CN113092112A - 一种基于eemd多特征融合的轴承复合故障诊断方法 - Google Patents
一种基于eemd多特征融合的轴承复合故障诊断方法 Download PDFInfo
- Publication number
- CN113092112A CN113092112A CN202110344785.4A CN202110344785A CN113092112A CN 113092112 A CN113092112 A CN 113092112A CN 202110344785 A CN202110344785 A CN 202110344785A CN 113092112 A CN113092112 A CN 113092112A
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- eemd
- feature
- fusion
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于EEMD多特征融合的轴承复合故障诊断方法,取出故障轴承安装在MFS机械故障模拟试验台,将试验台连接上位机,上位机通过控制器控制电机转速,选择转速后启动电机,通过加速度传感器采集故障振动信号经过模数转换得到数字信号传输到上位机中。将采集到的轴承故障振动信号通过EEMD不断分解成为多个IMF,计算相关系数得到与原始振动信号相关性强的分量。采用上述方案对轴承复合故障进行模拟仿真,不仅能准确地模拟轴承运行环境以及故障类型,而且能够采用多种特征提取方法,从多方面考量不同特征表征能力,进行多特征融合构建复合故障特征集,全方面表征故障特点,可以有效的改善轴承复合故障难以诊断准确的问题。
Description
技术领域
本发明涉及到风机轴承故障诊断领域,针对故障特征相互耦合,存在特征值重叠问题的问题,提出了一种基于EEMD多特征融合的的滚动轴承复合故障诊断方法。具体是利用由美国SpectraQuest公司制造生产的MFS机械故障模拟试验台对风机轴承故障进行信号采集以及故障诊断模拟仿真,通过EEMD多特征融合算法对风机轴承进行故障诊断,分析实验结果并计算诊断精确度。
背景技术
随着人类科技发展和文明进步,飞行器、舰船、车辆、发电机组等重大机械装备与基础设施的安全服役对国民经济发展和国防建设都具有重要意义。在实际生产中,旋转机械设备故障不但会影响生产效益,严重时还会对工作人员造成不同程度的危害,滚动轴承作为旋转机械的重要组成部分,在大型工业设备中被广泛应用。滚动轴承出现故障将直接影响设备运行甚至是人员伤亡,因而对滚动轴承的故障诊断和检测技术研究就是十分具有现实意义。
工业设备在现场运行时运行工况复杂多变,环境恶劣增加了系统发生故障的次数,一旦产生故障会造成生产线暂停影响设备生产效率,增加生产成本,甚至可能会对现场人员生命以及财产安全造成影响,因此对设备进行预前故障诊断和健康管理是维护设备的基础,提前对设备进行实时且有效的维护对系统安全以及运行可靠具有重要价值。
在进行轴承复合故障诊断时通常存在两个问题导致轴承复合故障类型难以准确识别,一是外部环境环境问题,设备服役现场存在一定的噪声及干扰,导致原始轴承振动信号难以提取特征,故障诊断率降低。二是内部设备运行问题,由于设备受到的负载和摩擦等非线性特性不同,对轴承损耗程度及故障位置不止是单一类型,常常是以复合故障的形式出现,复合故障诊断重点在于提高特征提取能力。
发明内容
本发明针对轴承复合故障诊断中存在的分离特征难得问题,提出基于EEMD多特征融合的轴承复合故障诊断方法,该方法通过采用多种特征提取方法,从多方面考量不同特征表征能力,进行多特征融合构建复合故障特征集,全方面表征故障特点,对于轴承复合故障诊断段效果显著。
一种基于EEMD多特征融合的轴承复合故障诊断方法,其优势在于克服单一特征提取方法表征不完全,无法准确提取复合故障故障特征的缺陷,考虑将动力学方法与时域指标进行特征融合,构建特征向量,增加对复合故障的识别能力。应用MFS机械故障模拟试验台采集轴承多种故障诊断原始振动信号并通过MATLAB对系统进行故障诊断仿真,将故障诊断方法在仿真平台进行实现,通过对比其他故障诊断方法,分析所采取方法的诊断效果。
本发明的主要研究对象为轴承复合故障,控制对象为故障振动给信号。
MFS机械故障模拟试验台示意图如说明书附图1所示。
轴承整体结构示意图如说明书附图2所示。
由美国SpectraQuest公司制造生产的MFS机械故障模拟试验台进行实验。该实验台包括底座、电动机、控制器、传感器、联轴器、旋转轴以及不同故障类型的滚动轴承等组成,滚动轴承整体结构包含外圈、内圈、滚珠以及保持架,本次实验通过更换故障轴承的方式采集多种轴承故障信号。首先将故障轴承安装到故障模拟试验台。然后通过加速度传感器轴承故障振动信号,将采集到的模拟信号通过数据采集模块传递给上位机。将上位机采集到的信号输入到MATLAB仿真平台进行信号处理、建立模型并输出仿真结果。
EEMD多特征融合的轴承复合故障诊断方法的具体算法流程图如说明书附图3所示。
具体的算法流程如下:
第一步,通过试验台传感器采集多种滚动轴承原始振动信号,利用EEMD方法将原始振动信号分解得到多个IMF分量,实现对原始信号降噪,在原始信号y0(t)中添加标准差为常数λ的高斯白噪声ci(t),对融合噪声后信号yi(t)进行EMD分解得到本征模态分量aij(t)和一个余量ri(t),aij(t)是第i次加入高斯白噪声后通过EMD分解的第j个IMF分量。重复步骤M次,并且将以上步骤所求IMF分量进行总体平均,消除加入高斯白噪声影响,得最终的IMF分量。
第二步,分别计算各IMF分量与原始振动信号相关系数,通过相关系数得到与原始振动信号相关性强的IMF分量以及相关性弱的IMF分量。
第三步,选取与原始振动信号相关性强的IMF分量,分别按照原理计算各IMF分量对应的时域指标以及能量指标。峭度指标是一种无量纲时域特征,能够反映滚动轴承信号中的冲击成分,在时域特征中对冲击成分较为敏感,在轴承发生故障时,时间序列会产生额外的脉冲,因此在同一频段内,能量会发生明显变化,这个能量波动是同脉冲的振幅和频率成正比。
第四步,将选取得到的IMF分量进行重构时间序列,得到一个新的时间序列,通过舍弃与原始振荡信号相关性弱的IMF分量,去除大部分噪音成分,降低故障特征提取难度。
第五步,将重构时间序列进行粗粒化,计算多个尺度因子下的多尺度模糊熵值。模糊熵是用模糊函数来度量两个向量的相似性,在模糊熵中引入尺度因子,从不同尺度下衡量信号复杂度。粗粒化时间序列:对一个序列长度为N的非线性时间序列X={x1,x2,…xn}粗粒化处理,利用模糊函数度量向量相似度求其均值
第六步,通过第三步和第五步计算得到的时域指标、能量指标以及多尺度模糊熵值作为特征向量进行特征融合。
第七步,将融合特征输入最小二乘支持向量机分类器中,通过训练得到故障诊断分类结果。
本发明的技术方案为:一种基于EEMD多特征融合的的滚动轴承复合故障诊断方法,方法包括如下具体步骤:
(1)根据轴承结构可以分为内圈、外圈、滚珠以及两两混合复合故障共六种故障轴承,方案主要包含四部分:模拟故障振动信号采集,配置电机参数;信号处理,利用信号处理算法进行降噪;特征提取,提取复合故障有效特征;建立诊断模型,配置最小二乘支持向量机。
(2)模拟故障振动信号采集,取出故障轴承安装在MFS机械故障模拟试验台,将试验台连接上位机,上位机通过控制器控制电机转速,选择转速后启动电机,通过加速度传感器采集故障振动信号经过模数转换得到数字信号传输到上位机中。
(3信号处理:将采集到的轴承故障振动信号通过EEMD(集合经验模态分解)不断分解成为多个IMF(本征模态函数),计算相关系数得到与原始振动信号相关性强的分量。
(4)特征提取:针对轴承特征难以区分的问题,采用多种特征提取方法提取特征进行融合,弥补单一特征表征不完全的问题,融合特征从不同角度表征故障特征,降低了复合故障诊断误报率。
(5)建立诊断模型:利用MATLAB仿真软件计算融合特征,设置最小二乘支持向量机的参数,利用粒子群算法进行寻优,建立诊断模型,训练模型参数,输出诊断结果。
采用上述方案对轴承复合故障进行模拟仿真,不仅能准确地模拟轴承运行环境以及故障类型,而且能够采用多种特征提取方法,从多方面考量不同特征表征能力,进行多特征融合构建复合故障特征集,全方面表征故障特点,可以有效的改善轴承复合故障难以诊断准确的问题。
附图说明
图1是MFS机械故障模拟试验台示意图。
图2是轴承整体结构示意图。
图3是算法流程图。
图4是不同故障类型轴承原始时间序列示意图。
图5是IMF分量信号示意图。
图6是相关系数示意图。
图7是轴承正常与单一故障状态下的MFEn曲线。
图8是轴承正常与多种故障状态下的MFEn曲线。
图9轴承正常与故障状态下的IMF能量。
图10轴承正常与故障状态下的IMF峭度指标。
图11多尺度模糊熵作为特征向量的故障分类图。
图12能量和峭度指标作为特征向量的故障分类图。
图13多尺度模糊熵融合特征作为特征向量的故障分类图。
图14 LS-SVM的故障诊断率示意图。
具体实施方式
为了使本发明的诊断效果、技术方案以及优势更加清楚明晰,以下示例将结合附图对本发明的技术方案做进一步的验证。所描述的示例只是本发明的一个应用,并不代表全部。
本发明在实施过程中,是利用MFS机械故障模拟试验台来对轴承故障信号模拟仿真,将基于EEMD多特征融合的的滚动轴承复合故障诊断方法在MATLAB软件仿真平台上予以实现,并通过计算诊断精确度对仿真结果来分析评判采用的故障诊断方法的有效性。使用本方法来对轴承进行复合故障诊断,可以有效的解决复合故障难以准确诊断问题。
(1)本次实验中采用的轴承型号为KR-12K,内侧直径为19.05mm,外侧直径为为46.99mm,滚动体数量为8,直径为7.87mm,接触角为0。故障位于轴承内圈、外圈预计滚动体表面,通过安装在轴承左侧的加速度传感器可以测量轴承振动信号,得到不同类型的单一故障和复合故障,分别为内圈故障、外圈故障、滚珠故障、内圈滚珠故障、外圈内圈故障和外圈滚珠故障。实验采样频率为2.56kHz,旋转频率为30Hz,采样点数取4000。机械故障模拟试验台不同故障类型轴承原始时间序列如说明书附图4所示。
(2)按照流程图所示,对不同故障类型轴承信号进行EEMD分解,获得若干个IMF分量并计算各IMF分量与原始时间序列相关系数。由于篇幅有限,仅采用外圈滚珠复合故障信号进行说明,对此故障信号进行EEMD分解后得到的有效IMF分量如说明书附图5所示,各IMF分量与原始信号相关系数如说明书附图6所示。
(3)选取前5个IMF分量构建一个新的时间序列,进一步减少噪声干扰,减少故障诊断难度,并且计算重构时间序列的多尺度模糊熵准备进行下一步特征提取。
原始信号多尺度模糊熵的定义如下:
根据多尺度模糊熵原理得出正常轴承信号以及重构信号的MFEn,其中尺度因子τ=20,相似容限r=0.15σ,嵌入维数m=2,单一故障及正常信号MFEn与尺度因子τ如说明书附图7所示,加入复合故障信号MFEn与尺度因子τ如说明书附图8所示。
(4)由说明书附图7分析得出不同故障类型对应不同故障频段,当信号发生改变时,复杂性也会发生变化。不同故障复杂程度不同,因此特征值也不同。正常轴承信号没有周期特征,无规则程度也因此较高,MFEn大于故障信号,当轴承发生故障时周期特征加强,自相似性较高,复杂程度降低,熵值也随之降低。MFEn由于包含多个尺度下的模糊熵值,具有较多故障特征信息,在单一故障表征上表现优良,特征值差别较大,除了在前两个尺度滚珠故障和内圈故障有交叉,整体区别明显。
如说明书附图8所示,加入复合故障后,各信号之间存在多处交叉,特征相似度较高,很难区分,在前3个尺度中重叠情况明显,在尺度因子τ逐渐增加过程中,个故障信号MFEn差距逐渐明显,但仍然存在相似部分。当τ=3~10,外圈滚珠故障与外圈故障存在混淆部分,当τ=10~20,滚珠故障与外圈内圈故障特征类似。
综上所述,在整个尺度域内,有两处部分特征值曲线重叠均无法作为复合故障诊断的特征,表征能力不足,因此考虑加入其它特征融合,增强提取复合故障特征信息能力。
(5)当滚动轴承出现不同故障时,振动信号频率幅值以及频段内能量均会发生波动,因此可以将能量与峭度指标作为从另一个角度表征符合故障特征的方法。计算前5个IMF分量的能量和峭度指标,用柱状图来表示特征值如说明书附图9、10。前4个分量能量和峭度值较高,均符合IMF分量与原始信号的相关性。
对一个序列长度为N的非线性时间序列X={x1,x2,…xn},其能量表达式为:
峭度指标是一种无量纲时域特征,能够反映滚动轴承信号中的冲击成分,在时域特征中对冲击成分较为敏感,对于长度为n的第4阶IMF分量aj(t),具体峭度表达式为:
由说明书附图9所示,在IMF1分量上,内圈故障与外圈内圈故障的能量相近;在IMF2分量上,外圈故障与外圈内圈故障的能量相近;在IMF3分量上,内圈故障与钢球故障的能量相近。因此,能量也无法完全满足提取轴承复合故障信号特征的需求。由说明书附图10所示可得,从峭度指标来看,在IMF1分量上,外圈内圈故障与内圈滚珠故障峭度值相近,在IMF3分量上,外圈内圈故障与外圈滚珠故障峭度值相近,在IMF4分量上,内圈滚珠故障与外圈故障峭度值相近。
综合说明书附图7、图8、图9、图10分析,上述特征提取方法在表征复合故障方面,均有特征值相似或相同的情况,但混淆的复合故障类别不同,能够区分复合故障种类也有所不同。因此将多尺度模糊熵与峭度指标和能量进行特征融合,构建出新的特征向量,增加故障特征区分程度,提高对复合故障的提取能力。
为进一步验证MFEn特征融合方法的有效性,将融合后的特征向量分别与MFEn、能量以及峭度指标作为特征向量分别输入分类器最小二乘支持向量机(LS-SVM)进行模式识别,采用高斯核函数(RBF)作为核函数。每种故障类型分别选取100组振动信号,每组包含4000个采样点,随机取得20组作为训练样本,其余80组作为测试样本。
系统选择根据总负荷变化趋势确定回水温度,由反馈得到实际回水温度,进行比较得到差值,经由前馈供水温度,判断设定值与检测值的差值,如若设定值不等于检测值,则变频器改变频率,控制水泵转速从而控制冷冻水的水流量。
(6)本次试验共6种故障类型,其中包含3种单一故障和3种复合故障类别信号,分别为内圈故障、外圈故障、滚珠故障、外圈滚珠故障、外圈内圈故障、内圈滚珠故障以及正常信号。
故障诊断分类结果如说明书附图11、图12以及图13所示,故障诊断率如所示,将试验结果进行对比。如说明书附图11所示,当多尺度模糊熵作为特征向量时第三类滚珠故障和第六类外圈内圈故障误报率较高。如说明书附图12所示,当峭度指标和能量作为特征向量时,第一类内圈故障与第六类外圈内圈故障误报率较高。如说明书附图14所示,当用特征融合后的特征向量作为特征向量时,几乎没有明显诊断错误。
本发明的基于EEMD多特征融合的的滚动轴承复合故障诊断方法不局限于上述示例所属的具体技术方案,凡采用等同替换形成的技术方案均为本发明要求的保护范围。
Claims (6)
1.一种基于EEMD多特征融合的轴承复合故障诊断方法,其特征在于:该方法的具体流程如下:
第一步,通过试验台传感器采集多种滚动轴承原始振动信号,利用EEMD方法将原始振动信号分解得到多个IMF分量,实现对原始信号降噪,在原始信号y0(t)中添加标准差为常数λ的高斯白噪声ci(t),对融合噪声后信号yi(t)进行EMD分解得到本征模态分量aij(t)和一个余量ri(t),aij(t)是第i次加入高斯白噪声后通过EMD分解的第j个IMF分量;重复步骤M次,并且将以上步骤所求IMF分量进行总体平均,消除加入高斯白噪声影响,得最终的IMF分量;
第二步,分别计算各IMF分量与原始振动信号相关系数,通过相关系数得到与原始振动信号相关性强的IMF分量以及相关性弱的IMF分量;
第三步,选取与原始振动信号相关性强的IMF分量,分别按照原理计算各IMF分量对应的时域指标以及能量指标;峭度指标是一种无量纲时域特征,能够反映滚动轴承信号中的冲击成分,在时域特征中对冲击成分较为敏感,在轴承发生故障时,时间序列会产生额外的脉冲,因此在同一频段内,能量会发生明显变化,这个能量波动是同脉冲的振幅和频率成正比;
第四步,将选取得到的IMF分量进行重构时间序列,得到一个新的时间序列,通过舍弃与原始振荡信号相关性弱的IMF分量,去除大部分噪音成分,降低故障特征提取难度;
第五步,将重构时间序列进行粗粒化,计算多个尺度因子下的多尺度模糊熵值;模糊熵是用模糊函数来度量两个向量的相似性,在模糊熵中引入尺度因子,从不同尺度下衡量信号复杂度;粗粒化时间序列:对一个序列长度为N的非线性时间序列X={x1,x2,…xn}粗粒化处理,利用模糊函数度量向量相似度求其均值
第六步,通过第三步和第五步计算得到的时域指标、能量指标以及多尺度模糊熵值作为特征向量进行特征融合;
第七步,将融合特征输入最小二乘支持向量机分类器中,通过训练得到故障诊断分类结果。
2.根据权利要求1所述的一种基于EEMD多特征融合的轴承复合故障诊断方法,其特征在于:根据轴承结构分为内圈、外圈、滚珠以及两两混合复合故障共六种故障轴承,方案主要包含四部分:模拟故障振动信号采集,配置电机参数;信号处理,利用信号处理算法进行降噪;特征提取,提取复合故障有效特征;建立诊断模型,配置最小二乘支持向量机。
3.根据权利要求1所述的一种基于EEMD多特征融合的轴承复合故障诊断方法,其特征在于:模拟故障振动信号采集,取出故障轴承安装在MFS机械故障模拟试验台,将试验台连接上位机,上位机通过控制器控制电机转速,选择转速后启动电机,通过加速度传感器采集故障振动信号经过模数转换得到数字信号传输到上位机中。
4.根据权利要求1所述的一种基于EEMD多特征融合的轴承复合故障诊断方法,其特征在于:信号处理:将采集到的轴承故障振动信号通过EEMD不断分解成为多个IMF,计算相关系数得到与原始振动信号相关性强的分量。
5.根据权利要求1所述的一种基于EEMD多特征融合的轴承复合故障诊断方法,其特征在于:特征提取:针对轴承特征难以区分的问题,采用多种特征提取方法提取特征进行融合,弥补单一特征表征不完全的问题,融合特征从不同角度表征故障特征,降低了复合故障诊断误报率。
6.根据权利要求1所述的一种基于EEMD多特征融合的轴承复合故障诊断方法,其特征在于:建立诊断模型:利用MATLAB仿真软件计算融合特征,设置最小二乘支持向量机的参数,利用粒子群算法进行寻优,建立诊断模型,训练模型参数,输出诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344785.4A CN113092112A (zh) | 2021-03-30 | 2021-03-30 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344785.4A CN113092112A (zh) | 2021-03-30 | 2021-03-30 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113092112A true CN113092112A (zh) | 2021-07-09 |
Family
ID=76671994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344785.4A Pending CN113092112A (zh) | 2021-03-30 | 2021-03-30 | 一种基于eemd多特征融合的轴承复合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092112A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
CN114692695A (zh) * | 2022-04-12 | 2022-07-01 | 湖南工业大学 | 基于多指标融合的故障特征选择及分类方法研究 |
CN116292371A (zh) * | 2023-03-30 | 2023-06-23 | 苏州市轨道交通集团有限公司 | 用于模拟地铁风机状态的故障台、故障分类方法及装置 |
CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
CN110514921A (zh) * | 2019-07-22 | 2019-11-29 | 华南理工大学 | 一种电力电子变换器非平稳信号中非线性现象的识别方法 |
CN111616701A (zh) * | 2020-04-24 | 2020-09-04 | 杭州电子科技大学 | 基于多元变分模态分解的脑电多域特征提取方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
-
2021
- 2021-03-30 CN CN202110344785.4A patent/CN113092112A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
CN110514921A (zh) * | 2019-07-22 | 2019-11-29 | 华南理工大学 | 一种电力电子变换器非平稳信号中非线性现象的识别方法 |
CN111616701A (zh) * | 2020-04-24 | 2020-09-04 | 杭州电子科技大学 | 基于多元变分模态分解的脑电多域特征提取方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
Non-Patent Citations (2)
Title |
---|
李生鹏等: "基于多尺度模糊熵和主成分分析的轴承故障特征提取", 《船舶力学》 * |
董畅: "基于EEMD和多尺度模糊熵的电机轴承故障特征提取方法研究", 《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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
CN114692695A (zh) * | 2022-04-12 | 2022-07-01 | 湖南工业大学 | 基于多指标融合的故障特征选择及分类方法研究 |
CN114692695B (zh) * | 2022-04-12 | 2024-05-14 | 湖南工业大学 | 基于多指标融合的故障特征选择及分类方法研究 |
CN116292371A (zh) * | 2023-03-30 | 2023-06-23 | 苏州市轨道交通集团有限公司 | 用于模拟地铁风机状态的故障台、故障分类方法及装置 |
CN116292371B (zh) * | 2023-03-30 | 2023-09-19 | 苏州市轨道交通集团有限公司 | 用于模拟地铁风机状态的故障台、故障分类方法及装置 |
CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113092112A (zh) | 一种基于eemd多特征融合的轴承复合故障诊断方法 | |
Zhong et al. | A novel gas turbine fault diagnosis method based on transfer learning with CNN | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
Wang et al. | A new tool wear monitoring method based on multi-scale PCA | |
Pan et al. | A novel deep learning network via multiscale inner product with locally connected feature extraction for intelligent fault detection | |
Meng et al. | Fault analysis of wind power rolling bearing based on EMD feature extraction | |
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
Regan et al. | Wind turbine blade damage detection using supervised machine learning algorithms | |
Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
Jiang et al. | Fault Diagnosis of Rotating Machinery Based on Multisensor Information Fusion Using SVM and Time‐Domain Features | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN112098088B (zh) | 一种基于kica-分形理论的滚动轴承故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN105956514A (zh) | 一种振动数据驱动的直升机旋翼异常检测方法 | |
CN111191740A (zh) | 一种滚动轴承故障诊断方法 | |
CN115563553B (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
Zhao et al. | Rolling bearing composite fault diagnosis method based on EEMD fusion feature | |
CN114894468B (zh) | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
Wang et al. | A quantitative intelligent diagnosis method for early weak faults of aviation high-speed bearings |
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 |
Application publication date: 20210709 |
|
WD01 | Invention patent application deemed withdrawn after publication |