CN112287776A - 轴承性能指标分析方法、系统、可读存储介质及电子设备 - Google Patents
轴承性能指标分析方法、系统、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN112287776A CN112287776A CN202011101575.4A CN202011101575A CN112287776A CN 112287776 A CN112287776 A CN 112287776A CN 202011101575 A CN202011101575 A CN 202011101575A CN 112287776 A CN112287776 A CN 112287776A
- Authority
- CN
- China
- Prior art keywords
- index
- time domain
- performance
- bearing
- characteristic parameter
- 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.)
- Withdrawn
Links
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种轴承性能指标分析方法、系统、可读存储介质及电子设备,轴承性能指标分析方法包括:步骤S1:收集滚动轴承信号,并进行数据预处理;步骤S2:采用等长固定滑动窗口法对进行数据预处理后的滚动轴承信号进行子序列划分;步骤S3:设置至少一时域特征参数并根据时域特征参数获的对应地时域参数特征值,并根据时域特征参数值构建时域特征参数序列;步骤S4:根据时域特征参数序列获得至少一性能评价指标;步骤S5:通过熵值评价法对性能评价指标进行计算获得综合指标;步骤S6:根据综合指标获得能够表征滚动轴承性能衰退趋势的特征参数。
Description
技术领域
本发明涉及一种轴承性能指标分析方法、系统、可读存储介质及电子设备,具体地说,尤其涉及一种基于熵评价的轴承性能指标分析方法、系统、可读存储介质及电子设备。
背景技术
滚动轴承作为机械设备的关键零部件,其轻微故障也极有可能直接影响到整个机械系统的正常运行。在实际工程中,轴承工作于恶劣环境之中,极易发生腐蚀磨损,异物破坏的问题,从而导致机械产品出现故障。然而大型机械产品一旦发生故障,轻则影响工厂产品加工,重则会造成人员伤亡,经济损失惨重。
滚动轴承的健康状态极大程度上决定了整个机械产品系统的稳定性、安全性和可靠性,滚动轴承在其整个全寿命过程中,会经历正常、衰退直至失效。而其中最重要的一个环节就是性能衰退趋势分析,从中可以掌握机械设备从装机运行开始直至当前性能状态的衰退变化过程。然而机械设备发生故障不是一蹴而就的,是一个从正常状态到故障状态的缓慢变化过程。然而对滚动轴承的性能衰退进行评估的指标也较多,因此需要分析其最能够反映出轴承性能衰退的显著性指标,并将其作为轴承性能衰退趋势分析的依据。
传统的轴承性能指标分析方法在计算特征参数评价指标的时候由于各时域特征参数在不同应用场景中表现出的适用性以及敏感性有所不同,因此缺乏统一的标准。理想的特征参数应当具备抗干扰鲁棒性、失效共驱性、个体普适性以及性能退化一致性等特点,仅通过考虑单一指标对特征参数的影响,进而评价优选的方法难免存在片面性;其次各指标之间的评价优选权重缺乏统一的标准,传统方法简单粗暴,各指标采用相同权重,显然不合理;尤其是对滚动轴承的性能衰退指标更是无法进行合理评价。
因此急需开发一种克服上述缺陷的基于熵评价的轴承性能指标分析方法、系统、可读存储介质及电子设备。
发明内容
针对上述问题,本发明提供一种轴承性能指标分析方法,其中,包括:
步骤S1:收集滚动轴承信号,并进行数据预处理;
步骤S2:采用等长固定滑动窗口法对进行数据预处理后的所述滚动轴承信号进行子序列划分;
步骤S3:设置至少一时域特征参数并根据所述时域特征参数获的对应地时域参数特征值,并根据所述时域特征参数值构建时域特征参数序列;
步骤S4:根据所述时域特征参数序列获得至少一性能评价指标;
步骤S5:通过熵值评价法对所述性能评价指标进行计算获得综合指标;
步骤S6:根据所述综合指标获得能够表征滚动轴承性能衰退趋势的特征参数。
上述的轴承性能指标分析方法,其中,所述步骤S1中包括,采集并获取所述滚动轴承信号,并对所述滚动轴承振动信号进行数据预处理,构建样本数据集。
上述的轴承性能指标分析方法,其中,所述步骤S2中包括,将原始时间序列以固定长度的窗口段进行表示,分段分析隐含在子序列中的显著特征参数。
上述的轴承性能指标分析方法,其中,所述性能评价指标包括:相关性指标、单调性指标、离散性指标及鲁棒性指标中的至少一种。
上述的轴承性能指标分析方法,其中,所述步骤S5中包括:
步骤S51:计算所述时域特征参数占所述性能评价指标的权重;
步骤S52:根据所述权重计算所述性能评价指标的输出熵;
步骤S53:根据所述输出熵及所述性能评价指标计算出所述性能评价指标的指标权重;
步骤S54:根据所述指标权重进行计算获得综合指标。
上述的轴承性能指标分析方法,其中,所述步骤S6中,将所述综合指标进行排序,综合指标越高,则该特征参数越能表征轴承衰退趋势。
本发明还提供一种轴承性能指标分析系统,其中,包括:
预处理单元,收集滚动轴承信号,并进行数据预处理;
划分单元,采用等长固定滑动窗口法对进行数据预处理后的所述滚动轴承信号进行子序列划分;
序列构建单元,设置至少一时域特征参数并根据所述时域特征参数获的对应地时域参数特征值,并根据所述时域特征参数值构建时域特征参数序列;
性能评价指标获得单元,根据所述时域特征参数序列获得至少一性能评价指标;
综合指标获得单元,通过熵值评价法对所述性能评价指标进行计算获得综合指标;
分析单元,根据所述综合指标获得能够表征滚动轴承性能衰退趋势的特征参数。
上述的轴承性能指标分析系统,其中,所述综合指标获得单元包括:
权重计算模块,计算所述时域特征参数占所述性能评价指标的权重;
输出熵计算模块,根据所述权重计算所述性能评价指标的输出熵;
指标权重计算模块,根据所述输出熵及所述性能评价指标计算出所述性能评价指标的指标权重;
综合指标计算模块,根据所述指标权重进行计算获得综合指标。
本发明还提供一种可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述中任一项所述的轴承性能指标分析方法。
本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上述中任一项所述的轴承性能指标分析方法。
综上所述,本发明相对于现有技术其功效在于:提供了一种基于熵评价的轴承性能指标分析,通过采用熵值评价法获取各性能指标的优选权重,获取了更能表征轴承性能衰退趋势的特征参数,最终构成一套完成的评价体系。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明的轴承性能指标分析方法的流程图;
图2为图1中步骤S5的流程图;
图3为本发明的轴承性能指标分析方法的应用流程图;
图4为本发明的轴承性能指标分析系统的结构示意图;
图5为本发明电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。另外,在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
关于本文中所使用的“第一”、“第二”、“S1”、“S2”、…等,并非特别指称次序或顺位的意思,也非用以限定本发明,其仅为了区别以相同技术用语描述的元件或操作。
关于本文中所使用的方向用语,例如:上、下、左、右、前或后等,仅是参考附图的方向。因此,使用的方向用语是用来说明并非用来限制本创作。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放性的用语,即意指包含但不限于。
关于本文中所使用的“及/或”,包括所述事物的任一或全部组合。
关于本文中的“多个”包括“两个”及“两个以上”;关于本文中的“多组”包括“两组”及“两组以上”。
关于本文中所使用的用语“大致”、“约”等,用以修饰任何可以微变化的数量或误差,但这些微变化或误差并不会改变其本质。一般而言,此类用语所修饰的微变化或误差的范围在部分实施例中可为20%,在部分实施例中可为10%,在部分实施例中可为5%或是其他数值。本领域技术人员应当了解,前述提及的数值可依实际需求而调整,并不以此为限。
某些用以描述本申请的用词将于下或在此说明书的别处讨论,以提供本领域技术人员在有关本申请的描述上额外的引导。
本发明提供一种基于熵评价的轴承性能衰退指标分析方法,特别是结合机器学习方法与熵评价法对轴承性能衰退指标进行分析。
滚动轴承振动信号属于典型的时间序列数据,其非平稳、非线性、高维度等特征致使直接采用传统特征挖掘方法的效率变低且较难得到能够反映轴承性能衰退的显著特征。本发明首先初选时域内常用的一些特征参数,并计算相应的评价指标,进而利用一种熵评价方法实现轴承性能衰退指标分析。通常在决策中,评价指标所提供的信息量越大,则表现出不同特征参数之间所体现的差异度越大,则该指标也就能更好地区分特征参数之间的优劣程度。因此,指标所占权重越大,则其在优选排序中的作用也就越大,最终构成一套完成的评价体系,以下进行具体说明。
请参照图1,图1为本发明的轴承性能指标分析方法的流程图。如图1所示,本发明的轴承性能指标分析方法包括:
步骤S1:收集滚动轴承信号,并进行数据预处理;其中,所述步骤S1中包括,采集并获取所述滚动轴承信号,并对所述滚动轴承振动信号进行数据预处理,构建样本数据集。需要说明的是,在本实施例中,滚动轴承信号为滚动轴承振动信号。
步骤S2:采用等长固定滑动窗口法对进行数据预处理后的所述滚动轴承信号进行子序列划分;其中,所述步骤S2中包括,将原始时间序列以固定长度的窗口段进行表示,分段分析隐含在子序列中的显著特征参数,由此不仅能够保留原有时序数列更丰富的特征参数的同时,又可以保持时序数据在时间上的依赖性。
步骤S3:设置至少一时域特征参数并根据所述时域特征参数获的对应地时域参数特征值,并根据所述时域特征参数值构建时域特征参数序列;其中,考虑到滚动轴承性能衰退是一个复杂机械系统退化过程,采用单一特征参数对其进行性能评估存在一定片面性。部分特征参数存在求解难度大,计算成本高,不适用于在线数据分析的问题,选择合适的时域特征参数对于轴承性能衰退分析尤为关键,在本实施例中,常用时域特征参数如下:均值、均方根值、方根幅值、平均幅值、峰值、峰峰值、峰值指标、峭度、峭度指标、脉冲指标、波形指标及裕度指标,但本发明并以此为限。
步骤S4:根据所述时域特征参数序列获得至少一性能评价指标;其中,在本实施例中,所述性能评价指标包括:相关性指标、单调性指标、离散性指标及鲁棒性指标中的至少一种。
步骤S5:通过熵值评价法对所述性能评价指标进行计算获得综合指标。
请参照图2,图2为图1中步骤S5的流程图。如图5所示,所述步骤S5中包括:
步骤S51:计算所述时域特征参数占所述性能评价指标的权重;
步骤S52:根据所述权重计算所述性能评价指标的输出熵;
步骤S53:根据所述输出熵及所述性能评价指标计算出所述性能评价指标的指标权重;
步骤S54:根据所述指标权重进行计算获得综合指标。
步骤S6:根据所述综合指标获得能够表征滚动轴承性能衰退趋势的特征参数;其中,所述步骤S6中,将所述综合指标进行排序,综合指标越高,则该特征参数越能表征轴承衰退趋势。
请参照图3,图3为本发明的轴承性能指标分析方法的应用流程图,以下结合图3具体说明本发明信号特征提取方法的工作流程如下:
(1)收集滚动轴承振动信号,并进行数据预处理,构建样本数据集。
(2)采用等长固定滑动窗口划分方法,将原始时间序列以固定长度的窗口段进行表示,分段分析隐含在子序列中的显著特征参数,不仅能够保留原有时序数列更丰富的特征参数的同时,又可以保持时序数据在时间上的依赖性。
(3)计算各时域特征参数。考虑到滚动轴承性能衰退是一个复杂机械系统退化过程,采用单一特征参数对其进行性能评估存在一定片面性。部分特征参数存在求解难度大,计算成本高,不适用于在线数据分析的问题,选择合适的特征参数对于轴承性能衰退分析尤为关键,常用特征参数如下:均值、均方根值、方根幅值、平均幅值、峰值、峰峰值、峰值指标、峭度、峭度指标、脉冲指标、波形指标及裕度指标。
(4)计算综合评价指标。根据已计算好的时域特征参数序列,完成相应评价指标计算:
1)相关性指标(C)
式中X代表某一时域特征参数序列;t代表特征参数序列对应时刻;N代表监测点数;
2)单调性指标(M)
式中δ(x)代表单位阶跃函数。
3)离散性指标(D)
4)鲁棒性指标(R)
(5)利用熵值评价法对所计算的上述各性能评价指标,赋予各自相应的权重,并计算综合指标。本发明从信息论的角度出发,利用熵值评价法实现多度量的气路参数偏差值特征参数综合评价方法。通常在决策中,性能评价指标所提供的信息量越大,则特征参数之间所体现的差异度也就越大,也就能更好地区分特征参数之间的优劣程度。熵评价法具体实现过程如下:
首先,计算第j项评价指标下第i个特征参数占该评价指标的权重:
其次,计算第j项评价指标的输出熵:
然后,根据输出熵Hj,计算相应的权值:
根据公式(5)~(7)及各特征参数评价指标,可得到各指标权重e,从而对X各特征参数进行评价及优选排序。
(6)根据上述获取的各性能指标权重,计算各时域特征参数的综合指标。将所述综合指标进行排序,综合指标越高,则该特征参数越能表征轴承衰退趋势。
请参照图4,图4为本发明的轴承性能指标分析系统的结构示意图。如图4所示,本发明的轴承性能指标分析系统应用上述轴承性能指标分析方法,轴承性能指标分析系统包括:
预处理单元11,收集滚动轴承信号,并进行数据预处理;
划分单元12,采用等长固定滑动窗口法对进行数据预处理后的所述滚动轴承信号进行子序列划分;
序列构建单元13,设置至少一时域特征参数并根据所述时域特征参数获的对应地时域参数特征值,并根据所述时域特征参数值构建时域特征参数序列;
性能评价指标获得单元14,根据所述时域特征参数序列获得至少一性能评价指标;
综合指标获得单元15,通过熵值评价法对所述性能评价指标进行计算获得综合指标;
分析单元16,根据所述综合指标获得能够表征滚动轴承性能衰退趋势的特征参数。
其中,所述综合指标获得单元15包括:
权重计算模块151,计算所述时域特征参数占所述性能评价指标的权重;
输出熵计算模块152,根据所述权重计算所述性能评价指标的输出熵;
指标权重计算模块153,根据所述输出熵及所述性能评价指标计算出所述性能评价指标的指标权重;
综合指标计算模块154,根据所述指标权重进行计算获得综合指标。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述中任一项所述的轴承性能指标分析方法。
请参照图5,图5为本发明电子设备的结构示意图。如图5所示,本发明的电子设备,电子设备可以包括处理器21以及存储有计算机程序指令的存储器22。
具体地,上述处理器21可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器22可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器22可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器22可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器22可在数据处理装置的内部或外部。在特定实施例中,存储器22是非易失性(Non-Volatile)存储器。在特定实施例中,存储器22包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器22可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器21所执行的可能的计算机程序指令。
处理器21通过读取并执行存储器22中存储的计算机程序指令,以实现上述实施例中的任意一种动态调价方法。
在其中一些实施例中,电子设备还可包括通信接口23和总线20。其中,如图5所示,处理器21、存储器22、通信接口23通过总线20连接并完成相互间的通信。
通信端口23可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线20包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线20包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线20可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线20可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行上述中的任一种轴承性能指标分析方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,本发明提供了一种基于熵评价的轴承性能衰退指标分析方法,通过采用熵值评价法获取各性能指标的优选权重,获取了更能表征轴承性能衰退趋势的特征参数,最终构成一套完成的评价体系。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种轴承性能指标分析方法,其特征在于,包括:
步骤S1:收集滚动轴承信号,并进行数据预处理;
步骤S2:采用等长固定滑动窗口法对进行数据预处理后的所述滚动轴承信号进行子序列划分;
步骤S3:设置至少一时域特征参数并根据所述时域特征参数获的对应地时域参数特征值,并根据所述时域特征参数值构建时域特征参数序列;
步骤S4:根据所述时域特征参数序列获得至少一性能评价指标;
步骤S5:通过熵值评价法对所述性能评价指标进行计算获得综合指标;
步骤S6:根据所述综合指标获得能够表征滚动轴承性能衰退趋势的特征参数。
2.如权利要求1所述的轴承性能指标分析方法,其特征在于,所述步骤S1中包括,采集并获取所述滚动轴承信号,并对所述滚动轴承振动信号进行数据预处理,构建样本数据集。
3.如权利要求1所述的轴承性能指标分析方法,其特征在于,所述步骤S2中包括,将原始时间序列以固定长度的窗口段进行表示,分段分析隐含在子序列中的显著特征参数。
4.如权利要求3所述的轴承性能指标分析方法,其特征在于,所述性能评价指标包括:相关性指标、单调性指标、离散性指标及鲁棒性指标中的至少一种。
5.如权利要求1所述的轴承性能指标分析方法,其特征在于,所述步骤S5中包括:
步骤S51:计算所述时域特征参数占所述性能评价指标的权重;
步骤S52:根据所述权重计算所述性能评价指标的输出熵;
步骤S53:根据所述输出熵及所述性能评价指标计算出所述性能评价指标的指标权重;
步骤S54:根据所述指标权重进行计算获得综合指标。
6.如权利要求5所述的轴承性能指标分析方法,其特征在于,所述步骤S6中,将所述综合指标进行排序,综合指标越高,则该特征参数越能表征轴承衰退趋势。
7.一种基于熵评价的轴承性能指标分析系统,其特征在于,包括:
预处理单元,收集滚动轴承信号,并进行数据预处理;
划分单元,采用等长固定滑动窗口法对进行数据预处理后的所述滚动轴承信号进行子序列划分;
序列构建单元,设置至少一时域特征参数并根据所述时域特征参数获的对应地时域参数特征值,并根据所述时域特征参数值构建时域特征参数序列;
性能评价指标获得单元,根据所述时域特征参数序列获得至少一性能评价指标;
综合指标获得单元,通过熵值评价法对所述性能评价指标进行计算获得综合指标;
分析单元,根据所述综合指标获得能够表征滚动轴承性能衰退趋势的特征参数。
8.如权利要求1所述的轴承性能指标分析系统,其特征在于,所述综合指标获得单元包括:
权重计算模块,计算所述时域特征参数占所述性能评价指标的权重;
输出熵计算模块,根据所述权重计算所述性能评价指标的输出熵;
指标权重计算模块,根据所述输出熵及所述性能评价指标计算出所述性能评价指标的指标权重;
综合指标计算模块,根据所述指标权重进行计算获得综合指标。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的轴承性能指标分析方法。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的轴承性能指标分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101575.4A CN112287776A (zh) | 2020-10-15 | 2020-10-15 | 轴承性能指标分析方法、系统、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101575.4A CN112287776A (zh) | 2020-10-15 | 2020-10-15 | 轴承性能指标分析方法、系统、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287776A true CN112287776A (zh) | 2021-01-29 |
Family
ID=74496872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101575.4A Withdrawn CN112287776A (zh) | 2020-10-15 | 2020-10-15 | 轴承性能指标分析方法、系统、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287776A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
CN114782453A (zh) * | 2022-06-23 | 2022-07-22 | 张家港Aaa精密制造股份有限公司 | 一种基于智能制造的轴承质量检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598438A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 |
CN111695521A (zh) * | 2020-06-15 | 2020-09-22 | 哈尔滨理工大学 | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 |
-
2020
- 2020-10-15 CN CN202011101575.4A patent/CN112287776A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598438A (zh) * | 2020-05-14 | 2020-08-28 | 哈尔滨工业大学(威海) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 |
CN111695521A (zh) * | 2020-06-15 | 2020-09-22 | 哈尔滨理工大学 | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
CN114782453A (zh) * | 2022-06-23 | 2022-07-22 | 张家港Aaa精密制造股份有限公司 | 一种基于智能制造的轴承质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102061987B1 (ko) | 위험 평가 방법 및 시스템 | |
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
KR101139192B1 (ko) | 정보 필터링 시스템, 정보 필터링 방법 및 정보 필터링 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 | |
CN111126622A (zh) | 一种数据异常检测方法与装置 | |
CN111881289B (zh) | 分类模型的训练方法、数据风险类别的检测方法及装置 | |
CN112287776A (zh) | 轴承性能指标分析方法、系统、可读存储介质及电子设备 | |
US20160255109A1 (en) | Detection method and apparatus | |
CN116128312B (zh) | 基于监测数据分析的大坝安全预警方法及系统 | |
CN111784160A (zh) | 一种河流水文情势变化的评估方法及系统 | |
CN112150205A (zh) | 价格预测方法及装置、电子设备 | |
CN112162977A (zh) | 一种面向mes的海量数据去冗余方法和系统 | |
WO2024036709A1 (zh) | 一种异常数据检测方法及装置 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN113886373A (zh) | 一种数据处理方法、装置及电子设备 | |
CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
CN105405051A (zh) | 金融事件预测方法和装置 | |
CN117237678A (zh) | 用电行为异常检测方法、装置、设备及存储介质 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
CN115081950A (zh) | 企业成长性评估建模方法、系统、计算机及可读存储介质 | |
CN113850523A (zh) | 基于数据补全的esg指数确定方法及相关产品 | |
CN114663102A (zh) | 基于半监督模型预测发债主体违约的方法、设备及存储介质 | |
CN112307205A (zh) | 基于自动摘要的文本分类方法、系统及计算机存储介质 | |
CN112199362A (zh) | 一种mes背景下的数据库数据缺失的填补方法及系统 | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210129 |