CN106127192A - 一种基于相似性的轴承剩余使用寿命预测方法 - Google Patents
一种基于相似性的轴承剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN106127192A CN106127192A CN201610540636.4A CN201610540636A CN106127192A CN 106127192 A CN106127192 A CN 106127192A CN 201610540636 A CN201610540636 A CN 201610540636A CN 106127192 A CN106127192 A CN 106127192A
- Authority
- CN
- China
- Prior art keywords
- remaining life
- bearing
- frequency
- similarity
- sample data
- 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
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Rolling Contact Bearings (AREA)
Abstract
本发明公开了一种基于相似性的轴承剩余使用寿命预测方法,其.包括基于相关性分析的特征量遴选方法和基于相似性的剩余使用寿命预测模型两个部分;首先通过相关性分析法,确定出与轴承剩余使用寿命变化趋势密切相关的特征量;以此为基础使用轴承剩余使用寿命预测模型,对样本数据和预测数据相应特征量随轴承寿命变化趋势的相似度进行衡量;预测模型使用距离函数衡量样本数据与预测数据之间的相似程度,并确定出参考剩余使用寿命与权重,最后计算参考剩余使用寿命的加权和,得到预测结果。该方法克服了传统预测方法主观性强、建模困难的弊病,在一定数量样本数据的支撑下,能够方便简单的预测出轴承剩余使用寿命。
Description
技术领域
本发明涉及一种轴承剩余使用寿命预测方法,尤其是一种基于相似性的轴承剩余使用寿命预测方法。
背景技术
轴承作为一种高精度产品,它的性能好坏对机械设备能否正常工作起着至关重要的作用,是机械设备的重要基础零部件。因此,轴承的故障预测和健康管理(PHM)相关研究受到了国际上众多专家学者的关注,其中轴承剩余使用寿命预测的研究对于降低停机率、提升产品质量和提高生产效率有着极为重要的意义。
轴承剩余使用寿命预测,顾名思义,就是在轴承A运行的某一时刻t,根据轴承A的运行状态数据和同类设备的历史数据,预测轴承A由当前至失效的剩余使用寿命。目前,轴承剩余使用寿命预测的方法分为两大类:基于物理的方法和基于经验的方法。基于物理的方法试图将轴承的机械动力学知识和轴承在线状态监测数据结合起来预测轴承的剩余使用寿命。常见的基于物理的方法主要使用裂纹扩展模型、碎裂增长模型等。这种方法通常要求获取轴承的物理状态信息作为数据支撑,需要机械设备停机检查,这在工业运行中是不可行的。为此,人们设计了基于经验的剩余使用寿命预测方法。基于经验的剩余使用寿命预测方法试图直接从轴承状态监测信息及同类型轴承的历史数据在线预测设备的剩余使用寿命。例如,在CN104792529A、CN104915550B和CN104598736A等专利中,均使用了某一种数学模型对轴承的状态信息进行深入挖掘,实现对轴承寿命的预测,取得了一定的有益效果。但是,前述专利在特征量选取和核函数组合等方面存在一定的随意性,所用的数学模型往往过于复杂。基于相似性的方法,认为某服役轴承的剩余使用寿命可预测为同类型轴承(参考轴承)在某刻剩余使用寿命的“加权平均”。该方法克服了其他方法需进行状态预测和高阶模型建模困难的弊端,同时具备简单、快速、准确的特点。然而,对于基于相似性的轴承剩余使用寿命预测方法的研究很不透彻,实际应用更是鲜有涉及。因此,找到一种基于相似性的轴承剩余使用寿命预测方法具有十分重要的理论和应用价值。
发明内容
本发明的目的是提供一种基于相似性的轴承剩余使用寿命预测方法,利用基于相关性分析的特征量遴选方法和基于相似性的剩余使用寿命预测模型,解决传统预测方法中主观性强、建模困难的弊病,以提高轴承剩余使用寿命预测的准确性,为轴承的故障预测和健康管理提供技术支撑。
为实现上述目的,本发明所提供的技术方案是:提供一种基于相似性的轴承剩余使用寿命预测方法,所述方法包括基于相关性分析的特征量遴选方法和基于相似性的剩余使用寿命预测模型两个部分。
所述基于相关性分析的特征量遴选方法,首先采集组轴承在全寿命周期内的振动信号,采样频率为,构造组历史数据,并从中提取其时域与频域特征量;
随后,使用相关系数计算公式计算上述特征量随时间的变化趋势与组轴承全寿命周期内剩余使用寿命随时间变化趋势之间的相关系数,计算公式如下所示:
式中,和分别代表特征量变化序列和轴承剩余使用寿命变化序列;
遴选出相关系数中的最大值所对应的特征量,使用该特征量在轴承全寿命周期内的数据构造样本数据组。
所述特征量包括振动信号的最大值、最小值、绝对平均值、峰峰值、均方根、平均值、标准差、偏态值、峭度、方差、波形因子、波峰因子、变异系数、峭度系数、余隙因子、脉冲因子、平均频率、中心频率、频率均方根、频率标准差、旋转频率、滚动体滚动频率、通过频率、滚动体上一固定点和内外滚道的接触频率、相对旋转频率、外圈固定时滚动体和内滚道上一固定点之间的接触频率、保持架故障频率、滚动体故障频率、外圈故障频率以及内圈故障频率中的任意一种或几种。
所述基于相似性的剩余使用寿命预测模型,是对样本数据和预测数据相应特征量随轴承寿命变化趋势的相似度进行衡量;具体是采集时间T内待预测轴承的振动信号,采样频率为,并从中提取出所述基于相关性分析的特征量遴选方法遴选出的特征量随时间变化的组特征序列;
对组特征序列,使用距离函数在对应的组样本数据中遍历,计算明可夫斯基距离,使用的公式为:
计算出预测数据在从第个到第个采样点时段中的特征量与样本数据在从第个到第个采样点时段中的特征量的明可夫斯基距离,其中,,是采样间隔;这里,为样本数据从开始至失效的采样点数,;
在预测数据的第个采样点,预测数据与样本数据的最小距离,也就是两者的最大相似度的计算公式为:
确定最小距离对应的样本数据中的位置,并根据样本数据中的时间信息确定个参考剩余使用寿命,即PRUL,使用的公式为:
其中,为样本中最小距离对应的采样点位置;
为样本数据从开始至失效的采样点数,;
(5)使用权重函数,基于计算的个最小距离,计算出个权重,使用的公式为:
式中为权重因子,为样本数据数量,为中间变量,为权重;
最后,个参考剩余使用寿命与个权重对应相乘,求和,得到预测轴承剩余使用寿命的预测结果,使用的公式如下所示。
本发明的有益效果是:能够简单、准确的预测出轴承的剩余使用寿命;本发明设计的基于相关性分析的特征量遴选方案,遴选出的特征量与轴承剩余使用寿命变化趋势的相关度高达0.8,能客观的反映出轴承健康状态变化趋势;本发明设计的以明可夫斯基距离为权重因子的权重函数,以数据相似程度高低作为新判据,能够更合理的赋予权重;本发明提出的基于相似性的轴承剩余使用寿命预测方法无需建立复杂的数学模型、无需预测轴承性能发展趋势,能够简单、准确的预测轴承剩余使用寿命,预测准确率高达86.7%。
附图说明
图1为基于相似性的轴承剩余使用寿命预测流程图;
图2为预测结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做出详细说明,所述领域的技术人员在阅读了本具体实施例后,能够实现本发明所述的技术方案,同时也能够体现本发明所述的优点与有益效果。
本实施方式中,引入了IEEE举办IEEE PHM 2012 Prognostic challenge时法国FEMTO-ST实验室提供的轴承加速寿命实验数据。加速寿命实验使用的轴承参数如下:外圈直径32毫米,内圈直径20毫米,厚度7毫米,滚珠直径3.5毫米,滚珠中心间距25.6毫米,滚动体数目13毫米,滚动轴承的平均直径25.6毫米。在转速为1800rpm、负载为4000N的条件下进行了7组实验,以25.6kHz的采样频率采集轴承的振动信号。
选用转速为1800rpm、负载为4000N工况下的5组数据作为样本数据,剩余2组数据中的1组作为预测数据,对轴承的剩余使用寿命进行了预测。
由于振动信号的采集是以时长为0.1s的时间段每10s采集一次进行的,因此,数据特征量的提取也以时长为0.1s的时间段为单位进行。即在每个时间段上提取相应的特征量,然后将每个时间段上的特征量组合成新的特征序列。
结合图1,预测流程如下:
首先,对5组样本数据进行消噪处理和最大值、最小值、绝对平均值、峰峰值、均方根、平均值、标准差、偏态值、峭度、方差、波形因子、波峰因子、变异系数、峭度系数、余隙因子、脉冲因子、平均频率、中心频率、频率均方根、频率标准差、旋转频率、滚动体滚动频率、通过频率、滚动体上一固定点和内外滚道的接触频率、相对旋转频率、外圈固定时滚动体和内滚道上一固定点之间的接触频率、保持架故障频率、滚动体故障频率、外圈故障频率以及内圈故障频率等特征量的提取。
然后,使用相关系数计算公式计算上述特征量随时间的变化趋势与轴承全寿命周期内剩余使用寿命随时间变化趋势之间的相关系数,计算公式如下所示:
对上述特征量随时间的变化趋势与轴承剩余使用寿命随时间的变化趋势进行相关性分析,其中,和分别代表特征量变化序列和轴承剩余使用寿命变化序列。使用理想的斜率为-1、曲线与纵轴的交点为轴承寿命的曲线来描述轴承剩余使用寿命随时间的变化趋势。选取结果如下:样本数据1选定特征量为滚动体滚动频率(相关系数0.9171),样本数据2选定特征量为外圈故障频率(相关系数0.7946),样本数据3选定特征量为峭度(相关系数0.8055),样本数据4选定特征量为旋转频率(相关系数0.8371),样本数据5选定特征量为保持架故障频率(相关系数0.7789)。
接着,从预测数据中提取出上述5种特征量,使用明可夫斯基距离函数
衡量预测数据在从第个到第个采样点时段中的特征量与样本数据在从第个到第个采样点时段中的特征量的明可夫斯基距离,其中,,是10s。这里,为样本数据从开始至失效的采样点数,。得出每组样本数据与预测数据的最小明可夫斯基距离,确定5个参考剩余使用寿命,通过权重函数
计算出权重。
最后,用5个参考剩余使用寿命与5个权重对应相乘,求和,得到预测轴承剩余使用寿命的预测结果,使用的公式为:
。
根据IEEE PHM 2012 Data Challenge的数据,预测数据对应的实验轴承的测试截止时刻是18010s,要求预测该截止时刻的轴承剩余使用寿命。通过分析提供的寿命加速实验数据可知,该轴承在测试截止时刻的实际剩余寿命为5730s。按照前述的步骤,对该轴承的剩余使用寿命进行了全程预测,预测结果如图2所示,蓝色轨迹为预测结果,黑色轨迹为预测结果的拟合结果,红色轨迹为实际数据。预测结果拟合之后的曲线方程为:,式中,斜率−1为近似值。其中,表示使用时间,表示轴承的剩余使用寿命。在测试截止时刻18010s 时的预测剩余寿命为4968s,准确率为86.7%,相对误差为−13.3%,负值说明是滞后预测,属于***,使用该预测结果指导维修工作可以避免重大事故的发生,有利于维修工作的开展。
本发明采用基于经验的方法实现了轴承剩余使用寿命预测,采用基于相似性的预测方法,该方法设计了基于相关性分析的特征量遴选方法和基于相似性的预测方法,能够简单、准确的提供轴承剩余使用寿命预测的能力。特别是,它不依赖于轴承特定的物理学模型和复杂的数学模型,为在实际工业运行中,轴承故障预测和健康管理问题,提供了一种实用的技术方法。
本发明所述的方法,并不仅仅适用于轴承剩余使用寿命预测领域,对于其他结构复杂、建模困难的机械设备同样适用,可以为大多数机械设备基于状态监测数据实现其剩余使用寿命预测和状态维修提供方法参考和决策支撑。
Claims (2)
1.一种基于相似性的轴承剩余使用寿命预测方法,其特征在于:所述方法包括基于相关性分析的特征量遴选方法和基于相似性的剩余使用寿命预测模型两个部分;
所述基于相关性分析的特征量遴选方法,具体步骤如下:
(1)首先采集 组轴承在全寿命周期内的振动信号,采样频率为,构造组历史数据,并从中提取其时域与频域特征量;
(2)随后,使用相关系数计算公式计算上述特征量随时间的变化趋势与组轴承全寿命周期内剩余使用寿命随时间变化趋势之间的相关系数,计算公式如下所示:
式中,和分别代表特征量变化序列和轴承剩余使用寿命变化序列;
(3)遴选出相关系数中的最大值所对应的特征量,使用该特征量在轴承全寿命周期内的数据构造样本数据组;
所述基于相似性的剩余使用寿命预测模型,是对样本数据和预测数据相应特征量随轴承寿命变化趋势的相似度进行衡量;具体步骤如下:
(1)采集时间内待预测轴承的振动信号,采样频率为,并从中提取出所述基于相关性分析的特征量遴选方法遴选出的特征量随时间变化的组特征序列;
(2)对组特征序列,使用距离函数在对应的组样本数据中遍历,计算明可夫斯基距离,使用的公式为:
计算出预测数据在从第个到第个采样点时段中的特征量与样本数据在从第个到第个采样点时段中的特征量的明可夫斯基距离,其中,,是采样间隔;这里,为样本数据从开始至失效的采样点数,;
(3)在预测数据的第个采样点,预测数据与样本数据的最小距离,也就是两者的最大相似度的计算公式为:
(4)确定最小距离对应的样本数据中的位置,并根据样本数据中的时间信息确定个参考剩余使用寿命,即PRUL,使用的公式为:
其中,为样本中最小距离对应的采样点位置;
为样本数据从开始至失效的采样点数,;
(5)使用权重函数,基于计算的个最小距离,计算出个权重,使用的公式为:
式中为权重因子,为样本数据数量,为中间变量,为权重;
(6)个参考剩余使用寿命与个权重对应相乘,求和,得到预测轴承剩余使用寿命的预测结果,使用的公式如下所示。
。
2.根据权利要求1所述的一种基于相似性的轴承剩余使用寿命预测方法,其特征在于:所述基于相似性的剩余使用寿命预测模型中选取的特征量,具体包括:振动信号的最大值、最小值、绝对平均值、峰峰值、均方根、平均值、标准差、偏态值、峭度、方差、波形因子、波峰因子、变异系数、峭度系数、余隙因子、脉冲因子、平均频率、中心频率、频率均方根、频率标准差、旋转频率、滚动体滚动频率、通过频率、滚动体上一固定点和内外滚道的接触频率、相对旋转频率、外圈固定时滚动体和内滚道上一固定点之间的接触频率、保持架故障频率、滚动体故障频率、外圈故障频率以及内圈故障频率中的任意一种或几种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610540636.4A CN106127192A (zh) | 2016-07-11 | 2016-07-11 | 一种基于相似性的轴承剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610540636.4A CN106127192A (zh) | 2016-07-11 | 2016-07-11 | 一种基于相似性的轴承剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127192A true CN106127192A (zh) | 2016-11-16 |
Family
ID=57282780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610540636.4A Pending CN106127192A (zh) | 2016-07-11 | 2016-07-11 | 一种基于相似性的轴承剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127192A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108036941A (zh) * | 2017-12-26 | 2018-05-15 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN108760256A (zh) * | 2018-03-23 | 2018-11-06 | 佛山科学技术学院 | 一种轴箱剩余寿命的预测方法 |
CN109635468A (zh) * | 2018-12-18 | 2019-04-16 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
CN109753723A (zh) * | 2019-01-02 | 2019-05-14 | 太原理工大学 | 一种向心滚动轴承疲劳寿命计算方法 |
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110955862A (zh) * | 2019-11-26 | 2020-04-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN111062100A (zh) * | 2019-12-18 | 2020-04-24 | 北京航天智造科技发展有限公司 | 轴承剩余寿命预测模型建立方法及装置 |
CN111507490A (zh) * | 2020-05-09 | 2020-08-07 | 武汉数字化设计与制造创新中心有限公司 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
CN112320599A (zh) * | 2020-10-23 | 2021-02-05 | 青岛海西重机有限责任公司 | 一种港口起重设备健康监测方法及*** |
CN112363027A (zh) * | 2020-10-21 | 2021-02-12 | 中车青岛四方机车车辆股份有限公司 | 一种支撑电容绝缘状态确定方法、***、可读介质及设备 |
US20220283576A1 (en) * | 2021-03-03 | 2022-09-08 | Aktiebolaget Skf | Automatic diagnosis method, system and storage medium for equipment |
US11983000B2 (en) | 2018-08-20 | 2024-05-14 | Skf Lubrication Systems Germany Gmbh | Device for outputting a future state of a central lubrication system |
-
2016
- 2016-07-11 CN CN201610540636.4A patent/CN106127192A/zh active Pending
Non-Patent Citations (1)
Title |
---|
武斌 等: "基于相似性的机械设备剩余使用寿命预测方法", 《工矿自动化》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108036941A (zh) * | 2017-12-26 | 2018-05-15 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN108036941B (zh) * | 2017-12-26 | 2019-10-22 | 浙江大学 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
CN108760256A (zh) * | 2018-03-23 | 2018-11-06 | 佛山科学技术学院 | 一种轴箱剩余寿命的预测方法 |
US11983000B2 (en) | 2018-08-20 | 2024-05-14 | Skf Lubrication Systems Germany Gmbh | Device for outputting a future state of a central lubrication system |
CN109635468B (zh) * | 2018-12-18 | 2023-02-03 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
CN109635468A (zh) * | 2018-12-18 | 2019-04-16 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
CN109753723A (zh) * | 2019-01-02 | 2019-05-14 | 太原理工大学 | 一种向心滚动轴承疲劳寿命计算方法 |
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110955862B (zh) * | 2019-11-26 | 2023-10-13 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN110955862A (zh) * | 2019-11-26 | 2020-04-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN111062100A (zh) * | 2019-12-18 | 2020-04-24 | 北京航天智造科技发展有限公司 | 轴承剩余寿命预测模型建立方法及装置 |
CN111507490A (zh) * | 2020-05-09 | 2020-08-07 | 武汉数字化设计与制造创新中心有限公司 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
CN111507490B (zh) * | 2020-05-09 | 2024-02-20 | 武汉数字化设计与制造创新中心有限公司 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
CN112363027A (zh) * | 2020-10-21 | 2021-02-12 | 中车青岛四方机车车辆股份有限公司 | 一种支撑电容绝缘状态确定方法、***、可读介质及设备 |
CN112320599A (zh) * | 2020-10-23 | 2021-02-05 | 青岛海西重机有限责任公司 | 一种港口起重设备健康监测方法及*** |
CN112320599B (zh) * | 2020-10-23 | 2023-02-03 | 青岛海西重机有限责任公司 | 一种港口起重设备健康监测方法及*** |
US20220283576A1 (en) * | 2021-03-03 | 2022-09-08 | Aktiebolaget Skf | Automatic diagnosis method, system and storage medium for equipment |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127192A (zh) | 一种基于相似性的轴承剩余使用寿命预测方法 | |
Xu et al. | An intelligent fault identification method of rolling bearings based on LSSVM optimized by improved PSO | |
CN106446317B (zh) | 一种基于数学模型的密封式继电器贮存寿命预测方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN108375474B (zh) | 一种航空发动机过渡态关键性能参数预测方法 | |
CN109472241A (zh) | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 | |
Castellani et al. | Wind energy forecast in complex sites with a hybrid neural network and CFD based method | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN110865924B (zh) | 电力信息***内部服务器健康度诊断方法与健康诊断框架 | |
CN105809321A (zh) | 地面气象观测站采集气温数据的质量控制方法 | |
CN104462836B (zh) | 基于全周期分段步加策略的小子样加速失效演变实验方法 | |
CN115982896B (zh) | 一种轴承保持架的寿命检测方法及装置 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
Kang et al. | A dual-experience pool deep reinforcement learning method and its application in fault diagnosis of rolling bearing with unbalanced data | |
Sui et al. | Prediction of bearing remaining useful life based on mutual information and support vector regression model | |
CN117074939A (zh) | 一种水轮发电机组模拟试验*** | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN110441061A (zh) | 基于c-drgan和ad的行星轮轴承寿命预测方法 | |
Ma et al. | Fault diagnosis of rolling bearing based on the PSO-SVM of the mixed-feature | |
CN116106627A (zh) | 一种基于电压电流不同相错误接线异常的判断方法 | |
Bing et al. | Machinery fault diagnosis method of HV circuit breaker based on EEMD and RBF neural network | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
CN112990524A (zh) | 基于残差修正的滚动轴承剩余寿命预测方法 | |
He et al. | Cross-condition quantitative diagnosis method for bearing faults based on IDRSN-ECDAN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161116 |
|
WD01 | Invention patent application deemed withdrawn after publication |