CN114659790A - 一种变转速风电高速轴轴承故障的识别方法 - Google Patents
一种变转速风电高速轴轴承故障的识别方法 Download PDFInfo
- Publication number
- CN114659790A CN114659790A CN202210247018.6A CN202210247018A CN114659790A CN 114659790 A CN114659790 A CN 114659790A CN 202210247018 A CN202210247018 A CN 202210247018A CN 114659790 A CN114659790 A CN 114659790A
- Authority
- CN
- China
- Prior art keywords
- bearing
- order
- angle
- speed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000003707 image sharpening Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种变转速风电高速轴轴承故障的识别方法,通过采用有跟踪阶次分析,将时域轴承振动信号转换为角域轴承振动信号,避免了直接处理时域轴承振动信号带来的频率模糊效应;同时利用经验小波变换,对轴承振动信号的阶次谱进行自适应划分,并结合奇异值分解实现降噪处理;利用Gabor变换将一维角域振动信号转换为二维图像特征,并结合Sobel算子实现图像增强;最后,构建卷积神经网络,实现轴承故障的自动诊断过程。本发明提出的方法可以更好的实现风电轴承故障信号的特征提取,并对风电轴承故障类型进行快速、准确的识别。
Description
技术领域
本发明涉及一种变转速风电高速轴轴承故障的识别方法。
背景技术
近年来,石化能源日益紧张,风能逐渐成为最重要的电力来源之一。风电轴承属大型轴承,由于尺寸和环境的特殊性,常常因局部振动等原因而发生故障。国内外学者针对此问题,对轴承早期故障实时监测与诊断开展了大量研究。传统的诊断技术多基于统计意义上的特征提取,然后将提取的特征输入分类模型进行模式识别。然而,风电机组在实际运行过程中存在严重的噪声干扰,轴承振动信号的特征往往淹没在强噪声背景中,无法准确的找出轴承早期故障特征。传统的分类器虽然能够实现特征的分类,但是由于其模型简单,导致对复杂模型的分类效果不好,准确率低,从而难以应用到实际的工程上。
发明内容
为了克服现有技术无法实现风电轴承故障准确识别与分类的不足,本发明提出了一种变转速风电高速轴轴承故障的识别方法,与其他方法相比,本发明提出的方法可以更好的实现风电轴承故障信号的特征提取,并对风电轴承故障类型进行快速、准确的识别。
本发明解决其技术问题所采用的技术方案是:
一种变转速风电高速轴轴承故障的识别方法,所述方法包括以下步骤:
步骤1,轴承故障数据采集,过程如下:
根据相似原理建立风电传动系统实验平台,通过实验平台对常见的轴承故障类型进行模拟,布置相关传感器采集轴承的振动信号和高速轴键相脉冲信号;
步骤2,计算阶次追踪,过程如下:
通过键相信号描述高速轴的累积转角,并建立转角与时间的局部对应关系,进而实现等角度增量重采样,将时域非平稳信号转换成阶次恒定的角域伪平稳信号;
步骤3,角度域高速轴轴承振动信号预处理,过程如下:
对角度域高速轴轴承振动信号进行傅里叶变换得到相应的阶次谱,采用经验小波变换对阶次谱进行自适应分割,得到相应的固有模态分量;计算峭度值筛选出最能反映轴承故障信息的固有模态分量,并利用自相关去噪法对固有模态分量进行降噪处理;
步骤4,一维角度域特征向量转换为二维角阶系数矩阵,过程如下:
对角度域轴承振动信号进行Gabor变换,得到二维角度-阶数矩阵。其中,行向量表示信号中某一阶次成分随着时间变化的幅值变化序列,列向量表示特定角度下信号中的阶次成分的变化序列;
步骤5,图像锐化处理,过程如下:
利用Sobel算子对角度-阶数矩阵进行边缘检测,然后将得到的边缘信息与原始图像叠加,实现二维角度-阶数图像的锐化;
步骤6,基于卷积神经网络的图像特征自动识别与分类,过程如下:
将步骤5所得到的二维角度-阶数矩阵作为数据集,制作卷积神经网络的训练集与测试集。构建卷积神经网络模型,输入训练集样本,完成训练样本任务;将测试集输入已训练好的卷积神经网络,则输出即为轴承故障类型检测结果。
进一步,所述步骤1中,轴承数据采集的过程如下:
选取轴承型号为81104推力圆柱滚子轴承,通过弹簧加载装置对轴承施加径向载荷,设置5种故障类型,分别是:正常轴承、滚子磨损、内圈磨损、外圈磨损和保持架磨损,通过伺服电机实现主轴的变速旋转,在联轴器旁布置光电传感器,在轴承座上方布置加速度传感器,针对5种不同故障类型分别采集高速轴轴承的振动信号和转速信号,采样频率为10.24kHz,采样时间为10s。
再进一步,所述步骤2中,计算阶次追踪的过程如下:
2.1)利用高速轴转速脉冲信号拟合转轴转角和时间的函数关系:
θ(t)=a0+a1t+a2t2+a3t3+a4t4 (1)
式中,a0、a1、a2、a3、a4为多项式系数;
2.2)相邻2个键相脉冲信号的角度间隔固定为2π,计算振动信号角域重采样的时刻值:
对转角按等角度采样间隔Δθ离散化,则:
2.3)根据等角度采样时刻Tn,对信号进行拉格朗日插值运算,求取振动信号在Tn时刻的幅值,得到阶比恒定的重采样角域振动信号。
再进一步,所述步骤3的过程如下:
3.1)对重采样角域振动信号进行傅里叶变换求得阶次谱,检测阶次谱包络极大值序列,按降序排列,通过阈值设置选取相应的主极大值,确定经验小波分解个数N,将重采样角域振动信号的阶次谱进行自适应分割为N段,得到相应的固有模态分量;
3.2)分别计算各固有模态分量的峭度指标,选取峭度值较大的7个分量叠加重构;
3.3)对重构信号进行奇异值分解,将较大的奇异值进行保留,余下奇异值舍弃,再通过奇异值分解的重构算法将矩阵重新构造,得到降噪后的角域轴承振动信号。
再进一步,所述步骤4中,角度-阶数分析的过程如下:
对步骤3处理后的信号进行Gabor变换,得到信号的角度-阶次谱图,实现一维角域信号转化为二维角度-阶次系数矩阵;
式中:τ为窗函数角度滑移长度;O为阶次;x(θ)为输入角域信号。
再进一步,所述步骤5中,图像锐化的过程如下:
5.1)采用Otsu算法分割图像,得到图像P1;
5.2)采用Sobel算子模板(图2)分别对分割后的图像P1和原始图像进行卷积,得到两组边缘检测图像;
5.3)将两组边缘检测图像叠加,完成图像锐化,增强原始图像的边缘信息。
所述步骤6中,构建卷积神经网络模型的过程如下:
设置两层卷积层、两层池化层与一层全连接层,所有卷积核大小设置为5*5,每层卷积核的数量分别为16和32,卷积核步距为2,激活函数选取ReLU,池化方式为最大池化,通过展平层将二维矩阵转换为一维特征向量,设置三层全连接层,神经元个数分别为2048、1024和128,初始学习率设置为0.0001,损失函数设置为交叉熵损失函数。
本发明的有益效果为:利用有跟踪阶次分析,将时域轴承振动信号转换为角域振动信号,避免了直接处理时域振动信号带来的频率模糊效应;然后采用经验小波变换,对振动信号的阶次谱进行自适应划分,并结合奇异值分解实现降噪处理;同时利用Gabor变换将一维角域振动信号转换为二维角阶特征矩阵,并利用Sobel算子实现图像增强;最后,构建卷积神经网络,实现轴承故障的自动诊断过程。
附图说明
图1是变转速风电高速轴轴承故障识别方法的流程图。
图2是Sobel算子模板。
图3是卷积神经网络的架构图。
具体实施方式
下面对本发明做进一步说明。
参照图1~图3,一种变转速风电高速轴轴承故障的识别方法,包括以下步骤:
步骤1,轴承信号采集,过程如下:
选取轴承型号为81104推力圆柱滚子轴承,通过弹簧加载装置对轴承施加径向载荷,设置5种故障类型,分别是:正常轴承、滚子磨损、内圈磨损、外圈磨损和保持架磨损,通过伺服电机实现主轴的变速旋转,在联轴器旁布置光电传感器,在轴承座上方布置振动加速度传感器,对轴承的5种状态采集振动信号和转速信号,采样频率为10.24kHz,采样时间为10s。
步骤2,计算阶次追踪,过程如下:
2.1)利用转速脉冲信号拟合转轴转角和时间的函数关系:
θ(t)=a0+a1t+a2t2+a3t3+a4t4 (1)
式中,a0、a1、a2、a3、a4为多项式系数;
2.2)相邻2个键相脉冲信号的角度间隔固定为2π,计算振动信号角域重采样的时刻值:
对转角按等角度采样间隔Δθ离散化,则:
步骤3,轴承振动信号预处理,过程如下:
3.1)对重采样角域信号进行傅里叶变换求得阶次谱,检测阶次谱包络极大值序列,按降序排列,通过阈值设置选取相应的主极大值,确定经验小波分解个数N,将重采样角域信号阶次谱自适应分割为N段,得到相应得本征模态分量;
3.2)分别计算各模态分量的峭度指标,选取峭度值较大的7个分量叠加重构;
3.3)对重构信号进行奇异值分解,将较大的奇异值进行保留,余下奇异值舍弃,再通过奇异值分解的重构算法将矩阵重新构造,得到降噪后的角域振动信号;
步骤4,一维角度域特征向量转化为二维角度-阶数特征矩阵,过程如下:
对步骤3处理后的信号进行Gabor变换,得到信号的角度-阶次谱图,实现一维角域信号转化为二维角度-阶次系数矩阵;
式中:τ为窗函数角度滑移长度;O为阶次;x(θ)为输入角域信号;
步骤5,图像锐化处理,过程如下:
5.1)采用Otsu算法分割图像,得到图像P1;
5.2)采用Sobel算子模板(图2)分别对分割后的图像P1和原始图像进行卷积,得到两组边缘检测图像;
5.3)将两组边缘检测图像叠加,完成图像锐化,增强原始图像的边缘信息。
步骤6,基于卷积神经网络的图像特征自动识别与分类,过程如下:
设置两层卷积层、两层池化层与一层全连接层,所有卷积核大小设置为5*5,每层卷积核的数量分别为16和32,卷积核步距为2,激活函数选取ReLU,池化方式为最大池化,通过展平层将二维矩阵转换为一维特征向量,设置三层全连接层,神经元个数分别为2048、1024和128,初始学习率设置为0.0001,损失函数设置为交叉熵损失函数,具体网络结构参数如表1所示。
表1。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (7)
1.一种变转速风电高速轴轴承故障的识别方法,其特征在于,所述方法包括以下步骤:
步骤1,轴承故障数据采集,过程如下:
根据相似原理建立风电传动系统实验平台,通过实验平台对常见的轴承故障类型进行模拟,布置相关传感器采集轴承的振动信号和高速轴键相脉冲信号;
步骤2,计算阶次追踪,过程如下:
通过键相信号描述高速轴的累积转角,并建立转角与时间的局部对应关系,进而实现等角度增量重采样,将时域非平稳信号转换成阶次恒定的角域伪平稳信号;
步骤3,轴承振动信号预处理,过程如下:
对角度域高速轴轴承振动信号进行傅里叶变换得到相应的阶次谱,采用经验小波变换对阶次谱进行自适应分割,得到相应的固有模态分量;计算峭度值筛选出最能反映轴承故障信息的固有模态分量,并利用自相关去噪法对固有模态分量进行降噪处理;
步骤4,一维角度域特征向量转换为二维角度-阶数特征矩阵,过程如下:
对角度域轴承振动信号进行Gabor变换,得到二维角度-阶数矩阵,其中,行向量表示信号中某一阶次成分随着时间变化的幅值变化序列,列向量表示特定角度下信号中的阶次成分的变化序列;
步骤5,图像锐化处理,过程如下:
利用Sobel算子对角度-阶数矩阵进行边缘检测,然后将得到的边缘信息与原始图像叠加,实现二维角度-阶数图像的锐化;
步骤6,基于卷积神经网络的图像特征自动识别与分类,过程如下:
将步骤5所得到的二维角度-阶数矩阵作为数据集,制作卷积神经网络的训练集与测试集,构建卷积神经网络模型,输入训练集样本,完成训练样本任务;将测试集输入已训练好的卷积神经网络,则输出即为轴承故障类型检测结果。
3.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法,其特征在于,所述步骤1中,轴承数据采集的过程如下:
选取轴承型号为81104推力圆柱滚子轴承,通过弹簧加载装置对轴承施加径向载荷,设置5种故障类型,分别是:正常轴承、滚子磨损、内圈磨损、外圈磨损和保持架磨损;通过伺服电机实现主轴的变速旋转,在联轴器旁布置光电传感器,在轴承座上方布置加速度传感器,针对5种不同故障类型分别采集高速轴轴承的振动信号和转速信号,采样频率为10.24kHz,采样时间为10s。
4.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法,其特征在于,所述步骤3的过程如下:
3.1)对重采样角域振动信号进行傅里叶变换求得阶次谱,检测阶次谱包络极大值序列,按降序排列,通过阈值设置选取相应的主极大值,确定经验小波分解个数N,将重采样角域振动信号的阶次谱进行自适应分割为N段,得到相应的固有模态分量;
3.2)分别计算各固有模态分量的峭度指标,选取峭度值较大的7个分量叠加重构;
3.3)对重构信号进行奇异值分解,将较大的奇异值进行保留,余下奇异值舍弃,再通过奇异值分解的重构算法将矩阵重新构造,得到降噪后的角域轴承振动信号。
6.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法,其特征在于,所述步骤5的过程如下:
5.1)采用Otsu算法分割图像,得到图像P1;
5.2)采用Sobel算子模板分别对分割后的图像P1和原始图像进行卷积,得到两组边缘检测图像;
5.3)将两组边缘检测图像叠加,完成图像锐化,增强原始图像的边缘信息。
7.如权利要求1或2所述的一种变转速风电高速轴轴承故障的识别方法,其特征在于,所述步骤6的过程如下:
设置两层卷积层、两层池化层与一层全连接层,所有卷积核大小设置为5*5,每层卷积核的数量分别为16和32,卷积核步距为2,激活函数选取ReLU,池化方式为最大池化,通过展平层将二维矩阵转换为一维特征向量,设置三层全连接层,神经元个数分别为2048、1024和128,初始学习率设置为0.0001,损失函数设置为交叉熵损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247018.6A CN114659790B (zh) | 2022-03-14 | 2022-03-14 | 一种变转速风电高速轴轴承故障的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210247018.6A CN114659790B (zh) | 2022-03-14 | 2022-03-14 | 一种变转速风电高速轴轴承故障的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114659790A true CN114659790A (zh) | 2022-06-24 |
CN114659790B CN114659790B (zh) | 2023-12-01 |
Family
ID=82029419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210247018.6A Active CN114659790B (zh) | 2022-03-14 | 2022-03-14 | 一种变转速风电高速轴轴承故障的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114659790B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859210A (zh) * | 2023-02-10 | 2023-03-28 | 宁波慧声智创科技有限公司 | 一种带电机设备停机尾音智能检测方法及系统 |
TWI807985B (zh) * | 2022-09-01 | 2023-07-01 | 國立勤益科技大學 | 風力機齒輪箱之故障檢測方法 |
CN116728291A (zh) * | 2023-08-16 | 2023-09-12 | 湖南大学 | 基于边缘计算的机器人打磨系统状态监测方法和装置 |
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
CN110887663A (zh) * | 2019-10-30 | 2020-03-17 | 中国石油化工股份有限公司 | 变工况计算阶次跟踪与谱峭度结合的轴承故障诊断方法 |
CN111259532A (zh) * | 2020-01-13 | 2020-06-09 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
CN111307452A (zh) * | 2020-03-05 | 2020-06-19 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
-
2022
- 2022-03-14 CN CN202210247018.6A patent/CN114659790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
CN110887663A (zh) * | 2019-10-30 | 2020-03-17 | 中国石油化工股份有限公司 | 变工况计算阶次跟踪与谱峭度结合的轴承故障诊断方法 |
CN111259532A (zh) * | 2020-01-13 | 2020-06-09 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
CN111307452A (zh) * | 2020-03-05 | 2020-06-19 | 江苏天沃重工科技有限公司 | 一种时变转速下旋转机械智能故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI807985B (zh) * | 2022-09-01 | 2023-07-01 | 國立勤益科技大學 | 風力機齒輪箱之故障檢測方法 |
CN115859210A (zh) * | 2023-02-10 | 2023-03-28 | 宁波慧声智创科技有限公司 | 一种带电机设备停机尾音智能检测方法及系统 |
CN115859210B (zh) * | 2023-02-10 | 2023-05-12 | 宁波慧声智创科技有限公司 | 一种带电机设备停机尾音智能检测方法及系统 |
CN116728291A (zh) * | 2023-08-16 | 2023-09-12 | 湖南大学 | 基于边缘计算的机器人打磨系统状态监测方法和装置 |
CN116728291B (zh) * | 2023-08-16 | 2023-10-31 | 湖南大学 | 基于边缘计算的机器人打磨系统状态监测方法和装置 |
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
CN117708574B (zh) * | 2024-02-02 | 2024-04-12 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114659790B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114659790A (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
CN108830127B (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
Zhu et al. | Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
Youcef Khodja et al. | Rolling element bearing fault diagnosis for rotating machinery using vibration spectrum imaging and convolutional neural networks | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
Jeong et al. | Rotating machinery diagnostics using deep learning on orbit plot images | |
Appana et al. | Reliable fault diagnosis of bearings with varying rotational speeds using envelope spectrum and convolution neural networks | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
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 | |
Yuan et al. | Intelligent fault diagnosis of rolling element bearings based on HHT and CNN | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN114235415B (zh) | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 | |
CN109033632B (zh) | 一种基于深度量子神经网络的趋势预测方法 | |
CN110487547B (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
CN111089720A (zh) | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 | |
CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN117056849B (zh) | 一种无监督的复杂机械设备异常状态监测方法及系统 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN112733612A (zh) | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 | |
CN110555243A (zh) | 一种铣削过程中机床主轴振动信息的二维图谱构建方法 | |
CN113432874A (zh) | 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法 |
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 |