CN115310497A - 用于数控机床轴承的异常识别方法 - Google Patents
用于数控机床轴承的异常识别方法 Download PDFInfo
- Publication number
- CN115310497A CN115310497A CN202211242160.8A CN202211242160A CN115310497A CN 115310497 A CN115310497 A CN 115310497A CN 202211242160 A CN202211242160 A CN 202211242160A CN 115310497 A CN115310497 A CN 115310497A
- Authority
- CN
- China
- Prior art keywords
- index
- isolated
- amplitude
- bearing
- machine tool
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于数控机床轴承的异常识别方法。该方法包括:得到异常信号包络谱图,基于异常信号包络谱图得到离散化包络谱图;取离散化包络谱图中的频率参数建立孤立树,得到孤立树中的孤立点;获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值;所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列;根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标;基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床的轴承的异常类型。本发明能够准确识别数控机床轴承的故障类型。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于数控机床轴承的异常识别方法。
背景技术
轴承是数控机床的核心部件之一,是数控机床中的重要零部件,在数控机床中轴承的主要功能是支撑机械旋转体,按照承载方向或者接触角的不同,数控机床中的轴承分为不同的类型,在数控机床工作中发挥不同的作用。
数控机床的制造安全不仅受到人员操控的外界影响,还会受到机床设备内部零部件的影响,振动或制造过程中产生的杂质都会影响到机床上轴承的安全性,所以当泵机内部的轴承振动发生改变,数控机床制造会随之出现异常现象,数控机床的安全性将会受到影响。但是由于轴承处的场景图像不是可以简单看到或是用工业相机获取的,当轴承内部出现异常时,数控机床中轴承传动时产生的振动信号的时域波形图将会随之改变,因此通过计算机视觉技术对数控机床运行时轴承振动信号进行检测分析反映出机床内部轴承是否出现异常,实现对数控机床异常的识别检测是保证数控机床安全作业的有效手段。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于数控机床轴承的异常识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种用于数控机床轴承的异常识别方法:
采集数控机床运行时的多个时域波形图,并将所述时域波形图转化为信号包络谱图;训练异常识别网络,将信号包络谱图输入异常识别网络,输出异常信号包络谱图;
将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图,并将每个周期的时域波形图转化为离散化包络谱图;取离散化包络谱图中的频率参数建立孤立树,其中孤立树的数量为预设值;计算任意一棵孤立树的采样点的异常得分,根据异常得分得到孤立树中的孤立点;
获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值;所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列;根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标;基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型。
优选地,训练异常识别网络,将信号包络谱图输入异常识别网络,输出异常信号包络谱图包括:
异常识别网络为ResNet50模型,损失函数为交叉熵损失函数;利用处理好的训练数据和数据标签对ResNet50模型进行训练,标签数据中含有两类标签0和1,所述标签0表示此训练数据是机床制造异常时的信号包络谱图,所述标签1表示此训练数据对应的是机床制造正常时的信号包络谱图;将信号包络谱图输入异常识别网络,输出异常信号包络谱图。
优选地,将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图包括:
优选地,取离散化包络谱图中的频率参数建立孤立树,其中孤立树的数量为预设值包括:一棵孤立树停止生长的条件为直到叶子节点上只有一个频率参数。
优选地,计算任意一棵孤立树的采样点的异常得分,根据异常得分得到孤立树中的孤立点包括:对于一棵孤立树,选取m个采样点的幅值,设m个幅值中的最大值为, 最小值,从区间[, ]中选择一个幅值进行m个幅值的划分,在划分过程中的值不断更新,直到所有的采样点被孤立;计算采样点Q的异常得分:
其中,是指孤立树的平均路径长度;采样点Q的路径长度h(Q)是从孤立树的根节点所经过的边的数量,m是选取的采样点数量;H(*)是调和数,其大小为ln(m)+0.5772;是采样点Q在一批孤立树中的路径长度的期望;表示采样点Q的异常得分。
优选地,根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标包括:
优选地,基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型包括:
获取数控机床正常工作时的峰值指标、脉冲指标、裕度指标;若幅值序列F对应的第一峰值指标、第一脉冲指标、第一裕度指标都小于峰值指标、脉冲指标、裕度指标,则此周期内轴承故障是外圈故障;若两个幅值序列对应的第一峰值指标、第一脉冲指标、第一裕度指标都大于峰值指标、脉冲指标、裕度指标,则比较两个幅值序列对应的第一峰值指标、第一脉冲指标、第一裕度指标的大小,较大的第一峰值指标、第一脉冲指标、第一裕度指标对应的幅值序列对应的为滚珠体故障;较小的第一峰值指标、第一脉冲指标、第一裕度指标对应的幅值序列对应的为轴承内圈故障。
本发明实施例至少具有如下有益效果:本发明提出了一种用于数控机床轴承的异常识别方法,解决了仅通过机床轴承波形图的简单对比很难获取精准可信的识别结果的问题,因为轴承信号的频谱分析需要知道轴承内部的具体几何结构和运行状态的细节,由于部分轴承故障特征频率与轴承部件产生的信号频率较为相似,本方案利用神经网络以及孤立森林算法实现对轴承信号异常频率的检测,提高了频率分析的精确度,避免了近似频率导致的故障信号识别困难的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种用于数控机床轴承的异常识别方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于数控机床轴承的异常识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于数控机床轴承的异常识别方法的具体方案。
实施例:
本发明的主要应用场景为:在数控机床的日常工作中,数控机床由于自身和外界的一些原因及其容易产生工作状态的异常,此时不仅仅会对数控机床的制造产生影响,其中生产的安全性也会受到影响,因此需要对数控机床制造时的工作状态进行识别,识别器工作状态是否异常。
请参阅图1,其示出了本发明实施例提供的一种用于数控机床轴承的异常识别方法的方法流程图,该方法包括以下步骤:
步骤S1,采集数控机床运行时的多个时域波形图,并将所述时域波形图转化为信号包络谱图;训练异常识别网络,将信号包络谱图输入异常识别网络,输出异常信号包络谱图。
在数控机床上安装传感器获取机床运行信号的时域波形图,所述时域波形图是一种信号图,横坐标是轴承振动信号采样点的数量,纵坐标是采集到的轴承振动信号的幅值。采集的振动信号长度应当包含数控机床一次完整作业内的所有信号。本方案采集大量正常工作状态下轴承振动信号的时域波形图和待识别的轴承振动信号的时域波形图,以实现训练的神经网络模型能够识别哪些信号对应的是机床制造故障时运行信号的目的。检测机床制造故障轴承振动信号的神经网络训练过程如下:
异常识别网络训练集的制作:采集正常状态机床轴承振动信号的时域波形图和待识别轴承振动信号的时域波形图,分别对两种状态下采集数据进行傅里叶变换,通过傅里叶变换的结果设置带通滤波器的高频率阈值和低频率阈值,其次对能够经过带通滤波器的窄带信号进行希尔伯特变换得到信号包络,最后利用傅立叶变换得到包络谱,获取振动信号包络谱为公知技术,在此不再赘述具体每一步的计算过程。至此,将每次采集的不同运行状态的时域波形图分别转换成为对应的信号包络谱图,在包络谱图输入异常识别网络前对其进行标准化和归一化。
神经网络结构选择:绝大多数数控机床轴承故障信号属于周期性信号,相比于正常轴承信号,机床轴承故障信号的周期性和瞬时脉冲存在明显差异,这种差异表现为轴承振动信号的峰值指标、脉冲指标、以及裕度指标与正常信号的指标不同。从信号包络谱图中将异常信号的正常信号进行区分属于图像分类任务,本发明中以ResNet50模型作为异常识别网络,选择Momentum优化算法作为网络的优化算法,以交叉熵损失函数作为损失函数。
神经网络识别异常信号。利用处理好的训练数据和数据标签对ResNet50模型进行训练,标签数据中含有两类标签0和1,标签0代表着此训练数据是机床制造异常时的轴承振动信号,标签1代表着此训练数据对应的是机床制造正常时的轴承振动信号,在本发明中标签通过人为标注的方式完成。神经网络的输出是经由损失函数计算表达出来,损失函数的计算分为两步:第一步是对网络的输入进行softmax转化,输入为信号包络谱图,输出每个输入数据对应的概率;第二步是计算交叉熵损失。根据输出的最大概率判断信号包络谱图是否对应机床制造异常时的轴承振动信号,输出异常信号包络谱图,其中异常信号包络谱图对应的是机床制造异常时的轴承振动信号。
步骤S2,将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图,并将每个周期的时域波形图转化为离散化包络谱图;取离散化包络谱图中的频率参数建立孤立树,其中孤立树的数量为预设值;计算任意一棵孤立树的采样点的异常得分,根据异常得分得到孤立树中的孤立点。
根据步骤S1训练的异常识别网络,对待识别的机床轴承信号中提取的包络谱图进行识别分类,判断是否是存在机床制造异常的现象。对异常信号包络谱图进行下一步处理。
对于识别为机床制造异常状态的异常信号包络谱图,将异常信号包络谱图和对应的时域波形图分别进行离散化处理,在本方案中离散化处理是指将连续的时域波形图转换成单个周期的组合信号,假设采集信号的时域波形图的采样点数量为N个,时长为T,信号的采样周期设为t,每个周期内的采样点数量为n,离散化后满足:
其中,k是正整数。
时域波形图离散化处理得到的是每个周期的波形图,对离散化后的时域波形图按照步骤S1中相同的方式转换成对应的离散化包络谱图,离散化包络谱图得到的是每个周期中采样点对应的频率和幅值。对于正常的轴承振动信号,从其对应的离散化包络谱图获取每个周期内的采样点幅值。参数对的离散程度越高表示参数对应的采样点越有可能是故障信号。
机床轴承外圈故障信号的峰值指标、脉冲指标、裕度指标等波形指标的参数值和正常的轴承信号相比都偏小,内圈故障信号和滚动体故障信号的波形指标等比正常信号的参数值都偏大,而内圈故障信号的参数值略小于滚动体故障信号的。因此能够通过分析故障信号中的波形指标参数值的数值大小和周期离散性实现对轴承具体故障的判断,根据判断结果进一步确定机床制造异常的具体情况。
对参数对进行异常点检测,本发明通过孤立森林异常点检测方法完成对异常采样点的检测。
孤立森林算法的思想是异常样本更容易快速落入叶子节点,异常样本距离根节点的距离更近。在特征空间内分布稀疏的区域内的点代表事件的概率很低,随机分割数据集,直到所有的样本点都是孤立的,孤立森林不再是对正常点加以描述,而是将孤立的点检测出来。孤立森林算法的优点在于密度很低的点很容易就被分割出来形成孤立点,计算过程相对简单,不会影响数据本身的大小和意义。
在本发明实施例中,孤立森林检测方法的基本步骤如下:
首先有放回的抽取离散化包络谱图中的参数:此处取故障信号的包络谱图离散化后同一周期中的频率参数。确定孤立树生长的停止条件是直到叶子节点上只有一个频率参数。
对于任意一棵孤立树,随机选取m个采样点的幅值,设m个幅值中的最大值为,最小值,从区间[, ]中随机选择一个幅值进行m个幅值的划分,在划分过程中的值不断更新,直到所有的采样点被孤立。根据下列公式计算采样点Q的异常得分s:
其中,是指孤立树的平均路径长度,采样点Q的路径长度h(Q)是从孤立树的根节点所经过的边的数量,m是选取的采样点数量,H(*)是调和数,其大小为ln(m)+0.5772,是样本Q在一批孤立树中的路径长度的期望。当趋近于0时,s趋近于1,采样点Q被认为是异常点,可能对应机床异常轴承振动信号。当趋近于m-1时,s趋近于0,采样点Q被认为是正常点。
轴承的振动频率成分十分复杂,既有高频成分又有低频成分,而每种轴承故障对应的频率成分都是固定的,利用上述孤立森林检测形成得到孤立树,将包络谱中的振动频率中的异常频率作为异常点孤立出来。
对于任意一棵孤立树,信号中的频率数据在其中的接受的孤立规则是一致的,所以对于大小接近的数,无论是高频率的数,还是低频率的数据,只有信号中的异常频率才是被快速孤立的点。有采样点的异常得分得到每棵孤立树中的孤立点;
步骤S3,获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值;所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列;根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标;基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型。
对于上述步骤中每棵树获取的孤立点,第一棵树获取孤立点对应的频率参数记为,根据频率参数对应到包络谱中,分别读取这个频率对应的幅值,这个频率的二倍频,也即是二倍的频率参数2对应的幅值,进一步的,遍历一个周期内的所有孤立树,获得每棵树孤立点频率参数依次记为、至,获取这些频率参数对应的幅值和二倍频对应的幅值,对于一个周期内的轴承信号都将得到一个包含2n个参数的幅值序列,计算序列F的均方值、平均值、方差。序列F的峰值记为,进一步的,分别计算序列F对应的第一峰值指标、第一脉冲指标、第一裕度指标:
如果序列F对应的第一峰值指标、第一脉冲指标、第一裕度指标都小于正常轴承信号的峰值指标、脉冲指标、裕度指标,那么此周期内轴承故障是外圈故障,如果出现两个幅值序列和对应的第一峰值指标、第一脉冲指标、第一裕度指标都大于正常轴承信号的峰值指标、脉冲指标、裕度指标,那么此时再比较和对应的第一峰值指标、第一脉冲指标、第一裕度指标的大小,较大的指标对应的周期内轴承故障是滚珠体故障,较小的指标对应周期内的轴承故障是内圈故障。进一步的,当轴承振动信号中识别出异常时,停止数控机床的运行,根据数控机床内部轴承异常情况对数控机床异常情况进行检测维修,保证数控机床的安全制造。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于数控机床轴承的异常识别方法,其特征在于,该方法包括:
采集数控机床运行时轴承的振动信号的多个时域波形图,所述时域波形图是一种信号图,横坐标是轴承振动信号采样点的数量,纵坐标是采集到的轴承振动信号的幅值,并将所述时域波形图转化为信号包络谱图;训练异常识别网络,将信号包络谱图输入异常识别网络,输出异常信号包络谱图;
将异常信号包络谱图对应的时域波形图进行离散化得到每个周期的时域波形图,并将每个周期的时域波形图转化为离散化包络谱图;取离散化包络谱图中的频率参数建立孤立树,其中孤立树的数量为预设值;计算任意一棵孤立树的采样点的异常得分,根据异常得分得到孤立树中的孤立点;
获取每棵孤立树的孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值;所有孤立点的频率参数和二倍的频率参数分别对应的第一幅值和第二幅值组成幅值序列;根据幅值序列的均方值、平均值、方差和峰值计算得到第一峰值指标、第一脉冲指标、第一裕度指标;基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型。
2.根据权利要求1所述的一种用于数控机床轴承的异常识别方法,其特征在于,所述训练异常识别网络,将信号包络谱图输入异常识别网络,输出异常信号包络谱图包括:
异常识别网络为ResNet50模型,损失函数为交叉熵损失函数;利用处理好的训练数据和数据标签对ResNet50模型进行训练,标签数据中含有两类标签0和1,所述标签0表示此训练数据是机床制造异常时的信号包络谱图,所述标签1表示此训练数据对应的是机床制造正常时的信号包络谱图;将信号包络谱图输入异常识别网络,输出异常信号包络谱图。
4.根据权利要求1所述的一种用于数控机床轴承的异常识别方法,其特征在于,所述取离散化包络谱图中的频率参数建立孤立树,其中孤立树的数量为预设值包括:一棵孤立树停止生长的条件为直到叶子节点上只有一个频率参数。
7.根据权利要求1所述的一种用于数控机床轴承的异常识别方法,其特征在于,所述基于第一峰值指标、第一脉冲指标、第一裕度指标判断数控机床轴承的异常类型包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242160.8A CN115310497A (zh) | 2022-10-11 | 2022-10-11 | 用于数控机床轴承的异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242160.8A CN115310497A (zh) | 2022-10-11 | 2022-10-11 | 用于数控机床轴承的异常识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310497A true CN115310497A (zh) | 2022-11-08 |
Family
ID=83868061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242160.8A Pending CN115310497A (zh) | 2022-10-11 | 2022-10-11 | 用于数控机床轴承的异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310497A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935243A (zh) * | 2023-03-01 | 2023-04-07 | 武汉同创万智数字科技有限公司 | 一种基于数据处理的故障分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
US20200225117A1 (en) * | 2019-01-15 | 2020-07-16 | Computational Systems, Inc. | Bearing and Fault Frequency Identification From Vibration Spectral Plots |
CN113420652A (zh) * | 2021-06-22 | 2021-09-21 | 中冶赛迪重庆信息技术有限公司 | 一种时序信号片段异常识别方法、系统、介质及终端 |
CN114549884A (zh) * | 2022-02-25 | 2022-05-27 | 浙江大华技术股份有限公司 | 一种异常图像检测方法、装置、设备及介质 |
-
2022
- 2022-10-11 CN CN202211242160.8A patent/CN115310497A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200225117A1 (en) * | 2019-01-15 | 2020-07-16 | Computational Systems, Inc. | Bearing and Fault Frequency Identification From Vibration Spectral Plots |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
CN113420652A (zh) * | 2021-06-22 | 2021-09-21 | 中冶赛迪重庆信息技术有限公司 | 一种时序信号片段异常识别方法、系统、介质及终端 |
CN114549884A (zh) * | 2022-02-25 | 2022-05-27 | 浙江大华技术股份有限公司 | 一种异常图像检测方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
梅子行, 机械工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935243A (zh) * | 2023-03-01 | 2023-04-07 | 武汉同创万智数字科技有限公司 | 一种基于数据处理的故障分析方法 |
CN115935243B (zh) * | 2023-03-01 | 2023-09-15 | 华谋咨询技术(深圳)有限公司 | 一种基于数据处理的故障分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113400652B (zh) | 基于振动信号的3d打印机监测与诊断知识库装置、系统 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN102155988B (zh) | 设备监诊方法 | |
CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN106338406A (zh) | 列车牵引电传动系统的在线监测与故障预警系统及方法 | |
CN104723171A (zh) | 一种基于电流与声发射复合信号的刀具磨损监测方法 | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN116237817B (zh) | 基于物联网的五轴联动数控机床智能监测系统 | |
JP6792746B2 (ja) | 周波数領域のセグメント特徴解析による状態識別法 | |
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 | |
Wang et al. | Weighted K-NN classification method of bearings fault diagnosis with multi-dimensional sensitive features | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN112182912B (zh) | 基于概率描述与谱分析的制造装备主轴轴承健康评估方法 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN204525045U (zh) | 一种基于电流与声发射复合信号的刀具磨损监测系统 | |
CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
CN114346761A (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
Li et al. | A comprehensive identification of tool failure and chatter using a parallel multi-ART2 neural network | |
CN113780354A (zh) | 调度自动化主站系统遥测数据异常识别方法和装置 | |
CN117932358A (zh) | 一种智能远程电场故障诊断方法及系统 | |
Song et al. | A new hybrid method for bearing fault diagnosis based on CEEMDAN and ACPSO-BP neural network |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230609 Address after: The first factory building of Jilin Yuxin Industrial Group Co., Ltd., 6.5 kilometers away from Changbai Road, Lvyuan District, Changchun City, Jilin Province, 130000 Applicant after: Jilin Yurui Technology Co.,Ltd. Address before: No. 18, Group 3, Fengchan Village, Chengdong Town, Haian City, Nantong City, Jiangsu Province, 226000 Applicant before: Nantong Weili CNC Machine Tool Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221108 |
|
RJ01 | Rejection of invention patent application after publication |