CN106813921A - 一种旋转机械复合故障诊断方法 - Google Patents
一种旋转机械复合故障诊断方法 Download PDFInfo
- Publication number
- CN106813921A CN106813921A CN201611210056.5A CN201611210056A CN106813921A CN 106813921 A CN106813921 A CN 106813921A CN 201611210056 A CN201611210056 A CN 201611210056A CN 106813921 A CN106813921 A CN 106813921A
- Authority
- CN
- China
- Prior art keywords
- rotating machinery
- combined failure
- failure
- diagnosis
- combined
- 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
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种旋转机械复合故障诊断方法,首先,合理选择特征量作为贝叶斯判别方法的属性变量,通过旋转机械复合故障的历史数据构建贝叶斯判别规则;其次,利用构建的规则对待区分复合故障进行类别概率计算,实现对旋转机械复合故障的初步诊断;最后,采用故障类型决策方法实现对旋转机械复合故障的诊断。本发明方法首先通过大型机组智能故障诊断***计算无量纲指标,构建各无量纲指标数据库。采用贝叶斯判别方法获得对实现对各种故障模式的后验概率值,实现对复合故障的初步诊断,对诊断结果进行信息融合,得到最终的诊断结果,提高了旋转机械复合故障诊断准确率,能够对旋转机械复合故障状态进行有效分类判定。
Description
技术领域
本发明涉及故障诊断技术领域,具体是一种旋转机械复合故障诊断方法。
背景技术
随着旋转机械设备复杂性的不断提高,人们对其可靠性与安全性也提出了更高的要求。通过故障诊断技术对机械的健康状态进行分析,判断出发生故障的类型,为设备进行及时有效地维护和健康管理提供了科学依据。
在旋转机械故障诊断研究中,通常采用时域或频域分析方法对振动监测数据进行故障诊断。然而旋转机械在发生故障时,振动监测信号往往存在大量的非线性、随机、不可遍历的信息,给故障信号的分析带来很大的困难。考虑到振动时域信号是最基本、最原始的信号,如果能够直接通过这类时域信号提取故障特征,进行故障诊断,对于保持信号的基本特征将非常有利。在时域分析中,能较好的反映故障信息的就是振动信号的概率密度函数。通过振动信号的概率密度函数,目前已经衍生出了幅值域中得有量纲指标(如均值、均方根值等)和无量纲指标(如波形指标、裕度指标、脉冲指标等)。在实际中,有量纲指标虽然对故障特征敏感,其数值会随着故障的发展而上升,但也会因工作条件(如负载、转速等)的变化而变化,并极易受干扰的影响,给工程应用带来一定的困难。相比之下,无量纲指标对于振动监测信号中的扰动不敏感,性能较为稳定。特别地,这些无量纲指标对信号的幅值和频率的变化不敏感,即与机器的工作条件关系不大。因此,无量纲指标在旋转机械故障诊断中得到了广泛的应用。在无量纲指标中,峭度指标和脉冲指标对冲击型故障比较敏感,尤其是在故障发生早期,大幅值的脉冲比较少,其他指标值增加不多,而峭度指标和脉冲指标值上升比较快,因此这两个指标对于旋转机械的早期故障比较敏感。然而实际工况下,由于旋转机械等大型设备结构和工艺上的复杂性,往往发生的是复合故障,即设备的故障是多个单一故障并发的结果。现有的相关研究主要集中在对单一故障的处理,而对于复合故障的诊断研究仍处于初级阶段,相关的研究也非常缺乏,现有的诊断方法对这一问题难以处理。其主要难点是:通过振动监测数据计算得到的各个无量纲指标对应的故障范围之间存在很大的重合,即正常状态的无量纲指标的范围和故障状态的无量纲指标范围难以严格区分,从而造成诊断结果的不确定性。这个难点很大程度上增加了应用现有故障诊断方法去解决这些问题的复杂性和难度。要想解决这个问题,就要求应用一种有效的方法对不确定性信息可以进行合理的、***的、灵活的处理。
发明内容
为了解决前面分析的问题,实现旋转机械复合故障的准确诊断,本发明提供一种旋转机械复合故障诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
1、无量纲指标
早期的故障诊断技术多为基于有量纲的分析研究,如方根幅值、平均幅值、均方根值和峰值的分析,这些指标易受机械载荷和转速的影响。而无量纲指标具有对幅值和频率变化
不敏感的特性,与机器的运动条件无关,因此在故障诊断中得到了广泛应用。无量纲指标只依赖于概率密度函数,是一种较好的诊断参数,其参数定义为:
式中:x代表振动幅值;p(x)代表振动幅值的概率密度函数。
若l=2,m=1,则有波形指标
若l→∞,m=1,则有脉冲指标
若l→∞,则有裕度指标
若l→∞,m=2,则有峰值指标
此外,峭度指标为
2、贝叶斯判别方法
所谓判别方法就是对空间的一种划分,一种划分对应一种判别方法,不同的划分就是不同的判别方法。贝叶斯的统计思想总是假定对研究的对象已有一定的认识,常用先验概率分布来描述这种认识;然后抽取一个样本,用样本来修正已有的认识(先验概率分布),得到后验概率分布。各种统计推断都通过后验概率分布来进行,将贝叶斯思想用于判别分析就得到贝叶斯判别法。贝叶斯判别方法是通过计算得出属于某一类的概率,具有最大概率的类便是该对象所属的类。一般情况下在贝叶斯分类中所有的属性都潜在地起作用,即所有的属性都参与分类。
设k有个类别(C1,C2,…,Ck)。假设事先对所研究的问题有一定的认识,这种认识常用先验概率来描述,即已知这个类别各自出现的概率(验前概率)为(P(C1),P(C2),…,P(Ck)),其中P(Ci)>0,P(C1)+P(C2)+…+P(Ck)=1。先验概率是一种权重,所谓“先验”是指先于我们抽取样品作判别分析之前。贝叶斯判别法要求给出P(Ci)的值。P(Ci)的赋值方法采用训练样本中分类样品占的比例ni/n作为P(Ci)的值,其中ni是第i类总体的样品数,而n=n1+n2+…nk。
给定一个未知个体的输入向量X,X=(x1,x2,…xm)T,m为输入向量属性个数。如果X关于类Ci的概率p(Ci|X)比其他所有类C1,C2,…,Ck的概率都大,则Bayes决策规则便将X归于类别Ci,
由Bayes定理:
假定类别先验概率已知,为作出决策,就必须估计类条件密度,通常设类条件密度是高斯正态分布函数,即:
分别为第i类均值向量和协方差矩阵,Xij为i类第j个样本,ni表示第i类的样本数。m为输入向量X属性个数。
样本X与各个类别的距离可以表示为:
则该样本属于第i个类别的后验概率P(Ci|X)为
把式(8)代入式(7),并两边取对数:
考虑到对于所有类别,lg(P(X))均为常数,对分类无影响,故式(13)可以写为:
若对于所有的Ci,有lg(P(Ci|X))>lg(P(Cj|X)),j=1,2…k则将样本X归于类别Ci。
贝叶斯判别方法根据已掌握的每个类别的若干样本的数据信息,总结出客观事物分类的规律性,建立判别函数,然后根据总结的判别函数,就能够判别新样本所属类别。
由于贝叶斯判别方法在表示数据分布的不确定性方面具有优势,可以作为处理上面问题的一种有效途径。贝叶斯判别方法是根据贝叶斯准则进行判别分析的一种多元统计分析法。该方法将先验知识与样本信息相结合、依赖关系与概率表示相结合来表示数据分布的不确定性。贝叶斯判别方法作为一种基于统计的分类方法,对于解决***不确定因素引起的故障诊断问题具有很大的优势。
本发明的一种旋转机械复合故障诊断方法,步骤如下:
(1)选择具有故障的旋转机械,收集机械设备的典型故障集;
(2)将机械装备的振动进行在线测试,获得测试数据,进行无量纲指标的计算;
(3)合理选择特征量作为贝叶斯判别方法的属性变量,通过旋转机械复合故障的数据集合构建贝叶斯判别规则;
(4)利用构建的规则对待区分复合故障进行类别概率计算,实现对旋转机械复合故障的初步诊断;
(5)采用故障类型决策方法,实现对旋转机械复合故障的诊断。
与现有技术相比,本发明的有益效果是:
该方法首先通过自主开发的大型机组智能故障诊断***计算无量纲指标,构建旋转机械复合故障下各无量纲指标数据库。采用贝叶斯判别方法获得对实现对各种故障模式的后验概率值,实现对复合故障的初步诊断;然后结合时间序列分析方法作为决策融合方法,对测试样本数据进行不同时间序列长度的划分,对贝叶斯判别方法获得的初步故障诊断结果进行信息融合,从而得到最终的诊断结果。
附图说明
图1为旋转机械复合故障诊断方法的流程示意图。
图2为旋转机械复合故障诊断实验平台的实体图。
图3为旋转机械复合故障诊断***的界面图。
图4为大齿轮缺齿状态下振动信号时域波形图。
图5a-5e为无量纲指标对六种故障状态的分类图。
图6-图8为不同时间序列长度测试样本的准确率对照图。
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。
基于贝叶斯判别方法和无量纲指标结合的旋转机械复合故障诊断方法流程见图1所示,步骤如下:
(1)选择具有故障的旋转机械,收集机械设备的典型故障集;
(2)将机械装备的振动进行在线测试,获得测试数据,进行无量纲指标的计算;
(3)合理选择特征量作为贝叶斯判别方法的属性变量,通过旋转机械复合故障的数据集合构建贝叶斯判别规则;
(4)利用构建的规则对待区分复合故障进行类别概率计算,实现对旋转机械复合故障的初步诊断;
(5)采用故障类型决策方法,实现对旋转机械复合故障的诊断。
旋转机械多故障诊断实验平台(见图2)是广东省石化装备故障诊断重点实验室自主研发的一种用于机械状态监测和故障诊断的测试设备。此设备可模拟各种旋转机械的常见故障,包括轴故障件(轴不对中、弯曲轴、裂纹轴)、轴承故障件(外圈磨损轴承、内圈磨损轴承、缺滚珠轴承)和齿轮箱故障件(大齿轮缺齿、小齿轮缺齿)等,通过更换不同的故障件可以模拟旋转机械多种故障状态实验。本发明涉及的旋转机械故障模拟实验主要是:大齿轮缺齿、大齿轮缺齿+轴承外圈磨损、大齿轮缺齿+轴承缺滚珠、大小齿轮均缺齿、轴承缺滚珠和轴承外圈磨损6种实验。对于以上旋转机械故障实验,将采用自主研发的智能故障诊断***(见图3)分别采集它们的故障数据,利用智能故障诊断***可以测量旋转机械的振动信号并在线计算出波形指标、峰值指标、裕度指标、脉冲指标和峭度指标。
图4给出了大齿轮缺齿故障状态下单个样本的时域振动波形图,每种故障实验分别采集各200组振动信号,其中每类状态前100组数据用于训练,后100组数据用于测试,将各无量纲指标的100组数据中的最小值与最大值作为该指标的取值范围,如表1所示。为了方便,大齿轮缺齿、大齿轮缺齿+轴承外圈磨损、大齿轮缺齿+轴承缺滚珠、大小齿轮均缺齿、轴承缺滚珠和轴承外圈磨损分别用F1、F2、F3、F4、F5和F6表示。
经过上述的试验,我们可以作出五个无量纲指标对6种故障状态数据的分类敏感性图(见图5),其中横坐标为样本数据个数,样本段1~100,101~200,201~300,301~400,401~500,501~600,分别对应F1、F2、F3、F4、F5和F6状态,纵坐标为各无量纲指标。从图中可以看出在同一个无量纲指标的情况下,不同状态的各取值范围几乎是重合的,现有的5个无量纲指标对这六种单一和复合故障状态不具有分类能力。
表1 单个故障、复合故障无量纲指标取值范围
在此阶段中,将会根据旋转机械的实际情况选取主要的诊断特征指标,确定故障种类数目;将通过训练样本计算出各个类别的先验概率、均值向量和协方差矩阵,设计贝叶斯判别函数,算出各待测点的后验概率,并进行故障状态的判定。
分别把大齿轮缺齿、大齿轮缺齿+轴承外圈磨损、大齿轮缺齿+轴承缺滚珠、大小齿轮均缺齿、轴承缺滚珠和轴承外圈磨损故障状态作为贝叶斯判别分析方法的6个类别,假设各个类别符合正态总体分布,5个无量纲指标依序分别作为贝叶斯判别分析方法的判别因子。根据6个类别的学习样本数据确定先验概率为:Prior(F1)=Prior(F2)=Prior(F3)=Prior(F4)=Prior(F5)=Prior(F6)=1/6。计算各分类训练样本点的均值向量及协方差阵。
各故障类型的均值向量为:
选取待测样本点,计算分类后验概率。以齿轮箱大小齿轮均缺齿F4为列,随机抽取十个测试样本,各测试样本的5个无量纲指标的具体数值如表2所示:
表2 齿轮箱大小齿轮均缺齿状态F4部分测试样本
经公式(11-12)计算,得到以上测试样本的后验概率如表3所示。
表3 状态F4部分测试样本的后验概率
序号 | F1 | F2 | F3 | F4 | F5 | F6 | 初步诊断结果 |
1 | 0.4062 | 0.1967 | 0.2128 | 0.1653 | 0.0189 | 3.4197e-74 | F1 |
2 | 0.0163 | 0.1262 | 0.2379 | 0.6177 | 0.0020 | 5.1976e-63 | F4 |
3 | 0.3586 | 0.2099 | 0.2184 | 0.1854 | 0.0277 | 4.0583e-50 | F1 |
4 | 0.0088 | 0.2065 | 0.1841 | 0.5994 | 0.0012 | 3.5885e-66 | F4 |
5 | 0.0502 | 0.2961 | 0.1977 | 0.4448 | 0.0112 | 2.3749e-52 | F4 |
6 | 0.0362 | 0.3001 | 0.3409 | 0.3208 | 0.0021 | 1.6557e-47 | F3 |
7 | 0.3488 | 0.1702 | 0.3237 | 0.1483 | 0.0089 | 2.5663e-102 | F1 |
8 | 0.2310 | 0.1983 | 0.2021 | 0.3483 | 0.0202 | 1.6576e-46 | F4 |
9 | 0.2368 | 0.1532 | 0.1655 | 0.4164 | 0.0282 | 1.3255e-61 | F4 |
10 | 0.0078 | 0.5681 | 0.3016 | 0.1194 | 0.0031 | 2.5317e-40 | F2 |
从表3可以看出,10个测试样本中属于F4状态的样本数目有5个,属于F1状态的样本数目有3个,属于F2状态的样本数目有1个,属于F3状态的样本数目有1个,由此可以确定10个测试样本中诊断为F4状态的准确率为50%,可以得出,经过贝叶斯判别方法初步诊断的准确率比较低。
为了实现对齿轮箱大小齿轮均缺齿状态下的100个测试样本最终的故障诊断,本发明采用时间序列分析方法作为决策融合诊断。将100个测试样本按照采集时间的先后排序,选取不同的时间序列长度,时间序列是按时间顺序的一组数字序列,依次判断时间序列长度里面各个测试样本的后验概率,根据测试样本的后验概率大小排序,后验概率值最大者所对应的故障状态,测试样本即判断为该故障状态,当后验概率值出现两个或多个最大值时,测试样本则判断为不确定状态,如此对每个时间序列长度各测试样本进行分析,统计各时间序列长度里面的测试样本故障状态的诊断准确率,最终实现对100个测试样本诊断分析。
1)时间序列长度N=10时,各时间序列长度测试样本的准确率见图6。
时间序列数目一共91组,每组10个测试样本,最终诊断结果见下表4:
表4 时间序列长度N=10测试样本的总准确率
故障类型 | F1 | F2 | F3 | F4 | F5 | F6 | 不确定 |
识别数目 | 23 | 0 | 4 | 53 | 0 | 0 | 11 |
准确率 | 0.2527 | 0 | 0.0440 | 0.5824 | 0 | 0 | 0.1209 |
2)时间序列长度N=25时,各时间序列长度测试样本的准确率见图7。
时间序列数目一共76组,每组25个测试样本,最终诊断结果见下表5:
表5 时间序列长度N=25测试样本的总准确率
故障类型 | F1 | F2 | F3 | F4 | F5 | F6 | 不确定 |
识别数目 | 15 | 0 | 0 | 55 | 0 | 0 | 6 |
准确率 | 0.1974 | 0 | 0 | 0.7237 | 0 | 0 | 0.0789 |
3)时间序列长度N=50时,各时间序列长度测试样本的准确率见图8。
时间序列数目一共51组,每组50个测试样本,最终识别为状态F4的时间序列数目为51组,故对状态F4的诊断准确率为100%。
4)时间序列长度N=100时,我们计算出100个测试数据的后验概率,根据各个测试数据的后验概率大小排序,最终得到100个测试数据的准确率,见下表6:
表6 时间序列长度N=100测试样本的总准确率
故障类型 | F1 | F2 | F3 | F4 | F5 | F6 |
识别数目 | 28 | 5 | 19 | 48 | 0 | 0 |
准确率 | 0.2800 | 0.0500 | 0.1900 | 0.4800 | 0 | 0 |
通过以上的分析,只要选取合适的时间序列长度,基于贝叶斯判别方法和无量纲指标结合的旋转机械复合故障诊断方法就可以提高对测试样本的诊断准确率,准确率可以达到100%。实验结果证明,本发明提出的方法能够高效准确识别待测样本。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (1)
1.一种旋转机械复合故障诊断方法,其特征在于,步骤如下:
(1)选择具有故障的旋转机械,收集机械设备的典型故障集;
(2)将机械装备的振动进行在线测试,获得测试数据,进行无量纲指标的计算;
(3)合理选择特征量作为贝叶斯判别方法的属性变量,通过旋转机械复合故障的数据集合构建贝叶斯判别规则;
(4)利用构建的规则对待区分复合故障进行类别概率计算,实现对旋转机械复合故障的初步诊断;
(5)采用故障类型决策方法,实现对旋转机械复合故障的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611210056.5A CN106813921A (zh) | 2016-12-24 | 2016-12-24 | 一种旋转机械复合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611210056.5A CN106813921A (zh) | 2016-12-24 | 2016-12-24 | 一种旋转机械复合故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106813921A true CN106813921A (zh) | 2017-06-09 |
Family
ID=59110080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611210056.5A Pending CN106813921A (zh) | 2016-12-24 | 2016-12-24 | 一种旋转机械复合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106813921A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108507783A (zh) * | 2018-03-14 | 2018-09-07 | 湖南大学 | 一种基于群分解的旋转机械复合故障诊断方法 |
CN109726893A (zh) * | 2018-11-27 | 2019-05-07 | 广东石油化工学院 | 一种旋转机械故障数据集属性权重的确定及评价方法 |
CN110351120A (zh) * | 2019-06-06 | 2019-10-18 | 武汉烽火技术服务有限公司 | 一种通信设备故障判断方法及*** |
CN112163630A (zh) * | 2020-10-12 | 2021-01-01 | 清华大学 | 一种基于不平衡学习的复合故障诊断方法及装置 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114968647A (zh) * | 2022-08-02 | 2022-08-30 | 中海油能源发展股份有限公司采油服务分公司 | 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 |
CN117076869A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械时频域融合故障诊断方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246803A (zh) * | 2013-04-07 | 2013-08-14 | 河南科技大学 | 一种滚动轴承性能变异过程的显著性检验方法 |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
-
2016
- 2016-12-24 CN CN201611210056.5A patent/CN106813921A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246803A (zh) * | 2013-04-07 | 2013-08-14 | 河南科技大学 | 一种滚动轴承性能变异过程的显著性检验方法 |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
CN105426655A (zh) * | 2015-10-28 | 2016-03-23 | 广东石油化工学院 | 一种基于无量纲指标的旋转机械故障诊断方法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
周真 等: "风电机组故障诊断中不确定性信息处理的贝叶斯网络方法", 《哈尔滨理工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108507783A (zh) * | 2018-03-14 | 2018-09-07 | 湖南大学 | 一种基于群分解的旋转机械复合故障诊断方法 |
CN109726893A (zh) * | 2018-11-27 | 2019-05-07 | 广东石油化工学院 | 一种旋转机械故障数据集属性权重的确定及评价方法 |
CN110351120A (zh) * | 2019-06-06 | 2019-10-18 | 武汉烽火技术服务有限公司 | 一种通信设备故障判断方法及*** |
CN112163630A (zh) * | 2020-10-12 | 2021-01-01 | 清华大学 | 一种基于不平衡学习的复合故障诊断方法及装置 |
CN114021285A (zh) * | 2021-11-17 | 2022-02-08 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114021285B (zh) * | 2021-11-17 | 2024-04-12 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN114968647A (zh) * | 2022-08-02 | 2022-08-30 | 中海油能源发展股份有限公司采油服务分公司 | 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法 |
CN117076869A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械时频域融合故障诊断方法及*** |
CN117076869B (zh) * | 2023-10-16 | 2024-01-26 | 广东石油化工学院 | 旋转机械时频域融合故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106813921A (zh) | 一种旋转机械复合故障诊断方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、***、介质、设备 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN103810328B (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN102788696B (zh) | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN107677472A (zh) | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 | |
CN102736562B (zh) | 面向数控机床故障诊断与故障预报的知识库构建方法 | |
CN106441888A (zh) | 一种高速列车滚动轴承故障诊断方法 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN103291600B (zh) | 一种基于emd-ar和mts的液压泵故障诊断方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN103033359A (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN103983452A (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN108090427A (zh) | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 | |
CN103512751A (zh) | 一种基于概率神经网络的轴承健康状态识别方法 | |
CN105426655A (zh) | 一种基于无量纲指标的旋转机械故障诊断方法 | |
CN106446339A (zh) | 基于狄利克雷混合模型的转动机械运行状态异常检测方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN114871850A (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170609 |
|
RJ01 | Rejection of invention patent application after publication |