CN115389247B - 一种基于速度自适应自编码器的旋转机械故障监测方法 - Google Patents

一种基于速度自适应自编码器的旋转机械故障监测方法 Download PDF

Info

Publication number
CN115389247B
CN115389247B CN202211353357.9A CN202211353357A CN115389247B CN 115389247 B CN115389247 B CN 115389247B CN 202211353357 A CN202211353357 A CN 202211353357A CN 115389247 B CN115389247 B CN 115389247B
Authority
CN
China
Prior art keywords
speed
adaptive
encoder
self
health
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.)
Active
Application number
CN202211353357.9A
Other languages
English (en)
Other versions
CN115389247A (zh
Inventor
饶猛
左明健
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.)
Qingdao Ruifa Engineering Consulting Service Partnership LP
Original Assignee
Qingdao Ruifa Engineering Consulting Service Partnership LP
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 Qingdao Ruifa Engineering Consulting Service Partnership LP filed Critical Qingdao Ruifa Engineering Consulting Service Partnership LP
Priority to CN202211353357.9A priority Critical patent/CN115389247B/zh
Publication of CN115389247A publication Critical patent/CN115389247A/zh
Application granted granted Critical
Publication of CN115389247B publication Critical patent/CN115389247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及机械健康状态监测领域，公布了一种基于速度自适应自编码器的旋转机械故障监测方法，利用自编码器（Autoencoder,AE）搭建速度自适应深度学习模型（SA‑AE），模型包括两个分支：AE分支和速度自适应（SA）分支；SA分支以转速信号时间序列为输入，输出速度正则化函数，用于消除转速对振动信号的影响；AE分支用于重构正则化的振动信号；重构误差的大小用于判断旋转机械的健康状态。相对于现有技术，SA‑AE可自动去除转速变化对故障监测的影响，避免因转速波动导致的故障误报或漏报。

Description

一种基于速度自适应自编码器的旋转机械故障监测方法
技术领域
本发明涉及机械健康状态监测领域，具体是一种基于速度自适应自编码器的旋转机械故障监测方法。
背景技术
旋转机械广泛应用生产生活中，如电动机、汽轮机、燃气轮机、发电机、齿轮箱、离心泵、机床、柴油机和汽油机等。旋转机械服役过程中，由于交变载荷和相对运动的存在，会不可避免地发生材料疲劳或磨损。当疲劳或磨损积累到一定程度时，会诱发机械设备的故障。故障会劣化设备的服役表现，影响生产效率和精度，甚至导致严重的安全事故，造成重大的生命财产损失。因此，开展旋转机械故障监测，及时发现故障并维护，对避免上述问题的发生具有重大意义。
故障监测的目的是判断机械是否处于健康状态。工程实际中，旋转机械通常运行在变转速工况下。比如，生产线上的搬运机器人，需要往复地把物料从某一位置搬运到另一位置，相应地，机器人各轴驱动电机需要频繁地加减转速以实现物料的抓取、转移和释放。因此，本发明关注变转速工况下旋转机械的故障监测问题。相对于定转速工况，转速变化会导致复杂的信号幅值调制和频率调制，大大增加了故障监测的难度。
现有的变转速工况下的旋转机械故障监测的方法主要有两种，一种是用复杂的信号处理方法对振动信号进行预处理以降低转速的影响，然后从预处理的信号中提取健康度指标，并用于故障监测；另一种是将振动信号直接输入到相对复杂的深度学习模型，模型自动提取健康度指标，并进行故障监测。前者虽然能去除转速的影响，但需要大量的人工劳动进行信号分析，不宜与大数据始时代的故障监测；后者未能针对性地考虑转速变化的影响，极易导致故障的误报或漏报。
发明内容
本发明目的在于克服现有技术的不足，提供一种基于速度自适应自编码器的旋转机械故障监测方法，该方法可自动去除转速变化的影响，提高深度学习模型在变转速工况下的故障监测精度。
为实现上述发明目的，本发明一种基于速度自适应自编码器的旋转机械故障监测方法，包括以下步骤：
第一步、采集目标旋转机械健康状态下的振动信号
Figure 342575DEST_PATH_IMAGE001
和转速信号
Figure 447934DEST_PATH_IMAGE002
；
第二步、数据预处理：将振动信号标准化，将转速信号归一化；
第三步、搭建速度自适应自编码器深度学习网络SA-AE：模型包括两个分支，速度自适应SA分支和自编码器AE分支；SA分支以转速信号时间序列
Figure 194173DEST_PATH_IMAGE003
为输入，输出速度自适应函数
Figure 752194DEST_PATH_IMAGE004
；速度自适应函数
Figure 609291DEST_PATH_IMAGE004
乘以振动信号时间序列，得到正则化的振动信号时间序列
Figure 569157DEST_PATH_IMAGE005
，所用公式为：
Figure 486297DEST_PATH_IMAGE006
AE分支以正则化的振动信号时间序列
Figure 797193DEST_PATH_IMAGE005
为输入，输出为序列的预测值
Figure 457981DEST_PATH_IMAGE007
；其中，
Figure 6774DEST_PATH_IMAGE008
为正则化的振动信号的预测值，
Figure 360395DEST_PATH_IMAGE009
为正则化的振动信号时间序列，
Figure 893008DEST_PATH_IMAGE010
为正则化的振动信号在时刻t的预测值，
Figure 826329DEST_PATH_IMAGE011
为振动信号时间序列；
第四步、训练SA-AE模型：用第二步骤预处理的数据训练SA-AE，使得模型损失函数最小，损失函数公式为：
Figure 760787DEST_PATH_IMAGE012
第五步、计算健康度指标HI：利用正则化的振动信号的预测误差
Figure DEST_PATH_IMAGE013
, 计算健康度指标HI；
第六步、确定健康状态阈值TH：根据健康状态的数据的HI的大小，确定阈值TH；
第七步、上线应用：将新获取的目标机械的振动信号输入到第四步训练好的模型中，并通过第五步计算该信号的健康度指标HI，比较该信号的HI和阈值TH的相对大小，若HI<TH，则机械健康，否则机械故障。
本发明的目的是这样实现的：
本发明一种基于速度自适应自编码器的旋转机械故障监测方法，采集目标旋转机械的振动和转速样本数据，将样本进行预处理后训练搭建好的深度学习模型SA-AE，然后从模型对输入的重构误差中提取健康度指标HI，并设置健康状态阈值TH，通过比较HI和TH的相对大小，对设备是否健康做出判断。其中，本方法所提的SA-AE模型，SA分支可自动去除转速对振动信号幅值的影响，从而达到提高故障监测效果的目的。
同时，本发明一种基于速度自适应自编码器的旋转机械故障监测方法还具有以下有益效果：
1、本发明所提SA-AE模型可自动去除转速的影响，不需要复杂的信号预处理。
2、本发明具有简单高效的优点，适用于在线状态监测。
附图说明
图1是本发明提出的一种基于速度自适应自编码器的旋转机械故障监测方法的流程图；
图2是深度学习模型SA-AE的示意图；
图3是实施例所示的试验台；
图4是实施例所示的数据集的故障类型和转速工况；
图5是实施例所示的数据集的转速信号的一个样本；
图6是实施例所示的数据集的加速度信号的一个样本；
图7是实施例所示的本发明所提的SA-AE模型的故障监测效果；
图8是实施例所示的同类模型的故障监测效果。
其中：1、加速度计；2、测试轴承；3、健康轴承；4、编码器；5、电机；6、变频器；SA-AE、速度自适应自编码器深度学习网络；SA、速度自适应；AE、自编码器。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
在本实施例中，如图1所示，本发明一种基于速度自适应自编码器的旋转机械故障监测方法，包括以下步骤：
第一步：采集目标旋转机械健康状态下的振动信号
Figure 285309DEST_PATH_IMAGE001
和转速信号
Figure 39638DEST_PATH_IMAGE002
；
在本实施例中，目标旋转机械包括电动机、发电机、齿轮箱、泵和风机等旋转机械；振动信号包括但不限制于加速度信号、速度信号、位移信号、扭矩信号和声压信号；转速信号为目标机械的任一旋转轴的转速。
第二步：数据预处理：将振动信号标准化，将转速信号归一化。在本实施例中，振动信号样本集标准化处理主要是将振动信号的均值归零、标准差归一，具体公式为：
Figure 307809DEST_PATH_IMAGE014
其中，
Figure 96773DEST_PATH_IMAGE015
和
Figure 261038DEST_PATH_IMAGE016
分别为振动数据的均值和标准差，
Figure 768243DEST_PATH_IMAGE017
为振动信号的预测值即模型的输出。
转速归一化处理主要将转速的范围缩比或扩比到一定范围，具体的比例可以根据实际需要来设定，例如[0, 1]或[-1, 1]或(0, 1]。
第三步：搭建速度自适应自编码器深度学习网络SA-AE：模型包括两个分支，速度自适应SA分支和自编码器AE分支；SA分支以转速信号时间序列
Figure 308946DEST_PATH_IMAGE003
为输入，输出速度自适应函数
Figure 952417DEST_PATH_IMAGE004
；速度自适应函数
Figure 818741DEST_PATH_IMAGE004
乘以振动信号时间序列，得到正则化的振动信号时间序列
Figure 547663DEST_PATH_IMAGE005
，所用公式为：
Figure 892057DEST_PATH_IMAGE006
AE分支以正则化的振动信号时间序列
Figure 655613DEST_PATH_IMAGE005
为输入，输出为序列的预测值
Figure 427260DEST_PATH_IMAGE007
；其中，
Figure 909057DEST_PATH_IMAGE018
为正则化的振动信号的预测值，
Figure 791563DEST_PATH_IMAGE019
为正则化的振动信号时间序列，
Figure 409626DEST_PATH_IMAGE010
为正则化的振动信号在时刻t的预测值，
Figure 352174DEST_PATH_IMAGE020
为振动信号时间序列；
在本实施例中，速度自适应自编码器深度学习网络SA-AE，其AE包括至少一个输入层、一个隐藏层和一个输出层，网络类型为卷积层或全连接层或循环网络层；其SA分支包括至少一个神经网络层，网络类型可以为卷积层或全连接层或循环网络层。
图2展示了本实施例中采用的速度自适应自编码器深度学习网络SA-AE的结构，其中AE分支包括5全连接层。SA分支包括1个卷积层。
第四步：训练SA-AE模型：用第二步骤预处理的数据训练SA-AE，使得模型损失函数最小，损失函数公式为：
Figure 55688DEST_PATH_IMAGE012
在本实施例中，SA-AE训练的目的包括两方面，一是优化模型的参数，使得上述损失最小化，从而提高信号的预测精度；二是自动学习速度自适应函数
Figure 741884DEST_PATH_IMAGE021
，用于去除转速对振动信号的影响。这样可以降低转速对故障监测的影响，从而提高故障监测的效果。模型的训练方法可以是基于反向传播算法(Back Propagation) 的最速下降法、Momentum和Adam。具体的训练方法和一般神经网络模型的训练方法一样，不再赘述。
第五步：计算健康度指标HI：利用正则化的振动信号的预测误差
Figure 214454DEST_PATH_IMAGE013
, 计算健康度指标HI；
本实施例中，健康度指标TH，可以为预测误差
Figure 593482DEST_PATH_IMAGE022
时域特征如均方根值（RMS），频域特征如频带能量，或其他方式计算的特征。本实例采用预测误差
Figure 518713DEST_PATH_IMAGE022
的RMS作为健康度指标。
第六步：确定健康状态阈值TH：根据健康状态的数据的HI的大小，确定阈值TH。
本实施例中，所说的健康状态阈值TH，可以为健康数据的HI的统计特征值，或者其他方式计算的阈值。本实施例中，采用的健康状态阈值为HI的统计特征，公式为
Figure 8600DEST_PATH_IMAGE023
其中，
Figure 601256DEST_PATH_IMAGE024
和
Figure 885606DEST_PATH_IMAGE025
分别为健康数据HI的均值和标准差。
第七步：上线应用：将新获取的目标机械的振动信号输入到第四步训练好的模型中，并通过第五步计算该信号的健康度指标HI，比较该信号的HI和阈值TH的相对大小，若HI<TH，则机械健康，否则机械故障。
为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。实施例所用数据为加拿大渥太华大学机械工程系公开的变转速工况下轴承状态监测数据集(http://dx.doi.org/10.17632/v43hmbwxpm.1)。该数据集采集自SpectraQuest公司生产的MFS-PK5M型机械故障模拟试验台，其结构如图3所示，MFS-PK5M型机械故障模拟试验台包括加速度计1、测试轴承2、健康轴承3、编码器4、电机5、变频器6。该数据集包括三种轴承健康状态在四种转速工况下的振动加速度数据和转速数据，如图4所示。这三种健康状态为：健康、内圈故障和外圈故障。四种转速工况为：升速、降速、先升后降和先降后升。
在本实施例中，我们只使用健康数据对SA-AE进行训练。图5与图6是健康状态下一个转速信号和加速度信号样本。本实施例中，采用图2所示的深度学习网络SA-AE进行故障监测。所用模型参数如后。对AE分支，其包括5个全连接层，各层神经元个数为512-128-64-128-512；对SA分支，其包括1个卷积层，卷积核个数为8，卷积核神经元个数为3。模型采用Adam法进行训练。
本实施例中，图4所示的样本中，H：健康；I：内圈故障；O：外圈故障；A：升速；B：降速；C：先升后降；D：先降后升；1/2/3-重复采集编号；例如H-A-1为健康轴承升速工况下第一次采集的数据；50%的健康数据用来训练模型；剩余50%健康数据和外圈故障数据的50%将被作为新采集的数据，用来测试所提方法的有效性和先进性。图7展示了所提方法的在新采集的数据上的测试效果。图7显示，所提方法成功抑制了转速对HI的影响，从而准确地将健康数据和故障数据区分开。
为了进一步展示本发明所提方法相对现有方法的优势，图8展示了同类模型在图4所示的数据集上的故障监测效果。所用同类模型为广泛使用的AE模型。图8表明，现有方法不能抑制转速对HI的影响，导致转速引起的HI增加和故障导致的HI增加混叠在一起，造成大量故障漏报。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于速度自适应自编码器的旋转机械故障监测方法，其特征在于，包括以下步骤：
第一步：采集目标旋转机械健康状态下的振动信号
Figure DEST_PATH_IMAGE002
和转速信号
Figure DEST_PATH_IMAGE004
；
第二步：数据预处理：将振动信号标准化，将转速信号归一化；
第三步：搭建速度自适应自编码器深度学习网络：模型包括两个分支，速度自适应分支和自编码器分支；速度自适应分支以转速信号时间序列
Figure DEST_PATH_IMAGE006
为输入，输出速度自适应函数
Figure DEST_PATH_IMAGE008
；速度自适应函数
Figure 494106DEST_PATH_IMAGE008
乘以振动信号时间序列，得到正则化的振动信号时间序列
Figure DEST_PATH_IMAGE010
，所用公式为：
Figure DEST_PATH_IMAGE012
自编码器分支以正则化的振动信号时间序列
Figure 489875DEST_PATH_IMAGE010
为输入，输出为序列的预测值
Figure DEST_PATH_IMAGE014
；其中，
Figure DEST_PATH_IMAGE016
为正则化的振动信号的预测值，
Figure DEST_PATH_IMAGE018
为正则化的振动信号时间序列，
Figure DEST_PATH_IMAGE020
为正则化的振动信号在时刻t的预测值，
Figure DEST_PATH_IMAGE022
为振动信号时间序列；
第四步：训练速度自适应自编码器深度学习网络模型：用第二步骤预处理的数据训练速度自适应自编码器深度学习网络模型，使得模型损失函数最小，损失函数公式为：
Figure DEST_PATH_IMAGE024
其中，
Figure 846776DEST_PATH_IMAGE020
为正则化的振动信号在时刻t的预测值；
第五步：计算健康度指标HI：利用正则化的振动信号的预测误差
Figure DEST_PATH_IMAGE026
, 计算健康度指标HI；
第六步：确定健康状态阈值TH：根据目标旋转机械健康状态下的数据的健康度指标HI的大小，确定健康状态阈值TH；
第七步：上线应用：将新获取的目标机械的振动信号输入到第四步训练好的模型中，并通过第五步计算信号的健康度指标HI，比较信号的健康度指标HI和健康状态阈值TH的相对大小，若健康度指标HI<健康状态阈值TH，则机械健康，否则机械故障。
2.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，其特征在于，所述目标旋转机械包括电动机、发电机、齿轮箱、泵和风机。
3.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，其特征在于，所述转速信号为目标旋转机械的任一旋转轴的转速。
4.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，其特征在于，所述振动信号包括加速度信号、速度信号、位移信号、扭矩信号和声压信号。
5.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，其特征在于，所述振动信号标准化处理的方法为将振动信号的均值归零、标准差归一，具体公式为：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE032
分别为振动数据的均值和标准差，
Figure DEST_PATH_IMAGE034
为振动信号的预测值即模型的输出。
6.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，其特征在于，所述转速信号归一化处理方法为将转速的范围缩比到[-1, 1]或[0,1]。
7.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，所述速度自适应自编码器深度学习网络，其中自编码器分支包括至少一个输入层、一个隐藏层和一个输出层，网络类型为全连接层。
8.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，所述速度自适应自编码器深度学习网络，其中速度自适应分支包括至少一个神经网络层，网络类型为卷积层。
9.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，所述健康度指标HI为预测误差
Figure DEST_PATH_IMAGE036
时域特征。
10.根据权利要求1所述的一种基于速度自适应自编码器的旋转机械故障监测方法，所述健康状态阈值TH为健康度指标HI的统计特征值。
CN202211353357.9A 2022-11-01 2022-11-01 一种基于速度自适应自编码器的旋转机械故障监测方法 Active CN115389247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211353357.9A CN115389247B (zh) 2022-11-01 2022-11-01 一种基于速度自适应自编码器的旋转机械故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211353357.9A CN115389247B (zh) 2022-11-01 2022-11-01 一种基于速度自适应自编码器的旋转机械故障监测方法

Publications (2)

Publication Number Publication Date
CN115389247A CN115389247A (zh) 2022-11-25
CN115389247B true CN115389247B (zh) 2023-02-03

Family

ID=84115060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211353357.9A Active CN115389247B (zh) 2022-11-01 2022-11-01 一种基于速度自适应自编码器的旋转机械故障监测方法

Country Status (1)

Country Link
CN (1) CN115389247B (zh)

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7558701B2 (en) * 2005-11-23 2009-07-07 Lockheed Martin Corporation System to monitor the health of a structure, sensor nodes, program product, and related methods
CN103454113B (zh) * 2013-09-16 2016-02-03 中国人民解放军国防科学技术大学 一种适用于工况变化情况下的旋转机械健康监测方法
CN107144303A (zh) * 2017-04-21 2017-09-08 煤炭科学技术研究院有限公司 一种矿用机电设备的故障检测系统、方法及装置
CN108764341B (zh) * 2018-05-29 2019-07-19 中国矿业大学 一种变工况条件下的滚动轴承故障诊断方法
CN108805059B (zh) * 2018-05-29 2020-04-21 东华大学 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
CN109211546B (zh) * 2018-08-28 2020-05-26 电子科技大学 基于降噪自动编码器及增量学习的旋转机械故障诊断方法
CN109902399B (zh) * 2019-03-01 2022-07-19 哈尔滨理工大学 一种基于att-cnn的变工况下滚动轴承故障识别方法
CN110132554B (zh) * 2019-04-17 2020-10-09 东南大学 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN111089720B (zh) * 2020-01-16 2021-10-08 山东科技大学 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法
CN111694320B (zh) * 2020-06-10 2021-04-20 大连理工大学 一种虑及颤振抑制的机床自适应控制方法
CN111829782B (zh) * 2020-07-16 2021-12-07 苏州大学 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
CN114136619A (zh) * 2021-10-27 2022-03-04 国家能源集团宿迁发电有限公司 一种基于卷积自编码的变工况下滚动轴承故障诊断方法
CN114077850B (zh) * 2021-11-22 2023-06-20 西安交通大学 一种变工况下的基于图数据的旋转机械设备状态监测方法
CN114112398A (zh) * 2021-11-25 2022-03-01 中原工学院 一种变速工况下滚动轴承故障诊断方法
CN114838936B (zh) * 2022-04-13 2023-04-18 北京交通大学 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
CN115144171A (zh) * 2022-07-06 2022-10-04 青岛睿发工程咨询服务合伙企业(有限合伙) 一种变转速工况下的旋转机械振动信号归一化方法

Also Published As

Publication number Publication date
CN115389247A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN102798529A (zh) 大型风力机组轴承故障诊断方法及系统
CN107192446B (zh) 风力发电机组塔筒固有频率监测方法
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN110131109A (zh) 一种基于卷积神经网络的风力机叶片不平衡检测方法
CN108919116B (zh) 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法
CN113239613B (zh) 一种水轮机组摆度报警判断方法
CN107229269A (zh) 一种深度信念网络的风力发电机齿轮箱故障诊断方法
Márquez et al. An overview of wind turbine maintenance management
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN111412114B (zh) 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法
CN114742111B (zh) 基于参数自适应特征模态分解故障诊断方法和系统
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN115389247B (zh) 一种基于速度自适应自编码器的旋转机械故障监测方法
Amin et al. Condition monitoring in a wind turbine planetary gearbox using sensor fusion and convolutional neural network
Kumar et al. Neural network based vibration analysis with novelty in data detection for a large steam turbine
CN112686279A (zh) 一种基于k均值聚类和证据融合的齿轮箱故障诊断方法
CN112347944A (zh) 一种基于零值比例频谱特征的机械传动故障检测方法
CN113447267B (zh) 一种基于振动信号分析的齿轮箱整机状态评估方法和系统
CN116499742A (zh) 一种基于集成学习的旋转机械故障监测方法
CN102592172A (zh) 一种基于敏感测点数据融合的行星轮故障识别方法
Duhaney et al. Applying feature selection to short time wavelet transformed vibration data for reliability analysis of an ocean turbine
CN115310498B (zh) 一种基于神经网络的变转速工况下旋转机械故障分类方法
Emeksiz et al. Some prognostic and diagnostic methods for determining wind turbine failures-A review
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法
CN113776818B (zh) 基于Park变换的海上风电机组齿轮系统故障诊断方法

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