CN112257530A - 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 - Google Patents
基于盲信号分离和支持向量机的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112257530A CN112257530A CN202011088023.4A CN202011088023A CN112257530A CN 112257530 A CN112257530 A CN 112257530A CN 202011088023 A CN202011088023 A CN 202011088023A CN 112257530 A CN112257530 A CN 112257530A
- Authority
- CN
- China
- Prior art keywords
- support vector
- signal
- vector machine
- fault
- calculating
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005096 rolling process Methods 0.000 title claims abstract description 55
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 53
- 238000000926 separation method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012886 linear function Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000238633 Odonata Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于盲信号分离和支持向量机的滚动轴承故障诊断方法,属于旋转机械智能故障诊断技术领域,旨在提高滚动轴承故障诊断的精度、效率和鲁棒性,实现步骤为:获取训练样本集和测试样本集;获取训练样本集对应的多维特征向量集;获取支持向量机集合;对支持向量机集合进行迭代训练;定义观测矩阵和分离矩阵;对观测矩阵进行盲信号分离;获取滚动轴承的故障诊断结果。本发明在分离矩阵的迭代中引入了自适应选择非线性函数和迭代步长,在提取振动信号特征向量时采用由幅域参数、频域指标和多尺度熵共同组成的多维特征向量,结合支持向量机,有效提高了诊断精度、效率和鲁棒性。
Description
技术领域
本发明属于旋转机械智能故障诊断技术领域,涉及一种滚动轴承故障诊断方法,具体涉及一种基于能够自适应选择非线性函数及步长的盲信号分离方法和能够根据特征进行识别的支持向量机的滚动轴承故障在线诊断方法,可应用于判断滚动轴承的具体故障位置。
背景技术
滚动轴承是机械系统中一个重要的零件,同时也是一个容易出现故障的零件。常见的轴承故障按照故障类型分为外圈故障、内圈故障、滚动子故障、保持架故障及复合故障。严重的轴承故障会引发整体机械系统的故障,因此在故障发生早期及时诊断并确定轴承具体的故障位置,有利于判断轴承是否能够继续工作,对于机械系统的维护具有重要的价值。
轴承故障的诊断问题可以分为在线诊断和离线诊断。在线诊断指的是在轴承运行过程中对轴承故障诊断,与离线诊断相比,在线诊断的优点是可以实时得到轴承运行状态,不需要进行停机检查,为故障诊断提供了方便。轴承故障的实时诊断问题主要是通过噪声、振动、润滑剂、温度等方面对信号进行分析处理,识别滚动轴承故障类型。这些方法在滚动轴承故障诊断中各有优势,目前最主流的方法是通过分析振动信号判断轴承故障位置。基于振动信号实时诊断轴承故障位置的方法包括传统信号处理诊断方法和智能诊断方法。判断一种滚动轴承故障检测方法的好坏指标有诊断精度、诊断效率、鲁棒性、客观性等。
基于振动信号的轴承传统信号处理实时诊断方法,通常是在滚动轴承座外壳上布置传感器,因此得到的振动信号是混合信号。在预处理时需要通过盲信号分离技术从采集到的混合信号中恢复源信号。现有的盲信号分离方法一般分为批处理算法和自适应算法。批处理算法更适合应用于大样本且计算复杂度高,通常情况下不适用于轴承故障的诊断。自适应算法计算简单,适合应用于实时在线轴承故障诊断问题。
基于振动信号的轴承故障智能实时诊断方法主要分为基于神经网络的故障模式分类和基于支持向量机的故障模式分类。基于神经网络的故障诊断方法存在效率低、鲁棒性差的问题。基于支持向量机的故障模式分类主要采用最小二乘支持向量机LS-SVM,与基于神经网络的故障诊断方法比鲁棒性更高。
例如,王海瑞等人在2019年申请公布号为CN111027259A,名称为“一种基于蜻蜓算法优化BP神经网络的滚动轴承故障检测方法”的专利申请中,公开了一种结合小波包与BP网络来完成滚动轴承故障诊断的方法,该方法通过传感器采集轴承运转过程中的振动信号,通过小波包将采集到的信号进行分解得到特征向量,将其输入训练过的BP神经网络,完成滚动轴承的故障检测,该现有技术解决了BP神经网络易陷入局部极值的问题,然而,采用小波包方法对振动信号进行特征提取不能充分得到信号的特征,特征不足会导致诊断精度低的问题,且BP网络优化目标是基于经验风险最小化,需要大量样本进行训练且训练结果不稳定,会导致诊断效率低和鲁棒性差的问题。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种基于盲信号分离和支持向量机的滚动轴承故障诊断方法,旨在提高滚动轴承的故障检测的诊断精度、诊断效率和鲁棒性。
本发明的技术思路是,首先从数据库中选取滚动轴承振动信号,获取训练样本集,采集滚动轴承振动信号得到测试样本集;其次提取训练样本集的多维特征向量集,利用训练样本集的多维特征向量集和训练样本集的标签对支持向量机进行训练,得到训练好的支持向量机集;然后通过能够自适应选择非线性函数和迭代步长的盲分离算法对测试样本集进行分离;最后对分离后的信号进行多维特征提取,将得到的多维特征输入支持向量机集,实现对滚动轴承的故障诊断。
为了实现上述目的,本发明采用的技术方案如下步骤:
(1)获取训练样本集和测试样本集:
(1a)从数据库中选取K个包含不同单一故障类型滚动轴承的N个振动时域信号,每个滚动轴承的振动时域信号为一个或多个,每个振动时域信号包含的单一故障类型为有故障类型或无故障类型,按照故障类型对每个振动时域信号进行标注,并对每个振动时域信号及其对应的标签进行组合,构成训练样本集X1,X1={(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)},其中,N≥200,K≥2,xn表示第n个振动时域信号,yn表示xn的标签;
(1b)通过布置在复杂工况下滚动轴承座外壳上的M个振动传感器,在D个时刻对滚动轴承的混合振动时域信号进行采集,并将M个混合振动时域信号组合成测试样本集X2,X2==[x1,x2,…,xm,…,xM]T,xm=[xm(1),xm(2),…,xm(t),…,xm(D)],其中,T代表矩阵的转置,每个混合振动时域信号包含P个相互独立的源信号,M≥1,P≥2,D≥1000,xm(t)表示t时刻第m个振动传感器采集到的混合振动时域信号;
(2)获取训练样本集X1对应的多维特征向量集Z1:
提取训练样本集X1中每个振动时域信号xn的有效值(Xrms)n、方根幅值(Xr)n、歪度αn、峭度βn、峰值指标(Cf)n、峭度指标(Kv)n、频域指标fn和多尺度熵Msen,组成xn的多维特征向量zn,zn=[(Xrms)n,(Xr)n,αn,βn,(Cf)n,(Kv)n,fn,Msen],并将N个振动时域信号对应的多维特征向量组合成多维特征向量集Z1,Z1={z1,z2,…,zn,…,zN};
(3)获取支持向量机集合F:
对K种故障类型中的任意两种故障类型各构建一个支持向量机,得到包含K(K-1)/2个支持向量机的集合F,F={f1,f2,…,fk,…,fK(K-1)/2},其中fk表示第k个支持向量机;
(4)对支持向量机集合F进行迭代训练:
(4a)令k=1;
(4b)选取训练样本集X1中与支持向量机fk对应的两种故障类型的Nk个训练样本作为fk的训练样本集Ik,同时选取多维特征向量集Z1中与Nk个训练样本对应的多维特征向量作为fk的多维特征向量子集Hk;
(4c)将fk的训练样本集Ik和多维特征向量子集Hk作为支持向量机fk的输入,并采用网格搜索方法,通过Ik中的标签和Hk对高斯径向基核函数的参数gk和惩罚因子Ck进行参数寻优,得到最优参数(gk)best和最优惩罚因子(Ck)best;
(4d)通过最优参数(gk)best构建fk的高斯径向基核函数Gk(zi,zj):
Gk(zi,zj)=exp(-(gk)best||zi-zj||2)
其中zi,zj为多维特征向量子集Hk中的任意两个多维特征向量,i,j≤Nk且i≠j;
(4e)利用高斯径向基核函数Gk(zi,zj)和最优惩罚因子(Ck)best,将支持向量机fk要解决的非线性不可分问题转化为线性可分问题A,并对A进行求解,得到训练后的支持向量机fk′,其中:
其中,αi,αj均为拉格朗日系数,αi,αj≥0,yi和yj分别为训练样本集Ik中xi和xj对应的标签;
(4f)判断k=K(K-1)/2是否成立,若是,得到训练后的支持向量机集合F′,否则,令k=k+1,并执行步骤(4b);
(5)定义观测矩阵X和分离矩阵W:
定义大小为M×D的观测矩阵X,X=[x1,x2,…,xm,…,xM]T,xm=[xm(1),xm(2),…,xm(t),…,xm(D)];定义大小为P×M的分离矩阵W;
(6)对观测矩阵X进行盲信号分离:
(6a)令t=1;
(6b)计算t时刻分离矩阵W(t)和观测矩阵X(t)的乘积,得到X(t)盲信号分离后的信号矩阵Y(t)=W(t)X(t)=[y1(t),y2(t),…,yp(t),…,yP(t)]T;
(6c)判断t=D是否成立,若是,将D个时刻的分离后信号矩阵Y(t)组合为分离后信号矩阵Y=[Y(1),Y(2),…,Y(t),…Y(D)],否则,执行步骤(6d);
(6d)计算每个分离后信号yp(t)的二阶矩(m2)p(t)和四阶矩(m4)p(t),并根据(m2)p(t)和(m4)p(t)计算yp(t)的峰度(κ4)p(t),根据(κ4)p(t)选择非线性函数gp(yp(t)):
(6e)计算盲信号分离后的第p个信号与第q个信号的互协方差cpq(t),以及第p个信号的自协方差cpp(t)和第q个信号的自协方差cqq(t),并根据cpq(t)、cpp(t)和cqq(t)计算二阶相关系数rpq(t),再根据rpq(t)计算二阶相关测度Rp(t),然后根据Rp(t)计算模糊控制器的第一个输入同时计算模糊控制器的第二个输入μp(t)=e-υt,其中,β、υ和e是常数;
(6f)将Dp(t)和μp(t)分别模糊化为4个语义值中的一个:小S1、或较小S2、或中M、或大B,并根据模糊推理规则,通过Dp(t)和μp(t)的语义值计算模糊控制器输出的步长比例因子ωp(t)的语义值:小S1、或较小S2、或中偏小M1、或中偏大M2、或较大B1、或大B2,然后对所计算的ωp(t)的语义值进行去模糊化,得到步长比例因子ωp(t),再根据ωp(t)计算迭代步长λp(t)=ωp(t)θ,其中,θ是常数,模糊推理规则为表1如下所示:
表1
(6g)以互信息为代价函数,采用自然梯度优化方法,根据非线性函数gp(yp(t))和迭代步长λp(t),计算t=t+1时的分离矩阵W(t+1),并执行步骤(6b);
(7)获取滚动轴承的故障诊断结果:
(7a)计算每个分离后信号yp的有效值(Xrms)p、方根幅值(Xr)p、歪度αp、峭度βp、峰值指标(Cf)p、峭度指标(Kv)p、频域指标fp和多尺度熵Msep,组成多维特征向量zp,zp=[(Xrms)p,(Xr)p,αp,βp,(Cf)p,(Kv)p,fp,Msep],并将P个分离后信号对应的多维特征向量组合成多维特征向量集ZP,ZP=[z1,z2,…,zp,…,zP]T;
(7b)将ZP中所有多维特征向量依次输入训练后的支持向量机集合F′,计算每个多维特征向量对应的故障类型,综合得到测试轴承的总体故障类型。
本发明与现有技术相比,具有如下优点:
1.本发明在获取滚动轴承的故障类型诊断结果时,首先对采集到的滚动轴承的混合振动信号进行盲分离,得到相互独立的源信号,然后对源信号提取由幅域参数、频域指标和多尺度熵共同组成的多维特征向量,再将多维特征向量输入到训练好的支持向量机中,得到故障类型诊断结果,多维特征向量能够充分体现不同故障类型信号的区别,与现有技术相比,有效地提高了诊断精度。
2.本发明采用自适应选择非线性函数的方法进行盲信号分离,解决了在多类振动源共存的情况下无法分离轴承故障信号的问题,而且采用支持向量机进行故障类型诊断,训练结果稳定且不需要大量样本,与现有技术相比,有效地提高了滚动轴承故障诊断的鲁棒性。
3.本发明采用自适应选择迭代步长的方法进行盲信号分离,平衡了收敛速度和稳态误差的关系,与现有技术相比,在保证诊断精度不变的同时有效地提高了诊断效率。
附图说明
图1为本发明的实现流程图;
图2为本发明仿真使用的3个源信号的振动时域信号波形示意图;
图3为本发明盲信号分离平均性能示意图;
图4为本发明使用多维特征向量结合SVM的分类结果示意图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的详细描述:
参照图1,本发明包括如下步骤:
步骤1)获取训练样本集和测试样本集:
步骤1a)从数据库中选取4个包含不同单一故障类型滚动轴承的480个振动时域信号,每个滚动轴承的振动时域信号为一个或多个,每个振动时域信号包含的单一故障类型为有故障类型或无故障类型,每种故障类型选取120个振动时域信号,共计4种故障类型滚动轴承振动时域信号,按照故障类型对每个振动时域信号进行标注,设置滚动体故障的样本标签为1、内圈故障的样本标签为2、外圈故障的样本标签为3、无故障的样本标签为4,对每个振动时域信号及其对应的标签进行组合,构成训练样本集X1,X1={(x1,y1),(x2,y2),…,(xn,yn),…,(x480,y480)},其中,1≤n≤480,xn表示第n个振动时域信号,yn表示xn的标签;
步骤1b)通过布置在复杂工况下滚动轴承座外壳上的5个振动传感器,在12000个时刻对滚动轴承的混合振动时域信号进行采集,每个混合振动时域信号包含3个相互独立的源信号,参照图2,分别是取值在[-1,+1]之间的均匀白噪声,滚动轴承正常信号以及电动机转速1797rpm、采样率12kHz、故障尺寸0.1778mm的轴承外圈故障信号,并将5个混合振动时域信号组合成测试样本集X2,X2==[x1,x2,…,xm,…,x5]T,xm=[xm(1),xm(2),…,xm(t),…,xm(12000)],其中,T代表矩阵的转置,1≤m≤5,1≤t≤12000,xm(t)表示t时刻第m个振动传感器采集到的混合振动时域信号。
步骤2)获取训练样本集X1对应的多维特征向量集Z1:
提取训练样本集X1中每个振动时域信号xn的有效值(Xrms)n、方根幅值(Xr)n、歪度αn、峭度βn、峰值指标(Cf)n、峭度指标(Kv)n、频域指标fn和多尺度熵Msen,组成xn的多维特征向量zn,zn=[(Xrms)n,(Xr)n,αn,βn,(Cf)n,(Kv)n,fn,Msen],并将480个振动时域信号对应的多维特征向量组合成多维特征向量集Z1,Z1={z1,z2,…,zn,…,z480},其中有效值可以反映出具有随机振动性质的轴承信号的能量大小,在滚动轴承故障诊断中,有效值、方根幅值会随故障的严重程度而增大;正常的滚动轴承振动信号的歪度为0,故障越严重,则歪度值越大;峭度适用于诊断含有脉冲冲击性的故障信号,这是由于其对毛刺较为敏感,当轴承出现故障,其大幅值增多,峭度值将以4次方的速度迅速增大;峰值指标适用于诊断表面剥落或划痕等故障引起的振动,峰值指标的变化非常敏锐,随着故障的增大,峰值指标也会增大;峭度指标是峭度与有效值4次方的比值,正常轴承其振动信号的幅值满足高斯分布,当滚动轴承出现故障时,滚动轴承故障信号的峭度指标将大于3,因此峭度特征可以用来诊断轴承是否出现故障;故障特征频率是轴承不同类别故障间最主要的差异,因此频域指标的计算可以很大程度弥补幅域参数的不足,分别计算滚动轴承的K种故障类型的对应的故障特征频率理论值,并取其中的最小值(fmin)n和最大值(fmax)n,并将区间((fmin)n,(fmax)n)内信号包络谱幅值最大的频点的频率值作为xn的频域指标fn;多尺度熵是一种将样本熵扩展到多个时间尺度,讨论不同时间尺度下信号复杂性的方法,由于不同类别的滚动轴承故障信号复杂性差异较大,因此多尺度熵非常适用于滚动轴承故障诊断,采用本发明方法提取的多维特征向量可以从幅域、频域和多尺度熵这三个角度表征振动信号的信息,有利于提高诊断精度。
步骤3)获取支持向量机集合F:
在滚动轴承故障诊断问题中,由于故障种类不只两种,需要构造多分类支持向量机,多分类SVM的构造常用的方法有一对多和一对一,一对多方法是指构造SVM时依次把4类样本中的某个类别归为一类,其它剩下的归为另一类,使用二分类的SVM训练出一个二分类器,采用4个二分类器组成4分类器的方法实现多分类,在对输入的样本数据进行分类时,分别使用这4个二分类器进行分类,将分类结果中出现概率最高的类别作为最终的分类结果;一对一方法是指对于任意两类样本都会训练一个二分类器,最终得到6个分类器,每个分类器都使用两类数据进行训练,从准确率和训练时间综合比较,本发明选择采用一对一法构造多分类器,能够在保证诊断精度不变的同时提高诊断效率,对4种故障类型中的任意两种故障类型各构建一个支持向量机,得到包含6个支持向量机的集合F,F={f1,f2,…,fk,…,f6},其中fk表示第k个支持向量机,1≤k≤6。
步骤4)对支持向量机集合F进行迭代训练:
步骤4a)令k=1;
步骤4b)选取训练样本集X1中与支持向量机fk对应的两种故障类型的Nk个训练样本作为fk的训练样本集Ik,同时选取多维特征向量集Z1中与Nk个训练样本对应的多维特征向量作为fk的多维特征向量子集Hk;
步骤4c)将fk的训练样本集Ik和多维特征向量子集Hk作为支持向量机fk的输入,然后对高斯径向基核函数的参数gk和惩罚因子Ck进行参数寻优,常见的寻优方法分为网格搜索方法和粒子群优化方法,其中网格搜索优化方法首先在2的指数幂网格内取值,设置步进大小为0.5,然后进行迭代计算最终确定最优参数;粒子群优化方法是设置种群数为10,随机产生种群和速度,最大迭代次数为50,位置和速度的关系系数为0.6,在解空间中利用粒子进行迭代,将准确率最高的g、C作为最优参数,对于本发明采用的数据集来说,使用网格搜索法寻优参数训练的SVM模型分类准确率高于使用粒子群优化算法得到的分类准确率,这说明网格搜索法更适用于本发明的数据集,更有利于提高诊断精度,因此本发明采用网格搜索方法,通过Ik中的标签和Hk对高斯径向基核函数的参数gk和惩罚因子Ck进行参数寻优,得到最优参数(gk)best和最优惩罚因子(Ck)best;
步骤4d)通过最优参数(gk)best构建fk的高斯径向基核函数Gk(zi,zj):
Gk(zi,zj)=exp(-(gk)best||zi-zj||2)
其中zi,zj为多维特征向量子集Hk中的任意两个多维特征向量,i,j≤Nk且i≠j;
步骤4e)利用高斯径向基核函数Gk(zi,zj)和最优惩罚因子(Ck)best,将支持向量机fk要解决的非线性不可分问题转化为线性可分问题A,并对A进行求解,得到训练后的支持向量机fk′,其中:
其中,αi,αj均为拉格朗日系数,αi,αj≥0,yi和yj均为训练样本集Ik中xi xj对应的标签;
步骤4f)判断k=6是否成立,若是,得到训练后的支持向量机集合F′,否则,令k=k+1,并执行步骤(4b)。
步骤5)定义观测矩阵X和分离矩阵W:
定义观测矩阵X的大小为5×12000,X=[x1,x2,…,xm,…,xM]T,xm=[xm(1),xm(2),…,xm(t),…,xm(12000)],分离矩阵W的大小为3×5。
步骤6)对观测矩阵X进行盲信号分离:
步骤6a)令t=1;
步骤6b)计算t时刻分离矩阵W(t)和观测矩阵X(t)的乘积,得到X(t)盲信号分离后的信号矩阵Y(t)=W(t)X(t)=[y1(t),y2(t),y3(t)]T;
步骤6c)判断t=12000是否成立,若是,将12000个时刻的分离后信号矩阵Y(t)组合为分离后信号矩阵Y=[Y(1),Y(2),…,Y(t),…Y(12000)],否则,执行步骤(6d);
步骤6d)在复杂的实际工况下,传感器采集的信号往往是多种类型振动源的混合。主轴旋转振动信号的幅值一般为高斯分布,当轴承各部件出现损伤时会产生冲击脉冲,故障轴承的振动信号幅值通常呈超高斯分布,且振动信号中也可能存在其他机械部件的振动干扰,例如油泵振动干扰信号、低压转子的振动对高压转子的干扰等,其幅值大多为亚高斯分布,为了使本发明能够应用于复杂工况下的轴承故障信号提取,提高诊断的鲁棒性,本发明提出在迭代过程中根据振动源信号的分布类型分别对每一路分离输出信号选择相应的非线性函数,具体方法是计算每个分离后信号yp(t)的二阶矩(m2)p(t)和四阶矩(m4)p(t),并根据(m2)p(t)和(m4)p(t)计算yp(t)的峰度(κ4)p(t),根据(κ4)p(t)选择非线性函数gp(yp(t)):
步骤6e)迭代步长取值的大小会影响算法的性能,选择合适的迭代步长较为困难,如果迭代步长的取值过小,会导致分离算法的收敛速度较慢,算法应用性较差;如果迭代步长的取值较大,虽然算法可以获得较快的收敛速度,但其稳态误差较大,甚至导致算法发散。因此,迭代刚开始时,算法还未收敛,此时为获得较快的收敛速度,迭代步长应取较大值,而在迭代后期,算法接近收敛,为获得更好的分离性能和较低的稳态误差,步长迭代步长的取值应较小,本发明提出的基于模糊控制系统的自适应迭代步长选择方法,能够按照分离信号的独立性程度和目前迭代所处的阶段实现迭代步长的自适应选取,在保证诊断精度不变的同时有效提高诊断效率,具体计算方法为,计算盲信号分离后的第p个信号与第q个信号的互协方差cpq(t),以及第p个信号的自协方差cpp(t)和第q个信号的自协方差cqq(t),并根据cpq(t)、cpp(t)和cqq(t)计算二阶相关系数rpq(t),再根据rpq(t)计算二阶相关测度Rp(t),然后根据Rp(t)计算模糊控制器的第一个输入同时计算模糊控制器的第二个输入μp(t)=e-υt,其中,β、υ和e是常数;
步骤6f)将Dp(t)和μp(t)分别模糊化为4个语义值中的一个:小S1、或较小S2、或中M、或大B,并根据模糊推理规则,通过Dp(t)和μp(t)的语义值计算模糊控制器输出的步长比例因子ωp(t)的语义值:小S1、或较小S2、或中偏小M1、或中偏大M2、或较大B1、或大B2,然后对所计算的ωp(t)的语义值进行去模糊化,得到步长比例因子ωp(t),再根据ωp(t)计算迭代步长λp(t)=ωp(t)θ,其中,θ是常数,模糊推理规则为表1如下所示:
表1
步骤6g)以互信息为代价函数,采用自然梯度优化方法,根据非线性函数gp(yp(t))和迭代步长λp(t),计算t=t+1时的分离矩阵W(t+1),并执行步骤(6b);
步骤7)获取滚动轴承的故障诊断结果:
步骤7a)计算每个分离后信号yp的有效值(Xrms)p、方根幅值(Xr)p、歪度αp、峭度βp、峰值指标(Cf)p、峭度指标(Kv)p、频域指标fp和多尺度熵Msep,组成多维特征向量zp,zp=[(Xrms)p,(Xr)p,αp,βp,(Cf)p,(Kv)p,fp,Msep],并将3个分离后信号对应的多维特征向量组合成多维特征向量集ZP,ZP=[z1,z2,z3]T;
步骤7b)将ZP中所有多维特征向量依次输入训练后的支持向量机集合F′,计算每个多维特征向量对应的故障类型,综合得到测试轴承的总体故障类型。
以下结合具体实验,对本发明的技术效果作详细说明。
1.实验条件和内容:
在中央处理器为Intel(R)Core(TM)i7-2600 3.40GHZ、内存16G、WINDOWS 7操作系统上,运用MATLAB R2017b软件对滚动轴承智能故障诊断结果进行仿真。
2.实验结果分析:
本发明应用干扰信号比ISR对模型的分类诊断精度进行评测,ISR的表达式为:
采用两组对比实验验证本发明的性能,具体的对比实验为:
第一组,将本发明与基于单一非线性函数的EASI盲分离算法进行比较,对比结果见图3,参照图3,采用非线性函数为g(·)=(·)3的EASI方法进行盲信号分离后,只有亚高斯分布的信号会被分离出来,而其他信号仍是混合的,ISR性能较差,轴承故障信号提取失败,无法辨识出存在的故障类别。本发明提出的算法在多种振动源共存情况下,针对每一路信号类型选取相应的非线性函数,有更好的ISR性能,且收敛速度更快可以成功分离出各路信号。与基于单一非线性函数的EASI盲分离算法相比,其鲁棒性有显著提高。
第二组,将本发明与基于BP神经网络的轴承故障诊断方法进行比较,对比结果见图4,参照图4,采用本发明提出的多维特征向量提取方法能很好的区分无故障信号、滚动子故障信号、内圈故障信号和外圈故障信号,与基于BP神经网络的轴承故障诊断方法相比,有效提高了诊断精度。
综上所述,本发明能够自适应的选择盲信号分离算法的非线性函数和迭代步长,克服了复杂工况下算法失效的缺陷,结合多维特征向量和SVM对故障类型进行诊断,提高了滚动轴承智能故障诊断的诊断精度、效率和鲁棒性。
Claims (5)
1.一种基于盲信号分离和支持向量机的滚动轴承故障诊断方法,其特征在于包括如下步骤:
(1)获取训练样本集和测试样本集:
(1a)从数据库中选取K个包含不同单一故障类型滚动轴承的N个振动时域信号,每个滚动轴承的振动时域信号为一个或多个,每个振动时域信号包含的单一故障类型为有故障类型或无故障类型,按照故障类型对每个振动时域信号进行标注,并对每个振动时域信号及其对应的标签进行组合,构成训练样本集X1,X1={(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)},其中,N≥200,K≥2,xn表示第n个振动时域信号,yn表示xn的标签;
(1b)通过布置在复杂工况下滚动轴承座外壳上的M个振动传感器,对滚动轴承进行D次混合振动时域信号采集,并将M个各包含P个相互独立的源信号的混合振动时域信号组合成测试样本集X2,X2==[x1,x2,…,xm,…,xM]T,xm=[xm(1),xm(2),…,xm(t),…,xm(D)],其中,T表示转置,M≥1,P≥2,D≥1000,xm(t)表示t时刻第m个振动传感器采集到的混合振动时域信号,1≤m≤M,1≤t≤D;
(2)获取训练样本集X1对应的多维特征向量集Z1:
提取训练样本集X1中每个振动时域信号xn的有效值(Xrms)n、方根幅值(Xr)n、歪度αn、峭度βn、峰值指标(Cf)n、峭度指标(Kv)n、频域指标fn和多尺度熵Msen,组成xn的多维特征向量zn,zn=[(Xrms)n,(Xr)n,αn,βn,(Cf)n,(Kv)n,fn,Msen],并将N个振动时域信号对应的多维特征向量组合成多维特征向量集Z1,Z1={z1,z2,…,zn,…,zN};
(3)构建支持向量机集合F:
对K种故障类型中的任意两种故障类型各构建一个支持向量机,得到包含K(K-1)/2个支持向量机的集合F,F={f1,f2,…,fk,…,fK(K-1)/2},其中fk表示第k个支持向量机;
(4)对支持向量机集合F进行迭代训练:
(4a)令k=1;
(4b)选取训练样本集X1中与支持向量机fk对应的两种故障类型的Nk个训练样本作为fk的训练样本集Ik,同时选取多维特征向量集Z1中与Nk个训练样本对应的多维特征向量作为fk的多维特征向量子集Hk;
(4c)将fk的训练样本集Ik和多维特征向量子集Hk作为支持向量机fk的输入,并采用网格搜索方法,通过Ik中的标签和Hk对高斯径向基核函数的参数gk和惩罚因子Ck进行参数寻优,得到最优参数(gk)best和最优惩罚因子(Ck)best;
(4d)通过最优参数(gk)best构建fk的高斯径向基核函数Gk(zi,zj):
Gk(zi,zj)=exp(-(gk)best||zi-zj||2)
其中zi,zj为多维特征向量子集Hk中的任意两个多维特征向量,i,j≤Nk且i≠j;
(4e)利用高斯径向基核函数Gk(zi,zj)和最优惩罚因子(Ck)best,将支持向量机fk要解决的非线性不可分问题转化为线性可分问题A,并对A进行求解,得到训练后的支持向量机fk′,其中:
其中,αi,αj均为拉格朗日系数,αi,αj≥0,yi和yj分别为训练样本集Ik中xi和xj对应的标签;
(4f)判断k=K(K-1)/2是否成立,若是,得到训练后的支持向量机集合F′,否则,令k=k+1,并执行步骤(4b);
(5)定义观测矩阵X和分离矩阵W:
定义大小为M×D的观测矩阵X,X=[x1,x2,…,xm,…,xM]T,xm=[xm(1),xm(2),…,xm(t),…,xm(D)];定义大小为P×M的分离矩阵W;
(6)对观测矩阵X进行盲信号分离:
(6a)令t=1;
(6b)计算t时刻分离矩阵W(t)和观测矩阵X(t)的乘积,得到X(t)盲信号分离后的信号矩阵Y(t)=W(t)X(t)=[y1(t),y2(t),…,yp(t),…,yP(t)]T;
(6c)判断t=D是否成立,若是,得到D个时刻X盲信号分离后的信号矩阵Y=[Y(1),Y(2),…,Y(t),…Y(D)],否则,执行步骤(6d);
(6d)计算每个盲信号分离后的信号yp(t)的二阶矩(m2)p(t)和四阶矩(m4)p(t),并根据(m2)p(t)和(m4)p(t)计算yp(t)的峰度(κ4)p(t),根据(κ4)p(t)选择非线性函数gp(yp(t)):
(6e)计算盲信号分离后的第p个信号与第q个信号的互协方差cpq(t),以及第p个信号的自协方差cpp(t)和第q个信号的自协方差cqq(t),并根据cpq(t)、cpp(t)和cqq(t)计算二阶相关系数rpq(t),再根据rpq(t)计算二阶相关测度Rp(t),然后根据Rp(t)计算模糊控制器的第一个输入同时计算模糊控制器的第二个输入μp(t)=e-υt,其中,β、υ和e是常数;
(6f)将Dp(t)和μp(t)分别模糊化为4个语义值中的一个:小S1、或较小S2、或中M、或大B,并根据模糊推理规则,通过Dp(t)和μp(t)的语义值计算模糊控制器输出的步长比例因子ωp(t)的语义值:小S1、或较小S2、或中偏小M1、或中偏大M2、或较大B1、或大B2,然后对所计算的ωp(t)的语义值进行去模糊化,得到步长比例因子ωp(t),再根据ωp(t)计算迭代步长λp(t)=ωp(t)θ,其中,θ是常数,模糊推理规则为表1如下所示:
表1
(6g)以互信息为代价函数,采用自然梯度优化方法,根据非线性函数gp(yp(t))和迭代步长λp(t),计算t=t+1时的分离矩阵W(t+1),并执行步骤(6b);
(7)获取滚动轴承的故障诊断结果:
(7a)计算每个分离后信号yp的有效值(Xrms)p、方根幅值(Xr)p、歪度αp、峭度βp、峰值指标(Cf)p、峭度指标(Kv)p、频域指标fp和多尺度熵Msep,组成多维特征向量zp,zp=[(Xrms)p,(Xr)p,αp,βp,(Cf)p,(Kv)p,fp,Msep],并将P个分离后信号对应的多维特征向量组合成多维特征向量集ZP,ZP=[z1,z2,…,zp,…,zP]T;
(7b)将ZP中所有多维特征向量依次输入训练后的支持向量机集合F′,计算每个多维特征向量对应的故障类型,综合得到测试轴承的总体故障类型。
2.根据权利要求1所述的基于盲信号分离和支持向量机的滚动轴承故障诊断方法,其特征在于,步骤(2)中所述的振动时域信号xn的频域指标fn,实现步骤为:分别计算滚动轴承的K种故障类型的对应的故障特征频率理论值,并取其中的最小值(fmin)n和最大值(fmax)n,并将区间((fmin)n,(fmax)n)内信号包络谱幅值最大的频点的频率值作为xn的频域指标fn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088023.4A CN112257530B (zh) | 2020-10-13 | 2020-10-13 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088023.4A CN112257530B (zh) | 2020-10-13 | 2020-10-13 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257530A true CN112257530A (zh) | 2021-01-22 |
CN112257530B CN112257530B (zh) | 2023-10-20 |
Family
ID=74242812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011088023.4A Active CN112257530B (zh) | 2020-10-13 | 2020-10-13 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257530B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
CN113432876A (zh) * | 2021-06-24 | 2021-09-24 | 西安电子科技大学 | 基于共轭梯度法的航发主轴轴承故障信号盲提取方法 |
CN113884236A (zh) * | 2021-08-24 | 2022-01-04 | 西安电子科技大学 | 一种多传感器融合动平衡分析方法、系统、设备、介质 |
CN114172766A (zh) * | 2021-12-06 | 2022-03-11 | 东莞理工学院城市学院 | 信号分离方法、装置、电子设备及介质 |
CN114414227A (zh) * | 2021-12-29 | 2022-04-29 | 华电电力科学研究院有限公司 | 一种设备碰撞感知方法、装置、设备及存储介质 |
CN114417924A (zh) * | 2022-01-17 | 2022-04-29 | 辽宁石油化工大学 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
CN114649001A (zh) * | 2022-03-17 | 2022-06-21 | 厦门大学 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
CN116150677A (zh) * | 2023-04-19 | 2023-05-23 | 国家石油天然气管网集团有限公司 | 一种基于支持向量机的输油泵故障预警方法及系统 |
CN114649001B (zh) * | 2022-03-17 | 2024-06-04 | 厦门大学 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
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 |
CN111191740A (zh) * | 2020-01-10 | 2020-05-22 | 福州大学 | 一种滚动轴承故障诊断方法 |
-
2020
- 2020-10-13 CN CN202011088023.4A patent/CN112257530B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
WO2019061006A1 (en) * | 2017-09-26 | 2019-04-04 | Schaeffler Technologies AG & Co. KG | METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE |
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 |
CN111191740A (zh) * | 2020-01-10 | 2020-05-22 | 福州大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
孙瑾铃;张伟涛;楼顺天;: "基于等变化自适应源分离算法的滚动轴承故障信号自适应盲提取", 电子与信息学报, no. 10 * |
张文哲;张为民;林文波;: "基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法", 机械制造, no. 04 * |
郑近德;潘海洋;包家汉;刘庆运;丁克勤;欧淑彬;: "基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法", 噪声与振动控制, no. 02 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
CN113432876A (zh) * | 2021-06-24 | 2021-09-24 | 西安电子科技大学 | 基于共轭梯度法的航发主轴轴承故障信号盲提取方法 |
CN113432876B (zh) * | 2021-06-24 | 2022-04-19 | 西安电子科技大学 | 基于共轭梯度法的航发主轴轴承故障信号盲提取方法 |
CN113884236B (zh) * | 2021-08-24 | 2022-06-21 | 西安电子科技大学 | 一种多传感器融合动平衡分析方法、系统、设备、介质 |
CN113884236A (zh) * | 2021-08-24 | 2022-01-04 | 西安电子科技大学 | 一种多传感器融合动平衡分析方法、系统、设备、介质 |
CN114172766A (zh) * | 2021-12-06 | 2022-03-11 | 东莞理工学院城市学院 | 信号分离方法、装置、电子设备及介质 |
CN114414227A (zh) * | 2021-12-29 | 2022-04-29 | 华电电力科学研究院有限公司 | 一种设备碰撞感知方法、装置、设备及存储介质 |
CN114414227B (zh) * | 2021-12-29 | 2023-05-26 | 华电电力科学研究院有限公司 | 一种设备碰撞感知方法、装置、设备及存储介质 |
CN114417924A (zh) * | 2022-01-17 | 2022-04-29 | 辽宁石油化工大学 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
CN114417924B (zh) * | 2022-01-17 | 2024-03-29 | 辽宁石油化工大学 | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 |
CN114649001A (zh) * | 2022-03-17 | 2022-06-21 | 厦门大学 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
CN114649001B (zh) * | 2022-03-17 | 2024-06-04 | 厦门大学 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
CN116150677A (zh) * | 2023-04-19 | 2023-05-23 | 国家石油天然气管网集团有限公司 | 一种基于支持向量机的输油泵故障预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112257530B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN110057584B (zh) | 一种机车牵引电机轴承退化监测方法 | |
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN111523081B (zh) | 一种基于增强门控循环神经网络的航空发动机故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN111504680B (zh) | 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统 | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
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 | |
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 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112729834A (zh) | 一种轴承故障的诊断方法、装置和系统 | |
Liu et al. | Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240410 Address after: 710000 Room 01, 10th Floor, Block B2, Phase 2, Xi'an Software New City R&D Base, No. 156, Tianguba Road, High-tech Zone, Xi'an City, Shaanxi Province Patentee after: Shaanxi Jinhe information Polytron Technologies Inc. Country or region after: China Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University Country or region before: China |
|
TR01 | Transfer of patent right |