CN113865873B - 一种轴承组的健康监测方法 - Google Patents

一种轴承组的健康监测方法 Download PDF

Info

Publication number
CN113865873B
CN113865873B CN202111458260.XA CN202111458260A CN113865873B CN 113865873 B CN113865873 B CN 113865873B CN 202111458260 A CN202111458260 A CN 202111458260A CN 113865873 B CN113865873 B CN 113865873B
Authority
CN
China
Prior art keywords
bearing
health
fault
ith
moment
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
Application number
CN202111458260.XA
Other languages
English (en)
Other versions
CN113865873A (zh
Inventor
盖文
王平
伍越
胡俊
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.)
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Original Assignee
Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
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 Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center filed Critical Equipment Design and Testing Technology Research Institute of China Aerodynamics Research and Development Center
Priority to CN202111458260.XA priority Critical patent/CN113865873B/zh
Publication of CN113865873A publication Critical patent/CN113865873A/zh
Application granted granted Critical
Publication of CN113865873B publication Critical patent/CN113865873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开了一种轴承组的健康监测方法，该方法包括通过数个传感器获取所有轴承的振动数据，通过标准化消除差异，通过加权Hellinger距离计算出健康评估值，再计算出任一时刻计任一位置轴承的健康评估值；从而通过该健康评估值监测压缩机轴承组健康，该方法能够在线监测轴承组的退化程度，无需维护人员离线检测。

Description

一种轴承组的健康监测方法
技术领域
本发明涉及机械设备故障监测技术领域，具体讲是一种轴承组的健康监测方法。
背景技术
压缩机轴承组由多套滑动轴承组成，其中径向轴承位于压缩机内部，仅承受转子径向力，径向-推力组合轴承位于压缩机外部，承受压缩机的气动轴向力。在长期的风洞试验中，压缩机频繁运转会加速轴承组的退化，甚至存在轴承断裂的风险，因此需对轴承组的退化进行有效的在线监测和故障预诊断，以保证试验安全。
发明内容
因此，为了解决上述不足，本发明在此提供一种基于加权Hellinger距离的压缩机轴承组健康监测及故障预诊断方法，能在线监测轴承组的退化程度，无需维护人员离线检测。
本发明是这样实现的，一种轴承组的健康监测方法，包括如下步骤，
S1、获取振动信息，在每个轴承前后两端分别布置数个不同方向的传感器；
S2、对数据进行标准化，消除数据差异；
S3、通过自相关长度确定获取各传感器的时间窗的长度Lm，取平均值L作为最终的长度，（自相关长度用于确定对每个传感器数据进行分析时大致需要获取多长的数据长度，取平均值是为了统一从各传感器获取的数据长度。）
S4、通过长度为L的时间窗从历史数据中获得第i个轴承第j个位置第k个方向在第t时刻的振动数据
Figure 100002_DEST_PATH_IMAGE002
，其中t为时刻，当
Figure 100002_DEST_PATH_IMAGE004
时，数据向量
Figure 100002_DEST_PATH_IMAGE006
为最初时刻第i个轴承第j个位置第k个方向的数据向量；
S5、通过核密度估计分别获得
Figure 100002_DEST_PATH_IMAGE007
和
Figure 100002_DEST_PATH_IMAGE008
的概率分布
Figure 100002_DEST_PATH_IMAGE010
和
Figure 100002_DEST_PATH_IMAGE012
；；
S6、通过Hellinger距离计算
Figure 100002_DEST_PATH_IMAGE013
与
Figure DEST_PATH_IMAGE014
之间的距离
Figure DEST_PATH_IMAGE016
，并计算第i个轴承第j个位置第k个方向在第t时刻的健康评估值
Figure 100002_DEST_PATH_IMAGE018
；
S7、对每个传感器的执行步骤S1至步骤S6，获得每个传感器的健康评估值
Figure DEST_PATH_IMAGE019
；
S8、计算第i个轴承第j个位置在第t时刻的健康评估值
Figure DEST_PATH_IMAGE021
；
S9、计算第i个轴承在第t时刻的健康评估值
Figure DEST_PATH_IMAGE023
，
S10、利用如下公式计算第t时刻各轴承的健康退化速率
Figure DEST_PATH_IMAGE025
。
本发明基于上述健康评估结果，对轴承组进行故障预诊断，提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护，以避免试验风险或事故。
故障预诊断方法如下：
（1）轴承定位，包括如下步骤；
（1-1）、由步骤S6至步骤S9可知，
Figure DEST_PATH_IMAGE027
，则可将
Figure DEST_PATH_IMAGE029
分为健康、亚健康和危险三类，其判断规则为：
Figure DEST_PATH_IMAGE031
其中，J1是用于区分健康和亚健康的阈值A，J2是用于区分亚健康和危险的阈值B；
（1-2）、根据
Figure DEST_PATH_IMAGE033
，采用SVM预测第t+1时刻第i轴承的健康退化速率
Figure DEST_PATH_IMAGE035
，并计算下一时刻的健康评估值
Figure DEST_PATH_IMAGE037
，以此类推，得到
Figure DEST_PATH_IMAGE039
，其中s为预测的第s步；
（1-3）、当任意一个
Figure DEST_PATH_IMAGE041
最先达到危险阶段时，则确定为最先故障的轴承。
（2）、轴承故障定位，包括如下步骤；
（2-1）、故障位置定位，在确定最先故障的轴承后，根据该轴承在第j个位置的健康评估值
Figure DEST_PATH_IMAGE043
，采用SVM预测
Figure DEST_PATH_IMAGE045
，其中p为预测的第p步；当任意一个位置
Figure DEST_PATH_IMAGE047
最先低于位置阈值
Figure DEST_PATH_IMAGE049
（根据轴承在第j个位置的历史健康评估值进行设置）时，则确定为最先故障的位置；
Figure DEST_PATH_IMAGE047A
为第t+p时刻第i轴承在第j个位置的健康评估值。
（2-2）、定位出故障位置的方向，在确定该轴承可能最先故障的位置后，根据该轴承在该位置第k方向的健康评估值
Figure DEST_PATH_IMAGE051
，采用SVM预测
Figure DEST_PATH_IMAGE053
，其中e为预测的第e步；当任意一个位置
Figure DEST_PATH_IMAGE055
最先低于阈值
Figure DEST_PATH_IMAGE057
（根据该轴承在该位置在第k方向的历史健康评估值进行设置）时，则确定为该位置最先发生故障的方向。
本发明具有如下优点：
本发明通过上述方法能够在线监测轴承组的退化程度，无需维护人员离线检测，同时基于健康评估结果，对轴承组进行故障预诊断，提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护，以避免试验风险或事故。
附图说明
图1是本发明流程示意图；
图2是本发明轴承前后两端布置四个不同方向的传感器示意图。
具体实施方式
下面将结合附图1和图2对本发明进行详细说明，本发明提供一种轴承组的健康监测方法，包括如下步骤，
步骤一、获取振动信息，在每个轴承前后两端分别布置数个不同方向的传感器；
轴承的传感器布置方法是，轴承前后两端分别布置四个不同方向的传感器，四个不同方向分别是0°、45°、90°和135°（如图2所示）；
当j=0和1分别表示轴承的前部位置和后部位置，k=0,1,2,3分别表示0°，90°、45°和135°四个方向。
步骤二、通过如下公式对数据进行标准化，
Figure DEST_PATH_IMAGE059
其中，
Figure DEST_PATH_IMAGE061
和
Figure DEST_PATH_IMAGE063
分别为标准化前和标准化后的第i个轴承第j个位置第k个方向的振动数据，
Figure DEST_PATH_IMAGE065
和
Figure DEST_PATH_IMAGE067
分别为第i个轴承第j个位置第k个方向的平均值和标准差；
步骤三、通过自相关长度确定获取各传感器的时间窗的长度Lm，取平均值L作为最终的长度，L的表达式如下，
Figure DEST_PATH_IMAGE069
其中，M为传感器数量，m是第m个传感器；
步骤四、通过长度为L的时间窗从历史数据中获得第i个轴承第j个位置第k个方向在第t时刻的振动数据
Figure 100002_DEST_PATH_IMAGE070
，其中t为时刻，当
Figure 100002_DEST_PATH_IMAGE072
时，数据向量
Figure DEST_PATH_IMAGE006A
为最初时刻第i个轴承第j个位置第k个方向的数据向量；
步骤五、通过核密度估计分别获得
Figure DEST_PATH_IMAGE073
和
Figure 100002_DEST_PATH_IMAGE074
的概率分布
Figure DEST_PATH_IMAGE075
和
Figure 100002_DEST_PATH_IMAGE076
；
步骤六、通过Hellinger距离计算
Figure 100002_DEST_PATH_IMAGE010A
与
Figure DEST_PATH_IMAGE077
之间的距离，
Figure DEST_PATH_IMAGE079
，并通过如下公式计算第i个轴承第j个位置第k个方向在第t时刻的健康评估值
Figure 100002_DEST_PATH_IMAGE080
；
Figure 100002_DEST_PATH_IMAGE082
步骤七、对每个传感器的执行步骤一至步骤六，获得每个传感器的健康评估值
Figure 100002_DEST_PATH_IMAGE083
；
步骤八、利用如下公式计算第i个轴承第j个位置在第t时刻的健康评估值
Figure DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE086
其中，
Figure DEST_PATH_IMAGE088
是第i个轴承第j个位置第k个方向在第t时刻的权重；
步骤九、利用如下公式计算第i个轴承在第t时刻的健康评估值
Figure DEST_PATH_IMAGE089
，
Figure DEST_PATH_IMAGE091
其中，
Figure DEST_PATH_IMAGE093
是第i个轴承第j个位置在第t时刻的权重；
步骤十、利用如下公式计算第t时刻各轴承的健康退化速率
Figure DEST_PATH_IMAGE094
，
Figure DEST_PATH_IMAGE096
其中
Figure DEST_PATH_IMAGE098
是第i个轴承在第t-1时刻的健康评估值。
本发明基于上述健康评估结果，还包括故障预诊断，对轴承组进行故障预诊断，提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护，以避免试验风险或事故。
故障预诊断方法如下：
步骤十一、轴承定位；
轴承定位的操作方法如下；
由步骤六至步骤九可知，
Figure DEST_PATH_IMAGE099
，则可将
Figure 237652DEST_PATH_IMAGE029
分为健康、亚健康和危险三类，其判断规则为：
Figure DEST_PATH_IMAGE100
其中，J1是用于区分健康和亚健康的阈值，J2是用于区分亚健康和危险的阈值；
根据
Figure DEST_PATH_IMAGE101
，采用SVM预测第t+1时刻第i轴承的健康退化速率
Figure DEST_PATH_IMAGE102
，并计算下一时刻的健康评估值
Figure DEST_PATH_IMAGE103
，以此类推，得到
Figure DEST_PATH_IMAGE104
，其中s为预测的第s步；
当任意一个
Figure DEST_PATH_IMAGE106
最先达到危险阶段时，则确定为最先故障的轴承。
在故障预诊断方法中，还包括轴承故障定位，
轴承故障定位的具体操作如下：
故障位置定位，在确定最先故障的轴承后，根据该轴承在第j个位置的健康评估值
Figure DEST_PATH_IMAGE043A
，采用SVM预测
Figure DEST_PATH_IMAGE107
，其中p为预测的第p步；当任意一个位置
Figure DEST_PATH_IMAGE108
（第t+p时刻第i轴承在第j个位置的健康评估值）最先低于位置阈值
Figure DEST_PATH_IMAGE110
时，则确定为最先故障的位置；
定位出故障位置的方向，在确定该轴承可能最先故障的位置后，根据该轴承在该位置第k方向的健康评估值
Figure DEST_PATH_IMAGE111
，采用SVM预测
Figure DEST_PATH_IMAGE112
，其中e为预测的第e步；当任意一个位置
Figure DEST_PATH_IMAGE113
最先低于阈值
Figure DEST_PATH_IMAGE115
时，则确定为该位置最先发生故障的方向。
本发明能在线监测轴承组的退化程度，无需维护人员离线检测，同时基于健康评估结果，对轴承组进行故障预诊断，提醒或警告维护人员对可能发生故障的轴承的位置及方向进行观察和维护，以避免试验风险或事故。

Claims (6)

1.一种轴承组的健康监测方法，其特征在于：包括如下步骤，
S1、获取振动信息，在每个轴承前后两端分别布置数个不同方向的传感器；
S2、对数据进行标准化，消除数据差异；
S3、获得振动数据
Figure DEST_PATH_IMAGE002
，其中t为时刻，当
Figure DEST_PATH_IMAGE004
时，数据向量
Figure DEST_PATH_IMAGE006
为最初时刻第i个轴承第j个位置第k个方向的数据向量；
S4、通过核密度估计分别获得
Figure DEST_PATH_IMAGE007
和
Figure DEST_PATH_IMAGE008
的概率分布
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
；
S5、通过Hellinger距离计算
Figure DEST_PATH_IMAGE010A
与
Figure DEST_PATH_IMAGE013
之间的距离
Figure DEST_PATH_IMAGE015
，并计算第i个轴承第j个位置第k个方向在第t时刻的健康评估值
Figure DEST_PATH_IMAGE017
；
S6、对每个传感器的执行步骤S1至步骤S6，获得每个传感器的健康评估值
Figure DEST_PATH_IMAGE018
；
S7、利用如下公式计算第i个轴承第j个位置在第t时刻的健康评估值
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
是第i个轴承第j个位置第k个方向在第t时刻的权重；
S8、利用如下公式计算第i个轴承在第t时刻的健康评估值
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
是第i个轴承第j个位置在第t时刻的权重；
S9、利用如下公式计算第t时刻第i个轴承的健康退化速率
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
其中
Figure DEST_PATH_IMAGE036
是第i个轴承在第t-1时刻的健康评估值；
S10、轴承定位，包括如下步骤；
S10-1、由步骤S6至步骤S9可知，
Figure DEST_PATH_IMAGE038
，则可将
Figure DEST_PATH_IMAGE040
分为健康、亚健康和危险三类，其判断规则为：
Figure DEST_PATH_IMAGE042
其中，J1是用于区分健康和亚健康的阈值A，J2是用于区分亚健康和危险的阈值B；
S10-2、根据
Figure DEST_PATH_IMAGE044
，采用SVM预测第t+1时刻第i轴承的健康退化速率
Figure DEST_PATH_IMAGE046
，并计算下一时刻的健康评估值
Figure DEST_PATH_IMAGE048
，以此类推，得到
Figure DEST_PATH_IMAGE050
，其中s为预测的第s步；
S10-3、当任意一个
Figure DEST_PATH_IMAGE052
最先达到危险阶段时，则确定为最先故障的轴承；
S11、轴承故障定位，该轴承故障定位包括如下步骤；
S11-1、故障位置定位，在确定最先故障的轴承后，根据该轴承在第j个位置的健康评估值
Figure DEST_PATH_IMAGE054
，采用SVM预测
Figure DEST_PATH_IMAGE056
，其中p为预测的第p步；当任意一个位置
Figure DEST_PATH_IMAGE058
最先低于位置阈值时，则确定为最先故障的位置；
S11-2、定位出故障位置的方向，在确定该轴承最先故障的位置后，根据该轴承在该位置第k方向的健康评估值
Figure DEST_PATH_IMAGE060
，采用SVM预测
Figure DEST_PATH_IMAGE062
，其中e为预测的第e步；当任意一个位置
Figure DEST_PATH_IMAGE064
最先低于阈值
Figure DEST_PATH_IMAGE066
时，则确定为该位置最先发生故障的方向。
2.根据权利要求1所述一种轴承组的健康监测方法，其特征在于：所述步骤S1中轴承的传感器布置方法是，轴承前后两端分别布置四个不同方向的传感器，四个不同方向分别是0°、45°、90°和135°；
当j=0和1分别表示轴承的前部位置和后部位置， k=0,1,2,3分别表示0°，90°、45°和135°四个方向。
3.根据权利要求1所述一种轴承组的健康监测方法，其特征在于：所述步骤S2中采用如下公式对数据进行标准化，
Figure DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE070
和
Figure DEST_PATH_IMAGE072
分别为标准化前和标准化后的第i个轴承第j个位置第k个方向的振动数据，
Figure DEST_PATH_IMAGE074
和
Figure DEST_PATH_IMAGE076
分别为第i个轴承第j个位置第k个方向的平均值和标准差。
4.根据权利要求1所述一种轴承组的健康监测方法，其特征在于：所述步骤S3中获得数据
Figure DEST_PATH_IMAGE078
的方法如下：
通过自相关长度确定获取各传感器的时间窗的长度Lm，取平均值L作为最终的长度；
通过长度为L的时间窗从历史数据中获得第i个轴承第j个位置第k个方向在第t时刻的振动数据
Figure DEST_PATH_IMAGE080
。
5.根据权利要求4所述一种轴承组的健康监测方法，其特征在于：所述L的表达式如下，
Figure DEST_PATH_IMAGE082
其中，M为传感器数量，m是第m个传感器。
6.根据权利要求1所述一种轴承组的健康监测方法，其特征在于：所述步骤S5中健康评估值
Figure DEST_PATH_IMAGE083
通过如下公式计算，
Figure DEST_PATH_IMAGE085
。
CN202111458260.XA 2021-12-02 2021-12-02 一种轴承组的健康监测方法 Active CN113865873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111458260.XA CN113865873B (zh) 2021-12-02 2021-12-02 一种轴承组的健康监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111458260.XA CN113865873B (zh) 2021-12-02 2021-12-02 一种轴承组的健康监测方法

Publications (2)

Publication Number Publication Date
CN113865873A CN113865873A (zh) 2021-12-31
CN113865873B true CN113865873B (zh) 2022-02-18

Family

ID=78985607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111458260.XA Active CN113865873B (zh) 2021-12-02 2021-12-02 一种轴承组的健康监测方法

Country Status (1)

Country Link
CN (1) CN113865873B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675525A (zh) * 2013-11-14 2014-03-26 南京航空航天大学 基于多svdd模型的dc-dc变换器健康监测与故障预测方法
CN104598736A (zh) * 2015-01-22 2015-05-06 西安交通大学 一种自适应多核组合相关向量机的滚动轴承寿命预测模型
CN105658937A (zh) * 2013-10-04 2016-06-08 沃尔沃卡车集团 用于监测传感器的运行的方法
CN106289777A (zh) * 2016-08-01 2017-01-04 北京航空航天大学 一种基于几何度量的多工况滚动轴承性能评估方法
CN106885697A (zh) * 2017-03-17 2017-06-23 华东交通大学 基于fcm‑hmm的滚动轴承的性能退化评估方法
CN107144430A (zh) * 2017-06-27 2017-09-08 电子科技大学 一种基于增量学习的轴承故障诊断方法
AU2017269731A1 (en) * 2016-05-24 2018-11-29 Nuovo Pignone Tecnologie Srl Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system
CN111307461A (zh) * 2020-04-13 2020-06-19 郑州恩普特科技股份有限公司 一种基于特征向量基线法的滚动轴承故障检测方法
CN112000081A (zh) * 2020-08-31 2020-11-27 江南大学 基于多块信息提取和马氏距离的故障监测方法及系统
CN112326246A (zh) * 2020-11-02 2021-02-05 北京航空航天大学 基于周期数据及核密度估计的轴承安全状态在线监测方法
CN112347571A (zh) * 2020-09-18 2021-02-09 中国人民解放军海军工程大学 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法
CN112393906A (zh) * 2020-10-28 2021-02-23 中车南京浦镇车辆有限公司 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN113204837A (zh) * 2021-03-27 2021-08-03 中国航发湖南动力机械研究所 一种多源信息的滚动轴承故障诊断方法
CN113566953A (zh) * 2021-09-23 2021-10-29 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 一种柔壁喷管的在线监测方法
CN113609685A (zh) * 2021-08-09 2021-11-05 电子科技大学 基于优化rvm和混合退化模型的轴承剩余寿命预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8311774B2 (en) * 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
CN110285969B (zh) * 2019-07-10 2020-05-26 西安交通大学 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法
CN113567125B (zh) * 2021-07-21 2023-08-29 上海工程技术大学 一种轨道车辆轴箱轴承便携式道旁声学检测系统及方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105658937A (zh) * 2013-10-04 2016-06-08 沃尔沃卡车集团 用于监测传感器的运行的方法
CN103675525A (zh) * 2013-11-14 2014-03-26 南京航空航天大学 基于多svdd模型的dc-dc变换器健康监测与故障预测方法
CN104598736A (zh) * 2015-01-22 2015-05-06 西安交通大学 一种自适应多核组合相关向量机的滚动轴承寿命预测模型
AU2017269731A1 (en) * 2016-05-24 2018-11-29 Nuovo Pignone Tecnologie Srl Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system
CN106289777A (zh) * 2016-08-01 2017-01-04 北京航空航天大学 一种基于几何度量的多工况滚动轴承性能评估方法
CN106885697A (zh) * 2017-03-17 2017-06-23 华东交通大学 基于fcm‑hmm的滚动轴承的性能退化评估方法
CN107144430A (zh) * 2017-06-27 2017-09-08 电子科技大学 一种基于增量学习的轴承故障诊断方法
CN111307461A (zh) * 2020-04-13 2020-06-19 郑州恩普特科技股份有限公司 一种基于特征向量基线法的滚动轴承故障检测方法
CN112000081A (zh) * 2020-08-31 2020-11-27 江南大学 基于多块信息提取和马氏距离的故障监测方法及系统
CN112347571A (zh) * 2020-09-18 2021-02-09 中国人民解放军海军工程大学 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法
CN112393906A (zh) * 2020-10-28 2021-02-23 中车南京浦镇车辆有限公司 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN112326246A (zh) * 2020-11-02 2021-02-05 北京航空航天大学 基于周期数据及核密度估计的轴承安全状态在线监测方法
CN113204837A (zh) * 2021-03-27 2021-08-03 中国航发湖南动力机械研究所 一种多源信息的滚动轴承故障诊断方法
CN113609685A (zh) * 2021-08-09 2021-11-05 电子科技大学 基于优化rvm和混合退化模型的轴承剩余寿命预测方法
CN113566953A (zh) * 2021-09-23 2021-10-29 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 一种柔壁喷管的在线监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
" Fault diagnosis of rotating machinery based on kernel density estimation and Kullback-Leibler divergence";F. Zhang et al;《Journal of Mechanical Science and Technology》;20141231;全文 *
"基于多健康状态评估的滚动轴承剩余寿命预测方法研究";张龙龙;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160331;全文 *
"深度学习在设备故障预测与健康管理中的应";陈志强等;《仪器仪表学报》;20190915;全文 *

Also Published As

Publication number Publication date
CN113865873A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
WO2023071217A1 (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
JP5454671B2 (ja) 故障原因診断システムおよびその方法
JP5416630B2 (ja) 移動体異常判断支援システム
CN108572006B (zh) 状态诊断装置
CN105259895B (zh) 一种工业过程微小故障的检测和分离方法及其监测系统
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
CN113834657B (zh) 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
US20230081892A1 (en) Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
KR101797400B1 (ko) 확률밀도 기반의 고장 진단 방법 및 장치
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
KR20190081933A (ko) 제조 설비의 이상 감지 및 진단 방법
Medjaher et al. Feature extraction and evaluation for Health Assessment and Failure prognostics.
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN110704911A (zh) 一种基于集群结构相似性的桥梁损伤交叉定位方法
JP2017032567A (ja) モータの監視装置および方法
CN110582626B (zh) 用由磨损因子校正的异常检测来监视涡轮机的系统和方法
KR20140072331A (ko) 이상진단 사전감시 방법
KR20200058132A (ko) 철도차량 주요부품 및 시스템 진단장치
Satishkumar et al. Vibration based health assessment of bearings using random forest classifier
CN113962253B (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
CN113865873B (zh) 一种轴承组的健康监测方法
CN114781547A (zh) 一种化工设备状态监测与故障诊断方法及系统
CN115059634A (zh) 鼓风设备的故障诊断方法及装置、电子设备
CN114577470A (zh) 用于风机主轴承的故障诊断方法及系统

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