CN112016471B - 一种不完备样本条件下的滚动轴承故障诊断方法 - Google Patents
一种不完备样本条件下的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112016471B CN112016471B CN202010891899.6A CN202010891899A CN112016471B CN 112016471 B CN112016471 B CN 112016471B CN 202010891899 A CN202010891899 A CN 202010891899A CN 112016471 B CN112016471 B CN 112016471B
- Authority
- CN
- China
- Prior art keywords
- evidence
- input
- sample
- fault
- similarity
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005096 rolling process Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000005266 casting Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种不完备样本条件下的滚动轴承故障诊断方法。本发明首先通过加速度传感器采集滚动轴承的振动加速度信号，将振动加速度进行频域特征提取，并对所提取的频域特征进行选择，构建故障诊断模型的输入特征向量；其次构造参考证据矩阵表及联合参考证据矩阵表；根据联合证据矩阵表确定不同参考证据间的相关性；然后对输入样本向量激活的多个参考证据组合进行融合，将融合结果采用证据推理规则进行进一步融合确定参数优化模型，最后基于最优参数集合对滚动轴承进行故障诊断。本发明方法充分考虑了证据之间的相关性，有效识别样本故障特征，能够很好地实现对样本数据中存在缺失值情况下的滚动轴承典型故障模式的有效诊断。
Description
技术领域
本发明涉及一种在不完备样本条件下的滚动轴承故障诊断方法，属于旋转机械设备状态监测与故障诊断技术领域。
背景技术
滚动轴承是减少摩擦损失的一种精密机械元器件，由于制造、安装和运行环境的影响，在机电系统中易发生损坏，直接影响旋转机械的工作状态，进而影响整个机电系统的可靠性。据统计，在旋转机械的故障中，约30％的机械故障均由滚动轴承损坏引起。因此，对滚动轴承故障诊断进行研究对保证机电设备的正常可靠运行具有重要意义。
目前，滚动轴承的故障诊断方法仍以传统的频域分析法和时域分析法为主。时频域分析法的应用弥补了传统方法只适用于平稳信号分析的缺陷，但是对样本数据缺失的情况未加以考虑。然而在实际监测过程中，由于传感器的局限性、人为或者技术等因素导致的故障特征数据缺失的现象时常发生，导致故障诊断样本具有不完备性。基于不完备样本建立滚动轴承故障诊断模型使得模型丢失了大量有用的数据信息，进一步增加了诊断信息的不确定性，降低了故障诊断的有效性。因此，研究不完备样本下滚动轴承的故障诊断方法将有助于提高实际应用中诊断的准确性。
发明内容
本发明针对现有技术的不足，提出了一种在不完备样本条件下的滚动轴承故障诊断方法。
本发明通过在电动机/轴承系统的风扇端、驱动端和基座端轴承座上方各放置一个加速度传感器采集滚动轴承的振动加速度信号，将其采集到的振动加速度信号进行频域特征提取，并采用主成分分析法对所提取的频域特征进行选择，构建故障诊断模型的输入特征向量；根据专家经验确定每一输入特征的参考值集合，计算每一输入特征对于其参考值的相似度分布；将数据缺失看作是故障特征自身所具有的一种自然特性，即可将缺失的故障特征转化为一条参考证据；由此构造单个输入参考值与故障类型间的参考证据矩阵表及多输入参考值与故障类型间的联合参考证据矩阵表；根据联合证据矩阵表确定不同参考证据间的相关性，利用基本概率质量函数确定证据的可靠性及其初始重要性权重，并确定可靠性比率；利用极大似然证据推理规则对输入样本向量激活的多个参考证据组合进行融合，将融合结果采用证据推理规则进行进一步融合确定最终故障模式；构建滚动轴承故障诊断模型的参数优化模型，对诊断模型关键参数进行优化以提升诊断准确性，最后基于最优参数集合重复上述步骤对滚动轴承进行故障诊断。
本发明提出的不完备样本条件下的滚动轴承故障诊断方法，包括以下各步骤：
(1)采集电动机/轴承系统的振动信号对滚动轴承进行故障诊断，将滚动轴承的故障分为F1，F2，…，FN，这N种故障模式构成模型的辨识框架，记为Y，Y＝[F1,…,FN]。
(2)在电动机/轴承系统的驱动端、风扇端和基座端轴承座上方安装加速度传感器，在转速为v的工况下采集轴承的振动加速度信号r1(t)、r2(t)和r3(t)，t为采样时刻，采样频率为f，将每个样本的长度设置为60f/v个连续采样点。
(3)分别对步骤(2)中的振动加速度信号r1(t)、r2(t)和r3(t)分别进行频域特征提取，每个振动信号均选择重心频率(fi1)、均方频率(fi2)、均方根频率(fi3)、频率方差(fi4)和频率标准差(fi5)构建频域特征向量，i为振动信号编号，且i＝[1,2,3]；
采用主成分分析法(PCA)对频域特征向量{f11(r),…,f15(r),f21(r),…,f25(r),f31(r),…,f35(r)}进行特征选择，r为样本数，且r＝[1,…,R]，R为样本总数，选取前三个主成分p1、p2和p3作为滚动轴承故障诊断的输入特征；将p1(r),p2(r),p3(r)和Fn(n＝1,…,N)表示成样本集合U＝{[p1(r),p2(r),p3(r),Fn]|r＝1,2,…,R},其中[p1(r),p2(r),p3(r),Fn]为一个样本向量。
(4)确定滚动轴承故障诊断模型输入特征的参考值；根据专家经验确定输入特征pj的输入参考值集合Kj为输入特征pj的参考值个数。
(5)采用分段线性函数，即式(1b)，将每一个样本的输入特征pj转化为相对于参考值相似度的形式，具体步骤如下：
(5-1)样本对(pj(r),Fn)的输入值pj(r)匹配参考值的相似度分布为：
其中
αk,j表示输入值pj(r)匹配参考值的相似度；对于样本对(pj(r),Fn)，αk,j表示该样本的故障模式为Fn时输入特征pj相对于参考值/>的相似度。
(5-2)样本集U中的所有样本可通过步骤(5-1)转化为相似度分布的形式，从而建立如表1所示的输入参考值和故障类型之间的投点统计表，其中表示对于输入特征pj,所有样本匹配参考值/>并且故障种类为Fn的相似度之和；表1中，设定参考值/>表示故障特征pj取值缺失的情况，/>表示pj(r)缺失同时该样本属于Fn的训练样本个数之和，ηU是样本集中输入特征pj(r)的缺失值个数之和，/>表示故障模式为Fn的所有样本对相似度之和，/>表示输入特征pj匹配参考值ak,j的所有样本对相似度之和，并有
表1输入特征pj的投点统计表
(6)根据步骤(5)中的投点统计表，根据式(2)计算当输入值pj(r)与参考值或匹配时，该样本的故障模式为Fn的置信度：
并且定义参考值/>对应的参考证据为：
根据式(2)和式(3)构造输入特征pj对应的参考证据矩阵表，描述样本集中输入特征pj和故障类型Fn之间的映射关系，如表2所示；
表2输入特征pj对应的参考证据矩阵
(7)确定两个输入特征的联合相似度；构造两个输入特征pj，pm(j≠m)的联合投点统计表，如表3所示，其中表示两个输入特征的联合相似度，/> 即/>等于输入特征pj匹配参考值/>的相似度αk,j和pm匹配参考值/>的相似度αk,m的乘积。
表3输入特征pj,pm(j≠m)的联合投点统计表
(8)根据步骤(7)中输入特征pj,pm的联合投点统计表，根据式(4)计算当输入特征pj,pm分别匹配参考值且故障类型为Fn的联合置信度，并且/>
构造如表4所示的输入特征pj,pm联合参考证据矩阵表。
表4输入特征pj,pm的联合参考证据矩阵表
(9)根据步骤(7)和步骤(8)得到三个输入特征信号pj,pm,pl的联合投点统计表和联合参考证据矩阵表；
(10)定义证据相关性因子μ描述不同证据之间的相互依赖程度，如式(5)；
(11)定义证据的可靠性因子Rt描述证据对滚动轴承故障模式的辨识能力；定义证据的重要性权重Wt描述证据相对于其他证据的相对重要性，具体获取步骤如下：
(11-1)根据式(6)，基于基本概率质量函数确定可靠性因子
其中mp(Θ),t表示Y中故障模式所构成的幂集的基本概率质量函数，t＝1,...,2J；考虑到不完备样本会对输入特征pj的可靠性产生影响，根据式(7)定义受不完备样本影响的证据可靠性因子指标；
其中Tj为输入特征pj的缺失样本数，R为样本个数，根据式(8)，证据的可靠性因子Rt由和/>合成得到，其中t＝1,...,2J；
(11-2)通常证据的可靠性因子和重要性权重呈正相关关系，因此设置Rt＝Wt，即证据的重要性权重Wt等于证据的可靠性因子Rt；
(11-3)设定极大似然证据推理规则中的可靠性因子rj和重要性权重wj初始值均为1，并作为可调参数，通过优化模型进行调整；
(12)定义可靠性比率γ描述证据的联合可靠性因子和各自可靠性因子乘积之间的比率，并且初始值设置为1，通过优化模型进行调整；
(13)给定样本集中的任意一组输入特征向量P(r)＝(p1(r),p2(r),p3(r))，根据步骤(6)和步骤(8)获得的参考证据矩阵表和联合参考证据矩阵表，步骤(10)、步骤(11)和步骤(12)获得的证据的相关性因子μ、可靠性因子Rt和重要性权重Wt及可靠性比γ，利用极大似然证据推理规则对激活的参考证据进行组合，具体步骤如下：
(13-1)对于输入值p1(r)，其必然落入某两个相邻参考值构成的区间该输入值与两参考值的相似度分别为αk,j和αk+1,j，此时这两个参考值对应的参考证据/>和/>被激活，则每组样本向量[p1(r),p2(r),…,pJ(r)]将激活2J条参考证据，且生成2J个参考证据组合，每个参考证据组合中包含J条参考证据；根据式(9)，利用极大似然证据推理规则对每组参考证据组合进行融合，得到融合结果为et＝{(Fn,pn,e(J)),t＝1,...,2J}；
(14)根据式(10)，采用证据推理规则对步骤(13)中获得的et(t)进行融合，得到融合结果为
其中表示输入样本向量为[p1(r),p2(r),…,pJ(r)]时，故障模式Fn的置信度，
并且最大值对应的故障模式为轴承故障诊断模型的辨识结果；
(15)基于遗传算法构建参数优化模型，具体步骤如下：
(15-1)确定优化参数集合wn,j表示输入特征j的证据指向故障n的权重，rn,j表示输入特征j的证据指向故障n的可靠性；
(15-2)将最小化均方误差作为优化目标函数
s.t.0≤wn,j≤1,j＝1,2,3 (11b)
0≤rn,j≤1 (11d)
0≤γ (11e)
式(11b)-(11e)表示优化参数需满足的约束条件；
(15-3)利用数学计算软件MATLAB中的遗传算法优化软件包优化该目标函数，获得最优的参数集合P，分别对初始信度矩阵表、证据的可靠性及其权重和可靠性比进行更新，再一次重复步骤(5)～步骤(14)即可得到更为精确的滚动轴承故障诊断结果。
本发明的有益效果：本发明以轴承不同位置振动加速度信号作为故障诊断特征，采用特征提取和特征选择构建输入特征向量，基于极大似然证据推理规则，建立了面向不完备样本的滚动轴承故障诊断模型，作为辨识滚动轴承故障模式的依据，从而解决不完备样本下滚动轴承的故障诊断问题。将基于极大似然证据推理规则的故障诊断模型应用于不完备样本下滚动轴承故障诊断，对故障诊断模型的有效性进行了分析，结果表明该发明方法弥补了传统证据推理规则的不足，充分考虑了证据之间的相关性，有效识别样本故障特征，能够很好地实现对样本数据中存在缺失值情况下的滚动轴承典型故障模式的有效诊断。
根据本发明方法编制的程序(编译环境MATLAB)可以在监测计算机上运行，并联合传感器、数据采集器等硬件组成在线监测系统，配置在旋转机械设备上，从而实现旋转机械设备滚动轴承部件的实时状态监测与故障诊断。
附图说明
图1是本发明方法的流程框图。
具体实施方式
本发明提出的一种不完备样本条件下的滚动轴承故障诊断方法，其流程框图如图1所示，本发明包括以下各步骤：
(1)设定滚动轴承在转速1797r/min的0负载工况下采集到的驱动端、风扇端和基座端的振动加速度信号为r1(t)、r2(t)和r3(t)，t为采样时刻；在12KHz的采样频率下传感器每秒采集12000个振动加速度信号，由12000×60/1797≈400可得轴承每转一圈传感器约采集400个点数，因此将每个样本的长度设置为400个连续采样点。
(2)分别对步骤(1)中的振动加速度信号r1(t)、r2(t)和r3(t)分别进行频域特征提取，每个振动信号均选择重心频率(fi1)、均方频率(fi2)、均方根频率(fi3)、频率方差(fi4)和频率标准差(fi5)构建频域特征向量，i为振动信号编号，且i＝[1,2,3]；采用主成分分析法(PCA)对频域特征向量{f11(r),…f15(r),f21(r)…f25(r),f31(r)…f35(r)}进行特征选择，选取累计贡献率为90.0％的前三个主成分p1、p2和p3作为滚动轴承故障诊断的输入特征，r为样本数，且r＝[1,…,R]，R为样本总数，且R＝500；将p1(r),p2(r),p3(r)和Fn(n＝1,…,N)表示成样本集合U＝{[p1(r),p2(r),p3(r),Fn]|r＝1,2,…,R},其中[f1(r),f2(r),f3(r),Fn]为一个样本向量，其中缺失的样本数据约占10％，诊断模型的输出有5种故障类型：内圈故障(F1)、滚动体故障(F2)、外圈故障3点钟方向(F3)、外圈故障6点钟方向(F4)、外圈故障12点钟方向(F5)。
(3)确定滚动轴承故障诊断模型输入特征的参考值；根据专家经验确定输入特征pj的输入参考值集合Kj为输入特征pj的参考值个数。
为了便于对输入参考值的理解，这里举例说明。假定每种故障模式采集100个样本，5种故障模式共500个样本，构成诊断样本集，经步骤(2)数据处理后共获得3个输入特征p1、p2和p3，其取值范围分别为[-5.7,5]、[-3.35,2.46]、[-1.8,2]，设输入特征p1的输入参考值集合为A1＝{-5.7,-0.35,5}，输入特征p2的输入参考值集合为A2＝{-3.35,-0.445,2.46}，输入特征p3的输入参考值集合为A3＝{-1.8,0.1,2}。
(4)采用分段线性函数，即式(1b)，将每一个样本的输入特征pj转化为相对于参考值相似度的形式，具体步骤如下：
(4-1)样本对(pj(r),Fn)的输入值pj(r)匹配参考值的相似度分布为:
其中
αk,j表示输入值pj(r)匹配参考值的相似度；对于样本对(pj(r),Fn)，αk,j表示该样本的故障模式为Fn时输入特征pj相对于参考值/>的相似度；
为了加深对样本对(pj(r),Fn)的输入值pj(r)匹配参考值的相似度的理解，可以任选一个样本向量为[(p1(r),p2(r),p3(r),F1)]＝[3.8273，1.9157，-0.6116，F1]，沿用步骤(3)中设定的输入参考值集合，通过式(1)可得输入值p1(r)匹配参考值的相似度为α2,1＝0.2192和α3,1＝0.7808，输入值p2(r)匹配参考值的相似度为α2,2＝0.1874和α3,2＝0.8126，输入值p3(r)匹配参考值的相似度为α1,3＝0.3745和α2,3＝0.6255，进而可获得样本对(p1(r),F1)与其参考值的相似度分布(α2,1,α3,1)＝(0.2192,0.7808)，样本对(p2(r),F1)与其参考值的相似度分布(α2,2,α3,2)＝(0.1874,0.8126)，样本对(p3(r),F1)与其参考值的相似度分布(α1，3,α2,3)＝(0.3745,0.6255)。
(4-2)样本集U中的所有样本可通过步骤(4-1)转化为相似度分布的形式，从而建立如表1所示的输入参考值和结果值之间的投点统计表，其中表示对于输入特征pj所有样本匹配参考值/>并且故障种类为Fn的相似度之和；表1中，设定参考值/>表示故障特征pj取值缺失的情况，/>表示pj(r)的值缺失同时该样本属于Fn的训练样本个数之和，ηU是样本集中，输入特征pj(r)的缺失值个数之和；/>表示故障模式为Fn的所有样本对相似度之和，/>表示输入特征pj匹配参考值ak,j的所有样本对相似度之和，并有
表1输入特征pj的投点统计表
为了便于理解输入特征pj的投点统计表，继续沿用步骤(3)中的输入参考值集合并从样本集合中选取300个样本作为训练集，根据步骤(4-1)和(4-2)获得训练集300个样本对(p1(r),Fi)的相似度分布，构造出投点统计表，如下表5所示。
表5输入特征p1的投点统计表
(5)根据步骤(4)中的投点统计表，根据式(2)计算当输入值pj(r)与参考值或匹配时，该样本的故障模式为Fn的置信度：
并且定义参考值/>对应的参考证据为：
根据式(2)和式(3)可构造出输入特征pj对应的参考证据矩阵表，描述样本集中输入特征pj和故障类型Fn之间的映射关系，如表2所示。
表2输入特征pj对应的参考证据矩阵
采用步骤(4)中输入特征p1的投点统计表加深对上表所示的参考证据矩阵表的理解。根据表4，由式(2)和式(3)可得输入特征p1取参考值时对应的证据为：
同样地，可求取输入特征p1取其它参考值时对应的证据，构建输入特征p1的参考证据矩阵表，如表6所示。
表6输入特征p1对应的参考证据矩阵
(6)确定两个输入特征的联合相似度；构造两个输入特征pj，pm(j≠m)的联合投点统计表，如表3所示，其中表示两个输入特征的联合相似度，/> 即/>等于输入特征pj匹配参考值/>的相似度αk,j和pm匹配参考值/>的相似度αk,m的乘积。
表3输入特征pj,pm(j≠m)的联合投点统计表
为了便于理解输入特征pj和pm的联合投点统计表，继续沿用步骤(3)中的输入参考值集合，根据步骤(4-1)和步骤(6)获得训练集300个样本对中输入特征p1和p2的联合相似度分布，构造出p1和p2的联合投点统计表，如下表7所示。
表7输入特征p1,p2的联合投点统计表
(7)根据步骤(6)中输入特征pj,pm的联合投点统计表，根据式(4)计算当输入特征pj,pm分别匹配参考值且故障模式为Fn的联合置信度，并且/>
构造如表4所示的输入特征pj,pm联合参考证据矩阵表；
表4输入特征pj,pm的联合参考证据矩阵表
采用步骤(6)中输入特征p1和p2的联合投点统计表加深对上表所示的联合参考证据矩阵表的理解。根据表4，由式(4)可得输入特征p1和p2取参考值和/>时对应的证据为
同样地，可求取输入特征p1和p2分别取其它参考值时对应的联合参考证据，构建输入特征p1和p2的联合参考证据矩阵表，如表8所示。
表8输入特征p1,p2的联合参考证据矩阵表
(8)根据步骤(6)和步骤(7)得到三个输入特征信号pj,pm,pl的联合投点统计表和联合参考信度矩阵表。
(9)定义证据相关性因子μ描述不同证据之间的相互依赖程度，如式(5)：
(10)定义证据的可靠性因子Rt描述证据对滚动轴承故障模式的辨识能力；定义证据的重要性权重Wt描述证据相对于其他证据的相对重要性，具体获取步骤如下：
(10-1)根据式(6)，基于基本概率质量函数确定可靠性因子
其中mp(Θ),t表示Y中故障模式所构成的幂集的基本概率质量函数，t＝1,...,2J；考虑到不完备样本会对输入特征pj的可靠性产生影响，根据式(7)定义由不完备样本引起的可靠性因子指标；
其中Tj为输入特征pj的缺失样本数，根据式(8)，证据的可靠性因子Rt由和/>合成得到，其中t＝1,...,2J；
(10-2)通常证据的可靠性因子和重要性权重呈正相关关系，因此设置Rt＝Wt，即证据的重要性权重Wt等于证据的可靠性因子Rt。
(10-3)设定极大似然证据推理规则中的可靠性因子rj和重要性权重wj初始值均为1，并作为可调参数，通过优化模型进行调整。
(11)定义可靠性比率γ描述证据的联合可靠性因子和各自可靠性因子乘积之间的比率，并且初始值设置为1，通过优化模型进行调整。
(12)给定样本集中的任意一组输入特征向量P(r)＝(p1(r),p2(r),p3(r))，根据步骤(5)和步骤(7)获得的参考证据矩阵表和联合参考证据矩阵表，步骤(9)、步骤(10)和步骤(11)获得的证据的相关性因子μ、可靠性因子Rj和重要性权重Wj及可靠性比γ，可利用极大似然证据推理规则对激活的参考证据进行组合，具体步骤如下：
(12-1)对于输入特征p1(r)，其必然落入某两个相邻参考值构成的区间该输入值与两参考值的相似度分别为αk,j和αk+1,j，此时这两个参考值对应的参考证据/>和被激活，则每组样本向量[p1(r),p2(r),…,pJ(r)]将激活2J条参考证据，且生成2J个参考证据组合，每个参考证据组合中包含J条参考证据；根据式(9)，利用极大似然证据推理规则对每组参考证据组合进行融合，得到融合结果为et＝{(Fn,pn,e(J)),t＝1,...,2J}；/>
(13)根据式(10)，采用证据推理规则对步骤(12)中获得的证据et(t)进行融合，得到融合结果为
其中表示输入样本向量为[p1(r),p2(r),…,pJ(r)]时，故障模式Fn的置信度，并且/>最大值对应的故障模式为轴承故障诊断模型的辨识结果。
为了便于理解，沿用步骤(4-1)中的样本向量[p1(r),p2(r),p3(r)]＝[3.8273，1.9157，-0.6116]，根据步骤(4-1)可知该样本输入值p1(r)匹配参考值的相似度为α2,1＝0.2192和α3,1＝0.7808，激活证据和/>输入值p2(r)匹配参考值的相似度为α2,2＝0.1874和α3,2＝0.8126，激活证据/>和/>输入值p3(r)匹配参考值的相似度为α1,3＝0.3745和α2,3＝0.6255，激活证据/>和/>根据式(5)可计算得到输入值p1(r)和p2(r)的证据组合内每两条参考证据之间的4个相关性因子μ为
输入值p1(r)、p2(r)和p3(r)的证据组合内每两条参考证据之间的8个相关性因子μ为
/>
根据式(6)可计算基于基本概率质量函数确定可靠性因子：
根据式(7)可计算由不完备样本引起的可靠性因子指标可得/>那么利用式(8)即可获得证据的可靠性/>
根据步骤(10-3)同样可确定证据的重要性权重可等于其可靠性，即Wt＝Rt＝0.9；此外，设定极大似然证据推理规则中的可靠性因子rj和重要性权重wj初始值均为1，即rj＝wj＝1。
由公式(9)可得到极大似然证据推理规则的融合结果et(1)＝[0.1026,0.0892,0.0534,0,0.7549]，et(2)＝[0.1026,0.0892,0.0534,0,0.7549]，et(3)＝[0.0353,0.2244,0.1313,0.1923,0.4167]，et(4)＝[0.0353,0.2244,0.1313,0.1923,0.4167]，et(5)＝[0.7231,0,0.2769,0,0]，et(6)＝[0.7231,0,0.2769,0,0]，et(7)＝[0.1335,0,0.1174,0.7490,0]，et(8)＝[0.1335,0,0.1174,0.7490,0]；再根据证据推理规则，利用式(10)计算出样本的故障模式，可得计算结果为：
O(P(1))＝{(F1,0.4241),(F2,0.0069),(F3,0.1299),(F4,0.1078),(F5,0.3312)}
即可得故障模式为F1。
(14)基于遗传算法构建参数优化模型，具体步骤如下：
(14-1)确定优化参数集合wn,j表示输入特征j的证据指向故障n的权重，rn,j表示输入特征j的证据指向故障n的可靠性。
(14-2)将最小化均方误差作为优化目标函数
s.t.0≤wn,j≤1,j＝1,2,3 (11b)
0≤rn,j≤1 (11d)
0≤γ (11e)
式(11b)-(11e)表示优化参数需满足的约束条件。
(14-3)利用数学计算软件MATLAB中的遗传算法优化软件包优化该目标函数，获得最优的参数集合P，分别对初始信度矩阵表、证据的可靠性及其权重和可靠性比进行更新，再一次重复步骤(4)～步骤(13)即可得到更为精确的滚动轴承故障诊断结果。
以下结合在1.5KW(2马力)轴承试验台采集的振动加速度数据为例，详细介绍本发明方法的各个步骤。
1、实验数据的采集及预处理
实验数据来自于通过在1.5KW(2马力)电动机/轴承试验台的风扇端、驱动端和基座端轴承座上方各放置的一个加速度传感器采集到的故障轴承的振动加速度信号。选取12kHz采样频率下0马力电机负载故障直径为0.1778mm的数据作为本实验所用数据。诊断模型的输出有5种故障类型：内圈故障(F1)、滚动体故障(F2)、外圈故障3点钟方向(F3)、外圈故障6点钟方向(F4)、外圈故障12点钟方向(F5)。电机转速设置为1797r/min，采样频率为12kHz即传感器每秒采集12000个振动加速度信号。计算可得轴承每旋转一圈大约可采集400个振动信号，因此将连续的400个振动信号定义为一个样本。每类故障收集100个样本，共收集R＝500个样本。对于每个样本构建频域特征向量，提取振动信号的重心频率、均方频率、均方根频率、频率方差和频率标准差，三种输入信号共构建15维频域特征向量，并设置主成分分析(PCA)累计贡献率为90.0％，对特性进行降维处理，使其转化为3维特征，即p1、p2和p3作为最终的输入特征，则可得到样本集合U＝{[p1(r),p2(r),p3(r)]|r＝1,2,…,R},其中[p1(r),p2(r),p3(r),Fn]为一个样本向量。
2、输入特征参考值的选取
根据专家经验确定其参考值集合，由此可得输入特征p1的输入参考值集合A1＝{-5.7,-0.35,5}；输入特征信号p2的输入参考值集合A2＝{-3.35,-0.445,2.46}；输入特征信号p3的输入参考值集合A3＝{-1.8,0.1,2}。
3、获取输入特征关于参考值的相似度分布形式，构造相应的投点统计表
利用本发明方法步骤(5)获得R＝300组训练样本集合中所有输入特征pj对于参考值的相似度分布，构造如本发明方法步骤(5)中表1所示的投点统计表，输入特征p1、p2和p3投点统计表分别如下表9、表10、和表11所示
表9输入特征p1的投点统计表
表10输入特征p2的投点统计表
表11输入特征p3的投点统计表
4、根据本发明方法步骤(6)求取输入特征pj与其参考值匹配时，该样本的各个故障模式的置信度，并构造参考证据矩阵表
根据本发明方法步骤(5)获得各输入特征pj的投点统计表之后，依照本发明方法的步骤(6)求取输入特征pj与其参考值匹配时，该样本的各个故障模式的置信度，进而构造出输入特征pj的参考证据矩阵表，如下表12、表13和表14所示
表12输入特征p1对应的参考证据矩阵
表13输入特征p2对应的参考证据矩阵
表14输入特征p3对应的参考证据矩阵
5、构造输入特征p1和p2的联合参考证据矩阵表以及输入特征p1、p2和p3的联合参考证据矩阵表
根据本发明方法步骤(7)获得R＝300组训练样本集合中所有关于输入特征p1和p2以及输入特征p1、p2和p3的联合相似度分布和联合投点统计表，依照本发明方法的步骤(8)构造出输入特征p1和p2的联合参考证据矩阵表以及p1、p2和p3的联合参考证据矩阵表，如下表15和表16所示
表15输入特征p1,p2的联合参考证据矩阵表
/>
表16输入特征p1,p2,p3的联合参考证据矩阵表
/>
6、根据本发明方法步骤(10)获得不同参考证据之间的相关性，具体过程如下：
以第一条样本为例，p1(1)＝3.8273，p2(1)＝1.9157，p3(1)＝-0.6116根据本发明方法步骤(10)的式(5)可计算得到输入值p1(1)和p2(1)的证据组合内每两条参考证据之间的4个相关性因子μ为
输入值p1(1)、p2(1)和p3(1)的证据组合内每两条参考证据之间的8个相关性因子μ为：
同理，计算可得到样本集中R条样本不同输入值证据组合内不同参考证据之间的相关性因子。
7、根据本发明方法步骤(11)获得证据的可靠性及其权重，具体过程如下：
根据本发明方法步骤(11)的式(6)可计算基于基本概率质量函数确定可靠性因子
根据本发明方法步骤(11)的式(7)可计算由不完备样本引起的可靠性因子指标可得
那么利用式(8)即可获得证据的可靠性
根据本发明方法步骤(11)同样可确定证据的重要性权重可等于其可靠性，即Wt＝Rt＝0.9；
此外，设定极大似然证据推理规则中的可靠性因子rj和重要性权重wj初始值均为1，即rj＝wj＝1。
8、根据本发明方法步骤(13)融合输入样本向量激活的每组参考证据
例如输入特征向量P(1)＝[p1(1),p2(1),p3(1)]＝[3.8273,1.9157,-0.6116]，根据本发明方法步骤(5)可得样本输入p1(1)以相似度α2,1＝0.2192和α3,1＝0.7808激活证据和/>样本输入p2(1)以相似度α2,2＝0.1874和α3,1＝0.8126激活证据/>和/>样本输入p3(1)以相似度α1,3＝0.3745和α2,3＝0.6255激活证据/>和/>然后利用式步骤(13)式(9)的极大似然证据推理规则进行融合，可得融合结果为：
et(1)＝[0.1026,0.0892,0.0534,0,0.7549]
et(2)＝[0.1026,0.0892,0.0534,0,0.7549]
et(3)＝[0.0353,0.2244,0.1313,0.1923,0.4167]
et(4)＝[0.0353,0.2244,0.1313,0.1923,0.4167]
et(5)＝[0.7231,0,0.2769,0,0]
et(6)＝[0.7231,0,0.2769,0,0]
et(7)＝[0.1335,0,0.1174,0.7490,0]
et(8)＝[0.1335,0,0.1174,0.7490,0]
9、根据本发明方法步骤(14)推理测试样本集合中每组样本的故障模式
利用步骤(14)式(10)的证据推理规则计算出测试样本的故障模式，可得计算结果为：
O(P(1))＝{(F1,0.4241),(F2,0.0069),(F3,0.1299),(F4,0.1078),(F5,0.3312)}
即可得故障模式为F1。
同样地，可以计算所有测试样本的故障模式，进而可获得测试样本集合的诊断正确率，测试样本的故障诊断结果如表17所示，总故障确准率达到了89.33％，达到一般诊断系统的确准率要求。
表17测试样本的故障诊断结果
| 故障模式 | F1 | F2 | F3 | F4 | F5 |
| 准确率 | 88.3％ | 78％ | 96.3％ | 90％ | 93.3％ |
10、根据本发明方法步骤(15)构建参数优化模型，可得优化后的参考证据矩阵表，分别如下表18至表22所示，将优化后的滚动轴承故障诊断模型作为最终模型，对新的滚动轴承故障样本进行诊断。
表18输入特征p1对应的参考证据矩阵
表19输入特征p2对应的参考证据矩阵
表20输入特征p3对应的参考证据矩阵
表21输入特征p1,p2的联合参考证据矩阵表
/>
表22输入特征p1,p2,p3的联合参考证据矩阵表
/>
/>
综上，本发明方法通过构建不完备样本下的滚动轴承故障诊断模型并对模型进行优化，实现了在完备样本和不完备样本下的滚动轴承的故障诊断。优化前，故障诊断模型对训练样本集的故障诊断准确率为89.33％，对测试样本的故障诊断准确率为90.28％，优化后的故障诊断模型对训练样本集的故障诊断准确率为92.67％，对测试样本的故障诊断准确率为92.5％。诊断结果表明：对故障诊断模型进行优化能够显著提高故障诊断模型的诊断准确性，本发明方法能够很好地实现对滚动轴承典型故障模式的有效诊断。
Claims (1)
1.一种不完备样本条件下的滚动轴承故障诊断方法，其特征在于该方法包括以下步骤：
(1)采集电动机/轴承系统的振动信号对滚动轴承进行故障诊断，将滚动轴承的故障分为F1，F2，…，FN，这N种故障模式构成模型的辨识框架，记为Y，Y＝[F1,…,FN]；
(2)在电动机/轴承系统的驱动端、风扇端和基座端轴承座上方安装加速度传感器，在转速为v的工况下采集轴承的振动加速度信号r1(t)、r2(t)和r3(t)，t为采样时刻，采样频率为f，将每个样本的长度设置为60f/v个连续采样点；
(3)分别对步骤(2)中的振动加速度信号r1(t)、r2(t)和r3(t)分别进行频域特征提取，每个振动信号均选择重心频率fi1、均方频率fi2、均方根频率fi3、频率方差fi4和频率标准差fi5构建频域特征向量，i为振动信号编号，且i＝[1,2,3]；
采用主成分分析法对频域特征向量{f11(r),…,f15(r),f21(r),…,f25(r),f31(r),…,f35(r)}进行特征选择，r为样本数，且r＝[1,…,R]，R为样本总数；
选取前三个主成分p1、p2和p3作为滚动轴承故障诊断的输入特征；将p1(r),p2(r),p3(r)和Fn表示成样本集合U＝{[p1(r),p2(r),p3(r),Fn]|r＝1,2,…,R},其中[p1(r),p2(r),p3(r),Fn]为一个样本向量；
(4)确定滚动轴承故障诊断模型输入特征的参考值；根据专家经验确定输入特征pj的输入参考值集合Kj为输入特征pj的参考值个数；
(5)采用分段线性函数，即式(1b)，将每一个样本的输入特征pj转化为相对于参考值相似度的形式，具体步骤如下：
(5-1)样本对(pj(r),Fn)的输入值pj(r)匹配参考值的相似度分布为：
其中
αk,j表示输入值pj(r)匹配参考值的相似度；对于样本对(pj(r),Fn)，αk,j表示该样本的故障模式为Fn时输入特征pj相对于参考值/>的相似度；
(5-2)样本集U中的所有样本可通过步骤(5-1)转化为相似度分布的形式，从而建立输入参考值和故障类型之间的投点统计表，其中表示对于输入特征pj,所有样本匹配参考值/>并且故障种类为Fn的相似度之和；设定参考值/>表示故障特征pj取值缺失的情况，表示pj(r)缺失同时该样本属于Fn的训练样本个数之和，ηU是样本集中输入特征pj(r)的缺失值个数之和，/>表示故障模式为Fn的所有样本对相似度之和，/>表示输入特征pj匹配参考值ak,j的所有样本对相似度之和，并有/>
(6)根据步骤(5)中的投点统计表，根据式(2)计算当输入值pj(r)与参考值或/>匹配时，该样本的故障模式为Fn的置信度：
并且定义参考值/>对应的参考证据为：
根据式(2)和式(3)构造输入特征pj对应的参考证据矩阵表，描述样本集中输入特征pj和故障类型Fn之间的映射关系；
(7)确定两个输入特征的联合相似度；构造两个输入特征pj，pm的联合投点统计表，j≠m，其中表示两个输入特征的联合相似度，/>即/>等于输入特征pj匹配参考值/>的相似度αk,j和pm匹配参考值/>的相似度αk,m的乘积；
(8)根据步骤(7)中输入特征pj,pm的联合投点统计表，根据式(4)计算当输入特征pj,pm分别匹配参考值 且故障类型为Fn的联合置信度，并且/>
构造输入特征pj,pm联合参考证据矩阵表；
(9)根据步骤(7)和步骤(8)得到三个输入特征信号pj,pm,pl的联合投点统计表和联合参考证据矩阵表；
(10)定义证据相关性因子μ描述不同证据之间的相互依赖程度，如式(5)；
(11)定义证据的可靠性因子Rt描述证据对滚动轴承故障模式的辨识能力；定义证据的重要性权重Wt描述证据相对于其他证据的相对重要性，具体获取步骤如下：
(11-1)根据式(6)，基于基本概率质量函数确定可靠性因子
其中mp(Θ),t表示Y中故障模式所构成的幂集的基本概率质量函数，t＝1,...,2J；考虑到不完备样本会对输入特征pj的可靠性产生影响，根据式(7)定义受不完备样本影响的证据可靠性因子指标；
其中Tj为输入特征pj的缺失样本数，R为样本个数，根据式(8)，证据的可靠性因子Rt由和/>合成得到，其中t＝1,...,2J；
(11-2)设置Rt＝Wt，即证据的重要性权重Wt等于证据的可靠性因子Rt；
(11-3)设定极大似然证据推理规则中的可靠性因子rj和重要性权重wj初始值均为1，并作为可调参数，通过优化模型进行调整；
(12)定义可靠性比率γ描述证据的联合可靠性因子和各自可靠性因子乘积之间的比率，并且初始值设置为1，通过优化模型进行调整；
(13)给定样本集中的任意一组输入特征向量P(r)＝(p1(r),p2(r),p3(r))，根据步骤(6)和步骤(8)获得的参考证据矩阵表和联合参考证据矩阵表，步骤(10)、步骤(11)和步骤(12)获得的证据的相关性因子μ、可靠性因子Rt和重要性权重Wt及可靠性比γ，利用极大似然证据推理规则对激活的参考证据进行组合，具体步骤如下：
(13-1)对于输入值p1(r)，其必然落入某两个相邻参考值构成的区间该输入值与两参考值的相似度分别为αk,j和αk+1,j，此时这两个参考值对应的参考证据/>和/>被激活，则每组样本向量[p1(r),p2(r),…,pJ(r)]将激活2J条参考证据，且生成2J个参考证据组合，每个参考证据组合中包含J条参考证据；根据式(9)，利用极大似然证据推理规则对每组参考证据组合进行融合，得到融合结果为et＝{(Fn,pn,e(J)),t＝1,...,2J}；
(14)根据式(10)，采用证据推理规则对步骤(13)中获得的et(t)进行融合，得到融合结果为
其中表示输入样本向量为[p1(r),p2(r),…,pJ(r)]时，故障模式Fn的置信度，并且/>最大值对应的故障模式为轴承故障诊断模型的辨识结果；
(15)基于遗传算法构建参数优化模型，具体步骤如下：
(15-1)确定优化参数集合wn,j表示输入特征j的证据指向故障n的权重，rn,j表示输入特征j的证据指向故障n的可靠性；
(15-2)将最小化均方误差作为优化目标函数
s.t.0≤wn,j≤1,j＝1,2,3 (11b)
0≤rn,j≤1 (11d)
0≤γ (11e)
式(11b)-(11e)表示优化参数需满足的约束条件；
(15-3)利用数学计算软件MATLAB中的遗传算法优化软件包优化该目标函数，获得最优的参数集合P，分别对初始信度矩阵表、证据的可靠性及其权重和可靠性比进行更新，再一次重复步骤(5)～步骤(14)即可得到更为精确的滚动轴承故障诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010891899.6A CN112016471B (zh) | 2020-08-27 | 2020-08-27 | 一种不完备样本条件下的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010891899.6A CN112016471B (zh) | 2020-08-27 | 2020-08-27 | 一种不完备样本条件下的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016471A CN112016471A (zh) | 2020-12-01 |
| CN112016471B true CN112016471B (zh) | 2024-02-23 |
Family
ID=73503319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010891899.6A Active CN112016471B (zh) | 2020-08-27 | 2020-08-27 | 一种不完备样本条件下的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016471B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113569478A (zh) * | 2021-07-27 | 2021-10-29 | 郑州铁路职业技术学院 | 基于元素影响度和置信规则库的旋转机械故障诊断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
-
2020
- 2020-08-27 CN CN202010891899.6A patent/CN112016471B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
| CN109115491A (zh) * | 2018-10-16 | 2019-01-01 | 杭州电子科技大学 | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于证据推理规则的信息融合故障诊断方法;徐晓滨;郑进;徐冬玲;杨剑波;;控制理论与应用;20150915(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016471A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| CN112016471B (zh) | 一种不完备样本条件下的滚动轴承故障诊断方法 | |
| CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
| CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
| CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
| CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
| CN109740254B (zh) | 一种基于信息融合的船舶柴油机磨粒类型辨识方法 | |
| CN111122161B (zh) | 一种基于fast kurtogram和深度残差学习的变工况轴承故障诊断方法 | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
| CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN112906739B (zh) | 基于多头注意力及轴系设备周期性的故障诊断方法 | |
| CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
| CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
| CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
| CN113705096A (zh) | 基于小样本深度学习的一类冲击故障诊断 | |
| CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
| CN106704080B (zh) | 基于在线数据的水轮发电机组推力头松动故障的诊断方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN114705432A (zh) | 防爆电机轴承健康状态评估方法及系统 |
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 |