various rotating equipment using machine learning approaches–A review
Ziaja et al. Fault detection in rolling element bearings using wavelet-based variance analysis and novelty detection
Chen et al. Rolling bearing fault severity identification using deep sparse auto-encoder network with noise added sample expansion
US20090234899A1 (en) Systems and Methods for Dynamic Anomaly Detection
CN112513851A (zh) 使用机器学习的敏感数据标识
González-Muñiz et al. DCNN for condition monitoring and fault detection in rotating machines and its contribution to the understanding of machine nature
Espinosa et al. Click-event sound detection in automotive industry using machine/deep learning
CN112820322B (zh) 一种基于自监督对比学习的半监督音频事件标注方法
Saucedo-Espinosa et al. Detection of defective embedded bearings by sound analysis: a machine learning approach
CN114676782A (zh) 一种基于高频时序数据的车辆故障预警方法及系统
CN110909453A (zh) 一种基于eemd的输电线路覆冰等级预测方法
Afia et al. Intelligent fault classification of air compressors using Harris hawks optimization and machine learning algorithms
Esmaeilpour et al. From environmental sound representation to robustness of 2D CNN models against adversarial attacks
Rathore et al. Degradation pattern of high speed roller bearings using a data-driven deep learning approach
Jere et al. Principal component properties of adversarial samples
Li et al. A robust fault diagnosis method for rolling bearings based on deep convolutional neural network
Docekal et al. Detecting dominant resonant modes of rolling bearing faults using the niching genetic algorithm
Patil et al. Fault detection of anti-friction bearing using adaboost decision tree
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
Sheng et al. A novel adaptive boosting algorithm with distance-based weighted least square support vector machine and filter factor for carbon fiber reinforced polymer multi-damage classification
Liu et al. Ensembled mechanical fault recognition system based on deep learning algorithm

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