CN113899550A - 迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 - Google Patents
迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113899550A CN113899550A CN202111145671.3A CN202111145671A CN113899550A CN 113899550 A CN113899550 A CN 113899550A CN 202111145671 A CN202111145671 A CN 202111145671A CN 113899550 A CN113899550 A CN 113899550A
- Authority
- CN
- China
- Prior art keywords
- matrix
- energy operator
- order energy
- explosion
- proof motor
- 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
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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统,包括:针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度在同一尺度上,得到多维故障信息矩阵;对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;对固有流形进行加权融合处理。本发明有利于得到理想的防爆电机轴承故障冲击提取效果。
Description
技术领域
本发明涉及防爆电机智能运维的技术领域,尤其是指一种迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统。
背景技术
轴承作为防爆电机的核心部件之一,是一种实现角运动向其它运动转换的元件,起着支撑电机主轴、承受负载、传输系统动力、降低功耗等重要的作用。因此轴承的健康状态对防爆电机能否正常运作起着至关重要的影响。然而由于防爆电机主要应用在易燃、易爆等恶劣的工作环境中,这些恶劣的工作环境中通常会伴随着噪声,这对故障轴承信息的提取产生了困难。但正是这些微弱、难以提取的防爆电机轴承故障会使得装置停车,甚至导致机毁人亡的严重后果。因此,针对防爆电机轴承微弱故障诊断方法的研究,对于发展高安全性、高可靠性的防爆电机具有重要、深远的意义。
传统的防爆电机轴承故障诊断方法包括辨音法、比较法等,这些传统的检测方法要求检测人员具有很多的经验并且监测效率较低。如今随着科学技术不断的进步,传统故障检测方法所露出的劣势明显已经不能满足防爆电机在实际应用中稳定性的要求,高可靠性、高自动化的故障检测技术日趋重要。近些年来防爆电机使用的主要故障监测方法包括振动信号监测法、音频监测法、强度监测法等。其中,振动信号监测法是目前应用最广泛的方法,该方法信号特征明显,能够实时反映防爆电机运行的状态信息,不但减少了停机拆卸的成本,并且对检测人员的专业性要求较低。
目前发展了许多的基于振动信号的检测法,如经验模态分解、时频分析等。然而,这些方法或多或少都有一定的局限性。例如,基于小波变换的方法需要提前对小波基进行选择,高频共振技术则需要设计合适的中心频率和最佳带宽。这些参数会因工作环境的不同而变化,这在工业应用中非常不方便。能量算子方法的研究克服了参数选择的局限性,但传统的能量算子方法,在强背景噪声的干扰下并不能得到理想的故障效果。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中从强背景噪声中无法得到更清晰的故障冲击信号的问题,从而提供一种可以得到理想的故障冲击信号的迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统。
为解决上述技术问题,本发明提出的一种迭代高阶能量算子融合防爆电机轴承故障诊断方法,包括如下步骤:针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵;对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;对固有流形进行加权融合处理。
在本发明的一个实施例中,所采集到的防爆电机轴承信号中,对于连续信号x(t),其高阶能量算子,定义为Ej(x(t))=x′x(j-1)-xx(j),式中x(t)为连续信号,x(j)为x的j阶导数,实际采集到的故障轴承数据为离散数据x(n),其高阶能量算子,定义为:Ej(x(n))=x(n)x(n+j-2)-x(n-1)x(n+j-1),式中x(n)为离散数据,x(n)为x(n)数据中的第n个数据,j为第j阶能量算子,利用高阶能量算子得到具有较高信噪比的多维矩阵:式中x(n)为离散数据,x(n)为x(n)数据中的第n个数据,i为阶次。
在本发明的一个实施例中,所述i=6。
在本发明的一个实施例中,对多维矩阵的每行进行归一化处理时,对多维信息矩阵每个维度进行L2-范数归一化处理,使得组成多维矩阵的各个维度保持同一尺度上,得到多维故障信息矩阵式中M(i)为矩阵M的第i行(i=1,…,18),||·||2为该向量的L2-范数。
在本发明的一个实施例中,所述提取内部固有流形的方法为局部切空间排列,包括:对局部信息进行提取;针对提取的局部信息构造排列矩阵;根据所述排列矩阵,对齐全局坐标得到故障信息。
在本发明的一个实施例中,对局部信息进行提取时,首先确定每个D维数据点Zi的邻域范围k,排列熵值是用来描述时间序列复杂性的参数,其表达式为:式中P是最终固有流形融合特征U在相空间重构中的嵌入维数,Pi是最终固有流形融合特征U重构的第i个排列的概率分布,通过对比不同k值的排列熵值,找到最小排列熵值对其邻域范围k进行确定,得到局部信息集合其中包括Zi点身;其次,对集合Zi中心化得到矩阵式中是集合Zi的平均值,ek是k维的单位向量,求出中心化矩阵的d个最大右奇异向量得到k维切线空间的正交基Vi=[g1,g2,…,gd];随后再对提取的局部信息构造排列矩阵,利用数据集Z和邻域集Zi构造0-1选择矩阵Si:Si=Z-1Zi,利用k维切线空间的正交基Vi,得到相关矩阵Wi:式中I为单位对角矩阵,通过上述得到的矩阵,构造排列矩阵B:然后对齐全局坐标时,求出排列矩阵B的前d+1个最小特征向量,最后得到d维全局坐标D0∈Rd×N,坐标中的元素与排列矩阵B中从第2个至第d+1个最小特征值相互对应,其全局坐标矩阵DO的公式如下:DO=[U2,U3,…,Ud+1]T,其中Ud+1∈RN表示LTSA算法输出的第d维数据,得到内部固有流形,且固有维数d小于原始维数D。
本发明还提供了一种迭代高阶能量算子融合防爆电机轴承故障诊断系统,包括:采集处理模块,用于针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵;提取模块,用于对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;加权融合处理模块,用于对固有流形进行加权融合处理。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统,基于固有特征与其对应特征值的关系,即特征值越小其对应固有特征的低维映射误差越小,建立了固有流形加权融合方法。使得流形学习后的固有流形中所包含的故障信息尽可能不会损失,并且降低噪声的影响。方法使得降维后的故障信息尽可能的得到保留。克服了对于流形学习时只选择固有维度为1来进行固有流形的提取时,其他维度故障信号的丢失;以及当固有维度选取数值大于1时,对整体固有流形中各维数据融合方法的盲目性以及不合理。
基于迭代高阶能量算子构建多维矩阵,并且对多维矩阵引入流形学习用以揭示多维矩阵内部所蕴含的故障信息,克服了普通能量算子方法对于强背景噪声下故障提取能力差的问题。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明迭代高阶能量算子融合防爆电机轴承故障诊断方法流程图;
图2是本发明的一组故障信号时域波形;
图3是本发明故障信号在各阶能量算子处理后的效果图;
图4是本发明依据最小排列熵选择邻域范围k值示意图;
图5是本发明的效果示意图。
具体实施方式
实施例一
如图1所示,本实施例提供一种迭代高阶能量算子融合防爆电机轴承故障诊断方法,包括如下步骤:步骤S1:针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵;步骤S2:对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;步骤S3:对固有流形进行加权融合处理。
本实施例所述迭代高阶能量算子融合防爆电机轴承故障诊断方法,所述步骤S1中,针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵。因此本发明基于迭代高阶能量算子构建多维矩阵,使得构成多维信息矩阵中的各维数据的信噪比都有所提高,多维信息矩阵中包含了丰富的故障信息,从而克服了普通能量算子方法对于强背景噪声下故障提取能力差的问题;所述步骤S2中,对于所述多维故障信息矩阵进行流形学习用以揭示多维矩阵内部所蕴含的故障信息,提取内部固有流形,有利于使得流形学习后的固有流形中所包含的故障信息尽可能不会损失,并且降低噪声的影响;所述步骤S3中,对固有流形进行加权融合处理,利用固有流形对应的特征值越小,则其所对应的低维空间映射误差越小的特点对固有流形进行加权融合,克服了对于流形学习时只选择固有维度为1来进行固有流形的提取时,其他维度故障信号的丢失;以及当固有维度选取数值大于1时,对整体固有流形中各维数据融合方法的盲目性以及不合理,有利于降维后的故障信息尽可能的得到保留,得到理想的轴承故障冲击提取效果,从而实现对强背景噪声下的防爆电机轴承故障冲击进行提取,实现对防爆电机轴承的故障诊断。
所述步骤S1中,所采集到的防爆电机轴承信号中,对于连续信号x(t),其高阶能量算子,定义为:
Ej(x(t))=x′x(j-1)-xx(j) (1)
式中x(t)为连续信号,x(j)为x的j阶导数;
实际采集到的故障轴承数据为离散数据x(n),其高阶能量算子,定义为:
Ej(x(n))=x(n)x(n+j-2)-x(n-1)x(n+j-1) (2)
式中x(n)为离散数据,x(n)为x(n)数据中的第n个数据,j为第j阶能量算子。
因为能量算子具有提高信噪比的特点,并且实际采集的防爆电机轴承数据为离散数据,则利用高阶能量算子得到具有较高信噪比的多维矩阵如下:
式中x(n)为离散数据,x(n)为x(n)数据中的第n个数据,i为阶次。
由于所提取的防爆电机轴承信号中同样也含有高频噪声的成分,随着高阶能量算子阶次的提高,高频噪声也会被放大;同时,由于不同时间的故障特征放大效果不同,过高的阶次会使得不同的故障特征放大差距加大,导致部分故障特征被淹没。通过多次实验验证,当阶次为6时,处理效果最为理想,所以i=6。
由于高阶能量算子具有迭代性,利用迭代高阶能量算子构造多维矩阵时,将多维矩阵中各阶能量算子数据代入能量算子公式中进行迭代,有:
得到一次迭代高阶能量算子矩阵:
对于两次迭代高阶能量算子,则同理将一次迭代能量算子矩阵数据再次带入能量算子表达式:
得到二次迭代高阶能量算子矩阵:
虽然能量算子的迭代会进一步放大信噪比,但是因为同一组数据上所包含的不同故障冲击的幅值等特点并不完全相同,所以过高的迭代次数反而会使得不同故障冲击的幅值差距过大,从而导致部分故障冲击被湮灭,经过大量的实验证明,当迭代两次时,该方法所得到的结果最理想。所得利用高阶能量算子及其两次迭代构造高信噪比,包含丰富故障信息的多维矩阵:
因为迭代的能量算子会使得原本的有些明显的故障冲击的特征成倍的放大,而有的故障特征并没有得到同样的放大效果,随着阶次的不断增大,不同阶次的能量算子所得到的故障特征差距也会不断地放大。因此为了构建理想的多维故障信息矩阵以供后续步骤的有效进行,则需要对构成特征矩阵的每一个维度进行归一化处理,使得组成多维矩阵的各个维度可以保持在同一尺度上,得到多维故障信息矩阵式中对多维信息矩阵每个维度进行L2-范数归一化处理,M(i)为矩阵M的第i行(i=1,…,18),||·||2为该向量的L2-范数。
所述步骤S2中,所述提取内部固有流形的方法为局部切空间排列,包括:对局部信息进行提取;针对提取的局部信息构造排列矩阵;根据所述排列矩阵,对齐全局坐标得到故障信息。
对局部信息进行提取时,首先需要确定每个D维数据点Zi的邻域范围k。因为排列熵值是用来描述时间序列复杂性的参数,其表达式为:
式中,P是最终固有流形融合特征U在相空间重构中的嵌入维数,Pi是最终固有流形融合特征U重构的第i个排列的概率分布,根据相关研究经验,设置嵌入维数P=6,时延参数τ=3。在局部切空间排列进行高维数据降维的研究中,选择的最优近邻点数多集中于区间[10,40]内,因此根据排列熵指标对近邻点数k进行筛选的范围选定为[10,40],并且由于排列熵值越高,时间序列越杂乱,意味着固有流形融合特征中有更多的随机噪声,通过对比不同k值的排列熵值,找到最小排列熵值对其邻域范围k进行确定,得到局部信息集合(其中包括Zi点身)。
针对提取的局部信息构造排列矩阵时,利用数据集Z和邻域集Zi构造0-1选择矩阵Si:
Si=Z-1Zi (10)
利用k维切线空间的正交基Vi,得到相关矩阵Wi:
式中I为单位对角矩阵。
通过上述得到的矩阵,构造排列矩阵B:
所述对齐全局坐标时,求出排列矩阵B的前d+1个最小特征向量,最后得到d维全局坐标D0∈Rd×N,坐标中的元素与排列矩阵B中从第2个至第d+1个最小特征值相互对应,其全局坐标矩阵DO的公式如下:
DO=[U2,U3,…,Ud+1]T (13)
其中Ud+1∈RN表示LTSA算法输出的第d维数据,得到内部固有流形。上式所输出的数据集D0是输入数据X进行流形学习后的形式,需要注意的是d是固有维数,它远小于原始维数D。
所述步骤S3中,由于流形学习过后的固有流形的各个维度都含有一定程度的故障冲击,但同样随着固有维数d的增加,其对应维度的数据所包含噪声的程度会加大。为了获得更好的故障冲击,利用各个维度与其对应特征值的关系,对降维后的固有流形进行融合。因为对齐全局坐标中的特征值越小所对应的特征向量的映射误差就会越小,即固有流形中,各维度对应的映射误差越小。经过多次试验,发现当固有维数d大于3时,其所对应的特征值便会急剧上升,则为了减小不必要的计算,设置固有维数d=3。并且对固有流形的各个维度进行加权融合:
式中λi为固有流形Ui所对应的特征值,正负号的选择依据最终固有流形各维度的波形而确定,即映射误差小的数据在最终的融合中所占的权重大。
下面通过一组故障轴承的实验信号来对本发明的处理效果进行说明。
如图2为采集的一组轴承外圈故障振动数据,然后对其求得高阶能量算子如图3所示,这时故障轴承的冲击信号相对而言已更加清晰,但仍有部分故障冲击被噪声所掩盖,因此利用迭代高阶能量算子构建高信噪比、包含丰富故障信息的多维矩阵。利用局部切空间排列对多维矩阵进行流形学习,通过最小排列熵值对其邻域范围k进行确定,如图4所示,确定邻域范围k为18时其熵值最小。则通过上述迭代高阶能量算融合的方法得到最终的效果如图5所示,可以清晰的看出轴承故障冲击,并且相较于单独的高阶能量算子,噪声也得到抑制,使得较弱的故障冲击也得到了凸显。
实施例二
基于同一发明构思,本实施例提供了一种迭代高阶能量算子融合防爆电机轴承故障诊断系统,其解决问题的原理与所述迭代高阶能量算子融合防爆电机轴承故障诊断方法类似,重复之处不再赘述。
本实施例提供一种迭代高阶能量算子融合防爆电机轴承故障诊断系统,包括:
采集处理模块,用于针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵;
提取模块,用于对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;
加权融合处理模块,用于对固有流形进行加权融合处理。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种迭代高阶能量算子融合防爆电机轴承故障诊断方法,其特征在于,包括如下步骤:
步骤S1:针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵;
步骤S2:对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;
步骤S3:对固有流形进行加权融合处理。
3.根据权利要求2所述的迭代高阶能量算子融合防爆电机轴承故障诊断方法,其特征在于:所述i=6。
7.根据权利要求1所述的迭代高阶能量算子融合防爆电机轴承故障诊断方法,其特征在于:所述提取内部固有流形的方法为局部切空间排列,包括:对局部信息进行提取;针对提取的局部信息构造排列矩阵;根据所述排列矩阵,对齐全局坐标得到故障信息。
8.根据权利要求7所述的迭代高阶能量算子融合防爆电机轴承故障诊断方法,其特征在于:对局部信息进行提取时,首先确定每个D维数据点Zi的邻域范围k,排列熵值是用来描述时间序列复杂性的参数,其表达式为:式中P是最终固有流形融合特征U在相空间重构中的嵌入维数,Pi是最终固有流形融合特征U重构的第i个排列的概率分布,通过对比不同k值的排列熵值,找到最小排列熵值对其邻域范围k进行确定,得到局部信息集合其中包括Zi点身;其次,对集合Zi中心化得到矩阵式中是集合Zi的平均值,ek是k维的单位向量,求出中心化矩阵的d个最大右奇异向量得到k维切线空间的正交基Vi=[g1,g2,…,gd];随后再对提取的局部信息构造排列矩阵,利用数据集Z和邻域集Zi构造0-1选择矩阵Si:Si=Z-1Zi,利用k维切线空间的正交基Vi,得到相关矩阵Wi:式中I为单位对角矩阵,通过上述得到的矩阵,构造排列矩阵B:然后对齐全局坐标时,求出排列矩阵B的前d+1个最小特征向量,最后得到d维全局坐标D0∈Rd×N,坐标中的元素与排列矩阵B中从第2个至第d+1个最小特征值相互对应,其全局坐标矩阵DO的公式如下:DO=[U2,U3,…,Ud+1]T,其中Ud+1∈RN表示LTSA算法输出的第d维数据,得到内部固有流形,且固有维数d小于原始维数D。
10.一种迭代高阶能量算子融合防爆电机轴承故障诊断系统,其特征在于,包括:
采集处理模块,用于针对所采集到的防爆电机轴承信号,利用迭代高阶能量算子构造多维矩阵,其中每一行分别表示不同阶次的迭代高阶能量算子,对每行进行归一化处理使得组成多维矩阵的各个维度保持在同一尺度上,得到多维故障信息矩阵;
提取模块,用于对于所述多维故障信息矩阵进行流形学习,提取内部固有流形;
加权融合处理模块,用于对固有流形进行加权融合处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145671.3A CN113899550B (zh) | 2021-09-28 | 2021-09-28 | 迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145671.3A CN113899550B (zh) | 2021-09-28 | 2021-09-28 | 迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113899550A true CN113899550A (zh) | 2022-01-07 |
CN113899550B CN113899550B (zh) | 2022-08-02 |
Family
ID=79188997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111145671.3A Active CN113899550B (zh) | 2021-09-28 | 2021-09-28 | 迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113899550B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
CN103018044A (zh) * | 2012-11-22 | 2013-04-03 | 北京工业大学 | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
JP2019079352A (ja) * | 2017-10-25 | 2019-05-23 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN111175046A (zh) * | 2020-03-18 | 2020-05-19 | 北京工业大学 | 一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法 |
CN113295413A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
-
2021
- 2021-09-28 CN CN202111145671.3A patent/CN113899550B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
CN103018044A (zh) * | 2012-11-22 | 2013-04-03 | 北京工业大学 | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
JP2019079352A (ja) * | 2017-10-25 | 2019-05-23 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN111175046A (zh) * | 2020-03-18 | 2020-05-19 | 北京工业大学 | 一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法 |
CN113295413A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 一种基于间接信号的牵引电机轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113899550B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
Feng et al. | Fast randomized PCA for sparse data | |
EP4016331A1 (en) | Neural network dense layer sparsification and matrix compression | |
Lu et al. | Fault diagnosis of rolling bearing based on improved VMD and KNN | |
CN109739999A (zh) | 一种高效的果蝇神经网络哈希搜索wmsn数据方法 | |
CN109855875B (zh) | 一种滚动轴承运行可靠度预测方法 | |
Vemulapalli et al. | Robust extrema features for time-series data analysis | |
Lee et al. | Shapeadv: Generating shape-aware adversarial 3d point clouds | |
Zhang et al. | Method of rolling bearing fault detection based on two-dimensional tri-stable stochastic resonance system | |
CN116049650A (zh) | 基于rfsfd-t网络的射频信号指纹识别方法及系统 | |
Zhang et al. | Fault diagnosis of permanent magnet motor based on DCGAN-RCCNN | |
CN113899550B (zh) | 迭代高阶能量算子融合防爆电机轴承故障诊断方法及系统 | |
CN114819388A (zh) | 基于频域信息引导的凝汽器真空度预测方法和装置 | |
Xiao et al. | An improved graph convolutional networks for fault diagnosis of rolling bearing with limited labeled data | |
Shi et al. | Wind turbines fault diagnosis method under variable working conditions based on AMVMD and deep discrimination transfer learning network | |
Jiang et al. | A novel hybrid distance guided domain adversarial method for cross domain fault diagnosis of gearbox | |
CN114444690B (zh) | 一种基于任务扩增的迁移攻击方法 | |
Hu et al. | An improved metalearning framework to optimize bearing fault diagnosis under data imbalance | |
Zhan et al. | An advanced JPEG steganalysis method with balanced depth and width based on fractal residual network | |
He et al. | Fault Diagnosis Method of Rolling Bearing Based on ESGMD-CC and AFSA-ELM. | |
Wang et al. | Pattern Synthesis for Sparse Arrays by Compressed Sensing and Low‐Rank Matrix Recovery Methods | |
Boudehane et al. | Breaking the curse of dimensionality for coupled matrix-tensor factorization | |
Pan et al. | Multi-Perception Graph Convolution Transfer Network Bearing Fault Diagnosis Method | |
CN112329589B (zh) | 一种基于高维特征算法的人脸识别方法 | |
Li et al. | Fault diagnosis method of motor bearing based on deep transfer learning |
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 |