CN111859290B - 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 - Google Patents
基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 Download PDFInfo
- Publication number
- CN111859290B CN111859290B CN202010557370.0A CN202010557370A CN111859290B CN 111859290 B CN111859290 B CN 111859290B CN 202010557370 A CN202010557370 A CN 202010557370A CN 111859290 B CN111859290 B CN 111859290B
- Authority
- CN
- China
- Prior art keywords
- model
- ahns
- diagnosis
- characteristic parameters
- hub motor
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 30
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 23
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 23
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims description 40
- 125000004432 carbon atom Chemical group C* 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 125000004435 hydrogen atom Chemical group [H]* 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种对轮毂电机的机械故障进行诊断的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，采集不同负载和转速下的轮毂电机的正常和故障状态振动信息，提炼出3个高敏感特征参数并离散化得到离散化后的特征参数，将离散化后的特征参数输入到人工碳氢网络模型中构建AHNs模型，对AHNs模型进行训练学习得到训练后的AHNs模型，并计算出其概率密度函数和隶属度函数，构建模糊诊断模型，将训练后的AHNs模型和模糊诊断模型相串联构成AHNs模糊诊断模型用于在线诊断，本发明基于粗糙集理论将原始特征参数离散化，有效降低模型运算量，减少车辆运行工况复杂多变对识别精度的影响程度，有效提高轮毂电机机械故障诊断的泛化性和鲁棒性。
Description
技术领域
本发明涉及故障诊断领域，是对轮毂电机的机械故障进行诊断的方法，涉及基于粗糙集和人工碳氢网络的轮毂电机机械故障的诊断方法。
背景技术
轮毂电机是电动汽车“轮式驱动”的核心，相比于集中式驱动电动汽车，不仅集驱动、制动、承载等多种功能于一体，而且在能耗、传动效率等方面有较明显的优势，但同时也存在着安全性、可靠性，以及耐用性不足的问题。轮毂电机由于特殊的安装位置和汽车复杂的运行工况，极易诱发轮毂电机的机械故障，一旦一个或多个轮毂电机发生故障，就会产生相应的转矩脉动，效率下降，然后意外的偏航力矩将导致车辆行驶偏离，从而导致交通事故。因此，实现对轮毂电机机械故障的有效监测，提高诊断精度，是轮毂电机广泛应用于电动汽车的关键之一。
粗糙集理论能够直接对数据进行分析和推理，并发现其隐含知识，挖掘出隐含规律，是处理不完整和不确定知识的有效工具。目前粗糙集理论已经广泛应用于机器学习、决策分析、数据挖掘等领域。
中国专利公开号为CN110031225A的文献中提出了一种基于人工碳氢网络的轮毂电机轴承故障逐次诊断方法，该方法用人工碳氢网络构建逐次诊断模型，可以有序识别轮毂电机轴承故障，该方法在单一工况下对轮毂电机轴承故障能够有效识别，但是在较为复杂的工况下，例如多种车速和负载的工况下，该方法识别效率较低；且该方法是将原始特征参数作为模型的输入来进行识别，而在轮毂电机机械故障诊断中，由于汽车运行工况复杂多变，导致由传感器采集的信号往往是不完整、不精确和复杂的，如果直接使用，会增加模型的运算时间，影响模型鲁棒性和识别精度，因此需要对原始特征参数进行处理；该方法所使用的AHNs模型的输出值不一定恰好是一个整数，其利用Round函数估计输出值，虽然可以快速识别状态类型，但是忽略了不同类型状态的差异性，容易出现误判现象，因此需要对输出进行改进优化。
发明内容
本发明针对现有技术的不足，提供了一种基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断诊断方法，在多种车速和负载的工况下，分别对模型的输入和输出进行了改进，提高对轮毂电机机械故障诊断的精度。
本发明提出的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法采用的技术方案是包括以下步骤：
步骤(1)：采集不同负载和转速下的轮毂电机的正常状态和故障状态振动信息，提炼出振动信号的3个高敏感特征参数，对3个高敏感特征参数离散化得到离散化后的特征参数f(x)；
步骤(2)：将离散化后的特征参数f(x)输入到人工碳氢网络模型中构建AHNs模型为输出状态类型y；L是碳原子数，ωi是第i个碳原子值，hij是与第i个碳原子相连的第j个氢原子值，k是在第i个与碳原子连接的氢原子的数目；
步骤(3)：对AHNs模型进行训练学习，得到训练后的AHNs模型为并计算出其概率密度函数和隶属度函数p(y')，y'是由f(x)激发的学习后的AHNs模型输出的状态类型，ωi*、hij *分别是ωi、hij的最优值，μ和σ分别为数学期望值标准差；
步骤(4)：基于状态类型y'及其隶属度函数p(y')构建模糊诊断模型为p(y')＝max{p1(y'),p2(y'),…,pV(y'),pun(y')}，p1(y'),p2(y'),…,pV(y')是状态类型y'标示为1,2,…,V对应的隶属度函数，pun(y')是非标示的状态类型y'对应的隶属度函数；
步骤(5)：将所述的训练后的AHNs模型和所述的模糊诊断模型相串联构成AHNs模糊诊断模型用于在线诊断，所述的训练后的AHNs模糊诊断模型内置在集成诊断算法ECU中，采集到的实际振动信号经数据处理模块处理后输出的离散化的实际特征参数输入到集成诊断算法ECU3中，集成诊断算法ECU3先经所述的训练后的AHNs模型得到实际状态类型y”，再经所述的模糊诊断模型得到实际状态类型y”对应的隶属度函数p1(y"),p2(y"),…,pV(y"),pun(y")，这V+1个隶属度函数中最大值对应的状态标示类型即为诊断结果，p1(y"),p2(y"),…,pV(y")是实际状态类型y”标示为1,2,…,V对应的隶属度函数，pun(y")是非标示的实际状态类型y”对应的隶属度函数。
本发明采用上述方案后的有益效果是：
1、本发明基于粗糙集理论将原始特征参数离散化，有效降低了模型运算量，减少了车辆运行工况复杂多变对识别精度的影响程度，有效提高了轮毂电机机械故障诊断的泛化性和鲁棒性。
2、本发明对模型输出优化过程中，通过对训练集输出状态值的分析，建立隶属度函数，用概率来表示模型的输出，能够有效提高识别精度。
3、本发明建立的轮毂电机机械故障诊断模型，可以有效识别轮毂电机机械故障状态，并且具有较好的准确性和时效性。
附图说明
下面结合附图和具体实施方式对本发明技术方案作进一步详细描述。
图1是本发明在第一阶段中模糊诊断模型的流程图；
图2是基于正态分布的概率密度函数F(y')和隶属度函数p(y')的示例图；
图3是模糊诊断案例示图；
图4为本发明第二阶段在线诊断模块化的结构框图。
具体实施方式
本发明包括两个阶段：第一阶段为基于状态监测数据的轮毂电机机械故障诊断模型的建立；第二阶段为基于诊断模型的机械故障在线诊断阶段。
如图1所示，第一阶段的建立轮毂电机机械故障诊断模型的具体步骤如下：
步骤一：采集不同负载和转速下的轮毂电机的正常状态和故障状态振动信息，其中，故障状态包括滚子故障、内圈故障和外圈故障，将正常状态和故障状态振动信息作为离线数据。具体包括负载为0N·m、10N·m、20N·m、30N·m，电机转速为100-700rpm这些工况下的轮毂电机振动信号xs，s＝1～N，N为采样点数，xs对应的状态类型是y，状态类型是正常状态和故障状态，具体是正常状态、滚子故障、内圈故障、外圈故障这几种。振动信号xs的采样频率为12.8kHz，采样时间为60s。
步骤二：将采集的每种振动信号xs等分为45段，分别计算出每段振动信号xs的时域和频域特征参数，并根据江苏大学陈震宇学术型硕士学位论文《基于DBNs的轮毂电机轴承故障在线诊断方法研究》(中图分类号为U461.91)第四章节中所提的综合权重诊断指标法(SWDI)，或者根据中国专利公开号为CN109186971A、名称为“基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法”中所提的综合权重诊断指标法(SWDI)，提炼出振动信号的3个高敏感特征参数P1、P2、P3，也就是对故障敏感度高的特征参数。
步骤三：基于粗糙集理论，对步骤三中所提取的3个高敏感特征参数P1、P2、P3在参数空间的值域进行划分，将划分后的值域进行属性统一，通过分类后的数据，可以“粗糙”地进行观察。具体离散化公式如式(1)所示：
其中，x表示步骤二中提炼出的3个高敏感特征参数P1、P2、P3的数值，a表示参数空间内特征参数的最小值，b表示参数空间内特征参数的最大值，R表示特征参数x的极差，K是特征参数域[a,b]的划分数，即模糊窗口的数量，z表示远大于K的数，n是[1,K]之间的正整数，f(x)表示原高敏感特征参数P1、P2、P3经过离散化后对应的离散化后的特征参数。
然后根据离散化后的特征参数f(x)和对应的状态类型y建立数据集，删除重复样本实现样本集的约简，并将数据集划分训练集和测试集。
步骤四：AHNs是由碳氢分子、化合物、混合物组成，其信息的基本单元是由一个碳原子和至多四个氢原子原子组成的CH分子，化学式可表示为CHk(k∈N*，k≤4)。很显然，CH4是一个稳定分子，CH1,CH2,CH3是不稳定分子。多个不稳定分子基于非极性共价键可形成线性饱和化合物，两端为CH3分子，中间有L-2个CH2分子，L表示碳原子数。像这样多个线性饱和化合物可以组成一个碳氢混合物，其网络称为AHNs。一个碳氢化合物是一个简单模型，一个碳氢混合物是一个混合模型。基于碳氢化合物的定义构建AHNs模型，并将离散化后的特征参数f(x)输入到人工碳氢网络模型中输出状态类型y，其数学定义式如下：
其中，状态类型y用来表示离散化后的特征参数f(x)刺激AHNs分子的行为，L是碳原子数，ωi是第i个碳原子值，hij是与第i个碳原子相连的第j个氢原子值。k是在第i个与碳原子连接的氢原子的数目。
这样，基于步骤三种建立的离散化后的特征参数f(x)和对应的状态类型y数据的训练集，对该AHNs模型进行训练学习，建立特征参数与轮毂电机运行状态之间的数学关系，于是训练后的AHNs模型可表示为：
其中，y'是由f(x)激发的训练学习后的模型的输出状态值，表示学习后的状态类型。ωi*、hij *分别是记ωi、hij的最优值。
步骤五：将步骤三种离散化后的特征参数f(x)输入到步骤四中的训练后的AHNs模型中，即输入式(3)中，得到基于学习样本的AHNs输出状态值，即学习后的状态类型y',并进行统计分析，分析结果是每一类样本的y'值都服从正态分布，计算出其概率密度函数为：
式中，μ和σ分别为某一类样本的输出状态值y'的数学期望值和标准差。
基于模糊理论可得到其对应的隶属度函数p(y')如下：
其中，λe和λt由下式计算得到：
式中，M是对应样本的输出状态值y'域的划分数。参见图2所示的某一类样本的输出状态值y'的概率密度函数和隶属度函数。
基于状态类型y'及其对应的隶属度函数p(y')构建模糊诊断模型。对于所有的输出状态值y'(学习后的状态类型)，其中的状态类型标示为1,2,…,V的样本，输出状态值y'对应的隶属度函数记p1(y'),p2(y'),…,pV(y')，则对于任一待诊断状态，经过特征参数离散化和AHNs模型，便可计算出该状态类型可能是标示为1,2,…,V的类型，对应的隶属度函数分别为p1(y'),p2(y'),…,pV(y')，以及该状态类型也可能是未知类型，即不是所标示出的状态类型对应的隶属度函数为因此，在这V+1个隶属度函数p1(y'),p2(y'),…,pV(y'),pun(y')值中，哪一个值最大，即概率最大，诊断结果就是概率最大值所对应的状态类型。于是得到模糊诊断模型表示为：
p(y')＝max{p1(y'),p2(y'),…,pV(y'),pun(y')} (7)
步骤六：将步骤四中的训练后的AHNs模型和步骤五得到的模糊诊断模型p(y')＝max{p1(y'),p2(y'),…,pV(y'),pun(y')}这两个模型相串联结合，构建AHNs模糊诊断模型，用于第二阶段在线诊断轮毂电机机械故障。
参见图3，为已知两种样本类型的模糊诊断例。p1(y')、p2(y')分别是已知样本类型的隶属度函数，pun(y')是除已知样本类型外的未知类型的隶属度函数。对于某一待诊断状态，AHNs输出值为y0，p1(y0)、p2(y0)、pun(y0)分别是0.95，0.09，0，所以该诊断结果为标示为1的样本类型。
第二阶段，是基于AHNs模糊诊断模型的轮毂电机机械故障的在线诊断，如图4所示，首先通过安装于电动汽车轮毂电机轴承处的振动信号采集模块1采集车辆实际过程中的实际振动信号xs'，实际振动信号xs'的采样频率为12.8kHz，采样时间为60s。其次将采集到的实际振动信号xs'输入到数据处理模块2中，数据处理模块2基于实际振动信号xs'计算出其特征参数，通过综合权重诊断指标法(SWDI)提炼出振动信号的3个高敏感特征参数，根据式(1)将选取出的三个高敏感特征参数离散化，输出离散化的实际特征参数f(x)'。然后，将离散化的实际特征参数f(x)'输入到集成诊断算法ECU3中，集成诊断算法ECU3中内置了步骤六构建的AHNs模糊诊断模型，离散化的特征参数f(x)'实际先经过训练后的AHNs模型得出实际状态类型y”，将实际状态类型y”发送到模糊诊断模型中，计算出实际状态类型y”属于不同状态标示类型的隶属度函数p1(y"),p2(y"),…,pV(y"),pun(y")，其中，p1(y"),p2(y"),…,pV(y")是实际状态类型y”标示为1,2,…,V对应的隶属度函数，pun(y")是非标示的状态类型y”对应的隶属度函数。最后，比较这V+1个不同状态标示类型的隶属度函数p1(y"),p2(y"),…,pV(y"),pun(y")的大小，找出最大值即最大概率值，该最大概率值对应的状态标示类型即为诊断结果，并将诊断结果发送到诊断结果显示模块4中。
Claims (6)
1.一种基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是包括以下步骤：
步骤(1)：采集不同负载和转速下的轮毂电机的正常状态和故障状态振动信息，提炼出振动信号的3个高敏感特征参数，对3个高敏感特征参数离散化得到离散化后的特征参数f(x)；
步骤(2)：将离散化后的特征参数f(x)输入到人工碳氢网络模型中构建AHNs模型为输出状态类型y；L是碳原子数，ωi是第i个碳原子值，hij是与第i个碳原子相连的第j个氢原子值，k是在第i个与碳原子连接的氢原子的数目；
步骤(3)：对AHNs模型进行训练学习，得到训练后的AHNs模型为并计算出其概率密度函数F(y')和隶属度函数p(y')，y'是由f(x)激发的学习后的AHNs模型输出的状态类型，ωi *、hij *分别是ωi、hij的最优值；
步骤(4)：基于状态类型y'及其隶属度函数p(y')构建模糊诊断模型为p(y')＝max{p1(y'),p2(y'),…,pV(y'),pun(y')}，p1(y'),p2(y'),…,pV(y')是状态类型y'标示为1,2,…,V对应的隶属度函数，pun(y')是非标示的状态类型y'对应的隶属度函数；
步骤(5)：将所述的训练后的AHNs模型和所述的模糊诊断模型相串联构成AHNs模糊诊断模型用于在线诊断，所述的训练后的AHNs模糊诊断模型内置在集成诊断算法ECU中，采集到的实际振动信号经数据处理模块处理后输出的离散化的实际特征参数输入到集成诊断算法ECU中，集成诊断算法ECU先经所述的训练后的AHNs模型得到实际状态类型y”，再经所述的模糊诊断模型得到实际状态类型y”对应的隶属度函数p1(y"),p2(y"),…,pV(y"),pun(y")，这V+1个隶属度函数中最大值对应的状态标示类型即为诊断结果，p1(y"),p2(y"),…,pV(y")是实际状态类型y”标示为1,2,…,V对应的隶属度函数，pun(y")是非标示的实际状态类型y”对应的隶属度函数。
2.根据权利要求1所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(1)中，所述的离散化后的特征参数x是3个高敏感特征参数，a是参数空间内特征参数的最小值，b是参数空间内特征参数的最大值，R是特征参数x的极差，K是特征参数域[a,b]的划分数，z是远大于K的数，n是[1,K]之间的正整数。
3.根据权利要求2所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(3)中，所述的概率密度函数μ和σ分别为数学期望值和标准差。
4.根据权利要求3所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(3)中，所述的隶属度函数
e,t＝1,2,…,M，M是y'域的划分数，μ和σ分别为数学期望值和标准差。
5.根据权利要求4所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(4)中，非标示的实际状态类型y”对应的隶属度函数
6.根据权利要求1所述的基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法，其特征是：步骤(1)中，不同负载为0N·m、10N·m、20N·m、30N·m，不同转速为100-700rpm，振动信号的采样频率为12.8kHz，采样时间为60s。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010557370.0A CN111859290B (zh) | 2020-06-18 | 2020-06-18 | 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010557370.0A CN111859290B (zh) | 2020-06-18 | 2020-06-18 | 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859290A CN111859290A (zh) | 2020-10-30 |
| CN111859290B true CN111859290B (zh) | 2024-03-19 |
Family
ID=72986162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010557370.0A Active CN111859290B (zh) | 2020-06-18 | 2020-06-18 | 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859290B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390519B (zh) * | 2023-12-06 | 2024-04-09 | 中汽研汽车检验中心（天津）有限公司 | 一种轮毂电机故障情况预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297589A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 |
| CN109655267A (zh) * | 2019-01-07 | 2019-04-19 | 江苏大学 | 一种汽车轮毂轴承故障特征提取方法 |
| CN110031225A (zh) * | 2019-03-15 | 2019-07-19 | 江苏大学 | 一种基于人工碳氢网络的轮毂电机轴承故障逐次诊断方法 |
-
2020
- 2020-06-18 CN CN202010557370.0A patent/CN111859290B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104297589A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 |
| CN109655267A (zh) * | 2019-01-07 | 2019-04-19 | 江苏大学 | 一种汽车轮毂轴承故障特征提取方法 |
| CN110031225A (zh) * | 2019-03-15 | 2019-07-19 | 江苏大学 | 一种基于人工碳氢网络的轮毂电机轴承故障逐次诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Fault Feature Extraction Based on Artificial Hydrocarbon Network for Sealed Deep Groove Ball Bearings of In-wheel Motor;Hongtao Xue等;IEEE prognostics and system health management conference(PHM-Harbin);全文 * |
| Fuzzy Controller for Autonomous Vehicle Based on Rough Sets;HONGTAO XUE等;Journal Article;全文 * |
| 基于AHN的轮毂电机轴承故障特征提取方法;薛红涛等;华中科技大学学报（自然科学版）;第47卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859290A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks | |
| CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
| CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN113375941B (zh) | 高速动车组轴承的开集故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| 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 | |
| CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
| CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
| CN109186971B (zh) | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 | |
| CN110031225A (zh) | 一种基于人工碳氢网络的轮毂电机轴承故障逐次诊断方法 | |
| CN111898644B (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN113850161B (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN111859290B (zh) | 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法 | |
| CN114662954A (zh) | 车辆性能评估系统 | |
| CN113029619A (zh) | 基于c4.5决策树算法的地下铲运机故障诊断方法 | |
| CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
| CN112487709A (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
| CN117909668B (zh) | 基于卷积神经网络的轴承故障诊断方法及系统 | |
| 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 | |
| CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 | |
| CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
| CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
| CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |