CN115127813A - 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 - Google Patents
基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 Download PDFInfo
- Publication number
- CN115127813A CN115127813A CN202210768703.3A CN202210768703A CN115127813A CN 115127813 A CN115127813 A CN 115127813A CN 202210768703 A CN202210768703 A CN 202210768703A CN 115127813 A CN115127813 A CN 115127813A
- Authority
- CN
- China
- Prior art keywords
- tensor
- features
- rolling bearing
- channel
- dimensional
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000005096 rolling process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 239000013256 coordination polymer Substances 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，包括：分别提取各通道信号的时域特征、小波域特征、熵域特征和三角函数特征等多域特征，构建以通道、特征和时间为维度的三阶张量；然后，通过核一致诊断法确定CP秩，利用基于CP分解的低秩张量近似方法提取多域张量中所蕴含的高阶故障状态信息，获得多通道滚动轴承多域张量特征；最后，将多域张量特征输入支持张量机进行轴承故障诊断。根据本发明，能够充分利用滚动轴承多通道信号的高阶关联信息，实现多通道振动信号的有效融合和更好的故障诊断效果。
Description
技术领域
本发明涉及滚动轴承故障诊断的技术领域，特别涉及基于张量特征与支持 张量机的滚动轴承多通道融合诊断方法。
背景技术
滚动轴承是旋转设备的核心部件，也是旋转设备机械故障的主要来源， 开展滚动轴承故障诊断技术研究对于保障机械设备安全运行和健康维护具有 重要的理论研究意义和工程应用价值。
作为滚动轴承健康监测与故障诊断的重要依据，单通道振动信号并不能 保证滚动轴承状态信息的完备性，因此基于单通道振动信号的特征提取和故 障诊断方法的故障诊断率提升空间有限。
张量，作为向量数据的高阶扩展，能够直接利用多通道信号的天然空间 结构，成为处理多通道数据的有力工具。张量分解理论也得到了广泛的研究 与应用。同时，作为向量化机器学习模型的高阶扩展，基于张量表示的机器 学习模型近年来发展迅速。基于张量表示的机器学习模型与基于向量表示的 机器学习模型主要区别在于数据表示形式和运算规则，而核心思想及相关模 型基本相似。
发明内容
针对现有技术中存在的不足之处，本发明的目的是提供基于张量特征与 支持张量机的滚动轴承多通道融合诊断方法，能够充分利用滚动轴承多通道 信号的高阶关联信息，实现多通道振动信号的有效融合和更好的故障诊断效 果。为了实现根据本发明的上述目的和其他优点，提供了基于张量特征与支 持张量机的滚动轴承多通道融合诊断方法，包括：
S1、采集滚动轴承正常状态、内圈故障、外圈故障三种状态在多个通道 的振动信号；
S2、每个状态的每个通道信号设置有多个样本，每个样本有多个数据采 集点，且将每个样本使用滑窗分割分成多个不同时间段的信号，提取多维特 征，构件通道、特征与时间的三阶张量；
S3、根据核一致诊断法确定高阶张量特征提取时的CP秩r，对所有样 本以CP秩r进行CP分解重构,获得重构后的张量；
S4、将重构后的张量特征样本分为训练集和测试集输入到STM中训练, 实现滚动轴承故障诊断。
优选的，步骤S1中通过在滚动轴承运行状态下，以设定好的采样频 率，采集滚动轴承正常状态、内圈故障、外圈故障三种状态在多通道下的振 动信号，各M个样本，共3×k×M个样本，每个样本有N个数据采集点。
优选的，步骤S2中对每个样本使用滑窗分割分成n个不同时间段的信 号，每段数点长度为
并对这n个信号提取30维特征，每一个张量样 本大小为k×30×n,每种运行状态构建张量特征样本为M个，共3×M个 张量样本。
优选的，所述30维特征包含有10维时域特征、16维小波特征、2维熵 域特征及2维三角函数特征，10维时域特征包括平均值、均方根值、峰峰 值、偏斜度、峭度、波形因子、脉冲因子、裕度因子、峭度因子、偏斜度因 子；
16维小波特征包括平均值、均方根值、峰峰值、偏斜度、峭度、波形因 子、脉冲因子、裕度因子、峭度因子、偏斜度因子及三层小波包分解的归一 化能量及归一化能量熵；
2维熵特征包括包络谱熵、幅值谱熵及2维三角函数特征包括反三角双 曲余弦标准差、反三角双曲正弦标准差。
优选的，步骤S4中基于STM的识别与分类,在获得多域张量特征后， 将张量特征分为训练集和测试集输入STM训练和测试模型，从而完成滚动 轴承多通道振动信号故障诊断。
优选的，步骤S3中其张量CP分解重构步骤如下：
S31、根据核一致诊断法确定高阶张量特征提取时的CP秩r；
S32、设置最大迭代次数Tmax，收敛精度ε，阈值σ等参数。在最佳秩R确 定后，高阶特征提取等价于寻找矩阵
S33、初始化矩阵A、B、C。将矩阵A、B、C设置为单位矩阵，并记为 A0、B0、C0；
S34、基于最小二乘优化算法迭代计算A、B、C和
S35、判断以下三个条件是否成立：①达到设定的迭代次数Tmax；②目标 函数迭代第t次与t-1次的差值小于σ；③迭代第t次与t-1次的对角核心张量之 差的范数满足
满足以上三个条件中的一个，迭代停止， 根据第t次迭代获得的At、Bt、Ct和
S36、最后重构张量。
本发明与现有技术相比，其有益效果是：
(1)多通道振动信号中各个通道都包含滚动轴承健康状态信息，且各 通道之间并非相互独立、具有关联耦合特性，多通道振动信号相较于单一通 道信号具有更高的信息完备性，融合多通道振动信号能够更加全面地表征轴 承运行状态的内在特性，获得比单一通道信号更好的诊断效果。
(2)基于张量表示的机器学习模型所需模型参数更少，更适合应用于 小样本情况。而且，基于张量表示的机器学习模型的数据输入、输出及运算 规则都是以张量为基础，能够避免张量数据在向量化后对张量数据本身结构 的破坏和信息丢失。
(3)利用滚动轴承多通道信号的高阶关联特性，获取更全面的轴承运 转状态信息，有效提高故障诊断准确率。利用多通道张量特征对滚动轴承进 行故障诊断，实现了对多通道振动信号的有效融合，可以获得比单一通道向 量特征方法更好的诊断效果。基于CP分解的低秩张量近似具有较强的张量 数据信息挖掘能力，能够在不破坏张量数据结构的前提下，充分挖掘张量特 征中的状态信息，提高分类器的识别性能，是一种有效的高阶特征提取方 法。
附图说明
图1为根据本发明的基于张量特征与支持张量机的滚动轴承多通道融合 诊断方法的流程图；
图2为根据本发明的基于张量特征与支持张量机的滚动轴承多通道融合 诊断方法的多通道振动信号的三阶张量构建；
图3为根据本发明的基于张量特征与支持张量机的滚动轴承多通道融合 诊断方法的轴承试验台示意图；
图4为根据本发明的基于张量特征与支持张量机的滚动轴承多通道融合 诊断方法的内圈故障4个通道下振动信号时域波形图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1-4，基于张量特征与支持张量机的滚动轴承多通道融合诊断方 法，包括：S1、采集滚动轴承正常状态、内圈故障、外圈故障三种状态在多 个通道的振动信号；
S2、每个状态的每个通道信号设置有多个样本，每个样本有多个数据采 集点，且将每个样本使用滑窗分割分成多个不同时间段的信号，提取多维特 征，构件通道、特征与时间的三阶张量；
S3、根据核一致诊断法确定高阶张量特征提取时的CP秩r，对所有样 本以CP秩r进行CP分解重构,获得重构后的张量；
S4、将重构后的张量特征样本分为训练集和测试集输入到STM中训练, 实现滚动轴承故障诊断。
进一步的，步骤S1中通过在滚动轴承运行状态下，以设定好的采样频 率，采集滚动轴承正常状态、内圈故障、外圈故障三种状态在多通道下的振 动信号，各M个样本，共3×k×M个样本，每个样本有N个数据采集点。
进一步的，步骤S2中对每个样本使用滑窗分割分成n个不同时间段的 信号，每段数点长度为
并对这n个信号提取30维特征，每一个张量 样本大小为k×30×n,每种运行状态构建张量特征样本为M个，共3×M 个张量样本。
进一步的，所述30维特征包含有10维时域特征、16维小波特征、2维 熵域特征及2维三角函数特征，10维时域特征包括平均值、均方根值、峰峰 值、偏斜度、峭度、波形因子、脉冲因子、裕度因子、峭度因子、偏斜度因 子；
16维小波特征包括平均值、均方根值、峰峰值、偏斜度、峭度、波形因 子、脉冲因子、裕度因子、峭度因子、偏斜度因子及三层小波包分解的归一 化能量及归一化能量熵；
2维熵特征包括包络谱熵、幅值谱熵及2维三角函数特征包括反三角双 曲余弦标准差、反三角双曲正弦标准差。
进一步的，步骤S4中基于STM的识别与分类,在获得多域张量特征 后，将张量特征分为训练集和测试集输入STM训练和测试模型，从而完成 滚动轴承多通道振动信号故障诊断。
进一步的，步骤S3中其张量CP分解重构步骤如下：
S31、根据核一致诊断法确定高阶张量特征提取时的CP秩r，一个N阶 张量
的CP分解定义为:
核一致性诊断的公式表示为：
S32、设置最大迭代次数Tmax，收敛精度ε，阈值σ等参数。在最佳秩R确 定后，高阶特征提取等价于寻找矩阵
使如下目 标函数最小：
式中，对角核心张量 
上式表示根据张量χ获得整个张量的近似CP分解，利用分解后得 到的A、B、C和
重构整个张量作为高阶特征；
S33、初始化矩阵A、B、C。将矩阵A、B、C设置为单位矩阵，并记为 A0、B0、C0；
S34、基于最小二乘优化算法迭代计算A、B、C和
各参数目标函数如 下：
S35、判断以下三个条件是否成立：①达到设定的迭代次数Tmax；②目标 函数迭代第t次与t-1次的差值小于σ；③迭代第t次与t-1次的对角核心张量之 差的范数满足，
满足以上三个条件中的一个，迭代停 止，根据第t次迭代获得的At、Bt、Ct和
S36、最后重构张量，
如图3-4本实施例采用7203单列角接触球轴承，实验平台主要 由变频电动机、单级齿轮减速箱、磁粉制动器、张力控制器和变频器 组成。试验过程中，通道3传感器安装位置所对应的轴承3为测试轴 承，其余轴承均为正常轴承。将四个加速度传感器分别安装在齿轮减 速箱四个轴承端盖上以采集振动数据对基于张量特征与支持张量机 的滚动轴承多通道融合诊断方法进行验证。具体步骤如下：
在设备运行状态下，设定采样频率为51200Hz，采样时间为1s。采集正 常状态H、内圈故障I、外圈故障O三种状态轴承分别在四个通道的振动信 号，以此作为原始数据。每种状态每种转速采集样本为50组。
步骤二：对每组信号进行滑窗分割，每段数据点长度为10240，划分成 5个不同时间段的信号。
步骤三：计算每组时域信号的30维特征，包含有时域特征:平均值、均 方根值、峰峰值、偏斜度、峭度、波形因子、脉冲因子、裕度因子、峭度因 子、偏斜度因子；小波特征：三层小波包分解的归一化能量和归一化能量 熵；熵特征：包络谱熵、幅值谱熵；三角函数特征：反三角双曲余弦标准 差、反三角双曲正弦标准差。
步骤四：构建“通道×特征×时间”的三阶张量，每一个张量样本大小 为4×30×5；每种运行状态构建张量特征样本50个，共150个样本。
步骤五：根据核一至诊断法确定高阶张量特征提取时的CP秩，本文选 择阈值η＝85％，得到CP秩为rank＝2。
步骤六：设置最大迭代次数Tmax，收敛精度ε，阈值σ等参数，对所有样 本以CP秩等于2进行CP分解重构。
步骤七：将重构后的张量特征样本分为训练集和测试集输入到支持张量 机中训练、识别。抽取的样本作为训练样本集，剩余样本为测试样本集。利 用最优参数，结合一对多分类法，训练多分类支持张量机分类器，将测试样 本通过训练好的多分类支持张量机分类器进行分类识别。
为验证提出方法的有效性，分别对750rpm,1000rpm,1250rpm和1500rpm 四种不同转速的工况提取向量特征，采用支持向量机(SVM)分类算法进行 对比。在表1至表4中分别列出四个通道下的向量特征诊断率、多通道张量 特征低秩张量近似前诊断率和多通道张量特征低秩近似后诊断率。
表1.故障诊断结果(转速：750rpm)
表2.故障诊断结果(转速：1000rpm)
表3.故障诊断结果(转速：1250rpm)
表4.故障诊断结果(转速：1500rpm)
从表1至表4可以看出，本发明能够充分利用滚动轴承多通道信号的高 阶关联信息，获取更全面的轴承运转状态信息，有效提高故障诊断准确率。 本发明实现了对多通道振动信号的有效融合，可以获得比单一通道向量特征 方法更好的诊断效果。
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明 的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式 中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域 的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围 所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图 例。
Claims (6)
1.基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，其特征在于，包括以下步骤：
S1、采集滚动轴承正常状态、内圈故障、外圈故障三种状态在多个通道的振动信号；
S2、每个状态的每个通道信号设置有多个样本，每个样本有多个数据采集点，且将每个样本使用滑窗分割分成多个不同时间段的信号，提取多维特征，构件通道、特征与时间的三阶张量；
S3、根据核一致诊断法确定高阶张量特征提取时的CP秩r，对所有样本以CP秩r进行CP分解重构,获得重构后的张量；
S4、将重构后的张量特征样本分为训练集和测试集输入到STM中训练,实现滚动轴承故障诊断。
2.如权利要求1所述的基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，其特征在于，步骤S1中通过在滚动轴承运行状态下，以设定好的采样频率，采集滚动轴承正常状态、内圈故障、外圈故障三种状态在多通道下的振动信号，各M个样本，共3×k×M个样本，每个样本有N个数据采集点。
3.如权利要求1所述的基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，其特征在于，步骤S2中对每个样本使用滑窗分割分成n个不同时间段的信号，每段数点长度为
并对这n个信号提取30维特征，每一个张量样本大小为k×30×n,每种运行状态构建张量特征样本为M个，共3×M个张量样本。
4.如权利要求3所述的基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，其特征在于，所述30维特征包含有10维时域特征、16维小波特征、2维熵域特征及2维三角函数特征，10维时域特征包括平均值、均方根值、峰峰值、偏斜度、峭度、波形因子、脉冲因子、裕度因子、峭度因子、偏斜度因子；
16维小波特征包括平均值、均方根值、峰峰值、偏斜度、峭度、波形因子、脉冲因子、裕度因子、峭度因子、偏斜度因子及三层小波包分解的归一化能量及归一化能量熵；
2维熵特征包括包络谱熵、幅值谱熵及2维三角函数特征包括反三角双曲余弦标准差、反三角双曲正弦标准差。
5.如权利要求1所述的基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，其特征在于，步骤S4中基于STM的识别与分类,在获得多域张量特征后，将张量特征分为训练集和测试集输入STM训练和测试模型，从而完成滚动轴承多通道振动信号故障诊断。
6.如权利要求1所述的基于张量特征与支持张量机的滚动轴承多通道融合诊断方法，其特征在于，步骤S3中其张量CP分解重构步骤如下：
S31、根据核一致诊断法确定高阶张量特征提取时的CP秩r；
S32、设置最大迭代次数Tmax，收敛精度ε，阈值σ等参数。在最佳秩R确定后，高阶特征提取等价于寻找矩阵
S33、初始化矩阵A、B、C。将矩阵A、B、C设置为单位矩阵，并记为A0、B0、C0；
S34、基于最小二乘优化算法迭代计算A、B、C和
S35、判断以下三个条件是否成立：①达到设定的迭代次数Tmax；②目标函数迭代第t次与t-1次的差值小于σ；③迭代第t次与t-1次的对角核心张量之差的范数满足
满足以上三个条件中的一个，迭代停止，根据第t次迭代获得的At、Bt、Ct和
S36、最后重构张量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210768703.3A CN115127813B (zh) | 2022-06-30 | 2022-06-30 | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210768703.3A CN115127813B (zh) | 2022-06-30 | 2022-06-30 | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115127813A true CN115127813A (zh) | 2022-09-30 |
| CN115127813B CN115127813B (zh) | 2023-04-07 |
Family
ID=83381736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210768703.3A Active CN115127813B (zh) | 2022-06-30 | 2022-06-30 | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115127813B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117017348A (zh) * | 2023-08-01 | 2023-11-10 | 逸超医疗科技(北京)有限公司 | 一种基于秩分解滤波的超声微细血流成像方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| CN112613493A (zh) * | 2021-01-11 | 2021-04-06 | 桂林电子科技大学 | 一种基于多特征提取和woa-elm的滚动轴承故障诊断方法 |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN114235413A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 多路信号三阶张量模型构建方法 |
| CN114235412A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 三阶张量秩一分解方法 |
-
2022
- 2022-06-30 CN CN202210768703.3A patent/CN115127813B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505133A (zh) * | 2017-08-10 | 2017-12-22 | 滁州学院 | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
| CN112613493A (zh) * | 2021-01-11 | 2021-04-06 | 桂林电子科技大学 | 一种基于多特征提取和woa-elm的滚动轴承故障诊断方法 |
| CN114235413A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 多路信号三阶张量模型构建方法 |
| CN114235412A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 三阶张量秩一分解方法 |
Non-Patent Citations (1)
| Title |
|---|
| 魏连友等: "张量秩-(L_r,L_r,1)分解算法在机械故障盲源分离中的应用", 《机床与液压》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117017348A (zh) * | 2023-08-01 | 2023-11-10 | 逸超医疗科技(北京)有限公司 | 一种基于秩分解滤波的超声微细血流成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115127813B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
| CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| CN104714925B (zh) | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 | |
| CN112418013A (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 | |
| 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 | |
| CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN109145706A (zh) | 一种用于振动信号分析的敏感特征选取与降维方法 | |
| CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
| CN112577743B (zh) | 一种基于最大局部边界准则的滚动轴承故障诊断方法 | |
| CN106198000A (zh) | 一种采煤机摇臂齿轮故障诊断方法 | |
| CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
| CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
| Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
| CN110487547A (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 | |
| CN113776835B (zh) | 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法 | |
| CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
| CN115127813B (zh) | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN103245518A (zh) | 基于微分局部均值分解的旋转机械故障诊断方法 | |
| Feng et al. | A fault diagnosis for rolling bearing based on multilevel denoising method and improved deep residual network | |
| CN111677674A (zh) | 一种故障检测方法及装置 | |
| Li et al. | Joint semi-tensor compressive sensing with multiscale pyramidal residual network for rolling bearing fault diagnosis | |
| CN115204234A (zh) | 一种风力发电机故障诊断方法 |
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 |