TW201633025A - 工具機主軸故障形式的診斷方法及其系統 - Google Patents
工具機主軸故障形式的診斷方法及其系統 Download PDFInfo
- Publication number
- TW201633025A TW201633025A TW104107571A TW104107571A TW201633025A TW 201633025 A TW201633025 A TW 201633025A TW 104107571 A TW104107571 A TW 104107571A TW 104107571 A TW104107571 A TW 104107571A TW 201633025 A TW201633025 A TW 201633025A
- Authority
- TW
- Taiwan
- Prior art keywords
- machine tool
- signal
- value
- tool spindle
- entropy
- Prior art date
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本發明提供一種工具機主軸診斷系統,適用於工具機主軸,包含擷取相關於該工具機主軸的當前運作狀態的三維震動訊號的訊號擷取模組,及電連接訊號擷取模組的分析模組。三維震動訊號包括對應於該工具機主軸之軸向的軸向震動子訊號、對應於垂直於該軸向之垂直向的垂直震動子訊號,及對應於分別垂直於該軸向和該垂直向的水平向的水平震動子訊號。分析模組對軸向震動子訊號與垂直震動子訊號進行熵分析而獲得多個熵值,並根據該等熵值判斷工具機主軸當前的故障形式。此外,本發明還提供工具機主軸故障形式的診斷方法。
Description
本發明是有關於一種診斷方法及其系統,特別是指一種工具機主軸故障形式的診斷方法及其系統。
一般工具機主軸在運作時由於機構型態或組裝差異皆有可能產生震動與噪音,因此在以往機械產業皆以此特徵做為非破壞檢測與監控的依據。
現有的工具機主軸檢測方式常以快速傅立葉轉換(Fast Fourier Transform,FFT)及均方根(Root Mean Square,RMS)演算法做為分析工具。在快速傅立葉轉換演算法中,只有線性(Linear)與穩態訊號(Stationary Signal)可以利用正弦波與餘弦波來擬合,然而,一般來說,震動的訊號通常不是穩態訊號,而是非穩態訊號(Non-Stationary Signal),當震動模式複雜時,會有許多無法解釋的頻率值出現在頻譜中,造成傅立葉轉換的結果很難閱讀或辨識。而均方根演算法計算震動量的均方根值,其演算法特性在於計算快速簡單,但僅能檢測是否發生損壞,無法辨識損壞原因。
因此,本發明之目的,即在提供一種工具機主
軸故障形式的診斷方法。
此外,本發明之另一目的,即在提供一種工具機主軸故障形式的診斷系統。
於是,本發明工具機主軸故障形式的診斷方法,適用於一工具機主軸,由一包含一訊號擷取模組,及一分析模組的診斷系統執行,該工具機主軸故障形式的診斷方法包含一步驟(a)、一步驟(b),及一步驟(c)。
該步驟(a)利用該訊號擷取模組擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號。
該步驟(b)利用該分析模組對該軸向震動子訊號進行熵分析,獲得相關於該軸向震動子訊號的多個熵值。
該步驟(c)利用該分析模組根據該等熵值判斷該工具機主軸當前的故障形式。
於是,本發明工具機主軸故障形式的診斷方法,適用於一工具機主軸,由一包含一訊號擷取模組,及一分析模組的診斷系統執行,該工具機主軸故障形式的診斷方法包含一步驟(a)、一步驟(b),及一步驟(c)。
該步驟(a)利用該訊號擷取模組擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動
子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號。
該步驟(b)利用該分析模組對該垂直震動子訊號進行熵分析,獲得相關於該垂直震動子訊號的多個熵值。
該步驟(c)利用該分析模組根據該等熵值判斷該工具機主軸當前的故障形式。
於是,本發明之工具機主軸故障形式的診斷系統,適用於一工具機主軸,並包含一訊號擷取模組,及一分析模組。
該訊號擷取模組設置於該工具機主軸端,並擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號。
該分析模組電連接該訊號擷取模組,並對該軸向震動子訊號進行熵分析而獲得相關於該軸向震動子訊號的多個熵值,且根據該等熵值判斷該工具機主軸當前的故障形式。
於是本發明之工具機主軸故障形式的診斷系統,適用於一工具機主軸,並包含一訊號擷取模組,及一分析模組。
該訊號擷取模組設置於該工具機主軸端,並擷
取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號。
該分析模組電連接該訊號擷取模組,並對該垂直震動子訊號進行熵分析而獲得相關於該垂直震動子訊號的多個熵值,並根據該等熵值判斷該工具機主軸當前的故障形式。
本發明之功效在於:藉由該分析模組對震動訊號進行多尺度熵分析,以計算當震動模式複雜時,出現的非穩態訊號,並且判斷工具機主軸損壞的原因。
1‧‧‧訊號擷取模組
2‧‧‧分析模組
3‧‧‧工具機主軸
31‧‧‧軸向
32‧‧‧垂直向
33‧‧‧水平向
401~406‧‧‧步驟
501~505‧‧‧步驟
本發明之其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:圖1是一方塊圖,說明本發明一種工具機主軸診斷系統;圖2是一示意圖,說明一工具機主軸之一軸向、一垂直向,及一水平向;圖3是一流程圖,說明本發明工具機主軸故障形式的診斷方法的一第一實施例;圖4是一示意圖,說明一多尺度熵分析過程;圖5是一曲線圖,說明一多尺度熵分析結果的分佈;及圖6是一流程圖,說明本發明工具機主軸故障形式的診
斷方法的一第二實施例。
參閱圖1與圖2,本發明工具機主軸故障形式的診斷方法的一第一實施例是由圖1所示的一工具機主軸診斷系統來實現。該工具機主軸診斷系統包含一訊號擷取模組1及一電連接該訊號擷取模組1的分析模組2。
該訊號擷取模組1設置於一工具機主軸3端,並用於擷取相關於該工具機主軸3的一當前運作狀態的一個三維震動訊號。該三維震動訊號包括一對應於該工具機主軸3之一軸向31的軸向震動子訊號、一對應於一垂直於該軸向31之垂直向32的垂直震動子訊號,及一對應於一分別垂直於該軸向31和該垂直向32的水平向33的水平震動子訊號。在本實施例中,該訊號擷取模組1為壓電式加速度規,但可不限於此。
參閱圖3,以下詳述該工具機主軸故障形式的診斷方法的一第一實施例的各個步驟。
在步驟401中,該訊號擷取模組1擷取該軸向震動子訊號、該垂直震動子訊號,及該水平震動子訊號。
在步驟402中,該分析模組2對該軸向震動子訊號進行多尺度熵(Multi-scale Entropy)分析而獲得相關於該軸向震動子訊號的多個不同尺度的熵值。
在步驟403中,該分析模組2根據該等熵值計算出相關於該軸向震動子訊號的一尺度趨勢穩定值及一熵總和值,其中該尺度趨勢穩定值為當熵值趨近穩定時所對
應的尺度值,該熵總和值為該等熵值的總和。
參閱圖4,其中,多尺度熵分析用以計算該軸向震動子訊號在多個不同尺度下的熵值,其方法如下:假設該軸向震動子訊號為一時間序列X={x1,x2,...,xi,...,xN},其長度為N,根據尺度因子τ將該時間序列分配到多個不重疊的視窗中,建立連貫粗量(coarse-grained)的時間級數{yτ},根據下列方程式計算每一粗量時間級數的平均值:
其中,每個時間級數的資料長度等於原始時間級數的資料長度N除以尺度因子τ。
參閱圖5,定義一模型長度(pattern length)為m的向量:(Xi)m={xi,xi+1,xi+m+1}.........(2)根據式(2),假設兩資料xi和xj所對應的向量(Xi)m和(Xj)m之距離小於一表示可接受的相似容忍度r,則兩資料xi和xj被視為相似。
定義兩資料xi和xj小於該相似容忍度r的機率如下式:
其中。
根據式(3),熵值(Sample Entropy,SampEn)定義如下式:
根據統計原理,在有限長度N下,式(4)表示為:
在本實施例中,所有熵值的數據皆取m=2且r=0.15×SD x ,其中SDx為時間序列X的標準差。
該熵總和值為圖5中曲線的線下面積。實務上,計算結果的分佈圖視為一個包含不同尺度之熵值的向量Sa=[a1,a2,...,an],其中ai表尺度為i的熵值,1in。該向量Sa的標準差SDa為
再由式(6)求得趨勢穩定的尺度值startI,其中startI滿足下式
其中,在本實施例中L=30。
在步驟404中,該分析模組2判斷該尺度趨勢穩定值是否大於一預定的第一門檻值,若判斷的結果為肯定的,該分析模組2判定該工具機主軸3當前的故障形式為墊片平行誤差,否則,進行步驟405。在本實例中,該第一門檻值在400到1000的範圍內。
在步驟405中,該分析模組2判斷該熵總和值是否大於等於一預定的第二門檻值,若判斷的結果為肯定的,該分析模組2判定該工具機主軸3當前的故障形式為軸承潤滑過多,否則,該分析模組2進行步驟406。在本實例中,該第二門檻值為50。
在步驟406中,該分析模組2判斷該熵總和值是否小於等於一預定的第三門檻值,若判斷的結果為肯定的,該分析模組2判定該工具機主軸3當前的故障形式為軸承潤滑不足。在本實例中,該第三門檻值為36。
本發明工具機主軸故障形式的診斷方法的一第二實施例是由一類似於圖1所示的工具機主軸診斷系統來實現,其不同之處僅在於:該分析單元2對該垂直震動子訊號進行多尺度熵分析。
參閱圖6,以下詳述該工具機主軸故障形式的診斷方法的一第二實施例的各個步驟。
在步驟501中,該訊號擷取模組1擷取該軸向震動子訊號、該垂直震動子訊號,及該水平震動子訊號。
在步驟502中,該分析模組2對該垂直震動子訊號進行多尺度熵分析而獲得相關於該垂直震動子訊號的多個不同尺度的熵值。
在步驟503中,該分析模組2根據該等熵值計算出相關於該垂直震動子訊號的該尺度趨勢穩定值及該熵總和值。
在步驟504中,該分析模組2判斷該尺度趨勢穩定值是否大於等於一預定的第四門檻值且該熵總和值是否大於等於一預定的第五門檻值,若判斷的結果為肯定的,該分析模組2判定該工具機主軸3當前的故障形式為預壓過小,否則,進行步驟505,在本實例中,該第四門檻值在250到469的範圍內,該第五門檻值在99到131的範
圍內。
在步驟505中,該分析模組2判斷是否該尺度趨勢穩定值落於120到189的範圍內且該熵總和值落於25到33的範圍內,若判斷的結果為肯定的,該分析模組2判定該工具機主軸3當前的故障形式為預壓過大。
綜上所述,本發明工具機主軸故障形式的診斷方法及其系統,藉由對該三維震動訊號的軸向震動子訊號及垂直震動子訊號進行多尺度熵分析而計算出該尺度趨勢穩定值及該熵總和值,並根據該尺度趨勢穩定值及該熵總和值判斷工具機主軸的故障形式,故確實能達成本發明之目的。
惟以上所述者,僅為本發明之實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
1‧‧‧訊號擷取模組
2‧‧‧分析模組
Claims (20)
- 一種工具機主軸故障形式的診斷方法,適用於一工具機主軸,由一包含一訊號擷取模組及一分析模組的診斷系統執行,該工具機主軸故障形式的診斷方法包含以下步驟:(a)該訊號擷取模組擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號;(b)該分析模組對該軸向震動子訊號進行熵分析而獲得相關於該軸向震動子訊號的多個熵值;及(c)該分析模組根據該等熵值判斷該工具機主軸當前的故障形式。
- 如請求項1所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,該分析模組對該軸向震動子訊號進行多尺度熵分析,該等熵值為藉由多尺度熵分析所獲得的不同尺度的熵值。
- 如請求項2所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,該分析模組根據該等熵值計算出一尺度趨勢穩定值,當該尺度趨勢穩定值大於一預定的第一門檻值時,該分析模組判定該工具機主軸當前的故障形式為墊片平行誤差。
- 如請求項3所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,該分析模組還根據該等熵值計算出一熵總和值,當該尺度趨勢穩定值小於該第一門檻值且該熵總和值大於等於一預定的第二門檻值時,該分析模組判定該工具機主軸當前的故障形式為軸承潤滑過多。
- 如請求項4所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,當該尺度趨勢穩定值小於該第一門檻值且該熵總和值小於等於一預定的第三門檻值時,該分析模組判定該工具機主軸當前的故障形式為軸承潤滑不足。
- 如請求項5所述的工具機主軸故障形式的診斷方法,其中,該第一門檻值在400到1000的範圍內,該第二門檻值為50,且該第三門檻值為36。
- 一種工具機主軸故障形式的診斷方法,適用於一工具機主軸,由一包含一訊號擷取模組及一分析模組的診斷系統執行,該工具機主軸故障形式的診斷方法包含以下步驟:(a)該訊號擷取模組擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號;(b)該分析模組對該垂直震動子訊號進行熵分析而 獲得相關於該垂直震動子訊號的多個熵值;及(c)該分析模組根據該等熵值判斷該工具機主軸當前的故障形式。
- 如請求項7所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,該分析模組對該垂直震動子訊號進行多尺度熵分析,該等熵值為藉由多尺度熵分析所獲得的不同尺度的熵值。
- 如請求項8所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,該分析模組根據該等熵值計算出一尺度趨勢穩定值及一該等熵值總和的熵總和值,若該尺度趨勢穩定值大於等於一預定的第四門檻值且該熵總和值大於等於一預定的第五門檻值時,該分析模組判定該工具機主軸當前的故障形式為預壓過小。
- 如請求項9所述的工具機主軸故障形式的診斷方法,其中,在步驟(c)中,若該尺度趨勢穩定值在120到189的範圍內且該熵總和值在25到33的範圍內時,該分析模組判定該工具機主軸當前的故障形式為預壓過大。
- 一種工具機主軸診斷系統,適用於一工具機主軸,並包含:一訊號擷取模組,設置於該工具機主軸端,並擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂 直於該軸向和該垂直向的水平向的水平震動子訊號;及一分析模組,電連接該訊號擷取模組,並對該軸向震動子訊號進行熵分析而獲得相關於該軸向震動子訊號的多個熵值,且根據該等熵值判斷該工具機主軸當前的故障形式。
- 如請求項11所述的工具機主軸診斷系統,其中,該分析模組對該軸向震動子訊號進行多尺度熵分析,該等熵值為藉由多尺度熵分析所獲得的不同尺度的熵值。
- 如請求項12所述的工具機主軸診斷系統,其中,該分析模組根據該等熵值計算出一尺度趨勢穩定值,當該尺度趨勢穩定值大於一預定的第一門檻值時,該分析模組判定該工具機主軸當前的故障形式為墊片平行誤差。
- 如請求項13所述的工具機主軸診斷系統,其中,該分析模組還根據該等熵值計算出一熵總和值,當該尺度趨勢穩定值小於該第一門檻值且該熵總和值大於等於一預定的第二門檻值時,該分析模組判定該工具機主軸當前的故障形式為軸承潤滑過多。
- 如請求項14所述的工具機主軸診斷系統,其中,當該尺度趨勢穩定值小於該第一門檻值且該熵總和值小於等於一預定的第三門檻值時,該分析模組判定該工具機主軸當前的故障形式為軸承潤滑不足。
- 如請求項15所述的工具機主軸診斷系統,其中,該第一門檻值在400到1000的範圍內,該第二門檻值為50,且該第三門檻值為36。
- 一種工具機主軸診斷系統,適用於一工具機主軸,並包含:一訊號擷取模組,設置於該工具機主軸端,並擷取相關於該工具機主軸的一當前運作狀態的一個三維震動訊號,其中,該三維震動訊號包含一對應於該工具機主軸之一軸向的軸向震動子訊號、一對應於一垂直於該軸向之垂直向的垂直震動子訊號,及一對應於一分別垂直於該軸向和該垂直向的水平向的水平震動子訊號;及一分析模組,電連接該訊號擷取模組,並對該垂直震動子訊號進行熵分析而獲得相關於該垂直震動子訊號的多個熵值,並根據該等熵值判斷該工具機主軸當前的故障形式。
- 如請求項17所述的工具機主軸診斷系統,其中,該分析模組對該垂直震動子訊號進行多尺度熵分析,該等熵值為藉由多尺度熵分析所獲得的不同尺度的熵值。
- 如請求項18所述的工具機主軸診斷系統,其中,該分析模組根據該等熵值計算出一尺度趨勢穩定值及一該等熵值總和的熵總和值,若該尺度趨勢穩定值大於等於一預定的第四門檻值且該熵總和值大於等於一預定的第五門檻值時,該分析模組判定該工具機主軸當前的故障形式為預壓過小。
- 如請求項19所述的工具機主軸診斷系統,其中,若該尺度趨勢穩定值在120到189的範圍內且該熵總和值在25到33的範圍內時,該分析模組判定該工具機主軸當 前的故障形式為預壓過大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104107571A TW201633025A (zh) | 2015-03-10 | 2015-03-10 | 工具機主軸故障形式的診斷方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104107571A TW201633025A (zh) | 2015-03-10 | 2015-03-10 | 工具機主軸故障形式的診斷方法及其系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201633025A true TW201633025A (zh) | 2016-09-16 |
Family
ID=57443236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW104107571A TW201633025A (zh) | 2015-03-10 | 2015-03-10 | 工具機主軸故障形式的診斷方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW201633025A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928237A (zh) * | 2019-12-20 | 2020-03-27 | 华中科技大学 | 一种基于振动信号的数控加工中心颤振在线辨识方法 |
CN111307438A (zh) * | 2020-03-11 | 2020-06-19 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
TWI749742B (zh) * | 2020-08-31 | 2021-12-11 | 國立虎尾科技大學 | 工具機主軸診斷方法 |
CN114800042A (zh) * | 2022-04-28 | 2022-07-29 | 华中科技大学 | 一种基于功率谱熵差的机器人铣削加工颤振类型辨识方法 |
-
2015
- 2015-03-10 TW TW104107571A patent/TW201633025A/zh unknown
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928237A (zh) * | 2019-12-20 | 2020-03-27 | 华中科技大学 | 一种基于振动信号的数控加工中心颤振在线辨识方法 |
CN111307438A (zh) * | 2020-03-11 | 2020-06-19 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
CN111307438B (zh) * | 2020-03-11 | 2021-09-14 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
TWI749742B (zh) * | 2020-08-31 | 2021-12-11 | 國立虎尾科技大學 | 工具機主軸診斷方法 |
CN114800042A (zh) * | 2022-04-28 | 2022-07-29 | 华中科技大学 | 一种基于功率谱熵差的机器人铣削加工颤振类型辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Induction machine condition monitoring using neural network modeling | |
JP7340265B2 (ja) | 異常検出装置、異常検出方法、およびプログラム | |
CN113748326B (zh) | 用于对感应电动机估计轴承故障严重性的方法 | |
Zhang et al. | A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis | |
Amanuel et al. | Comparative analysis of signal processing techniques for fault detection in three phase induction motor | |
CN104517027A (zh) | 状态诊断方法和状态诊断装置 | |
Lu et al. | Feature extraction using adaptive multiwavelets and synthetic detection index for rotor fault diagnosis of rotating machinery | |
CN104136896B (zh) | 用于获取旋转马达的振动信号的系统 | |
TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN109060350A (zh) | 一种基于字典学习的滚动轴承故障特征提取方法 | |
JP2020071624A (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 | |
Chaudhari et al. | Vibration analysis for bearing fault detection in electrical motors | |
CN104380063A (zh) | 异常音检测系统 | |
Yang et al. | Total precision inspection of machine tools with virtual metrology | |
CN108444715A (zh) | 轴承状态诊断方法、装置、存储介质及电子设备 | |
CN112648220A (zh) | 一种基于小波-近似熵的风机故障诊断方法 | |
Afshar et al. | Generalized roughness bearing fault diagnosis using time series analysis and gradient boosted tree | |
JP6742563B1 (ja) | 駆動音診断システム、駆動音診断方法および駆動音診断システムの機械学習装置 | |
TW201822948A (zh) | 偵測工具機的線性滑軌預壓值變化的方法 | |
JP6497919B2 (ja) | 回転体およびその軸受を含む設備の診断方法と診断システム | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
CN109034028A (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
Talib et al. | Classification of machine fault using principle component analysis, general regression neural network and probabilistic neural network |