CN114118153B - 基于时变数据与多尺度微观振动数据分析的状态识别方法 - Google Patents
基于时变数据与多尺度微观振动数据分析的状态识别方法 Download PDFInfo
- Publication number
- CN114118153B CN114118153B CN202111427761.1A CN202111427761A CN114118153B CN 114118153 B CN114118153 B CN 114118153B CN 202111427761 A CN202111427761 A CN 202111427761A CN 114118153 B CN114118153 B CN 114118153B
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- wavelet
- fault
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000007405 data analysis Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 238000006073 displacement reaction Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 56
- 238000013139 quantization Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 230000002547 anomalous effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims 4
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 abstract description 5
- 239000007788 liquid Substances 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于时变数据与多尺度微观振动数据分析的状态识别方法,属于复杂机械故障诊断领域。本发明的目的是为了解决数据量小的直线往复式机械故障识别问题。本发明的方法根据待识别装置工作机理以及典型故障模式,通过对运动过程中的位移、速度以及振动信号进行分析,然后识别系统的工作状态。待识别装置故障在位移、速度数据上的体现有后坐最大位移超过或小于正常值,后坐时间超过或小于正常值,复进前冲超过或未到达原始位置,缓冲器的振动信号出现异常。因此,对待识别装置进行状态识别就是对运动过程中的位移、速度、加速度以及振动信号进行处理分析。
Description
技术领域
本发明涉及一种基于时变数据与多尺度微观振动数据分析的状态识别方法,属于复杂机械故障诊断领域。
背景技术
当前大部分的故障诊断是以回转式机械为研究对象,往复式机械在日常生活中同样有着不可替代的作用,然而针对往复式机械故障的识别与诊断却极少。往复式机械包括后坐与复进两个过程,沿中心轴线做往复运动,具有高磨损率、高故障率、大位移往复的特点。
回转式机械故障诊断方法在往复式机械故障诊断中效果并不明显,仅仅对往复式机械微观振动信号分析是片面的,这是因为回转式机械微观振动信号中包含有大量的故障部件的振动信息,而往复式、大位移运动的机械装置运动信号具有数量级大、浮动变化小的特点,因此,有必要研究针对往复式、大位移机械装置的状态识别方法。
由于高射速火力系统高冲击、高过载的极端工作条件,反后坐装置在火炮子系统中故障率是最高的。反后坐装置由炮口制退器和液压弹簧式缓冲器组成,其常见故障包括:后坐位移过长、后坐位移过短、复进速度过大和复进速度过小。反后坐装置故障原因可能是液量调节器漏液、液量调节器内液体回不到制退机内、节制杆磨损、节制杆磨损、节制杆调整筒磨损、制退机活塞套与制退筒磨损、制退机注液不足、制退机漏液、活塞杆露出过短和制退液变质等。
发明内容
本发明的目的是为了解决数据量小的直线往复式机械故障识别问题,提供一种基于时变数据与多尺度微观振动数据分析的状态识别方法。该方法根据待识别装置工作机理以及典型故障模式,通过对运动过程中的位移、速度以及振动信号进行分析,然后识别系统的工作状态。待识别装置故障在位移、速度数据上的体现有后坐最大位移超过或小于正常值,后坐时间超过或小于正常值,复进前冲超过或未到达原始位置,缓冲器的振动信号出现异常。因此,对待识别装置进行状态识别就是对运动过程中的位移、速度、加速度以及振动信号进行处理分析。
本发明的目的是通过下述技术方案实现的。
方法一
基于时变数据分析的状态识别方法,包括如下步骤:
步骤一、工作过程数据的测量
根据待识别装置工作机理及故障模式分析,通过多个传感器采集工作过程数据。
步骤二、基于时变数据的待识别装置故障特征识别方法
2-1异常数据去除
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(1)求得。
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(2)求得:
式中:是xi与平均值/>的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率。
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。
2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理
含噪模型表示为:
S(k)=f(k)+ε*e(k),k=0,1,......,n-1 (3)
其中,f(k)为有用信号,S(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差。
(1)信号S(k)的小波分解:任意选择一个小波信号并确定小波分解的层次,对信号进行多层小波分解计算,得到低频系数、高频系数。
(2)小波分解高频系数的阈值量化:对步骤(1)得到的高频系数进行阈值量化处理,得到R。
R(k)=(sort(|x|))2,(k=0,1,2,...,n-1) (4)
式中:R(k)是阈值量化函数,x是分解后的高频小波,k是分解后的小波个数。
(3)信号的小波重构:根据步骤(1)得到的低频系数,以及步骤(2)得到的R进行信号的小波重构。
式中:Hjf是重构后的信号,mj-1,k是低频系数,是小波基,nj-1,k是阈值量化后的高频系数,Ψ(x)是小波尺度函数。
2-3故障特征提取
根据待识别装置的常见故障模式确定装置的故障特征,利用故障特征对装置进行状态识别。待识别装置工作过程包括:后坐过程以及复进过程,后坐过程数据特征xhz,thz,复进过程数据特征xfj,tfj,后坐位移峰峰间隔时间tpp。
根据待识别装置运动特点以及常见故障模式,后坐最大位移xhz以及后坐时间thz可以反应后坐过程的工作状态,复进结束位移xfj以及复进时间tfj可以反应复进过程的工作状态,峰峰间隔时间tpp可以反应每个循环周期内时间的变动。
2-4故障状态识别
根据拉依达准则,通过从正常工作数据中提取关键故障特征参数的标准偏差,按照99.73%的概率确定故障特征参数的分布区间,将此分布区间设置为正常阈值范围。
P(μ-3σ,μ+3σ)≥99.73% (6)
式中:P是正常工作数据分布概率,μ是正常工作数据平均值,σ是正常工作数据方差。
在故障特征提取之后,将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较,如果超出正常阈值范围,则判定待识别装置工作状态出现异常,否则仍是正常工作状态。
方法二
基于多尺度微观振动数据分析的状态识别方法,包括如下步骤:
步骤一、工作过程数据的测量
根据待识别装置工作机理及故障模式分析,通过多个传感器采集工作时装置表面微观振动数据。
步骤二、基于微观振动信号高斯调频小波分解的状态识别方法
2-1去除步骤一采集的微观振动数据中的异常数据
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(7)求得。
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(8)求得:
式中:是xi与平均值的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率。
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。
2-2时域信号截断离散化
采用截断函数对待识别装置运动信号进行截断分割,信号离散化过程由式(9)表示:
xn(t)=x(t)ω(τ-t) (9)
式中:xn(t)是截断后的振动信号,x(t)是原始微观振动信号,ω(τ-t)是截断函数。
2-3高斯调频小波信号分解
高斯调频小波表达式为式(10):
式中:g(t)是高斯调频小波,e是自然常数,t是待分解信号的时间变量,tc是待分解信号的时间周期,d、c是高斯调频小波的固定参数,i是复数中的虚数单位,fc是待分解信号的频率。
采用调频小波逐步逼近xn(t),以此将xn(t)一步一步分解为各个不同参数的调频小波信号,分解后的信号由式(11)求得:
式中:xn(t)是截断后的振动信号,Aj是调频小波参数,gj(t)是高斯调频小波,xm+1(t)是残余信号。
(1)通过高斯调频小波对正常工作信号进行分解,采用高斯调频小波,将残余信号达到最小,优化调频小波参数由式(12)求得;得到最优调频小波;
(2)利用步骤(1)得到的最优调频小波信号计算分解的系数以及残余信号:
(3)重复(1)和2,实现逐步分解,信号分解终止条件如式(14)所示;
式中:ε是信号分解的确定度。
2-4估计信号瞬时频率
将信号分解后得到式(11),然后对xn(t)进行傅里叶变换估计信号的瞬时频率。
2-5故障状态识别
将步骤2-4得到的瞬时频率与调频小波谱相对比,如果瞬时频率中的频率成分出现调频小波谱中非固定成分,则判定待识别装置工作状态出现异常,否则仍是正常工作状态。
方法三
基于时变数据与多尺度微观振动数据分析的状态识别方法,包括如下步骤:
步骤一、工作过程数据的测量
根据待识别装置工作机理及故障模式分析,通过多个传感器采集工作过程数据。
步骤二、基于时变数据的待识别装置故障特征识别方法
2-1异常数据去除
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(15)求得。
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(16)求得:
式中:是xi与平均值/>的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率。
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。
2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理。
含噪模型表示为:
S(k)=f(k)+ε*e(k),k=0,1,......,n-1 (17)
其中,f(k)为有用信号,S(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差。
(1)信号S(k)的小波分解:任意选择一个小波信号并确定小波分解的层次,对信号进行多层小波分解计算,得到低频系数、高频系数。
(2)小波分解高频系数的阈值量化:对步骤(1)得到的高频系数进行阈值量化处理,得到R。
R(k)=(sort(|x|))2,(k=0,1,2,...,n-1) (18)
式中:R(k)是阈值量化函数,x是分解后的高频小波,k是分解后的小波个数。
(3)信号的小波重构:根据步骤(1)得到的低频系数,以及步骤(2)得到的R进行信号的小波重构。
式中:Hjf是重构后的信号,mj-1,k是低频系数,是小波基,nj-1,k是阈值量化后的高频系数,Ψ(x)是小波尺度函数。
2-3故障特征提取
根据待识别装置的常见故障模式确定装置的故障特征,利用故障特征对装置进行状态识别。待识别装置工作过程包括:后坐过程以及复进过程,后坐过程数据特征xhz,thz,复进过程数据特征xfj,tfj,后坐位移峰峰间隔时间tpp。
根据待识别装置运动特点以及常见故障模式,后坐最大位移xhz以及后坐时间thz可以反应后坐过程的工作状态,复进结束位移xfj以及复进时间tfj可以反应复进过程的工作状态,峰峰间隔时间tpp可以反应每个循环周期内时间的变动。
2-4故障状态识别
根据拉依达准则,通过从正常工作数据中提取关键故障特征参数的标准偏差,按照99.73%的概率确定故障特征参数的分布区间,将此分布区间设置为正常阈值范围。
P(μ-3σ,μ+3σ)≥99.73% (20)
式中:P是正常工作数据分布概率,μ是正常工作数据平均值,σ是正常工作数据方差。
在故障特征提取之后,将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较,如果超出正常阈值范围,则判定待识别装置工作状态出现异常,否则仍是正常工作状态。
步骤3.基于微观振动信号高斯调频小波分解的状态识别方法
3-1去除步骤一采集的微观振动数据中的异常数据
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(21)求得。
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(22)求得:
式中:是xi与平均值/>的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率。
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。
3-2时域信号截断离散化
采用截断函数对待识别装置运动信号进行截断分割,信号离散化过程由式(23)表示:
xn(t)=x(t)ω(τ-t) (23)
式中:xn(t)是截断后的振动信号,x(t)是原始微观振动信号,ω(τ-t)是截断函数。
3-3高斯调频小波信号分解
高斯调频小波表达式为式(24):
式中:g(t)是高斯调频小波,e是自然常数,t是待分解信号的时间变量,tc是待分解信号的时间周期,d、c是高斯调频小波的固定参数,i是复数中的虚数单位,fc是待分解信号的频率。
采用调频小波逐步逼近xn(t),以此将xn(t)一步一步分解为各个不同参数的调频小波信号,分解后的信号由式(25)求得。
式中:xn(t)是截断后的振动信号,Aj是调频小波参数,gj(t)是高斯调频小波,xm+1(t)是残余信号。
(1)通过高斯调频小波对正常工作信号进行分解,采用高斯调频小波,将残余信号达到最小,优化调频小波参数由式(26)求得;得到最优调频小波信号。
(2)利用步骤(1)得到的最优调频小波信号计算分解的系数以及残余信号:
(3)重复(1)和2,实现逐步分解,信号分解终止条件如式(28)所示。
式中:ε是信号分解的确定度。
3-4估计信号瞬时频率
将信号分解后得到式(25),然后对xn(t)进行傅里叶变换估计信号的瞬时频率。
3-5故障状态识别
将步骤3-4得到的瞬时频率与调频小波谱相对比,如果瞬时频率中的频率成分出现调频小波谱中非固定成分,则判定待识别装置工作状态出现异常,否则仍是正常工作状态。
步骤4.故障状态识别综合判断
从时变数据提取待识别装置的时变故障参数,根据步骤2-4可以判断出待识别装置的工作状态,但是由于时变数据的表征化特点,其状态识别有一定局限性,即待识别装置时变故障参数必须在出现较大浮动之后才能进行判别。
而通过微观振动信号高斯调频小波分解识别方法进行状态识别,可以从微小的振动信号中识别出故障状态频率成分,将时变数据与微观振动数据综合分析进行状态识别可以极大的提高状态识别精度。
有益效果
1、本发明的基于时变数据分析的状态识别方法,适用于对往复式大位移机械装置进行状态识别,通过提取装置时变数据故障特征,对装置工作运行状态进行分析;
2、本发明的基于多尺度微观振动数据分析的状态识别方法,适用于对直线往复式机械装置进行状态识别,通过多尺度分析往复周期内装置表面异常振动情况,得到装置的工作运行状态;
3、本发明的基于时变数据与多尺度微观振动数据分析的状态识别方法,适用于对直线往复式机械装置进行状态识别,通过对时变数据故障特征与多尺度微观振动数据的互补联合分析,可以极大的提高状态识别精度。
4、本发明的基于时变数据与多尺度微观振动数据分析的状态识别方法,适用于对故障数据量小、故障模式明确的直线往复式机械装置进行状态识别,通过清晰的故障模式确认故障特征参数,可以避免对数据的过度依赖,在数据量小的状况下准确地识别装置工作状态。
附图说明
图1为测量获取的反后坐装置的时变大位移数据;
图2为通过改进小波变换去噪后的位移数据;
图3为反后坐装置故障特征表现形式;
图4为测量获取的反后坐装置微观振动数据;
图5为反后坐装置振动数据信号分解后的小波尺度图;
图6为本发明的操作流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明:
基于时变数据分析的状态识别方法,包括如下步骤:
步骤一、工作过程数据的测量
根据反后坐装置工作机理及故障模式分析,通过多个传感器采集工作过程数据。反后坐装置有制退机和复进机组成,在往复运动中常见故障模式有后坐过长、后坐过短、复进不足以及复进过猛四种模式,通过传感器采集反后坐装置运动过程中往复位移数据、速度数据以及加速度数据。
步骤二、基于时变数据的反后坐装置故障特征识别方法
2-1异常数据去除
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
反后坐装置工作过过程数据包括位移、速度和加速度数据,设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(29)求得。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(30)求得:
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。去除异常数据之后的大位移时变信号x′(n)如图1所示。
2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理
大位移时变信号x′(n)虽已去除异常数据,但仍包含有噪声,会极大地影响故障特征的识别与提取,因此通过改进小波变化法对x′(n)进行去噪。
含噪模型表示为:
S(k)=f(k)+ε*e(k),k=0,1,......,n-1 (31)
(1)信号S(k)的小波分解:任意选择一个小波信号并确定小波分解的层次,对信号进行多层小波分解计算,得到低频系数、高频系数。
(2)小波分解高频系数的阈值量化:对步骤(1)得到的高频系数进行阈值量化处理,得到R。
R(k)=(sort(|x|))2,(k=0,1,2,...,n-1) (32)
式中:R(k)是阈值量化函数,x是分解后的高频小波,k是分解后的小波个数。
(3)信号的小波重构:根据步骤(1)得到的低频系数,以及步骤(2)得到的R进行信号的小波重构。
式中:Hjf是重构后的信号,mj-1,k是低频系数,是小波基,nj-1,k是阈值量化后的高频系数,Ψ(x)是小波尺度函数。
对含噪信号x′(n)进行小波分解、高频系数阈值量化、小波重构步骤,可得到如图2所示的去噪信号f′(k)。
2-3故障特征提取
根据反后坐装置的常见故障模式确定装置的故障特征,利用故障特征对装置进行状态识别。反后坐装置工作过程包括:后坐过程以及复进过程,后坐过程数据特征后坐最大位移以及后坐时间xhz,thz,复进过程数据特征复进到位位移以及复进时间xfj,tfj,后坐位移峰峰间隔时间tpp。
根据反后坐装置运动特点以及常见故障模式,后坐最大位移xhz以及后坐时间thz可以反应后坐过程的工作状态,复进结束位移xfj以及复进时间tfj可以反应复进过程的工作状态,峰峰间隔时间tpp可以反应每个循环周期内时间的变动。故障特征识别图如图3所示。
2-4故障状态识别
根据拉依达准则,通过从正常工作数据中提取关键故障特征参数的标准偏差,按照99.73%的概率确定故障特征参数的分布区间,将此分布区间设置为正常阈值范围。
P(μ-3σ,μ+3σ)≥99.73% (34)
由反后坐装置正常工作数据以及专家经验综合商定,将反后坐装置故障特征参数的阈值范围分别定义为:后坐最大位移正常阈值范围[22.365mm,27.793mm],后坐时间正常阈值范围[28.168ms,30.965ms],复进结束位移[-0.542mm,0.542mm],复进时间[69.035ms,71.832ms],峰峰间隔时间[199.063ms,200.762ms]。
在故障特征提取之后,将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较,后坐最大位移、后坐时间以及峰峰间隔时间均处于正常阈值范围内,但复进结束位移和复进时间未达到正常阈值范围,且小于最小值。因此可以判断反后坐装置出现复进过猛故障。
基于多尺度微观振动数据分析的状态识别方法,包括如下步骤:
步骤一、工作过程数据的测量
根据反后坐装置工作机理及故障模式分析,通过多个传感器采集工作时装置表面微观振动数据。
步骤二、基于微观振动信号高斯调频小波分解的状态识别方法
2-1去除步骤一采集的微观振动数据中的异常数据
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(35)求得。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(36)求得:
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。
2-2时域信号截断离散化
采用截断函数对反后坐装置振动信号进行截断分割,信号离散化过程由式(37)表示:
xn(t)=x(t)ω(τ-t) (37)
截断后的信号如图4所示,仅保留振动信号变化浮动较大的部分,振幅之间的零位浮动数据被截去。
2-3高斯调频小波信号分解
高斯调频小波表达式为式(38):
采用调频小波逐步逼近xn(t),以此将xn(t)一步一步分解为各个不同参数的调频小波信号,分解后的信号由式(39)求得:
(1)通过高斯调频小波对正常工作信号进行分解,采用高斯调频小波,将残余信号达到最小,优化调频小波参数由式(40)求得;得到最优调频小波;
(2)利用步骤(1)得到的最优调频小波信号计算分解的系数以及残余信号:
(3)重复(1)和2,实现逐步分解,信号分解终止条件如式(42)所示;
2-4估计信号瞬时频率
将信号分解后得到式(39),然后对xn(t)进行傅里叶变换可得到频谱以及小波尺度图,如图5所示。
2-5故障状态识别
将步骤2-4得到的频谱与反后坐装置正常状态下振动信号频谱相对比,瞬时频率中的频率成分出现异常频率,反后坐装置工作状态出现异常。
基于时变数据与多尺度微观振动数据分析的状态识别方法,包括如下步骤:
步骤一、工作过程数据的测量
根据反后坐装置工作机理及故障模式分析,通过多个传感器采集工作过程数据。反后坐装置有制退机和复进机组成,在往复运动中常见故障模式有后坐过长、后坐过短、复进不足以及复进过猛四种模式。通过传感器采集反后坐装置运动过程中往复位移数据、速度数据、加速度数据以及表面微观振动数据。
步骤二、基于时变数据的待识别装置故障特征识别方法
2-1异常数据去除
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(43)求得。
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(44)求得:
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。去除异常数据之后的大位移时变信号x′(n)如图1所示。
2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理。
大位移时变信号x′(n)虽已去除异常数据,但仍包含有噪声,会极大地影响故障特征的识别与提取,因此通过改进小波变化法对x′(n)进行去噪。
含噪模型表示为:
S(k)=f(k)+ε*e(k),k=0,1,......,n-1 (45)
(1)信号S(k)的小波分解:任意选择一个小波信号并确定小波分解的层次,对信号进行多层小波分解计算,得到低频系数、高频系数。
(2)小波分解高频系数的阈值量化:对步骤(1)得到的高频系数进行阈值量化处理,得到R。
R(k)=(sort(|x|))2,(k=0,1,2,...,n-1) (46)
(3)信号的小波重构:根据步骤(1)得到的低频系数,以及步骤(2)得到的R进行信号的小波重构。
对含噪信号x′(n)进行小波分解、高频系数阈值量化、小波重构步骤,可得到如图2所示的去噪信号f′(k)。
2-3故障特征提取
根据反后坐装置的常见故障模式确定装置的故障特征,利用故障特征对装置进行状态识别。反后坐装置工作过程包括:后坐过程以及复进过程,后坐过程数据特征后坐最大位移以及后坐时间xhz,thz,复进过程数据特征复进到位位移以及复进时间xfj,tfj,后坐位移峰峰间隔时间tpp。
根据反后坐装置运动特点以及常见故障模式,后坐最大位移xhz以及后坐时间thz可以反应后坐过程的工作状态,复进结束位移xfj以及复进时间tfj可以反应复进过程的工作状态,峰峰间隔时间tpp可以反应每个循环周期内时间的变动。故障特征识别图如图3所示。
2-4故障状态识别
根据拉依达准则,通过从正常工作数据中提取关键故障特征参数的标准偏差,按照99.73%的概率确定故障特征参数的分布区间,将此分布区间设置为正常阈值范围。
P(μ-3σ,μ+3σ)≥99.73% (48)
由反后坐装置正常工作数据以及专家经验综合商定,将反后坐装置故障特征参数的阈值范围分别定义为:后坐最大位移正常阈值范围[22.365mm,27.793mm],后坐时间正常阈值范围[28.168ms,30.965ms],复进结束位移[-0.542mm,0.542mm],复进时间[69.035ms,71.832ms],峰峰间隔时间[199.063ms,200.762ms]。
步骤3.基于微观振动信号高斯调频小波分解的状态识别方法
3-1去除步骤一采集的微观振动数据中的异常数据
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值。
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除。
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据。
3-2时域信号截断离散化
采用截断函数对待识别装置运动信号进行截断分割,信号离散化过程由式(49)表示:
xn(t)=x(t)ω(τ-t) (49)
截断后的信号如图4所示,仅保留振动信号变化浮动较大的部分,振幅之间的零位浮动数据被截去。
3-3高斯调频小波信号分解
高斯调频小波表达式为式(50):
采用调频小波逐步逼近xn(t),以此将xn(t)一步一步分解为各个不同参数的调频小波信号,分解后的信号由式(51)求得。
(1)通过高斯调频小波对正常工作信号进行分解,采用高斯调频小波,将残余信号达到最小,优化调频小波参数由式(52)求得;得到最优调频小波信号。
(2)利用步骤(1)得到的最优调频小波信号计算分解的系数以及残余信号:
(3)重复(1)和2,实现逐步分解,信号分解终止条件如式(54)所示。
3-4估计信号瞬时频率
将信号分解后得到式(51),然后对xn(t)进行傅里叶变换可得到频谱以及小波尺度图,如图5所示。
步骤4.故障状态识别综合判断
将步骤3-4得到的频谱与反后坐装置正常状态下振动信号频谱相对比,瞬时频率中的频率成分出现异常频率,反后坐装置工作状态出现异常。
在故障特征提取之后,将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较,后坐最大位移、后坐时间以及峰峰间隔时间均处于正常阈值范围内,但复进结束位移和复进时间未达到正常阈值范围,且小于最小值。因此可以判断反后坐装置出现复进过猛故障。
从时变数据提取待识别装置的时变故障参数,可以判断出反后坐装置的工作状态,但是由于时变数据的表征化特点,其状态识别有一定局限性,即反后坐装置时变故障参数必须在出现较大浮动之后才能进行判别。
而通过微观振动信号高斯调频小波分解识别方法进行状态识别,可以从微小的振动信号中识别出故障状态频率成分,将时变数据与微观振动数据综合分析进行状态识别可以极大的提高状态识别精度。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于时变数据与多尺度微观振动数据分析的状态识别方法,其特征在于:包括如下步骤:
步骤一、工作过程数据的测量
根据待识别装置工作机理及故障模式分析,通过多个传感器采集工作过程数据;
步骤二、基于时变数据的待识别装置故障特征识别方法
2-1异常数据去除
去除异常数据:异常数据指的是不符合整个时间序列趋势的数据,不能反应结构的真实工作状况的监测值;
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(1)求得;
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数;
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(2)求得:
式中:是xi与平均值/>的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率;
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据;
2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理含噪模型表示为:
S(k)=f(k)+ε*e(k),k=0,1,......,n-1 (3)
其中,f(k)为有用信号,S(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差;
(1)信号S(k)的小波分解:任意选择一个小波信号并确定小波分解的层次,对信号进行多层小波分解计算,得到低频系数、高频系数;
(2)小波分解高频系数的阈值量化:对步骤(1)得到的高频系数进行阈值量化处理,得到R;
R(k)=(sort(|x|))2,(k=0,1,2,...,n-1) (4)
式中:R(k)是阈值量化函数,x是分解后的高频小波,k是分解后的小波个数;
(3)信号的小波重构:根据步骤(1)得到的低频系数,以及步骤(2)得到的R进行信号的小波重构;
式中:Hjf是重构后的信号,mj-1,k是低频系数,是小波基,nj-1,k是阈值量化后的高频系数,Ψ(x)是小波尺度函数;
2-3故障特征提取
根据待识别装置的常见故障模式确定装置的故障特征,利用故障特征对装置进行状态识别;待识别装置工作过程包括:后坐过程以及复进过程,后坐过程数据特征xhz,thz,复进过程数据特征xfj,tfj,后坐位移峰峰间隔时间tpp;
根据待识别装置运动特点以及常见故障模式,后坐最大位移xhz以及后坐时间thz可以反应后坐过程的工作状态,复进结束位移xfj以及复进时间tfj可以反应复进过程的工作状态,峰峰间隔时间tpp可以反应每个循环周期内时间的变动;
2-4故障状态识别
根据拉依达准则,通过从正常工作数据中提取关键故障特征参数的标准偏差,按照99.73%的概率确定故障特征参数的分布区间,将此分布区间设置为正常阈值范围;
P(μ-3σ,μ+3σ)≥99.73% (6)
式中:P是正常工作数据分布概率,μ是正常工作数据平均值,σ是正常工作数据方差;
在故障特征提取之后,将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较,如果超出正常阈值范围,则判定待识别装置工作状态出现异常,否则仍是正常工作状态。
2.基于时变数据与多尺度微观振动数据分析的状态识别方法,其特征在于:包括如下步骤:
步骤一、工作过程数据的测量
根据待识别装置工作机理及故障模式分析,通过多个传感器采集工作时装置表面微观振动数据;
步骤二、基于微观振动信号高斯调频小波分解的状态识别方法
2-1去除步骤一采集的微观振动数据中的异常数据
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值;
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(7)求得;
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数;
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(8)求得:
式中:是xi与平均值的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率;
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据;
2-2时域信号截断离散化
采用截断函数对待识别装置运动信号进行截断分割,信号离散化过程由式(9)表示:
xn(t)=x(t)ω(τ-t) (9)
式中:xn(t)是截断后的振动信号,x(t)是原始微观振动信号,ω(τ-t)是截断函数;
2-3高斯调频小波信号分解
高斯调频小波表达式为式(10):
式中:g(t)是高斯调频小波,e是自然常数,t是待分解信号的时间变量,tc是待分解信号的时间周期,d、c是高斯调频小波的固定参数,i是复数中的虚数单位,fc是待分解信号的频率;
采用调频小波逐步逼近xn(t),以此将xn(t)一步一步分解为各个不同参数的调频小波信号,分解后的信号由式(11)求得:
式中:xn(t)是截断后的振动信号,Aj是调频小波参数,gj(t)是高斯调频小波,xm+1(t)是残余信号;
(1)通过高斯调频小波对正常工作信号进行分解,采用高斯调频小波,将残余信号达到最小,优化调频小波参数由式(12)求得;得到最优调频小波;
(2)利用步骤(1)得到的最优调频小波信号计算分解的系数以及残余信号:
(3)重复(1)和2,实现逐步分解,信号分解终止条件如式(14)所示;
式中:ε是信号分解的确定度;
2-4估计信号瞬时频率
将信号分解后得到式(11),然后对xn(t)进行傅里叶变换估计信号的瞬时频率;
2-5故障状态识别
将步骤2-4得到的瞬时频率与调频小波谱相对比,如果瞬时频率中的频率成分出现调频小波谱中非固定成分,则判定待识别装置工作状态出现异常,否则仍是正常工作状态。
3.基于时变数据与多尺度微观振动数据分析的状态识别方法,其特征在于:包括如下步骤:
步骤一、工作过程数据的测量
根据待识别装置工作机理及故障模式分析,通过多个传感器采集工作过程数据;
步骤二、基于时变数据的待识别装置故障特征识别方法
2-1异常数据去除
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值;
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(15)求得;
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数;
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(16)求得:
式中:是xi与平均值x的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率;
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据;
2-2通过改进小波变换法对步骤2-1剔除异常数据后的测量值进行去噪处理;
含噪模型表示为:
S(k)=f(k)+ε*e(k),k=0,1,......,n-1 (17)
其中,f(k)为有用信号,S(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差;
(1)信号S(k)的小波分解:任意选择一个小波信号并确定小波分解的层次,对信号进行多层小波分解计算,得到低频系数、高频系数;
(2)小波分解高频系数的阈值量化:对步骤(1)得到的高频系数进行阈值量化处理,得到R;
R(k)=(sort(|x|))2,(k=0,1,2,...,n-1) (18)
式中:R(k)是阈值量化函数,x是分解后的高频小波,k是分解后的小波个数;
(3)信号的小波重构:根据步骤(1)得到的低频系数,以及步骤(2)得到的R进行信号的小波重构;
式中:Hjf是重构后的信号,mj-1,k是低频系数,是小波基,nj-1,k是阈值量化后的高频系数,Ψ(x)是小波尺度函数;
2-3故障特征提取
根据待识别装置的常见故障模式确定装置的故障特征,利用故障特征对装置进行状态识别;待识别装置工作过程包括:后坐过程以及复进过程,后坐过程数据特征xhz,thz,复进过程数据特征xfj,tfj,后坐位移峰峰间隔时间tpp;
根据待识别装置运动特点以及常见故障模式,后坐最大位移xhz以及后坐时间thz可以反应后坐过程的工作状态,复进结束位移xfj以及复进时间tfj可以反应复进过程的工作状态,峰峰间隔时间tpp可以反应每个循环周期内时间的变动;
2-4故障状态识别
根据拉依达准则,通过从正常工作数据中提取关键故障特征参数的标准偏差,按照99.73%的概率确定故障特征参数的分布区间,将此分布区间设置为正常阈值范围;
P(μ-3σ,μ+3σ)≥99.73% (20)
式中:P是正常工作数据分布概率,μ是正常工作数据平均值,σ是正常工作数据方差;
在故障特征提取之后,将步骤2-3提取的多种故障特征数据与正常阈值范围进行比较,如果超出正常阈值范围,则判定待识别装置工作状态出现异常,否则仍是正常工作状态;
步骤3.基于微观振动信号高斯调频小波分解的状态识别方法
3-1去除步骤一采集的微观振动数据中的异常数据
去除异常数据:异常数据指的是不符合整个时间序列的趋势,不能反应结构的真实工作状况的监测值;
设n个测量值按大小顺序排列x1≤x2≤…≤xi≤…≤xn,xi是需要检验判别的异常数据,测量值的分布概率密度由式(21)求得;
式中:P是分布概率密度,S是测量值的拟合函数,是测量值的平均数,λ′(α,n)是测量值正常浮动误差值,α是异常数据概率,n是测量值的个数;
根据异常数据xi与平均值的残差/>是否大于λ′(α,n)倍的样本标准差σ来判断异常数据是否应当剔除,对应的残差可由式(22)求得:
式中:是xi与平均值/>的残差,λ′(α,n)是测量值正常浮动误差值,S是测量值的拟合函数,σ是样本标准差,λ(α,n)是异常数据分布概率;
当残差值大于异常数据分布概率,则剔除此xi;重复本步骤,直至剔除所有异常数据;
3-2时域信号截断离散化
采用截断函数对待识别装置运动信号进行截断分割,信号离散化过程由式(23)表示:
xn(t)=x(t)ω(τ-t) (23)
式中:xn(t)是截断后的振动信号,x(t)是原始微观振动信号,ω(τ-t)是截断函数;
3-3高斯调频小波信号分解
高斯调频小波表达式为式(24):
式中:g(t)是高斯调频小波,e是自然常数,t是待分解信号的时间变量,tc是待
分解信号的时间周期,d、c是高斯调频小波的固定参数,i是复数中的虚数单位,fc是待分解信号的频率;
采用调频小波逐步逼近xn(t),以此将xn(t)一步一步分解为各个不同参数的调频小波信号,分解后的信号由式(25)求得;
式中:xn(t)是截断后的振动信号,Aj是调频小波参数,gj(t)是高斯调频小波,xm+1(t)是残余信号;
(1)通过高斯调频小波对正常工作信号进行分解,采用高斯调频小波,将残余信号达到最小,优化调频小波参数由式(26)求得;得到最优调频小波信号;
(2)利用步骤(1)得到的最优调频小波信号计算分解的系数以及残余信号:
(3)重复(1)和2,实现逐步分解,信号分解终止条件如式(28)所示;
式中:ε是信号分解的确定度;
3-4估计信号瞬时频率
将信号分解后得到式(25),然后对xn(t)进行傅里叶变换估计信号的瞬时频率;
3-5故障状态识别
将步骤3-4得到的瞬时频率与调频小波谱相对比,如果瞬时频率中的频率成分出现调频小波谱中非固定成分,则判定待识别装置工作状态出现异常,否则仍是正常工作状态;
步骤4.故障状态识别综合判断
通过步骤二和步骤三得到的结果对状态综合判断:有一个识别异常即说明装置工作状态为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427761.1A CN114118153B (zh) | 2021-11-25 | 2021-11-25 | 基于时变数据与多尺度微观振动数据分析的状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427761.1A CN114118153B (zh) | 2021-11-25 | 2021-11-25 | 基于时变数据与多尺度微观振动数据分析的状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118153A CN114118153A (zh) | 2022-03-01 |
CN114118153B true CN114118153B (zh) | 2024-05-31 |
Family
ID=80370692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111427761.1A Active CN114118153B (zh) | 2021-11-25 | 2021-11-25 | 基于时变数据与多尺度微观振动数据分析的状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118153B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10288639A (ja) * | 1997-02-13 | 1998-10-27 | Toshiba Corp | 電気機器の異常監視装置および方法 |
KR100812303B1 (ko) * | 2006-09-29 | 2008-03-13 | 부산대학교 산학협력단 | 웨이블릿 변환을 이용한 유도전동기의 고장 진단 장치 및방법 |
KR101129466B1 (ko) * | 2010-10-29 | 2012-03-28 | 주식회사 우진 | 웨이블렛 스레스홀딩 함수와 4차 모멘트를 이용한 회전기계의 상태 진단 방법 |
CN104112072A (zh) * | 2014-07-15 | 2014-10-22 | 华侨大学 | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 |
CN105651504A (zh) * | 2016-01-15 | 2016-06-08 | 北京工业大学 | 基于自适应小波能量的旋转机械故障特征提取方法 |
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN108152379A (zh) * | 2017-12-13 | 2018-06-12 | 冶金自动化研究设计院 | 基于小波分析的液压缸故障状态分类识别方法 |
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 |
CN110991564A (zh) * | 2019-12-24 | 2020-04-10 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
CN111170103A (zh) * | 2019-12-27 | 2020-05-19 | 猫岐智能科技(上海)有限公司 | 设备故障识别方法 |
-
2021
- 2021-11-25 CN CN202111427761.1A patent/CN114118153B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10288639A (ja) * | 1997-02-13 | 1998-10-27 | Toshiba Corp | 電気機器の異常監視装置および方法 |
KR100812303B1 (ko) * | 2006-09-29 | 2008-03-13 | 부산대학교 산학협력단 | 웨이블릿 변환을 이용한 유도전동기의 고장 진단 장치 및방법 |
KR101129466B1 (ko) * | 2010-10-29 | 2012-03-28 | 주식회사 우진 | 웨이블렛 스레스홀딩 함수와 4차 모멘트를 이용한 회전기계의 상태 진단 방법 |
CN104112072A (zh) * | 2014-07-15 | 2014-10-22 | 华侨大学 | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 |
CN105651504A (zh) * | 2016-01-15 | 2016-06-08 | 北京工业大学 | 基于自适应小波能量的旋转机械故障特征提取方法 |
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN108152379A (zh) * | 2017-12-13 | 2018-06-12 | 冶金自动化研究设计院 | 基于小波分析的液压缸故障状态分类识别方法 |
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 |
CN110991564A (zh) * | 2019-12-24 | 2020-04-10 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
CN111170103A (zh) * | 2019-12-27 | 2020-05-19 | 猫岐智能科技(上海)有限公司 | 设备故障识别方法 |
Non-Patent Citations (1)
Title |
---|
基于小波多分辨分析的往复机械故障特征提取与识别;王江萍等;西安石油学院学报(自然科学版);19980126;第13卷(第01期);30-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN114118153A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101936283B1 (ko) | 기계적 결함에 대한 진단 및 예측 방법 | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN110653661A (zh) | 基于信号融合和多重分形谱算法的刀具状态监测识别方法 | |
DE102008022125A1 (de) | Verfahren und Vorrichtung zur Klassifikation von schallerzeugenden Prozessen | |
CN111414893B (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
CN113532829A (zh) | 基于改进的rcmde往复压缩机故障诊断方法 | |
CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
CN108757426B (zh) | 石油矿场注水柱塞泵故障诊断方法 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN114118153B (zh) | 基于时变数据与多尺度微观振动数据分析的状态识别方法 | |
CN114871850A (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
CN116609106B (zh) | 一种钻测一体化装备运行状态监测系统 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
CN112441254B (zh) | 发动机滑油系统的性能检测方法及装置、存储介质、终端 | |
CN110688981B (zh) | 一种振动信号去噪的模态混叠消除方法 | |
Wang et al. | A fault diagnosis method for automaton based on morphological component analysis and ensemble empirical mode decomposition | |
CN114371008B (zh) | 一种基于vmd多域特征与meda的滚动轴承跨工况故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |