CN112232414B - 一种基于x,y双测点频谱数据的三重并发故障分析方法 - Google Patents

一种基于x,y双测点频谱数据的三重并发故障分析方法 Download PDF

Info

Publication number
CN112232414B
CN112232414B CN202011109276.5A CN202011109276A CN112232414B CN 112232414 B CN112232414 B CN 112232414B CN 202011109276 A CN202011109276 A CN 202011109276A CN 112232414 B CN112232414 B CN 112232414B
Authority
CN
China
Prior art keywords
data
characteristic
calculating
measuring
triple
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
Application number
CN202011109276.5A
Other languages
English (en)
Other versions
CN112232414A (zh
Inventor
荆晓远
王许辉
陈润航
张清华
成明康
姚永芳
孔晓辉
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202011109276.5A priority Critical patent/CN112232414B/zh
Publication of CN112232414A publication Critical patent/CN112232414A/zh
Application granted granted Critical
Publication of CN112232414B publication Critical patent/CN112232414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection

Abstract

本发明属于故障检测技术领域，公开了一种基于X,Y双测点频谱数据的三重并发故障分析方法，利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理；对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；对未知标签转子不平衡信号进行预测，并确定故障类型。本发明提供了一种油膜涡动、转子不平衡与油膜涡动并发故障三重并发故障诊断的新方法，能够有效地提取齿轮故障特征信息，能够对转子不平衡与油膜涡动并发故障进行有效识别。

Description

一种基于X,Y双测点频谱数据的三重并发故障分析方法
技术领域
本发明属于故障检测技术领域，尤其涉及一种基于X,Y双测点频谱数据的三重并发故障分析方法。
背景技术
目前，大机化设备的结构复杂，功能完善，设备内部零件之间的联系紧密，使得在生产过程中达到高速化和大型化，这也使得大机化设备出现故障造成损失巨大，这也增加了大机化设备进行故障诊断的难度。
在大机化设备经常出现的故障类型为油膜涡动故障、摩擦故障与转子不平衡故障，这三种占机械故障中的大多数，因此如何在机械设备故障中诊断出是这三个故障中的具体哪个故障，对于故障的诊断以及迅速的修复故障起到很大的作用，能够有效减少机械故障带来的损失。
传统的方法需要大量的前期知识，现在运用机器学习方法解决现实生活的问题应用越来越广泛，适用性强并且不需要大量的专业知识储备。
通过上述分析，现有技术存在的问题及缺陷为：大机组摩擦故障诊断特征提取困难，以及特征提取不全面。
解决以上问题及缺陷的难度为：
如何提取出有效的特征，并且提高预测精度。
解决以上问题及缺陷的意义为：
提供了一种油膜涡动、转子不平衡与油膜涡动并发故障三重并发故障诊断的新方法。
发明内容
针对现有技术存在的问题，本发明提供了一种基于X,Y双测点频谱数据的三重并发故障分析方法。
本发明是这样实现的，一种基于X,Y双测点频谱数据的三重并发故障分析方法，所述基于X,Y双测点频谱数据的三重并发故障分析方法包括：
步骤一，利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理；
步骤二，对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；
步骤三，使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
步骤四，对未知标签转子不平衡信号进行预测，并确定故障类型。
进一步，步骤一中，所述利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理包括：
(1)在两个探测点安装采集设备，通过安装的采集设备以32/rms采集得到大型滑动机组振动双视图信号；
(2)对得到的两个视图分别进行离散傅里叶变换；
进一步，步骤(2)中，所述离散傅里叶变换窗口大小32*32＝1024个点，根据信号情况设置自适应阈值；
公式如下：
Figure BDA0002728045230000021
其中n＝0,…,N-1，N表示数据长度。
进一步，步骤二中，所述对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合包括：
1)对稀疏化处理的数据进行小波包2层分解变换,得到不同尺度下的小波系数，将信号HH层的尺度系数置零；
2)计算无量纲特征波性指标Sf；公式为：
Figure BDA0002728045230000031
其中
Figure BDA0002728045230000032
表示波形数据均方根值，
Figure BDA0002728045230000033
表示波形数据绝对平均；
3)计算无量纲特征峰值指标，公式如下：
Figure BDA0002728045230000034
其中xmax表示波形峰值，
Figure BDA0002728045230000035
表示表示均方根值；
4)计算无量纲特征脉冲指标，公式如下：
Figure BDA0002728045230000036
其中xmax表示波形峰值，
Figure BDA0002728045230000037
表示波形数据绝对平均；
5)计算无量纲特征峭度指标，计算公式如下：
Figure BDA0002728045230000038
其中
Figure BDA0002728045230000039
6)计算无量纲特征裕度指标，计算公式如下：
Figure BDA00027280452300000310
其中
Figure BDA00027280452300000311
7)计算无量纲特征Teager能量算子，计算公式如下：
Figure BDA00027280452300000312
其中，t表示数据采集时间，
Figure BDA00027280452300000313
αt为t时刻前后的偏移角；
8)计算标准偏差，计算公式如下：
Figure BDA0002728045230000041
9)计算平均值的标准偏差，计算公式如下：
Figure BDA0002728045230000042
10)计算样本的样本圆均值，计算公式如下：
Figure BDA0002728045230000043
其中X为样本，
Figure BDA0002728045230000044
S＝∑isin(angle)C＝∑icos(angle)，
res＝arctan2(S，C)；
11)将对各测点的数据进行小波层次分解特征和波形特征进行拼接。
本发明的另一目的在于提供一种实施所述基于X,Y双测点频谱数据的三重并发故障分析方法的基于X,Y双测点频谱数据的三重并发故障分析系统，所述基于X,Y双测点频谱数据的三重并发故障分析系统包括：
数据采集模块，用于利用多测点采集设备对设备进行采集；
数据处理模块，用于对采集的数据进行稀疏化处理；
特征融合模块，用于对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；
一致性处理模块，用于使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
故障诊断模块，用于对未知标签转子不平衡信号进行预测，并确定故障类型。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理；
对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；
使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
对未知标签转子不平衡信号进行预测，并确定故障类型。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理；
对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；
使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
对未知标签转子不平衡信号进行预测，并确定故障类型。
本发明的另一目的在于提供一种实施权利要求1-4任意一项所述基于X,Y双测点频谱数据的三重并发故障分析方法的大机化设备。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供了一种油膜涡动、转子不平衡与油膜涡动并发故障三重并发故障诊断的新方法，能够有效地提取齿轮故障特征信息，能够对转子不平衡与油膜涡动并发故障进行有效识别。
本发明提出在大机组摩擦故障诊断过程中提取特征困难的问题，提取出有效的特征能够良好的解决故障预测问题，并且利用双视图方法使得特征更加全面，并且通过cca方法进行特征降维，使得计算过程更加迅速。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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的附图。
图1是本发明实施例提供的基于X,Y双测点频谱数据的三重并发故障分析方法流程图。
图2是本发明实施例提供的基于X,Y双测点频谱数据的三重并发故障分析方法原理图。
图3是本发明实施例提供的基于X,Y双测点频谱数据的三重并发故障分析系统结构示意图；
图中：1、数据采集模块；2、数据处理模块；3、特征融合模块；4、一致性处理模块；5、故障诊断模块。
图4是本发明实施例提供的小波包2层分解变换结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于X,Y双测点频谱数据的三重并发故障分析方法，下面结合附图对本发明作详细的描述。
如图1-图2所示，本发明实施例提供的基于X,Y双测点频谱数据的三重并发故障分析方法包括以下步骤：
S101，利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理；
S102，对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；
S103，使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
S104，对未知标签转子不平衡信号进行预测，并确定故障类型。
步骤S101中，本发明实施例提供的利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理包括：
(1)在两个探测点安装采集设备，通过安装的采集设备以32/rms采集得到大型滑动机组振动双视图信号；
(2)对得到的两个视图分别进行离散傅里叶变换；
步骤(2)中，本发明实施例提供的离散傅里叶变换窗口大小32*32＝1024个点，根据信号情况设置自适应阈值；
公式如下：
Figure BDA0002728045230000071
其中n＝0,…,N-1，N表示数据长度。
步骤S102中，本发明实施例提供的对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合包括：
1)对稀疏化处理的数据进行小波包2层分解变换,得到不同尺度下的小波系数，将信号HH层的尺度系数置零；
2)计算无量纲特征波性指标Sf；公式为：
Figure BDA0002728045230000072
其中
Figure BDA0002728045230000073
表示波形数据均方根值，
Figure BDA0002728045230000074
表示波形数据绝对平均；
3)计算无量纲特征峰值指标，公式如下：
Figure BDA0002728045230000075
其中xmax表示波形峰值，
Figure BDA0002728045230000076
表示表示均方根值；
4)计算无量纲特征脉冲指标，公式如下：
Figure BDA0002728045230000077
其中xmax表示波形峰值，
Figure BDA0002728045230000078
表示波形数据绝对平均；
5)计算无量纲特征峭度指标，计算公式如下：
Figure BDA0002728045230000081
其中
Figure BDA0002728045230000082
6)计算无量纲特征裕度指标，计算公式如下：
Figure BDA0002728045230000083
其中
Figure BDA0002728045230000084
7)计算无量纲特征Teager能量算子，计算公式如下：
Figure BDA0002728045230000085
其中，t表示数据采集时间，
Figure BDA0002728045230000086
αt为t时刻前后的偏移角；
8)计算标准偏差，计算公式如下：
Figure BDA0002728045230000087
9)计算平均值的标准偏差，计算公式如下：
Figure BDA0002728045230000088
10)计算样本的样本圆均值，计算公式如下：
Figure BDA0002728045230000089
其中X为样本，
Figure BDA00027280452300000810
S＝∑isin(angle)C＝∑icos(angle)，
res＝arctan2(S，C)；
11)将对各测点的数据进行小波层次分解特征和波形特征进行拼接。
如图3所示，本发明实施例提供的基于X,Y双测点频谱数据的三重并发故障分析系统包括：
数据采集模块1，用于利用多测点采集设备对设备进行采集；
数据处理模块2，用于对采集的数据进行稀疏化处理；
特征融合模块3，用于对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；
一致性处理模块4，用于使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
故障诊断模块5，用于对未知标签转子不平衡信号进行预测，并确定故障类型。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例1：
本发明的实施流程图如图1所示，具体实施如下：
步骤1中使用多测点采集设备对设备进行采集，并对数据进行稀疏化，具体包括下述步骤：
步骤1.1，安装两个探点，通过两个探点采集得到大型滑动机组振动双视图信号，数据采集为32/rms，即轴承每转一圈采样32个点，采集32圈的数据。
步骤1.2，探针采集数据后，对两个视图分别进行离散傅里叶变换，窗口大小32*32＝1024个点，根据信号情况设置自适应阈值，降低信号存储量，加速传输。其变换公式具体如下：
Figure BDA0002728045230000091
其中n＝0,…,N-1，N表示数据长度。
根据权利要求1所述的基于X,Y双测点频谱数据上使用深度多视图端到端的在的三重并发故障诊断方法，其特征在于，所述步骤2中对各测点的数据进行小波层次分解特征和波形特征进行融合，具体包括下述步骤：
步骤2.1，对步骤1中处理后的数据进行小波包2层分解变换,小波包即利用多次叠代的小波转换分析输入讯号的细节部分，其具体结构图如图2。得到不同尺度下的小波系数，将信号HH层的尺度系数置零。
步骤2.2，计算无量纲特征波性指标Sf，将波性指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000101
其中
Figure BDA0002728045230000102
表示波形数据均方根值，
Figure BDA0002728045230000103
表示波形数据绝对平均；
步骤2.3，计算无量纲特征峰值指标，将峰值指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000104
其中xmax表示波形峰值，
Figure BDA0002728045230000105
表示表示均方根值；
步骤2.4，计算无量纲特征脉冲指标，将脉冲指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000106
其中xmax表示波形峰值，
Figure BDA0002728045230000107
表示波形数据绝对平均；
步骤2.5，计算无量纲特征峭度指标，表示实际峭度相对于正常峭度的高低，峭度指标反映振动信号中的冲击特征，将无量纲特征峭度指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000108
其中
Figure BDA0002728045230000109
步骤2.6，计算无量纲特征裕度指标，一般用于检测机械设备的磨损情况。若歪度指标变化不大，有效值与平均值的比值增大，说明由于磨损导致间隙增大，因而振动的能量指标有效值比平均值增加快，其裕度指标也增大了，将无量纲特征裕度指标作为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000111
其中
Figure BDA0002728045230000112
步骤2.7，计算无量纲特征Teager能量算子，将Teager能量算子为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000113
其中，t表示数据采集时间，
Figure BDA0002728045230000114
αt为t时刻前后的偏移角。
步骤2.8，计算标准偏差，标准偏差表征的是数据的离散程度，表征的是单个统计量在多次抽样中呈现出的变异性。可以这样理解，前者是表示数据本身的变异性，而后者表征的是抽样行为的变异性，具体计算公式如下：
Figure BDA0002728045230000115
步骤2.9，计算平均值的标准偏差，平均值的标准偏差是指一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量，具体计算公式如下：
Figure BDA0002728045230000116
步骤2.10，计算样本的样本圆均值(circle_mean)，将样本圆均值做为提取的特征之一，具体计算公式如下：
Figure BDA0002728045230000117
其中X为样本，sin为正弦函数，cos为余弦函数，arctan2为正切函数,π为圆周率。其中
Figure BDA0002728045230000118
S＝∑isin(angle)C＝∑icos(angle)，
res＝arctan2(S，C)。
步骤2.11，将对各测点的数据进行小波层次分解特征和波形特征进行拼接。
步骤3中使用深度多视图对两个测点的DCCA网络进行特征同时处理，进行一致性特征融合，然后进一步设计端到端的多视图分类器进行处理。
步骤4，对未知标签转子不平衡信号进行预测，并确定故障类型；
本发明的以某大机组设备滑动机械数据为例，设置两个两个探头进行数据采集，数据为机械轴承每旋转一周采集32个点，然后周期为32转。一组数据为1024个波形点，转换为波形的长度为1024。使用深度多视图对两个测点的DCCA网络进行特征同时处理，进行一致性特征融合，然后进一步设计端到端的多视图分类器进行处理。
本发明进行了相关测试，获得测试结果，如下表1、表2.
表1数据条数
Figure BDA0002728045230000121
表2结果评估
Figure BDA0002728045230000122
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于X,Y双测点频谱数据的三重并发故障分析方法，其特征在于，所述基于X,Y双测点频谱数据的三重并发故障分析方法包括：
利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理；
对稀疏化处理的各测点的数据进行小波层次分解特征和波形特征进行融合；具体包括：
1)对稀疏化处理的数据进行小波包2层分解变换,得到不同尺度下的小波系数，将信号HH层的尺度系数置零；
2)计算无量纲特征波性指标Sf；公式为：
Figure FDA0003060994080000011
其中
Figure FDA0003060994080000012
表示波形数据均方根值，
Figure FDA0003060994080000013
表示波形数据绝对平均；
3)计算无量纲特征峰值指标，公式如下：
Figure FDA0003060994080000014
其中xmax表示波形峰值，
Figure FDA0003060994080000015
表示表示均方根值；
4)计算无量纲特征脉冲指标，公式如下：
Figure FDA0003060994080000016
其中xmax表示波形峰值，
Figure FDA0003060994080000017
表示波形数据绝对平均；
5)计算无量纲特征峭度指标，计算公式如下：
Figure FDA0003060994080000018
其中
Figure FDA0003060994080000019
6)计算无量纲特征裕度指标，计算公式如下：
Figure FDA0003060994080000021
其中
Figure FDA0003060994080000022
7)计算无量纲特征Teager能量算子，计算公式如下：
Figure FDA0003060994080000023
其中，t表示数据采集时间，
Figure FDA0003060994080000024
αt为t时刻前后的偏移角；
8)计算标准偏差，计算公式如下：
Figure FDA0003060994080000025
9)计算平均值的标准偏差，计算公式如下：
Figure FDA0003060994080000026
10)计算样本的样本圆均值，计算公式如下：
Figure FDA0003060994080000027
其中X为样本，
Figure FDA0003060994080000028
S＝∑isin(angle)C＝∑icos(angle)，
res＝arctan2(S，C)；
11)将对各测点的数据进行小波层次分解特征和波形特征进行拼接；
使用深度多视图对两个测点的DCCA网络进行特征同步处理，进行一致性特征融合，并利用端到端的多视图分类器进行处理；
对未知标签转子不平衡信号进行预测，并确定故障类型。
2.如权利要求1所述基于X，Y双测点频谱数据的三重并发故障分析方法，其特征在于，所述利用多测点采集设备对设备进行采集，并对采集的数据进行稀疏化处理包括：
(1)在两个探测点安装采集设备，通过安装的采集设备以32/rms采集得到大型滑动机组振动双视图信号；
(2)对得到的两个视图分别进行离散傅里叶变换。
3.如权利要求2所述基于X,Y双测点频谱数据的三重并发故障分析方法，其特征在于，步骤(2)中，所述离散傅里叶变换窗口大小32*32＝1024个点，根据信号情况设置自适应阈值；
公式如下：
Figure FDA0003060994080000031
其中n＝0,…,N-1，N表示数据长度。
4.一种实施权利要求1-3任意一项所述基于X,Y双测点频谱数据的三重并发故障分析方法的大机化设备。
CN202011109276.5A 2020-10-16 2020-10-16 一种基于x,y双测点频谱数据的三重并发故障分析方法 Active CN112232414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011109276.5A CN112232414B (zh) 2020-10-16 2020-10-16 一种基于x,y双测点频谱数据的三重并发故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011109276.5A CN112232414B (zh) 2020-10-16 2020-10-16 一种基于x,y双测点频谱数据的三重并发故障分析方法

Publications (2)

Publication Number Publication Date
CN112232414A CN112232414A (zh) 2021-01-15
CN112232414B true CN112232414B (zh) 2021-06-15

Family

ID=74118477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011109276.5A Active CN112232414B (zh) 2020-10-16 2020-10-16 一种基于x,y双测点频谱数据的三重并发故障分析方法

Country Status (1)

Country Link
CN (1) CN112232414B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115931319B (zh) * 2022-10-27 2023-10-10 圣名科技(广州)有限责任公司 故障诊断方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3339638A1 (en) * 2016-12-22 2018-06-27 General Electric Company Systems and methods for crack detection in doubly-fed induction generators
CN111076934A (zh) * 2019-12-24 2020-04-28 江苏大学 一种基于s变换诊断轴承潜在故障的方法
CN111157894A (zh) * 2020-01-14 2020-05-15 许昌中科森尼瑞技术有限公司 基于卷积神经网络的电动机故障诊断方法、装置和介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10580228B2 (en) * 2017-07-07 2020-03-03 The Boeing Company Fault detection system and method for vehicle system prognosis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3339638A1 (en) * 2016-12-22 2018-06-27 General Electric Company Systems and methods for crack detection in doubly-fed induction generators
CN111076934A (zh) * 2019-12-24 2020-04-28 江苏大学 一种基于s变换诊断轴承潜在故障的方法
CN111157894A (zh) * 2020-01-14 2020-05-15 许昌中科森尼瑞技术有限公司 基于卷积神经网络的电动机故障诊断方法、装置和介质

Also Published As

Publication number Publication date
CN112232414A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112183344B (zh) 基于波形和无量纲学习的大机组摩擦故障分析方法及系统
CN109460618B (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN109520738B (zh) 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN113702044B (zh) 一种轴承故障检测方法及系统
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
CN111504647A (zh) 基于ar-mset的滚动轴承的性能退化评估方法
CN112232414B (zh) 一种基于x,y双测点频谱数据的三重并发故障分析方法
CN114705432B (zh) 防爆电机轴承健康状态评估方法及系统
CN113125135A (zh) 旋转机械的故障诊断方法、存储介质及电子设备
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
Geng et al. Generalized broadband mode decomposition method and its application in fault diagnosis of variable speed spherical roller bearing
Hou et al. Acoustic feature enhancement in rolling bearing fault diagnosis using sparsity-oriented multipoint optimal minimum entropy deconvolution adjusted method
CN116226719A (zh) 基于多维稳态振动特征的轴承故障诊断方法及相关组件
CN114781466B (zh) 基于旋转机械振动信号谐波基频的故障诊断方法及系统
CN112284721A (zh) 一种大机组摩擦与转子不平衡双重故障分析方法及系统
CN112232212B (zh) 三重并发故障分析方法、系统、大机组设备及存储介质
CN111650436B (zh) 一种高比例可再生能源电力系统的次同步振荡辨识方法
CN110595751B (zh) 基尼指数引导的早期故障特征小波重构方法及其应用
Tavakkoli et al. A ball bearing fault diagnosis method based on wavelet and EMD energy entropy mean
Qin et al. Fault frequency identification of rolling bearing using reinforced ensemble local mean decomposition
CN111678678B (zh) 基于多传感器融合的循环双谱切片轴系设备故障诊断方法及装置
Zhang et al. Research of dimensionless index for fault diagnosis positioning based on EMD
US11898453B1 (en) Method for extracting natural frequency difference between blades by single blade tip timing sensor or uniformly distributed blade tip timing sensors
CN114329905B (zh) 全范围模拟机可信度评估方法、装置及计算机设备
CN114371365B (zh) 一种电缆缺陷定位方法、设备及存储介质

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