CN112763056A - 用于数控机床系统状态在线实时监测与评估的方法及系统 - Google Patents

用于数控机床系统状态在线实时监测与评估的方法及系统 Download PDF

Info

Publication number
CN112763056A
CN112763056A CN202011593668.3A CN202011593668A CN112763056A CN 112763056 A CN112763056 A CN 112763056A CN 202011593668 A CN202011593668 A CN 202011593668A CN 112763056 A CN112763056 A CN 112763056A
Authority
CN
China
Prior art keywords
state
wavelet packet
signal
machine tool
monitoring
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
CN202011593668.3A
Other languages
English (en)
Inventor
陈志祥
杨仕堂
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.)
Jiaoda Zhibang Zaozhuang Digital Technology Co ltd
Shanghai Smartstate Technology Co ltd
Original Assignee
Jiaoda Zhibang Zaozhuang Digital Technology Co ltd
Shanghai Smartstate Technology Co ltd
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 Jiaoda Zhibang Zaozhuang Digital Technology Co ltd, Shanghai Smartstate Technology Co ltd filed Critical Jiaoda Zhibang Zaozhuang Digital Technology Co ltd
Priority to CN202011593668.3A priority Critical patent/CN112763056A/zh
Publication of CN112763056A publication Critical patent/CN112763056A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Numerical Control (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种用于数控机床系统状态在线实时监测与评估的方法及系统，涉及设备状态监测、故障诊断领域，包括：对采集的数控机床系统运动部件振动信号标准化并在时域上进行切分；对切分后的振动信号进行小波包分解降噪和特征提取得到高维小波包能量特征集；通过自编码器对高维小波包能量特征集进行非线性映射，得到低维的信号特征空间；将马氏距离用于数控机床系统状态的度量，并将度量结果映射为状态指数。将上述方法及系统应用于负载状态下的数控机床系统状态监测与评估，不仅能实现系统状态的在线实时监测与评估，而且具有良好的稳定性和泛化能力。

Description

用于数控机床系统状态在线实时监测与评估的方法及系统
技术领域
本发明属于设备状态监测、故障诊断领域，具体地说，涉及一种用于数控机床系统状态在线实时监测与评估的方法及系统。
背景技术
目前，设备状态在线实时监测、故障智能诊断越来越成设备管理与维护的重中之重，而数控机床相关子系统的高精度的性能是其高效运行的重要保障。因此，及时有效地对数控机床系统进行状态监测与评估，对数控机床的运行维护与智能管理具有重大意义。
发明内容
为提高现有高精密数控机床的状态在线实时监测和故障智能诊断能力，本发明的目的是提供一种用于数控机床系统状态在线实时监测与评估的方法及系统。
根据本发明提供的一种用于数控机床系统状态监测与评估的方法，包括：
信号预处理步骤：对振动信号进行标准化处理，并在时域上进行切分；
特征提取步骤：对预处理后的振动信号进行小波包分解降噪和特征提取。
特征降维步骤：通过自编码器进行非线性映射降维。
状态评估步骤：将马氏距离用于状态度量，并将度量结果映射为状态指数。
可选地，所述信号预处理步骤中，预处理的目的包括：
一是通过对振动信号进行标准化处理，可以提高后续的自编码器降维模型的稳定性。
二是通过对标准化后的振动信号以1秒为单位在时域上进行切分，可以提高整个状态监测与评估方法的适应性。
可选地，所述标准化处理具体为：
将振动信号
Figure BDA0002869348600000021
转换为均值为0，方差为1的标准化信号
Figure BDA0002869348600000022
转换公式如下：
Figure BDA0002869348600000023
其中t0,t1,t2,…,tn为时间序列。
可选地，所述特征提取步骤包括：
利用小波包分解具有良好的降噪效果，对预处理后的振动信号进行小波包分解降噪，并计算重构信号的能量作为信号的有效特征，得到具有高维的小波包能量特征集。
可选地，所述的小波包分解和能量特征提取具体为：
小波包分解原理是下式：
Figure BDA0002869348600000024
Figure BDA0002869348600000025
式中hl和gl为小波重构共轭高通和低通滤波器系数，
Figure BDA0002869348600000026
为第j层第n个节点的第k个小波包系数。
计算重构信号的能量特征如下式：
Figure BDA0002869348600000031
则第j层的小波包重构信号的能量为
Figure BDA0002869348600000032
可选地，所述的特征降维步骤包括：
通过自编码器对高维小波包能量特征集进行非线性映射，自动降维，得到低维的信号特征空间。
可选地，所述的自编码器降维具体为：
根据自编码器结构搭建自编码器降维模型，设置模型学习率，训练次数和最小化目标函数J求解模型参数θ，使自编码器降维效果最佳。目标函数J如下式：
Figure BDA0002869348600000033
式中，参数θ包括各神经元的权重w和偏置b，L为交叉熵损失函数，
Figure BDA0002869348600000034
为编码器的激活函数，
Figure BDA0002869348600000035
为解码器的激活函数，xi为某高维小波包能量特征
可选地，所述的状态评估步骤包括：
将马氏距离用于参考振动信号的低维特征空间与待测振动信号的低维特征空间之间的度量，并将度量结果映射为状态指数。
可选地，所述的马氏距离度量具体为：
设参考振动信号的低维特征空间Mr与待测振动信号的低维特征空间M的偏离度为Dm，M＝(M0,M1,M2,…,Mi)，Mr的均值为
Figure BDA0002869348600000036
CM为M的协方差矩阵，则Dm为：
Figure BDA0002869348600000037
Figure BDA0002869348600000041
Dm值越大，则反映待测振动信号与参考振动信号的相似性越小，反之则越大。
可选地，所述的状态指数SI具体为；
Figure BDA0002869348600000042
式中，δ为调节因子，用以调整SI的变化趋势，使偏离度Dm能够均匀地映射到(1,0)，该参数可通过实验得到。
根据本发明提供的一种用于数控机床系统状态在线实时监测与评估的系统，包括：
信号预处理模块：对采集的振动信号进行标准化处理，并在时域上以1秒为单位进行切分。
特征提取模块：对预处理后的振动信号进行小波包5层降噪，并计算重构信号的第5层节点的能量作为信号的有效特征。
特征降维模块：利用自编码器对特征提取后的高维小波包能量特征集进行非线性映射，得到低维的信号特征空间。
状态评估模块：将马氏距离用于数控机床系统状态的度量，并将度量结果映射为状态指数。
状态监测与可视化模块：将数控机床系统在线实时的状态进行可视化，实现系统状态变化的在线、实时和智能监测。
与现有技术相比，本发明具有如下的有效效果：
1)本发明充分利用现有数控机床的软硬件设施，通过采集的振动信号进行信号处理与状态评估，搭建了一种用于数控机床系统状态在线实时监测与评估的方法及系统。
2)本发明通过对振动信号进行标准化处理，利用深度学习中的自编码器进行特征自动降维，使整个状态监测与评估流程具有良好的稳定性和泛化能力。
3)本发明的方法及系统应用到负载状态下的数控机床系统上，经验证，可以实现数控机床系统状态的在线、实时与智能监测，具有良好的有效性和适应能力。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种用于数控机床系统状态在线实时监测与评估的方法及系统的流程图。
图2为本发明应用到负载状态下某一时刻数控机床进给系统的状态监测与评估的可视化图
图3为本发明应用到负载状态下整个实际加工过程数控机床进给系统X向丝杠1切向的状态监测与评估的可视化图。
具体实施方法
以下将配合实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题并达成技术功效，对实现过程能充分理解并据以实施。
如图1所示，本发明提供的一种用于数控机床系统状态在线实时监测与评估的方法及系统，包括：
步骤1：信号预处理。对振动信号进行标准化处理，并在时域上进行切分；
步骤2：特征提取。对预处理后的振动信号进行小波包分解降噪和特征提取。
步骤3：特征降维。通过自编码器进行非线性映射降维。
步骤4：状态评估。将马氏距离用于状态度量，并将度量结果映射为状态指数。
步骤5：状态监测与可视化。将上述方法及系统应用到负载状态下数控机床系统中，对系统状态进行监测与可视化。
所述步骤1中的信号预处理，预处理的目的包括：
1)通过对振动信号进行标准化处理，可以提高后续的自编码器降维模型的稳定性。
2)通过对标准化后的振动信号以1秒为单位在时域上进行切分，可以提高整个状态监测与评估方法的适应性。
所述步骤1中信号预处理的标准化处理，具体为：
将振动信号
Figure BDA0002869348600000061
转换为均值为0，方差为1的标准化信号
Figure BDA0002869348600000062
转换公式如下：
Figure BDA0002869348600000063
其中t0,t1,t2,…,tn为时间序列。
所述步骤2中的特征提取，具体包括：
利用小波包分解具有良好的降噪效果，对预处理后的振动信号进行小波包5层分解降噪，小波包基函数选取Daubechies4，并计算第5层重构信号的能量作为信号的有效特征，得到具有32维的小波包能量特征集。
所述步骤2中的小波包分解和能量特征提取，具体为：
小波包分解原理是下式：
Figure BDA0002869348600000071
Figure BDA0002869348600000072
式中hl和gl为小波重构共轭高通和低通滤波器系数，
Figure BDA0002869348600000073
为第j层第n个节点的第k个小波包系数。
计算重构信号的能量特征如下式：
Figure BDA0002869348600000074
则第j层的小波包重构信号的能量为
Figure BDA0002869348600000075
所述步骤3中的特征降维，具体包括：
通过自编码器对32维小波包能量特征集进行非线性映射，自动降维，得到低维的信号特征空间。
所述步骤3中的自编码器降维，具体为：
根据自编码器结构搭建自编码器降维模型，设置模型学习率，训练次数和最小化目标函数J求解模型参数θ，使自编码器降维效果最佳。目标函数J如下式：
Figure BDA0002869348600000081
式中，参数θ包括各神经元的权重w和偏置b，L为交叉熵损失函数，
Figure BDA0002869348600000082
为编码器的激活函数，
Figure BDA0002869348600000083
为解码器的激活函数，xi为某32维小波包能量特征。
所述步骤4中的状态评估，具体包括：
将马氏距离用于参考振动信号的低维特征空间与待测振动信号的低维特征空间之间的度量，并将度量结果映射为状态指数。
所述步骤4中的马氏距离度量，具体为：
设参考振动信号的低维特征空间Mr与待测振动信号的低维特征空间M的偏离度为Dm(负载状态下，通常以数控机床热机时采集的振动信号为参考振动信号)，M＝(M0,M1,M2,…,Mi)，Mr的均值为
Figure BDA0002869348600000084
CM为M的协方差矩阵，则Dm为：
Figure BDA0002869348600000085
Figure BDA0002869348600000086
Dm值越大，则反映待测振动信号与参考振动信号的相似性越小，反之则越大。
所述步骤4中的状态指数SI具体为；
Figure BDA0002869348600000087
式中，δ为调节因子，用以调整SI的变化趋势，使偏离度D_m能够均匀地映射到(1,0)，该参数可通过实验得到。
所述步骤5中的状态监测与评估可视化，具体包括：
1)负载状态下，某一时刻数控机床进给系统X、Y、Z方向滚珠丝杠副的状态监测与评估的可视化图，如图2。
2)负载状态下，数控机床整个实际加工过程中进给系统X向丝杠1切向的状态的智能监测结果如图3。
上述方法及系统，充分利用现有数控机床的软硬件设施，有效地结合信号预处理和深度学习中的自编码器进行降维，马氏距离用于状态度量，实现了数控机床系统(包括但不限于数控机床进给系统)状态的在线、实时与智能监测，具有良好的稳定性、有效性和泛化能力。
上述说明示出并描述了发明的若干可选实施例，但如前所述，应当理解发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

Claims (11)

1.一种用于数控机床系统状态监测与评估的方法，其特征在于，包括：
信号预处理步骤：对振动信号进行标准化处理，并在时域上进行切分；
特征提取步骤：对预处理后的振动信号进行小波包分解降噪和特征提取。
特征降维步骤：通过自编码器进行非线性映射降维。
状态评估步骤：将马氏距离用于状态度量，并将度量结果映射为状态指数。
2.根据权利要求1所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，在所述信号预处理步骤中，预处理的目的包括：
一是通过对振动信号进行标准化，可以提高后续的自编码器降维模型的稳定性。
二是通过对标准化后的振动信号以1秒为单位在时域上进行切分，可以提高整个状态监测与评估方法的适应性。
3.根据权利要求2所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，标准化具体为：
将振动信号
Figure FDA0002869348590000011
转换为均值为0，方差为1的标准化信号
Figure FDA0002869348590000012
转换公式如下：
Figure FDA0002869348590000013
其中t0,t1,t2,…,tn为时间序列。
4.根据权利要求1所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的特征提取步骤包括：
利用小波包分解具有良好的降噪效果，对预处理后的振动信号进行小波包分解降噪，并计算重构信号的能量作为信号的有效特征，得到具有高维的小波包能量特征集。
5.根据权利要求4所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的小波包分解和能量特征具体为：
小波包分解原理是下式：
Figure FDA0002869348590000021
Figure FDA0002869348590000022
式中hl和gl为小波重构共轭高通和低通滤波器系数，
Figure FDA0002869348590000023
为第j层第n个节点的第k个小波包系数。
计算重构信号的能量特征如下式：
Figure FDA0002869348590000024
则第j层的小波包重构信号的能量为
Figure FDA0002869348590000025
6.根据权利要求1所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的特征降维步骤包括：
通过自编码器对高维小波包能量特征集进行非线性映射，自动降维，得到低维的信号特征空间。
7.根据权利要求6所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的自编码器降维具体为：
根据自编码器结构搭建自编码器降维模型，设置模型学习率，训练次数和最小化目标函数J求解模型参数θ，使自编码器降维效果最佳。目标函数J如下式：
Figure FDA0002869348590000031
式中，参数θ包括各神经元的权重w和偏置b，L为交叉熵损失函数，
Figure FDA0002869348590000032
为编码器的激活函数，
Figure FDA0002869348590000033
为解码器的激活函数，xi为某高维小波包能量特征。
8.根据权利要求1所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的状态评估步骤包括：
将马氏距离用于参考振动信号的低维特征空间与待测振动信号的低维特征空间之间的度量，并将度量结果映射为状态指数。
9.根据权利要求8所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的马氏距离度量具体为：
设参考振动信号的低维特征空间Mr与待测振动信号的低维特征空间M的偏离度为Dm，M＝(M0,M1,M2,…,Mi)，Mr的均值为
Figure FDA0002869348590000034
CM为M的协方差矩阵，则Dm为：
Figure FDA0002869348590000035
Figure FDA0002869348590000036
Dm值越大，则反映待测振动信号与参考振动信号的相似性越小，反之则越大。
10.根据权利要求8所述的一种用于数控机床系统状态监测与评估的方法，其特征在于，所述的状态指数SI具体为；
Figure FDA0002869348590000041
式中，δ为调节因子，用以调整SI的变化趋势，使偏离度Dm能够均匀地映射到(1,0)，该参数可通过实验得到。
11.一种用于数控机床系统状态在线实时监测与评估的系统，其特征在于，包括：
信号预处理模块：对采集的振动信号进行标准化处理，并在时域上以1秒为单位进行切分。
特征提取模块：对预处理后的振动信号进行小波包5层降噪，并计算重构信号的第5层节点的能量作为信号的有效特征。
特征降维模块：利用自编码器对特征提取后的高维小波包能量特征集进行非线性映射，得到低维的信号特征空间。
状态评估模块：将马氏距离用于数控机床系统状态的度量，并将度量结果映射为状态指数。
状态监测与可视化模块：将数控机床系统在线实时的状态进行可视化，实现系统状态变化的在线、实时和智能监测。
CN202011593668.3A 2020-12-29 2020-12-29 用于数控机床系统状态在线实时监测与评估的方法及系统 Pending CN112763056A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011593668.3A CN112763056A (zh) 2020-12-29 2020-12-29 用于数控机床系统状态在线实时监测与评估的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011593668.3A CN112763056A (zh) 2020-12-29 2020-12-29 用于数控机床系统状态在线实时监测与评估的方法及系统

Publications (1)

Publication Number Publication Date
CN112763056A true CN112763056A (zh) 2021-05-07

Family

ID=75695976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011593668.3A Pending CN112763056A (zh) 2020-12-29 2020-12-29 用于数控机床系统状态在线实时监测与评估的方法及系统

Country Status (1)

Country Link
CN (1) CN112763056A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113566953A (zh) * 2021-09-23 2021-10-29 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004340706A (ja) * 2003-05-15 2004-12-02 Toshiba Mitsubishi-Electric Industrial System Corp 機器の診断装置
US20110224922A1 (en) * 2010-03-15 2011-09-15 Sergey Kirillov Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof
CN102944435A (zh) * 2012-10-25 2013-02-27 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105626502A (zh) * 2016-02-01 2016-06-01 上海交通大学 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法
CN105718876A (zh) * 2016-01-18 2016-06-29 上海交通大学 一种滚珠丝杠健康状态的评估方法
CN110779746A (zh) * 2019-10-24 2020-02-11 西安理工大学 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法
CN111126468A (zh) * 2019-12-17 2020-05-08 中国人民解放军战略支援部队信息工程大学 云计算环境下的特征降维方法、异常检测方法及装置
CN111259717A (zh) * 2019-10-21 2020-06-09 杭州安脉盛智能技术有限公司 一种旋转设备状态异常判断方法及系统
CN111259730A (zh) * 2019-12-31 2020-06-09 杭州安脉盛智能技术有限公司 一种基于多变量状态估计的状态监测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004340706A (ja) * 2003-05-15 2004-12-02 Toshiba Mitsubishi-Electric Industrial System Corp 機器の診断装置
US20110224922A1 (en) * 2010-03-15 2011-09-15 Sergey Kirillov Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof
CN102944435A (zh) * 2012-10-25 2013-02-27 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105718876A (zh) * 2016-01-18 2016-06-29 上海交通大学 一种滚珠丝杠健康状态的评估方法
CN105626502A (zh) * 2016-02-01 2016-06-01 上海交通大学 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法
CN111259717A (zh) * 2019-10-21 2020-06-09 杭州安脉盛智能技术有限公司 一种旋转设备状态异常判断方法及系统
CN110779746A (zh) * 2019-10-24 2020-02-11 西安理工大学 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法
CN111126468A (zh) * 2019-12-17 2020-05-08 中国人民解放军战略支援部队信息工程大学 云计算环境下的特征降维方法、异常检测方法及装置
CN111259730A (zh) * 2019-12-31 2020-06-09 杭州安脉盛智能技术有限公司 一种基于多变量状态估计的状态监测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SJBANJAN DAS: "《自动机器学习入门与实践》", 华中科技大学出版社, pages: 201 - 202 *
王浩任等: "基于小波包和拉普拉斯特征值映射的柱塞泵健康评估方法", 《振动与冲击》, no. 22, 28 November 2017 (2017-11-28), pages 45 - 50 *
赵帅等: "基于拉普拉斯特征马氏距离的滚珠丝杠健康评估", 《机械工程学报》 *
赵帅等: "基于拉普拉斯特征马氏距离的滚珠丝杠健康评估", 《机械工程学报》, vol. 53, no. 15, 31 August 2017 (2017-08-31), pages 125 - 130 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113566953A (zh) * 2021-09-23 2021-10-29 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113566953B (zh) * 2021-09-23 2021-11-30 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法

Similar Documents

Publication Publication Date Title
Tran et al. Effective multi-sensor data fusion for chatter detection in milling process
CN105718876B (zh) 一种滚珠丝杠健康状态的评估方法
CN105834835B (zh) 一种基于多尺度主元分析的刀具磨损在线监测方法
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN112326210A (zh) 一种声振信号联合1d-cnn的大型电机故障诊断方法
CN109946075A (zh) 一种轴承状态监测及故障诊断方法
CN110653661A (zh) 基于信号融合和多重分形谱算法的刀具状态监测识别方法
CN112052712B (zh) 一种电力设备状态监测与故障识别方法及系统
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
CN113579851B (zh) 一种基于自适应分段pca的非平稳钻削过程监测方法
CN114871850B (zh) 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
CN110346130B (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
CN116861313B (zh) 基于振动能量趋势的卡尔曼滤波工况识别方法、系统
CN105626502A (zh) 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法
CN117056849B (zh) 一种无监督的复杂机械设备异常状态监测方法及系统
CN113752089A (zh) 一种基于奇异性李氏指数的刀具状态监测方法
CN112763056A (zh) 用于数控机床系统状态在线实时监测与评估的方法及系统
CN111707458B (zh) 一种基于深度学习信号重构的转子监测方法
CN117369418A (zh) 数控机床进给系统故障诊断方法、系统、存储介质及设备
CN117381547A (zh) 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统
CN108844662B (zh) 一种数控机床电气柜状态评估方法
CN116881773A (zh) 一种基于深度学习的设备故障识别方法及系统
CN114357851A (zh) 一种基于dae-rnn的数控铣削表面粗糙度预测方法
CN113378956B (zh) 一种基于二级松弛聚类的设备退化数据便捷标注方法
CN113642407B (zh) 一种适用于轴承剩余使用寿命预测的特征提取优化方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210507