CN113204837B - 一种多源信息的滚动轴承故障诊断方法 - Google Patents
一种多源信息的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113204837B CN113204837B CN202110329194.XA CN202110329194A CN113204837B CN 113204837 B CN113204837 B CN 113204837B CN 202110329194 A CN202110329194 A CN 202110329194A CN 113204837 B CN113204837 B CN 113204837B
- Authority
- CN
- China
- Prior art keywords
- bearing
- information
- lubricating oil
- vibration
- temperature
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000005096 rolling process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000002184 metal Substances 0.000 claims abstract description 24
- 239000010687 lubricating oil Substances 0.000 claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种多源信息的滚动轴承故障诊断方法，包括以下步骤：(1)采集所述轴承的振动信号、轴承温度、滑油温度和金属屑信息；(2)采用变分模态分解对振动信号进行分解，获取振动分量，抑制信号的噪声成分；(3)分别采用不同的数值特征提取方法对振动分量、轴承温度、滑油温度和金属屑信息进行特征提取；(4)利用最大相关最小冗余方法筛选数值特征，获取有效数值特征；(5)使用随机森林决策方法分别对各信息源的数值特征进行分类；(6)采用DS证据理论方法对各信息源的诊断结果进行加权融合，得到最终的诊断结果。本发明提出的轴承故障诊断方法，大大提高了故障诊断的准确率。
Description
技术领域
本发明属于滚动轴承故障诊断领域，尤其涉及一种多源信息的滚动轴承故障诊断方法。
背景技术
航空发动机是飞机、飞艇等航空器的动力装置，是航空器的主要部件，航空发动机的健康运行是航空器安全稳定飞行的关键保障。一旦航空发动机出现故障，就会给飞行带来严重隐患，若没有及时有效的诊断措施，将导致故障进一步发展，并造成重大事故。由于航空发动机结构复杂，工况恶劣，很容易发生故障。主轴轴承在航空发动机运行中起着至关重要的作用，同时其也是出现故障频率最高的零件之一，60％以上的故障是由主轴轴承故障导致的。主轴轴承一旦出现故障，可能引发发动机抱死、断轴等事故，酿成严重飞行事故。因此，全面地对航空发动机主轴轴承故障的监测诊断方法展开研究，对保证航空器的安全运行、降低维护成本以及保障人民的生命财产安全具有重大意义。
目前滚动轴承诊断方法很多，其最主要的方法是基于振动信号的时域、频域和时频域分析方法，但基于振动信号的一系列方法存在其不足之处。复杂系统中，设备运行过程中发生的每种故障都受多种因素的影响。通常不同的故障特征信号可能共同反映一种故障，而某些单一特征信号又可能同时表征多种不同故障；此外，每种故障的发生往往存在内在的互相联系。因此，故障的多样性和各种故障之间联系的复杂性就成了复杂工况过程故障诊断技术上的难点。在此情况下，仅靠单一的振动信号和其相应的诊断方法已难以有效完成故障诊断任务。
故障诊断中的多源信息融合技术主要是指通过多传感器及其他信号接收器获取关于对象的多个信息源信息，然后依据现代信号处理技术及智能融合理论对这些信息进行数据级、特征级或者决策级的融合处理，从而对故障状态做出更全面、准确的分析与诊断。在主轴轴承故障诊断中，综合利用多方面的信息进行故障诊断，可以提高诊断的准确性。通过对多源信息的融合处理，从而获得比单一信息更全面的信息，并对主轴轴承状态的评估，更为可靠。
轴承在运行过程中各单元相互关联相互影响，单一信号难以真实反映设备运行状态，使故障诊断的准确性降低。因此，在滚动轴承故障诊断中，综合利用多方面的信息进行故障诊断，可以提高诊断的准确性。通过对多源信息的融合处理，获得比单一信息更全面的信息，根据综合信息对运行状态作出评估，更为可靠。但是现在轴承故障诊断中往往采用单一传感器或多个传感器的振动信息，综合利用振动、轴承温度、滑油温度和金属屑信息等多源信息融合方法来对轴承进行诊断的研究较少。
发明内容
本发明所要解决的技术问题是：针对复杂工作环境下轴承故障单一振动信号受到严重干扰和环境噪声影响难以准确反映轴承故障情况；轴承温度、滑油温度和金属屑信息特征利用程度较低且温度数值特征往往得不到良好处理的问题，提出基于多源信息融合的滚动轴承故障诊断方法。
本发明包含了以下几个步骤：
S1：采集滚动轴承在正常、内圈、外圈、滚动体及保持架故障状态下的振动、轴承温度、滑油温度和金属屑磨粒数据，得到多源信息故障诊断初始样本集；
S2：计算初始样本集中振动信号的VMD变分模态分解，获得多模态分量；
S3：使用多种数值特征提取公式分别对轴承振动信号、轴承温度、滑油温度及金属屑颗粒的数值特征进行提取，获取振动的时域和频域特征，挖掘轴承温度、滑油温度在轴承故障发生过程中的发展趋势及热平衡变化过程中的数值特征，通过数值方法表征油样金属屑的变化趋势特征；
优选地，步骤S3具体包括：
S31：对振动信号提取常用时域特征指标如均方根、峭度、偏度、峰值指标、峰峰值、能量时间、裕度指标、波形指标、脉冲指标、形状指标；
S32：对振动信号提取常用频域特征指标如重心频率、均值频率、均方根频率、原始信号的谱熵、包络信号的谱熵；
S33：对轴承和油液温度提取趋势特征指标如下所示，
S34：对油样金属屑数据提取趋势特征指标如下所示，
其中，i、li分别表示初始样本集中温度、金属屑单个信号的样本长度；
S4：利用最大相关最小冗余算法(mRMR)分别筛选各个信息源的数值特征，选取有利于辨识故障类型的数值特征，采用特征筛选方法构建故障特征样本集，筛选有价值特征信息，提高诊断模型鲁棒性；
S5：使用随机森林算法分别对筛选后的几组有效数值特征进行分类，分别得到基于振动分量、轴承温度、滑油温度及金属屑数据数值特征的四种诊断结果；
S6：通过将DS证据理论用于四种诊断结果的决策层融合，提取四个信息源之间的依赖关系，达到四个维度的特征信息的互补，获得故障诊断结果。
本发明的优点与积极效果在于：
(1)数值特征处理方法有效，保证模型鲁棒性
对振动信号的变分模态分量进行特征提取，避免了直接提取振动信号可能导致的重要特征信息被掩盖。对多源信息数值特征进行mRMR特征筛选可以保留多源信息重要特征，去除不重要的数值特征，防止分类算法受到无关特征信息的干扰，保证诊断模型的鲁棒性，有效避免特征数过高而导致的维数灾难。
(2)随机森林算法简单有效
与神经网络算法相比，该算法不仅更高效，计算成本较低，而且预处理过程简便，模型训练简单，数据无需进行归一化。
(3)DS证据理论融合诊断结果，使模型更加稳定
将DS证据理论用于四种诊断结果的决策层融合，提取四个信息源之间的依赖关系，达到四个维度的特征信息的互补。不同传感器采集到的信息分别对不同的缺陷特征敏感，通过四个维度信息的互补，确保诊断精度在不同的轴承缺陷状态下始终保持较高的水平。
附图说明
图1是本发明方法流程图；
图2是本发明优选实施例中对振动信号进行VMD分解的流程图；
图3是本发明优选实施例中随机森林算法流程示意图。
具体实施方案
下面对照附图并结合优选的实施方案对本发明作进一步说明。
如图1所示，本发明的实施例公开了一种滚动轴承故障的诊断方法，包含以下步骤：
S1：采集滚动轴承在正常、内圈、外圈、滚动体及保持架故障状态下的振动、轴承温度、滑油温度、金属屑数据，得到多源信息故障诊断样本集；
S2：计算初始样本集振动信号的变分模态分解，获得多模态分量；
S3：使用多种数值特征提取公式分别对轴承振动信号、轴承温度、滑油温度的数值特征进行提取，获取振动的时域和频域特征，挖掘轴承温度、滑油温度在轴承故障发生过程和发展演化阶段中的发展趋势及热平衡变化过程中的数值特征，通过数值方法表征油样金属屑的变化趋势特征；
S4：利用最大相关最小冗余算法(mRMR)分别筛选各个信息源的数值特征，选取有利于辨识故障类型的数值特征；
S5：使用随机森林算法分别对筛选后的几组有效数值特征进行分类，分别得到基于振动分量、轴承温度、滑油温度数值特征的四种诊断结果；
S6：通过将改进的DS证据理论用于四种诊断结果的决策层融合，提取四个信息源之间的依赖关系，达到四个维度的特征信息的互补，获得故障诊断结果；
在进一步的实施例中，步骤S3具体包括：
S31：对振动信号提取时域特征指标，优选地，本例中提取的振动信号时域特征指标包括均方根、峭度、偏度、峰值指标、峰峰值、能量时间、裕度指标、波形指标、脉冲指标、形状指标；
S32：对振动信号提取频域特征指标，优选地，本例中提取的振动信号频域特征指标包括重心频率、均值频率、均方根频率、原始信号的谱熵、包络信号的谱熵；
S33：对轴承和油液温度提取特征指标，优选地，本例中提取的轴承、油液温度趋势特征指标如下表所示，
S34：对油样金属屑数据提取特征指标，优选地，本例中提取的油样金属屑特征指标如下表所示，
其中，i、li分别表示初始样本集中温度、金属屑第i个信号的样本长度；
下述采用本发明的优选实施例的滚动轴承故障的诊断方法来对滚动轴承的已知故障数据来建立故障诊断模型，并采用滚动轴承的已知故障数据来对本发明的优选实施例的滚动轴承故障的诊断方法进行验证。
本发明优选实施例中同时采集机械系统在有缺陷和无缺陷情况下的滚动轴承的多源信号，以完成滚动轴承损坏部位、损伤类型和故障程度大小的确定。滚动轴承发生故障的部位分为外圈、内圈、滚动体和保持架等位置，下述分别对三种尺寸的滚动轴承的故障进行设定，故障尺寸大小模拟轴承早期、中期、晚期故障三种类型，为了说明本发明的滚动轴承故障的诊断方法的有效性，下述同时采集了滚动轴承未发生故障的健康状态下的多源信号，与故障情况下的信号对比进行处理；以保证本发明提出的滚动轴承故障诊断方法可以检测滚动轴承是否处于健康状态，如果滚动轴承发生故障，能进一步确定滚动轴承故障的形式、大小和位置。
实验所用的多源信息融合故障诊断实验台包括振动油液实验台的主体系统、润滑辅助系统以及数据采集系统。该实验台数据采集系统由机载在线监测系统原理样机、加速度传感器、红外温度传感器、金属屑磨粒传感器、油温传感器等组成，主要完成对轴承振动、轴承温度、滑油温度及金属屑数据的采集与处理、数据显示与记录等功能。轴承保持架故障模拟实验选取的是裂纹故障较大的轴承。故障类型一共分为正常健康轴承、早期外圈划痕、中期外圈划痕、晚期外圈划痕、早期内圈点蚀、中期内圈点蚀、晚期内圈点蚀、中期滚动体点蚀、晚期保持架裂纹、早期外圈磨损10类，每类包含100个样本，共1000个样本。各信号的采样频率为：振动信号的采样频率10KHz，滑油温度信号的采样频率1Hz，轴承温度信号的采样频率10Hz。
本发明优选实施例的滚动轴承故障诊断的方法流程包括：
S101：在滚动轴承试验台上布置加速度传感器、红外轴承测温传感器、油温传感器、金属屑磨粒传感器，采集滚动轴承各个故障状态下的多源信号。
S102：采用VMD变分模态分解方法分解加速度信号，抑制加速度信号的噪声水平，以便对加速度信号进行特征提取，基于VMD分解原理的流程如图2所示；
S103：针对加速度信号分量、轴承温度、滑油温度和金属屑信息，提取前述实施方案中所列数值特征，构建样本特征数据集；
S104：利用最大相关最小冗余算法(mRMR)分别筛选各个信息源的数值特征，选取有利于辨识故障类型的数值特征，构造敏感样本特征数据集，在本优选的实施例中经mRMR算法筛选后得到的故障诊断敏感性参数特征如下所示：
振动加速度信号敏感性参数：
温度信号及金属屑数据敏感性参数：
S105：将敏感样本特征数据集中每类100组特征样本按7:3的比例随机分为样本训练集和测试集，即10类共700组特征样本作为训练集，300组特征样本作为测试集，对所述随机森林算法进行训练，随机森林算法示意图如图3所示，设置随机森林中的树个数为500；
S106：通过将DS证据理论用于四种诊断结果的决策层融合，提取四个信息源之间的依赖关系，达到四个维度的特征信息的互补，获得故障诊断结果，本实施例中单一信息源与多个信息源融合的轴承故障诊断结果对比如下表所示：
比较只考虑单一信号源特征和融合四种信号源特征的情况，可以看出融合之后准确率明显较高，即采用多源信息融合诊断的方式大大提高了故障诊断的效率。
以上所述，仅为本发明的具体实施方式之一，但本发明的保护范围并不局限于此，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种多源信息的滚动轴承故障诊断方法，其特征在于，包含以下几个步骤：
S1：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈、滚动体、保持架故障状态下来自振动传感器、轴承温度传感器、滑油温度传感器、金属屑传感器的数据，构造多源信息故障诊断初始样本集；
S2：计算初始样本集内振动信号的VMD变分模态分解，获得多模态分量；
S3：获取振动信号的常见时域、频域数值特征，并构造基于趋势的数值特征提取公式，对于轴承温度、滑油温度和滑油金属屑信号趋势特征进行提取；
S4：利用最大相关最小冗余算法(mRMR)分别筛选各个信息源的数值特征，对于振动、轴承温度、滑油温度和滑油金属屑信号中提取到的数值特征，进行数值特征筛选，构造敏感样本特征数据集；
S5：使用随机森林算法分别对筛选后的几组有效数值特征进行分类，分别得到基于多个传感器信号数值特征的多个诊断结果；
S6：通过将DS证据理论用于多个诊断结果的决策层融合，提取多源信息之间的依赖关系，达到不同维度特征信息的互补，输出故障诊断结果。
2.根据权利要求1所述的诊断方法，其特征在于，
对于振动信号，分别提取3个以上时域特征和3个以上频域特征。
3.根据权利要求1所述的诊断方法，其特征在于，
对于轴承温度、滑油温度和滑油金属屑信号，分别提取3个以上趋势特征。
4.根据权利要求1所述的诊断方法，其特征在于，
振动信号的采样频率10KHz，滑油温度信号的采样频率1Hz，轴承温度信号的采样频率10Hz。
5.根据权利要求1所述的诊断方法，其特征在于，
将敏感样本特征数据集中特征样本按7:3的比例随机分为样本训练集和测试集，对所述随机森林算法进行训练，设置随机森林中的树个数为500。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110329194.XA CN113204837B (zh) | 2021-03-27 | 2021-03-27 | 一种多源信息的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110329194.XA CN113204837B (zh) | 2021-03-27 | 2021-03-27 | 一种多源信息的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113204837A CN113204837A (zh) | 2021-08-03 |
| CN113204837B true CN113204837B (zh) | 2024-06-18 |
Family
ID=77025799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110329194.XA Active CN113204837B (zh) | 2021-03-27 | 2021-03-27 | 一种多源信息的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113204837B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113532858A (zh) * | 2021-08-26 | 2021-10-22 | 上海航数智能科技有限公司 | 一种燃气轮机用轴承故障诊断系统 |
| CN113865873B (zh) * | 2021-12-02 | 2022-02-18 | 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 | 一种轴承组的健康监测方法 |
| CN115597871B (zh) * | 2022-10-24 | 2023-10-31 | 中国人民解放军93208部队 | 一种军用涡扇发动机机械系统机载健康诊断装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108332970A (zh) * | 2017-11-17 | 2018-07-27 | 中国铁路总公司 | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10252145B2 (en) * | 2016-05-02 | 2019-04-09 | Bao Tran | Smart device |
| 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 |
-
2021
- 2021-03-27 CN CN202110329194.XA patent/CN113204837B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108332970A (zh) * | 2017-11-17 | 2018-07-27 | 中国铁路总公司 | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 |
| CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113204837A (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113204837B (zh) | 一种多源信息的滚动轴承故障诊断方法 | |
| CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
| CN108069308B (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
| Ali et al. | Acoustic emission signal analysis and artificial intelligence techniques in machine condition monitoring and fault diagnosis: a review | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
| Alkhadafe et al. | Condition monitoring of helical gears using automated selection of features and sensors | |
| Shi et al. | Generalized variable-step multiscale lempel-ziv complexity: A feature extraction tool for bearing fault diagnosis | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| Ma et al. | A prediction method based on stepwise regression analysis for train axle temperature | |
| Sun et al. | Hankel matrix-based condition monitoring of rolling element bearings: an enhanced framework for time-series analysis | |
| Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
| Peng et al. | A multi-indicator fusion-based approach for fault feature selection and classification of rolling bearings | |
| Li et al. | On-line fault detection in wind turbine transmission system using adaptive filter and robust statistical features | |
| CN116644672A (zh) | 一种基于残差网络的航空发动机滚动轴承故障诊断方法 | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
| Wen et al. | Applications of Prognostics and Health Management in aviation industry | |
| Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
| Tang et al. | Fault Diagnosis of Rolling Bearing Based on BP Nural Network Technology | |
| Zhang et al. | Diagnosis of bearing fault signals based on empirical standard autoregressive power spectrum signal decomposition method | |
| Zhang et al. | A health indicator construction method based on the information entropy of specific frequency band and GGRBM | |
| Koukoura et al. | Wind turbine gearbox planet bearing failure prediction using vibration data | |
| Wang et al. | Research on early warning of rolling bearing wear failure based on empirical mode decomposition | |
| Saimurugan et al. | On-road testing of a vehicle for gearbox fault detection using vibration signals | |
| Chen et al. | Anomaly detection of the tapered roller bearings with statistical data-driven approaches |
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 |