CN112595515A - 一种动力轴系轴承故障检测方法及系统 - Google Patents

一种动力轴系轴承故障检测方法及系统 Download PDF

Info

Publication number
CN112595515A
CN112595515A CN202011412257.XA CN202011412257A CN112595515A CN 112595515 A CN112595515 A CN 112595515A CN 202011412257 A CN202011412257 A CN 202011412257A CN 112595515 A CN112595515 A CN 112595515A
Authority
CN
China
Prior art keywords
bearing
singular spectrum
sample
signal
vibration
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
Application number
CN202011412257.XA
Other languages
English (en)
Inventor
武朔晨
刘柏
方晓彤
周旋
唐庆
李汉智
田宏伟
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.)
China Institute Of Marine Technology & Economy
Original Assignee
China Institute Of Marine Technology & Economy
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 China Institute Of Marine Technology & Economy filed Critical China Institute Of Marine Technology & Economy
Priority to CN202011412257.XA priority Critical patent/CN112595515A/zh
Publication of CN112595515A publication Critical patent/CN112595515A/zh
Pending legal-status Critical Current

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
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种动力轴系轴承故障检测方法及系统。该方法包括：利用奇异谱分解将原始振动信号分解成若干个频率尺度的奇异谱分量，并根据峭度准则选取有效奇异谱分量对信号进行重构；构建一维卷积神经网络结构，先将重构后的信号输入模型进行训练，充分提取信号的特征，再由输出层输出诊断结果，实现对故障轴承的精密诊断。本发明能有效地降低背景噪声的影响，提高稀疏表示的计算效率，实现有效的故障诊断。

Description

一种动力轴系轴承故障检测方法及系统
技术领域
本发明涉及信号处理与深度学习领域，特别是涉及一种动力轴系轴承故障检测方法及系统。
背景技术
滚动轴承是旋转机械设备的重要组成部件之一，用于支撑旋转体并为传动系统提供扭矩和动力，从而保证其运行安全平稳。轴承故障会造成机械设备的异常，严重时甚至导致人员伤亡。
由于滚动轴承发生故障时，其振动信号往往表现出非平稳、非线性等特性，故障特征容易被强大的背景噪声所淹没，采用传统信号分析方法很难兼顾到非平稳信号的时频特性。小波分析、Wigner-Ville分布、短时傅里叶变换等时频域分析方法应运而生，但这些信号处理方法缺乏自适应性。例如，小波变换在处理非平稳信号之前需要预先设置基函数；Wigner-Ville分布的结果将包含交叉项；短时傅里叶变换需要预先设置窗函数,不同的窗函数可能带来不同的结果。因此，亟需一种具有自适应性的信号处理方法，以实现对轴承故障的准确识别。
发明内容
本发明的目的是提供一种动力轴系轴承故障检测方法及系统。
为实现上述目的，本发明提供了如下方案：
一种动力轴系轴承故障检测方法，包括：
获取轴承的振动信号；
采用基于自适应法则选取嵌入维数的奇异谱分解算法将所述振动信号分解成若干个频率尺度的奇异谱分量；
计算各所述奇异谱分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量；
基于所述目标奇异谱分量对振动信号进行重构，得到重构振动信号；
将所述重构振动信号输入训练好的神经网络模型，得到所述轴承是否发生故障的诊断结果。
可选的，所述方法还包括：
获取样本数据集，所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签；
对所述轴承振动样本信号进行奇异谱分解，得到若干个频率尺度的奇异谱样本分量；
计算各所述奇异谱样本分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量；
基于所述目标奇异谱样本分量对振动信号进行重构，得到重构振动样本信号；
以所述重构振动样本信号为输入，以所述重构振动样本信号对应的轴承故障与否为标签，对神经网络进行训练，得到训练好的神经网络模型。
可选的，所述神经网络模型为一维卷积神经网络结构。
可选的，在奇异谱分解时，对嵌入维数的大小进行自适应的选择，选择方法如下：
当j＝1，且fmax/Fs小于设定阈值时，设置嵌入维数M＝N/3；当j＞1时，设置嵌入维数M＝1.2×(Fs/fmax)，其中，N为初始信号数据的长度，Fs为采样频率，fmax为第j次迭代时，剩余分量的功率谱密度中的最大峰值对应的频率。
可选的，所述设定阈值为10-3。
本发明还提供了一种动力轴系轴承故障检测系统，包括：
振动信号获取模块，用于获取轴承的振动信号；
奇异谱分解模块，用于采用基于自适应法则选取嵌入维数的奇异谱分解算法将所述振动信号分解成若干个频率尺度的奇异谱分量；
筛选模块，用于计算各所述奇异谱分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量；
重构模块，用于基于所述目标奇异谱分量对振动信号进行重构，得到重构振动信号；
诊断模块，用于将所述重构振动信号输入训练好的神经网络模型，得到所述轴承是否发生故障的诊断结果。
可选的，所述振动信号获取模块，还用于获取样本数据集，所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签；
所述奇异谱分解模块，还用于对所述轴承振动样本信号进行奇异谱分解，得到若干个频率尺度的奇异谱样本分量；
筛选模块，还用于计算各所述奇异谱样本分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量；
重构模块，还用于基于所述目标奇异谱样本分量对振动信号进行重构，得到重构振动样本信号；
所述系统还包括：
神经网络训练模块，用于以所述重构振动样本信号为输入，以所述重构振动样本信号对应的轴承故障与否为标签，对神经网络进行训练，得到训练好的神经网络模型。
可选的，所述神经网络模型为一维卷积神经网络结构。
可选的，在奇异谱分解时，对嵌入维数的大小进行自适应的选择，选择方法如下：
当j＝1，且fmax/Fs小于设定阈值时，设置嵌入维数M＝N/3；当j＞1时，设置嵌入维数M＝1.2×(Fs/fmax)，其中，N为初始信号数据的长度，Fs为采样频率，fmax为第j次迭代时，剩余分量的功率谱密度中最大峰值对应的频率。
可选的，所述设定阈值为10-3。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的动力轴系轴承故障检测方法及系统采用奇异谱分解自适应的将轴承振动信号分解为若干个频率尺度的奇异谱分量，基于峭度值对奇异谱分量进行筛选，并根据筛选后的奇异谱分量重构振动信号，最后输入神经网络模型，得到轴承故障与否的诊断结果，实现了轴承故障的精密诊断。
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为本发明实施例1提供的动力轴系轴承故障检测方法的流程示意图；
图2为本发明示例中轴承故障检测方法的流程图；
图3为本发明示例中原始振动信号的波形图；
图4为本发明示例中重构振动信号的波形图；
图5为本发明示例中的一维卷积神经网络结构图；
图6为本发明示例中的诊断结果混淆矩阵图；
图7为本发明实施例2提供的动力轴系轴承故障检测系统的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1，本实施例提供了一种动力轴系轴承故障检测方法，该方法包括以下步骤：
步骤101：获取轴承的振动信号。
步骤102：采用奇异谱分解将所述振动信号分解成若干个频率尺度的奇异谱分量。具体分解过程可以如下：
(1)构造一个新的轨迹矩阵。设x(n)为一个时间序列，其嵌入维数为M，数据长度为N，将x(n)构建成一个大小为M×N的矩阵X，则矩阵X的第i行可以表示为xi＝(x(i),…,x(N),x(1),…,x(i-1))，其中i＝1,…,M,即
Figure BDA0002816889640000041
(2)自适应选择嵌入维数大小M。奇异谱分解采用自适应法则选取第j次迭代时的嵌入维数大小M，其具体过程可以如下：
a.计算第j次迭代时剩余分量vj(n)的功率谱密度，其中剩余分量vj(n)表示为：
Figure BDA0002816889640000051
b.估计功率谱密度中最大峰值对应的频率fmax。当j＝1，若归一化频率fmax/Fs(其中Fs为采样频率)小于设定的阈值，比如10-3，就视剩余分量为大趋势项，此时设置M＝N/3，N为第一次迭代时初始信号数据的长度；当j＞1时，设置嵌入维数M＝1.2×(Fs/fmax)。
(3)根据从高频到低频的顺序重新构造分量。当j＝1时，若检测到较大趋势项，就仅使用第一个左右的特征向量去获得g(1)(n),使得
Figure BDA0002816889640000052
从X1的对角平均中得到g(1)(n)；当j＞1时，需要一个分量序列g(j)(n)来描述具有物理意义的时间尺度，此分量序列的频率成分主要集中在频带[fmax-Vf,fmax+Vf]之间，其中Vf为剩余项功率谱密度中主峰宽度的一半，所以在此频带范围中，首先选择左特征向量中有突出主频的所有特征组以及一个对所选中分量的主峰能量贡献最大的一个特征组，然后创建子集Ij(Ij＝{i1,…,ip})，最后使用矩阵XIj＝XI1+L+XIp的对角平均法来重构对应的分量序列。为了准确地估计Vf，通过高斯函数构建了一个谱模型来拟合功率谱密度的轮廓，如下式：
Figure BDA0002816889640000053
其中，Ai表示第i个高斯函数的幅值，βi为其位置，αi为其带宽，θ＝[Aσ]T为参数矢量且满足A＝[A1,A2,A3]和α＝[α1,α2,α3]，第一个高斯函数记录主谱峰对应的频率fmax，第二个高斯函数记录第二谱峰对应的频率f2，第三个高斯函数记录前两个谱峰之间对应的频率。对模型最小二乘拟合后可以得到谱模型参数。
通过非线性极小化算法来确定谱模型参数。首先给定α1的估计值，此时Vf＝2.5α1，接着开始第二次迭代以重构第j个分量，为了确保迭代的收敛性，第二次迭代需要满足下式：
Figure BDA0002816889640000061
否则，第一次迭代的估计值
Figure BDA0002816889640000062
会被误认为是g(j)(n)的估计值，最后，使用尺度因子
Figure BDA0002816889640000063
来调整g(j)(n)和剩余时间序列ν(j)(n)的差值，如下式：
Figure BDA0002816889640000064
其中
Figure BDA0002816889640000065
(4)设置迭代停止条件。每次迭代估计出一个新的分量
Figure BDA0002816889640000066
得到一个新的剩余项
Figure BDA0002816889640000067
计算剩余项和原始信号之间的归一化均方差，如下式：
Figure BDA0002816889640000068
设置阈值th＝1％,当NMSE＜1％时，停止整个迭代过程，奇异谱分解的最终分解结果如下式：
Figure BDA0002816889640000069
其中，m为奇异谱分解所得到的奇异谱分量个数。
步骤103：计算各所述奇异谱分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量。
利用峭度对冲击信号的敏感性，选取有效奇异谱分量对信号进行重构。峭度是表征随机变量偏离正态分布程度的数值统计量，对冲击信号十分敏感，冲击越明显，峭度的绝对值越大。而冲击信号的存在是轴承发生故障的的重要表征之一，因此，峭度可作为衡量轴承故障的一个因子。峭度计算如下：
Figure BDA0002816889640000071
步骤104：基于所述目标奇异谱分量对振动信号进行重构，得到重构振动信号。
步骤105：将所述重构振动信号输入训练好的神经网络模型，得到所述轴承是否发生故障的诊断结果。
本实施例中的神经网络模型可以采用以下方式进行训练：
获取样本数据集，所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签；
对所述轴承振动样本信号进行奇异谱分解，得到若干个频率尺度的奇异谱样本分量；
计算各所述奇异谱样本分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量；
基于所述目标奇异谱样本分量对振动信号进行重构，得到重构振动样本信号；
以所述重构振动样本信号为输入，以所述重构振动样本信号对应的轴承故障与否为标签，对神经网络进行训练，得到训练好的神经网络模型。具体过程可以如下：
构建一维卷积神经网络结构，将重构后的振动样本信号输入模型进行训练，卷积层充分提取信号的特征，再由输出层输出诊断结果。卷积操作过程如下式：
Figure BDA0002816889640000072
其中down(.)为最大池化函数，用来计算特征图
Figure BDA0002816889640000073
的池化区域(大小为m×n)的最大值。
全连接层操作过程如下式：
Figure BDA0002816889640000074
Figure BDA0002816889640000081
其中ys为神经网络的实际输出，K为类别数量,as为经过全连接层的特征向量，θj为第j种分类对应的权值和偏置项。
下面结合具体示例来对本发明作进一步说明。
请参考图2示出的流程图：
步骤S1：故障数据的采集，搭建转子试验台，设置电机转速1450r/min，采样频率12KHz，采集轴承振动信号，如图3所示。本次实验共使用了四种状态下的滚动轴承：正常状态轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承。分别对应标签a、b、c、d。
步骤S2：对采集到的信号进行奇异谱分解，结合峭度准则选取有效奇异谱分量重构信号，重构信号如图4所示。
步骤S3：将重构信号输入如图5所示的一维卷积神经网络中，充分提取信号的特征，再由输出层输出诊断结果，诊断结果如图6所示。
实施例2
参见图7，本实施例提供了一种动力轴系轴承故障检测系统，该系统包括：
振动信号获取模块701，用于获取轴承的振动信号；
奇异谱分解模块702，用于采用奇异谱分解将所述振动信号分解成若干个频率尺度的奇异谱分量；
筛选模块703，用于计算各所述奇异谱分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量；
重构模块704，用于基于所述目标奇异谱分量对振动信号进行重构，得到重构振动信号；
诊断模块705，用于将所述重构振动信号输入训练好的神经网络模型，得到所述轴承是否发生故障的诊断结果。
在本实施例中，所述振动信号获取模块，还用于获取样本数据集，所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签；所述奇异谱分解模块，还用于对所述轴承振动样本信号进行奇异谱分解，得到若干个频率尺度的奇异谱样本分量；筛选模块，还用于计算各所述奇异谱样本分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量；重构模块，还用于基于所述目标奇异谱样本分量对振动信号进行重构，得到重构振动样本信号。
本实施例所提供的动力轴系轴承故障检测系统还包括：
神经网络训练模块，用于以所述重构振动样本信号为输入，以所述重构振动样本信号对应的轴承故障与否为标签，对神经网络进行训练，得到训练好的神经网络模型。
作为本实施例的一种实施方式，所述神经网络模型为一维卷积神经网络结构。
作为本实施例的一种实施方式，在奇异谱分解时，对嵌入维数的大小进行自适应的选择，选择方法如下：
当j＝1，且fmax/Fs小于设定阈值(比如10-3)时，设置嵌入维数M＝N/3；当j＞1时，设置嵌入维数M＝1.2×(Fs/fmax)，其中，N为初始信号数据的长度，Fs为采样频率，fmax为第j次迭代时，剩余分量的功率谱密度中最大峰值对应的频率。
本发明针对非平稳、非线性信号易受背景噪声的影响，首先，利用奇异谱分解将原始振动信号分解成若干个频率尺度的奇异谱分量，几乎不会产生虚假分量，并根据峭度准则选取有效奇异谱分量对信号进行重构，降低背景噪声的影响，实现对信号的降噪重构；构建一维卷积神经网络结构，先将重构后的信号输入模型进行训练，充分提取信号的特征，再由输出层输出诊断结果，通过卷积计算减小神经网络的计算参数，提高模型运算效率和泛化能力；实现轴承故障的精密诊断。本发明能有效地降低背景噪声的影响，提高稀疏表示的计算效率，实现有效的故障诊断。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种动力轴系轴承故障检测方法，其特征在于，包括：
获取轴承的振动信号；
采用基于自适应法则选取嵌入维数的奇异谱分解算法将所述振动信号分解成若干个频率尺度的奇异谱分量；
计算各所述奇异谱分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量；
基于所述目标奇异谱分量对振动信号进行重构，得到重构振动信号；
将所述重构振动信号输入训练好的神经网络模型，得到所述轴承是否发生故障的诊断结果。
2.根据权利要求1所述的动力轴系轴承故障检测方法，其特征在于，所述方法还包括：
获取样本数据集，所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签；
对所述轴承振动样本信号进行奇异谱分解，得到若干个频率尺度的奇异谱样本分量；
计算各所述奇异谱样本分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量；
基于所述目标奇异谱样本分量对振动信号进行重构，得到重构振动样本信号；
以所述重构振动样本信号为输入，以所述重构振动样本信号对应的轴承故障与否为标签，对神经网络进行训练，得到训练好的神经网络模型。
3.根据权利要求1或2所述的动力轴系轴承故障检测方法，其特征在于，所述神经网络模型为一维卷积神经网络结构。
4.根据权利要求1或2所述的动力轴系轴承故障检测方法，其特征在于，在奇异谱分解时，对嵌入维数的大小进行自适应的选择，选择方法如下：
当j＝1，且fmax/Fs小于设定阈值时，设置嵌入维数M＝N/3；当j＞1时，设置嵌入维数M＝1.2×(Fs/fmax)，其中，N为初始信号数据的长度，Fs为采样频率，fmax为第j次迭代时，剩余分量的功率谱密度中的最大峰值对应的频率。
5.根据权利要求4所述的动力轴系轴承故障检测方法，其特征在于，所述设定阈值为10-3。
6.一种动力轴系轴承故障检测系统，其特征在于，包括：
振动信号获取模块，用于获取轴承的振动信号；
奇异谱分解模块，用于采用基于自适应法则选取嵌入维数的奇异谱分解算法将所述振动信号分解成若干个频率尺度的奇异谱分量；
筛选模块，用于计算各所述奇异谱分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量；
重构模块，用于基于所述目标奇异谱分量对振动信号进行重构，得到重构振动信号；
诊断模块，用于将所述重构振动信号输入训练好的神经网络模型，得到所述轴承是否发生故障的诊断结果。
7.根据权利要求6所述的动力轴系轴承故障检测系统，其特征在于，所述振动信号获取模块，还用于获取样本数据集，所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签；
所述奇异谱分解模块，还用于对所述轴承振动样本信号进行奇异谱分解，得到若干个频率尺度的奇异谱样本分量；
筛选模块，还用于计算各所述奇异谱样本分量的峭度值，并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量；
重构模块，还用于基于所述目标奇异谱样本分量对振动信号进行重构，得到重构振动样本信号；
所述系统还包括：
神经网络训练模块，用于以所述重构振动样本信号为输入，以所述重构振动样本信号对应的轴承故障与否为标签，对神经网络进行训练，得到训练好的神经网络模型。
8.根据权利要求6或7所述的动力轴系轴承故障检测系统，其特征在于，所述神经网络模型为一维卷积神经网络结构。
9.根据权利要求6或7所述的动力轴系轴承故障检测系统，其特征在于，在奇异谱分解时，对嵌入维数的大小进行自适应的选择，选择方法如下：
当j＝1，且fmax/Fs小于设定阈值时，设置嵌入维数M＝N/3；当j＞1时，设置嵌入维数M＝1.2×(Fs/fmax)，其中，N为初始信号数据的长度，Fs为采样频率，fmax为第j次迭代时，剩余分量的功率谱密度中最大峰值对应的频率。
10.根据权利要求9所述的动力轴系轴承故障检测系统，其特征在于，所述设定阈值为10-3。
CN202011412257.XA 2020-12-04 2020-12-04 一种动力轴系轴承故障检测方法及系统 Pending CN112595515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412257.XA CN112595515A (zh) 2020-12-04 2020-12-04 一种动力轴系轴承故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412257.XA CN112595515A (zh) 2020-12-04 2020-12-04 一种动力轴系轴承故障检测方法及系统

Publications (1)

Publication Number Publication Date
CN112595515A true CN112595515A (zh) 2021-04-02

Family

ID=75189048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412257.XA Pending CN112595515A (zh) 2020-12-04 2020-12-04 一种动力轴系轴承故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN112595515A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757239A (zh) * 2022-06-15 2022-07-15 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096313A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种基于奇异谱分解和谱峭度的包络分析方法
CN106338385A (zh) * 2016-08-25 2017-01-18 东南大学 一种基于奇异谱分解的旋转机械故障诊断方法
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
CN110222386A (zh) * 2019-05-23 2019-09-10 河海大学常州校区 一种行星齿轮退化状态识别方法
CN111089726A (zh) * 2020-01-16 2020-05-01 东南大学 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096313A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种基于奇异谱分解和谱峭度的包络分析方法
CN106338385A (zh) * 2016-08-25 2017-01-18 东南大学 一种基于奇异谱分解的旋转机械故障诊断方法
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
CN110222386A (zh) * 2019-05-23 2019-09-10 河海大学常州校区 一种行星齿轮退化状态识别方法
CN111089726A (zh) * 2020-01-16 2020-05-01 东南大学 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋霖 等: "基于SSD和1DCNN的滚动轴承故障诊断方法", 《华中科技大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757239A (zh) * 2022-06-15 2022-07-15 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法
CN114757239B (zh) * 2022-06-15 2022-08-30 浙江大学 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法

Similar Documents

Publication Publication Date Title
Yin et al. Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising
Al-Bugharbee et al. A fault diagnosis methodology for rolling element bearings based on advanced signal pretreatment and autoregressive modelling
CN111094927A (zh) 轴承故障诊断方法及装置、可读存储介质及电子设备
Yang et al. Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion
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
CN112461547B (zh) 一种基于多岛遗传和变分模态分解的轴承故障诊断方法
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN109029999A (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
CN111458146B (zh) 一种滚动轴承多测量点振动信号压缩采样与同步重构方法
Li et al. Correlated SVD and its application in bearing fault diagnosis
CN112595515A (zh) 一种动力轴系轴承故障检测方法及系统
Wang et al. Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy
CN107490477B (zh) 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法
CN117109923A (zh) 一种滚动轴承故障诊断方法及系统
Xu et al. Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum
CN112729825A (zh) 基于卷积循环神经网络的轴承故障诊断模型的构建方法
CN113758708B (zh) 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法
CN114964783B (zh) 基于vmd-ssa-lssvm的齿轮箱故障检测模型
CN116086807A (zh) 一种用于滚动轴承的故障判断方法和相关产品
CN114912480A (zh) 基于深度残差变分自编码器的故障诊断方法和诊断系统
CN114136604A (zh) 一种基于改进稀疏字典的旋转设备故障诊断方法及系统
CN112215489A (zh) 一种工业设备异常检测方法
Wang et al. An integrative computational method for gearbox diagnosis
Chen et al. Early gear tooth crack detection based on singular value decomposition
CN115114955B (zh) 一种基于声音与振动信号的设备故障检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402

RJ01 Rejection of invention patent application after publication