CN116662872A - 汽车面板精整线轴承类机械故障诊断方法 - Google Patents
汽车面板精整线轴承类机械故障诊断方法 Download PDFInfo
- Publication number
- CN116662872A CN116662872A CN202310370065.4A CN202310370065A CN116662872A CN 116662872 A CN116662872 A CN 116662872A CN 202310370065 A CN202310370065 A CN 202310370065A CN 116662872 A CN116662872 A CN 116662872A
- Authority
- CN
- China
- Prior art keywords
- sample
- envelope
- formula
- component
- finishing line
- 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 58
- 238000003745 diagnosis Methods 0.000 title abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0495—Quantised networks; Sparse networks; Compressed networks
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Physiology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种汽车面板精整线轴承类机械故障诊断方法,具体步骤如下:步骤1、采集样本集并进行预处理;步骤2、确定待测样本的子模态分量,筛选最佳分量;步骤3、计算最佳分量的包络谱;步骤4、确定训练集和测试集;步骤5、建立PSO‑SAE分类模型;步骤6、训练模型;步骤7、将测试集输入到训练好的模型中进行特征提取并输出识别结果。本发明的诊断方法,采用变分模态分解结合自适应稀疏编码器的方式对数据样本进行初步分解与特征提取,在满足模型较优的特征学习能力的前提下极大地增强了模型的适应性,能有效提升故障诊断系统对于各类样本的识别能力,极大程度上减小了轴承类机械设备故障对于实际生产生活带来的损失。
Description
技术领域
本发明属于机械故障检测技术领域,具体涉基于一种汽车面板精整线轴承类机械故障诊断方法。
背景技术
汽车面板精整线轴承类机械数量多且结构复杂,在长时间使用过程中可能发生故障,不仅会影响工程进度,还会造成巨大的经济损失,更严重的是会导致人员伤亡。因此,及时准确地判断出设备是否发生故障尤为重要。
目前广泛应用的故障诊断方法为模态分解法和自编码网络诊断法,模态分解法是Dragomiretskiy于2018年提出的一种新型的时频分析方法,将一个实值分析信号分解为有限个有意义的模式分量。其本质是多个维纳滤波器组,因此表现出良好的噪声鲁棒性,但是精整线轴承类机械数量繁多、工艺复杂,且受背景噪声和算法自身缺陷限制,直接对复杂工况下的原信号进行特征提取难以达到理想效果,因此有必要对振动信号进行处理。自编码网络诊断法具有较优的特征提取能力,在故障诊断领域表现良好,但不足之处在于,自编码器不能自适应选择最优的网络结构,导致网络性能不佳,从而表现出较差的分类性能,若故障数据未被及时发现,将给实际的生产带来巨大损失。
为解决上述技术问题,本申请提出了一种新的汽车面板精整线轴承类机械故障诊断方法。
发明内容
本发明的目的是提供汽车面板精整线轴承类机械故障诊断方法,解决了现有技术中对于轴承类机械故障数据识别准确性不高的问题。
本发明所采用的技术方案是,一种汽车面板精整线轴承类机械故障诊断方法,具体按照以下步骤实施:
步骤1、采集机械设备数据样本集并对样本集中的待测样本分别进行预处理,确定样本集中待测样本的类别数以及样本维度;
步骤2、对预处理后的待测样本进行模态分解,确定待测样本的子模态分量,筛选包络熵最小值所对应的子模态分量作为最佳分量;
步骤3、计算最佳分量的包络谱;
步骤4、重复步骤2和步骤3依次处理样本集中所有待测样本,得到全部待测样本的包络谱集,将待测样本的包络谱集按照比例分为训练集和测试集;
步骤5、建立PSO-SAE分类模型;
步骤6、将训练集代入PSO-SAE分类模型中训练,得到训练好的模型;
步骤7、将测试集输入到训练好的模型中进行特征提取并输出识别结果。
本发明的特点还在于,
步骤1中样本集的预处理过程如下:分别将样本集中的各待测样本处理成网络能够识别的输入信号,确定各待测样本的类别数以及样本维度,得到机械设备数据定长样本集{(x(1),y(1)),...(x(i),y(i))...,(x(n),y(n))},其中,n为样本长度,x(i)为第i个样本,y(i)∈{1,2,...,a}为第i个样本的标签,a为定长样本集中待识别类的样本个数。
模态分解的具体过程如下:
步骤2.1、利用VMD对预处理后的待测样本进行处理,得到该待测样本的子模态分量;
步骤2.2、利用包络熵确定VMD的分解层数,确定包络熵最小值时对应的VMD分解层数,确定子模态分量。
步骤2.1的具体步骤如下:
步骤2.1.1、构造变分问题
定义任一待测样本为x(i)(t),则变分问题如下:
式(1)中,t为时间序列,uk(t)是经模态分解后的子模态分量,k为模态序数,为时间的偏微分函数,δ(t)为单位冲激函数,j为虚数单位,wk为各模态的中心频率,通过加入指数项/>将模态的频谱移到相应的基频带上;
步骤2.1.2、求解变分问题
将式(1)的约束变分问题转化为无约束变分问题,得到的增广拉格朗日表达式为:
式(2)中,α代表惩罚因子,λ(t)代表拉格朗日乘子;
步骤2.1.3、通过频域迭代方法搜寻增广拉格朗日表达式的最优解
模式分量和中心频率根据交替方向乘子法不断更新,其中,模式分量的更新公式为:
式(3)中,x(w)为xi(t)的傅里叶变换;为uk(t)在傅里叶域第n次的迭代值;为wk第n次的迭代值,w为频率参数,λn为λ第n次的迭代值,λ为频率参数;
相应的中心频率更新公式为:
基于更新得到的模式和相应的中心频率,对拉格朗日乘子进行更新:
式(5)中,λn(w)为λ(t)在傅里叶域第n次的迭代值;τ为拉格朗日乘子项的步长,在不需要严格重构或强背景噪声下该值设置为0以获得更好的去噪效果;
上述更新过程的迭代终止条件如公式(6)所示:
式(6)中,ε为收敛精度,若满足该终止条件,则循环终止,输出子模态分量uk(t)(k=1,2,...K);否则,重复步骤2.1直至满足循环终止条件。
步骤2.2的具体步骤如下:
基于人工经验,对分解层数在[2,12]的范围内,计算VMD分解后子模态分量的包络熵,表达式为:
式中,Ep为包络熵,a(j)表示为信号x(j)(j=1,2,...,m)通过希尔伯特解调后所得的包络信号序列;pj是a(j)的归一化形式,H[x(j)]表示信号x(j)的希尔伯特变换;
确定包络熵最小值时对应的VMD分解层数,并筛选包络熵最小值所对应的IMF分量作为最佳分量,以用作后续处理。
最佳分量的包络谱的计算过程如下:
S=F{a(t)} (10)
式中,a(t)的计算方法由公式(11)得到,F{a(t)}表示对包络信号a(t)的快速傅里叶变换,S表示包络信号a(t)的包络谱。
步骤4中得到的训练集和测试集的比例为7:3。
步骤5中的PSO-SAE分类模型采用粒子群算法优化稀疏自编码器分类模型。
本发明的有益效果是:本发明的轴承类机械设备故障诊断方法,采用变分模态分解结合自适应稀疏编码器的方式对数据样本进行初步分解与特征提取,在满足模型较优的特征学习能力的前提下极大地增强了模型的适应性,能有效提升故障诊断系统对于各类样本的识别能力,极大程度上减小了轴承类机械设备故障对于实际生产生活带来的损失。
具体的优势如下:1)具有较强的自适性,能对稀疏自编码器的网络结构进行优化,使得最终分类精度达到最优。2)实用性强,针对轴承类机械故障识别问题具有较优的识别精度,且实现过程简单。3)具有较强的普适应,不仅在轴承类机械故障诊断方面,还可适用于其他模式识别问题,依然能够取得较为理想的识别性能。
附图说明
图1是本方法的总体流程图;
图2是本方法中自适应稀疏编码器的流程图;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
汽车面板精整线轴承类机械故障诊断方法,流程如图1所示,具体按照以下步骤实施:
步骤1、采集机械设备数据样本集并对样本集中的待测样本分别进行预处理,确定样本集中待测样本的类别数以及样本维度;
具体预处理过程如下:分别将样本集中的各待测样本处理成网络能够识别的输入信号,确定各待测样本的类别数以及样本维度,得到机械设备数据定长样本集{(x(1),y(1)),...(x(i),y(i))...,(x(n),y(n))},其中,n为样本长度,x(i)为第i个样本,y(i)∈{1,2,...,a}为第i个样本的标签,a为定长样本集中待识别类的样本个数。
步骤2、对预处理后的待测样本进行模态分解,确定待测样本的子模态分量,筛选包络熵最小值所对应的子模态分量作为最佳分量;
具体过程如下:
步骤2.1、利用VMD对预处理后的待测样本进行处理,得到该待测样本的子模态分量;
步骤2.1.1、构造变分问题
定义任一待测样本为x(i)(t),则变分问题如下:
式(1)中,t为时间序列,uk(t)是经模态分解后的子模态分量,k为模态序数,为时间的偏微分函数,δ(t)为单位冲激函数,j为虚数单位,wk为各模态的中心频率,通过加入指数项/>将模态的频谱移到相应的基频带上;
步骤2.1.2、求解变分问题
变分问题的求解过程如下:
将式(1)的约束变分问题转化为无约束变分问题,得到的增广拉格朗日表达式为:
式(2)中,α代表惩罚因子,λ(t)代表拉格朗日乘子;
步骤2.1.3、通过频域迭代方法搜寻增广拉格朗日表达式的最优解
采用交替方向乘子法对wn+1、λn+1交替迭代更新,将变分问题的求解转换为寻找式(2)中的“鞍点”,其中,模式分量的更新公式为:
式(3)中,x(w)为xi(t)的傅里叶变换;为uk(t)在傅里叶域第n次的迭代值;为wk第n次的迭代值,w为频率参数,λn为λ第n次的迭代值,λ为频率参数;
相应的中心频率更新公式为:
基于更新得到的模式和相应的中心频率,对拉格朗日乘子进行更新:
式(5)中,λn(w)为λ(t)在傅里叶域第n次的迭代值;τ为拉格朗日乘子项的步长,在不需要严格重构或强背景噪声下该值设置为0以获得更好的去噪效果;
上述更新过程的迭代终止条件如公式(6)所示:
式(6)中,ε为收敛精度,若满足该终止条件,则循环终止,输出子模态分量uk(t)(k=1,2,...K);否则,重复步骤2.1直至满足循环终止条件。
步骤2.2、利用包络熵确定VMD的分解层数,确定包络熵最小值时对应的VMD分解层数,确定子模态分量。
基于人工经验,对分解层数在[2,12]的范围内,计算VMD分解后子模态分量的包络熵,表达式为:
式中,Ep为包络熵,a(j)表示为信号x(j)(j=1,2,...,m)通过希尔伯特解调后所得的包络信号序列;pj是a(j)的归一化形式,H[x(j)]表示信号x(j)的希尔伯特变换;
确定包络熵最小值时对应的VMD分解层数,并筛选包络熵最小值所对应的IMF分量作为最佳分量,以用作后续处理。
步骤3、计算最佳分量的包络谱;
具体计算过程如下:
S=F{a(t)} (10)
式中,a(t)的计算方法由公式(11)得到,F{a(t)}表示对包络信号a(t)的快速傅里叶变换,S表示包络信号a(t)的包络谱。
步骤4、重复步骤2和步骤3依次处理样本集中所有待测样本,得到全部待测样本的包络谱集,将待测样本的包络谱集按照7:3的比例分为训练集和测试集;
步骤5、建立PSO-SAE分类模型;
PSO-SAE分类模型采用粒子群算法优化稀疏自编码器分类模型,流程如图2所示。由于采集的状态特征信号中往往包含大量噪声和其它干扰成分,无法直接进行轴承类机械设备故障特征提取。因此利用变分模态分解对其进行处理,再从中筛选有效的故障分量进行后续分析。同时考虑到稀疏自编码网络结构复杂,模型结构选择费时费力,不能根据数据的不同分布特征自适应提取本质特征,不具有可适性和推广的能力,故引入粒子群算法对稀疏自编码器的网络结构进行优化,旨在提高模型的特征学习能力及可适性,尽可能将由于诊断失误带来的损失降到最低。
粒子群算法优化稀疏自编码器分类模型的具体建立过程如下:
步骤5.1、初始化
设置种群的规模NP和最大迭代次数IMAX;
步骤5.2、产生可行的决策变量
考虑到网络参数对模型性能的影响,分别取稀疏自编码器的隐藏层数、L2正则化参数和稀疏正则化参数为决策变量,则种群中第i个个体Pi可表示为:
Pi=[Hi,Li,Si] (11)
其中,种群规模为NP,即随机的产生NP个个体,Hi,Li,Si分别表示第i个个体的隐藏层数、L2正则化参数和稀疏惩罚项;
对于某一个决策变量可初始化为:
其中,和/>分别表示第i个个体的最大值与最小值;
步骤5.3、初始化个体最优和全局最优
计算每个粒子的适应度函数,设置故障识别的准确率为适应度函数对个体的优劣进行评价;
准确率的公式表示如下:
其中,Num为待识别的机械健康状态样本总数,b为分类正确的待识别的机械健康状态样本;根据适应度值初始化粒子的个体最佳适应度值和全局最优适应度值;
步骤5.4、更新粒子速度和位置
分别按以下公式更新粒子的速度和位置:
式中,c1、c2表示值学习因子,r1,r2表示介于[0,1]之间的随机值,和/>分别表示第i个粒子第d个决策变量的当前位置和速度;
步骤5.5、更新个体最佳适应度值和全局最优适应度值
每次迭代更新,将每个个体作为稀疏自编码网络的结构参数,并计算其对应的准确率,将所有个体进行比较,更新局部极值以及全局极值;
步骤5.6判断是否达到终止条件
若迭代次数I是否达到最大迭代次数IMAX,则进入步骤(5.7);否则,返回(5.3)重新进行个体评价,迭代次数I=I+1;
步骤5.7、输出最优个体
输出最优个体P,并将最优个体参数[H,L,S]作为网络模型的最优结构,代入后续的网络训练。
步骤6、将训练集代入PSO-SAE分类模型中训练,得到训练好的模型;
步骤7、将测试集输入到训练好的模型中进行特征提取并输出识别结果。
总之,本发明提出的轴承类机械设备故障诊断方法,采用变分模态分解结合自适应稀疏编码器的方式对数据样本进行初步分解与特征提取,在满足模型较优的特征学习能力的前提下极大地增强了模型的适应性,能有效提升故障诊断系统对于各类样本的识别能力,极大程度上减小了轴承类机械设备故障对于实际生产生活带来的损失。
Claims (8)
1.一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、采集机械设备数据样本集并对样本集中的待测样本分别进行预处理,确定样本集中待测样本的类别数以及样本维度;
步骤2、对预处理后的待测样本进行模态分解,确定待测样本的子模态分量,筛选包络熵最小值所对应的子模态分量作为最佳分量;
步骤3、计算最佳分量的包络谱;
步骤4、重复步骤2和步骤3依次处理样本集中所有待测样本,得到全部待测样本的包络谱集,将待测样本的包络谱集按照比例分为训练集和测试集;
步骤5、建立PSO-SAE分类模型;
步骤6、将训练集代入PSO-SAE分类模型中训练,得到训练好的模型;
步骤7、将测试集输入到训练好的模型中进行特征提取并输出识别结果。
2.根据权利要求1所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,步骤1中所述样本集的预处理过程如下:分别将样本集中的各待测样本处理成网络能够识别的输入信号,确定各待测样本的类别数以及样本维度,得到机械设备数据定长样本集{(x(1),y(1)),...(x(i),y(i))...,(x(n),y(n))},其中,n为样本长度,x(i)为第i个样本,y(i)∈{1,2,...,a}为第i个样本的标签,a为定长样本集中待识别类的样本个数。
3.根据权利要求1所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,所述模态分解的具体过程如下:
步骤2.1、利用VMD对预处理后的待测样本进行处理,得到该待测样本的子模态分量;
步骤2.2、利用包络熵确定VMD的分解层数,确定包络熵最小值时对应的VMD分解层数,确定子模态分量。
4.根据权利要求3所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,步骤2.1的具体步骤如下:
步骤2.1.1、构造变分问题
定义任一待测样本为x(i)(t),则变分问题如下:
式(1)中,t为时间序列,uk(t)是经模态分解后的子模态分量,k为模态序数,为时间的偏微分函数,δ(t)为单位冲激函数,j为虚数单位,wk为各模态的中心频率,通过加入指数项/>将模态的频谱移到相应的基频带上;
步骤2.1.2、求解变分问题
将式(1)的约束变分问题转化为无约束变分问题,得到的增广拉格朗日表达式为:
式(2)中,α代表惩罚因子,λ(t)代表拉格朗日乘子;
步骤2.1.3、通过频域迭代方法搜寻增广拉格朗日表达式的最优解
模式分量和中心频率根据交替方向乘子法不断更新,其中,模式分量的更新公式为:
式(3)中,x(w)为xi(t)的傅里叶变换;为uk(t)在傅里叶域第n次的迭代值;/>为wk第n次的迭代值,w为频率参数,λn为λ第n次的迭代值,λ为频率参数;
相应的中心频率更新公式为:
基于更新得到的模式和相应的中心频率,对拉格朗日乘子进行更新:
式(5)中,λn(w)为λ(t)在傅里叶域第n次的迭代值;τ为拉格朗日乘子项的步长,在不需要严格重构或强背景噪声下该值设置为0以获得更好的去噪效果;
上述更新过程的迭代终止条件如公式(6)所示:
式(6)中,ε为收敛精度,若满足该终止条件,则循环终止,输出子模态分量uk(t)(k=1,2,...K);否则,重复步骤2.1直至满足循环终止条件。
5.根据权利要求3所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,所述步骤2.2的具体步骤如下:
基于人工经验,对分解层数在[2,12]的范围内,计算VMD分解后子模态分量的包络熵,表达式为:
式中,Ep为包络熵,a(j)表示为信号x(j)(j=1,2,...,m)通过希尔伯特解调后所得的包络信号序列;pj是a(j)的归一化形式,H[x(j)]表示信号x(j)的希尔伯特变换;
确定包络熵最小值时对应的VMD分解层数,并筛选包络熵最小值所对应的IMF分量作为最佳分量,以用作后续处理。
6.根据权利要求1所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,所述最佳分量的包络谱的计算过程如下:
S=F{a(t)} (10)
式中,a(t)的计算方法由公式(11)得到,F{a(t)}表示对包络信号a(t)的快速傅里叶变换,S表示包络信号a(t)的包络谱。
7.根据权利要求1所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,所述步骤4中得到的训练集和测试集的比例为7:3。
8.根据权利要求1所述的一种汽车面板精整线轴承类机械故障诊断方法,其特征在于,所述步骤5中的PSO-SAE分类模型采用粒子群算法优化稀疏自编码器分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370065.4A CN116662872A (zh) | 2023-04-07 | 2023-04-07 | 汽车面板精整线轴承类机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370065.4A CN116662872A (zh) | 2023-04-07 | 2023-04-07 | 汽车面板精整线轴承类机械故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662872A true CN116662872A (zh) | 2023-08-29 |
Family
ID=87708640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310370065.4A Pending CN116662872A (zh) | 2023-04-07 | 2023-04-07 | 汽车面板精整线轴承类机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740381A (zh) * | 2024-01-22 | 2024-03-22 | 中国矿业大学 | 一种低速重载工况下的轴承故障诊断方法 |
-
2023
- 2023-04-07 CN CN202310370065.4A patent/CN116662872A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740381A (zh) * | 2024-01-22 | 2024-03-22 | 中国矿业大学 | 一种低速重载工况下的轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
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 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
CN111238814A (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN111126471A (zh) | 微地震事件检测方法及系统 | |
CN108710777B (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN114266339A (zh) | 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN114091539A (zh) | 一种多模态深度学习的滚动轴承故障诊断方法 | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
CN115015719A (zh) | 一种基于光纤超声传感信号的套管局部放电识别算法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
CN114676733A (zh) | 一种基于稀疏自编码辅助分类生成式对抗网络的复杂供输机构故障诊断方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
CN117056865A (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 |
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 |