CN115822943A - 液压泵泄漏故障诊断方法 - Google Patents
液压泵泄漏故障诊断方法 Download PDFInfo
- Publication number
- CN115822943A CN115822943A CN202211448018.9A CN202211448018A CN115822943A CN 115822943 A CN115822943 A CN 115822943A CN 202211448018 A CN202211448018 A CN 202211448018A CN 115822943 A CN115822943 A CN 115822943A
- Authority
- CN
- China
- Prior art keywords
- hydraulic pump
- value
- fault
- frequency
- frequency domain
- 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
Abstract
本发明涉及一种液压泵泄漏故障诊断方法,将采集到的液压泵出口压力和流量信号提取压力和流量信号的时域、频域特征,再通过HHT变换提取时频域联合特征,并进行组合形成特征向量,并设置对应故障类别标签;然后使用带有监督式学习的线性判别分析算法(LDA)对特征数据集进行降维处理;最后使用麻雀搜索算法(SSA)对支持向量机分类模型的惩罚参数c和核函数参数g进行优化,得到核函数参数g最优值和惩罚参数c最优的SVM智能诊断模型,基于该模型和测试集得出液压泵泄漏故障类别。本发明能够实现对于液压泵的泄漏故障实现更为准确迅速地识别,有利于保障液压泵的平稳安全运行。
Description
技术领域
本发明属于液压泵故障诊断技术领域,特别是一种基于LDA降维和SSA-SVM的液压泵泄漏故障诊断方法。
背景技术
液压系统以其响应快,运行平稳等特点,在煤矿、航空等领域得到了广泛应用。液压系统的故障具有隐蔽性、随机性和交错性等特点,导致维护管理具有较大难度,其中液压泵是液压回路的核心部件,其运行状态是否正常直接影响整个液压系统的稳定性。
液压泵的泄漏问题一直是液压系统运行过程中的关键性问题。当液压泵发生泄漏时,不仅会对整个机械系统的控制精度以及设备工作造成影响,也会造成液压元件损坏。因此,及时发现液压系统的泄漏情况就成为了液压系统使用过程进行维护的一个关键步骤。液压系统中,故障的机理与失效形式复杂且多样,导致了在设备处于工作状态时难以准确地识别出液压泵的泄漏状态。
为了保障液压系统的平稳安全运行,必须建立具有诊断效果良好,诊断过程迅速的泄漏故障诊断模型。传统的液压泵故障诊断方法大多采集振动信号作为模型输入,但是,液压泵工作环境恶劣,导致采集的故障信号往往夹杂着太多干扰信号,导致有效振动信号获取困难,此外,传统神经网络诊断模型容易出现维数灾难、局部极值等问题,SVM模型能够较好地解决维数灾难和局部极值等问题,但是SVM模型参数的选择的随机性又会影响诊断效果。
发明内容
本发明要解决的技术问题是提供一种液压泵泄漏故障诊断方法,该方法基于线性判别分析算法(LDA)对提取的故障特征数据集降维,通过麻雀搜索算法(SSA)对SVM分类模型进行优化,实现对于液压泵的泄漏故障的准确、迅速识别。
为解决以上技术问题,本发明采用的技术方案是:
一种液压泵泄漏故障诊断方法,包括:
步骤一:采集液压泵的压力和流量信号,并对压力和流量信号进行时域和频域的特征提取,得到时域特征和频域特征;
步骤二:对压力和流量信号进行经验模态分解(EMD),对分解得到的本征模态函数IMF1、IMF2、IMF3计算其方差贡献率,获得时频域联合特征;
步骤三:对本征模态函数IMF1进行希尔伯特-黄变换(HHT),得到本征模态函数IMF1的瞬时频率和瞬时幅值向量,求出瞬时幅值和瞬时频率向量的最大值,得到时频域联合特征;
步骤四:将步骤一、步骤二和步骤三中得到的时域特征、频域特征、时频域联合特征组合形成第一数据集并设置对应的故障类别标签;
步骤五:使用线性判别分析算法(LDA)对第一数据集进行降维,得到第二数据集,划分50%测试集与50%训练集;
步骤六:使用训练集和麻雀搜索算法(SSA)对支持向量机故障诊断模型的惩罚参数c和核函数参数g进行优化,构建最佳参数的SVM诊断模型,基于该SVM诊断模型和测试集得出液压泵泄漏故障类别。
进一步地,步骤一中,在液压泵出口安装1个压力传感器和1个流量传感器采集液压泵的压力和流量信号,其中,压力传感器的采样频率为100Hz,流量传感器的采样频率为10Hz;每个样本包括1个压力与1个流量信号,采集时长1min。
进一步地,步骤一中,所述的时域特征包括均值、均方根值、最大值、峰-峰值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差共12个特征。
进一步地,步骤一中,所述的频域特征包括重心频率、均方频率、频率方差共3个特征。
进一步地,第一数据集为20*2的40维特征向量,降维后得到的第二数据集为6维特征向量。
进一步地,步骤三中所述的希尔伯特-黄变换(Hilbert-Huang transform,HHT)包含两个部分,即经验模态分解(empirical mode decomposition,EMD)和希尔伯特变换;其中,经验模态分解(empirical mode decomposition,EMD)将采集的液压泵压力与流量信号分解为一系列的本征模态函数(intrinsic mode Function,IMF);
式中:n为本征模态的数量;ci(t)是第i个本征模态函数;rn(t)为残差函数;然后对分解得到的IMF1、IMF2、IMF3计算其方差贡献率:
式中:Di为第i阶IMF分量的方差,Δt为信号数据采集时间间隔,对于压力信号是0.01秒,对于流量信号是0.1秒。
进一步地,步骤三中,将通过EMD分解之后得到的第一个本征模态函数c1(t)进行希尔伯特变换,得到其瞬时幅值以及瞬时频率,对于任意的本征模态函数ci(t),希尔伯特变换定义如下:
解析信号z(t)如下:
z(t)=c(t)+jy(t)=a(t)ejθ(t)(5)
其中a(t)为c1(t)的瞬时幅值,θ(t)为c1(t)的瞬时相位:
c1(t)的瞬时频率为:
进一步地,以SVM训练集液压泵泄漏故障诊断准确率作为适应度函数,保留最优的适应度值及对应的惩罚参数c和核函数参数g;SSA(Sparrow Search Algorithm,SSA)麻雀搜索算法原理如下所述,
假设麻雀组成的种群X为:
其中,n是麻雀的数量,取100,d是待优化问题的变量的维数,取2。
f表示适应度值,即为当前取值对应训练集故障诊断准确率,则适应度函数Fx如下:
发现者为整个群体中具有较好适应度值的麻雀,负责为种群寻找食物并为追随者提供觅食的方向;发现者个数为PD,取值为20,其位置更新方式如下:
其中,i=1,2,3…,PD;j=1,2,3…,d;t代表当前迭代次数;itermax是常数,表示最大的迭代次数;α∈[0,1],是一个随机数;R2∈[0,1]为预警值,表示麻雀对捕食者的警觉程度;ST∈[0.5,1]为警戒阈值,取0.6;Q为服从正态分布的随机数;L表示一个1×d的每个元素均为1的矩阵;
追随者取值为80,其位置更新方式如下:
其中,Xp是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当i>n/2时,这表明,适应度值较低的第i个加入者没有获得食物,此时需要飞往其它地方觅食,以获得更高的适应度;而警戒者取值为10,位置更新方式如下:
其中,Xbest是当前的全局最优位置。β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值。
进一步地,构建最佳参数的SVM诊断模型的步骤如下:
(1)首先将提取的液压泵泄漏故障的时域、频域、时频域联合域特征作为诊断模型输入,将故障类别作为诊断模型输出值,故障类别共3种:类别0为无泄漏、类别1轻微泄漏、类别2严重泄漏;数据集中每一类故障划分%50作为训练集,%50作为测试集;
(2)初始化SSA算法相关参数,具体包括:麻雀种群规模为100、最大迭代次数50;待优化参数为SVM参数c、g,二者取值范围均为[0.01,1000];ST为警戒阈值,取值范围为[0.5,1.0],此处取0.6;发现者取值PD为20,其余80作为为追随者,每代将从种群中随机选择SD个个体作为警戒者,SD取10;
(3)通过交叉验证,对训练集样本进行诊断,以取值对应训练集故障诊断准确率作为麻雀个体的适应度,保留最优的适应度值及相应的麻雀个体位置信息,即相应惩罚参数c和核函数参数g取值;
(4)根据公式(11)更新发现者的位置,根据公式(12)更新追随者的位置,根据公式(13)更新警戒者的位置;
(5)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
(6)判断迭代次数是否达到最大迭代次数50,如不满足,则重复步骤(3),反之则停止迭代,输出最优参数,得到参数最优的SVM诊断模型并且基于该模型和测试集得出液压泵泄漏故障类别。
相比于传统的通过振动信号进行的液压泵故障诊断方法,本发明使用的液压泵出口压力流量信号更为直观,信号采集设备数量和采样率的要求也更低,本发明使用线性判别分析算法(LDA)对提取的故障特征数据集降维,通过麻雀搜索算法(SSA)对SVM诊断模型进行优化,解决了选择SVM模型最优惩罚参数c和核函数参数g的问题,提升了模型诊断效果和速度。本发明能够实现对于液压泵的泄漏故障实现更为准确迅速地识别,有利于保障液压泵的平稳安全运行,也为其他液压设备的故障诊断提供了一种新的研究方向。
附图说明
图1是本发明实施流程图;
图2是本发明麻雀搜索算法(SSA)优化支持向量机(SVM)诊断模型流程图;
图3是实施例中液压泵压力原始信号波形图;
图4是实施例中液压泵流量原始信号波形图;
图5是实施例中将无泄漏原始压力信号分解的IMF1分量经HHT变换所得的瞬时频率与瞬时幅值图;
图6是实施例中将无泄漏原始流量信号分解的IMF1分量经HHT变换所得的瞬时频率与瞬时幅值图;
图7是实施例中将轻微泄漏原始压力信号分解的IMF1分量经HHT变换所得的瞬时频率与瞬时幅值图;
图8是实施例中将轻微泄漏原始流量信号分解的IMF1分量经HHT变换所得的瞬时频率与瞬时幅值图;
图9是实施例中将严重泄漏原始压力信号分解的IMF1分量经HHT变换所得的瞬时频率与瞬时幅值图;
图10是实施例中将严重泄漏原始流量信号分解的IMF1分量经HHT变换所得的瞬时频率与瞬时幅值图;
图11本发明实施例中测试集输入经SSA优化的SVM诊断模型中实际故障类型与预测故障类型对比图。
具体实施方式
如图1、2所示,本发明提供的是一种基于LDA降维和SSA-SVM的液压泵泄漏故障诊断方法,所述方法的整体构思是将采集到的液压泵出口的压力和流量信号提取时域、频域特征,再通过HHT变换提取时频域联合特征,并进行组合形成特征向量,设置对应故障类别标签;然后使用带有监督式学习的线性判别分析算法(LDA)对特征数据集进行降维处理;最后使用麻雀搜索算法(SSA)对支持向量机分类模型(SVM)的惩罚参数c和核函数参数g进行优化,得到核函数参数g最优值和惩罚参数c最优的SVM智能诊断模型。
下面结合附图及具体实施例对本发明的具体实施方式作出进一步的说明。
本实施例提供的基于LDA降维和SSA-SVM的液压泵泄漏故障诊断方法,按照以下具体步骤进行。
步骤一:采集液压泵的压力和流量信号,并对所述的压力和流量信号进行时域和频域的特征提取,得到时域特征和频域特征(如图3、4所示)。
对液压系统进行周期性重复恒定的负载循环,同时在负载过程中测量过程值。采集液压泵的压力和流量信号时,在液压泵出口安装1个压力传感器和1个流量传感器,其中,压力传感器的采样频率为100HZ,流量传感器的采样频率为10Hz;每个样本包括1个压力与1个流量信号,采集时长1min。
提取的液压信号特征包括时域特征频域特征与时频域特征。所述时域特征包括均值、均方根值、最大值、峰-峰值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差共12个特征。所述频域特征包括重心频率、均方频率、频率方差共3个特征。
步骤二:对压力和流量信号进行经验模态分解(EMD),对分解得到的本征模态函数IMF1、IMF2、IMF3计算其方差贡献率获得时频域联合特征,每种信号得到3个时频域联合特征。
步骤三:对本征模态函数IMF1进行希尔伯特-黄变换(HHT),得到本征模态函数IMF1的瞬时频率和瞬时幅值向量,求出瞬时幅值和瞬时频率向量的最大值,得到时频域联合特征。每种信号得到2个时频域联合特征。
所述的希尔伯特-黄变换(Hilbert-Huang transform,HHT)包含两个部分,即经验模态分解(empirical mode decomposition,EMD)和希尔伯特变换。
其中,经验模态分解(empirical mode decomposition,EMD)将采集的液压泵压力与流量信号分解为一系列的本征模态函数(intrinsic mode Function,IMF);
式中:n为本征模态的数量;ci(t)是第i个本征模态函数;rn(t)为残差函数。
对分解得到的IMF1、IMF2、IMF3计算其方差贡献率:
式中:Di为第i阶IMF分量的方差,Δt为信号数据采集时间间隔,对于压力信号是0.01秒,对于流量信号是0.1秒。
为进一步揭示信号的局部变化的特征,将通过EMD分解之后得到的第一个本征模态函数IMF1进行希尔伯特变换,得到其瞬时幅值以及瞬时频率,对于任意的本征模态函数ci(t)进行希尔伯特变换定义如下:
解析信号z(t)如下:
z(t)=c(t)+jy(t)=a(t)ejθ(t)(5)
其中,a(t)为c1(t)的瞬时幅值,θ(t)为c1(t)的瞬时相位:
c1(t)的瞬时频率为:
经过步骤二和步骤三,压力和流量每种信号可以得到5个时频域联合特征,包括IMF1、IMF2、IMF3相应的方差贡献率以及IMF1的瞬时频率和瞬时幅值的最大值。
步骤四:将步骤一、步骤二和步骤三中得到的时域特征、频域特征、时频域联合特征组合形成第一数据集并设置对应标签。
其中,步骤一中获得12个时域特征和3个频域特征;步骤二中获得3个时频域联合特征,步骤三中获得2个时频域联合特征;将液压泵出口压力信号、流量信号提取以上特征并进行组合,得到20*2维的40维特征向量,作为第一数据集。
步骤五:使用线性判别分析算法(LDA)对第一数据集进行降维,得到新的6维特征向量构成的第二数据集,划分%50测试集与%50训练集。
LDA(Linear DiscriminantAnalysis)是有监督的降维方法,降维过程中可以使用类别的先验知识经验。
步骤六:使用训练集和麻雀搜索算法(SSA)对支持向量机故障诊断模型(SVM)的惩罚参数c和核函数参数g进行优化,构建最佳参数SVM模型,基于最佳参数SVM模型和测试集得出液压泵泄漏故障类别。
以SVM训练集液压泵泄漏故障诊断准确率作为适应度函数,保留最优的适应度值及对应的惩罚参数c和核函数参数g。
SSA(Sparrow SearchAlgorithm,SSA)麻雀搜索算法原理为如下所述。
假设麻雀组成的种群X为:
其中,n是麻雀的数量,取100,d是待优化问题的变量的维数,此处为SVM诊断模型中待优化的参数个数,取2。
f表示适应度值,即为当前取值对应训练集故障诊断准确率,则适应度函数Fx如下:
发现者为整个群体中具有较好适应度值的麻雀,负责为种群寻找食物并为追随者提供觅食的方向;发现者个数为PD,取值为20,其位置更新如下:
其中,i=1,2,3…,PD;j=1,2,3…,d;t代表当前迭代数;itermax是常数,表示最大的迭代次数;α∈[0,1],是一个随机数;R2∈[0,1]为预警值,表示麻雀对捕食者的警觉程度;ST∈[0.5,1],为警戒阈值,取0.6;Q为服从正态分布的随机数;L表示一个1×d的每个元素均为1的矩阵。
追随者取值为80,其位置更新方式如下:
其中,Xp是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当i>n/2时,这表明,适应度值较低的第i个加入者没有获得食物,此时需要飞往其它地方觅食,以获得更高的适应度。
警戒者取值为10,位置更新方式如下:
其中,Xbest是当前的全局最优位置。β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值。ε是最小的常数,以避免分母出现零。
SSA算法优化SVM液压泵泄漏故障智能诊断模型具体步骤如下:
(1)首先将提取的液压泵泄漏故障的时域、频域、时频域联合特征作为诊断模型输入,将故障类别作为诊断模型输出值,故障类别共3种:类别0为无泄漏、类别1轻微泄漏、类别2严重泄漏。数据集一共2205条样本,类别0有1221条,类别1有492条,类别2有492条。数据集中每一类故障划分%50作为训练集,%50作为测试集。
(2)初始化SSA算法相关参数,具体包括:麻雀种群规模为100、最大迭代次数50;待优化参数为SVM参数c、g,二者取值范围均为[0.01,1000];ST为警戒阈值,取值范围为[0.5,1.0],此处取0.6;发现者取值PD为20,其余为追随者,每代将从种群中随机选择SD个个体作为警戒者,SD取10;
(3)通过交叉验证,对训练集样本进行诊断,以取值对应训练集故障诊断准确率作为麻雀个体的适应度,保留最优的适应度值及相应的麻雀个体位置信息,即相应惩罚参数c和核函数参数g取值;
(4)根据公式(11)更新发现者的位置,根据公式(12)更新追随者的位置,根据公式(13)更新警戒者的位置;
(5)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
(6)判断迭代次数是否达到最大迭代次数50,如不满足,则重复步骤(3),反之则停止迭代,输出最优参数,得到参数最优的SVM诊断模型并且基于该模型和测试集得出液压泵泄漏故障类别。测试集输入经SSA优化的SVM诊断模型中实际故障类型与预测故障类型对比图如图11所示。
应当说明的是,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,做出的多种变形方案均在本发明要求的保护范围之内。
Claims (9)
1.一种液压泵泄漏故障诊断方法,其特征在于,包括:
步骤一:采集液压泵的压力和流量信号,并对压力和流量信号进行时域和频域的特征提取,得到时域特征和频域特征;
步骤二:对压力和流量信号进行经验模态分解,对分解得到的本征模态函数IMF1、IMF2、IMF3计算其方差贡献率,获得时频域联合特征;
步骤三:对本征模态函数IMF1进行希尔伯特-黄变换,得到本征模态函数IMF1的瞬时频率和瞬时幅值向量,求出瞬时幅值和瞬时频率向量的最大值,得到时频域联合特征;
步骤四:将步骤一、步骤二和步骤三中得到的时域特征、频域特征、时频域联合特征组合形成第一数据集并设置对应故障类别标签;
步骤五:使用线性判别分析算法对第一数据集进行降维,得到第二数据集,划分50%测试集与50%训练集;
步骤六:使用训练集和麻雀搜索算法对支持向量机故障诊断模型的惩罚参数c和核函数参数g进行优化,构建最佳参数的SVM诊断模型,基于SVM诊断模型和测试集得出液压泵泄漏故障类别。
2.根据权利要求1所述的液压泵泄漏故障诊断方法,其特征在于:
步骤一中,在液压泵出口安装1个压力传感器和1个流量传感器采集液压泵的压力和流量信号,其中,压力传感器的采样频率为100Hz,流量传感器的采样频率为10Hz;每个样本包括1个压力与1个流量信号,采集时长1min。
3.根据权利要求1所述的液压泵泄漏故障诊断方法,其特征在于:
步骤一中,所述的时域特征包括均值、均方根值、最大值、峰-峰值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差共12个特征。
4.根据权利要求1所述的液压泵泄漏故障诊断方法,其特征在于:
步骤一中,所述的频域特征包括重心频率、均方频率、频率方差共3个特征。
5.根据权利要求1所述的液压泵泄漏故障诊断方法,其特征在于:第一数据集为20*2的40维特征向量,降维后得到的第二数据集为6维特征向量。
8.根据权利要求7所述的液压泵泄漏故障诊断方法,其特征在于:
以SVM训练集液压泵泄漏故障诊断准确率作为适应度函数,保留最优的适应度值及对应的惩罚参数c和核函数参数g;SSA(Sparrow SearchAlgorithm,SSA)麻雀搜索算法原理如下所述,
假设麻雀组成的种群X为:
其中,n是麻雀的数量,取100,d是待优化问题的变量的维数;
f表示适应度值,即为当前取值对应训练集故障诊断准确率,则适应度函数Fx如下:
发现者为整个群体中具有较好适应度值的麻雀,负责为种群寻找食物并为追随者提供觅食的方向;发现者个数为PD,取值为20,其位置更新如下:
其中,i=1,2,3…,PD;j=1,2,3…,d;t代表当前迭代数;itermax是常数,表示最大的迭代次数;α∈[0,1],是一个随机数;R2∈[0,1]为预警值,表示麻雀对捕食者的警觉程度;ST∈[0.5,1]为警戒阈值,取0.6;Q为服从正态分布的随机数;L表示一个1×d的每个元素均为1的矩阵;
追随者取值为80,其位置更新方式如下:
其中,Xp是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当i>n/2时,这表明适应度值较低的第i个加入者没有获得食物,此时需要飞往其它地方觅食,以获得更高的适应度;
警戒者取值为10,位置更新方式如下:
其中,Xbest是当前的全局最优位置;β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数,fi是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值。
9.根据权利要求8所述的液压泵泄漏故障诊断方法,其特征在于:
构建最佳参数的SVM诊断模型的步骤如下:
(1)首先将提取的液压泵泄漏故障的时域、频域、时频域联合特征作为诊断模型输入,将故障类别作为诊断模型输出值,故障类别共3种:类别0为无泄漏、类别1轻微泄漏、类别2严重泄漏;数据集中每一类故障划分%50作为训练集,%50作为测试集;
(2)初始化麻雀搜索算法相关参数,具体包括:麻雀种群规模为100、最大迭代次数50;待优化参数为SVM参数c、g,二者取值范围均为[0.01,1000];ST为警戒阈值,取值范围为[0.5,1.0],此处取0.6;发现者取值PD为20,其余为追随者,每代将从种群中随机选择SD个个体作为警戒者,SD取10;
(3)通过交叉验证,对训练集样本进行诊断,以取值对应训练集故障诊断准确率作为麻雀个体的适应度,保留最优的适应度值及相应的麻雀个体位置信息,即相应惩罚参数c和核函数参数g取值;
(4)根据公式(11)更新发现者的位置,根据公式(12)更新追随者的位置,根据公式(13)更新警戒者的位置;
(5)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
(6)判断迭代次数是否达到最大迭代次数50,如不满足,则重复步骤(3),反之则停止迭代,输出最优参数,得到参数最优的SVM诊断模型并且基于该模型和测试集得出液压泵泄漏故障类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211448018.9A CN115822943A (zh) | 2022-11-18 | 2022-11-18 | 液压泵泄漏故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211448018.9A CN115822943A (zh) | 2022-11-18 | 2022-11-18 | 液压泵泄漏故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115822943A true CN115822943A (zh) | 2023-03-21 |
Family
ID=85529239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211448018.9A Pending CN115822943A (zh) | 2022-11-18 | 2022-11-18 | 液压泵泄漏故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115822943A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
CN117093827A (zh) * | 2023-10-16 | 2023-11-21 | 欣灵电气股份有限公司 | 基于物联网的智慧消防给水数据处理系统 |
-
2022
- 2022-11-18 CN CN202211448018.9A patent/CN115822943A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
CN116933170B (zh) * | 2023-09-18 | 2024-01-02 | 福建福清核电有限公司 | 一种机械密封故障分类方法 |
CN117093827A (zh) * | 2023-10-16 | 2023-11-21 | 欣灵电气股份有限公司 | 基于物联网的智慧消防给水数据处理系统 |
CN117093827B (zh) * | 2023-10-16 | 2024-01-30 | 欣灵电气股份有限公司 | 基于物联网的智慧消防给水数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115822943A (zh) | 液压泵泄漏故障诊断方法 | |
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及系统 | |
CN102122133B (zh) | 自适应小波神经网络异常检测故障诊断分类系统及方法 | |
Kong et al. | Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery | |
Yang et al. | Autoregressive coefficient-invariant control chart pattern recognition in autocorrelated manufacturing processes using neural network ensemble | |
WO1997008627A1 (en) | A neural network based system for equipment surveillance | |
CN111352977B (zh) | 基于自注意力双向长短期记忆网络的时序数据监测方法 | |
CN104712542A (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN202119467U (zh) | 自适应小波神经网络异常检测故障诊断分类系统 | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
Lu et al. | Performance degradation prediction based on a Gaussian mixture model and optimized support vector regression for an aviation piston pump | |
Wang et al. | Remaining useful life prediction techniques of electric valves for nuclear power plants with convolution kernel and LSTM | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN112305184B (zh) | 一种污水处理多故障诊断系统及方法 | |
CN109784279A (zh) | 基于多小波分析及svm的x射线高压电源故障诊断方法 | |
CN113608958B (zh) | 基于时间序列混沌特性的电力设备在线监测错误数据诊断方法 | |
Wen et al. | An evidential similarity-based regression method for the prediction of equipment remaining useful life under complex conditions | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN111048203B (zh) | 一种脑血流调节机能评价装置 |
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 |