CN114112400A - 一种基于多角度信息融合的机械轴承故障诊断方法 - Google Patents
一种基于多角度信息融合的机械轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114112400A CN114112400A CN202111447206.5A CN202111447206A CN114112400A CN 114112400 A CN114112400 A CN 114112400A CN 202111447206 A CN202111447206 A CN 202111447206A CN 114112400 A CN114112400 A CN 114112400A
- Authority
- CN
- China
- Prior art keywords
- signal
- bearing fault
- fault diagnosis
- angle information
- fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 230000003595 spectral effect Effects 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 abstract description 2
- 230000036039 immunity Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001131 transforming effect Effects 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于多角度信息融合的机械轴承故障诊断方法，包括以下步骤：通过在轴承不同端、轴承不同方向进行振动信号采集，得到多个角度的振动信号；利用小波阈值降噪的方法对采集到的信号进行去噪，得到去噪后的轴承故障信号；对去噪后的信号进行经验模态分解分解，进行信号特征提取，筛选出相关系数最大的固有模态函数分量；将固有模态函数分量瞬时值谱进行傅里叶变换；对离散傅里叶变换频谱图进行归一化处理；通过像素灰度选择图像融合算法将频谱图进行特征融合；采用特征融合处理过的频谱图像数据集训练卷积神经网络。本发明解决了单一传感器对机械故障诊断方面的局限性和片面性，具有较好的抗噪能力和鲁棒性。
Description
技术领域
本发明属于机械轴承故障诊断领域，特别涉及一种基于多角度信息融合的机械轴承故障诊断方法。
背景技术
机械轴承是机械设备的关键组成部分，在工业生产、航空航天、交通运输等重要领域扮演着十分重要的角色。轴承的任何部位出现故障都可能导致机械运行情况的恶化，造成生产进程的停滞、财产的损失，甚至造成人员的伤亡。近年来，针对机械轴承的故障诊断技术发展迅速，研究的手段和方法层出不穷，如何能够及时精确地识别机械轴承的故障类型和位置，对保持机器运转的稳定性和安全性具有重要意义。
随着智能制造的发展，机械大数据时代的来临，使得机械设备日益精密化、高速化、集成化、智能化，机械设备的组成与结构越来越复杂，各个设备之间的关系越来越紧密，导致机械轴承故障的原因越来越多，以至于依靠常规的故障诊断方法具有很大的局限性。其次，不同轴承，位置故障引发的性能变化不相同，表现在外的故障征兆也不尽相同，它们之间是一种很复杂的非线性映射关系。这些不确定因素给机械轴承故障诊断带来了更大的挑战。而数据融合又被工业界认为是解决机械设备故障不确定性问题的优选方法。因此，采用多角度信息融合诊断机械轴承的运行状态有着重要意义，不仅可以提早发现故障隐患，及时检修更换，充分利用轴承的有效使用寿命，而且可以提高工厂单位的生产效率和经济效益。
针对机械轴承的故障诊断，数据集的获得和特征提取是问题的关键。然而，现有智能故障诊断方法大多对单个传感器采集的振动信号进行分析和特征提取，虽然在一定程度上能够反应出机械轴承设备的异常特征，但是单个传感器有一定的功能和测量范围，具有一定的局限性和片面性。本发明充分利用多传感器采集的数据信息，将多角度信息融合起来，进行协调优化和综合处理，对其进行特征提取、特征融合，并作为分类器的输入提高了诊断的精确性。
发明内容
本发明的目的是提供一种基于多角度信息融合的机械轴承故障诊断方法，以解决现有技术中存在的单一传感器对机械故障诊断方面的局限性和片面性。
为实现上述目的，本发明采用如下技术方案：
一种基于多角度信息融合的机械轴承故障诊断方法，包括以下步骤：
步骤a，通过在轴承不同端、轴承不同方向进行振动信号采集，得到多个角度的振动信号，并对采集到的振动信号选取采样点并确定采样区间；
步骤b，利用小波阈值降噪的方法对步骤a采集到的信号进行去噪，得到去噪后的轴承故障信号，该信号为时域波形图；
步骤c，对步骤b得到的去噪后的轴承故障信号进行经验模态分解(EMD)分解，进行信号特征提取，筛选出相关系数最大的固有模态函数(IMF)分量；
步骤d，将步骤c得到的固有模态函数(IMF)分量瞬时值谱进行傅里叶变换(FFT)；
步骤e，对步骤d获得的离散傅里叶变换(FFT)频谱图进行归一化处理；
步骤f，通过像素灰度选择图像融合算法将步骤e得到的频谱图进行特征融合；
步骤g，采用特征融合步骤f处理过的频谱图像数据集训练卷积神经网络。
进一步的，所述步骤a中，轴承不同端为风扇端或驱动端，轴承不同方向为水平方向或垂直方向。
进一步的，所述步骤b中，通过对采集到的原始振动信号x(t)进行小波变换，得到一组小波分解系数Wj,k；对原始振动信号的小波分解系数进行阈值处理，得到小波估计系数
使得
尽可能的小；对处理后的小波系数
进行重构，得到估计信号
从而得到去噪后的信号；通过公式
使信噪比SNR 尽可能的大来选取小波和阈值,其中，fi为观测信号，gi为真实信号，n为信号数，i∈ n。
进一步的，所述步骤c中，根据公式
对去噪后的轴承故障信号进行经验模态分解(EMD)分解，其中，x(t)为去噪后的轴承故障信号；ci为本征模态函数，即IMF分量；rn为余项。
进一步的，所述步骤c中，获取降噪后信号x(t)的局部极值点，采用三次样条函数来拟合获取降噪后信号的上包络x1(t)和下包络x2(t),获得包络线均值m(t),根据公式h(t)＝x(t)-m(t)得到新的数据序列h(t)，判断h(t)是否满足IMF的条件，若不满足，用 h(t)代替x(t)继续进行筛选，反之h(t)为第一个IMF分量，从原信号中去除得到的IMF 分量重复筛选直到只剩下单调序列或常值序列。
进一步的，所述步骤d中，根据公式
将筛选出的固有模态函数(IMF)进行离散傅里叶变换(FFT)，获得FFT频谱图，其中，X(j)为频域函数；x(t) 为时域函数；N为计算点数；j＝0,1,...,N-1,k＝0,1,...,N-1。
进一步的，所述步骤e中，根据公式
将数据映射到[0,1]范围之内处理，其中，max为最高峰值，min为最低峰值。
进一步的，所述步骤f中，将要融合的两幅处理过频谱图标记为A，B，图像大小分别为M×N，融合图像为F，根据公式F(m,n)＝max(A(m,n),B(m,n))对原频谱图A，B的像素灰度值选大的图像融合方法进行表示，其中，m,n分别为图像中像素的行号和列号；在融合时，比较原频谱图A，B中对应位置(m,n)处像素灰度值的大小，以其中灰度值大的像素作为融合图像F在位置(m,n)处的像素。
进一步的，所述步骤g中，将特征融合完成的频谱图数据集训练卷积神经网络，设置好训练集和测试集的比例根据训练结果优化进行网络参数调整，更新卷积神经网络模型，最终完成网络参数选择与测试数据集的测试。
有益效果：本发明具有以下优点：
(1)针对单一传感器采集振动信号带来的局限性和片面性，本发明充分利用多传感器来采集信息，运用像素灰度选择图像融合算法将相关数据信息结合起来，大大增加了诊断的准确性；
(2)本发明将小波阈值降噪和经验模态分解(EMD)相结合，能够更好的突出传感器采集信号的局部特征，具有比较优秀的时频聚集能力；
(3)本发明用卷积神经网络(CNN)，能够更好地提取被采集信号深度特征，抑制网络过拟合。
附图说明
图1是对传感器采集信号进行预处理特征融合的流程图；
图2是卷积神经网络结构图；
图3是小波阈值降噪效果图；
图4是经过傅里叶变换得到的IMF分量频谱图；
图5是基于多角度信息融合的轴承故障预测方法的流程图。
具体实施方式
下面结合附图对本发明涉及的一种基于多角度信息融合的机械轴承故障诊断方法作详细说明：
(1)通过轴承不同端，可为风扇端或驱动端等。通过轴承不同方向，可为水平方向或垂直方向等，来实现多个角度的振动信号的采集，并对采集到的各种类型的振动信号选取采样点并确定采样区间，作为制作训练集和测试集的原始样本。
(2)利用小波阈值降噪的方法对采集到的原始时域信号进行去噪，得到去噪后的时域波形图,对采集到的原始振动信号x(t)进行小波变换，得到一组小波分解系数Wj,k；对原始振动信号的小波分解系数进行阈值处理，得到小波估计系数
使得
尽可能的小；对处理后的小波系数
进行重构，得到估计信号
从而得到去噪后的信号。通过公式
使信噪比(SNR)尽可能的大来选取较合适的小波和阈值,其中：fi为观测信号，gi为真实信号。
(3)获取降噪后信号x(t)的局部极值点，采用三次样条函数来拟合获取降噪后信号的上包络x1(t)和下包络x2(t),获得包络线均值m(t),根据公式h(t)＝x(t)-m(t)得到新的数据序列h(t)，判断h(t)是否满足IMF的条件，若不满足，用h(t)代替x(t)继续进行筛选，反之h(t)为第一个IMF分量，从原信号中去除得到的IMF分量重复筛选直到只剩下单调序列或常值序列。最终，x(t)被分解成n个IMF分量和一个余项的和表示为：
(4)将经验模态分解(EMD)得到的固有模态函数(IMF)分量瞬时值谱进行傅里叶变换(FFT)，根据公式
将筛选出的固有模态函数(IMF)进行离散傅里叶变换(FFT)，获得FFT频谱图，其中：X(j)为频域函数；x(t)为时域函数； N为计算点数；j＝0,1,...,N-1,k＝0,1,...,N-1
(5)对获得的离散傅里叶变换(FFT)频谱图进行归一化处理，根据公式
将数据映射到[0,1]范围之内处理，其中：max为最高峰值，min为最低峰值。
(6)采用特征融合处理过的频谱图像数据集训练卷积神经网络,将要融合的两幅处理过频谱图标记为A，B，图像大小分别为M×N，融合图像为F，根据公式F(m,n)＝max(A(m,n),B(m,n))对原频谱图A，B的像素灰度值选大的图像融合方法进行表示，其中：m,n分别为图像中像素的行号和列号。在融合时，比较原频谱图A，B中对应位置 (m,n)处像素灰度值的大小，以其中灰度值大的像素作为融合图像F在位置(m,n)处的像素。
(7)将特征融合完成的频谱图数据集训练卷积神经网络，设置好训练集和测试集的比例根据训练结果优化进行网络参数调整，更新卷积神经网络模型，最终完成网络参数选择与测试数据集的测试。
本发明通过多个传感器对不同端或不同方向的振动信号进行采集，增加了对机械故障诊断的准确性。在一定程度上解决了单一传感器采集振动信号所带来的的局限性和片面性。利用小波阈值降噪来去除除有效信号外大量的噪声，考虑到被采集信号的非线性和非平稳性的特点，用经验模态分解(EMD)将信号分解成多个表征其局部特点的固有模态函数(IMF)，来突出信号的局部特征，为了可以清晰的得到信号所包含的频率成分，通过傅里叶分析将获取的IMF分量变换为频谱图，用像素灰度选择图像融合算法进行特征融合，采用特征融合后的图像数据训练卷积神经网络。此方法在提高机械故障诊断精度的同时一定程度解决了单一传感器对机械故障诊断方面的局限性和片面性，具有较好的抗噪能力和鲁棒性。
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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于多角度信息融合的机械轴承故障诊断方法，其特征在于：包括以下步骤：
步骤a，通过在轴承不同端、轴承不同方向进行振动信号采集，得到多个角度的振动信号，并对采集到的振动信号选取采样点并确定采样区间；
步骤b，利用小波阈值降噪的方法对步骤a采集到的信号进行去噪，得到去噪后的轴承故障信号，该信号为时域波形图；
步骤c，对步骤b得到的去噪后的轴承故障信号进行经验模态分解分解，进行信号特征提取，筛选出相关系数最大的固有模态函数分量；
步骤d，将步骤c得到的固有模态函数分量瞬时值谱进行傅里叶变换；
步骤e，对步骤d获得的离散傅里叶变换频谱图进行归一化处理；
步骤f，通过像素灰度选择图像融合算法将步骤e得到的频谱图进行特征融合；
步骤g，采用特征融合步骤f处理过的频谱图像数据集训练卷积神经网络。
2.根据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤a中，轴承不同端为风扇端或驱动端，轴承不同方向为水平方向或垂直方向。
3.据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤b中，通过对采集到的原始振动信号x(t)进行小波变换，得到一组小波分解系数Wj,k；对原始振动信号的小波分解系数进行阈值处理，得到小波估计系数
使得
尽可能的小；对处理后的小波系数
进行重构，得到估计信号
从而得到去噪后的信号；通过公式
使信噪比SNR尽可能的大来选取小波和阈值,其中，fi为观测信号，gi为真实信号，n为信号数，i∈n。
4.据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤c中，根据公式
对去噪后的轴承故障信号进行经验模态分解分解，其中，x(t)为去噪后的轴承故障信号；ci为本征模态函数，即IMF分量；rn为余项。
5.据权利要求4所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤c中，获取降噪后信号x(t)的局部极值点，采用三次样条函数来拟合获取降噪后信号的上包络x1(t)和下包络x2(t),获得包络线均值m(t),根据公式h(t)＝x(t)-m(t)得到新的数据序列h(t)，判断h(t)是否满足IMF的条件，若不满足，用h(t)代替x(t)继续进行筛选，反之h(t)为第一个IMF分量，从原信号中去除得到的IMF分量重复筛选直到只剩下单调序列或常值序列。
6.据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤d中，根据公式
将筛选出的固有模态函数进行离散傅里叶变换，获得FFT频谱图，其中，X(j)为频域函数；x(t)为时域函数；N为计算点数；j＝0,1,...,N-1,k＝0,1,...,N-1。
7.据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤e中，根据公式
将数据映射到[0,1]范围之内处理，其中，max为最高峰值，min为最低峰值。
8.据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤f中，将要融合的两幅处理过频谱图标记为A，B，图像大小分别为M×N，融合图像为F，根据公式F(m,n)＝max(A(m,n),B(m,n))对原频谱图A，B的像素灰度值选大的图像融合方法进行表示，其中，m,n分别为图像中像素的行号和列号；在融合时，比较原频谱图A，B中对应位置(m,n)处像素灰度值的大小，以其中灰度值大的像素作为融合图像F在位置(m,n)处的像素。
9.据权利要求1所述的基于多角度信息融合的机械轴承故障诊断方法，其特征在于：所述步骤g中，将特征融合完成的频谱图数据集训练卷积神经网络，设置好训练集和测试集的比例根据训练结果优化进行网络参数调整，更新卷积神经网络模型，最终完成网络参数选择与测试数据集的测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111447206.5A CN114112400A (zh) | 2021-12-01 | 2021-12-01 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111447206.5A CN114112400A (zh) | 2021-12-01 | 2021-12-01 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114112400A true CN114112400A (zh) | 2022-03-01 |
Family
ID=80368878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111447206.5A Pending CN114112400A (zh) | 2021-12-01 | 2021-12-01 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114112400A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115864A (zh) * | 2022-08-26 | 2022-09-27 | 济宁安泰矿山设备制造有限公司 | 一种泵精密转子轴动平衡测试方法及系统 |
| CN115931319A (zh) * | 2022-10-27 | 2023-04-07 | 圣名科技(广州)有限责任公司 | 故障诊断方法、装置、电子设备及存储介质 |
| CN116202770A (zh) * | 2023-03-21 | 2023-06-02 | 广东海洋大学 | 一种轴承故障诊断模拟实验装置 |
| CN117274117A (zh) * | 2023-11-23 | 2023-12-22 | 合肥工业大学 | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 |
| CN117909668A (zh) * | 2024-03-19 | 2024-04-19 | 安徽大学 | 基于卷积神经网络的轴承故障诊断方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198183A (zh) * | 2014-09-17 | 2014-12-10 | 重庆大学 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
| WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
| CN110514441A (zh) * | 2019-08-28 | 2019-11-29 | 湘潭大学 | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 |
| CN113176092A (zh) * | 2021-04-25 | 2021-07-27 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
-
2021
- 2021-12-01 CN CN202111447206.5A patent/CN114112400A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198183A (zh) * | 2014-09-17 | 2014-12-10 | 重庆大学 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
| WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
| CN110514441A (zh) * | 2019-08-28 | 2019-11-29 | 湘潭大学 | 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法 |
| CN113176092A (zh) * | 2021-04-25 | 2021-07-27 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕永卫;熊诗波;林选;田慕琴;: "基于小波包和EMD处理的滚动轴承故障诊断", 太原理工大学学报, no. 02 * |
| 鲍志鹏;沈希忠;韩志威;: "基于经验模态分解的齿轮箱故障特征提取", 上海应用技术学院学报(自然科学版), no. 04, pages 314 - 318 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115115864A (zh) * | 2022-08-26 | 2022-09-27 | 济宁安泰矿山设备制造有限公司 | 一种泵精密转子轴动平衡测试方法及系统 |
| CN115931319A (zh) * | 2022-10-27 | 2023-04-07 | 圣名科技(广州)有限责任公司 | 故障诊断方法、装置、电子设备及存储介质 |
| CN115931319B (zh) * | 2022-10-27 | 2023-10-10 | 圣名科技(广州)有限责任公司 | 故障诊断方法、装置、电子设备及存储介质 |
| CN116202770A (zh) * | 2023-03-21 | 2023-06-02 | 广东海洋大学 | 一种轴承故障诊断模拟实验装置 |
| CN117274117A (zh) * | 2023-11-23 | 2023-12-22 | 合肥工业大学 | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 |
| CN117274117B (zh) * | 2023-11-23 | 2024-02-02 | 合肥工业大学 | 频域伪彩色增强的心磁信号特征图像生成方法及存储介质 |
| CN117909668A (zh) * | 2024-03-19 | 2024-04-19 | 安徽大学 | 基于卷积神经网络的轴承故障诊断方法及系统 |
| CN117909668B (zh) * | 2024-03-19 | 2024-06-07 | 安徽大学 | 基于卷积神经网络的轴承故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
| CN108106830B (zh) | 一种基于时频谱分割的变速旋转机械故障诊断方法 | |
| CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
| CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
| CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
| CN111170103B (zh) | 设备故障识别方法 | |
| CN114705426A (zh) | 一种滚动轴承早期故障诊断方法 | |
| CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
| CN113325277A (zh) | 一种局部放电处理方法 | |
| CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
| CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
| CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
| CN114266339A (zh) | 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法 | |
| CN107560850A (zh) | 基于小波阈值降噪与AdaBoost的轴系故障识别方法 | |
| CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN112985809A (zh) | 基于信号多维度精细画像的滚动轴承故障诊断方法 | |
| Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
| CN111665050A (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
| Liu et al. | Maximum correntropy criterion-based blind deconvolution and its application for bearing fault detection | |
| CN102542284B (zh) | 辨识光谱的方法 | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 |
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 |