CN112504676A - 一种滚动轴承性能退化分析方法及装置 - Google Patents

一种滚动轴承性能退化分析方法及装置 Download PDF

Info

Publication number
CN112504676A
CN112504676A CN202011556655.9A CN202011556655A CN112504676A CN 112504676 A CN112504676 A CN 112504676A CN 202011556655 A CN202011556655 A CN 202011556655A CN 112504676 A CN112504676 A CN 112504676A
Authority
CN
China
Prior art keywords
sampling period
rolling bearing
matrix
sampling
graph
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
Application number
CN202011556655.9A
Other languages
English (en)
Other versions
CN112504676B (zh
Inventor
孙维方
周余庆
向家伟
陈雷清
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202011556655.9A priority Critical patent/CN112504676B/zh
Publication of CN112504676A publication Critical patent/CN112504676A/zh
Application granted granted Critical
Publication of CN112504676B publication Critical patent/CN112504676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Abstract

本发明提供一种滚动轴承性能退化分析方法，包括对滚动轴承的运行数据进行周期性采样，得到每一采样周期的图连接矩阵；取第一个采样周期的图连接矩阵为基础图连接矩阵，并得到特征向量；使用特征向量对后续其它采样周期的图连接矩阵进行分解，且进一步分解出非对角矩阵并计算出1范数；确定基础图连接矩阵的非对角矩阵，并将基础图连接矩阵的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算，所得各距离值分别与预设阈值对比，确定后续每一个采样周期上的滚动轴承性能是否退化。实施本发明，通过局部图结构的建立来获得区别初始状态的异常值，快速实现滚动轴承性能退化状态分析。

Description

一种滚动轴承性能退化分析方法及装置
技术领域
本发明涉及机械性能分析技术领域，尤其涉及一种滚动轴承性能退化分析方法及装置。
背景技术
滚动轴承是机电设备中最常用的关键零部件之一，其运行状态直接影响到整台机器的性能。因此，滚动轴承健康状态的鲁棒识别与旋转机械的及时状态监测，对保障机械装备安全服役、提高生产效率、增加经济效益至关重要。
目前，在滚动轴承运行的全寿命周期内，通常利用信号处理方法分别从时域、频域和时频域方法提取特征，用于反映从正常状态到严重故障的退化过程。虽然许多算法在特征提取方面取得了优异的性能，但针对滚动轴承性能退化分析依然存在着较大的不足，例如计算时间长且过程复杂等。因此，有必要提出了一种滚动轴承性能退化分析方法，用于改善上述不足之处。
发明内容
本发明实施例所要解决的技术问题在于，提供一种滚动轴承性能退化分析方法及装置，通过局部图结构的建立来获得区别于初始状态的异常值，能快速实现滚动轴承性能退化状态分析。
为了解决上述技术问题，本发明实施例提供了一种滚动轴承性能退化分析方法，所述方法包括以下步骤：
S1、根据预设的数据采样频率和滚动轴承预设的旋转频率，对滚动轴承的运行数据进行周期性采样，并得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵；
S2、取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并得到基础图连接矩阵的特征向量；
S3、使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解，并将分解所得的各矩阵均进一步分解出非对角矩阵，且计算出每一个非对角矩阵的1范数；
S4、确定基础图连接矩阵分解出的非对角矩阵，并将所述基础图连接矩阵分解出的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算之后，将计算所得的各距离值分别与预设阈值进行对比，且进一步根据对比结果，确定第一个采样周期后续的每一个采样周期上的滚动轴承性能是否退化。
其中，所述步骤S1具体包括：
通过公式
Figure BDA0002857648810000021
确定滚动轴承每旋转一周的数据长度L；其中，fs为预设的数据采样频率；r为滚动轴承预设的旋转频率；
以滚动轴承每旋转一周的数据长度L为单位采样周期，对滚动轴承的运行数据进行周期性采样，并确定每一采样周期的采样点；
结合每一采样周期的采样点，通过公式
Figure BDA0002857648810000022
得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵X；其中，di,j为每一采样周期上第i个采样点和第j个采样点之间的欧几里得距离；n为每一采样周期的采样点总数。
其中，在步骤S3中，所述使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解的步骤具体通过公式Yt＝ΓXtΓ'来实现；其中，
Xt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；Γ为所述特征向量；Γ'为所述特征向量的转置；t为采样周期序号。
其中，所述步骤S4具体包括：
通过公式
Figure BDA0002857648810000031
计算得到距离值；其中，At为除所述第一个采样周期之外的第t个采样周期对应图连接矩阵分解出的非对角矩阵的1范数与所述基础图连接矩阵分解出的非对角矩阵的1范数计算所得的距离值；|| ||1为1范数计算符号；non-diag()为非对角矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；
Figure BDA0002857648810000032
为所述基础图连接矩阵分解后的矩阵；
若计算得到的距离值At小于预设阈值，则确定第t个采样周期上的滚动轴承性能未退化；反之，若计算得到的距离值At大于等于所述预设阈值，则第t个采样周期上的滚动轴承性能已退化。
其中，所述方法进一步包括：
在确定滚动轴承性能已退化时，进行报警。
本发明实施例还提供了一种滚动轴承性能退化分析装置，包括：
图连接矩阵构建单元，用于根据预设的数据采样频率和滚动轴承预设的旋转频率，对滚动轴承的运行数据进行周期性采样，并得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵；
特征向量生成单元，用于取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并得到基础图连接矩阵的特征向量；
图连接矩阵分解单元，用于使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解，并将分解所得的各矩阵均进一步分解出非对角矩阵，且计算出每一个非对角矩阵的1范数；
退化分析单元，用于确定基础图连接矩阵分解出的非对角矩阵，并将所述基础图连接矩阵分解出的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算之后，将计算所得的各距离值分别与预设阈值进行对比，且进一步根据对比结果，确定第一个采样周期后续的每一个采样周期上的滚动轴承性能是否退化。
其中，所述图连接矩阵构建单元包括：
采样周期设置模块，用于通过公式
Figure BDA0002857648810000041
确定滚动轴承每旋转一周的数据长度L；其中，fs为预设的数据采样频率；r为滚动轴承预设的旋转频率；
数据采样模块，用于以滚动轴承每旋转一周的数据长度L为单位采样周期，对滚动轴承的运行数据进行周期性采样，并确定每一采样周期的采样点；
图连接矩阵构建模块，用于结合每一采样周期的采样点，通过公式
Figure BDA0002857648810000042
得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵X；其中，di,j为每一采样周期上第i个采样点和第j个采样点之间的欧几里得距离；n为每一采样周期的采样点总数。
其中，所述退化分析单元包括：
距离值计算模块，用于通过公式
Figure BDA0002857648810000043
计算得到距离值；其中，At为除所述第一个采样周期之外的第t个采样周期对应图连接矩阵分解出的非对角矩阵的1范数与所述基础图连接矩阵分解出的非对角矩阵的1范数计算所得的距离值；|| ||1为1范数计算符号；non-diag()为非对角矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；
Figure BDA0002857648810000044
为所述基础图连接矩阵分解后的矩阵；
退化分析模块，用于若计算得到的距离值At小于预设阈值，则确定第t个采样周期上的滚动轴承性能未退化；反之，若计算得到的距离值At大于等于所述预设阈值，则第t个采样周期上的滚动轴承性能已退化。
其中，还包括：报警单元；其中，
所述报警单元，用于在确定滚动轴承性能已退化时，进行报警。
实施本发明实施例，具有如下有益效果：
本发明以基础图连接矩阵的特征向量对其它采样周期图连接矩阵进行矩阵分解，并计算各分解矩阵的非对角矩阵的1范数与基础图连接矩阵分解出的非对角矩阵的1范数的欧氏距离值，且进一步与预设阈值进行对比，区别出每一个采样周期上的滚动轴承性能是否退化，即通过局部图结构的建立来获得区别于初始状态的异常值，从而能快速实现滚动轴承性能退化状态分析。
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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的滚动轴承性能退化分析方法的流程图；
图2为本发明实施例提供的滚动轴承性能退化分析方法中滚动轴承运行数据周期性采样的分割示意图；
图3为图2中某一采样周期上滚动轴承运行数据提取的应用场景图；
图4为图3形成的图连接矩阵的结构示意图；
图5为图4生成的特征向量的结构示意图；
图6为本发明实施例提供的滚动轴承性能退化分析装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种滚动轴承性能退化分析方法，所述方法包括以下步骤：
步骤S1、根据预设的数据采样频率和滚动轴承预设的旋转频率，对滚动轴承的运行数据进行周期性采样，并得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵；
具体过程为，第一步、通过公式
Figure BDA0002857648810000061
确定滚动轴承每旋转一周的数据长度L；其中，fs为预设的数据采样频率；r为滚动轴承预设的旋转频率。
第二步、如图2所示，以滚动轴承每旋转一周的数据长度L为单位采样周期(每个矩形框表示一个周期)，对滚动轴承的运行数据进行周期性采样，并确定每一采样周期的采样点。
第三步、结合每一采样周期的采样点，通过公式
Figure BDA0002857648810000062
得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵X；其中，di,j为每一采样周期上第i个采样点和第j个采样点之间的欧几里得距离；n为每一采样周期的采样点总数。可以理解的是，若含有n个采样点的数据长度，则图连接矩阵的总元素为n*n个。
在一个实施例中，如图3和图4所示，在某一采样周期上设置9个采样点，得到相应构成的图连接矩阵。
步骤S2、取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并得到基础图连接矩阵的特征向量；
具体过程为，以滚动轴承运行时第一个采样周期的运行数据为基础，取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并进一步得到基础图连接矩阵的特征向量。可以理解的是，特征向量可以是基于基础图连接矩阵形成的上三角矩阵，也可以是下三角矩阵。
在一个实施例中，根据图4的图连接矩阵，构建上三角矩阵为基础图连接矩阵的特征向量，如图5所示。
步骤S3、使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解，并将分解所得的各矩阵均进一步分解出非对角矩阵，且计算出每一个非对角矩阵的1范数；
具体过程为，第一步、通过公式Yt＝ΓXtΓ'，实现特征向量对第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解；其中，Xt为除第一个采样周期之外的第t个采样周期对应的图连接矩阵；Yt为除第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；Γ为特征向量；Γ'为特征向量的转置；t为采样周期序号。
第二步、将分解所得的各矩阵均进一步分解出对角矩阵和非对角矩阵，且计算出每一个非对角矩阵的1范数。
步骤S4、确定基础图连接矩阵分解出的非对角矩阵，并将所述基础图连接矩阵分解出的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算之后，将计算所得的各距离值分别与预设阈值进行对比，且进一步根据对比结果，确定第一个采样周期后续的每一个采样周期上的滚动轴承性能是否退化。
具体过程为，第一步、通过公式
Figure BDA0002857648810000071
计算得到距离值；其中，At为除第一个采样周期之外的第t个采样周期对应图连接矩阵分解出的非对角矩阵的1范数与基础图连接矩阵分解出的非对角矩阵的1范数计算所得的距离值；||||1为1范数计算符号；non-diag()为非对角矩阵；Yt为除第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；
Figure BDA0002857648810000072
为基础图连接矩阵分解后的矩阵；
第二步、若计算得到的距离值At小于预设阈值，则确定第t个采样周期上的滚动轴承性能未退化；反之，若计算得到的距离值At大于等于所述预设阈值，则第t个采样周期上的滚动轴承性能已退化，并进一步在确定滚动轴承性能已退化时，进行报警。
如图6所示，为本发明实施例中，提供的一种滚动轴承性能退化分析装置，包括：
图连接矩阵构建单元110，用于根据预设的数据采样频率和滚动轴承预设的旋转频率，对滚动轴承的运行数据进行周期性采样，并得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵；
特征向量生成单元120，用于取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并得到基础图连接矩阵的特征向量；
图连接矩阵分解单元130，用于使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解，并将分解所得的各矩阵均进一步分解出非对角矩阵，且计算出每一个非对角矩阵的1范数；
退化分析单元140，用于确定基础图连接矩阵分解出的非对角矩阵，并将所述基础图连接矩阵分解出的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算之后，将计算所得的各距离值分别与预设阈值进行对比，且进一步根据对比结果，确定第一个采样周期后续的每一个采样周期上的滚动轴承性能是否退化。
其中，所述图连接矩阵构建单元包括：
采样周期设置模块，用于通过公式
Figure BDA0002857648810000081
确定滚动轴承每旋转一周的数据长度L；其中，fs为预设的数据采样频率；r为滚动轴承预设的旋转频率；
数据采样模块，用于以滚动轴承每旋转一周的数据长度L为单位采样周期，对滚动轴承的运行数据进行周期性采样，并确定每一采样周期的采样点；
图连接矩阵构建模块，用于结合每一采样周期的采样点，通过公式
Figure BDA0002857648810000082
得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵X；其中，di,j为每一采样周期上第i个采样点和第j个采样点之间的欧几里得距离；n为每一采样周期的采样点总数。
其中，所述退化分析单元包括：
距离值计算模块，用于通过公式
Figure BDA0002857648810000083
计算得到距离值；其中，At为除所述第一个采样周期之外的第t个采样周期对应图连接矩阵分解出的非对角矩阵的1范数与所述基础图连接矩阵分解出的非对角矩阵的1范数计算所得的距离值；|| ||1为1范数计算符号；non-diag()为非对角矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；
Figure BDA0002857648810000091
为所述基础图连接矩阵分解后的矩阵；
退化分析模块，用于若计算得到的距离值At小于预设阈值，则确定第t个采样周期上的滚动轴承性能未退化；反之，若计算得到的距离值At大于等于所述预设阈值，则第t个采样周期上的滚动轴承性能已退化。
其中，还包括：报警单元；其中，
所述报警单元，用于在确定滚动轴承性能已退化时，进行报警。
实施本发明实施例，具有如下有益效果：
本发明以基础图连接矩阵的特征向量对其它采样周期图连接矩阵进行矩阵分解，并计算各分解矩阵的非对角矩阵的1范数与基础图连接矩阵分解出的非对角矩阵的1范数的欧氏距离值，且进一步与预设阈值进行对比，区别出每一个采样周期上的滚动轴承性能是否退化，即通过局部图结构的建立来获得区别于初始状态的异常值，从而能快速实现滚动轴承性能退化状态分析。
值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种滚动轴承性能退化分析方法，其特征在于，所述方法包括以下步骤：
S1、根据预设的数据采样频率和滚动轴承预设的旋转频率，对滚动轴承的运行数据进行周期性采样，并得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵；
S2、取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并得到基础图连接矩阵的特征向量；
S3、使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解，并将分解所得的各矩阵均进一步分解出非对角矩阵，且计算出每一个非对角矩阵的1范数；
S4、确定基础图连接矩阵分解出的非对角矩阵，并将所述基础图连接矩阵分解出的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算之后，将计算所得的各距离值分别与预设阈值进行对比，且进一步根据对比结果，确定第一个采样周期后续的每一个采样周期上的滚动轴承性能是否退化。
2.如权利要求1所述的滚动轴承性能退化分析方法，其特征在于，所述步骤S1具体包括：
通过公式
Figure FDA0002857648800000011
确定滚动轴承每旋转一周的数据长度L；其中，fs为预设的数据采样频率；r为滚动轴承预设的旋转频率；
以滚动轴承每旋转一周的数据长度L为单位采样周期，对滚动轴承的运行数据进行周期性采样，并确定每一采样周期的采样点；
结合每一采样周期的采样点，通过公式
Figure FDA0002857648800000012
得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵X；其中，di,j为每一采样周期上第i个采样点和第j个采样点之间的欧几里得距离；n为每一采样周期的采样点总数。
3.如权利要求1所述的滚动轴承性能退化分析方法，其特征在于，在步骤S3中，所述使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解的步骤具体通过公式Yt＝ΓXtΓ'来实现；其中，
Xt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；Γ为所述特征向量；Γ'为所述特征向量的转置；t为采样周期序号。
4.如权利要求1所述的滚动轴承性能退化分析方法，其特征在于，所述步骤S4具体包括：
通过公式
Figure FDA0002857648800000021
计算得到距离值；其中，At为除所述第一个采样周期之外的第t个采样周期对应图连接矩阵分解出的非对角矩阵的1范数与所述基础图连接矩阵分解出的非对角矩阵的1范数计算所得的距离值；|| ||1为1范数计算符号；non-diag()为非对角矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；
Figure FDA0002857648800000022
为所述基础图连接矩阵分解后的矩阵；
若计算得到的距离值At小于预设阈值，则确定第t个采样周期上的滚动轴承性能未退化；反之，若计算得到的距离值At大于等于所述预设阈值，则第t个采样周期上的滚动轴承性能已退化。
5.如权利要求4所述的滚动轴承性能退化分析方法，其特征在于，所述方法进一步包括：
在确定滚动轴承性能已退化时，进行报警。
6.一种滚动轴承性能退化分析装置，其特征在于，包括：
图连接矩阵构建单元，用于根据预设的数据采样频率和滚动轴承预设的旋转频率，对滚动轴承的运行数据进行周期性采样，并得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵；
特征向量生成单元，用于取第一个采样周期对应的图连接矩阵为基础图连接矩阵，并得到基础图连接矩阵的特征向量；
图连接矩阵分解单元，用于使用所述特征向量对所述第一个采样周期后续的其它采样周期对应的图连接矩阵分别进行分解，并将分解所得的各矩阵均进一步分解出非对角矩阵，且计算出每一个非对角矩阵的1范数；
退化分析单元，用于确定基础图连接矩阵分解出的非对角矩阵，并将所述基础图连接矩阵分解出的非对角矩阵的1范数分别与所计算出的每一个非对角矩阵的1范数进行欧氏距离计算之后，将计算所得的各距离值分别与预设阈值进行对比，且进一步根据对比结果，确定第一个采样周期后续的每一个采样周期上的滚动轴承性能是否退化。
7.如权利要求6所述的滚动轴承性能退化分析装置，其特征在于，所述图连接矩阵构建单元包括：
采样周期设置模块，用于通过公式
Figure FDA0002857648800000031
确定滚动轴承每旋转一周的数据长度L；其中，fs为预设的数据采样频率；r为滚动轴承预设的旋转频率；
数据采样模块，用于以滚动轴承每旋转一周的数据长度L为单位采样周期，对滚动轴承的运行数据进行周期性采样，并确定每一采样周期的采样点；
图连接矩阵构建模块，用于结合每一采样周期的采样点，通过公式
Figure FDA0002857648800000032
得到由每一采样周期的滚动轴承运行数据分别构成的图连接矩阵X；其中，di,j为每一采样周期上第i个采样点和第j个采样点之间的欧几里得距离；n为每一采样周期的采样点总数。
8.如权利要求6所述的滚动轴承性能退化分析装置，其特征在于，所述退化分析单元包括：
距离值计算模块，用于通过公式
Figure FDA0002857648800000041
计算得到距离值；其中，At为除所述第一个采样周期之外的第t个采样周期对应图连接矩阵分解出的非对角矩阵的1范数与所述基础图连接矩阵分解出的非对角矩阵的1范数计算所得的距离值；|| ||1为1范数计算符号；non-diag()为非对角矩阵；Yt为除所述第一个采样周期之外的第t个采样周期对应的图连接矩阵分解后的矩阵；
Figure FDA0002857648800000042
为所述基础图连接矩阵分解后的矩阵；
退化分析模块，用于若计算得到的距离值At小于预设阈值，则确定第t个采样周期上的滚动轴承性能未退化；反之，若计算得到的距离值At大于等于所述预设阈值，则第t个采样周期上的滚动轴承性能已退化。
9.如权利要求8所述的滚动轴承性能退化分析装置，其特征在于，还包括：报警单元；其中，
所述报警单元，用于在确定滚动轴承性能已退化时，进行报警。
CN202011556655.9A 2020-12-24 2020-12-24 一种滚动轴承性能退化分析方法及装置 Active CN112504676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011556655.9A CN112504676B (zh) 2020-12-24 2020-12-24 一种滚动轴承性能退化分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011556655.9A CN112504676B (zh) 2020-12-24 2020-12-24 一种滚动轴承性能退化分析方法及装置

Publications (2)

Publication Number Publication Date
CN112504676A true CN112504676A (zh) 2021-03-16
CN112504676B CN112504676B (zh) 2022-04-01

Family

ID=74923432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011556655.9A Active CN112504676B (zh) 2020-12-24 2020-12-24 一种滚动轴承性能退化分析方法及装置

Country Status (1)

Country Link
CN (1) CN112504676B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113155462A (zh) * 2021-03-29 2021-07-23 温州大学 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130339352A1 (en) * 2012-05-21 2013-12-19 Kent State University Shortest path computation in large networks
US20150204757A1 (en) * 2014-01-17 2015-07-23 United States Of America As Represented By The Secretary Of The Navy Method for Implementing Rolling Element Bearing Damage Diagnosis
CN105716857A (zh) * 2016-01-20 2016-06-29 中国人民解放军军械工程学院 一种行星齿轮箱健康状态评估方法
CN106885697A (zh) * 2017-03-17 2017-06-23 华东交通大学 基于fcm‑hmm的滚动轴承的性能退化评估方法
CN109710955A (zh) * 2017-10-23 2019-05-03 新天科技股份有限公司 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法
CN109800487A (zh) * 2019-01-02 2019-05-24 北京交通大学 基于模糊安全域的寿命预测方法
CN109858104A (zh) * 2019-01-10 2019-06-07 山东大学 一种滚动轴承健康评估与故障诊断方法及监测系统
CN110082106A (zh) * 2019-04-17 2019-08-02 武汉科技大学 一种基于Yu范数的深度度量学习的轴承故障诊断方法
CN111272428A (zh) * 2020-02-17 2020-06-12 济南大学 一种基于改进切比雪夫距离的滚动轴承故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130339352A1 (en) * 2012-05-21 2013-12-19 Kent State University Shortest path computation in large networks
US20150204757A1 (en) * 2014-01-17 2015-07-23 United States Of America As Represented By The Secretary Of The Navy Method for Implementing Rolling Element Bearing Damage Diagnosis
CN105716857A (zh) * 2016-01-20 2016-06-29 中国人民解放军军械工程学院 一种行星齿轮箱健康状态评估方法
CN106885697A (zh) * 2017-03-17 2017-06-23 华东交通大学 基于fcm‑hmm的滚动轴承的性能退化评估方法
CN109710955A (zh) * 2017-10-23 2019-05-03 新天科技股份有限公司 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法
CN109800487A (zh) * 2019-01-02 2019-05-24 北京交通大学 基于模糊安全域的寿命预测方法
CN109858104A (zh) * 2019-01-10 2019-06-07 山东大学 一种滚动轴承健康评估与故障诊断方法及监测系统
CN110082106A (zh) * 2019-04-17 2019-08-02 武汉科技大学 一种基于Yu范数的深度度量学习的轴承故障诊断方法
CN111272428A (zh) * 2020-02-17 2020-06-12 济南大学 一种基于改进切比雪夫距离的滚动轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱永泽 等: "基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断", 《中国机械工程》 *
王腾腾: "城轨车辆悬挂系统弱小故障检测及性能劣化预测仿真研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113155462A (zh) * 2021-03-29 2021-07-23 温州大学 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法

Also Published As

Publication number Publication date
CN112504676B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN107528832B (zh) 一种面向系统日志的基线构建与未知异常行为检测方法
Borras et al. Wavelet and neural structure: a new tool for diagnostic of power system disturbances
US6957172B2 (en) Complex signal decomposition and modeling
CN109375609B (zh) 异常攻击的检测方法及装置
CN112504676B (zh) 一种滚动轴承性能退化分析方法及装置
CN112213640B (zh) 一种电机故障诊断方法及其相关设备
Gargoom et al. Investigation of effective automatic recognition systems of power-quality events
CN112165471A (zh) 一种工控系统流量异常检测方法、装置、设备及介质
CN112115965A (zh) 一种基于svm的被动操作系统识别方法、存储介质及设备
CN112329052A (zh) 一种模型隐私保护方法及装置
CN114726581B (zh) 一种异常检测方法、装置、电子设备及存储介质
CN112134862A (zh) 基于机器学习的粗细粒度混合网络异常检测方法及装置
CN115457466A (zh) 一种基于巡检视频的隐患检测方法、系统及电子设备
CN110909826A (zh) 一种能源设备的诊断监测方法、装置及电子设备
Zhang et al. A local transient feature extraction method via periodic low rank dynamic mode decomposition for bearing incipient fault diagnosis
CN115150206B (zh) 一种信息安全用的入侵检测安全预警系统及其方法
CN114050941B (zh) 一种基于核密度估计的失陷账号检测方法及系统
CN114121025A (zh) 一种面向变电站设备的声纹故障智能检测方法及装置
CN115967972A (zh) 网络异常检测方法、装置、电子设备及存储介质
CN112199131B (zh) 一种页面检测方法、装置及设备
CN113822155A (zh) 一种聚类辅助的弱监督视频异常检测方法和装置
Yin et al. A new intrusion detection method based on behavioral model
Shomaki et al. Bearing fault diagnoses using wavelet transform and discrete fourier transform with deep learning
CN111343165A (zh) 基于birch和smote的网络入侵检测方法及系统
Jahromy et al. A new method for detecting network intrusion by using a combination of genetic algorithm and support vector machine classifier

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210316

Assignee: EBARA GREAT PUMPS Co.,Ltd.

Assignor: Wenzhou University

Contract record no.: X2023330000147

Denomination of invention: A Method and Device for Analyzing Performance Degradation of Rolling Bearings

Granted publication date: 20220401

License type: Common License

Record date: 20230320