CN116698416B - 一种用于早期故障检测的低秩特征多通道同步提取方法 - Google Patents
一种用于早期故障检测的低秩特征多通道同步提取方法 Download PDFInfo
- Publication number
- CN116698416B CN116698416B CN202310672084.2A CN202310672084A CN116698416B CN 116698416 B CN116698416 B CN 116698416B CN 202310672084 A CN202310672084 A CN 202310672084A CN 116698416 B CN116698416 B CN 116698416B
- Authority
- CN
- China
- Prior art keywords
- tensor
- fault
- low
- multichannel
- parameters
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000005096 rolling process Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种用于早期故障检测的低秩特征多通道同步提取方法,包括:S1、采集旋转机械设备故障周围的多个通道的振动信号;S2、通过相空间重构的方法得到故障振动信号的高阶张量表征,得到原始张量;S3、通过以稀疏性度量TGISES为指标的参数优化方法确定参数τ和λ;S4、将优化后的参数代入自适应非凸TRPCA中,获得低秩特征张量和稀疏噪声张量;S5、通过逆相空间重构,将获得的低秩特征张量重构为多通道故障信号;S6、基于包络谱分析对重构的多通道故障信号进行故障诊断。根据本发明,能够消除强背景噪声干扰,实现微弱故障极早性同步提取,同时保持微弱故障特征能量,为机械设备中的旋转机构多通道信号中极早期的微弱故障特征提取与诊断提供有利依据。
Description
技术领域
本发明涉及机械故障诊断的技术领域,特别涉及一种用于早期故障检测的低秩特征多通道同步提取方法。
背景技术
轴承、齿轮等作为机械设备中传递力和扭矩的关键部件,极易发生局部故障。任何微小的故障都可能给整个机械系统的可靠性带来巨大的风险。因此,“非常早期”的故障检测对于高端机械设备的安全运行至关重要。
早期故障信号特征极其微弱,通常受到恶劣工作环境的干扰和相邻部件的耦合效应的影响。因此,如何有效地消除强背景噪声的干扰,同时保持弱故障特征的能量,一直是机械故障诊断领域的一个具有挑战性的课题。
随着工业4.0时代多通道/多传感器的普及,包含更丰富设备状态信息的多通道信号在弱故障特征提取和早期故障检测方面显示出更大的潜力。与上述方法相关的专利及文献有:(1)发明专利CN202211605212公开了一种水电机组多通道故障诊断方法,该发明利用CMBE分别提取水电机组不同传感器信号的故障特征,并将故障特征进行融合构成一个全面反映故障特性的特征向量,然后将特征向量输入随机森林模型,实现机组不同类型故障的精确识别;(2)发明专利CN202210200997提出一种基于多通道振动特征的轴承故障诊断方法,该发明对采集到的原始信号进行时频变换得到多通道频谱信号,以获得故障特征模型来进行故障诊断;(3)吴军等使用深度长短期记忆神经网络融合多传感器监测信号,进行准确的剩余使用寿命预测。
然而,传统的高维数据处理方法通常是将高维数据转换为矩阵或向量形式,容易破坏多通道数据的内部关联特性,导致数据丢失或信息遗漏。
如发明专利CN202211535812所提方法虽与本发明中的基础理论相类似,但其方法无法对多通道信号进行同步提取早期微弱故障特征。而葛茂等所提方法,在使用TRPCA时对参数的选择上采用人工经验取值,耗时耗力,缺乏效率,难以实现机械设备滚动轴承早期故障诊断的实时性。
技术术语解释:张量平方包络谱基尼系数Tensor GI of Square EnvelopeSpectrum,TGISES
张量鲁棒主成分分析Tensor Robust Principal Component Analysis,TRPCA
发明内容
针对现有技术中存在的不足之处,本发明的目的是提供一种用于早期故障检测的低秩特征多通道同步提取方法,能够消除强背景噪声干扰,实现微弱故障极早性同步提取,同时保持微弱故障特征能量,为机械设备中的旋转机构多通道信号中极早期的微弱故障特征提取与诊断提供有利依据。为了实现根据本发明的上述目的和其他优点,提供了一种用于早期故障检测的低秩特征多通道同步提取方法,包括:
S1、采集旋转机械设备故障周围的多个通道的振动信号;
S2、通过相空间重构的方法得到故障振动信号的高阶张量表征,得到原始张量
S3、通过以稀疏性度量TGISES为指标的参数优化方法确定参数τ和λ;
S4、将优化后的参数代入自适应非凸TRPCA中,获得低秩特征张量和稀疏噪声张量;
S5、通过逆相空间重构,将获得的低秩特征张量重构为多通道故障信号;
S6、基于包络谱分析对重构的多通道故障信号进行故障诊断。
优选的,步骤S2中相空间重构的公式如下:
其中N表示信号总长度,L表示轨迹矩阵的基本窗口长度,O为窗口重叠长度,m为嵌入维数,d为第几通道,其满足:N=L+(L-O)×(m-1),基本窗口长度设定为L=fs/fc+O,其中fs为采样频率,fc为故障频率,那么时间延迟τ=L–O=fs/fc。
优选的,步骤S4中通过求解联合优化问题,获得低秩特征张量和稀疏噪声张量,联合优化问题如下式:
其中为自适应非凸阈值函数,i表示张量/>在傅里叶域的第i个正向切片,j表示张量/>在傅里叶域第i个正向切片的第j个奇异值。
优选的,联合优化问题可以构建增广拉格朗日函数:
其中μ是惩罚系数,为拉格朗日乘子,该式可通过ADMM算法更新迭代求解,最终输出获得低秩特征张量/>和稀疏噪声张量。
优选的,步骤S3还包括以下步骤:
S31、确定边界参数,按照公式取参数λ(N),N=1时λ上边界参数取常用推荐值/>当N=nmax时λ取最小值λmin,根据λ=λmax确定τ上边界τmax;
S32、确定N∈[1,nmax]的分辨率ΔN和边界参数τ的分辨率Δτ;
S33、使用变步长网格搜索法对正则化参数λ和阈值函数中的参数τ进行寻优;
S34、挑选出遍历组合下TGISES(i,j)最大时对应的参数τ和λ。
本发明与现有技术相比,其有益效果是:构造了一个灵活的自适应非凸阈值函数,用于基于TRPCA的低秩特征提取。与此阈值功能相结合,TRPCA可以获得更好的性能。提出了一种面向稀疏性度量的参数优化方法,以实现从多通道振动信号中更有效地提取早期故障特征。将TGISES与变步长网格搜索方法相结合,实现了自适应非凸阈值函数的参数优化。基于自适应非凸TRPCA和TGISES的早期故障检测方法,实现强背景噪声下早期微弱故障特征的多通道同步提取。
附图说明
图1为根据本发明的用于早期故障检测的低秩特征多通道同步提取方法的流程图;
图2为根据本发明的用于早期故障检测的低秩特征多通道同步提取方法的实施例中的所采集的机械设备滚动轴承多通道振动信号的包络谱图;
图3为根据本发明的用于早期故障检测的低秩特征多通道同步提取方法的对实施例中所采集的机械设备滚动轴承多通道振动信号进行分析的结果图;
图4为根据本发明的用于早期故障检测的低秩特征多通道同步提取方法的采用TRPCA方法对实施例中所采集的机械设备滚动轴承多通道振动信号进行分析的结果图;
图5为根据本发明的用于早期故障检测的低秩特征多通道同步提取方法的多元经验模态分解方法对实施例中所采集的机械设备滚动轴承多通道振动信号进行分析的结果图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-5,一种用于早期故障检测的低秩特征多通道同步提取方法,包括:步骤S1,采集旋转机械设备故障周围的多个通道的振动信号
图2是本发明的实施例中的所采集的机械设备滚动轴承多通道振动信号的包络谱图。如图2所示,可知结合包络谱图,无法为轴承故障诊断提供可靠依据。因此,本发明采用基于自适应非凸TRPCA和TGISES的方法分析信号。基于自适应非凸TRPCA和TGISES的多通道同步提取故障特征的方法具体从步骤S2开始。
步骤S2,采用相空间重构的方法实现故障振动信号的高阶张量表征,得到原始张量相空间重构的公式如下:
其中N表示信号总长度,L表示轨迹矩阵的基本窗口长度,O为窗口重叠长度,m为嵌入维数,d为第几通道。它们之间满足:N=L+(L-O)×(m-1),基本窗口长度设定为L=fs/fc+O,其中fs为采样频率,fc为故障频率,那么时间延迟τ=L–O=fs/fc。
步骤S3,通过以稀疏性度量TGISES为指标的参数优化方法确定参数τ和λ。
步骤S3的具体实施步骤如下:
步骤S31,确定好边界参数,按照公式取参数λ(N),N=1时λ上边界参数取常用推荐值/>当N=nmax时λ取最小值λmin。然后根据λ=λmax确定τ上边界τmax,当λ=λmni时取无法实现降噪的下边界参数τmin,其中N∈[1,nmax],λ为正则化参数,τ为自适应阈值函数中的参数;
步骤S32,确定N∈[1,nmax]的分辨率ΔN和边界参数τ的分辨率Δτ;
步骤S33,使用变步长网格搜索法对正则化参数λ和阈值函数中的参数τ进行寻优。令i=1:I,j=1:J,此时对应的τ(j)=τmin+Δτ×(j-1),根据此时的λ(i)与τ(j)计算TGISES(i,j),其中TGISES定义为多通道信号的平均平方包络谱基尼系数,公式如下:
步骤S34,挑选出遍历组合下TGISES(i,j)最大时对应的参数τ和λ。
步骤S4,将优化后的参数代入自适应非凸TRPCA中。通过求解联合优化问题,获得低秩特征张量和稀疏噪声张量。联合优化问题如下式:
其中为自适应非凸阈值函数,i表示张量/>在傅里叶域的第i个正向切片,j表示张量/>在傅里叶域第i个正向切片的第j个奇异值。上述联合优化问题可以构建增广拉格朗日函数:
其中μ是惩罚系数,为拉格朗日乘子。该式可通过ADMM算法更新迭代求解,最终输出获得低秩特征张量/>和稀疏噪声张量;
步骤S5,通过逆相空间重构,将获得的低秩特征张量重构为多通道故障信号;
步骤S6,基于包络谱分析对重构的多通道故障信号进行故障诊断。与频谱分析相比,包络频谱分析消除了不必要的频率干扰,更能突出故障特征频率。基于包络谱分析可以更容易地确定滚动轴承的故障类型。
图3是采用本发明中方法对实施例中所采集的机械设备滚动轴承多通道振动信号进行分析的结果图。从图3中可以看出,三个通道均可以观察到明显的机械设备滚动轴承内圈故障特征频率及其倍频,并且设备自身的转频以及二倍转频在降噪后也可以清晰地观察到。该结果表明本文方法能有效地同步提取机械设备滚动轴承多通道信号早期微弱故障特征。
图4是采用TRPCA方法对实施例中所采集的机械设备滚动轴承多通道振动信号进行分析的结果图。从图4中可以看出,在所有三个通道中都可以检测到轴承的转频及其倍频,在通道1中出现明显的内圈故障特征频率。然而,其余两个通道中无法观察到,故障特征频率可能被淹没在干扰信号之下。因此,TRPCA对多通道信号的同步降噪具有一定的作用。
图5是采用方法对实施例中所采集的机械设备滚动轴承多通道振动信号进行分析的结果图。从图5中我们可知,在通道2的第3个分量中可以观察到旋转频率,在通道3的第1个分量中可以观察到轴承内圈故障特征频率,但故障频率附近的干扰频率极高。因此,对于多元经验模态分解方法,它可以实现一定程度的多通道降噪,但对于强背景噪声下的早期故障信号提取不是很有效。
对比图3,图4和图5,我们显然可得本发明所提出的一种用于早期故障检测的多通道同步提取低秩故障特征的方法相较于其他方法可以更为有效地提取机械设备滚动轴承早期的微弱故障特征,为机械设备中的轴承故障诊断提供可靠依据。
这里说明的设备数量和处理规模是用来简化本发明的说明的,对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (2)
1.一种用于早期故障检测的低秩特征多通道同步提取方法,其特征在于,包括以下步骤:
S1、采集旋转机械设备故障周围的多个通道的振动信号;
S2、通过相空间重构的方法得到故障振动信号的高阶张量表征,得到原始张量;
S3、通过以稀疏性度量张量平方包络谱基尼系数(为指标的参数优化方法确定参数和;步骤S3中张量平方包络谱基尼系数定义为多通道信号/>的平均平方包络谱基尼系数,公式如下:/>;
步骤S3还包括以下步骤:
S31、确定边界参数,按照公式取参数/>,N=1时上边界参数取/>,当N=n max时/>取最小值/>,根据/>确定/>上边界/>;
S32、确定N [1, n max]的分辨率/>和边界参数/>的分辨率/>;
S33、使用变步长网格搜索法对正则化参数和阈值函数中的参数/>进行寻优;
S34、挑选出遍历组合下TGISES最大时对应的参数/>和/>;
S4、将优化后的参数代入自适应非凸张量鲁棒主成分分析中,获得低秩特征张量和稀疏噪声张量/>;步骤S4中通过求解联合优化问题,获得低秩特征张量/>和稀疏噪声张量,联合优化问题如下式:
;
其中为自适应非凸阈值函数,i表示张量/>在傅里叶域的第i个正向切片,j表示张量/>在傅里叶域第i个正向切片的第j个奇异值,/>为自适应阈值函数中的边界参数
S5、通过逆相空间重构,将获得的低秩特征张量重构为多通道故障信号;联合优化问题可以构建增广拉格朗日函数:
;
其中是惩罚系数,/>为拉格朗日乘子,该式可通过ADMM算法更新迭代求解,最终输出获得低秩特征张量/>和稀疏噪声张量/>;
S6、基于包络谱分析对重构的多通道故障信号进行故障诊断。
2.如权利要求1所述的一种用于早期故障检测的低秩特征多通道同步提取方法,其特征在于,步骤S2中相空间重构的公式如下:
;
其中N表示信号总长度,L表示轨迹矩阵的基本窗口长度,O为窗口重叠长度,m为嵌入维数,d为第几通道,其满足:,基本窗口长度设定为L = fs/fc +O,其中fs为采样频率,fc为故障频率,那么时间延迟τ = L – O = fs/fc,x为振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672084.2A CN116698416B (zh) | 2023-06-08 | 2023-06-08 | 一种用于早期故障检测的低秩特征多通道同步提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310672084.2A CN116698416B (zh) | 2023-06-08 | 2023-06-08 | 一种用于早期故障检测的低秩特征多通道同步提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116698416A CN116698416A (zh) | 2023-09-05 |
CN116698416B true CN116698416B (zh) | 2024-04-02 |
Family
ID=87832117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310672084.2A Active CN116698416B (zh) | 2023-06-08 | 2023-06-08 | 一种用于早期故障检测的低秩特征多通道同步提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698416B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934178A (zh) * | 2019-03-18 | 2019-06-25 | 电子科技大学 | 一种基于Kronecker基稀疏表示的红外弱小目标检测方法 |
CN110991419A (zh) * | 2019-12-23 | 2020-04-10 | 长安大学 | 基于稀疏低秩协同优化框架的齿轮箱局部故障诊断方法 |
CN112101082A (zh) * | 2020-11-16 | 2020-12-18 | 华南理工大学 | 一种基于改进低秩稀疏分解的旋转机械故障诊断方法 |
CN113240596A (zh) * | 2021-05-07 | 2021-08-10 | 西南大学 | 一种基于高阶张量奇异值分解的彩色视频恢复方法及系统 |
CN115655719A (zh) * | 2022-12-29 | 2023-01-31 | 武汉科技大学 | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 |
CN115935147A (zh) * | 2022-11-25 | 2023-04-07 | 东南大学 | 低秩和稀疏张量表示的交通数据恢复和异常值检测方法 |
CN115962941A (zh) * | 2022-09-24 | 2023-04-14 | 西北工业大学 | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 |
-
2023
- 2023-06-08 CN CN202310672084.2A patent/CN116698416B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934178A (zh) * | 2019-03-18 | 2019-06-25 | 电子科技大学 | 一种基于Kronecker基稀疏表示的红外弱小目标检测方法 |
CN110991419A (zh) * | 2019-12-23 | 2020-04-10 | 长安大学 | 基于稀疏低秩协同优化框架的齿轮箱局部故障诊断方法 |
CN112101082A (zh) * | 2020-11-16 | 2020-12-18 | 华南理工大学 | 一种基于改进低秩稀疏分解的旋转机械故障诊断方法 |
CN113240596A (zh) * | 2021-05-07 | 2021-08-10 | 西南大学 | 一种基于高阶张量奇异值分解的彩色视频恢复方法及系统 |
CN115962941A (zh) * | 2022-09-24 | 2023-04-14 | 西北工业大学 | 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法 |
CN115935147A (zh) * | 2022-11-25 | 2023-04-07 | 东南大学 | 低秩和稀疏张量表示的交通数据恢复和异常值检测方法 |
CN115655719A (zh) * | 2022-12-29 | 2023-01-31 | 武汉科技大学 | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116698416A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks | |
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
Jia et al. | Sparse filtering with the generalized lp/lq norm and its applications to the condition monitoring of rotating machinery | |
Hasan et al. | Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions | |
Isham et al. | Variational mode decomposition: mode determination method for rotating machinery diagnosis | |
Shen et al. | Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier | |
Zhou et al. | A novel entropy-based sparsity measure for prognosis of bearing defects and development of a sparsogram to select sensitive filtering band of an axial piston pump | |
Miao et al. | Deep network-based maximum correlated kurtosis deconvolution: A novel deep deconvolution for bearing fault diagnosis | |
Li et al. | Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization | |
Chen et al. | Compressed sensing based on dictionary learning for extracting impulse components | |
López et al. | Hidden Markov model based stochastic resonance and its application to bearing fault diagnosis | |
CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
Chen et al. | A sparse multivariate time series model-based fault detection method for gearboxes under variable speed condition | |
Sun et al. | Non-contact diagnosis for gearbox based on the fusion of multi-sensor heterogeneous data | |
Sun et al. | A two-stage method for bearing fault detection using graph similarity evaluation | |
Huang et al. | An improved empirical wavelet transform method for rolling bearing fault diagnosis | |
CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
Zhang et al. | Application of improved double-dictionary K-SVD for compound-fault diagnosis of rolling element bearings | |
Zhen et al. | Rolling bearing fault diagnosis based on VMD reconstruction and DCS demodulation | |
Lin et al. | Condition monitoring and fault diagnosis of roller element bearing | |
CN110398362B (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
Xu et al. | Caputo-Fabrizio fractional order derivative stochastic resonance enhanced by ADOF and its application in fault diagnosis of wind turbine drivetrain | |
Li et al. | A sensor-dependent vibration data driven fault identification method via autonomous variational mode decomposition for transmission system of shipborne antenna | |
Ma et al. | Sparse representation learning for fault feature extraction and diagnosis of rotating machinery | |
Shi et al. | Sound-aided fault feature extraction method for rolling bearings based on stochastic resonance and time-domain index fusion |
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 |