CN112232244A - 一种滚动轴承故障诊断方法 - Google Patents
一种滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112232244A CN112232244A CN202011136921.2A CN202011136921A CN112232244A CN 112232244 A CN112232244 A CN 112232244A CN 202011136921 A CN202011136921 A CN 202011136921A CN 112232244 A CN112232244 A CN 112232244A
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- rolling bearing
- vibration signal
- sum
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 10
- 238000010845 search algorithm Methods 0.000 claims abstract description 9
- 235000005770 birds nest Nutrition 0.000 claims description 12
- 235000005765 wild carrot Nutrition 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种滚动轴承故障诊断方法,属于机械设备故障诊断的技术领域。首先利用变分模态分解对滚动轴承的振动信号进行分解,分解成一系列模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化,建立CS‑ELM模型。最后将样本熵特征值输入模型中,对轴承不同工况故障类型进行分类识别。本发明能有效克服信号模态混叠,提高故障识别的准确率。
Description
技术领域
本发明涉及一种滚动轴承故障诊断方法,属于机械故障诊断的范畴。
背景技术
滚动轴承是重型旋转机械应用最广泛的部件,运行状态出现问题会造成整个机械设备的停运甚至人员伤亡,进而造成严重的经济损失。因此,对滚动轴承的健康状态进行实时监测和故障诊断具有极其重要的意义。
滚动轴承振动信号通常表征为非平稳和非线性等特性,制约了故障特征的有效提取。传统的特征提取方法存在模态混叠现象,边界效应,过分解等情况。极限学习机是一种单层前馈型神经网络,它无需反复调整隐含层参数,但是输入层与隐含层间的连接权值及隐含层的偏置值的随机选择将会影响其稳定性和分类的正确率。
发明内容
本发明要解决的技术问题是提供一种滚动轴承故障诊断方法,以较短的时间获取尽可能高的故障诊断精确率。
本发明采用的技术方案是:首先利用VMD对滚动轴承的振动信号进行分解,分解成一系列本征模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化,建立CS-ELM模型。最后将样本熵特征值输入模型中,对轴承不同工况故障类型进行分类识别。
具体如下:
一种滚动轴承故障诊断方法,具体步骤为:
1)采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号;
2)将不同工况下的轴承故障振动信号f(t)分解成k个本征模态uk,同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号f(t);
3)对步骤2)所得轴承振动信号的k个本征模态,计算各本征模态样本熵,并构建高维特征向量,将该向量作为的故障特征向量输入模型中;
4)通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值,获得CS-ELM模型;
5)将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练,通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。
具体地,所述步骤2)采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解,具体包括如下步骤:
假设将轴承故障振动信号f(t)分解成为k个本征模态uk,再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽,且满足每个模态的估计带宽之和最小以及所有模态之和等于f(t),因此构造约束变分模型的数学表达式如下所示:
其中δ(t)为冲激函数,t为时间,ωk表示第k个模态分量的中心频率;{uk}表示分解得到的本征模态分量;{ωk}表示本征模态分量对应的中心频率;表示借助Hilbert变换得到IMF分量uk(t)的单边频谱。
为求取上述约束变分问题的最优解,引入格朗日乘法算子λ和二次惩罚因子α得到增广函数,即
具体地,所述步骤3)计算各模态分量复杂度特征的样本熵具体包括如下步骤:将时间序列{x(n)}=x(1),x(2),x(3)……x(N)表示为m维向量Xm(1),Xm(2),Xm(3)…Xm(N-m+1),求解向量Xm(i)与Xm(j)两者对应元素距离最大差值d[Xm(i),Xm(j)]的绝对值:
dm(X(i),X(j))=max0≤k≤m-1|x(i+k)-x(j+k)|
将d[Xm(i),Xm(j)]<r的数量记为Bi,r为相似容限阀,与向量总数N-m的比值记为Bm(r),维数增加到m+1,得到Bm+1(r),因此样本熵定义为:
具体地,所述步骤4)布谷鸟搜索算法的具体参数设置:设置鸟巢规模N=30,最大迭代次数M=200。
本发明的有益效果是:
(1)VMD能将不同状态的故障信号进行自适应分解,有效表达故障信息。
(2)通过计算样本熵值来获取特征向量,定量描述故障信号,有利于故障识别。
(3)CS算法对ELM参数进行优化,提高了故障诊断的准确率。
附图说明
图1为本发明诊断模型示意图;
图2为本发明布谷鸟搜索算法优化ELM流程图;
图3为本发明不同故障的振动信号图;
图4为本发明为滚动轴承故障信号变分模态分解结果图;
图5本发明的ELM预测与实际分类比较图;
图6本发明的CS-ELM预测与实际分类比较图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步说明。
实施例1:如图1所示,一种滚动轴承故障诊断方法,首先利用VMD对滚动轴承的振动信号进行分解,分解成一系列模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化,建立CS-ELM模型。最后将样本熵特征值输入模型中,对轴承不同工况故障类型进行分类识别。
具体步骤为:
1)采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号;
2)将不同工况下的轴承故障振动信号f(t)分解成k个本征模态uk,同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号f(t);
3)对步骤2)所得轴承振动信号的k个本征模态,计算各本征模态样本熵,并构建高维特征向量,将该向量作为的故障特征向量输入模型中;
4)通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值,获得CS-ELM模型;
5)将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练,通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。
进一步地,所述步骤2)采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解,具体包括如下步骤:
将滚动轴承故障振动信号f(t)分解成为k个本征模态uk,再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽,且满足每个模态的估计带宽之和最小以及所有模态之和等于f(t),因此构造约束变分模型的数学表达式如下所示:
式中,其中δ(t)为冲激函数,t为时间,ωk表示第k个模态分量的中心频率;{uk}表示分解得到的本征模态分量;{ωk}表示本征模态分量对应的中心频率;表示借助Hilbert变换得到本征模态分量uk(t)的单边频谱。
求解式约束变分问题的最优解,需要引入拉格朗日乘法算子λ和二次惩罚因子α将上述约束问题变为非约束问题,其函数表达式为:
进一步地,所述步骤3)计算各模态分量样本熵具体包括:
所述步骤3)计算各模态分量复杂度特征的样本熵具体包括如下步骤:将时间序列{x(n)}=x(1),x(2),x(3)……x(N)表示为m维向量Xm(1),Xm(2),Xm(3)…Xm(N-m+1),求解向量Xm(i)与Xm(j)两者对应元素距离最大差值d[Xm(i),Xm(j)]的绝对值:dm(X(i),X(j))=max0≤k≤m-1|x(i+k)-x(j+k)|
进一步地,所述步骤4)通过布谷鸟搜索算法优化(CS)极限学习机的连接权值和阈值,
具体包括CS算法中有N个种群即鸟巢,每个鸟巢位置代表一个有理数,鸟巢位置取整后作为ELM的隐层节点数M;设置鸟巢规模N=30,最大迭代次数M=200。输入样本数据,将产生一组ELM网络的输入权值矩阵w、隐层阈值b和输入权值矩阵β,并计算样本数据预测误差作为当前鸟巢位置的适应度值。每次迭代搜索结束,储存最优鸟巢位置w、b、β。待满足迭代终止条件时,比较鸟巢所对应的适应度值,输出最优鸟巢位置,及其所对应的w、b、β。
实施例2:本实施例中采用如实施例1所示的方法进行轴承的故障诊断,具体实施步骤如下:
现将加速度传感器安装在滚动轴承的驱动端上。其中轴承损伤直径均为0.1778mm,设置转速为1797r/min,采样频率为12kHz,分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号。如图3所示波形图。
对每种轴承状态信号取200组数据,从每种状态样本数据中随机抽取的170组数据,即作为训练样本,将剩下的正常、内圈故障、外圈故障、滚动体故障四种状态轴承振动信号各组数据作为测试样本。
根据避免模态混叠和保留信号的全部特征信息原则确定分解个数,对组信号进行分解,得各轴承状态的模态分量。其中对滚动体故障信号分解个数为4,分解结果如图4所示。
将分解的到的模态分量计算样本熵值,部分特征向量如表1所示。
表1样本熵特征值提取
设置鸟巢规模N=30,最大迭代次数M=200,通过CS算法对ELM网络的权值和阈值进行参数优化,形成最佳参数组合,形成CS-ELM模型进行故障识别具体步骤如图2所示。
为了证明CS-ELM模型的优越性,设置对比实验为在两种模型的训练数据和测试数据都相同的情况下进行故障类型的识别,通过实验结果来证实CS-ELM诊断模型的精度更高。图5和图6为两种故障诊断模型的预测测试集分类结果图。如表2更为直观的表述了两种故障诊断模型的诊断正确率:
表2算法分类对比
图5、图6和表2可知,采用CS-ELM模型进行故障诊断时,其诊断正确率更高,能够更好好地对轴承的各类故障进行识别分类。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种滚动轴承故障诊断方法,其特征在于:具体步骤为:
1)采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号;
2)将不同工况下的轴承故障振动信号f(t)分解成k个本征模态uk,同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号f(t);
3)对步骤2)所得轴承振动信号的k个本征模态,计算各本征模态样本熵,并构建高维特征向量,将该向量作为的故障特征向量输入模型中;
4)通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值,获得CS-ELM模型;
5)将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练,通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。
2.根据权利1要求所述一种滚动轴承故障诊断方法,其特征在于:所述步骤2)采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解,具体包括如下步骤:
假设将轴承故障振动信号f(t)分解成为k个本征模态uk,再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽,且满足每个模态的估计带宽之和最小以及所有模态之和等于f(t),因此构造约束变分模型的数学表达式如下所示:
其中δ(t)为冲激函数,t为时间,ωk表示第k个模态分量的中心频率;
为求取上述约束变分问题的最优解,引入格朗日乘法算子λ和二次惩罚因子α得到增广函数,即
4.根据权利1要求所述一种滚动轴承故障诊断方法,其特征在于:所述步骤4)布谷鸟搜索算法的具体参数设置:设置鸟巢规模N=30,最大迭代次数M=200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136921.2A CN112232244A (zh) | 2020-10-22 | 2020-10-22 | 一种滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011136921.2A CN112232244A (zh) | 2020-10-22 | 2020-10-22 | 一种滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232244A true CN112232244A (zh) | 2021-01-15 |
Family
ID=74110258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011136921.2A Pending CN112232244A (zh) | 2020-10-22 | 2020-10-22 | 一种滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232244A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798280A (zh) * | 2021-02-05 | 2021-05-14 | 山东大学 | 一种滚动轴承故障诊断方法及系统 |
CN113074940A (zh) * | 2021-03-18 | 2021-07-06 | 昆明理工大学 | 一种基于os-elm的滚动轴承健康状态预估系统及方法 |
CN113435255A (zh) * | 2021-06-01 | 2021-09-24 | 西北工业大学 | 一种基于特征融合的发动机故障诊断方法 |
CN113627539A (zh) * | 2021-08-12 | 2021-11-09 | 北京信息科技大学 | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 |
CN113887322A (zh) * | 2021-09-08 | 2022-01-04 | 安徽建筑大学 | 基于光输出时频特征的led灯具电源驱动故障诊断方法及其系统 |
CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
CN114137338A (zh) * | 2021-11-19 | 2022-03-04 | 神华准格尔能源有限责任公司 | 一种设备运行状态监测方法、系统及存储介质 |
CN115096590A (zh) * | 2022-05-23 | 2022-09-23 | 燕山大学 | 一种基于iwoa-elm的滚动轴承故障诊断方法 |
CN116383635A (zh) * | 2023-06-05 | 2023-07-04 | 人工智能与数字经济广东省实验室(广州) | 基于改进极限学习机的结构损伤快速识别方法 |
CN118376408A (zh) * | 2024-06-25 | 2024-07-23 | 沈阳顺义科技股份有限公司 | 一种滚动轴承振动故障诊断方法、装置、介质及产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN109100146A (zh) * | 2018-08-29 | 2018-12-28 | 北京信息科技大学 | 用于检测电机轴承故障的方法及装置 |
CN109489977A (zh) * | 2018-12-28 | 2019-03-19 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN109829402A (zh) * | 2019-01-21 | 2019-05-31 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN110044620A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
WO2021012986A1 (zh) * | 2019-07-22 | 2021-01-28 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN114199570A (zh) * | 2021-12-13 | 2022-03-18 | 浙江工业大学 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
CN114662386A (zh) * | 2022-03-14 | 2022-06-24 | 宁波大学 | 一种轴承故障诊断方法及系统 |
-
2020
- 2020-10-22 CN CN202011136921.2A patent/CN112232244A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN109100146A (zh) * | 2018-08-29 | 2018-12-28 | 北京信息科技大学 | 用于检测电机轴承故障的方法及装置 |
CN109489977A (zh) * | 2018-12-28 | 2019-03-19 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN109829402A (zh) * | 2019-01-21 | 2019-05-31 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN110044620A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
WO2021012986A1 (zh) * | 2019-07-22 | 2021-01-28 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN114199570A (zh) * | 2021-12-13 | 2022-03-18 | 浙江工业大学 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
CN114662386A (zh) * | 2022-03-14 | 2022-06-24 | 宁波大学 | 一种轴承故障诊断方法及系统 |
Non-Patent Citations (4)
Title |
---|
YANG, ERBIN等: "An Intelligent Identification Approach Using VMD-CMDE and PSO-DBN for Bearing Faults", ELECTRONICS, vol. 11, no. 16, 4 September 2022 (2022-09-04) * |
余萍等: "ADCS-ELM算法滚动轴承故障诊断", 传感器与微系统, vol. 39, no. 5, 31 May 2020 (2020-05-31), pages 129 - 136 * |
王椿晶等: "基于VMD样本熵和CS -ELM的滚动轴承故障诊断", 化工自动化及仪表, vol. 48, no. 5, 31 October 2021 (2021-10-31), pages 469 - 475 * |
赵磊等: "基于VMD样本熵和LS-SVM的滚动轴承故障诊断", 军事交通学院学报, vol. 19, no. 4, 30 April 2017 (2017-04-30), pages 43 - 47 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798280A (zh) * | 2021-02-05 | 2021-05-14 | 山东大学 | 一种滚动轴承故障诊断方法及系统 |
CN112798280B (zh) * | 2021-02-05 | 2022-01-04 | 山东大学 | 一种滚动轴承故障诊断方法及系统 |
CN113074940A (zh) * | 2021-03-18 | 2021-07-06 | 昆明理工大学 | 一种基于os-elm的滚动轴承健康状态预估系统及方法 |
CN113435255A (zh) * | 2021-06-01 | 2021-09-24 | 西北工业大学 | 一种基于特征融合的发动机故障诊断方法 |
CN113627539A (zh) * | 2021-08-12 | 2021-11-09 | 北京信息科技大学 | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 |
CN113887322A (zh) * | 2021-09-08 | 2022-01-04 | 安徽建筑大学 | 基于光输出时频特征的led灯具电源驱动故障诊断方法及其系统 |
CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
CN114077847B (zh) * | 2021-10-27 | 2022-08-19 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
CN114137338A (zh) * | 2021-11-19 | 2022-03-04 | 神华准格尔能源有限责任公司 | 一种设备运行状态监测方法、系统及存储介质 |
CN114137338B (zh) * | 2021-11-19 | 2023-12-01 | 神华准格尔能源有限责任公司 | 一种设备运行状态监测方法、系统及存储介质 |
CN115096590A (zh) * | 2022-05-23 | 2022-09-23 | 燕山大学 | 一种基于iwoa-elm的滚动轴承故障诊断方法 |
CN115096590B (zh) * | 2022-05-23 | 2023-08-15 | 燕山大学 | 一种基于iwoa-elm的滚动轴承故障诊断方法 |
CN116383635A (zh) * | 2023-06-05 | 2023-07-04 | 人工智能与数字经济广东省实验室(广州) | 基于改进极限学习机的结构损伤快速识别方法 |
CN116383635B (zh) * | 2023-06-05 | 2024-04-09 | 人工智能与数字经济广东省实验室(广州) | 基于改进极限学习机的结构损伤快速识别方法 |
CN118376408A (zh) * | 2024-06-25 | 2024-07-23 | 沈阳顺义科技股份有限公司 | 一种滚动轴承振动故障诊断方法、装置、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
WO2024021246A1 (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
Li et al. | Rolling bearing fault diagnosis based on horizontal visibility graph and graph neural networks | |
CN106886660A (zh) | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
CN114970605A (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN115096590A (zh) | 一种基于iwoa-elm的滚动轴承故障诊断方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN113705396A (zh) | 一种电机故障诊断方法、系统及设备 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
CN116629431A (zh) | 一种基于变分模态分解和集成学习的光伏发电量预测方法及装置 | |
CN115860260A (zh) | 一种考虑频域数据特征分解的居民空调负荷预测模型 | |
CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
Zhang et al. | Convolutional neural network based two-layer transfer learning for bearing fault diagnosis | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN118035815A (zh) | 压缩机健康状态劣化识别方法、装置及存储介质 | |
CN113221996A (zh) | 一种基于多头注意力机制的轴承故障诊断方法及系统 | |
CN114818811B (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 |
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 |