CN114692695A - 基于多指标融合的故障特征选择及分类方法研究 - Google Patents

基于多指标融合的故障特征选择及分类方法研究 Download PDF

Info

Publication number
CN114692695A
CN114692695A CN202210379191.1A CN202210379191A CN114692695A CN 114692695 A CN114692695 A CN 114692695A CN 202210379191 A CN202210379191 A CN 202210379191A CN 114692695 A CN114692695 A CN 114692695A
Authority
CN
China
Prior art keywords
component
decomposition
signal
fault
components
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
Application number
CN202210379191.1A
Other languages
English (en)
Other versions
CN114692695B (zh
Inventor
彭成
欧阳裕尧
唐朝晖
袁鑫攀
邓晓军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210379191.1A priority Critical patent/CN114692695B/zh
Priority claimed from CN202210379191.1A external-priority patent/CN114692695B/zh
Publication of CN114692695A publication Critical patent/CN114692695A/zh
Application granted granted Critical
Publication of CN114692695B publication Critical patent/CN114692695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于多指标融合的故障特征选择及分类方法研究，首先将原始信号通过改进CELMD方法分解为多个PF分量和单个残余分量；然后融合峭度、相关系数和K‑L散度三个指标提取最适合的PF分量进行信号重构；最后提取重构信号的多域特征和熵值特征，输入LightGBM分类器进行分类，实现滚动轴承故障的智能分类。本发明改善了端点效应，缓解了模态混叠的现象，有效减少了虚假分量对故障诊断的影响，进一步提高了故障诊断的分类准确度，并最终有效对不同故障类型进行分类。

Description

基于多指标融合的故障特征选择及分类方法研究
技术领域
本发明属于旋转机械装置中关键部件滚动轴承的故障诊断技术领域，具体涉及基于多指标融合的故障特征选择及分类方法研究。
背景技术
滚动轴承是旋转机械设备的关键组成部分，其性能的好与坏直接影响到整个设备的运行状况从而造成重大的经济损失，更有甚者会使操作人员的生命遭受威胁。据不完全统计，整个机械故障中有40％以上是由轴承故障问题造成的；在旋转机械中有约30％的故障问题是源于滚动轴承故障；在齿轮箱发生的故障中，轴承的故障约占到了19％；电机设备的故障当中轴承故障占比高达80％。因此，对滚动轴承及时进行检测运行状态和进行故障诊断意义重大。滚动轴承发生故障时会产生非平稳的、非高斯的信号，现有的信号分解技术可以对信号进行解调，将非平稳信号分解为多个敏感分量和单个残余分量之和，大部分信号分解技术仍然存在端点效应、模态混叠等问题，甚至出现过拟合、欠拟合等问题；此外，孤立的单一指标如相关系数、峭度或者K-L散度虽然能够作为选择某些敏感分量选择的依据，但是无法准确选择最佳的敏感分量，更有可能会丢弃某些包含特征的敏感分量，严重影响了重构信号的特征提取和故障诊断的准确性。综上所述，如何有效分解信号，缓解故障信号的端点效应、改善模态混叠的问题、避免过拟合、欠拟合等问题，并且筛选出分解之后的最佳敏感分量进行重构提取有效故障振动特征是滚动轴承故障诊断面临的一大难题。
发明内容
为了克服现有技术存在的缺点，本发明提供了基于多指标融合的故障特征选择及分类方法，利用改进的补充总体局部均值分解(Complementary Ensemble local meandecomposition,CELMD)算法将原始信号分解为多个具有物理意义的乘积函数(Productfunction，PF)和单个残余分量，其次提出多指标选择(Multi-Indicator Selection，MIS)算法选取最佳PF分量进行重构获得训练信号并提取时域、频域和时频域等多域特征和熵值特征，最后将重构信号的故障特征作为训练样本利用轻量级梯度提升机(Light GradientBoosting Machine,LightGBM)建模对轴承故障类别进行分类，高效、准确地实现滚动轴承的准确故障诊断。
为了达到上述目的，本发明所采用的技术方案为：
基于多指标融合的故障特征选择及分类方法研究，包括以下步骤：
A.获取滚动轴承在不同工况下的声发射信号，对于不同系统状态产生的信号(包括正常状态、不同故障直径下的内圈故障、滚动体故障、外圈故障)，均使用本发明改进的CELMD算法进行分解，具体过程是：
a.对每种类型的原始信号x(t)成对加入所需的白噪声ni(t)，即
Figure BDA0003591984880000021
Figure BDA0003591984880000022
其中，x(t)为原始信号，ni(t)为第i次加入的噪声且i∈[1,2,3…N]，hi为噪声的幅值，
Figure BDA0003591984880000023
为添加了正白噪声之后的信号，
Figure BDA0003591984880000024
为添加了负白噪声之后的信号；
b.对加入正负白噪声的信号进行局部均值分解(Local Mean Decomposition，LMD)分解，分解成多个具有物理意义的乘积函数(Product function，PF)，同时，修改同幅值的高斯白噪声ni(t)，再次进行CELMD分解，重复N次后，将PF分量相加取平均值，则第j个PF分量为：
Figure BDA0003591984880000031
其中，
Figure BDA0003591984880000032
为
Figure BDA0003591984880000033
通过LMD分解并平均后的第i个PF分量，
Figure BDA0003591984880000034
为
Figure BDA0003591984880000035
通过LMD分解并平均后的第i个PF分量；
此时，x(t)被分解为M个PF分量和一个残余分量r(t)，即
Figure BDA0003591984880000036
c.修改噪声幅值hi并重复以上步骤，重复N′次，则第k次分解的结果为
Figure BDA0003591984880000037
其中，
Figure BDA0003591984880000038
为第k次CELMD分解的PF分量，r(k)(t)为第k次分解的残余分量；
将N’次分解的PF分量相加取平均值，即
Figure BDA0003591984880000039
其中，
Figure BDA00035919848800000310
为最终分解后的第j个PF分量；
将x(t)分解为M个PF分量和残余分量，即
Figure BDA00035919848800000311
其中，r′(t)为分解后的残余分量；
B.采用本发明提出的多指标选择(Multi-Indicator Selection，MIS)算法对上述步骤所获的PF分量进行筛选，具体过程是：
a.首先，构建指标集L＝{L1,L2,L3}，其中，L1为峭度，L2为相关系数，L3为Wassterstein距离的倒数；
b.将改进CELMD分解后得到的第i个PF分量分别计算指标集L中的值，从而得到mi1、mi2、mi3，要保证每一个对应的mij值符号相等，故将所有mij值进行非负处理，即
Figure BDA0003591984880000041
其中，j∈[1,2,3]且
Figure BDA0003591984880000042
c.计算每个
Figure BDA0003591984880000043
在指标Lk的占比，并将同属于一个PF分量的占比相加得到
Figure BDA0003591984880000044
即
Figure BDA0003591984880000045
其中，
Figure BDA0003591984880000046
为每个PF分量中三个指标总和的占比；
d.设定固定阈值A(A为常数且满足0≤A≤1)，将
Figure BDA0003591984880000047
从大到小排序，将排序之后的
Figure BDA0003591984880000048
从大到小进行选择，当选择的
Figure BDA0003591984880000049
之和到达阈值A时，所选择的
Figure BDA00035919848800000410
值对应的PF分量即为所选分量；
C.将上述MIS算法选择得到的PF分量进行重构，并将重构信号划分为训练集和测试集，再分别提取时域、频域特征和熵值特征，同时将不同故障类型打上标签作为该信号特征对应的系统状态，利用训练集训练轻量级梯度提升机(Light Gradient BoostingMachine，LightGBM)分类器，完成训练后，利用测试集评估分类效果，从而实现故障智能分类。
本发明的有益效果为：
本发明综合考虑了传统的信号分解技术对振动信号存在的缺点，改进了传统的CELMD分解技术，提出多次加入不同幅值的高斯白噪声取平均值进而降低了故障信号中噪声所带来的干扰，改善了端点效应，缓解了模态混叠的现象。综合对比了峭度、相关系数和K-L散度的优缺点，提出了MIS算法将多个指标进行融合，利用Wassterstein距离代替了K-L散度，分析了每个分量的融合指标占比，有效减少了虚假分量对故障诊断的影响，进一步提高了故障诊断的分类准确度，对重构信号提取了时域、频域等多域特征和熵域特征，构建LightGBM分类器进行故障诊断，最终有效对不同故障类型进行分类。
附图说明
图1为本发明的流程图；
图2为分类结果对比图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照图1，基于多指标融合的故障特征选择及分类方法研究，包括以下步骤：
A.采集滚动轴承在不同工况下的声发射信号，对于不同系统状态产生的信号(包括正常状态、不同故障直径下的内圈故障、滚动体故障、外圈故障)，均使用本发明改进的CELMD算法进行分解，具体过程是：
a.对每种类型的原始信号x(t)成对加入所需的白噪声ni(t)，即
Figure BDA0003591984880000051
Figure BDA0003591984880000061
其中，x(t)对应不同故障类型的原始信号，ni(t)对应第i次加入的高斯白噪声且i∈[1,2,3…N]，N＝10，hi对应噪声的幅值，hi依次取[0.05，0.10，0.15，0.20，0.25，0.30，0.35，0.40，0.45，0.50]，
Figure BDA0003591984880000062
为添加了正白噪声之后的信号，
Figure BDA0003591984880000063
为添加了负白噪声之后的信号
b.对加入正负白噪声的信号进行LMD分解，分解成多个PF分量，同时，修改同幅值的高斯白噪声ni(t)，再次进行CELMD分解，重复N次后，将PF分量相加取平均值，则第j个PF分量为：
Figure BDA0003591984880000064
其中，
Figure BDA0003591984880000065
对应
Figure BDA0003591984880000066
通过LMD分解并平均后的第i个PF分量，
Figure BDA0003591984880000067
对应
Figure BDA0003591984880000068
通过LMD分解并平均后的第i个PF分量；
此时，x(t)被分解为M个PF分量和一个残余分量r(t)：
Figure BDA0003591984880000069
c.修改噪声幅值hi并重复以上步骤，重复N’次，则第k次分解的结果为
Figure BDA00035919848800000610
其中，
Figure BDA00035919848800000611
为第k次CELMD分解的PF分量，r(k)(t)为第k次分解的残余分量；
将N’次分解的PF分量相加取平均值，即
Figure BDA00035919848800000612
其中，N’对应hi的个数
Figure BDA00035919848800000613
对应第l次分解的第j个PF分量；
将x(t)分解为M个PF分量和残余分量，即
Figure BDA0003591984880000071
其中，r′(t)为残余分量，M对应最终分解之后PF的个数；
B.采用本发明提出的多指标选择(Multi-Indicator Selection，MIS)算法对上述步骤所获的PF分量进行筛选，具体过程是：
a.首先，构建指标集L＝{L1,L2,L3}，其中，L1为峭度，L2为相关系数，L3为Wassterstein距离的倒数；
b.将改进CELMD分解后得到的第i个PF分量分别计算指标集L中的值，从而得到mi1、mi2、mi3，要保证每一个对应的mij值符号相等，故将所有mij值进行非负处理，即
Figure BDA0003591984880000072
其中，j∈[1,2,3]且
Figure BDA0003591984880000073
Lj对应指标集中第j个分量；
c.计算每个
Figure BDA0003591984880000074
在指标Lj的占比，并将同属于一个PF分量的占比相加得到
Figure BDA0003591984880000075
即
Figure BDA0003591984880000076
其中，
Figure BDA0003591984880000077
为每个PF分量中三个指标总和的占比；
d.设定固定阈值A(A为常数且满足0≤A≤1)A＝0.85，将
Figure BDA0003591984880000078
从大到小排序，将排序之后的
Figure BDA0003591984880000079
从大到小进行选择，当选择的
Figure BDA00035919848800000710
之和到达阈值A时，所选择的
Figure BDA00035919848800000711
值所对应的PF分量即为所选分量；
C.将上述MIS算法选择得到的PF分量进行重构，并将重构信号划分为训练集和测试集，再分别提取时域、频域特征和熵值特征，同时将不同故障类型打上标签作为该信号特征对应的系统状态，利用训练集训练轻量级梯度提升机(Light Gradient BoostingMachine，LightGBM)分类器，完成训练后，利用测试集评估分类效果，从而实现故障智能分类；
本发明的高维混合特征向量由20个特征组成原始特征集F＝(f1,f2,…,f20)，共包括10个时域特征、5个频域特征和5个熵值特征。时域统计特征有均方根值(f1)、峰值(f2)、波峰系数(f3)、方根幅值(f4)、绝对平均值(f5)、偏度值(f6)、偏度因子值(f7)、峭度(f8)、形状因子(f9)、k因子(f10)；频域统计特征有重心频率(f11)、均方频率(f12)、均方根频率(f13)、频率方差(f14)、频率标准差(f15)；熵值特征有模糊熵(f16)、相位熵(f17)、增量熵(f18)、样本熵(f19)、余弦相似性熵(f20)
D.为了证明本发明方法的有效性，将其与不同的选择PF分量方法和不同分类方法进行比较，作进一步描述。滚动轴承数据集共有两种系统状态为正常状态和故障状态，而数据集包含3种故障直径，分别为0.1778mm、0.3556mm和0.5334mm，每种故障直径对应3种系统状态，分别为内圈故障、外圈故障和滚动体故障，所以共有10种系统状态，将每个数据集按照512个数据点进行切片进而划分训练集和数据集，使用本发明方法对对滚动轴承数据集进行故障分类，针对数据集，首先通过改进CELMD算法对原始信号进行分解，再利用MIS算法筛选出最优PF分量进行重构，最后提取特征划分数据集进行分类和诊断。对比分析了本发明方法和原始信号+RandomForest、原始信号+XGBoost、原始信号+LightGBM、correlation+RandomForest、correlation+XGBoost、correlation+LightGBM、K-L+RandomForest、K-L+XGBoost、K-L+LightGBM、MIS+RandomForest和MIS+XGBoost分类准确度，使用本发明方法可以达到99.24％的分类准确度，分别比上述方法高出24.78％、13.68％、10.24％、14.98％、9.16％、5.06％、13.47％、7.87％、4.85％、6.57％、4.53％，说明本发明方法对PF分量的选取具有稳健性，能够高效地对故障进行诊断，十二种方法分类结果对比如图2所示。

Claims (3)

1.基于多指标融合的故障特征选择及分类方法研究，特征在于包括以下步骤：
A.获取滚动轴承在不同工况下的声发射信号，对于不同系统状态产生的信号(包括正常状态、不同故障直径下的内圈故障、滚动体故障、外圈故障)，均使用本发明改进的补充总体局部均值分解(Complementary Ensemble local mean decomposition，CELMD)算法进行分解，具体过程是：
a.对每种类型的原始信号x(t)成对加入所需的白噪声ni(t)，即
Figure FDA0003591984870000011
Figure FDA0003591984870000012
其中，x(t)为原始信号，ni(t)为第i次加入的噪声且i∈[1，2，3…N]，hi为噪声的幅值，
Figure FDA0003591984870000013
为添加了正白噪声之后的信号，
Figure FDA0003591984870000014
为添加了负白噪声之后的信号；
b.对加入正负白噪声的信号进行局部均值分解(Local Mean Decomposition，LMD)分解，分解成多个具有物理意义的乘积函数(Product function，PF)，同时，修改同幅值的高斯白噪声ni(t)，再次进行CELMD分解，重复N次后，将PF分量相加取平均值，则第j个PF分量为：
Figure FDA0003591984870000015
其中，
Figure FDA0003591984870000016
为
Figure FDA0003591984870000017
通过LMD分解并平均后的第i个PF分量，
Figure FDA0003591984870000018
为
Figure FDA0003591984870000019
通过LMD分解并平均后的第i个PF分量；
此时，x(t)被分解为M个PF分量和一个残余分量r(t)，即
Figure FDA0003591984870000021
c.修改噪声幅值hi并重复以上步骤，重复N’次，则第k次分解的结果为：
Figure FDA0003591984870000022
其中，
Figure FDA0003591984870000023
为第k次CELMD分解的PF分量，r(k)(t)为第k次分解的残余分量；
将N’次分解的PF分量相加取平均值，即
Figure FDA0003591984870000024
其中，
Figure FDA0003591984870000025
为最终分解后的第j个PF分量；
将x(t)分解为M个PF分量和残余分量，即
Figure FDA0003591984870000026
其中，r′(t)为分解后的残余分量；
B.采用本发明提出的多指标选择(Multi-Indicator Selection，MIS)算法对上述步骤所获的PF分量进行筛选，具体过程是：
a.首先，构建指标集L＝{L1，L2，L3}，其中，L1为峭度，L2为相关系数，L3为Wassterstein距离的倒数；
b.将改进CELMD分解后得到的第i个PF分量分别计算指标集L中的值，从而得到mi1、mi2、mi3，要保证每一个对应的mij值符号相等，故将所有mij值进行非负处理，即
Figure FDA0003591984870000027
其中，j∈[1，2，3]且
Figure FDA0003591984870000028
c.计算每个
Figure FDA0003591984870000029
在指标Lj的占比，并将同属于一个PF分量的占比相加得到
Figure FDA00035919848700000210
即
Figure FDA0003591984870000031
其中，
Figure FDA0003591984870000032
为每个PF分量中三个指标总和的占比；
d.设定固定阈值A(A为常数且满足0≤A≤1)，将
Figure FDA0003591984870000033
从大到小排序，将排序之后的
Figure FDA0003591984870000034
从大到小进行选择，当选择的
Figure FDA0003591984870000035
之和到达阈值A时，所选择的
Figure FDA0003591984870000036
值对应的PF分量即为所选分量；
C.将上述MIS算法选择得到的PF分量进行重构，并将重构信号划分为训练集和测试集，再分别提取时域、频域特征和熵值特征，同时将不同故障类型打上标签作为该信号特征对应的系统状态，利用训练集训练轻量级梯度提升机(Light Gradient Boosting Machine，LightGBM)分类器，完成训练后，利用测试集评估分类效果，从而实现故障智能分类。
2.如权利要求1所述的基于多指标融合的故障特征选择及分类方法研究，其特征在于：所述的加入同幅值高斯白噪声的次数N＝I0，加入不同幅值高斯白噪声的次数N’＝10，噪声的幅值hi依次取值0.05，0.10，0.15，0.20，0.25，0.30，0.35，0.40，0.45，0.50。
3.根据权利要求1所述的基于多指标融合的故障特征选择及分类方法研究，其特征在于：设置的阈值系数A＝0.85。
CN202210379191.1A 2022-04-12 基于多指标融合的故障特征选择及分类方法研究 Active CN114692695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210379191.1A CN114692695B (zh) 2022-04-12 基于多指标融合的故障特征选择及分类方法研究

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210379191.1A CN114692695B (zh) 2022-04-12 基于多指标融合的故障特征选择及分类方法研究

Publications (2)

Publication Number Publication Date
CN114692695A true CN114692695A (zh) 2022-07-01
CN114692695B CN114692695B (zh) 2024-05-14

Family

ID=

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107677472A (zh) * 2017-08-25 2018-02-09 中国矿业大学 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN109612732A (zh) * 2019-01-24 2019-04-12 北华大学 一种基于解卷积和包络谱的滚动轴承故障诊断方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN113092112A (zh) * 2021-03-30 2021-07-09 北京工业大学 一种基于eemd多特征融合的轴承复合故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107677472A (zh) * 2017-08-25 2018-02-09 中国矿业大学 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN109612732A (zh) * 2019-01-24 2019-04-12 北华大学 一种基于解卷积和包络谱的滚动轴承故障诊断方法
US20200285900A1 (en) * 2019-03-06 2020-09-10 Wuhan University Power electronic circuit fault diagnosis method based on optimizing deep belief network
CN113092112A (zh) * 2021-03-30 2021-07-09 北京工业大学 一种基于eemd多特征融合的轴承复合故障诊断方法

Similar Documents

Publication Publication Date Title
CN112327219B (zh) 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN109916628B (zh) 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法
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
CN108106830A (zh) 一种基于时频谱分割的变速旋转机械故障诊断方法
CN110515096B (zh) 基于卷积神经网络的卫星导航干扰信号识别装置及其方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
CN108875170B (zh) 一种基于改进变分模态分解的噪声源识别方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN110044623A (zh) 经验模态分解剩余信号特征的滚动轴承故障智能识别方法
CN108844725A (zh) 一种汽车发动机轴瓦磨损故障诊断方法
CN114112400A (zh) 一种基于多角度信息融合的机械轴承故障诊断方法
CN109540523A (zh) 一种艇用离心泵滚动轴承故障诊断方法
CN110412458A (zh) 一种oltc传动机构故障诊断方法
CN105865784A (zh) 基于局部均值分解和灰色关联的滚动轴承检测方法
CN111665050A (zh) 一种基于聚类k-svd算法的滚动轴承故障诊断方法
CN114692695A (zh) 基于多指标融合的故障特征选择及分类方法研究
CN114692695B (zh) 基于多指标融合的故障特征选择及分类方法研究
CN116625654A (zh) 一种振动信号故障诊断方法、装置、设备及存储介质
CN110160778A (zh) 基于序贯假设检验的齿轮箱故障状态识别方法
CN115563480A (zh) 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法
CN114923689A (zh) 一种基于局部特征尺度分解的滚动轴承故障诊断方法
CN116028840A (zh) 最大重叠离散小波包变换时频谱的船用转子故障诊断方法
CN116625685B (zh) 一种基于多域特征构建的滚动轴承组合故障诊断方法
Zhang et al. Power Quality Disturbance Detection Based on Improved Robust Random Cut Forest
CN112560674A (zh) 一种声音信号质量的检测方法及系统

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