CN113642101A - 一种液压助力转向器故障诊断方法及装置 - Google Patents

一种液压助力转向器故障诊断方法及装置 Download PDF

Info

Publication number
CN113642101A
CN113642101A CN202110826366.4A CN202110826366A CN113642101A CN 113642101 A CN113642101 A CN 113642101A CN 202110826366 A CN202110826366 A CN 202110826366A CN 113642101 A CN113642101 A CN 113642101A
Authority
CN
China
Prior art keywords
time domain
degradation
state
steering
domain feature
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.)
Granted
Application number
CN202110826366.4A
Other languages
English (en)
Other versions
CN113642101B (zh
Inventor
刘佑民
王天杨
曹向荣
褚福磊
李向阳
张祥瑞
张俊辉
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.)
Tsinghua University
Beijing Institute of Space Launch Technology
Original Assignee
Tsinghua University
Beijing Institute of Space Launch Technology
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 Tsinghua University, Beijing Institute of Space Launch Technology filed Critical Tsinghua University
Priority to CN202110826366.4A priority Critical patent/CN113642101B/zh
Publication of CN113642101A publication Critical patent/CN113642101A/zh
Application granted granted Critical
Publication of CN113642101B publication Critical patent/CN113642101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种液压助力转向器故障诊断方法及装置，方法包括：获取转向器不同退化程度下的转矩、液压油压力、液压油流量、输入角度信号数据；对数据截取转速平稳段信号并去除信号趋势；计算信号的时域特征统计量，排除无关时域特征统计量，不同退化程度的特征向量组成时域特征矩阵；利用PCA算法对时域特征矩阵进行降维处理，得到新的时域特征矩阵；对不同退化程度的与健康状态的新的时域特征矩阵做欧氏距离求解，欧氏距离越大代表该信号与健康状态信号相似度越小。本发明成功将时域特征统计量用于转矩、液压油压力、液压油流量实验信号中并且克服了特征信息复杂且无规律的问题，在液压助力转向器在线监测领域具有独特的优势。

Description

一种液压助力转向器故障诊断方法及装置
技术领域
本发明涉及转向器退化程度诊断领域，尤其是一种液压助力转向器故障诊断方法及装置。
背景技术
转向器是车辆行驶与转向的重要部件，钻研转向器退化程度诊断技术，对于保障车辆安全运行、维持路面交通情况具有十分重要的意义。
液压助力转向系统结构的强耦合和层次性使其拥有多种故障源，对故障诊断造成很大困难。目前，液压助力转向系统故障诊断方法是在液压助力转向系统结构与工作原理的基础上，根据转向沉重、左转右转存在差异、方向盘自由行程过大等故障表现进行原因分析与故障排查的，传统的故障诊断都是针对单一部件进行的而且效率低下。
发明内容
针对液压助力转向器故障特征难以提取的问题，本文提出一种利用性能信号+PCA+欧氏距离的退化程度诊断方法，该方法比传统的通过液压助力转向器结构和故障表现进行故障分析的方法具有更高的诊断效率。
为实现上述技术目的，发明人提供一种液压助力转向器故障诊断方法，包括以下步骤：
获取转向器在健康状态、不同退化程度以及当前状态的转向相关数据，所述转向相关数据包括方向盘输入转矩信号、方向盘输入角度信号，转向器的液压油压力信号、液压油流量信号、液压油温度信号、输出角度信号；
对所述转向相关数据进行预处理，所述预处理是指截取方向盘输入转速平稳阶段的数据；
对经过预处理的数据分别计算健康状态、不同退化程度以及当前状态的时域特征参量，保留与退化程度之间具有线性关系的时域特征参量，并将保留的健康状态、不同退化程度以及当前状态的数据分别组成对应的时域特征矩阵；
求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离，通过对比第一欧式距离和第二欧氏距离，从而判断当前状态的退化程度。
可选地，所述截取方向盘输入转速平稳阶段的数据包括：
根据采样频率计算出方向盘输入角度信号两采样点之间的时间间隔，根据方向盘输入转速计算出转速平稳阶段两采样点间的方向盘输入角度变化量，并截取该转速平稳阶段的数据，其公式如下：
Figure BDA0003173761060000021
其中，θ表示方向盘输入角度变化量，n表示转速，f表示采样频率。
可选地，所述时域特征参量包括均值
Figure BDA0003173761060000022
Figure BDA0003173761060000023
均方根xrms，其中
Figure BDA0003173761060000024
标准差xstd，其中
Figure BDA0003173761060000025
峭度xkur，其中
Figure BDA0003173761060000031
偏度xske，其中
Figure BDA0003173761060000032
波形因子ws，其中
Figure BDA0003173761060000033
峰值Xpeak,其中
Figure BDA0003173761060000034
Xpi为转向相关数据序列中第i个峰值；
裕度因子Ce，
Figure BDA0003173761060000035
其中，xi代转向相关数据序列；i代表转向相关数据的采样点。
可选地，在求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离之前，还利用PCA算法对所述时域特征矩阵进行降维，提取时域特征主分量，由所述时域特征主分量组成时域特征矩阵。
可选地，利用PCA算法对所述时域特征矩阵进行降维，提取时域特征主分量，由所述时域特征主分量组成时域特征矩阵，包括：
对所述时域特征矩阵进行标准化，形成标准化样本矩阵
Figure BDA0003173761060000036
其中，Q是Y的样本方差矩阵的平方根的逆，Y是经过数据中心化后的时域特征矩阵；
计算
Figure BDA0003173761060000037
的样本协方差矩阵的特征值λ1，……λm以及特征向量，其中m表示有m个特征值；
计算方差累计贡献率，当方差累计贡献率大于等于85％时，利用
Figure BDA0003173761060000038
计算获得降维后的时域特征矩阵，其中，
Figure BDA0003173761060000039
是前h个特征向量构成矩阵的转置矩阵，YPCA是
Figure BDA0003173761060000041
经过PCA降维后前h个特征向量组成的时域特征矩阵。
可选地，所述退化程度是通过将液压加载周期力冲击转向器的转向摇臂的循环冲击次数与不同百分比的退化程度建立关联来确定的。
可选地，设定所述循环冲击次数为W次与退化程度100％对应，相应的，设定健康状态是所述循环冲击次数为0次。
可选地，所述退化程度至少包括50％退化状态、100％退化状态、125％退化状态、150％退化状态中的一个。
可选地，所述预处理还包括对转速平稳阶段的数据去除所截取数据的趋势。
本发明还提供一种液压助力转向器故障诊断装置，包括：
转向数据获取模块，用于获取转向器在健康状态、不同退化程度以及当前状态的转向相关数据，所述转向相关数据包括方向盘输入转矩信号、方向盘输入角度信号，转向器的液压油压力信号、液压油流量信号、液压油温度信号、输出角度信号；
预处理模块，用于对所述转向相关数据进行预处理，所述预处理是指截取方向盘输入转速平稳阶段的数据；
降维处理模块，用于对经过预处理的数据分别计算健康状态、不同退化程度以及当前状态的时域特征参量，保留与退化程度之间具有线性关系的时域特征参量，并将保留的健康状态、不同退化程度以及当前状态的数据分别组成对应的时域特征矩阵；
对比诊断模块，用于求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离，通过对比第一欧式距离和第二欧氏距离，从而判断当前状态的退化程度。
与现有技术相比，本发明所达到的有益效果：本发明通过截取方向盘输入转速平稳阶段的转向相关数据，并求取健康状态和不同退化程度的时域特征参量，保留与退化程度之间具有线性关系的时域特征参量组成时域特征矩阵，并结合欧式距离来判断当前状态的退化程度。本发明是一种基于主成分分析(PCA)和性能信号以及欧氏距离的液压助力转向器故障诊断方法，能够对液压助力转向系统中故障进行诊断，而非对于单一部件故障的判断，相比于根据转向沉重、左转右转存在差异、方向盘自由行程过大等故障表现进行原因分析与故障排查的方法更加直观、高效。
附图说明
图1是本发明实施例的转向器故障诊断系统框图；
图2是本发明实施例PCA算法后前两个主元占比图；
图3是本发明实施例利用PCA+欧氏距离对退化50％，100％，125％状态的诊断结果图；
图4是本发明实施例利用PCA+欧氏距离对退化50％，100％，125％，150％状态的诊断结果图。
具体实施方案
为了详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实例并配合附图详予说明。
本实例所述一种液压助力转向器故障诊断方法，包括以下步骤：
步骤1，根据行业标准《QC/T 299.2-2014汽车液压转向助力泵第2部分：试验方法》中的逆向疲劳实验规定：通过用液压加载周期力冲击转向器的转向摇臂，设定循环冲击100万次为退化程度100％，退化程度50％就是冲击50万次，以此类推，冲击125万次为退化程度125％，相应的，健康状态就是冲击0次，其代表在转向器功能退化之前，转向器性能最优情况下的状态。
采样测取转向器在健康状态与退化程度50％、100％、125％以及当前状态下运行时的转向相关数据五组，方向盘输入转速可以为8转每分，转向相关数据包括方向盘输入转矩、输入角度、转向器的液压油压力、液压油流量、液压油温度、输出角度六种信号。转向系统的液压油压力、液压油流量、液压油温度是指液压油的参数。健康状态与不同退化程度的转向相关数据可以是事先测取的。
步骤2，对步骤1获得的转向相关数据进行预处理，所述预处理是指截取方向盘输入转速平稳阶段的数据，并去除已截取数据的趋势。
其中，确定方向盘输入转速平稳阶段，是根据采样频率计算出方向盘输入角度信号对应的两采样点之间的时间间隔，再根据输入转速求出输入转速平稳阶段两采样点间的方向盘输入角度变化量。输入角度信号对应的两点间的角度变化量的公式如下：
Figure BDA0003173761060000061
其中，θ表示方向盘输入角度变化量，n表示转速，单位转每分；f表示采样频率，优选为40Hz。
例如，根据输入角度变化量公式，当方向盘输入转速为8转每分时，采样频率为40Hz时，输入角度变化量为1.2°阶段就作为输入转速平稳阶段。最终截取出输入转速平稳阶段的输入角度信号，以及与其对应的输入转矩、转向系统的液压油压力、液压油流量、液压油温度、输出角度信号。
步骤3，对步骤2经过预处理的转向相关数据通过以下公式分别求出健康状态、不同退化程度以及当前状态的时域特征参量，以健康、50％退化状态、100％退化状态、125％退化状态构成横坐标，时域特征参量为纵坐标分别绘制特征关系图，通过观察特征关系图，仅保留与退化程度之间具有线性关系的时域特征参量，确定时域特征参量与退化程度之间具有线性关系的时域特征参量之后，对应的，仅求出当前状态的与之对应的时域特征参量，对健康状态、不同退化程度以及当前状态的数据分别形成时域特征矩阵。例如，时域特征参量中，峭度xkur与退化程度之间不是线性关系，则剔除峭度xkur参数，相应的，当前状态的时域特征参量中也剔除该峭度xkur参数。其中，时域特征参量包括均值
Figure BDA0003173761060000071
Figure BDA0003173761060000072
均方根xrms，其中
Figure BDA0003173761060000073
标准差xstd，其中
Figure BDA0003173761060000074
峭度xkur，其中
Figure BDA0003173761060000075
偏度xske，其中
Figure BDA0003173761060000076
波形因子ws，其中
Figure BDA0003173761060000077
峰值Xpeak,其中
Figure BDA0003173761060000078
Xpi为数据序列中第i个峰值
裕度因子Ce，
Figure BDA0003173761060000081
其中，xi代表转向相关数据序列；i代表转向相关数据的的采样点。
步骤4，利用PCA(主成分分析)算法对各时域特征矩阵进行降维，即对时域特征矩阵提取时域特征主分量，获得时域特征矩阵，具体步骤如下：
(1)对时域特征矩阵进行标准化，形成标准化样本矩阵
Figure BDA0003173761060000082
其中，Q是Y的样本方差矩阵的平方根的逆，Y是经过数据中心化后的时域特征矩阵，矩阵Y为m×n型矩阵，即
Figure BDA0003173761060000083
(2)计算
Figure BDA0003173761060000084
的样本协方差矩阵的特征值λ1，……λi……λm以及对应的特征向量，其中m表示有m个特征值；
(3)计算方差累计贡献率，利用
Figure BDA0003173761060000085
计算贡献率，其中，m表示共有m个特征值，i表示第i个特征值，h表示前h个特征值，当方差累计贡献率大于等于85％时，新时域特征矩阵就能反应原来样本信息了，可以利用
Figure BDA0003173761060000086
计算出降维后的时域特征矩阵。
其中，
Figure BDA0003173761060000087
是前h个特征向量构成矩阵的转置矩阵，YPCA是
Figure BDA0003173761060000088
经过PCA降维后前h个主元组成的时域特征矩阵，其包含h个特征向量的时域特征主分量。λi表示第i个特征值。从图2可以看出，根据PCA算法提取的性能信号的三个主成分几乎包含了数据的所有数据信息，利用主成分分析能够简化计算过程。
步骤5，求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离，通过对比第一欧式距离和第二欧氏距离，从而判断当前状态的退化程度，实现故障程度诊断。
为了验证本发明，本实施例按照以上步骤1至4提取了退化程度50％、100％、125％、150％的状态的数据，得到PCA降维后的新矩阵，计算健康状态与各退化状态的降维后的时域特征矩阵之间的第二欧氏距离，结果如图3所示，可以看出，退化程度依次为50％、100％、125％的退化状态，与健康状态的降维后的时域特征矩阵之间的欧氏距离依次增大，这是与实际情况相符的。
如图4所示，退化程度依次为50％、100％、125％、150％的退化状态，求退化更严重的150％退化状态与健康状态的降维后的时域特征矩阵之间的第二欧氏距离，结果为第二欧氏距离大于125％退化状态与健康状态的降维后的时域特征矩阵之间的第二欧氏距离，这是与实际情况相符的。因此，本实施例的液压助力转向器故障诊断方法是有效的。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种液压助力转向器故障诊断方法，其特征是：包括以下步骤：
获取转向器在健康状态、不同退化程度以及当前状态的转向相关数据，所述转向相关数据包括方向盘输入转矩信号、方向盘输入角度信号，转向器的液压油压力信号、液压油流量信号、液压油温度信号、输出角度信号；
对所述转向相关数据进行预处理，所述预处理是指截取方向盘输入转速平稳阶段的数据；
对经过预处理的数据分别计算健康状态、不同退化程度以及当前状态的时域特征参量，保留与退化程度之间具有线性关系的时域特征参量，并将保留的健康状态、不同退化程度以及当前状态的数据分别组成对应的时域特征矩阵；
求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离，通过对比第一欧式距离和第二欧氏距离，从而判断当前状态的退化程度。
2.根据权利要求1所述一种液压助力转向器故障诊断方法，其特征是：所述截取方向盘输入转速平稳阶段的数据包括：
根据采样频率计算出方向盘输入角度信号两采样点之间的时间间隔，根据方向盘输入转速计算出转速平稳阶段两采样点间的方向盘输入角度变化量，并截取该转速平稳阶段的数据，其公式如下：
Figure FDA0003173761050000011
其中，θ表示方向盘输入角度变化量，n表示转速，f表示采样频率。
3.根据权利要求1所述液压助力转向器故障诊断方法，其特征是：所述时域特征参量包括均值
Figure FDA0003173761050000021
Figure FDA0003173761050000022
均方根xrms，其中
Figure FDA0003173761050000023
标准差xstd，其中
Figure FDA0003173761050000024
峭度xkur，其中
Figure FDA0003173761050000025
偏度xske，其中
Figure FDA0003173761050000026
波形因子ws，其中
Figure FDA0003173761050000027
峰值Xpeak,其中
Figure FDA0003173761050000028
Xpi为转向相关数据序列中第i个峰值；
裕度因子Ce，
Figure FDA0003173761050000029
其中，xi代转向相关数据序列；i代表转向相关数据的采样点。
4.根据权利要求1所述液压助力转向器故障诊断方法，其特征是：
在求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离之前，还利用PCA算法对所述时域特征矩阵进行降维，提取时域特征主分量，由所述时域特征主分量组成时域特征矩阵。
5.根据权利要求4所述的液压助力转向器故障诊断方法，其特征是：利用PCA算法对所述时域特征矩阵进行降维，提取时域特征主分量，由所述时域特征主分量组成时域特征矩阵，包括：
对所述时域特征矩阵进行标准化，形成标准化样本矩阵
Figure FDA0003173761050000031
其中，Q是Y的样本方差矩阵的平方根的逆，Y是经过数据中心化后的时域特征矩阵；
计算
Figure FDA0003173761050000035
的样本协方差矩阵的特征值λ1，……λm以及特征向量，其中m表示有m个特征值；
计算方差累计贡献率，当方差累计贡献率大于等于85％时，利用
Figure FDA0003173761050000032
计算获得降维后的时域特征矩阵，其中，
Figure FDA0003173761050000033
是前h个特征向量构成矩阵的转置矩阵，YPCA是
Figure FDA0003173761050000034
经过PCA降维后前h个特征向量组成的时域特征矩阵。
6.根据权利要求4所述的液压助力转向器故障诊断方法，其特征是：所述退化程度是通过将液压加载周期力冲击转向器的转向摇臂的循环冲击次数与不同百分比的退化程度建立关联来确定的。
7.根据权利要求6所述的液压助力转向器故障诊断方法，其特征是：
设定所述循环冲击次数为W次与退化程度100％对应，相应的，设定健康状态是所述循环冲击次数为0次。
8.根据权利要求7所述的液压助力转向器故障诊断方法，其特征是：所述退化程度至少包括50％退化状态、100％退化状态、125％退化状态、150％退化状态中的一个。
9.根据权利要求1所述的液压助力转向器故障诊断方法，其特征是：
所述预处理还包括对转速平稳阶段的数据去除所截取数据的趋势。
10.一种液压助力转向器故障诊断装置，其特征是，包括：
转向数据获取模块，用于获取转向器在健康状态、不同退化程度以及当前状态的转向相关数据，所述转向相关数据包括方向盘输入转矩信号、方向盘输入角度信号，转向器的液压油压力信号、液压油流量信号、液压油温度信号、输出角度信号；
预处理模块，用于对所述转向相关数据进行预处理，所述预处理是指截取方向盘输入转速平稳阶段的数据；
降维处理模块，用于对经过预处理的数据分别计算健康状态、不同退化程度以及当前状态的时域特征参量，保留与退化程度之间具有线性关系的时域特征参量，并将保留的健康状态、不同退化程度以及当前状态的数据分别组成对应的时域特征矩阵；
对比诊断模块，用于求出当前状态与健康状态的时域特征矩阵的第一欧氏距离，求出各个退化状态与健康状态的时域特征矩阵的第二欧氏距离，通过对比第一欧式距离和第二欧氏距离，从而判断当前状态的退化程度。
CN202110826366.4A 2021-07-21 2021-07-21 一种液压助力转向器故障诊断方法及装置 Active CN113642101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110826366.4A CN113642101B (zh) 2021-07-21 2021-07-21 一种液压助力转向器故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110826366.4A CN113642101B (zh) 2021-07-21 2021-07-21 一种液压助力转向器故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN113642101A true CN113642101A (zh) 2021-11-12
CN113642101B CN113642101B (zh) 2023-12-01

Family

ID=78417953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110826366.4A Active CN113642101B (zh) 2021-07-21 2021-07-21 一种液压助力转向器故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN113642101B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0352759A2 (de) * 1988-07-26 1990-01-31 Bayerische Motoren Werke Aktiengesellschaft Steuersystem fur Stelleinrichtungen eines Kraftfahrzeugs
CN202175090U (zh) * 2010-04-27 2012-03-28 福特环球技术公司 液压转向诊断系统、用于液压转向诊断系统的控制电路
CN102975766A (zh) * 2012-12-12 2013-03-20 潍柴动力股份有限公司 一种电动液压助力转向系统故障诊断方法与控制器
JP2014148286A (ja) * 2013-02-04 2014-08-21 Jtekt Corp 油圧式パワーステアリング装置
CN107351910A (zh) * 2017-06-20 2017-11-17 北京航天发射技术研究所 特种车辆电液转向的闭环控制方法
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN111521400A (zh) * 2020-06-24 2020-08-11 北京航空航天大学 一种基于edm及谱峭度的轴承早期故障诊断方法
CN111767891A (zh) * 2020-07-09 2020-10-13 南京工程学院 一种滚动轴承故障诊断方法
CN112557034A (zh) * 2020-12-25 2021-03-26 南京理工大学 一种基于pca_cnns的轴承故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0352759A2 (de) * 1988-07-26 1990-01-31 Bayerische Motoren Werke Aktiengesellschaft Steuersystem fur Stelleinrichtungen eines Kraftfahrzeugs
CN202175090U (zh) * 2010-04-27 2012-03-28 福特环球技术公司 液压转向诊断系统、用于液压转向诊断系统的控制电路
CN102975766A (zh) * 2012-12-12 2013-03-20 潍柴动力股份有限公司 一种电动液压助力转向系统故障诊断方法与控制器
JP2014148286A (ja) * 2013-02-04 2014-08-21 Jtekt Corp 油圧式パワーステアリング装置
CN107351910A (zh) * 2017-06-20 2017-11-17 北京航天发射技术研究所 特种车辆电液转向的闭环控制方法
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
CN111521400A (zh) * 2020-06-24 2020-08-11 北京航空航天大学 一种基于edm及谱峭度的轴承早期故障诊断方法
CN111767891A (zh) * 2020-07-09 2020-10-13 南京工程学院 一种滚动轴承故障诊断方法
CN112557034A (zh) * 2020-12-25 2021-03-26 南京理工大学 一种基于pca_cnns的轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周瑞，陶军: "蓄能器式电动液压助力转向系统的故障树分析", 《液压与气动》, pages 82 - 88 *
夏雨: "汽车液压转向系统的故障诊断及维修探讨", 《南方农机》, no. 02, pages 1 *

Also Published As

Publication number Publication date
CN113642101B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Li et al. Multiscale symbolic fuzzy entropy: An entropy denoising method for weak feature extraction of rotating machinery
CN107421741A (zh) 一种基于卷积神经网络的滚动轴承故障诊断方法
CN110135492B (zh) 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN103575523B (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN104634571B (zh) 一种基于lcd‑mf的滚动轴承故障诊断方法
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
Yao et al. Fault diagnosis of planetary gearbox based on acoustic signals
CN105834835A (zh) 一种基于多尺度主元分析的刀具磨损在线监测方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN113375940A (zh) 基于svd和ceemdan的故障轴承诊断方法
CN105116872A (zh) 一种工业过程中基于度量学习与时间序列的故障诊断方法
Frini et al. Gear faults diagnosis based on the geometric indicators of electrical signals in three-phase induction motors
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
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN114004256A (zh) 基于数字孪生体的制造装备主轴承的故障诊断方法
CN103939325A (zh) 一种在低速运转下的消防水泵的故障诊断方法
CN112781820A (zh) 一种滚刀性能退化趋势评估方法
CN114263621B (zh) 一种离心泵空化故障诊断模拟的试验方法及系统
CN112711850A (zh) 一种基于大数据的机组在线监测方法
CN112417622A (zh) 机组机械振动的评估方法、系统、计算机设备和存储介质
CN116257747A (zh) 融合峭度和卷积自编码器的转子系统早期异常检测方法
CN115586023A (zh) 一种轨道车辆传动系统故障诊断方法及系统
CN114354184A (zh) 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置
CN113642101A (zh) 一种液压助力转向器故障诊断方法及装置
CN112395968B (zh) 基于神经网络的机械旋转部件故障诊断方法及装置

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