CN115238726A - 一种基于性能退化空间波动评估的旋转机械状态监测方法 - Google Patents
一种基于性能退化空间波动评估的旋转机械状态监测方法 Download PDFInfo
- Publication number
- CN115238726A CN115238726A CN202210365305.7A CN202210365305A CN115238726A CN 115238726 A CN115238726 A CN 115238726A CN 202210365305 A CN202210365305 A CN 202210365305A CN 115238726 A CN115238726 A CN 115238726A
- Authority
- CN
- China
- Prior art keywords
- state
- domain
- matrix
- rotating
- performance degradation
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于性能退化空间波动评估的旋转机械状态监测方法,步骤包括:1)采集旋转机械振动数据;2)对所述旋转机械振动数据进行多域状态特征提取,从而获得旋转机械运行过程中的多域状态特征矩阵;3)采用无约束正交优化方法对所述多域状态特征矩阵进行优化,获得旋转机械运行过程中的多域本征状态特征矩阵Y;4)对所述多域本征状态特征矩阵Y进行正交矩阵变换,从而构造出旋转机械性能退化空间;5)基于所述旋转机械性能退化空间,计算旋转机械状态波动率;6)对旋转机械状态波动率进行分析,得到旋转机械设备运行状态。本发明考虑了临近时刻多域本征状态特征,其故障灵敏度和瞬态干扰鲁棒性均得到了提升,具有良好的工程应用价值。
Description
技术领域
本发明涉及机械装备健康监测与智能运维领域,具体是一种基于性能退化空间波动评估的旋转机械状态监测方法。
背景技术
旋转机械涉及到航空航天、高速铁路、风力发电等能够影响国计民生的各个领域,其健康状况直接关系着生产过程稳定与否,甚至决定着人们的生命财产安全。被动的事后维修无法避免故障导致的严重后果,也会打乱已有的生产节奏;盲目的预防性维护则会导致不必要的停机检查,造成维修过剩和资源浪费。由此可见,对旋转机械运行状况进行有效监测是十分重要的,通过状态监测及时发现早期微弱故障,由此制定合理的维修计划,这对于整机的安全运行和生产作业都是至关重要的。
值得注意的是,随着旋转机械服役工况的日趋复杂,建立准确、灵敏的状态监测体系变得十分困难。针对这一问题,专家学者从不同的角度提出了用以评估机械设备运行过程稳定与否的状态指标体系。根据构造策略的不同,这些状态指标可以分为两大类:基于统计和信号处理的健康指标、基于机器学习的健康指标。从构造方式上来看,基于统计和信号处理的健康指标具有明确的物理意义,同时计算也较为方便,在工业领域有着十分广泛的应用;但是,由于其只考虑了某一方面的统计信息,对于经历不同退化阶段的旋转机械设备运行状态的表征能力有限。为了解决这一问题,基于机器学习的健康指标构造逐渐成为了研究热点,通过强大的特征提取和信息融合,该类健康指标能够对机械设备的运行状况进行更为全面的表征。然而,机器学习相关算法还不具备良好的物理可解释性,泛化能力不强,长耗时和数据样本量问题也仍然需要进一步探讨和优化。
基于上述分析可知,研究建立一种高效、灵敏、具备可解释性的旋转机械设备运行状态监测指标有着十分迫切的工业应用需求,
发明内容
本发明的目的是提供一种基于性能退化空间波动评估的旋转机械状态监测方法,包括以下步骤:
1)采集旋转机械振动数据。
采集旋转机械振动数据的设备包括传感器。
2)对所述旋转机械振动数据进行多域状态特征提取,从而获得旋转机械运行过程中的多域状态特征矩阵。
所述多域状态特征包括时域、频域和时频域的旋转机械状态特征指标。
3)采用无约束正交优化方法对所述多域状态特征矩阵进行优化,获得旋转机械运行过程中的多域本征状态特征矩阵Y。
采用无约束正交优化方法对所述多域状态特征矩阵进行优化的方法包括:对临近时刻[N-N0,N]的多域状态特征矩阵进行无约束正交优化,得到多域本征状态特征矩阵Y。N为当前时刻数据样本序号,N0为临近样本数。
建立多域本征状态特征矩阵Y的步骤包括:
3.1)建立无约束正交优化的目标函数,即:
式中,W为权重矩阵,X为临近时刻多域状态特征矩阵;Xi表示矩阵X的第i列;n为多域特征数量;λ为正则化系数;Θ(x)=1/2log[cosh(2x)]为激活函数;m为权重矩阵W的列数;Wj表示权重矩阵W的第j列;
3.2)构建满足无约束正交优化目标函数的权重矩阵W。
3.3)建立多域本征状态特征矩阵。
4)对所述多域本征状态特征矩阵Y进行正交矩阵变换,从而构造出旋转机械性能退化空间。
构造出旋转机械性能退化空间的步骤包括:
4.3)求解矩阵A的特征值和特征向量,并升序排列特征值和特征向量,得到:
式中,Φ、Υ为特征向量矩阵、特征值矩阵;υn、λn为特征向量、特征值。
4.4)对多域状态特征矩阵X进行正交变换,得到正交矩阵X*,即:
X*=ΦTX (4)
4.7)设置特征值约束条件,即:
5)基于所述旋转机械性能退化空间,计算旋转机械状态波动率。
计算旋转机械状态波动率指标的步骤包括:
5.2)计算当前运行状态下旋转机械的状态波动率CFR,即:
6)对旋转机械状态波动率进行分析,得到旋转机械设备运行状态。
对旋转机械状态波动率进行分析,得到旋转机械设备运行状态的步骤包括:判断当前运行状态下旋转机械的状态波动率CFR是否小于预设状态波动率阈值3σ,若是,则旋转机械设备运行状态为正常,否则为异常。
若旋转机械设备运行状态为异常,则对当前时段采集的异常振动数据进行平方包络谱分析,确定旋转机械故障位置。
确定旋转机械故障位置的方法包括:若旋转机械零部件的故障特征频率及其倍频成分在平方包络谱中出现,则该零部件出现故障。
值得说明的是,本发明首先对采集到的旋转机械振动数据进行多域状态特征提取,建立运行过程的高维统计特征表达;然后采用无约束正交优化方法对已构建的高维统计特征进行加权处理,由此获得机械设备运行过程的本征状态特征;在此基础上,通过正交矩阵变换构造得到由多域本征状态特征集成表达的机械性能退化空间,对该性能退化空间进行波动量化实现机械设备的有效状态监测。本发明提出的基于性能退化空间波动评估的状态监测方法克服了传统单一统计指标表征能力受限以及机器学习方法大样本量和长耗时等问题,可以对机械设备进行准确的状态监测,具有良好的工程应用价值。
本发明的技术效果是毋庸置疑的,针对旋转机械设备的运行过程,本发明提供了一种基于性能退化空间波动评估的旋转机械状态监测方法,通过多域本征状态特征的正交集成变换,构造了一种能够准确反映机械设备运行状态的性能退化空间,该方法克服了传统基于统计信息的单一指标表征能力受限的问题,又无需大量的数据样本进行训练,具有计算便捷性和可解释性;此外,由于考虑了临近时刻多域本征状态特征,其故障灵敏度和瞬态干扰鲁棒性均得到了提升,具有良好的工程应用价值。
本发明充分利用旋转机械设备多域状态特征建立一个能够准确反映其运行状态变化的性能退化空间,通过对该性能退化空间的波动量化,进而实现旋转机械设备的有效状态监测。
附图说明
图1为本发明所述一种基于性能退化空间波动评估的旋转机械状态监测方法执行逻辑图;
图2为本发明实施例中轴承数据采集试验台;
图3为本发明实施例中轴承振动信号时域图形;
图4为本发明实施例中基于性能退化空间波动评估的轴承状态监测结果;
图5为本发明实施例中异常数据平方包络谱分析结果;图5(a)-(d)分别为健康状态、数据文件526、数据文件527、数据文件535的异常数据平方包络谱分析结果;
图6为本发明实施例中轴承多种指标状态监测对比结果;
图7为本发明实施例中所构建指标的单调性和趋势性度量结果。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图7,一种基于性能退化空间波动评估的旋转机械状态监测方法,包括以下步骤:
1)采集旋转机械振动数据。
采集旋转机械振动数据的设备包括传感器。
2)对所述旋转机械振动数据进行多域状态特征提取,从而获得旋转机械运行过程中的多域状态特征矩阵。
所述多域状态特征包括时域、频域和时频域的旋转机械状态特征指标。
3)采用无约束正交优化方法对所述多域状态特征矩阵进行优化,获得旋转机械运行过程中的多域本征状态特征矩阵Y。
采用无约束正交优化方法对所述多域状态特征矩阵进行优化的方法包括:对临近时刻[N-N0,N]的多域状态特征矩阵进行无约束正交优化,得到多域本征状态特征矩阵Y。N为当前时刻数据样本序号,N0为临近样本数
建立多域本征状态特征矩阵Y的步骤包括:
3.1)建立无约束正交优化的目标函数,即:
式中,W为权重矩阵,X为临近时刻多域状态特征矩阵;Xi表示矩阵X的第i列;n为多域特征数量;λ为正则化系数;Θ(x)=1/2log[cosh(2x)]为激活函数;m为权重矩阵W的列数;Wj表示权重矩阵W的第j列;
3.2)构建满足无约束正交优化目标函数的权重矩阵W。
3.3)建立多域本征状态特征矩阵。
4)对所述多域本征状态特征矩阵Y进行正交矩阵变换,从而构造出旋转机械性能退化空间。
构造出旋转机械性能退化空间的步骤包括:
4.3)求解矩阵A的特征值和特征向量,并升序排列特征值和特征向量,得到:
式中,Φ、Υ为特征值矩阵、特征向量矩阵。υn、λn为特征值和特征向量。
4.4)对多域状态特征矩阵X进行正交变换,得到正交矩阵X*,即:
X*=ΦTX (4)
4.7)设置特征值约束条件,即:
5)基于所述旋转机械性能退化空间,计算旋转机械状态波动率。
计算旋转机械状态波动率指标的步骤包括:
5.2)计算当前运行状态下旋转机械的状态波动率CFR,即:
6)对旋转机械状态波动率进行分析,得到旋转机械设备运行状态。
对旋转机械状态波动率进行分析,得到旋转机械设备运行状态的步骤包括:判断当前运行状态下旋转机械的状态波动率CFR是否小于预设状态波动率阈值3σ,若是,则旋转机械设备运行状态为正常,否则为异常。
若旋转机械设备运行状态为异常,则对当前时段采集的异常振动数据进行平方包络谱分析,确定旋转机械故障位置。
确定旋转机械故障位置的方法包括:若旋转机械零部件的故障特征频率及其倍频成分在平方包络谱中出现,则该零部件出现故障。
实施例2:
一种基于性能退化空间波动评估的旋转机械状态监测方法,具体步骤如下:
步骤1:对采集到的旋转机械振动数据进行多域状态特征提取,建立运行过程的高维统计特征表达;
步骤2:采用无约束正交优化方法对步骤1中构建的临近时刻高维统计特征进行加权处理,获得机械设备运行过程的本征状态特征;其中,所述临近时刻设置为[N-N0,N],N为当前时刻数据样本序号,N0为临近样本数,无约束正交优化方式为:
式中,W为权重矩阵,X为临近时刻多域状态特征矩阵,n为多域特征数量,λ为正则化系数,Θ(x)为激活函数,且Θ(x)=1/2log[cosh(2x)]。
步骤3:通过正交矩阵变换构造得到由步骤2中多域本征状态特征集成表达的机械性能退化空间,具体步骤为:
步骤301:通过无约束正交优化建立的本征状态特征矩阵表示为Y=WT·X;
步骤302:对本征状态特征矩阵求解F范数:
步骤304:求解矩阵A的特征值和特征向量,按升序排列其特征值,并由此重排对应的特征向量,表示为:
步骤305:通过正交矩阵Φ进行正交变换:
X*=ΦTX
步骤306:步骤302中本征状态特征矩阵进一步变换为:
步骤307:利用矩阵变换原理,步骤306中本征状态特征矩阵进一步变换为:
步骤309:为了消除极小特征值带来的异常影响,设置如下约束条件:
步骤310:通过上述本征状态特征矩阵正交变换,性能退化空间构造为:
步骤4:依据步骤3中建立的机械性能退化空间,构造状态波动率指标,由此进行旋转机械设备运行状态监测,具体步骤为:
步骤401:根据步骤3构造的性能退化空间,计算其体积:
步骤402:步骤401中Ω的表示方式为:
步骤403:计算当前运行状态下机械设备的状态波动率:
步骤404:通过机械设备正常运行状态数据设置状态波动率3σ阈值;
步骤405:通过分析机械设备实际运行过程中的状态波动率指标与步骤404中建立的3σ阈值的关系,进行设备异常状态监测。
步骤406:对检测到的异常状态数据进行平方包络谱分析,从而实现机械设备故障的准确溯源。
实施例3:
本实施例是基于美国辛辛那提大学智能运维系统中心公开提供的滚动轴承全生命周期数据集而进行的实施例。滚动轴承运行过程振动数据采集试验台如图2所示,试验过程中主轴转速为2000转/分钟,滚动轴承振动数据每间隔10分钟采集一次,采样频率为20kHz,每个数据文件包含20480个数据点,整个试验过程共生成984个数据文件,振动信号的时域波形如图3所示。试验完成后确认出现了轴承外圈故障,故障特征频率为236.4Hz。
步骤1:采用如下表1所示的多域状态特征对采集到的滚动轴承振动数据进行表征:
表1滚动轴承多域状态特征表达
则滚动轴承运行过程的高维统计特征矩阵表示为:
X=[X1,X2,…,Xi,…,X56]
步骤2:采用无约束正交优化方法对步骤1中构建的临近时刻高维统计特征进行加权处理,获得滚动轴承运行状态的本征状态特征;其中,所述临近时刻设置为包括当前时刻在内的前50个临近数据采集时间段,即高维统计特征X矩阵的维数为50×56。
步骤3:通过正交矩阵变换构造得到由步骤2中多域本征状态特征集成表达的滚动轴承性能退化空间。
步骤4:依据步骤3中建立的滚动轴承性能退化空间,构造运行过程状态波动率指标,由此进行滚动轴承运行状态监测。选取前100个状态波动率指标作为滚动轴承正常状态下的监测结果,设置3σ阈值区间,结果如图4所示。可知本发明提出的状态监测方法灵敏性和单调性较好,依据3σ准则可知,在第526个数据采集时段滚动轴承的运行状态开始发生异常波动,这说明此时滚动轴承极可能出现了早期微弱故障。
为了验证故障是否存在,对第526及其临近时段振动数据进行平方包络谱分析,结果如图5所示。可知从第526个数据采集时段开始,滚动轴承外圈故障特征频率fo及其二倍频成分以相对微弱的能量开始出现,到第535个数据采集时段时,故障特征频率及其倍频成分在平方包络谱中已经凸显,能量相对较大,此时外圈局部故障已经产生。由此可以看出,本发明提供的基于性能退化空间波动评估的状态监测方法对早期微弱故障的敏感性较强。
为了验证本发明所提供方法的优越性能,将其与峭度(Kurtosis)、均方根(rootmean square,RMS)、Hoyer指数(Hoyer measure)、L2/L1范数(L2/L1 norm)、负熵(negativeentropy)以及平滑指数(smoothness index)等六种常用特征指标进行对比,滚动轴承状态监测归一化结果如图6所示。
由图6可知,当轴承外圈局部故障开始出现并逐渐加重时,上述六种特征指标均出现不同程度的剧烈波动,指标的单调性和趋势性并不理想,这对于后续基于状态指标的剩余使用寿命预测以及维护计划制定等较为不利。为了验证六种特征指标对早期故障的敏感性,分别采用3σ准则设置阈值区间,检测到的故障初始点如表2所示,可知上述六种特征指标的故障初始点检测结果均滞后于本发明所提供方法的检测结果。由此验证了本发明提供的一种基于性能退化空间波动评估的旋转机械状态监测方法对早期微弱故障的敏感性较强,具备良好的状态监测效果。
表2不同方法检测到的故障初始点
除了故障敏感性之外,对不同特征指标的单调性和趋势性进行量化分析,结果如图7所示。可知本发明提供的基于性能退化空间波动评估的旋转机械状态监测方法所得到的滚动轴承运行状态监测结果具备良好的单调性和趋势性,可以为后续开展的基于状态指标的滚动轴承剩余使用寿命预测以及维护计划制定等提供切实可行的参考依据。
Claims (10)
1.一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,包括以下步骤:
1)采集所述旋转机械振动数据。
2)对所述旋转机械振动数据进行多域状态特征提取,从而获得旋转机械运行过程中的多域状态特征矩阵。
3)采用无约束正交优化方法对所述多域状态特征矩阵进行优化,获得旋转机械运行过程中的多域本征状态特征矩阵Y。
4)对所述多域本征状态特征矩阵Y进行正交矩阵变换,从而构造出旋转机械性能退化空间。
5)基于所述旋转机械性能退化空间,计算旋转机械状态波动率;
6)对旋转机械状态波动率进行分析,得到旋转机械设备运行状态。
2.根据权利要求1所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,所述多域状态特征包括时域、频域和时频域的旋转机械状态特征指标。
3.根据权利要求1所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,采用无约束正交优化方法对所述多域状态特征矩阵进行优化的方法包括:对临近时刻[N-N0,N]的多域状态特征矩阵进行无约束正交优化,得到多域本征状态特征矩阵Y;N为当前时刻数据样本序号,N0为临近样本数。
5.根据权利要求1所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,构造出旋转机械性能退化空间的步骤包括:
3)求解矩阵A的特征值和特征向量,并升序排列特征值和特征向量,得到:
式中,Φ、Υ为特征向量矩阵、特征值矩阵;υn、λn为特征向量、特征值;
4)对多域状态特征矩阵X进行正交变换,得到正交矩阵X*,即:
X*=ΦTX (4)
7)设置特征值约束条件,即:
7.根据权利要求6所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,对旋转机械状态波动率进行分析,得到旋转机械设备运行状态的步骤包括:判断当前运行状态下旋转机械的状态波动率CFR是否小于预设状态波动率阈值3σ,若是,则旋转机械设备运行状态为正常,否则为异常。
8.根据权利要求7所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,若旋转机械设备运行状态为异常,则对当前时段采集的异常振动数据进行平方包络谱分析,确定旋转机械故障位置。
9.根据权利要求8所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,确定旋转机械故障位置的方法包括:若旋转机械零部件的故障特征频率及其倍频成分在平方包络谱中出现,则该零部件出现故障。
10.根据权利要求1所述的一种基于性能退化空间波动评估的旋转机械状态监测方法,其特征在于,采集旋转机械振动数据的设备包括传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365305.7A CN115238726A (zh) | 2022-04-07 | 2022-04-07 | 一种基于性能退化空间波动评估的旋转机械状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365305.7A CN115238726A (zh) | 2022-04-07 | 2022-04-07 | 一种基于性能退化空间波动评估的旋转机械状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238726A true CN115238726A (zh) | 2022-10-25 |
Family
ID=83667787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365305.7A Pending CN115238726A (zh) | 2022-04-07 | 2022-04-07 | 一种基于性能退化空间波动评估的旋转机械状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238726A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758277A (zh) * | 2022-11-30 | 2023-03-07 | 重庆忽米网络科技有限公司 | 一种旋转类设备健康状态在线评估方法 |
-
2022
- 2022-04-07 CN CN202210365305.7A patent/CN115238726A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758277A (zh) * | 2022-11-30 | 2023-03-07 | 重庆忽米网络科技有限公司 | 一种旋转类设备健康状态在线评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier | |
Abid et al. | Robust interpretable deep learning for intelligent fault diagnosis of induction motors | |
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
Su et al. | Induction machine condition monitoring using neural network modeling | |
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 | |
Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN102155988A (zh) | 设备监诊方法 | |
Kim et al. | Deep learning-based explainable fault diagnosis model with an individually grouped 1-D convolution for three-axis vibration signals | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN115563553A (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
Wei et al. | WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network | |
CN115238726A (zh) | 一种基于性能退化空间波动评估的旋转机械状态监测方法 | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
Liu et al. | Feasibility study of the GST-SVD in extracting the fault feature of rolling bearing under variable conditions | |
CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及系统 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
Li et al. | Fault diagnosis of rolling bearing based on permutation entropy and extreme learning machine | |
CN113723496A (zh) | 一种电抗器铁心松动故障诊断方法、装置和设备 | |
Borhana et al. | Fault detection of bearing using support vector machine-SVM | |
Qin et al. | Application of sensitive dimensionless parameters and PSO–SVM for fault classification in rotating machinery | |
CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 |
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 |