CN114061957A - 一种柴油机主轴承的健康评估方法 - Google Patents
一种柴油机主轴承的健康评估方法 Download PDFInfo
- Publication number
- CN114061957A CN114061957A CN202111374095.XA CN202111374095A CN114061957A CN 114061957 A CN114061957 A CN 114061957A CN 202111374095 A CN202111374095 A CN 202111374095A CN 114061957 A CN114061957 A CN 114061957A
- Authority
- CN
- China
- Prior art keywords
- health
- phase
- main bearing
- fault
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 41
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种柴油机主轴承的健康评估方法,采集主轴承在不同故障下的振动信号,经相空间重构及主矢量投影获取可视相轨迹图;搭建深度卷积神经网络模型;对各类故障相轨迹图标签化,创建训练集并输入模型中学习;当交叉熵损失函数最小时停止迭代,保存诊断模型;另一方面,采集各类故障主轴承在不同健康状态下的振动信号,分别计算并统计其最大李雅普诺夫指数均值,将之作为健康评估标准。评估时,针对故障类型依据相应健康评估标准按就近原则进行健康评估。本发明可实现对主轴承服役状态的在线全面监测,有助于推进主轴承维护方式由定期更换到视情维护,可显著提高经济效益。
Description
技术领域
本发明涉及一种柴油机的故障诊断方法,尤其涉及一种柴油机主轴承的健康评估方法。
背景技术
柴油机主轴承工作时受交变载荷而造成油膜分布不均,油膜较薄易诱发轴承故障。主轴承故障异常将严重降低柴油机效率,增加燃油功耗,威胁柴油机可靠服役。因此,对主轴承进行故障诊断及健康评估显得尤为重要。这将有助于推进主轴承的视情维护,强化维护决策辅助,能显著提高经济效益。
柴油机主轴承属于旋转类机械,工作时会产生高度非线性、非平稳性特征的状态信号,如振动、摩擦力、摩擦系数和温度信号等。在专利号为CN201510080839.5的专利中,直接将轴承故障的振动时域图作为深度学习模型的训练对象。而紧靠时域图或常规时频分析方法难以有效表征故障特征。近年来,非线性方法广泛用于旋转机械诊断中,如混沌分析、分形分析和递归分析等。在专利号为CN202010387072.1的专利中,基于卷积神经网络和模糊C均值聚类算法识别了滚动轴承故障,但该算法过程过于繁琐。此外,现有专利在诊断轴承故障基础上作进一步健康评估,而对主轴承服役状态的全面监测更有助于推进视情维护。现有的柴油机主轴承的故障诊断受到变工况以及强噪声、高振动工作环境的制约,在平衡计算效率和结果准确性的前提下,只能够获得较为粗糙的主轴承的主要故障类型,对于故障的严重程度、不同故障类型下的主轴承具体状态等细节状态的确定问题还无法解决。
发明内容
发明目的:针对以上问题,本发明提出一种柴油机主轴承的健康评估方法,能够快速、准确地评估柴油机主轴承的具体健康状态,例如柴油机主轴承的不同故障位置的损伤程度情况。
技术方案:本发明所采用的技术方案是一种柴油机主轴承的健康评估方法,包括以下步骤:
(1)采集柴油机主轴承的振动信号,采用相空间重构方法将所述振动信号转化为相轨迹图;所述相空间重构方法包括以下步骤:
(11)将一维故障振动信号进行相空间重构,算法如下:
Xi=(xi,xi+τ,xi+2τ,...,xi+(m-1)τ)
式中,x为故障振动信号,Xi为相点矩阵,i=1,2,...,N,N为相点数量,m为嵌入维数,τ为延迟时间;
(12)将重构后高维空间相轨迹进行主矢量投影获取可视相轨迹图,其具体算法如下:令矩阵A=XTX,对A其进行奇异值分解后得到m个的特征值与特征向量,选取最大3个特征值λ1,λ2,λ3,将对应的特征向量V1,V2,V3作为矩阵A的主矢量,将重构后的相空间投影到主矢量方向,得到N×3阶主矢量矩阵B:
B=X[V1,V2,V3]
将矩阵B绘制在三维坐标系中,实现相轨迹的可视化。
(2)根据相轨迹图计算所述振动信号的最大李雅普诺夫指数;将所述相轨迹图输入至诊断模型,完成对所采集振动信号故障类型的诊断,并将结果输入至健康评估模型;所述健康评估模型的建立包括以下步骤:
(21)采集柴油机主轴承各种故障类型中在不同健康状态下的振动信号;所述轴承故障类型包括故障状态和正常状态;所述故障状态包括内圈故障、外圈故障、滚珠故障。
(22)采用相空间重构方法将不同健康状态下的振动信号转化为相轨迹图;
(23)根据步骤(22)中所得的相轨迹图计算最大李雅普诺夫指数;
(24)针对轴承的每一种故障类型,分别统计其各种故障类型在不同健康状态下的最大李雅普诺夫指数均值,将其作为健康评估标准;
所述最大李雅普诺夫指数求解包括以下步骤:
1)对于重构后相空间中每个相点Xa及其邻近点Yb,经过t时间后,两相点距离为:
da(t)=Caeγ(t×Δt)
式中,t=1,2,...,min(N-a,N-b),γ为Xa和Yb的发散率,Ca=da(0);Δt表示时间序列的采样间隔;
2)两边取对数有:
ln da(t)=ln Ca+γ(t×Δt)
3)将上式线性化为:
式中,q表示非零da(t)的数量;
4)对y(t)进行线性拟合,求得斜率即为最大李雅普诺夫指数。
所述诊断模型的建立包括以下步骤:
(31)采集柴油机主轴承各种故障下的故障信号;
(32)采用相空间重构方法将不同故障下的振动信号转化为相轨迹图;
(33)将主轴承不同故障下的相轨迹图标签化,划分训练集、测试集;其中划分训练集、测试集,按照8∶2比例划分。
(34)建立深度卷积神经网络的图像学习模型,对输入层、卷积层、池化层、全连接层进行参数设置;所述的建立深度卷积神经网络的图像学习模型,使用Softmax算法进行预测识别,输出诊断结果,模型结构包括:
1)Input输入层,将相轨迹图尺寸统一预处理为227×227;
2)C1卷积层,Kernel数量为24个,大小为11×11,步长为4;
3)P1池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
4)C2卷积层,Kernel数量为24个,大小为5×5,步长为1;
5)P2池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
6)C3卷积层,Kernel数量为48个,大小为5×5,步长为1;
7)P3池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
8)F1全连接层;
9)F2全连接层,全连接层中设有随机失活层。
(35)将训练集输入深度卷积神经网络模型中学习,训练过程包括前向传播与反向权值更新,寻找到最小交叉熵损失函数后停止迭代,得到诊断模型。在步骤(5)的训练过程中,将误诊样本输入模型继续训练,把训练完成的模型参数通过迁移学习输入到先前诊断模型中以不断修正模型。
(3)所述健康评估模型针对步骤(2)中诊断得到的故障类型,依据该故障类型下的健康评估标准以及步骤(2)所得的振动信号的最大李雅普诺夫指数进行健康评估。所述的健康评估,包括精细评估和粗略评估,所述精细评估是指,计算正常状态下的李雅普诺夫指数值,将故障下的李雅普诺夫指数值与其偏离程度作为健康程度;粗略评估是指,计算正常状态和故障退化四个阶段下的的李雅普诺夫指数,将待评估信号的最大李雅普诺夫指数和健康评估标准作比较,数值上最靠近的健康评估标准所对应的健康状态即为评估结果。
有益效果:相比现有技术,本发明具有以下优点:(1)将相空间重构技术、深度卷积神经网络模型与最大李雅普诺夫指数评估相结合评估柴油机主轴承的具体健康状态,能够提高柴油机主轴承的健康状态的效率和准确性;(2)相轨迹图表征故障特征时容易受到噪声干扰,导致相轨迹的演化轨道发生严重改变。为了避免使用繁琐的去噪算法影响诊断快速性,提出将卷积神经网络与之结合,提取相轨迹图的不变特征。(3)在各类故障相轨迹图的识别上,引入具有良好图像分类效果的卷积神经网络模型,并将误诊样本输入模型继续训练,把训练完成的模型参数通过迁移学习输入到先前诊断模型中以提高诊断率。上述算法简明易行、计算量小,能满足轴承在线故障监测的实时计算性要求。本发明可实现对主轴承服役状态全面监测,有助于推进主轴承维护方式由定期更换到视情维护,可显著提高经济效益。
附图说明
图1是本发明所述的柴油机主轴承的健康评估方法的流程图;
图2是轴承在不同故障下的相轨迹图;
图3是本发明所述的深度卷积神经网络模型的训练精度与损失;
图4是本发明所述的内圈故障的健康评估标准;
图5是本发明所述的故障诊断结果的混淆矩阵。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
基于凯斯西储大学轴承数据库,本发明以驱动端振动信号为例对故障诊断及健康评估的具体实施作详细描述。本例中,以轴承不同的故障位置代表轴承不同故障类型,以损伤尺寸大小表征健康状态好坏。
轴承故障类型具体包括内圈故障、外圈故障、滚珠故障和正常状态。以同为内圈故障时为例,损伤尺寸分别为0,0.007和0.021mm。采集上述振动信号过程中,电机转速为1797rpm,采样频率为12kHz。
本发明所述的柴油机主轴承的健康评估方法,包括以下步骤:
(1)采集柴油机主轴承的振动信号,采用相空间重构方法将振动信号转化为相轨迹图;
(2)根据相轨迹图计算振动信号的最大李雅普诺夫指数;将相轨迹图输入至诊断模型,完成对所采集振动信号故障类型的诊断,并将结果输入至健康评估模型;
(3)健康评估模型针对步骤(2)中诊断得到的故障类型,依据该故障类型下的健康评估标准以及步骤(2)所得的振动信号的最大李雅普诺夫指数进行健康评估。
如图1所示,本发明所述的诊断模型建立、健康评估模型建立以及健康评估过程的详细实施步骤如下:
(1)采集轴承两方面故障信号。一是轴承不同故障下的振动信号,具体包括内圈故障、外圈故障、滚珠故障和正常状态。二是各种故障轴承在不同健康状态下的振动信号,这里以内圈故障在损伤尺寸为0,0.007和0.021mm下的振动信号为例。
(2)为形成一定数量的训练集,将轴承在每种故障下的振动信号进行窗口划分。窗口长度为1000点,窗口数为120个。使用相空间重构技术先将不同故障下的振动信号转化为相轨迹图。不同故障下的相轨迹图如图2所示。具体过程包括:
1)将一维故障振动信号进行相空间重构,算法如下:
Xi=(xi,xi+τ,xi+2τ,...,xi+(m-1)τ)
式中,x为故障振动信号,Xi为相点矩阵。i=1,2,...,N,N为相点数量。m为嵌入维数,τ为延迟时间。
2)旋转机械振动信号的嵌入维数m一般大于3,须将重构后高维空间相轨迹进行主矢量投影获取可视相轨迹图。其具体算法如下:令矩阵A=XTX,对A其进行奇异值分解后得到m个的特征值与特征向量。选取最大3个特征值λ1,λ2,λ3,将对应的特征向量V1,V2,V3作为矩阵A的主矢量。将重构后的相空间投影到主矢量方向,得到N×3阶主矢量矩阵B:
B=X[V1,V2,V3]
将矩阵B绘制在三维坐标系中,实现相轨迹的可视化。
(3)将轴承内圈故障、外圈故障、滚珠故障和正常状态的相轨迹图依次标签化1,2,3和4。按5∶1比例划分训练集、测试集,每种故障的训练集和测试集个数分别为100和20。四种故障训练集和测试集总数分别为400和80。
(4)搭建深度卷积神经网络图像学习模型:
1)Input输入层,将相轨迹图尺寸统一预处理为227×227;
2)C1卷积层,Kernel数量为24个,大小为11×11,步长为4;
3)P1池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
4)C2卷积层,Kernel数量为24个,大小为5×5,步长为1;
5)P2池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
6)C3卷积层,Kernel数量为48个,大小为5×5,步长为1;
7)P3池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
8)F1全连接层;
9)F2全连接层,全连接层中设有随机失活层;
10)使用Softmax算法进行预测识别,输出诊断结果。
(5)将训练集输入深度卷积神经网络模型学习,过程主要包括前向传播与反向权值更新两大过程。寻找到最小交叉熵损失函数后停止迭代,保存诊断模型。训练精度与损失如图3所示。迭代结束后的训练精度为100%,损失为0.000058,训练效果较好。
(6)为提高评估标准的可靠性,对内圈故障在0,0.007和0.021mm损伤尺寸下的振动信号划分窗口。窗口长度为1000点,窗口数为100个。分别对于内圈故障的三种损伤尺寸,计算其每个窗口的最大李雅普诺夫指数。
最大李雅普诺夫指数求解采用Rosenstein算法:
1)对于重构后相空间中每个相点Xa及其邻近点Yb,经过t时间后,两相点距离为:
式中,t=1,2,...,min(N-a,N-b),γ为Xa和Yb的发散率,Ca=da(0)。
2)两边取对数有:
ln da(t)=ln Ca+γ(t×Δt)
式中,Δt表示时间序列的采样间隔。
3)曲线lnda(t)~t在一定时间内具有线性关系,将上式线性化为:
式中,q表示非零da(t)的数量。
4)对y(t)进行线性拟合,求得斜率即为最大李雅普诺夫指数。
(7)经统计,内圈故障在0,0.007和0.021mm损伤尺寸下的最大的李雅普诺夫指数均值为0.18,0.09和0.12,将其作为内圈故障下健康评估标准,如图4所示。
(8)将步骤(3)中的测试集作为监测数据,输入诊断模型中分类,完成对主轴承故障类型诊断。故障诊断结果的混淆矩阵如图5所示,仅有1个内圈故障样本被误诊为外圈故障,诊断率为98.8%。诊断出具体故障之后,假设诊断结果为内圈故障时,依据步骤(7)中的健康评估标准按就近原则作进一步健康评估。就近原则是指:将测试信号的最大李雅普诺夫指数和健康评估标准作比较,数值上最靠近哪一级标准即属于哪一类健康状态。
(9)将误诊样本输入模型继续训练,把训练完成的模型参数通过迁移学习输入到先前诊断模型中以提高诊断率。
对于轴承的健康评估在不同场景下具有不同精度要求。在军用柴油机轴承的评估上需要精确定量化,不能给出粗略的轴承损伤程度或退化阶段。而在民用柴油机轴承上,则更倾向快速的粗略估计,即确定退化的大致等级。使用卷积神经网络和相轨迹图作出故障诊断后,运用李雅普诺夫指数即可进行粗略评估,也可进行精细定量评估。
精细评估是指,计算正常状态下的李雅普诺夫指数值,将故障下的李雅普诺夫指数值与其偏离程度作为健康程度。
粗略评估是指,计算正常状态和故障退化四个阶段下的的李雅普诺夫指数。输入监测信号后,观察与那个阶段相近即为哪个阶段,这可实现粗略评估。
Claims (9)
1.一种柴油机主轴承的健康评估方法,其特征在于,包括以下步骤:
(1)采集柴油机主轴承的振动信号,采用相空间重构方法将所述振动信号转化为相轨迹图;
(2)根据相轨迹图计算所述振动信号的最大李雅普诺夫指数;将所述相轨迹图输入至诊断模型,完成对所采集振动信号故障类型的诊断,并将结果输入至健康评估模型;所述健康评估模型的建立包括以下步骤:
(21)采集柴油机主轴承各种故障类型中在不同健康状态下的振动信号;
(22)采用相空间重构方法将不同健康状态下的振动信号转化为相轨迹图;
(23)根据步骤(22)中所得的相轨迹图计算最大李雅普诺夫指数;
(24)针对轴承的每一种故障类型,分别统计其各种故障类型在不同健康状态下的最大李雅普诺夫指数均值,将其作为健康评估标准;
(3)所述健康评估模型针对步骤(2)中诊断得到的故障类型,依据该故障类型下的健康评估标准以及步骤(2)所得的振动信号的最大李雅普诺夫指数进行健康评估。
2.根据权利要求1所述的柴油机主轴承的健康评估方法,其特征在于:步骤(3)中所述的依据该故障类型下的健康评估标准以及步骤(2)所得的振动信号的最大李雅普诺夫指数进行健康评估,包括精细评估和粗略评估,所述精细评估是指,计算正常状态下的李雅普诺夫指数值,将故障下的李雅普诺夫指数值与其偏离程度作为健康程度;粗略评估是指,计算正常状态和故障退化四个阶段下的的李雅普诺夫指数,将待评估信号的最大李雅普诺夫指数和健康评估标准作比较,数值上最靠近的健康评估标准所对应的健康状态即为评估结果。
3.根据权利要求1所述的柴油机主轴承的健康评估方法,其特征在于,所述诊断模型的建立包括以下步骤:
(1)采集柴油机主轴承各种故障下的故障信号;
(2)采用相空间重构方法将不同故障下的振动信号转化为相轨迹图;
(3)将主轴承不同故障下的相轨迹图标签化,划分训练集、测试集;
(4)建立深度卷积神经网络的图像学习模型,对输入层、卷积层、池化层、全连接层进行参数设置;
(5)将训练集输入深度卷积神经网络模型中学习,训练过程包括前向传播与反向权值更新,寻找到最小交叉熵损失函数后停止迭代,得到诊断模型。
4.根据权利要求3所述的柴油机主轴承的健康评估方法,其特征在于:在步骤(5)的训练过程中,将误诊样本输入模型继续训练,把训练完成的模型参数通过迁移学习输入到先前诊断模型中以不断修正模型。
5.根据权利要求3所述的柴油机主轴承的健康评估方法,其特征在于:所述的将主轴承不同故障下的相轨迹图标签化,划分训练集、测试集,按照8∶2比例划分。
6.根据权利要求3所述的柴油机主轴承的健康评估方法,其特征在于:所述的建立深度卷积神经网络的图像学习模型,使用Softmax算法进行预测识别,输出诊断结果,模型结构包括:
1)Input输入层,将相轨迹图尺寸统一预处理为227×227;
2)C1卷积层,Kernel数量为24个,大小为11×11,步长为4;
3)P1池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
4)C2卷积层,Kernel数量为24个,大小为5×5,步长为1;
5)P2池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
6)C3卷积层,Kernel数量为48个,大小为5×5,步长为1;
7)P3池化层,池化窗口大小为3×3,步长为2,采用最大池化方式;
8)F1全连接层;
9)F2全连接层,全连接层中设有随机失活层。
7.根据权利要求1所述的柴油机主轴承的健康评估方法,其特征在于:。
其特征在于:所述相空间重构方法包括以下步骤:
(11)将一维故障振动信号进行相空间重构,算法如下:
Xi=(xi,xi+τ,xi+2τ,...,xi+(m-1)τ)
式中,x为故障振动信号,Xi为相点矩阵,i=1,2,...,N,N为相点数量,m为嵌入维数,τ为延迟时间;
(12)将重构后高维空间相轨迹进行主矢量投影获取可视相轨迹图,其具体算法如下:令矩阵AXTX,对A其进行奇异值分解后得到m个的特征值与特征向量,选取最大3个特征值λ1,λ2,λ3,将对应的特征向量V1,V2,V3作为矩阵A的主矢量,将重构后的相空间投影到主矢量方向,得到N×3阶主矢量矩阵B:
B=X[V1,V2,V3]
将矩阵B绘制在三维坐标系中,实现相轨迹的可视化。
9.根据权利要求1所述的柴油机主轴承的健康评估方法,其特征在于:所述轴承故障类型包括故障状态和正常状态;所述故障状态包括内圈故障、外圈故障、滚珠故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374095.XA CN114061957A (zh) | 2021-11-18 | 2021-11-18 | 一种柴油机主轴承的健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374095.XA CN114061957A (zh) | 2021-11-18 | 2021-11-18 | 一种柴油机主轴承的健康评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114061957A true CN114061957A (zh) | 2022-02-18 |
Family
ID=80278335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374095.XA Pending CN114061957A (zh) | 2021-11-18 | 2021-11-18 | 一种柴油机主轴承的健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114061957A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216640A (zh) * | 2022-02-21 | 2022-03-22 | 蘑菇物联技术(深圳)有限公司 | 用于检测工业设备故障状态的方法、设备和介质 |
CN114298616A (zh) * | 2022-03-11 | 2022-04-08 | 西南石油大学 | 设备健康状态评估方法、装置和计算机设备 |
CN115420499A (zh) * | 2022-11-04 | 2022-12-02 | 北谷电子有限公司 | 基于李雅普诺夫指数的齿轮箱故障诊断方法及系统 |
CN115641549A (zh) * | 2022-10-18 | 2023-01-24 | 南通思诺船舶科技有限公司 | 一种主推进柴油机组健康监测方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573193A (zh) * | 2017-03-10 | 2018-09-25 | 唐山工业职业技术学院 | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 |
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 |
-
2021
- 2021-11-18 CN CN202111374095.XA patent/CN114061957A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573193A (zh) * | 2017-03-10 | 2018-09-25 | 唐山工业职业技术学院 | 一种滚动轴承多故障耦合机理与早期故障特征提取方法 |
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 |
Non-Patent Citations (6)
Title |
---|
关贞珍郑海起杨云涛,王彦刚: "基于非线性几何不变量的轴承故障诊断方法研究", 振 动 与 冲 击, vol. 28, no. 11, 30 November 2009 (2009-11-30), pages 130 - 133 * |
叶亮,夏新涛: "滚动轴承振动性能的混沌特性与不确定性之间的灰关系评估", 机械传动, vol. 45, no. 1, 31 January 2021 (2021-01-31), pages 9 - 16 * |
左雪,周元凯: "油润滑条件下滑动摩擦表面 三维形貌分形变化规律研究", 江苏科技大学学报(自然科学版), vol. 34, no. 2, 30 April 2020 (2020-04-30), pages 39 - 52 * |
曾全昊,王丰华,郑一鸣,何文林: "基于卷积神经网络的变压器有载分接开关故障识别", 电力系统自动化, vol. 44, no. 11, 10 June 2020 (2020-06-10), pages 144 - 151 * |
赵赏鑫,张来斌,王朝晖,刘桂春: "基于最大李雅普诺夫指数的滚动轴承故障诊断研究", 石油大学学报(自然科学版), vol. 29, no. 4, 31 August 2005 (2005-08-31), pages 80 - 83 * |
顾晓辉,刘永强,杨绍普,廖英英: "基于混沌吸引子特征量的滚动轴承故障诊断", 石家庄铁道大学学报, vol. 28, no. 1, 31 March 2015 (2015-03-31), pages 91 - 95 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216640A (zh) * | 2022-02-21 | 2022-03-22 | 蘑菇物联技术(深圳)有限公司 | 用于检测工业设备故障状态的方法、设备和介质 |
CN114298616A (zh) * | 2022-03-11 | 2022-04-08 | 西南石油大学 | 设备健康状态评估方法、装置和计算机设备 |
CN114298616B (zh) * | 2022-03-11 | 2022-05-06 | 西南石油大学 | 设备健康状态评估方法、装置和计算机设备 |
CN115641549A (zh) * | 2022-10-18 | 2023-01-24 | 南通思诺船舶科技有限公司 | 一种主推进柴油机组健康监测方法和系统 |
CN115641549B (zh) * | 2022-10-18 | 2023-05-26 | 南通思诺船舶科技有限公司 | 一种主推进柴油机组健康监测方法和系统 |
CN115420499A (zh) * | 2022-11-04 | 2022-12-02 | 北谷电子有限公司 | 基于李雅普诺夫指数的齿轮箱故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114061957A (zh) | 一种柴油机主轴承的健康评估方法 | |
CN108388860B (zh) | 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 | |
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
CN108334059B (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
Althubaiti et al. | Fault diagnosis and health management of bearings in rotating equipment based on vibration analysis–a review | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
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 | |
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 | |
CN109978134B (zh) | 一种基于快速集成卷积神经网络的故障预测方法 | |
CN107782551B (zh) | 一种机械部件损伤程度的评估方法 | |
CN108898120A (zh) | 基于混合神经网络的冷水机组故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN111337767A (zh) | 一种谐振波减速器故障分析方法 | |
CN113569685A (zh) | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
Han et al. | A novel intelligent fault diagnosis method based on dual convolutional neural network with multi-level information fusion | |
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 |
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 |