CN115935250B - 基于差分振子和领域自适应混合模型故障诊断方法及系统 - Google Patents
基于差分振子和领域自适应混合模型故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115935250B CN115935250B CN202211406975.5A CN202211406975A CN115935250B CN 115935250 B CN115935250 B CN 115935250B CN 202211406975 A CN202211406975 A CN 202211406975A CN 115935250 B CN115935250 B CN 115935250B
- Authority
- CN
- China
- Prior art keywords
- differential
- model
- vibrator
- fault
- phase diagram
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010587 phase diagram Methods 0.000 claims abstract description 84
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000003245 coal Substances 0.000 abstract description 28
- 238000000605 extraction Methods 0.000 description 7
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 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
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及煤机设备故障诊断领域，尤其涉及基于差分振子和领域自适应混合模型的故障智能诊断方法，包括如下步骤：建立差分振子输出相图数据样本集，采用最大均值差异原则，建立领域自适应模型；利用煤机设备故障机理模型确定设备故障的特征；根据故障特征设置差分振子的检测特征及其它参数；利用滤波技术对采集到的振动信号进行预处理，并将预处理之后的振动信号输入差分振子模型；将差分振子模型输出的结果作为输入量，输入到训练好的智能模型中，进行故障分类和识别。本发明利用差分振子可以有效检测非线性和非平稳性信号的特性，对采集到振动信号进行差分变换。由于差分变换后，相图多样，利用领域自适应方法实现相图的状态的智能识别。
Description
技术领域
本发明涉及煤机设备故障诊断领域，尤其涉及基于差分振子和领域自适应混合模型的故障诊断方法及系统。
背景技术
随着煤机设备智能化水平的日益提高，尤其是智慧矿山建设的热潮的兴起，减人、提效、增安则成为衡量智慧矿山建设效果的重要指标。为确保煤机设备安全、可靠的运行，其状态的智能诊断是则成为智慧矿山建设的主要组成部分。由于煤机设备特殊的工况环境如受环境影响大(冲击、多尘、潮湿)，叠加工况多变、载荷多变、现场缺乏有效的数据样本等因素严重制约了煤机设备智能诊断技术在煤机领域的应用。
煤矿特殊的设备运行环境以及工况多变、载荷多变，导致了特征频率提取的困难。传统的特征提取方法与技术主要是针对某一特定的问题，需要故障诊断专家进行深入了解设备的运行状态特征，应用信号处理的方法进行特征提取与识别，对于人员的要求较高，不适合在煤矿现场进行普及应用。
现实的煤机设备运行过程中以完成生产任务为主，因此，采集到的数据均是以正常运行的健康数据为主。实际设备发生故障时，多数情况下无法提取收集充足的数据。同时，专门在现场收集每一种设备故障的样本数据成本往往令人难以接受。与实验室故障模拟实验相比，现场煤机设备的故障发生具有随机性，不同工况、载荷下采集到的训练和测试数据特征分布也存在漂移，这就从故障样本数据和故障样本类型两个方面制约了基于数据驱动的支持向量机(SVM)、循环神经网络等智能诊断方法在煤机领域的应用。
中国专利CN201010561227.5公开了一种高线轧机早期故障微弱特征提取的方法，然而该技术方案只是对故障的单一频率进行检测，不涉及多故障频率检测；此外该技术方案通过计算指定区域的点数进行相图的识别，适用对象为载荷、工况恒定的现场应用场景，不涉及变工况、变载荷等现场实际应用场景。
中国专利CN201611164942.9公开了一种门座式起重机微弱振动信号的幅值检测方法，然而该技术方案的核心在于，通过引入一个参考信号，来确定原信号中检测频率的幅值、相位，对于信号幅值的确定采用了通过内接正方形的边长来确定检测频率幅值的大小，方案复杂，检测准确性低。
中国专利CN201710073526.6公开了一种机电设备非线性故障预测方法，然而该技术方案的核心在于使用随机共振和混沌振子的混合模型，实现微弱信号的检测，使用p+q阶矩来描述混沌振子的相图状态，以p+q阶矩作为判读混沌振子相图状态的阈值，识别的智能化和效率极低。
发明内容
为了解决上述至少一个技术问题，本发明提出基于差分振子和领域自适应混合模型的故障诊断方法及系统，发明构思和创新在于利用差分振子可以有效检测非线性和非平稳性信号的特性，对采集到振动信号进行差分变换；由于差分变换后，相图多样，利用领域自适应方法实现相图状态的智能识别。
为实现上述目的，本发明采用如下技术方案：
本发明第一方面提供一种基于差分振子和领域自适应混合模型的故障诊断方法，包括如下步骤：
S1，构建差分振子输出相图数据样本集，所述相图数据样本集包括源域和目标域，所述相图数据样本集中涵盖差分振子相图两类相图；
S2，建立领域自适应模型，并将所述相图数据样本集对所述领域自适应模型进行训练从而获得训练好的领域自适应模型，所述训练好的领域自适应模型用于识别实际工况下差分振子输出相图的状态，从而实现故障智能诊断；
S3，利用设备故障机理模型确定设备故障的特征；
S4，基于所述设备故障的特征设置差分振子的参数，所述参数包括所述差分振子的检测特征；基于差分振子的参数建立差分振子模型，所述差分振子模型用于根据设备故障机理模型的特征，构建一个或者多个差分振子，所述差分振子形成差分振子变换序列，对所述设备可能存在的故障特征进行逐一检测；
S5，基于领域自适应模型和所述差分振子模型进行故障诊断。
优选的，所述S1中差分振子相图两类相图包括极环状态相图和极点状态相图，其中极环状态和极点状态均包括多种不同的形态；所述极环状态相图表示包含故障特征，所述极点状态相图表示不包含监测的故障信息。
优选的，所述S2中领域自适应模型基于最大均值差异原则建立。
优选的，所述S3中设备故障的特征包括轴承故障特征、齿轮故障特征和/或裂纹故障特征。
优选的，所述S4中差分振子模型是指根据故障机理模型的特征，构建一个或者多个差分振子，形成差分振子变换序列对煤机设备可能存在的故障特征进行逐一检测。
优选的，所述S5包括：
S51，利用滤波技术对采集到的振动信号进行预处理；滤波技术进行滤波目的在于提高信号的信噪比，进而降低差分振子变换后的相图的噪声干扰；
S52，将预处理之后的振动信号输入差分振子模型；
S53，将所述差分振子模型输出的结果作为输入量，输入到领域自适应模型中进行故障分类和识别。
优选的，所述S51的所述滤波技术为自相关滤波或自适应粒子群滤波。
本发明的第二方面提供一种基于差分振子和领域自适应混合模型的故障诊断系统，包括：
数据样本集构建模块，用于构建差分振子输出相图数据样本集，所述相图数据样本集包括源域和目标域，所述相图数据样本集中涵盖差分振子相图两类相图；
领域自适应建立模块，用于建立领域自适应模型，并将所述相图数据样本集对所述领域自适应模型进行训练从而获得训练好的领域自适应模型，所述训练好的领域自适应模型用于识别实际工况下差分振子输出相图的状态，从而实现故障智能诊断；
设备故障特征确定模块，用于利用设备故障机理模型确定设备故障的特征；
差分振子参数设置模块，用于基于所述设备故障的特征设置差分振子的参数，所述参数包括所述差分振子的检测特征；基于差分振子的参数建立差分振子模型，所述差分振子模型用于根据设备故障机理模型的特征，构建一个或者多个差分振子，所述差分振子形成差分振子变换序列，对所述设备可能存在的故障特征进行逐一检测；
故障诊断模块，用于基于领域自适应模型和所述差分振子模型进行故障诊断。
本发明的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的方法、装置、电子设备以及计算机可读存储介质，具有如下有益的技术效果：
1、本发明采用差分振子与领域自适应混合模型，核心在于通过差分振子与邻域自适应混合模型实现变工况、变载荷工况下，煤机设备运行状态的诊断，克服了煤机特殊工况及有效数据样本缺乏对智能诊断结果的影响，实现了变工况、变载荷条件下的煤机设备故障智能诊断。
2、本发明数据样本集是建立在现场实测信号的基础之上，为模型能够用于解决现场实际问题奠定了基础。
3、本发明建立了机理模型和煤机设备实际使用工况之间的联系，为机理模型应用与实践提供了路径，同时混合模型计算量小，易于集成在软件和硬件中。
4、本发明根据机理模型确定检测频率，利用一系列差分振子构成差分振子阵列)，实现多故障的检测，而不只是对故障的单一频率进行检测；克服通过计算指定区域的点数进行相图的识别的复杂程度，利用领域自适应技术实现相图的自动识别；适用对象从载荷、工况恒定的现场应用场景延伸到变工况、变载荷等现场实际应用场景。
5、本发明利用邻域自适应技术实现差分振子相图状态的识别，是一种智能识别方法，提高了识别效率。
6、克服了传统的采用混合模型进行微弱信号的识别的弊端，特别是利用随机共振确定检测频率以及利用p+q阶矩作为相图判断的阈值，非黑即白的缺点；利用机理模型确定检测频率，采用领域自适应模型，实现了变工况、变载荷条件下的差分振子识别，是一种智能识别技术，更加适合于现代现场应用场景。
附图说明
图1为根据本发明优选实施方式的差分振子和领域自适应混合模型故障智能诊断流程图；
图2为根据本发明优选实施方式的差分振子相图数据样本集；
图3为根据本发明优选实施方式的差分振子变换后的输出结果；
图4为根据本发明优选实施方式的电子设备结构图。
具体实施方式
为了使本领域技术人员能够更好的理解本发明中的技术方案，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、完整的描述，很显然，所描述的实施例仅仅是本发明中的一部分实施例，而非本发明的全部实施例。
实施例一
如图1所示，一种基于差分振子和领域自适应混合模型的故障诊断方法，包括如下步骤：
S1，构建差分振子输出相图数据样本集，所述相图数据样本集包括源域和目标域，所述相图数据样本集中涵盖差分振子相图两类相图；
S2，建立领域自适应模型，并将所述相图数据样本集对所述领域自适应模型进行训练从而获得训练好的领域自适应模型，所述训练好的领域自适应模型用于识别实际工况下差分振子输出相图的状态，从而实现故障智能诊断；
S3，利用设备故障机理模型确定设备故障的特征；本实施例中的设备为煤机，其中煤机设备故障机理模型属于现有技术的部分，在此不再赘述；
S4，基于所述设备故障的特征设置差分振子的参数，所述参数包括所述差分振子的检测特征；基于差分振子的参数建立差分振子模型，所述差分振子模型用于根据设备故障机理模型的特征，构建一个或者多个差分振子，所述差分振子形成差分振子变换序列，对所述设备可能存在的故障特征进行逐一检测；
S5，基于领域自适应模型和所述差分振子模型进行故障诊断。
作为优选的实施方式，所述S1中差分振子相图两类相图包括极环状态相图和极点状态相图，其中极环状态和极点状态均包括多种不同的形态；所述极环状态相图表示包含故障特征，所述极点状态相图表示不包含监测的故障信息。
作为优选的实施方式，所述S2中领域自适应模型基于最大均值差异原则建立。
作为优选的实施方式，所述S3中设备故障的特征包括轴承故障特征、齿轮故障特征和/或裂纹故障特征。
作为优选的实施方式，所述S4中差分振子模型是指根据故障机理模型的特征，构建一个或者多个差分振子，形成差分振子变换序列对煤机设备可能存在的故障特征进行逐一检测。
作为优选的实施方式，所述S5包括：
S51，利用滤波技术对采集到的振动信号进行预处理；滤波技术进行滤波目的在于提高信号的信噪比，进而降低差分振子变换后的相图的噪声干扰；
S52，将预处理之后的振动信号输入差分振子模型；
S53，将所述差分振子模型输出的结果作为输入量，输入到领域自适应模型中进行故障分类和识别。
作为优选的实施方式，所述S51的所述滤波技术为自相关滤波或自适应粒子群滤波。
在煤机具体的应用场景下，本实施例提出的基于差分振子和领域自适应混合模型的故障智能诊断方法，包括如下步骤：
步骤1，利用现场实测数据建立差分振子相图数据集。从现场获取大量的数据样本，设置差分振子的检测频率，将数据样本输入到差分振子中，得到差分振子相图。得到的差分振子相图主要包括两类：一类是极环状态，说明信号中存在检测的故障特征。一类是极点状态，说明信号中不存在检测的故障特征。由于煤机设备现场特殊工况环境及煤机设备的运行特征决定了差分振子相图输出并不是标准形态，如图2所示。这里建立了包含带有标签的源域和无标签目标域的数据集。
步骤2，采用最大均值差异原则，建立领域自适应模型，并进行模型训练获得后续可以用于故障智能诊断的领域自适应模型，诊断过程是将实时获得的差分振子相图输入到前馈网络特征提取模块中，进行特征提取；之后，进入分类器对特征提取的结果进行分类，这里有且仅有两类，即极点状态和极环状态。
步骤3，这里采用的实例是矿主井的主运胶带输送机的电机故障智能诊断实例。根据故障机理模型，该电机具有不对中故障、地脚螺栓松动故障、转子支撑轴承故障、转子碰磨故障等4种故障的特征。
步骤4，针对以上4种故障特征，分别建立差分振子模型，设置差分振子模型参数，检测相应的故障特征。
设待检测的信号为T(k),以差分振子为基础的检测器如下:
xk+1＝axk+byk
yk+1＝cxk+dyk+p·cos(2kπfe+2kπfd/fs)·T(k)
其中:p是放大倍数，fe是系统激励频率，fd是检测故障特征，fs是采样频率。
差分振子的输入如图3所示，由差分振子检测器可知，差分振子输出有两项组成，将这两项输出分别作为x轴和y轴坐标，则构建了差分振子输出相图。
步骤5，将采集到的该电机的振动信号输入分别输入差分振子模型中。将得到的差分振子相图，输入到训练好的领域自适应模型中，实现煤机设备状态的智能识别。
主运胶带输送机电机故障智能诊断结果
经过智能识别，可以判断出该电机存在不对中故障征兆，即该电机存在不对中故障。经检验，电机输出轴与相连接设备的输入轴同轴度误差严重超标，造成不对中故障，检验结果与现场实际相符。
实施例二
一种基于差分振子和领域自适应混合模型的故障诊断系统，包括：
数据样本集构建模块，用于构建差分振子输出相图数据样本集，所述相图数据样本集包括源域和目标域，所述相图数据样本集中涵盖差分振子相图两类相图；
领域自适应建立模块，用于建立领域自适应模型，并将所述相图数据样本集对所述领域自适应模型进行训练从而获得训练好的领域自适应模型，所述训练好的领域自适应模型用于识别实际工况下差分振子输出相图的状态，从而实现故障智能诊断；
设备故障特征确定模块，用于利用设备故障机理模型确定设备故障的特征；本实施例中的设备为煤机，其中煤机设备故障机理模型属于现有技术的部分，在此不再赘述；
差分振子参数设置模块，用于基于所述设备故障的特征设置差分振子的参数，所述参数包括所述差分振子的检测特征；基于差分振子的参数建立差分振子模型，所述差分振子模型用于根据设备故障机理模型的特征，构建一个或者多个差分振子，所述差分振子形成差分振子变换序列，对所述设备可能存在的故障特征进行逐一检测；
故障诊断模块，用于基于领域自适应模型和所述差分振子模型进行故障诊断。
本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的方法。
如图4所示，本发明还提供了一种电子设备，包括处理器301和与所述处理器301连接的存储器302，所述存储器302存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。
以上所述是本发明实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进、润饰也应视为本申请的保护范围。
Claims (4)
1.一种基于差分振子和领域自适应混合模型的故障诊断方法，其特征在于，包括如下步骤：
S1，构建差分振子输出相图数据样本集，所述相图数据样本集包括源域和目标域，所述相图数据样本集中涵盖差分振子相图两类相图；
S2，建立领域自适应模型，并基于所述相图数据样本集对所述领域自适应模型进行训练从而获得训练好的领域自适应模型，所述训练好的领域自适应模型用于识别实际工况下差分振子输出相图的状态，从而实现故障智能诊断；
S3，利用设备故障机理模型确定设备故障特征；
S4，基于所述设备故障特征设置差分振子的参数，所述参数包括所述差分振子的检测特征；基于差分振子的参数建立差分振子模型，所述差分振子模型用于根据设备故障机理模型的特征构建一个或者多个差分振子，所述差分振子用于形成差分振子变换序列，从而对所述设备可能存在的故障特征进行逐一检测；
S5，基于领域自适应模型和所述差分振子模型进行故障诊断；
所述S1中差分振子相图两类相图包括极环状态相图和极点状态相图，其中极环状态和极点状态均包括多种不同的形态；所述极环状态相图表示包含故障特征，所述极点状态相图表示不包含监测的故障信息；
所述S2中领域自适应模型基于最大均值差异原则建立；
所述S3中设备故障的特征包括轴承故障特征、齿轮故障特征和/或裂纹故障特征；
所述S4中，设待检测的信号为T(k),以差分振子为基础的检测器如下:
xk+1＝axk+byk
yk+1＝cxk+dyk+p·cos(2kπfe+2kπfd/fs)·T(k)
其中:p是放大倍数，fe是系统激励频率，fd是检测故障特征，fs是采样频率；差分振子输出有两项组成，将这两项输出分别作为x轴和y轴坐标，则构建了差分振子输出相图；
所述S5包括：
S51，利用滤波技术对采集到的振动信号进行预处理；所述滤波技术为自相关滤波或自适应粒子群滤波，用于提高信号的信噪比，进而降低差分振子变换后的相图的噪声干扰；
S52，将预处理之后的振动信号输入所述差分振子模型；
S53，将所述差分振子模型输出的结果作为输入量，输入到领域自适应模型中进行故障分类和识别。
2.一种基于差分振子和领域自适应混合模型的故障诊断系统，用于实现权利要求1所述的方法，其特征在于，包括：
数据样本集构建模块，用于构建差分振子输出相图数据样本集，所述相图数据样本集包括源域和目标域，所述相图数据样本集中涵盖差分振子相图两类相图；
领域自适应建立模块，用于建立领域自适应模型，并将所述相图数据样本集对所述领域自适应模型进行训练从而获得训练好的领域自适应模型，所述训练好的领域自适应模型用于识别实际工况下差分振子输出相图的状态，从而实现故障智能诊断；
设备故障特征确定模块，用于利用设备故障机理模型确定设备故障的特征；
差分振子参数设置模块，用于基于所述设备故障的特征设置差分振子的参数，所述参数包括所述差分振子的检测特征；基于差分振子的参数建立差分振子模型，所述差分振子模型用于根据设备故障机理模型的特征，构建一个或者多个差分振子，所述差分振子形成差分振子变换序列，对所述设备可能存在的故障特征进行逐一检测；
故障诊断模块，用于基于领域自适应模型和所述差分振子模型进行故障诊断。
3.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211406975.5A CN115935250B (zh) | 2022-11-10 | 2022-11-10 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211406975.5A CN115935250B (zh) | 2022-11-10 | 2022-11-10 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115935250A CN115935250A (zh) | 2023-04-07 |
| CN115935250B true CN115935250B (zh) | 2023-10-27 |
Family
ID=86552976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211406975.5A Active CN115935250B (zh) | 2022-11-10 | 2022-11-10 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115935250B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972989B (zh) * | 2023-12-28 | 2024-07-26 | 天地(常州)自动化股份有限公司北京分公司 | 一种煤机设备的寿命预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102059255A (zh) * | 2010-11-23 | 2011-05-18 | 首钢总公司 | 一种高线轧机早期故障微弱特征提取的方法 |
| CN112633339A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 |
| CN114429150A (zh) * | 2021-12-30 | 2022-05-03 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| CN115096626A (zh) * | 2022-06-13 | 2022-09-23 | 煤炭科学研究总院有限公司 | 煤机设备故障频率的检测方法、装置、电子设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651937B (zh) * | 2020-06-03 | 2023-07-25 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
-
2022
- 2022-11-10 CN CN202211406975.5A patent/CN115935250B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102059255A (zh) * | 2010-11-23 | 2011-05-18 | 首钢总公司 | 一种高线轧机早期故障微弱特征提取的方法 |
| CN112633339A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 |
| CN114429150A (zh) * | 2021-12-30 | 2022-05-03 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| CN115096626A (zh) * | 2022-06-13 | 2022-09-23 | 煤炭科学研究总院有限公司 | 煤机设备故障频率的检测方法、装置、电子设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于差分振子的带式输送机故障诊断方法;马海龙;李臻;朱益军;陈思安;;工矿自动化(第10期);全文 * |
| 基于相关差分振子阵列的煤矿电机故障诊断研究;李静雅;魏红;;太原科技大学学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115935250A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102621150B (zh) | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 | |
| CN110108431B (zh) | 一种基于机器学习分类算法的机械设备故障诊断方法 | |
| CN103398769A (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
| CN115935250B (zh) | 基于差分振子和领域自适应混合模型故障诊断方法及系统 | |
| CN103496625B (zh) | 基于振动分析的多绳摩擦提升机载荷识别方法 | |
| CN103163215A (zh) | 大型矿用振动筛疲劳裂纹的脉冲涡流检测方法及装置 | |
| CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
| Shubita et al. | Fault detection in rotating machinery based on sound signal using edge machine learning | |
| CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| Xin et al. | Intelligent fault diagnosis method for rotating machinery based on vibration signal analysis and hybrid multi‐object deep CNN | |
| Soleimani-Babakamali et al. | Zero-shot transfer learning for structural health monitoring using generative adversarial networks and spectral mapping | |
| CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
| Lahdelma et al. | Vibration analysis of cavitation in Kaplan water turbines | |
| Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| Lopez-Gutierrez et al. | Induction machine bearing fault detection using empirical wavelet transform | |
| CN118534191A (zh) | 新能源电网下光伏电站谐波分析与监控系统 | |
| CN113067805B (zh) | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 | |
| CN116206169A (zh) | 一种智能煤矸石目标检测方法 | |
| CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 | |
| CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及系统 | |
| Li et al. | A signal based “W” structural elements for multi-scale mathematical morphology analysis and application to fault diagnosis of rolling bearings of wind turbines | |
| CN107239704A (zh) | 恶意网页发现方法及装置 | |
| Niu et al. | A deep residual convolutional neural network based bearing fault diagnosis with multi-sensor data |
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 |