CN113704868B - 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 - Google Patents
一种基于多目标优化飞轮储能系统轴承的故障诊断方法 Download PDFInfo
- Publication number
- CN113704868B CN113704868B CN202110813261.5A CN202110813261A CN113704868B CN 113704868 B CN113704868 B CN 113704868B CN 202110813261 A CN202110813261 A CN 202110813261A CN 113704868 B CN113704868 B CN 113704868B
- Authority
- CN
- China
- Prior art keywords
- modal
- bearing
- fault diagnosis
- optimized
- fault
- 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
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (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
本发明公开了一种基于多目标优化飞轮储能系统轴承的故障诊断方法,包括设置轴承的转速,对轴承振动信号进行监测和采集;建立多目标变分模态分解参数优化模型,并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解,获得最优模态分量数和惩罚因子;将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中,对轴承振动信号进行分解,获取一系列模态分量;对获取的一系列模态分量进行信号重构,以便得到重构信号,并对重构信号进行变换获取特征向量;利用自适应变异粒子群优化的随机森林对轴承进行故障模式识别。本发明的诊断方法能够进行有效的降噪、提取全面的故障特征信息,实现准确的飞轮储能系统轴承故障诊断。
Description
技术领域
本发明属于飞轮储能系统轴承故障诊断技术领域,具体涉及一种基于多目标优化飞轮储能系统轴承的故障诊断方法。
背景技术
轨道交通因其安全、舒适、大容量、节能等特点,已成为各大城市公共交通的主要方式,然而,随着铁路网的扩张,列车在整个交通运输中的能源消耗比例不断上升。此外,城市轨道交通列车启动、制动频繁,列车制动时可回收的能量占牵引总能耗的40%左右,因此列车制动能量的回收对实现列车的节能运行非常重要。传统城市轨道交通列车能源回收主要利用制动电阻、逆变回馈装置等,普遍存在能量回收效果差、附加通风能耗大、谐波干扰强等问题,飞轮储能技术是一种物理储能技术,除了可以有效解决上述问题,还具有使用寿命长、绿色环保等独特优势。轴承作为飞轮储能系统的重要组成部分,其健康状态直接关系到列车牵引能耗的回收效率,开展轴承故障诊断是保证飞轮储能系统稳定运转的重要手段,对提高列车能量回收效率实现节能减优化有重要意义。
轴承故障诊断主要经过信号处理、特征提取、模式识别三个阶段,任一阶段出现误差都会导致轴承故障诊断准确率降低。当前存在信号处理方法中变分模态分解参数设置不当导致信号分解效果不佳、特征提取方法中采用单一域特征导致特征提取的故障信息不足、模式识别算法中传统算法识别准确率低等问题制约了故障故障诊断的准确率。因此,对轴承故障诊断要全面考虑每个阶段方法的可靠性,当前仍然缺乏一种有效的能够针对飞轮储能系统轴承特点进行有效的降噪、提取全面的故障特征信息,实现准确的飞轮储能系统轴承故障诊断。
发明内容
本发明的目的在于提供及一种基于多目标优化飞轮储能系统轴承的故障诊断方法,本发明的诊断方法能够进行有效的降噪、提取全面的故障特征信息,实现准确的飞轮储能系统轴承故障诊断。为了实现上述目的,本发明采用的技术方案如下:
根据本发明的一个方面,提供了一种基于多目标优化飞轮储能系统轴承的故障诊断方法,包括以下步骤:
步骤1:设置轴承的转速,对轴承振动信号进行监测和采集;
步骤2:以模态分量包络熵最小和峭度值最大为目标,建立多目标变分模态分解参数优化模型,以并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解,获取变分模态分解的两个参数模态分量数和惩罚因子;
步骤3:将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中,对轴承振动信号进行分解,获取一系列模态分量;
步骤4:对获取的一系列模态分量进行信号重构,以便得到重构信号,并对重构信号进行变换获取特征向量;
步骤5:利用自适应变异粒子群优化的随机森林对轴承进行故障模式识别。
上述方法进一步优选的,对所述轴承振动信号进行采集包括采样频率、采集轴承正常、外圈故障、内圈故障和滚动体故障。
上述方法进一步优选的,利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解包括如下步骤:将Tent混沌映射和Levy飞行引入到多元宇宙算法中,利用Tent混沌映射进行扰动初始种群和Levy飞行操作扩大目标函数值寻优范围;
所述用Tent混沌映射满足:
其中,n表示映射次数;xn表示第n次映射函数值。
所述Levy飞行满足:
s=μ/|v1/β;
其中,s为Levy飞行路径L(λ);参数β的取值范围为0<β<2,一般取β=1.5;数μ、v为正态分布随机数,且满足:
σμ和σv为正态分布的标准差,且满足:
其中:参数β的取值范围为0<β<2,一般取β=1.5。
上述方法进一步优选的,将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中包括:以模态分量包络熵最小和峭度值最大为目标,利用多元宇宙优化算法进行优化,将获得变分模态分解模态分量数和惩罚因子,带入变分模态分解参数优化模型中进行计算,实现信号分解,每个样本得到K个模态分量,然后计算每个模态分量的峭度、峰值指标、脉冲指标和波形指标;
所述模态分解参数优化模型满足:
式中,Ee是包络熵,零均值信号x(i)(i=1,2,…,N),α(i)是信号x(i)经Hilbert解调得到的包络信号,k为峭度值。
上述方法进一步优选的,对获取的一系列模态分量进行信号重构包括对振动信号的峭度、波形指标、峰值指标和脉冲指标进行信号重构,剔除包含噪声多的分量,将其他分量进行信号重构;提取重构信号的时域、频域和熵域的特征信息,构成特征向量并划分训练集和测试集。
上述方法进一步优选的,利用自适应变异粒子群优化的随机森林算法对轴承进行故障模式识别包括:
利用自适应变异粒子群算法对集成学习算法中的随机森林的树的个数和特征数进行优化;
设置学习因子C1和因子C2为2,迭代次数为100,种群规模为30,最大速度为20,最小速度为-10,树的个数和特征数目为待优化参数范围为[1,200]、[1,13],自适应权重为0.8;
经过优化得到树的个数和特征数,带入随机森林中得到故障诊断;利用优化后的随机森林作为分类器,按照测试集与验证集4:1的样本比例进行划分,将数据代入到优化后的随机森林中进行故障诊断,识别出每种数据对应的故障状态。
综上所述,由于本发明采用了上述技术方案,本发明具有如下显著效果:
(1)、本发明的能诊断方法与传统的故障诊断算法相比,考虑了变分模态分解算法参数设置的问题、提取的故障特征信息不全的问题、模式识别算法精度不高的问题,能够进行有效的降噪、提取全面的故障特征信息,实现准确的飞轮储能系统轴承故障诊断,为此,本发明方法综合考虑了信号处理、特征提取、模式识别等方面现存的问题,构建了一种基于多目标变分模态分解参数优化和集成学习的飞轮储能系统轴承故障诊断方法,本发明方法能够全面准确地进行飞轮储能系统轴承故障诊断,对飞轮储能系统轴承的故障诊断更加科学和全面,是一种科学有效的故障诊断方法,本发明方法科学实用且可以推广至列车其他系统中的轴承故障诊断,如走行部轴承故障诊断。
附图说明
图1是本发明一种基于多目标优化飞轮储能系统轴承的故障诊断方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
结合图1,根据本发明的一种基于多目标优化飞轮储能系统轴承的故障诊断方法,先对轴承振动信号进行监测和采集,建立多目标变分模态分解参数优化模型,并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解,获得最优模态分量数和惩罚因子;然后,利用将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中进行计算,对信号进行分解获得一系列模态分量;利用峭度、峰值指标、脉冲指标和波形指标进行信号重构,得到重构信号;提取重构信号的时域、频域、熵域特征信息,构建特征向量,划分训练集、测试集;最后,利用自适应变异粒子群优化的随机森林算法作为模式识别方法进行故障模式识别;具体诊断过程包括以下步骤:
步骤1:设置轴承的转速,对轴承振动信号进行监测和采集,对所述轴承振动信号进行采集包括采样频率、采集轴承正常、外圈故障、内圈故障和滚动体故障等四种类型的原始振动信号;
步骤2:建立多目标变分模态分解参数优化模型,并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解,获得变分模态分解两个参数模态分量数和惩罚因子,避免了单目标的局部最优问题,使信号处理效果更好;其中,求解包括如下步骤:将Tent混沌映射和Levy飞行引入到多元宇宙算法中,利用Tent混沌映射进行扰动初始种群和Levy飞行操作扩大目标函数值范围;提出改进的多元宇宙算法并用来求解多目标变分模态分解多目标参数优化模型,具有寻优精度高、迭代速度快的优势;所述用Tent混沌映射满足:
其中,n表示映射次数;xn表示第n次映射函数值。
所述Levy飞行满足:
s=μ/|v1/β;
其中,s为Levy飞行路径L(λ);参数β的取值范围为0<β<2,一般取β=1.5;数μ、v为正态分布随机数,且满足:
σμ和σv为正态分布的标准差,且满足:
其中:参数β的取值范围为0<β<2,一般取β=1.5;
步骤3:将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中,对轴承振动信号进行分解,获取一系列模态分量;将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中包括:以模态分量包络熵最小和峭度值最大为目标,利用改进的多元宇宙优化算法对变分模态分解的参数进行寻优,得到模态分量数和惩罚因子,带入变分模态分解参数优化模型中进行计算,实现信号分解,每个样本得到K个模态分量,然后计算每个模态分量的峭度、峰值指标、脉冲指标和波形指标;
所述模态分解参数优化模型满足:
式中,Ee是包络熵,零均值信号x(i)(i=1,2,…,N),α(i)是信号x(i)经Hilbert解调得到的包络信号,k为峭度值。
步骤4:对获取的一系列模态分量进行信号重构,以便得到重构信号,并对重构信号进行变换获取特征向量;对获取的一系列模态分量进行信号重构包括对振动信号的峭度、波形指标、峰值指标和脉冲指标进行信号重构,剔除包含噪声多的分量,将其他分量进行信号重构;提取重构信号的时域、频域和熵域的特征信息,构成特征向量并划分训练集和测试集,提取时域、频域、熵域多域特征信息,能够全面的将故障特征信息进行提取;其中对时域、频域、熵域计算时满足如下表1所示。
表1:时域、频域、熵域计算公式
步骤5:利用自适应变异粒子群优化的随机森林对轴承进行故障模式识别;其中对轴承进行故障模式识别包括:利用自适应变异粒子群算法对集成学习算法中的随机森林的树的个数和特征数进行优化;设置学习因子C1和因子C2为2,迭代次数为100,种群规模为30,最大速度为20,最小速度为-10,树的个数和特征数目为待优化参数范围为[1,200]、[1,13],自适应权重为0.8;经过优化得到树的个数,特征数目,带入随机森林中得到故障诊断;利用优化后的随机森林作为分类器,按照测试集与验证集4:1的样本比例进行划分,将数据代入到优化后的随机森林中进行故障诊断,识别出每种数据对应的故障状态。
本发明实施例以飞轮储能系统轴承的外圈故障、内圈故障、滚动体故障、正常四种状态为例,假设轴承的转速为1520r/min,采样频率Fs=10240Hz。
首先,获取振动信号,对不同轴承故障类型进行采用,每种类型的样本包括60个样本,每个样本4096个采样点,样本数据共240组。
其次,将Tent混沌映射和Levy飞行引入到多元宇宙算法中,,提出一种改进的多元宇宙算法。利用Tent进行种群初始扰动,使分布更加均匀;利用Levy飞行扩大搜索范围,提高算法精度。建立以模态分量包络熵最小、峭度值最大为目标的多目标变分模态分解参数优化模型,利用改进的多元宇宙算法进行求解,设置粒子数目为15,迭代次数为15,模态数K∈[1,11],惩罚因子α∈[500,3000],采用目标加权方法进行求解,设置权重w1、w2均为0.5。在第四次迭代完成后达到最小适应度值为1.061,后续迭代收敛,此时变分模态分解算法对应的参数组合为[421,5],同样得到正常、外圈故障、内圈故障状态下的变分模态分解算法的参数分别为[655,5]、[899,5]、[633,5]。
再次,将获得的参数带入变分模态分解算法中进行信号分解,每个样本得到5个模态分量,然后计算每个模态分量的峭度、峰值指标、脉冲指标、波形指标,以轴承滚动体故障为例,如下表2所示。可以看出,分量3的四项指标值均大于其他分量的指标值,因此确定分量3为含有噪声最多的分量,剔除分量3对剩余的分量进行重构,获得重构信号。
表2IMF分量指标值
最后,提取重构信号的时域、频域、熵域特征信息,共提取了240组数据,将其中的180组数据作为训练集,60组数据作为测试集;在以准确率最高为优化目标,利用自适应变异粒子群算法对集成学习算法中随机森林算法的树的个数和特征数进行优化,设置学习因子C1、C2为2,迭代次数为100,种群规模为30,最大速度为20,最小速度为-10,树的个数和特征数目为待优化参数范围为[1,200]、[1,13],自适应权重为0.8。经过优化得到树的个数为13,特征数目为7,;利用优化后的随机森林作为分类器,按照测试集与验证集4:1的样本比例进行划分,将数据带入优化后的随机森林算法中进行故障诊断,得到故障诊断的准确率为100%。本发明方法可以用于飞轮储能系统轴承的科学故障诊断,为实现飞轮储能系统轴承监测诊断提供有效方法和技术支持。
以上所述仅是本发明的优选实施方式,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的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于多目标优化飞轮储能系统轴承的故障诊断方法,其特征在于:包括以下步骤:
步骤1:设置轴承的转速,对轴承振动信号进行监测和采集;
步骤2:以模态分量包络熵最小和峭度值最大为目标,建立多目标变分模态分解参数优化模型,以并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解,获取变分模态分解的两个参数模态分量数和惩罚因子;
步骤3:将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中,对轴承振动信号进行分解,获取一系列模态分量;
步骤4:对获取的一系列模态分量进行信号重构,以便得到重构信号,并对重构信号进行变换获取特征向量;
步骤5:利用自适应变异粒子群优化的随机森林对轴承进行故障模式识别;
利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解包括如下步骤:将Tent混沌映射和Levy飞行引入到多元宇宙算法中,利用Tent混沌映射进行扰动初始种群和Levy飞行操作扩大目标函数值寻优范围;
所述用Tent混沌映射满足:
其中,n表示映射次数;xn表示第n次映射函数值;
所述Levy飞行满足:
s=μ/|v|1/β;
其中,s为Levy飞行路径L(λ);μ、v为正态分布随机数,且满足:
σμ和σv为正态分布的标准差,且满足:
其中:参数β的取值范围为0<β<2;
将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中包括:以模态分量包络熵最小和峭度值最大为目标,利用多元宇宙优化算法进行优化,将获得变分模态分解模态分量数和惩罚因子,带入变分模态分解参数优化模型中进行计算,实现信号分解,每个样本得到K个模态分量,然后计算每个模态分量的峭度、峰值指标、脉冲指标和波形指标;
所述模态分解参数优化模型满足:
式中,Ee是包络熵,零均值信号x(i),i=1,2,…,N;,α(i)是信号x(i)经Hilbert解调得到的包络信号,k为峭度值。
2.根据权利要求1所述的一种基于多目标优化飞轮储能系统轴承的故障诊断方法,其特征在于:对所述轴承振动信号进行采集,其中轴承振动信号包括采样频率、轴承正常、外圈故障、内圈故障和滚动体故障。
3.根据权利要求1所述的一种基于多目标优化飞轮储能系统轴承的故障诊断方法,其特征在于:对获取的一系列模态分量进行信号重构包括对振动信号的峭度、波形指标、峰值指标和脉冲指标进行信号重构,提取重构信号的时域、频域和熵域的特征信息,构成特征向量并划分训练集和测试集。
4.根据权利要求1所述的一种基于多目标优化飞轮储能系统轴承的故障诊断方法,其特征在于:利用自适应变异粒子群优化的随机森林算法对轴承进行故障模式识别包括:
利用自适应变异粒子群算法对集成学习算法中的随机森林的树的个数和特征数进行优化;
设置学习因子C1和因子C2为2,迭代次数为100,种群规模为30,最大速度为20,最小速度为-10,树的个数待优化参数范围为[1,200],特征数目的待优化参数范围分别为[1,13],自适应权重为0.8;
经过优化得到树的个数和特征数,带入随机森林中得到故障诊断;利用优化后的随机森林作为分类器,按照测试集与验证集4:1的样本比例进行划分,将数据代入到优化后的随机森林中进行故障诊断,识别出每种数据对应的故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813261.5A CN113704868B (zh) | 2021-07-19 | 2021-07-19 | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813261.5A CN113704868B (zh) | 2021-07-19 | 2021-07-19 | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704868A CN113704868A (zh) | 2021-11-26 |
CN113704868B true CN113704868B (zh) | 2023-08-04 |
Family
ID=78648896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110813261.5A Active CN113704868B (zh) | 2021-07-19 | 2021-07-19 | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704868B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626193B (zh) * | 2021-12-30 | 2024-05-07 | 南昌大学 | 一种基于改进变分模态分解的泄流结构振动信号降噪方法 |
CN114742097B (zh) * | 2022-03-23 | 2023-05-23 | 大连理工大学 | 一种基于轴承振动信号自动确定变分模态分解参数的优化方法 |
CN114964781B (zh) * | 2022-05-31 | 2024-06-25 | 广西大学 | 一种列车轴承故障智能诊断方法 |
CN115828140B (zh) * | 2022-12-13 | 2024-04-09 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533096A (zh) * | 2019-08-27 | 2019-12-03 | 大连大学 | 基于K-means聚类的多元宇宙算法的DNA存储编码优化方法 |
CN111881848A (zh) * | 2020-07-30 | 2020-11-03 | 上海电机学院 | 基于变分模态分解与改进粒子群的电机故障信号提取方法 |
Family Cites Families (1)
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 |
-
2021
- 2021-07-19 CN CN202110813261.5A patent/CN113704868B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533096A (zh) * | 2019-08-27 | 2019-12-03 | 大连大学 | 基于K-means聚类的多元宇宙算法的DNA存储编码优化方法 |
CN111881848A (zh) * | 2020-07-30 | 2020-11-03 | 上海电机学院 | 基于变分模态分解与改进粒子群的电机故障信号提取方法 |
Non-Patent Citations (1)
Title |
---|
基于EEMD和RBFNN的列车滚动轴承故障诊断研究;李笑梅;贺德强;谭文举;陈二恒;;铁道科学与工程学报(第05期);1056-1061 * |
Also Published As
Publication number | Publication date |
---|---|
CN113704868A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113704868B (zh) | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 | |
CN108318249B (zh) | 一种旋转机械轴承的故障诊断方法 | |
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN110057584B (zh) | 一种机车牵引电机轴承退化监测方法 | |
WO2022261805A1 (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN110672327A (zh) | 一种基于多层降噪技术的异步电机轴承故障诊断方法 | |
CN110879254A (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
CN112381027B (zh) | 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法 | |
CN115730199B (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 | |
CN114861719A (zh) | 基于集成学习的高速列车轴承故障诊断方法 | |
CN109633270B (zh) | 故障能量区域边界识别及特征提取方法 | |
CN114997252B (zh) | 一种基于惯性原理的车轮多边形车载检测方法 | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN114964781B (zh) | 一种列车轴承故障智能诊断方法 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN110836783B (zh) | 基于阈值判断的ga-bp的磁悬浮列车故障检测方法 | |
CN114371009A (zh) | 基于改进随机森林的高速列车轴承故障诊断方法 | |
Jin et al. | Bearing fault diagnosis based on VMD fuzzy entropy and improved deep belief networks | |
CN113343869A (zh) | 基于ntft和cnn的脑电信号自动分类与识别方法 |
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 |