CN113654651A - 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 - Google Patents

一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 Download PDF

Info

Publication number
CN113654651A
CN113654651A CN202111046673.7A CN202111046673A CN113654651A CN 113654651 A CN113654651 A CN 113654651A CN 202111046673 A CN202111046673 A CN 202111046673A CN 113654651 A CN113654651 A CN 113654651A
Authority
CN
China
Prior art keywords
equipment
signal
sample
data
variance
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
CN202111046673.7A
Other languages
English (en)
Other versions
CN113654651B (zh
Inventor
樊薇
陈振强
徐英淇
蒋峰
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.)
Jiangsu Wenguang Zhufang New Energy Technology Co ltd
Jiangsu University
Original Assignee
Jiangsu Wenguang Zhufang New Energy Technology Co ltd
Jiangsu University
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 Jiangsu Wenguang Zhufang New Energy Technology Co ltd, Jiangsu University filed Critical Jiangsu Wenguang Zhufang New Energy Technology Co ltd
Priority to CN202111046673.7A priority Critical patent/CN113654651B/zh
Publication of CN113654651A publication Critical patent/CN113654651A/zh
Priority to PCT/CN2022/075862 priority patent/WO2023029382A1/zh
Application granted granted Critical
Publication of CN113654651B publication Critical patent/CN113654651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，首先将采集到的旋转机械设备振动信号数据按照时间顺序以等时间间隔进行分组，然后对这些数据进行压缩转换，利用转化后的数据求取新定义的函数并以此获得设备的性能退化指标。通过判断利用该指标计算出的EWMA统计量的整体趋势得到设备一定处于正常状态下的数据，再利用这些正常状态下的数据构造EWMA的控制限。将计算出设备性能退化指标转换成EWMA统计量并将其与控制限进行比较，如果统计量不在中心线来回波动或者超出控制限就认为监测状态失控。轴承作为旋转机械中的典型零部件，使用了一组公开的轴承全寿命试验的振动信号数据验证了该发明的实用性和通用性。

Description

一种强鲁棒的信号早期退化特征提取及设备运行状态监测 方法
技术领域
本发明属于旋转机械设备的状态监测领域，具体涉及一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法。
背景技术
在工业设备领域，旋转机械通常构成了各类机械设备的主体或者是其他关键部位，它的稳定可靠是整个设备安全运行的保障。一旦旋转机械及其典型的零部件在工作过程中发生故障，很可能对整机的运行造成重大影响，产生较大的经济损失甚至是重大事故。所以，开展旋转机械设备的状态监测及早期故障预警具有重要的工程意义。
在旋转机械设备的状态监测领域，较常见的监测方法有振动分析法，温度分析法，声发射法等。其中，由于振动信号具有明确的物理意义，对于不同部位，不同程度的故障由较为直观的表现，所以振动分析法是目前较为普遍的监测方法。
信号的特征提取一直是设备状态监测的关键步骤，一个良好的特征指标应该能够准确清楚地表征设备的退化过程，只有基于这种良好的特征指标才能得到准确的状态监测结果。时域特征提取技术是一种常见的特征提取方法，其结果比较直观且便于理解。传统的时域统计特征可以分为均方根值等有量纲统计量和峭度值等无量纲统计量，不同类型的特征指标对不同类型的故障信号敏感程度不同。比如，均方根值对不断发展的磨损故障较为敏感，峭度值对冲击类故障敏感。考虑到旋转机械中轴承及齿轮等典型零部件的故障信号为周期性的脉冲信号，虽然峭度值等指标也对周期性的脉冲较为敏感，但是当环境噪声的干扰较大且设备仅发生微弱故障时，这些传统的时域指标就无法很好地显示出设备的性能退化状态了。所以，针对这一问题，本专利提出了一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法。
统计过程控制是一种基于控制图对目标参数进行定量分析的方法，是现代质量管理的重要方法之一。该方法的实施主要包含两个步骤：一是基于初始过程产生的数据进行控制限的求取，从而绘制出控制限；二是基于绘制完成的控制限对后续过程进行监控。然而传统的Shewhart控制图只强调利用当前的数据来判断样本是否受控，并没有考虑历史数据的相互影响。而旋转机械设备的故障发生是一个长时间的微小变化，所以针对这一个问题，本专利采样指数加权滑动平均控制图(EWMA)来对统计指标进行监测，该控制图不仅考虑到了历史数据的不同影响，同时对于微小位移更加敏感。
发明内容
鉴于上述，本发明提供一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法。本发明的目的是实现对强噪声干扰下的旋转机械设备进行退化特征提取并对该设备的运行状态进行监测。
为实现上述目的，本发明提供以下技术手段：
一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，包括：步骤S1，对采集到的旋转机械设备全寿命振动信号数据按照时间顺序以等时间间隔分组，每一组数据依次命名为样本1，样本2，样本3…样本s，每一个样本中记录的数据均记为y(t)。
步骤S2，对每一个样本数据都进行压缩转换，构造新的周期信号gT(t)。
Figure BDA0003247515690000021
其中，Γ为被信号y(t)的信号长度；T是新周期压缩函数选取的周期；
Figure BDA0003247515690000024
是向下取整符，表示取得比a小的最大整数；m为信号分割的片段数，且
Figure BDA0003247515690000025
步骤S3，对每一个样本的数据都利用原信号y(t)和新构造的周信号fT(t)来定义两个信号e(t)和r(t)：
Figure BDA0003247515690000022
步骤S4，基于构造的信号e(t)和r(t)计算相关函数W(T)
Figure BDA0003247515690000023
其中：T是新周期压缩函数选取的周期，m为信号分割的片段数。
步骤S5，把利用不同样本数据计算得到的函数W(T)求平均值后作为设备的性能退化指标，记为w*，并把第i个样本计算出的统计指标记为
Figure BDA0003247515690000031
步骤S6，根据EWMA统计量的计算公式
Figure BDA0003247515690000032
计算控制图的每一个样本点，其中：其中：初始值Z0取正常状态下计算出的统计指标的均值；λ表示EWMA的平滑系数，λ∈(0,1]，此处取λ为0.4。
步骤S7，以横轴为样本序号，纵轴为EWMA统计量绘制全样本趋势图，然后根据该图判断设备处于正常状态的样本数。
步骤S8，根据正常状态状态下的设备数据按照如下公式依次计算控制图的控制上限(UCL)、中心线(CL)及控制下限(LCL)：
Figure BDA0003247515690000033
Figure BDA0003247515690000034
其中：μ0是选定为正常状态下的统计指标
Figure BDA0003247515690000035
的均值，σ是选定为正常状态下的统计指标
Figure BDA0003247515690000036
的标准差，L是控制限的设定参数，此处取3，λ为EWMA平滑系数。
步骤S9，利用求得的控制上下限和中心线对全数据进行监测，绘制出完整的控制图。随后按照控制图的判断准则对其分析，得出设备的完整运行状态。
进一步，通过计算步骤S4所定义的函数W(T)的方差来分析其性能。
鉴于旋转机械设备在正常情况下采集到的振动信号为周围的环境噪声，故障时采集到的振动信号则是被环境噪声淹没的周期信号，所以此处以含有未知周期T0的信号x(t)和服从正态分布N(0,σ2)的强高斯白噪声信号∈(t)相加的方式模拟采集的设备振动信号y(t)。
最终可计算得到函数W(T)在设备正常情况下的方差为：
Figure BDA0003247515690000037
在设备故障情况下的方差为：
Figure BDA0003247515690000038
其中，m为信号分割的片段数，且
Figure BDA00032475156900000310
N为以T为周期的一段信号所包含的样本点数，σ是强高斯白噪声的标准差，Px(Γ)代表的是周期信号x(t)的平均能量，
Figure BDA0003247515690000039
上述不等式当且仅当T＝kT0,
Figure BDA00032475156900000311
Figure BDA00032475156900000312
时出现等于的情况。
根据计算可以发现函数W(T)具有以下性质：
1)当设备处于正常状况时，W(T)的函数值会在均值附近稳定波动，且因为方差中分母的存在，所以设备周围的环境噪声将无法主导该函数值的波动状态；
2)当设备发生故障时，W(T)的函数值会在T等于未知周期T0的整数倍时出现峰值，且该峰值会随着设备故障程度的增加而上升。
进一步，通过分析步骤S5所提出的统计指标
Figure BDA0003247515690000041
可以发现该指标具有以下性质：
1)在设备处于正常状态时，该性能退化指标的值保持稳定。
2)在设备发生故障后，该性能退化指标的值会超过设备处于正常状态下的稳定值。
3)随着故障程度的增加，该性能退化指标会比设备处于正常状态下的稳定值偏移更多。
基于上述技术方案，本发明具有以下有益的技术效果；
1)即使旋转机械设备处于一个嘈杂的工作环境，环境噪声的干扰较大，所提出的机械设备性能退化特征提取方法也依然可以提取出表现良好的性能退化指标。
2)利用EWMA(指数加权滑动平均)控制图可以有效地检测出被测量的微小变化，从而快速准确地进行设备的状态监测并进一步的做出故障预警。
附图说明
图1为本发明一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法的流程示意图。
图2为实施例中轴承性能退化指标的完整趋势图。
图3为实施例中的EWMA控制图。
图4为实施例中EWMA控制图的细节展示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明，本发明是通过以下技术方案实现的。
轴承作为旋转机械中的典型零部件，实施例便以此为目标对象。
数据来源于美国辛辛那提大学智能设备维护中心所做轴承的全寿命试验，该试验按照时间顺序记录下了轴承从正常运行至故障的所有数据。此处的实施例选取试验2所记录的运行数据，该数据一共包含了984个数据文件，以每10分钟采集1次振动信号的方式记录了轴承从2004年2月12日10时32分39秒-2004年2月19日6时22分39秒的完整数据。如图1所示，本实施例一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，包括如下步骤：
S1，将该数据按照保存的文件序号进行分组处理，因此可以得到984组数据。
S2，分别对984组数据进行压缩转换构造以T为周期的新函数gT(t),其中
Figure BDA0003247515690000051
S3，利用求出的新函数gT(t)分别求出984组数据对应的函数e(t)及r(t),其中，e(t)＝gT(t)+y(t),0≤t<Γ，r(t)＝gT(t)-y(t),0≤t<Γ。
S4，基于不同组的信号e(t)和r(t)计算各组的相关函数W(T)，并将W(T)求平均值后作为表征设备运行状态的统计指标，记为w*。并把第i个样本计算出的统计指标记为
Figure BDA0003247515690000052
其中，i＝1,2,…,984。
S5，将计算出的984个轴承性能退化指标转换成EWMA统计量，即：
Figure BDA0003247515690000053
其中：λ表示EWMA的平滑系数，λ∈(0,1]，此处取λ为0.4；初始值Z0取正常状态下计算出的统计指标的均值。
S6，如图2所示，绘制出完整的EWMA统计指标趋势图。可以发现，虚线框(a)中EWMA统计量的起始部分超出了控制限，这部分可以理解成被测实验台刚启动造成的实验台振动引起的现象；EWMA统计量的中间部分都保持稳定，但无法合适地判断出轴承的微弱故障起始点，所以尽可能取数据的前半部分认为是轴承的正常状态下的数据，此处认为虚线框(b)圈住的第80-250组所记录的是轴承处于正常运行状态下的数据；虚线框(d)圈住的这几组数据记录的是轴承故障明显时的数据。
S7，绘制监测用EWMA控制图，其结果如图3所示，可以明显地发现有轴承性能退化指标超出了控制限，这就表明在测试的最后轴承发生了故障，该结果与实验结果一致。
如图4所示为EWMA控制图的细节展示，其中：起始点超出控制限可以理解成被测实验台刚启动造成的实验台振动，并非轴承发生异常；样本序号为547和581的EWMA统计量超出了控制上限；从样本序号650开始，计算出的EWMA统计量频繁超出控制限。那么根据只有当统计数据在中心线上下来回波动且不超过控制限，整个监测过程才处于受控状态这一判断准则可以得出：轴承在2004年2月16日5时32分39秒(第547个样本)开始就出现了故障的预兆，从2004年2月16日22时42分39秒(第650个样本)开始轴承故障逐渐明显。
综上，本发明一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法可以有效地提取出旋转机械设备的性能退化指标并完成状态监测的功能，是一种可以运用到工业应用中的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，其特征在于，包括以下步骤：
步骤S1：对一组旋转机械设备的全寿命振动信号数据按照时间顺序以等时间间隔分组，每一组数据依次命名为样本1，样本2，样本3…样本s，每一个样本中记录的数据均记为y(t)，其中s表示样本的序号的最后一位；
步骤S2：对每一个样本数据都进行压缩转换，构造新的周期信号gT(t)
Figure FDA0003247515680000011
其中，Γ为被信号y(t)的信号长度；T是新周期压缩函数选取的周期；
Figure FDA0003247515680000016
是向下取整符，表示取得比a小的最大整数；m为信号分割的片段数，且
Figure FDA0003247515680000017
步骤S3：对于每一个样本数据都利用原信号y(t)和新构造的周期信号gT(t)来定义两个信号e(t)和r(t)：
Figure FDA0003247515680000012
步骤S4：基于构造的信号e(t)和r(t)计算相关函数W(T)
Figure FDA0003247515680000013
步骤S5：把利用不同样本数据计算得到的函数W(T)求平均值后作为表征设备运行状态的统计指标，记为w*，并把第i个样本计算出的统计指标记为
Figure FDA0003247515680000014
步骤S6：根据指数加权滑动平均控制图EWMA统计量的计算公式
Figure FDA0003247515680000015
计算控制图中的每一个样本点，其中：初始值Z0取正常状态下计算出的统计指标的均值；λ表示EWMA的平滑系数，λ∈(0,1]；
步骤S7：以横轴为样本序号，纵轴为EWMA统计量绘制全样本数据图，然后根据该图形判断设备处于正常状态的样本数，最后根据这些正常状态状态下的数据按照如下公式计算控制图的控制上限UCL，控制下限LCL及中心线CL：
Figure FDA0003247515680000021
CL＝μ0
Figure FDA0003247515680000022
其中：μ0是选定为正常状态下的统计指标
Figure FDA0003247515680000023
的均值，σ是选定为正常状态下的统计指标
Figure FDA0003247515680000024
的标准差，L是控制限的设定参数，λ为EWMA平滑系数；
步骤S8：利用求得的控制上下限和中心线对EWMA统计量进行监测，绘制出完整的控制图。随后按照控制图的判断准则对其分析即可以得出设备的完整运行状态。
2.根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，其特征在于，步骤S4中所定义的函数W(T)在设备正常和故障状态下的方差不一致；
一般在正常情况下采集到的旋转机械设备振动信号为周围的环境噪声，故障时采集到的则是被环境噪声淹没的周期信号，所以此处以含有未知周期T0的信号x(t)和服从正态分布N(0,σ2)的强高斯白噪声信号∈(t)相加的方式模拟采集的旋转机械设备振动信号y(t)；
那么在设备正常的情况下，W(T)的方差为：
Figure FDA0003247515680000025
其中，m为信号分割的片段数，且
Figure FDA0003247515680000026
N为以T为周期的一段信号所包含的样本点数，σ是环境噪声的标准差；所以当设备的工作环境确定后，σ固定，mN固定，那么函数W(T)的方差也就固定不变；同时，由于分母的存在，环境噪声的方差σ2将无法再主导函数W(T)方差；
在轴承发生故障后，W(T)的方差为：
Figure FDA0003247515680000031
其中，m为信号分割的片段数，且
Figure FDA0003247515680000033
N为以T为周期的一段信号所包含的样本点数，σ是环境噪声的标准差；Px(Γ)代表的是周期信号x(t)的平均能量，
Figure FDA0003247515680000032
上述不等式当且仅当T＝kT0,
Figure FDA0003247515680000034
Figure FDA0003247515680000035
时出现等于的情况；很明显，对于一个给定的信号，其平均能量Px(Γ)和噪声方差σ2固定；同时，该平均能量Px(Γ)会随着设备故障程度的增加而增加；所以在设备故障后函数W(T)的方差当且仅当在未知周期T0的整数倍时出现峰值，且该峰值随着设备故障的增加而增加；同样，由于分母的存在，环境噪声的方差σ2将无法再主导函数W(T)方差。
3.根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，其特征在于，步骤S5中所定义的统计指标
Figure FDA0003247515680000036
的大小在旋转机械设备故障和正常的状态下不一致，同时该值会随着设备故障的程度的增加而变得更大，从而实现表征设备运行状态的功能。
4.根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，其特征在于，取λ为0.4。
5.根据权利要求1所述的一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法，其特征在于，L取3。
CN202111046673.7A 2021-09-06 2021-09-06 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 Active CN113654651B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111046673.7A CN113654651B (zh) 2021-09-06 2021-09-06 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法
PCT/CN2022/075862 WO2023029382A1 (zh) 2021-09-06 2022-02-10 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111046673.7A CN113654651B (zh) 2021-09-06 2021-09-06 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

Publications (2)

Publication Number Publication Date
CN113654651A true CN113654651A (zh) 2021-11-16
CN113654651B CN113654651B (zh) 2022-12-27

Family

ID=78493634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111046673.7A Active CN113654651B (zh) 2021-09-06 2021-09-06 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

Country Status (2)

Country Link
CN (1) CN113654651B (zh)
WO (1) WO2023029382A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029382A1 (zh) * 2021-09-06 2023-03-09 江苏大学 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435436A (zh) * 2011-11-24 2012-05-02 电子科技大学 风扇轴承状态退化评估方法
CN108444704A (zh) * 2018-03-30 2018-08-24 华中科技大学 一种滚动轴承早期故障诊断方法
CN108507782A (zh) * 2018-01-29 2018-09-07 江苏大学 一种强背景噪声下周期信号隐周期的检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012163439A (ja) * 2011-02-07 2012-08-30 Toshiba Corp 回転機振動監視システムおよび監視方法
CN105204493B (zh) * 2015-09-11 2017-12-19 北京电子工程总体研究所 一种旋转机械设备状态监测与故障诊断方法
WO2017145222A1 (ja) * 2016-02-22 2017-08-31 株式会社日立製作所 軸受劣化診断装置、軸受劣化診断方法及び軸受劣化診断システム
CN113344099B (zh) * 2021-06-22 2022-11-11 华中科技大学 一种基于变分自编码器的机械设备退化点识别方法和系统
CN113654651B (zh) * 2021-09-06 2022-12-27 江苏大学 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435436A (zh) * 2011-11-24 2012-05-02 电子科技大学 风扇轴承状态退化评估方法
CN108507782A (zh) * 2018-01-29 2018-09-07 江苏大学 一种强背景噪声下周期信号隐周期的检测方法
CN108444704A (zh) * 2018-03-30 2018-08-24 华中科技大学 一种滚动轴承早期故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI FAN 等: "A Wavelet-Based Statistical Approach for Monitoring and Diagnosis of Compound Faults With Application to Rolling Bearings", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029382A1 (zh) * 2021-09-06 2023-03-09 江苏大学 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法

Also Published As

Publication number Publication date
WO2023029382A1 (zh) 2023-03-09
CN113654651B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN108731923B (zh) 一种旋转机械设备的故障检测方法及装置
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP4995134B2 (ja) 風車の監視装置及び方法並びにプログラム
JP5101396B2 (ja) 健全性診断方法及びプログラム並びに風車の健全性診断装置
JP3321487B2 (ja) 機器／設備診断方法およびシステム
CN108022058B (zh) 一种风力机状态可靠性评估方法
CN116111727B (zh) 基于动态温度阈值的综合配电箱异常监测方法
WO2011024304A1 (ja) 風車の監視装置及び方法並びにプログラム
CN108181105B (zh) 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统
CN105067262A (zh) 一种滚动轴承状态监测方法
CN102789676B (zh) 一种基于报警证据融合的工业报警器设计方法
CN113947017A (zh) 一种滚动轴承剩余使用寿命预测方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN113654651B (zh) 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法
CN111122191A (zh) 一种基于ewma控制的设备安康报警阈值设定方法
CN114705432A (zh) 防爆电机轴承健康状态评估方法及系统
CN114664063A (zh) 一种基于通用指标趋势分析的设备分级报警方法
CN114088389A (zh) 一种齿轮变速箱的数据处理方法和相关装置
CN113837591A (zh) 一种面向多工况运行条件的装备健康评估方法
CN111191950B (zh) 风电机组齿轮箱油温异常分析方法及装置
CN116500441B (zh) 一种电机故障检测定位方法及系统
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
CN117365869A (zh) 一种风电机组桨叶扫塔故障的自适应预警策略设计方法
CN116226719A (zh) 基于多维稳态振动特征的轴承故障诊断方法及相关组件

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