CN114169376A - 一种基于振动信号的轴承滚动体离散失效方法 - Google Patents
一种基于振动信号的轴承滚动体离散失效方法 Download PDFInfo
- Publication number
- CN114169376A CN114169376A CN202111525229.3A CN202111525229A CN114169376A CN 114169376 A CN114169376 A CN 114169376A CN 202111525229 A CN202111525229 A CN 202111525229A CN 114169376 A CN114169376 A CN 114169376A
- Authority
- CN
- China
- Prior art keywords
- discrete
- bearing
- damage
- formula
- vibration signal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Rolling Contact Bearings (AREA)
Abstract
本发明涉及无保持架球轴承技术领域,尤其是一种基于振动信号的轴承滚动体离散失效方法,首先利用无保持球轴承离散槽的振动信号数据计算排列熵,然后选择出每种损伤的至少3个最佳本征模态函数;将最佳本征模态函数中的信号特征代入麻雀搜索算法进行迭代寻优,对支持向量机模型进行训练,最终训练好的支持向量机模型对离散槽的振动信号数据进行分类预测。结果表明,本发明的一种基于振动信号的轴承滚动体离散失效方法,可以有效分类离散槽损伤演变的复杂振动特性。
Description
技术领域
本发明涉及无保持架球轴承技术领域,尤其是一种基于振动信号的轴承滚动体离散失效方法。
背景技术
轴承是机械领域中应用最广的旋转机械部件之一,在航天、汽车、家电及工业设备领域都有着广泛的应用,轴承状态的好坏直接决定了设备是否能够正常的运行,轴承在实际工作中起到受力和传递载荷的作用,由于轴承的作业环境不同,容易磨损,比较容易损耗,对生产过程,产品质量有直接的影响。而且随着现代科学技术的发展,设备向着大型化、复杂化、自动化等方向发展,其中某一固件发生故障,对整个生产都会产生非常严重的影响。轴承作为重要的零部件,若发生故障,会导致设备的而停产、经济损失等后果,严重的会发生重大生产事故。
随着电主轴、机器人、航空航天以及军事装备等领域的发展,传统轴承难以满足更加苛刻的性能要求和更加恶劣的使用环境。这是因为具有保持架的传统轴承在高速旋转的情况下,由于保持架和滚动体之间会产生剧烈摩擦和碰撞而使得轴承产生不可忽视的温升,并由此限制了轴承转速的进一步提高。近年来,为了实现轴承的高速运转并避免保持架带来的摩擦阻力,无保持架的满装轴承在国内外逐渐普遍应用开来。这种满装轴承内部含有更多的滚动体,极大的提高了轴承的承载性能,也使得轴承本身更加轻量化。
无保持架的满装轴承避免了保持架所带来的摩擦和碰撞现象。其通过添加更多滚动体来代替保持架,使得轴承在结构上取得了重大进展。但是,这种结构同时也带来了其他问题。在无保持架间隔的情况下,滚动体之间存在着频繁的随机摩擦和碰撞现象,严重影响轴承在高速运转时的工作性能。为保持在无保持架状态下的滚动体相互分散,避免随机摩擦和碰撞,同课题组的研究人员深入研究滚动体自动分散理论和设计轴承结构,通过实验验证了具有离散槽的无保持架轴承的滚动体自动离散功能。
由于无保持架轴承带有离散槽这一特殊结构,因此对该轴承离散槽造成的轴承振动性能的变化是一项必不可少的研究。同时,由于滚动体在轴承转动过程中与离散槽的高频率接触,必然会导致轴承离散槽的损伤。当无保持架球轴承长时间的运转时,离散槽损伤会进一步扩大,并最终导致离散槽自动离散滚动体的性能最终失效。因此离散槽轴承在损伤情况下的振动状态这一指标可以有效地反映离散槽性能的变化和轴承的性能退化情况。
发明内容
本发明要解决的技术问题是:为了解决现有无保持架离散槽轴承在离散槽四种损伤状态下的振动时序信号的排列熵均大于0.9,且在轻度损伤,中度损伤和重度损伤的排列熵虽然有一定的增长,但是排列熵数据重叠现象严重,不能直接用于无保持架轴承损伤程度的分类预测的问题,本发明提供了一种基于振动信号的轴承滚动体离散失效方法,通过振动试验机对无保持架离散槽轴承进行实验,来测得轴承在离散槽不同损伤程度下的原始时序振动信号,获取数据集,并且通过自适应添加白噪声的集成经验模态分解,将原始振动信号分解为多个本征模态函数分量并求得其分量的排列熵PE作为轴承不同损伤程度振动信号复杂程度的特征值,并将其输入用麻雀搜索算法优化的支持向量机模型对离散槽损伤程度进行分类预测,该神经网络可以有效分类离散槽损伤演变的复杂振动特性。
本发明解决其技术问题所采用的技术方案是:
一种基于振动信号的轴承滚动体离散失效方法,包括如下步骤:
步骤1:采取实验法获取无保持球轴承离散槽由健康演化至失效的振动信号数据;
步骤2:利用自适应添加白噪声的集成经验模态分解,将离散槽的健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据分解为若干份本征模态函数;
步骤3:计算排列熵,选择出每种损伤的至少3个最佳本征模态函数;
步骤4:从每种损伤的最佳本征模态函数中提取能够反应其动力学突变和时间序列随机性的信号特征;
步骤5:利用麻雀搜索算法对支持向量机模型中的惩罚因子和核参数进行迭代寻优;
步骤6:将离散槽健康状态、轻度损伤、中度损伤和重度损伤的排列熵特征值作为麻雀搜索算法优化支持向量机模型的输入数据对支持向量机模型进行训练;
步骤7:利用最终训练好的支持向量机模型对离散槽健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据进行分类预测。
具体地,所述步骤1具体包括如下步骤:
步骤11:对一组长度为N的离散槽轴承振动时序信号进行相空间重构,得到一个K维的时序信号向量Y:
式中:B为嵌入维数,t为延迟时间,K=N-(B-1)t,向量Y中的每一行都是一个重构分量,一共有K个重构分量;
步骤12:将每一个重构分量按照升序进行再次重构排列,得到关于各元素x(j)在向量Y中位置索引组成的的数据组:
S(l)=(j1,j2,j3,…,jB)
式中:l=1,2,3,…,k且k≤B!,即:B维相空间有位置索引构成的数据组B!个;
步骤13:计算不同位置索引构成的数据组出现的次数占B!种不同数据组出现的总次数的值作为该数据组出现的概率{P1,P2,P3…Pk},式中:Pk为该数据组出现的概率。
具体地,步骤2中自适应添加白噪声的集成经验模态分解(CEEMDAN)是通过在分解原始信号的过程中,将每一个分解过程都添加一个自适应的高斯白噪声,进一步的去减弱总体经验模态分解(CEEMD)方法中的模态混叠现象并减少了经验模态分解(EMD)分解产生的虚假分量,且能够使分解结果更具有完备性。针对这种对轴承原始数据计算的排列熵数值堆叠现象,通常使用时频处理的方法,小波变换和经验模态分解(EMD)及其改进的补充总体经验模态分解(CEEMD),其中小波变换是基于指定小波基的分析,一旦指定小波基,分解出来的模式固定,而对于不同信号的分析最好采用不同的小波基以达到最好的处理效果;对应的EMD的方法正好可以解决这个问题,但是CEEMD分解的完整性较差,这是因为选择不同的参数设置会产生较多的虚假分量,而且集成次数对结果的稳定性造成极大的不稳定性。
具体地,所述步骤3中计算排列熵具体包括如下步骤:
步骤31:无保持架轴承离散槽时间序列Y的排列熵计算公式为:
步骤32:将步骤31得到的无保持架轴承离散槽时间序列排列熵进行归
一化处理:
式中:ln(B!)为排列熵的最大值,归一化处理后的排列熵值0≤PE≤1。
对数据进行归一化处理:指标量纲(单位)不一致会造成不同指标的数据有大有小,这样会影响计算结果。为了消除量纲的影响,分析前需要先对数据进行处理。
具体地,所述步骤5具体包括如下步骤:
步骤51:在麻雀搜索算法的优化过程中,使用虚拟麻雀模拟寻找食物的行为对网络参数进行优化,虚拟麻雀的种群可以由下式组成:
式中:d表示优化目标的向量维数,n则表示虚拟麻雀的数量;
步骤52:虚拟麻雀中发现者的主要责任为帮助整个种群搜寻食物和为追随者提供最佳的觅食方向,发现者的位置在每一次迭代过程中的更新计算如下式:
式中:t为表示当前发现者位置迭代的次数,itermax为发现者位置迭代上限,表示第i个麻雀在第j维位置列向量中的位置信息,表示随机数且R2代表最低警戒值,且R2∈[0,1],ST代表安全阈值且ST∈[0.5,1],Q为一个随机数值,服从正态分布,L为含有d个元素值为1的列向量;
步骤53:在觅食的过程中,部分追随者会时刻监视发现者,每当发现者找到的更好的食物来源,追随者便会离开当前位置去争夺食物,追随者的位置迭代如下式:
式中:t为表示当前发现者位置迭代的次数,Xp表示当前发现者所在的最佳位置,则表示当前全种群中的最差的位置,表示第i个麻雀在第j维位置列向量中的位置信息,L为含有d个元素值为1的列向量,A则表示为元素为1或-1的行向量,且A+=AT(AAT)-1,当i>n/2时,公式表示该追随者处于饥饿状态,需要与发现者进行位置迭代;
步骤54:当麻雀位置处于种群边缘的时候,麻雀会产生预警行为,其预警行为表达式可由下式表示:
式中:表示第i个麻雀在第j维位置列向量中的位置信息,表示当前迭代过程中的种群最佳位置,Xp表示当前发现者所在的最佳位置,β表示步长控制参数,服从标准正态分布,K为K∈[-1,1]的随机数,fi表示当前麻雀个体的适应度值,fg表示全局最佳适应度值,fw表示全局最差适应度值,ε表示为常数,为了避免分母出现零。
本发明的有益效果是:本发明提供的一种基于振动信号的轴承滚动体离散失效方法,实验研究无保持架轴承离散槽损伤演变的振动特性,利用基于排列熵提取特征的神经网络对试验数据进行分类预测,试验测得轴承末端损伤演变的振动数据,发现离散槽损伤造成振动数据的幅值和噪音都有所增加,并利用排列熵对这一特性进行特征提取,并利用基于麻雀搜索优化算法的支持向量机神经网络对无保持架轴承轻度、中度和重度离散槽损伤状态进行分类预测,结果表明该神经网络可以有效分类离散槽损伤演变的复杂振动特性。
具体实施方式
现在对本发明作进一步详细的说明。
本发明的一种基于振动信号的轴承滚动体离散失效方法,包括如下步骤:
步骤1:采取实验法获取无保持球轴承离散槽由健康演化至失效的振动信号数据;
步骤2:利用自适应添加白噪声的集成经验模态分解,将离散槽的健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据分解为若干份本征模态函数;
步骤3:计算排列熵,选择出每种损伤的至少3个最佳本征模态函数;
步骤4:从每种损伤的最佳本征模态函数中提取能够反应其动力学突变和时间序列随机性的信号特征;
步骤5:利用麻雀搜索算法对支持向量机模型中的惩罚因子和核参数进行迭代寻优;
步骤6:将离散槽健康状态、轻度损伤、中度损伤和重度损伤的排列熵特征值作为麻雀搜索算法优化支持向量机模型的输入数据对支持向量机模型进行训练;
步骤7:利用最终训练好的支持向量机模型对离散槽健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据进行分类预测。
本发明的一种基于振动信号的轴承滚动体离散失效方法,包括如下步骤:
步骤1:采取实验法获取无保持球轴承离散槽由健康演化至失效的振动信号数据:
步骤11:对一组长度为N的离散槽轴承振动时序信号进行相空间重构,得到一个K维的时序信号向量Y:
式中:B为嵌入维数,t为延迟时间,K=N-(B-1)t,向量Y中的每一行都是一个重构分量,一共有K个重构分量;
步骤12:将每一个重构分量按照升序进行再次重构排列,得到关于各元素x(j)在向量Y中位置索引组成的的数据组:
S(l)=(j1,j2,j3,…,jB)
式中:l=1,2,3,…,k且k≤B!,即:B维相空间有位置索引构成的数据组B!个;
步骤13:计算不同位置索引构成的数据组出现的次数占B!种不同数据组出现的总次数的值作为该数据组出现的概率{P1,P2,P3…Pk},式中:Pk为该数据组出现的概率;
步骤2:利用自适应添加白噪声的集成经验模态分解,将离散槽的健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据分解为若干份本征模态函数;
步骤3:计算排列熵,选择出每种损伤的至少3个最佳本征模态函数;
其中排列熵的计算步骤为:
步骤31:无保持架轴承离散槽时间序列Y的排列熵计算公式为:
步骤32:将步骤31得到的无保持架轴承离散槽时间序列排列熵进行归
一化处理:
式中:ln(B!)为排列熵的最大值,归一化处理后的排列熵值0≤PE≤1。
步骤4:从每种损伤的最佳本征模态函数中提取能够反应其动力学突变和时间序列随机性的信号特征;
步骤5:利用麻雀搜索算法对支持向量机模型中的惩罚因子和核参数进行迭代寻优,具体包括如下步骤:
步骤51:在麻雀搜索算法的优化过程中,使用虚拟麻雀模拟寻找食物的行为对网络参数进行优化,虚拟麻雀的种群可以由下式组成:
式中:d表示优化目标的向量维数,n则表示虚拟麻雀的数量;
步骤52:虚拟麻雀中发现者的主要责任为帮助整个种群搜寻食物和为追随者提供最佳的觅食方向,发现者的位置在每一次迭代过程中的更新计算如下式:
式中:t为表示当前发现者位置迭代的次数,itermax为发现者位置迭代上限,表示第i个麻雀在第j维位置列向量中的位置信息,表示随机数且R2代表最低警戒值,且R2∈[0,1],ST代表安全阈值且ST∈[0.5,1],Q为一个随机数值,服从正态分布,L为含有d个元素值为1的列向量;
步骤53:在觅食的过程中,部分追随者会时刻监视发现者,每当发现者找到的更好的食物来源,追随者便会离开当前位置去争夺食物,追随者的位置迭代如下式:
式中:Xp表示当前发现者所在的最佳位置,则表示当前全种群中的最差的位置,A则表示为元素为1或-1的行向量,且A+=AT(AAT)-1,当i>n/2时,公式表示该追随者处于饥饿状态,需要与发现者进行位置迭代;
步骤54:当麻雀位置处于种群边缘的时候,麻雀会产生预警行为,其预警行为表达式可由下式表示:
式中:表示当前迭代过程中的种群最佳位置,β表示步长控制参数,服从标准正态分布,K为K∈[-1,1]的随机数,fi表示当前麻雀个体的适应度值,fg表示全局最佳适应度值,fw表示全局最差适应度值,ε表示为常数,为了避免分母出现零;
步骤6:将离散槽健康状态、轻度损伤、中度损伤和重度损伤的排列熵特征值作为麻雀搜索算法优化支持向量机模型的输入数据对支持向量机模型进行训练;
步骤7:利用最终训练好的支持向量机模型对离散槽健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据进行分类预测。
本实施例选取离散槽四种损伤状态的原始振动数据,分别计算每个损伤状态的三个样本排列熵,其排列熵数值如表:
由表可知,无保持架离散槽轴承在离散槽四种损伤状态下的振动时序信号的排列熵均大于0.9,且在轻度损伤,中度损伤和重度损伤的排列熵虽然有一定的增长,但是排列熵数据重叠现象严重,不能直接用于无保持架轴承损伤程度的分类预测,因此需要对原始振动数据进一步处理。
利用自适应添加白噪声的集成经验模态分解,将离散槽的健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据分解为若干份本征模态函数;
将数据分解后,在数据内部选区三段最佳本征模态函数,这种最佳本征模态函数方法是一种快速滤波分解信号的方法,本征模态函数的各个分量分别代表了原始信号中的各频率分量,并按照从高频到低频的顺序依次排列。根据各层本征模态函数中噪声所占能量比例选择若干个经主成分分析的本征模态函数进行重构,从而去除本征模态函数中的噪声,此方法虽可以较好保持模态单元的完整性。
计算排列熵,选择出每种损伤的至少3个最佳本征模态函数,具体数据如下:
基于此,建立一种基于麻雀搜索优化算法的支持向量机模型,结合补充总体经验模态分解CEEMDAN和排列熵PE提取无保持架轴承离散槽不同损伤程度振动数据特征值,对离散槽健康状态、轻度损伤、中度损伤和重度损伤的实验数据进行分类预测
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种基于振动信号的轴承滚动体离散失效方法,其特征在于,包括如下步骤:
步骤1:采取实验法获取无保持球轴承离散槽由健康演化至失效的振动信号数据;
步骤2:利用自适应添加白噪声的集成经验模态分解,将离散槽的健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据分解为若干份本征模态函数;
步骤3:计算排列熵,选择出每种损伤的至少3个最佳本征模态函数;
步骤4:从每种损伤的最佳本征模态函数中提取能够反应其动力学突变和时间序列随机性的信号特征;
步骤5:利用麻雀搜索算法对支持向量机模型中的惩罚因子和核参数进行迭代寻优;
步骤6:将离散槽健康状态、轻度损伤、中度损伤和重度损伤的排列熵特征值作为麻雀搜索算法优化支持向量机模型的输入数据对支持向量机模型进行训练;
步骤7:利用最终训练好的支持向量机模型对离散槽健康状态、轻度损伤、中度损伤和重度损伤的振动信号数据进行分类预测。
2.如权利要求1所述的一种基于振动信号的轴承滚动体离散失效方法,其特征在于:所述步骤1具体包括如下步骤:
步骤11:对一组长度为N的离散槽轴承振动时序信号进行相空间重构,得到一个K维的时序信号向量Y:
式中:B为嵌入维数,t为延迟时间,K=N-(B-1)t,向量Y中的每一行都是一个重构分量,一共有K个重构分量;
步骤12:将每一个重构分量按照升序进行再次重构排列,得到关于各元素x(j)在向量Y中位置索引组成的的数据组:
S(l)=(j1,j2,j3,…,jB)
式中:l=1,2,3,…,k且k≤B!,即:B维相空间有位置索引构成的数据组B!个;
步骤13:计算不同位置索引构成的数据组出现的次数占B!种不同数据组出现的总次数的值作为该数据组出现的概率{P1,P2,P3…Pk},式中:Pk为该数据组出现的概率。
4.如权利要求1所述的一种基于振动信号的轴承滚动体离散失效方法,其特征在于:所述步骤5具体包括如下步骤:
步骤51:在麻雀搜索算法的优化过程中,使用虚拟麻雀模拟寻找食物的行为对网络参数进行优化,虚拟麻雀的种群可以由下式组成:
式中:d表示优化目标的向量维数,n则表示虚拟麻雀的数量;
步骤52:虚拟麻雀中发现者的位置在每一次迭代过程中的更新计算如下式:
式中:t为表示当前发现者位置迭代的次数,itermax为发现者位置迭代上限,表示第i个麻雀在第j维位置列向量中的位置信息,表示随机数且R2代表最低警戒值,且R2∈[0,1],ST代表安全阈值且ST∈[0.5,1],Q为一个随机数值,服从正态分布,L为含有d个元素值为1的列向量;
步骤53:在觅食的过程中,追随者的位置迭代如下式:
式中:Xp表示当前发现者所在的最佳位置,则表示当前全种群中的最差的位置,A则表示为元素为1或-1的行向量,且A+=AT(AAT)-1,当i>n/2时,公式表示该追随者处于饥饿状态,需要与发现者进行位置迭代;
步骤54:当麻雀位置处于种群边缘的时候,麻雀会产生预警行为,其预警行为表达式可由下式表示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525229.3A CN114169376A (zh) | 2021-12-14 | 2021-12-14 | 一种基于振动信号的轴承滚动体离散失效方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525229.3A CN114169376A (zh) | 2021-12-14 | 2021-12-14 | 一种基于振动信号的轴承滚动体离散失效方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169376A true CN114169376A (zh) | 2022-03-11 |
Family
ID=80486380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525229.3A Pending CN114169376A (zh) | 2021-12-14 | 2021-12-14 | 一种基于振动信号的轴承滚动体离散失效方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169376A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN113326817A (zh) * | 2021-07-30 | 2021-08-31 | 南京天朗防务科技有限公司 | 一种混沌小信号的检测方法及装置 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN113780664A (zh) * | 2021-09-15 | 2021-12-10 | 辽宁工程技术大学 | 基于tdt-ssa-bp的时间序列预测方法 |
-
2021
- 2021-12-14 CN CN202111525229.3A patent/CN114169376A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN113326817A (zh) * | 2021-07-30 | 2021-08-31 | 南京天朗防务科技有限公司 | 一种混沌小信号的检测方法及装置 |
CN113780664A (zh) * | 2021-09-15 | 2021-12-10 | 辽宁工程技术大学 | 基于tdt-ssa-bp的时间序列预测方法 |
Non-Patent Citations (2)
Title |
---|
白丽丽等: "基于CEEMDAN和排列熵的滚动轴承故障诊断方法", 《测量与仪器》 * |
蒋玲莉等: "基于CEEMDAN排列熵与SVM的螺旋锥齿轮故障识别", 《振动、测试与诊断》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
CN110082136B (zh) | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 | |
Wu et al. | Complex system fault diagnosis based on a fuzzy robust wavelet support vector classifier and an adaptive Gaussian particle swarm optimization | |
CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
Trebuňa et al. | The importance of normalization and standardization in the process of clustering | |
CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
CN115060497A (zh) | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 | |
CN114964778A (zh) | 一种基于小波时频图与深度学习的轴承故障诊断方法 | |
CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 | |
CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
Liang et al. | A novel deep model with meta-learning for rolling bearing few-shot fault diagnosis | |
CN114220164B (zh) | 一种基于变分模态分解和支持向量机的手势识别方法 | |
CN114169376A (zh) | 一种基于振动信号的轴承滚动体离散失效方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
CN114416423A (zh) | 一种基于机器学习的根因定位方法和系统 | |
CN110046255A (zh) | 一种基于抗噪移动时间势能聚类的文本分类方法 | |
Zhang et al. | Gearbox health condition identification by neuro-fuzzy ensemble | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN115409050A (zh) | 轴承故障诊断方法、装置及系统 | |
CN116296338A (zh) | 一种旋转机械故障诊断方法 | |
Shao et al. | An Immune Detector-Based Method for the Diagnosis of Compound Faults in a Petrochemical Plant | |
CN115374775A (zh) | 一种确定文本相似度的方法、装置、设备及存储介质 |
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 |