CN112857805B - 一种基于图相似度特征提取的滚动轴承故障检测方法 - Google Patents
一种基于图相似度特征提取的滚动轴承故障检测方法 Download PDFInfo
- Publication number
- CN112857805B CN112857805B CN202110300609.0A CN202110300609A CN112857805B CN 112857805 B CN112857805 B CN 112857805B CN 202110300609 A CN202110300609 A CN 202110300609A CN 112857805 B CN112857805 B CN 112857805B
- Authority
- CN
- China
- Prior art keywords
- vector
- rolling bearing
- matrix
- vibration signal
- 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.)
- Active
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 72
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000005065 mining Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于图相似度特征提取的滚动轴承故障检测方法,从图相似度特征提取的角度来挖掘非平稳的滚动轴承振动信号中潜藏的特征,并在此基础上实施滚动轴承的故障检测。具体来讲,本发明方法首先将振动信号按照区间转变成能体现信号之间相似度的图矩阵,再利用图特征提取算法对图矩阵进行特征提取。最后,使用提取出的特征来判断滚动轴承是否出现了故障。本发明方法的优势在于:能将振动信号转变成能体现振动信号之间距离相似性的图矩阵,并对图矩阵进行特征提取,从时域的角度实现了滚动轴承振动信号的特征分析与提取,且不涉及复杂的运算,实施操作简单。
Description
技术领域
本发明涉及一种轴承故障检测方法,特别涉及一种基于图相似度特征提取的滚动轴承故障检测方法。
背景技术
随着工业技术向着智能化、科技化和集成化发展,现代机械装备的功能要求和使用条件逐步提升,对装备的可靠性也提出了更高的要求,对滚动轴承维修技术的研究逐步获得重视。滚动轴承作为支撑旋转体并降低摩擦系数的关键功能部件而广泛应用于旋转式的机械设备中,其工作性能的好坏直接关系到设备的正常运行。轴承在运转工作过程中不可避免的受到轴向载荷和循环交变载荷作用,易产生疲劳剥落或磨损等失效形式,若不根据使用情况及时更换轴承,严重时将会发生突发事故造成不必要的损失与伤亡。近十年随着人工智能和信息技术的发展,对轴承进行故障检测大多采用数据驱动的方法,但目前数据驱动的故障检测大都是使用振动信号的频域分析特征来进行滚动轴承的故障检测。
对滚动轴承故障诊断进行研究除了具有重要的实际意义之外,还具备深刻的理论意义。在实施滚动轴承故障诊断的过程中,可以推动测控技术、信号处理、模式分类、优化方法等与故障诊断相关的一系列理论方法的发展,不断完善机械故障诊断学科的发展。同时也为下一代新产品的更新换代提供了合理的优化改进依据。目前,滚动轴承的故障诊断技术仍以振动信号分析方法为主。但是由于轴承故障信号是一种非线性非平稳随机信号,传统的信号处理方法难以有效处理,因此,有必要对滚动轴承故障诊断技术进行深入地研究。
早期的轴承振动信号特征提取主要是借助于傅里叶变换进行的,称为经典信号分析方法。基于傅里叶变换的信号分析发展缓慢,主要原因是其计算量大。工程实际中,从机械设备上所测得的振动信号千变万化,其中大量为非平稳、非高斯分布和非线性的随机信号,尤其是当设备出现故障时上述情形显得更为突出。而基于变换的谱分析主要适用于平稳信号时不变信号,因此有必要寻找一种适合于非平稳信号分析的方法,它既能反映信号的频率内容,又能反映该频率内容随时间变化的规律,还能准确地反映出信号能量随时间的分布情况。
发明内容
本发明所要解决的主要技术问题是:如何从图相似度特征提取的角度来挖掘非平稳的滚动轴承振动信号中潜藏的特征,并在此基础上实施滚动轴承的故障检测。具体来讲,本发明方法首先将振动信号按照区间转变成能体现信号之间相似度的图矩阵,再利用图特征提取算法对图矩阵进行特征提取。最后,使用提取出的特征来判断滚动轴承是否出现了故障。
本发明方法解决上述问题所采用的技术方案为:一种基于图相似度特征提取的滚动轴承故障检测方法,包括以下所示步骤:
步骤(1):利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据,记为振动信号向量z∈RN×1,并同时记录加速度振动传感器采集信号的频率f和滚动轴承的转动频率r;其中,RN×1表示N×1维的实数向量,N为振动信号数据的个数,频率的单位为赫兹(Hz),R表示实数集。
步骤(2):先设置移动窗口长度L等于f除以r的商,再从振动信号向量z∈RN×1的第一个元素开始,利用移动窗口依次将z划分成n个L×1维的窗口向量x1,x2,…,xn,具体的实施过程如下所示:
步骤(2.1):初始化i=1。
步骤(2.2):将振动信号向量z中的第(i-1)×L+1个元素至第i×L个元素组建成第i个窗口向量xi∈RL×1;其中,RL×1表示L×1维的实数向量。
步骤(2.3):判断是否满足条件:(i+1)×L>N;若否,则设置i=i+1后,返回步骤(2.2);若是,则得到n个L×1维的窗口向量x1,x2,…,xn。
步骤(3):根据如下所示公式计算图矩阵Zi∈RL×L中的第a行第b列元素Zi(a,b),重复本步骤直至得到图矩阵Z1,Z2,…,Zn;其中,a∈{1,2,…,L},b∈{1,2,…,L},i∈{1,2,…,n}。
上式中,e为自然常数,xi(a)和xi(b)分别表示窗口向量xi中的第a个元素和第b个元素,δ表示图矩阵参数,其取值范围是5L≤δ≤500L。由此可见,图矩阵Zi是一个对称矩阵。
步骤(4):根据如下所示步骤(4.1)至步骤(4.6),依次逐个提取特征向量s1,s2,…,sK,并保留左载荷向量u1,u2,…,uK和右载荷向量v1,v2,…,vK。
步骤(4.1):初始化k=1。
步骤(4.2):分别初始化左载荷向量uk和右载荷向量vk为任意的L×1维的非零实数向量。
步骤(4.6):判断特征向量sk中所有元素的方差是否小于阈值若否,则设置k=k+1后,返回步骤(4.2);若是,则设置K=k-1后,得到K个特征向量s1,s2,…,sK,并保留左载荷向量u1,u2,…,uK和右载荷向量v1,v2,…,vK。
值得注意的是,上述步骤(4.4)中的实施过程为图矩阵特征提取算法的数值求解方法。为了提取图矩阵Z1,Z2,…,Zn中的特征向量,需通过左载荷向量u∈RL×1和右载荷向量v∈RL×1对各个图矩阵进行特征提取,从而使如下所示的目标函数最大化。
s.t.uTu=1,vTv=1
上式②的求解可使用经典的朗格朗日乘子法,即通过拉格朗日乘子λ和η构造如下所示的朗格朗日函数J。
由此可见,u1和v1分别是和的最大特征值所对应的特征向量,并且满足单位长度要求。由于u1和v1的求解相互耦合,因此需要通过往复迭代的策略进行求解,也就是步骤(4.5)中有返回步骤(4.3)的实施过程。
当u1和v1求解完成后,还需求解更对的载荷向量u2,u3,…,uK和v2,v3,…,vK。为了保证载荷向量的多样性,需要在上式②增加约束条件,即:
上式⑥中,k≥2。同样可使用拉格朗日乘子法对上式⑥进行求解,以如下所示的朗格朗日函数相对于uk的偏微分为例。
值得说明的是,对于特征值求解问题:Aα=λα,其最大特征值所对应的特征向量的数值计算方法通常是:随机初始化特征向量α为任意非零实数向量后,不断的通过α=Aα后再实施归一化处理α=α/||α||的方式直至α收敛,即可得到最大特征值所对应的特征向量。这就是为什么步骤(4.3)和步骤(4.4)中分别使用uk=Guuk/||Guuk||和vk=Gvvk/||Gvvk||更新uk和vk,而未曾出现求解特征值的实施过程。
步骤(5):根据公式Λ=STS/(n-1)计算协方差矩阵Λ∈Rn×n后,再计算检测指标向量并将中最大值元素记录为φmax;其中,特征矩阵S=[s1,s2,…,sK],diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作。
步骤(6):利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据,当振动信号数据的采集个数达到L时,将这L个振动信号数据组建成窗口向量zt∈RL×1,并根据如下所示公式计算图矩阵Xt中的第a行第b列元素Xt(a,b);其中,t表示窗口向量zt对应的采样时刻。
上式中,zt(a)和zt(b)分别表示zt中的第a个元素和第b个元素。
步骤(7):根据公式yt=diag{UTXtV}计算特征向量yt∈RK×1后,再根据φt=yt TΛ- 1yt计算检测指标φt;其中,左载荷矩阵U=[u1,u2,…,uK],右载荷矩阵V=[v1,v2,…,vK]。
步骤(8):判断是否满足条件:φt≤φmax;若是,则滚动轴承运行状态健康,并返回步骤(6)继续利用新采样时刻的窗口向量实施滚动轴承故障检测;若否,则执行步骤(9)。
步骤(9):返回步骤(6)继续利用最新采集的L个振动信号数据实施故障检测,若连续6个采样时刻的检测指标皆大于φmax,则触发滚动轴承的故障警报;反之,则滚动轴承运行状态健康。
通过以上所述实施步骤,本发明方法的优势介绍如下。
首先,本发明方法将振动信号转变成能体现振动信号之间距离相似性的图矩阵,并对图矩阵进行特征提取,从时域的角度实现了滚动轴承振动信号的特征分析与提取。其次,相比于利用频域分析实施滚动轴承故障检测的技术,本发明方法不涉及复杂的运算,实施操作简单。
附图说明
图1为本发明方法的实施流程示意图。
图2为本发明方法的故障检测结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明公开了一种基于图相似度特征提取的滚动轴承故障检测方法,下面结合一个具体应用实例来说明本发明方法的具体实施方式。
在本实施案例中,用于测试故障检测性能的轴承故障具体包括:轴承内圈缺陷和轴承外圈缺陷。轴承在正常运行状态时,加速度振动传感器的采集信号频率是f=12000Hz,轴承的转动频率是r=60Hz。利用这些数据来验证本发明方法用于轴承故障检测可行性,具体包括如下所示步骤。
步骤(1):利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据,记为振动信号向量z∈RN×1,并同时记录加速度振动传感器采集信号的频率f和滚动轴承的转动频率r。
步骤(2):先设置移动窗口长度L等于f除以r的商,再从振动信号向量z∈RN×1的第一个元素开始,利用移动窗口依次将z划分成n个L×1维的窗口向量x1,x2,…,xn,具体的实施过程如前述步骤(2.1)至步骤(2.3)所示。
步骤(3):根据上述公式①计算图矩阵Zi∈RL×L中的第a行第b列元素Zi(a,b),重复本步骤直至得到图矩阵Z1,Z2,…,Zn。
步骤(4):根据前述步骤(4.1)至步骤(4.6),依次逐个提取特征向量s1,s2,…,sK,并保留左载荷向量u1,u2,…,uK和右载荷向量v1,v2,…,vK。
上述步骤(1)至步骤(5)为本发明方法的离线建模阶段,完成后,即可利用实时的移动窗口数据来检测轴承是否出现了故障。
步骤(6):利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据,当振动信号数据的采集个数达到L时,将这L个振动信号数据组建成窗口向量zt∈RL×1,并根据如下所示公式计算图矩阵Xt中的第a行第b列元素Xt(a,b)。
步骤(7):根据公式yt=diag{UTXtV}计算特征向量yt∈RK×1后,再根据φt=yt TΛ- 1yt计算检测指标φt;其中,左载荷矩阵U=[u1,u2,…,uK],右载荷矩阵V=[v1,v2,…,vK]。
步骤(8):判断是否满足条件:φt≤φmax;若是,则滚动轴承运行状态健康,并返回步骤(6)继续利用新采样时刻的窗口向量实施滚动轴承故障检测;若否,则执行步骤(9)。
步骤(9):返回步骤(6)继续利用最新采集的L个振动信号数据实施故障检测,若连续6个采样时刻的检测指标皆大于φmax,则触发滚动轴承的故障警报;反之,则滚动轴承运行状态健康。
在图2中,本发明方法可以成功的检测出轴承内圈故障和外圈故障。由此可见,本发明方法在时域特征提取的基础上,即可实现轴承的故障检测。
Claims (1)
1.一种基于图相似度特征提取的滚动轴承故障检测方法,其特征在于,包括以下步骤:
步骤(1):利用加速度振动传感器采集滚动轴承在健康运行状态下的振动信号数据,记为振动信号向量z∈RN×1,并同时记录加速度振动传感器采集信号的频率f和滚动轴承的转动频率r;其中,RN×1表示N×1维的实数向量,R表示实数集,N为振动信号数据的个数,频率的单位为赫兹;
步骤(2):先设置移动窗口长度L等于f除以r的商,再从振动信号向量z∈RN×1的第一个元素开始,利用移动窗口依次将z划分成n个L×1维的窗口向量x1,x2,…,xn,具体的实施过程如步骤(2.1)至步骤(2.3)所示:
步骤(2.1):初始化i=1;
步骤(2.2):将振动信号向量z中的第(i-1)×L+1个元素至第i×L个元素组建成第i个窗口向量xi∈RL×1;其中,RL×1表示L×1维的实数向量;
步骤(2.3):判断是否满足条件:(i+1)×L>N;若否,则设置i=i+1后,返回步骤(2.2);若是,则得到n个L×1维的窗口向量x1,x2,…,xn;
步骤(3):根据如下所示公式计算图矩阵Zi∈RL×L中的第a行第b列元素Zi(a,b),重复本步骤直至得到图矩阵Z1,Z2,…,Zn;其中,a∈{1,2,…,L},b∈{1,2,…,L},i∈{1,2,…,n};
上式中,e为自然常数,xi(a)和xi(b)分别表示窗口向量xi中的第a个元素和第b个元素,δ表示图矩阵参数,其取值范围是5L≤δ≤500L;
步骤(4):根据如下所示步骤(4.1)至步骤(4.6),依次逐个提取特征向量s1,s2,…,sK,并保留左载荷向量u1,u2,…,uK和右载荷向量v1,v2,…,vK;
步骤(4.1):初始化k=1;
步骤(4.2):分别初始化左载荷向量uk和右载荷向量vk为任意的L×1维的非零实数向量;
步骤(4.6):判断特征向量sk中所有元素的方差是否小于阈值若否,则设置k=k+1后,返回步骤(4.2);若是,则设置K=k-1后,得到K个特征向量s1,s2,…,sK,并保留左载荷向量u1,u2,…,uK和右载荷向量v1,v2,…,vK;
步骤(5):根据公式Λ=STS/(n-1)计算协方差矩阵Λ∈Rn×n后,再计算检测指标向量并将中的最大值记录为φmax;其中,特征矩阵S=[s1,s2,…,sK],diag{}表示将大括号内的矩阵对角线元素转变成列向量的操作;
步骤(6):利用加速度振动传感器在线实时采集滚动轴承运行时的振动信号数据,当振动信号数据的采集个数达到L时,将这L个振动信号数据组建成窗口向量zt∈RL×1,并根据如下所示公式计算图矩阵Xt中的第a行第b列元素Xt(a,b);其中,t表示窗口向量zt对应的采样时刻;
上式中,zt(a)和zt(b)分别表示zt中的第a个元素和第b个元素;
步骤(7):根据公式yt=diag{UTXtV}计算特征向量yt∈RK×1后,再根据φt=yt TΛ-1yt计算检测指标φt;其中,左载荷矩阵U=[u1,u2,…,uK],右载荷矩阵V=[v1,v2,…,vK];
步骤(8):判断是否满足条件:φt≤φmax;若是,则滚动轴承运行状态健康,并返回步骤(6)继续利用新采样时刻的窗口向量实施滚动轴承故障检测;若否,则执行步骤(9);
步骤(9):返回步骤(6)继续利用最新采集的L个振动信号数据实施故障检测,若连续6个采样时刻的检测指标皆大于φmax,则触发滚动轴承的故障警报;反之,则滚动轴承运行状态健康。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300609.0A CN112857805B (zh) | 2021-03-13 | 2021-03-13 | 一种基于图相似度特征提取的滚动轴承故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300609.0A CN112857805B (zh) | 2021-03-13 | 2021-03-13 | 一种基于图相似度特征提取的滚动轴承故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112857805A CN112857805A (zh) | 2021-05-28 |
CN112857805B true CN112857805B (zh) | 2022-05-31 |
Family
ID=75991850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300609.0A Active CN112857805B (zh) | 2021-03-13 | 2021-03-13 | 一种基于图相似度特征提取的滚动轴承故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112857805B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407649A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于故障特征变量选择的故障类型匹配方法 |
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 |
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 |
CN112084974A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
CN112287889A (zh) * | 2020-11-22 | 2021-01-29 | 西北工业大学 | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
-
2021
- 2021-03-13 CN CN202110300609.0A patent/CN112857805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109407649A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于故障特征变量选择的故障类型匹配方法 |
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 |
CN112084974A (zh) * | 2020-09-14 | 2020-12-15 | 北京工商大学 | 一种基于元学习的多标签滚动轴承故障诊断方法 |
CN112287889A (zh) * | 2020-11-22 | 2021-01-29 | 西北工业大学 | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于图谱指标的滚动轴承故障特征提取方法;高艺源;《航空动力学报》;20180831;2033-2040 * |
Also Published As
Publication number | Publication date |
---|---|
CN112857805A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
CN108510153B (zh) | 一种多工况旋转机械故障诊断方法 | |
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 | |
Li et al. | Generative adversarial network and transfer-learning-based fault detection for rotating machinery with imbalanced data condition | |
CN112304613A (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
Chen et al. | Pattern recognition of a sensitive feature set based on the orthogonal neighborhood preserving embedding and adaboost_SVM algorithm for rolling bearing early fault diagnosis | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108645620B (zh) | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 | |
Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
Shi et al. | Incipient fault detection of rolling element bearings based on deep EMD-PCA algorithm | |
Zhang et al. | A centrifugal fan blade damage identification method based on the multi-level fusion of vibro-acoustic signals and CNN | |
Zhang et al. | Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Yan et al. | Fault diagnosis of rolling-element bearing using multiscale pattern gradient spectrum entropy coupled with Laplacian score | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
Liu et al. | Remaining useful life prediction of rolling bearings based on segmented relative phase space warping and particle filter | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN113743010B (zh) | 基于eemd能量熵的滚动轴承运行状态评估方法 | |
Tang et al. | Fault diagnosis of hydraulic generator bearing by VMD-based feature extraction and classification | |
Chen et al. | Deep residual shrinkage relation network for anomaly detection of rotating machines | |
Zhang et al. | Rolling bearing fault diagnosis using improved deep residual shrinkage networks | |
CN112857805B (zh) | 一种基于图相似度特征提取的滚动轴承故障检测方法 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
Zhao et al. | Fault diagnosis of rolling bearing using CNN and PCA fractal based feature extraction |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: 518000 10A1-F, Block A, First World Plaza, 7002 Hongli West Road, Jinghua Community, Lianhua Street, Futian District, Shenzhen, Guangdong Province Patentee after: SHENZHEN WANATONE INDUSTRY CO.,LTD. Address before: School of mechanical engineering and automation, School of science and technology, Ningbo University, No. 521, Wenwei Road, Baisha road street, Cixi City, Ningbo City, Zhejiang Province, 315302 Patentee before: COLLEGE OF SCIENCE & TECHNOLOGY NINGBO University |