CN114861709A - 一种轴承噪声模式识别及静音优化方法 - Google Patents
一种轴承噪声模式识别及静音优化方法 Download PDFInfo
- Publication number
- CN114861709A CN114861709A CN202210384769.2A CN202210384769A CN114861709A CN 114861709 A CN114861709 A CN 114861709A CN 202210384769 A CN202210384769 A CN 202210384769A CN 114861709 A CN114861709 A CN 114861709A
- Authority
- CN
- China
- Prior art keywords
- noise
- bearing
- vibration
- optimization
- sound
- 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
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
- G06F2218/08—Feature extraction
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06N3/08—Learning methods
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种轴承噪声模式识别及静音优化方法,包括:采集轴承的原始声音信号与振动信号,并进行时域分析和频域分析;通过特征提取算法提取轴承信号的特征向量;利用振动与噪声源零件识别系统的深度学习算法进行振动与噪声的模式识别和主成分分析,得到轴承噪声分类模型,实现对振动与噪声源零件的识别;通过静音优化技术降低轴承噪声源零件的振动与噪声,实现对轴承的静音优化。该方法可以对轴承噪声进行模式识别及静音优化,识别速度快,识别效率高,同时减少人工成本,降低噪声对人们的健康带来的损害。
Description
技术领域
本发明涉及一种轴承噪声模式识别及静音优化方法,属于人工智能和信号处理技术领域。
背景技术
滚动轴承是机械工业中最重要的零部件之一,广泛应用于机械装备、汽车、电气电子等行业,但滚动轴承因振动等引起的噪声问题引起越来越多人的重视,因此,轴承振动与噪声控制是轴承制造领域亟需解决的重要问题之一。一般来说,轴承噪声源自轴承的振动,包括轴承本身存在的固有振动、轴承加工过程中,误差导致的振动以及装配过程中的振动等。目前,许多轴承企业开始对轴承噪声进行研究,如日本NSK公司,将轴承的振动与噪声分为四个等级:标准级、E级、ER级以及EF级,达到ER级的轴承就可以称之为静音轴承。根据安德鲁测振仪的检测数据,我国6201轴承比日本NSK的ER级6201静音轴承的振动值要高于2~3dB以上,在如何减少轴承噪音、赶超国际领先技术方面,我国的静音轴承产业还有待突破。
目前,随着我国各种行业尤其是家用电器、计算机、汽车等行业的迅猛发展,国内对高质量轴承尤其是高质量静音轴承的需求量开始出现大幅度增长,根据哈尔滨轴承厂相关市场调研人员统计,我国在家用空调市场上,静音轴承的年均使用量高达近千万套,加上其他行业的低噪声轴承需求,静音轴承的年需求量可以达到2~3亿套左右,但国产低噪声轴承的振动与噪声难以满足用户的使用要求,国内约75%~85%的低音轴承基本靠进口来满足。
因此,国内静音轴承的市场巨大,静音轴承的质量及制造规模将成为是否占据市场份额的重要依据,因此,需要轴承研究人员不断进行技术创新,推动我国轴承工业走向世界前列。
滚动轴承的噪声通常包括滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等。为降低轴承噪声,使轴承外套圈表面硬度达标,杨永艳提出了一种基于涡流和巴克豪森噪声融合的轴承套圈硬度检测方法,首先分析了热处理轴承套圈的材质及其硬度变化的主要原因,并通过里氏硬度测量实验、涡流检测实验和巴克豪森噪声检测实验得到硬度值与涡流、巴克豪森噪声检测特征值之间的关系,最终可通过涡流高频电抗信号与巴克豪森噪声均方值可精确的对硬度合格、不合格和未热处理试件进行分类。张建水根据结构参数与轴承噪声之间的关系构建了数学模型,并分析结构参数(径向游隙、沟道曲率半径、钢球个数、钢球直径、轴承型号)对轴承噪声有何影响,得出了结构参数与轴承噪声之间的关系。为优化轴承结构,刘文红在ANSYS软件中对轴承进行了约束模态分析、静力学分析以及复模态理论分析,研究结论表明复模态特征值实部正值的个数与水道槽个数及摩擦系数有明显关系,因此可通过噪声对不同型号的轴承结构中水道槽个数进行设计,并且分析了不同的结构和工况对轴承噪声的影响。王家序等使用ABAQUS 软件对轴承系统进行了噪声分析,通过有限元复特征分析法得出轴承的过渡圆弧半径大小、水道槽半径大小、水道槽数量等对噪声的产生有重要影响。王磊等分析了轴承摩擦噪声的时频特征,并由实验得出噪声产生的规律以及特点。郭蕊建立了轴承刚柔耦合数学模型,并基于ANSYS与ADAMS软件进行仿真分析模型,分析了转速、摩擦系数以及轴承结构对轴承系统振动噪声的影响,并表明轴承结构方面承载面对轴承振动噪声的影响最大。针对轴承传统模型对辐射噪声计算精度差的问题,白晓天等根据滚动体尺寸误差建立了全陶瓷球轴承的动力学模型,并对辐射噪声特性进行了仿真分析,实验表明滚动体尺寸误差会引起辐射噪声增大且周向分布呈现明显不均匀性。殷玉枫等根据非线性力学和声学理论建立了轴承结构噪声模型,分析轴承结构参数与噪声之间的关系,研究表明轴承的径向游隙对轴承噪声的影响最为显著。杨晓蔚表示对轴承噪声影响较大是套圈滚道和滚动体的表面粗糙度和波纹度,噪声来源包括滚动体与保持架的撞击声、保持架由于涡动而产生的啸叫声、滚动体与滚道的接触摩擦声,此外,噪声还与滚动体与滚道间的接触应力以及预载荷等相关。
从以上研究可知,轴承噪声与机械结构、加工工艺和装配工艺等具有一定的相关性,但如何利用振动、噪声与零件的相关性,辨识振动、噪声源零件并加以优化,实现降噪静音效果,还有待进一步研究。
发明内容
本发明的目的是提供一种轴承噪声模式识别及静音优化方法,采集轴承的原始声音信号与振动信号,并进行时域分析和频域分析;通过特征提取算法提取轴承信号的特征向量;利用振动与噪声源零件识别系统的深度学习算法进行振动与噪声的模式识别和主成分分析,确定噪声源零件,在此基础上,通过静音优化技术优化噪声源零件的结构、加工工艺及装配工艺等,实现轴承降噪的目的;本方法识别速度快,识别效率高,同时减少人工成本,降低噪声对人们的健康带来的损害,具有重要的社会经济意义和应用推广价值。
一种轴承噪声模式识别及静音优化方法,该方法包括,振动与噪声数据采集与预处理系统I、特征提取算法II、振动与噪声源零件识别系统III以及对振动与噪声源零件的静音优化技术IV组成;振动与噪声数据采集与预处理系统I通过传感器采集轴承的原始声音与振动信号,并进行时域和频域分析,通过特征提取算法II提取滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等特征向量,利用振动与噪声源零件识别系统III的深度学习算法进行振动与噪声的模式识别和主成分分析,得到轴承噪声分类模型,实现对振动与噪声源零件的识别;在此基础上,通过振动与噪声源零件的静音优化技术IV降低轴承振动与噪声。
为了实现以上目的,本发明采取了的技术方案是:
一种轴承噪声模式识别及静音优化方法,包括以下步骤:
1)通过振动与噪声数据采集与预处理系统Ⅰ采集轴承的原始声音与振动信号,然后对原始信号进行预处理,即对原始信号进行采样和量化;
2)对预处理后的信号进行时域分析,再将预处理后的信号进行傅里叶变换得到频域信号,并进行频域分析;时域分析包括对均方根、均值、方差、偏度、峭度、峰值因子、脉冲因子、波形因子和中值;频域分析包括对频谱、功率谱、能量谱和功率谱;
3)通过特征提取算法II将步骤2)得到的时域信号和频域信号进行特征提取,包括对滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等的特征提取;
4)将步骤1)预处理得到的数据的一部分作为训练集,并将噪声对应的轴承零部件名称作为标签,然后将带有标签的特征向量输入到振动与噪声源零件识别系统III中,结合深度学习算法进行噪声的模式识别和主成分分析,得到N个轴承振动与噪声分类模型;
5)将步骤1)预处理得到的数据的一部分作为验证集,输入到训练好的N个轴承振动与噪声分类模型中进行预测,并记录各个模型分类的准确率,选出效果最佳的模型;
6)将步骤1)预处理得到的数据的一部分作为测试集,输入到轴承振动与噪声分类模型中进行分类,得到轴承振动与噪声分类结果;
7)利用步骤6)得到的分类结果,确定轴承的振动与噪声源零件,对相关零件进行结构优化、有限元分析、加工工艺优化、装配工艺优化等,实现轴承降噪。
根据本发明优选的,所述步骤3)中,通过特征提取算法Ⅱ提取特征,具体过程为:
特征提取算法II通过对轴承采集信号的时域、频域分析,实现滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等提取特征作为特征向量。
根据本发明优选的,所述步骤5)中,振动与噪声源零件的模式识别和主成分分析,具体过程为:
通过对滚动体与内外滚道的接触变形以及不同零件的声学模分析,辨识轴承游隙及滚动体随机尺寸误差的轴承噪声规律,根据轴承接触变形的噪声声压特性、尺寸误差噪声特性、滚动体与保持架接触面积噪声特性,在时域、频域等多维空间进行特征提取。基于轴承振动与噪声特征,构建深度学习算法及噪声特征库,与轴承数据采集相结合,建设深度学习算法的训练库与测试库,优化算法的网络结构,实现振动与噪声源轴承零件的智能识别。
根据本发明优选的,所述步骤7)中,通过振动与噪声源零件的静音优化技术IV改进噪声源零件,对相关零件进行静音优化,具体过程为:
根据滚动体与内外滚道接触噪声的声压变化规律,优化内外滚道、滚动体等轴承零件的结构。优化静音保持架结构,减小滚动体与保持架的接触面积,降低滚动体与保持架的接触面积以及提高存储润滑油的能力。优化滚动体的加工工艺,提高滚动体随机尺寸误差精度,并与随机误差零件分组装配模式相结合进行综合降噪优化。
本发明与现有技术相比,其有益效果在于:本发明采用深度学习与信号处理技术相结合的方法,通过时域分析、频域分析实现噪声特征提取及主成分分析,确定轴承的噪声源零件,在此基础上,优化噪声源零件的结构、加工工艺及装配工艺等,实现轴承降噪目的。通过本发明的推广应用,可以降低噪声对人们的健康带来的损害。
附图说明
图1为本发明一种轴承噪声模式识别及静音优化方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
请参照图1所示,一种轴承噪声模式识别及静音优化方法其包括以下内容:
1)通过振动与噪声数据采集与预处理系统I采集轴承的原始声音与振动信号,并将数据集划分为三部分,即训练集、验证集和测试集,然后对原始信号进行预处理,即对原始信号进行采样和量化;
2)对预处理后的信号进行时域分析,再将预处理后的信号进行傅里叶变换得到频域信号,并进行频域分析;时域分析包括对均方根、均值、方差、偏度、峭度、峰值因子、脉冲因子、波形因子和中值;频域分析包括对频谱、功率谱、能量谱和功率谱;
3)通过特征提取算法II将步骤2)得到的时域信号和频域信号进行特征提取,包括对滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等的特征提取;
4)将步骤1)预处理得到的数据的十分之六作为训练集,并将振动与噪声源对应的轴承零部件名称作为标签,输入到振动与噪声源零件识别系统III中,结合深度学习算法进行振动与噪声的模式识别和主成分分析,训练得到3个轴承噪声分类模型,分别为轴承振动与噪声分类模型Ⅰ、轴承振动与噪声分类模型Ⅱ和轴承振动与噪声分类模型Ⅲ;轴承零部件名称包括内圈、外圈、滚动体和保持架;对振动与噪声源零件的模式识别和主成分分析,具体过程为:通过对滚动体与内外滚道的接触变形以及不同零件的声学模分析,辨识轴承游隙及滚动体随机尺寸误差的轴承噪声规律,根据轴承接触变形的噪声声压特性、尺寸误差噪声特性、滚动体与保持架接触面积噪声特性,在时域、频域等多维空间进行特征提取,基于轴承振动与噪声特征,构建深度学习算法及噪声特征库,与轴承数据采集相结合,建设深度学习算法的训练库与测试库,优化算法的网络结构,实现振动与噪声源的智能识别;
5)将步骤1)预处理得到的数据的十分之二作为验证集,输入到训练好的3个轴承噪声分类模型中进行预测,并记录各个模型分类的准确率,选出效果最佳的轴承振动与噪声分类模型Ⅰ;
6)将步骤1)预处理得到的数据的十分之二作为测试集,输入到轴承振动与噪声分类模型Ⅰ中进行分类,得到轴承噪声分类结果;轴承噪声分类结果将轴承主噪声源零件分为内圈、外圈、滚动体和保持架四类;通过振动与噪声源零件的静音优化技术IV改进噪声源零件,对相关零件进行静音优化,具体过程为:根据滚动体与内外滚道接触噪声的声压变化规律,优化内外滚道、滚动体等轴承零件的结构。优化静音保持架结构,减小滚动体与保持架的接触面积,降低滚动体与保持架的接触面积以及提高存储润滑油的能力,优化滚动体的加工工艺,提高滚动体随机尺寸误差精度,并与随机误差零件分组装配模式相结合进行综合降噪优化;
7)利用步骤6)得到的分类结果,确定轴承的噪声源零件,通过轴承静音优化技术Ⅳ对相关零件进行优化,包括结构优化、有限元分析、加工工艺优化和装配工艺优化,实现轴承降噪。
再次采集经过静音优化的轴承的原始信号,重复以上步骤,进一步降低轴承噪声,最终得到满足要求的静音轴承。
本发明上述实施方案,只是举例说明,不是仅有,所有在本发明范围内或等同本发明的范围内的改变均被本发明包围。
Claims (5)
1.一种轴承噪声模式识别及静音优化方法,其特征在于,包括振动与噪声数据采集与预处理系统I、特征提取算法II、振动与噪声源零件识别系统III以及振动与噪声源零件的静音优化技术IV组成;振动与噪声数据采集与预处理系统I通过传感器采集轴承的原始声音与振动信号,并进行时域和频域分析,通过特征提取算法II提取滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等特征向量,利用振动与噪声源零件识别系统III的深度学习算法进行振动与噪声的模式识别和主成分分析,得到轴承振动与噪声分类模型,实现对振动与噪声源零件的识别;在此基础上,通过振动与噪声源零件的静音优化技术IV降低轴承振动与噪声。
2.根据权利要求1所述的一种轴承噪声模式识别及静音优化方法,其特征在于,特征提取算法II通过对轴承采集信号的时域、频域分析,实现滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等提取特征作为特征向量。
3.根据权利要求1所述的一种轴承噪声模式识别及静音优化方法,其特征在于,振动与噪声源零件识别系统III的识别方法为:通过对滚动体与内外滚道的接触变形以及不同零件的声学模分析,辨识轴承游隙及滚动体随机尺寸误差的轴承噪声规律,根据轴承接触变形的噪声声压特性、尺寸误差噪声特性、滚动体与保持架接触面积噪声特性,在时域、频域等多维空间进行特征提取;基于轴承振动与噪声特征,构建深度学习算法及噪声特征库,与轴承数据采集相结合,建设深度学习算法的训练库与测试库,优化算法的网络结构,实现振动与噪声源零件的智能识别与分类。
4.根据权利要求1所述的一种轴承噪声模式识别及静音优化方法,其特征在于,振动与噪声源零件的静音优化技术IV包括振动与噪声源零件的结构优化、有限元声压变化规律分析、加工工艺优化及装配工艺优化等;根据滚动体与内外滚道接触噪声的声压变化规律,优化内外滚道、滚动体等轴承零件的结构;优化静音保持架结构,减小滚动体与保持架的接触面积,降低滚动体与保持架的接触面积以及提高存储润滑油的能力;优化滚动体的加工工艺,提高滚动体随机尺寸误差精度,并与随机误差零件分组装配模式相结合进行综合降噪优化。
5.根据权利要求1所述的一种轴承噪声模式识别及静音优化方法,其特征在于,轴承振动与噪声识别与优化工艺过程为:
1)通过振动与噪声数据采集与预处理系统I采集轴承的原始声音与振动信号,并将数据划分为三部分,即训练集、验证集和测试集,然后对原始信号进行预处理,即对原始信号进行采样和量化;
2)对预处理后的信号进行时域分析和频域分析;
3)通过特征提取算法II将步骤2)得到的时域信号和频域信号进行分析,实现对滚道声、落体滚动声、尖鸣声、保持架声、滚动体通过振动等提取特征作为特征向量;
4)将步骤1)预处理得到的数据的一部分作为训练集,并将振动与噪声源对应的轴承零部件名称作为标签,输入到振动与噪声源零件识别系统III中,结合深度学习算法进行振动与噪声的模式识别和主成分分析,训练得到N个轴承振动与噪声分类模型;
5)将步骤1)预处理得到的数据的一部分作为验证集,输入到训练好的N个轴承振动与噪声分类模型中进行预测,并记录各个模型分类的准确率,选出效果最佳的模型;
6)将步骤1)预处理得到的数据的一部分作为测试集,输入到轴承振动与噪声分类模型中进行分类,得到轴承振动与噪声分类结果;
7)利用步骤6)得到的分类结果,确定轴承的振动与噪声源零件,对相关零件进行结构优化、有限元分析、加工工艺优化、装配工艺优化等,实现轴承降噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210384769.2A CN114861709A (zh) | 2022-04-13 | 2022-04-13 | 一种轴承噪声模式识别及静音优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210384769.2A CN114861709A (zh) | 2022-04-13 | 2022-04-13 | 一种轴承噪声模式识别及静音优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861709A true CN114861709A (zh) | 2022-08-05 |
Family
ID=82631228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210384769.2A Pending CN114861709A (zh) | 2022-04-13 | 2022-04-13 | 一种轴承噪声模式识别及静音优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861709A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757966A (zh) * | 2023-08-17 | 2023-09-15 | 中科方寸知微(南京)科技有限公司 | 基于多层级曲率监督的图像增强方法及系统 |
CN117647189A (zh) * | 2024-01-30 | 2024-03-05 | 成都工业职业技术学院 | 一种卧式轴承径向游隙的检测方法及系统 |
-
2022
- 2022-04-13 CN CN202210384769.2A patent/CN114861709A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757966A (zh) * | 2023-08-17 | 2023-09-15 | 中科方寸知微(南京)科技有限公司 | 基于多层级曲率监督的图像增强方法及系统 |
CN117647189A (zh) * | 2024-01-30 | 2024-03-05 | 成都工业职业技术学院 | 一种卧式轴承径向游隙的检测方法及系统 |
CN117647189B (zh) * | 2024-01-30 | 2024-04-12 | 成都工业职业技术学院 | 一种卧式轴承径向游隙的检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114861709A (zh) | 一种轴承噪声模式识别及静音优化方法 | |
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN107316046B (zh) | 一种基于增量补偿动态自适应增强的故障诊断方法 | |
CN109781411B (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN102243133B (zh) | 基于运动形态和冲击信号分析的高速自动机故障诊断方法 | |
CN110134719B (zh) | 一种结构化数据敏感属性的识别与分类分级方法 | |
CN110737970A (zh) | 一种发动机加速声品质评价方法 | |
CN109556863B (zh) | 一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法 | |
Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
Zhang et al. | Piecewise asymmetric exponential potential under-damped bi-stable stochastic resonance and its application in bearing fault diagnosis | |
王鸽 et al. | Research on fault diagnosis method based on MADCNN | |
CN109900632B (zh) | 一种滚动直线导轨副摩擦系数测试系统及方法 | |
CN116562144A (zh) | 一种轴承套圈滚道表面粗糙度预测方法 | |
CN111382792A (zh) | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 | |
Luan et al. | Bearing fault damage degree identification method based on SSA-VMD and Shannon entropy–exponential entropy decision | |
CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
Lu et al. | A modified active learning intelligent fault diagnosis method for rolling bearings with unbalanced samples | |
Lee et al. | Impact of Deep Learning Optimizers and Hyperparameter Tuning on the Performance of Bearing Fault Diagnosis | |
CN115204234A (zh) | 一种风力发电机故障诊断方法 | |
CN110852597B (zh) | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 | |
Li et al. | Fault diagnosis model of rolling bearing based on parameter adaptive VMD algorithm and Sparrow Search Algorithm-Based PNN | |
Li et al. | Fault diagnosis of low-speed heavy load super large rolling bearing based on deep learning | |
CN105512108B (zh) | 一种基于似然比估计的英语双关语识别方法 | |
CN114048682B (zh) | 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法 |
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 |