CN110132596A - 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 - Google Patents
一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 Download PDFInfo
- Publication number
- CN110132596A CN110132596A CN201910333310.8A CN201910333310A CN110132596A CN 110132596 A CN110132596 A CN 110132596A CN 201910333310 A CN201910333310 A CN 201910333310A CN 110132596 A CN110132596 A CN 110132596A
- Authority
- CN
- China
- Prior art keywords
- wolf
- svm
- prey
- gwo
- rolling bearing
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 15
- 241000282461 Canis lupus Species 0.000 claims abstract description 81
- 238000012706 support-vector machine Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 241000282421 Canidae Species 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于小波包和GWO‑SVM的滚动轴承故障诊断的方法,属于机械故障诊断的领域。本发明利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,然后通过小波包对信号进行3层分解,计算第3层8个节点的能量作为信号的特征数据。在提取其特征之后,将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine,SVM)中进行训练,得到基于GWO‑SVM的故障诊断模型。最后将测试数据输入到训练好的模型中,最终得到测试数据的故障类型。实验结果表明,灰狼算法对故障识别的准确性有显着提高。以故障诊断精度,训练时间和测试时间为标准,由GWO算法优化的SVM分类具有更高的准确性和更短的运行时间。
Description
技术领域
本发明涉及一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法,属于机械故障诊断的范畴。
背景技术
滚动轴承是所有工业设备的核心,它将轴和轴座之间的滑动摩擦转化为运行期间的滚动摩擦。以此减少能量损失和运行状态速率的一种工业部件。在工业环境中设备都处在高速、重载和强磁场的状态下,滚动轴承作为不可或缺的部件,其运行状态的稳定性对机械***的性能有着难以忽略的影响。在这种情况下,及时准确地诊断出滚动轴承内圈,外圈和滚动体的故障对机械设备的运行极其重要。
在故障诊断中,支持向量机(SVM)的参数选择与向量机本身的分类精度有很大关系。对于这个问题,可以使用群体智能优化算法来优化其参数,从而提高故障诊断的准确性。群体智能优化算法的工作原理是通过模拟各种宏观或微观的群体所表现的相互作用,利用群体与群体之间、个体与个体之间的相互关系、通过不断反馈信息来取得最适用于问题的方法。但现有技术中滚动轴承故障的准确率较低且其诊断时间较长。
发明内容
本发明要解决的技术问题是提出一种基于小波包和GWO-SVM滚动轴承的故障诊断的方法,通过优化支持向量机的惩罚系数c和核函数半径σ,提高诊断滚动轴承故障的准确率及诊断时间。
本发明采用的技术方案是:一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法,利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,然后通过小波包对测量的每一种信号分别进行3层分解,计算每一种信号第3层8个节点的能量并将其作为信号的特征数据;在提取其特征之后,将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine,SVM)中进行训练,得到基于GWO-SVM的故障诊断模型。最后将测试数据输入到训练好的模型中,最终得到测试数据的故障类型。
具体步骤如下:
(1)将加速度传感器安装在滚动轴承的驱动端上。振动加速度信号由16通道数据记录仪采集得到。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1730r/min。分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,然后通过小波包对测量的每一种信号分别进行3层分解,计算每一种信号第3层8个节点的能量并将其作为信号的特征数据。
(2)在提取训练数据的特征之后,将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine,SVM)中进行训练,其中灰狼算法过程如下:假设t为当前迭代次数,Xp(t)为t时刻猎物位置矢量,X(t)为t时刻狼群位置矢量,则狼群与猎物之间的距离D为:
D=|C·XP(t)-X(t)| (1)
得到狼群与猎物距离之后,狼群需要适时调整自己的位置,其公式如下:
X(t+1)=XP(t)-A·D (2)
其中,X(t+1)为t+1时刻狼群位置矢量,A,C为系数矢量,通过以下公式可以得到A,C的值
A=2a·r1-a (3)
C=2r2 (4)
其中,r1,r2∈[0,1]的随机向量。a为收敛因子,其随着迭代次数的增加线性的从2递减到0。a的表达公式
其中,max为最大迭代次数。当头狼确定猎物大致方位以后,将带领其他从属狼对猎物进行围猎,利用狼群个体之间的位置关系,更加准确的确定猎物位置,最终进行攻击。狼群围捕猎物位置变化公式如下:
Dα=|C1Xα(t)-X(t)| (6)
Dβ=|C2Xβ(t)-X(t)| (7)
Dδ=|C3Xδ(t)-X(t) (8)
X1=Xα-A1Dα
X2=Xβ-A2Dβ (9)
X3=Xδ-A3Dδ
其中Dα,Dβ,Dδ分别为α,β,δ狼与猎物之间的距离,A1,A2,A3和C1,C2,C3分别为α,β,δ的系数矢量,Xα(t),Xβ(t),Xδ(t)为t时刻猎物位置,X1,X2,X3分别为狼群矢量位置,Xα,Xβ,Xδ分别为猎物矢量位置。当|A|>1时,狼群将增加狩猎区域的面积,再更大范围内搜索猎物,即进行全局搜素,收敛速度加快;当|A|<1时,狼群将收缩狩猎区域的面积,确定猎物的位置,即进行局部搜索,使收敛速度减慢。狼群算法容易陷入局部最优解的原因就是当狼群改变进攻方向时,会错过猎物的位置,造成猎物丢失。即首先初始化SVM的惩罚系数c、核函数半径σ和狼群的位置;其次通过遍历所有灰狼的位置,得到最优的个体适应度α,其余各自成为β、δ和ω群体。根据上式可以更新狼群中个体的位置。对每匹狼在新位置上的适应度进行计算并且与上次迭代适应度进行对比,如果新的适应度高于,则新的适应度代替原有的作为最优适应度,并且新狼位置替代原有位置;如果没有高于的,则原有适应度保持不变。如果完成最大循环要求,那么训练停止,并输出α狼和β狼的位置,就是最佳的SVM参数c和σ的值;若没有完成最大循环则继续更新狼群位置分别使用α、β作为c和σ建立SVM,将训练数据代入运行,得到GWO-SVM训练模型。
(3)将测试数据输入到训练好的GWO-SVM诊断模型中,得到测试数据的分类结果。
本发明的有益效果是:
(1)利用小波包对收集到的数据进行特征提取,提取特征明显,方法可靠性高;
(2)利用灰狼算法对支持向量机的参数进行优化,提高滚动轴承故障诊断的识别率和诊断时间。
附图说明
图1为本发明诊断模型示意图;
图2为本发明狼群围捕位置变化;
图3为本发明支持向量机网络结构图;
图4为本发明算法改进SVM适应度曲线;
图5为本发明GWO-SVM模型分类精确度;
图6为本发明测试集分类图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步说明
实施例1:如图1-图6所示,一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法,包括如下步骤:利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,然后通过小波包对测量的每一种信号分别进行3层分解,计算每一种信号第3层8个节点的能量并将其作为信号的特征数据;在提取其特征之后,将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine,SVM)中进行训练,得到基于GWO-SVM的故障诊断模型。最后将测试数据输入到训练好的模型中,最终得到测试数据的故障类型。
具体步骤为:
(1)将加速度传感器安装在滚动轴承的驱动端上。振动加速度信号由16通道数据记录仪采集得到。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1730r/min。分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,通过小波包对信号进行3层分解,计算第3层8个节点的能量作为信号的特征数据。
(2)在提取训练数据的特征之后,将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine,SVM)中进行训练,其中灰狼算法过程如下:假设t为当前迭代次数,Xp(t)为t时刻猎物位置矢量,X(t)为t时刻狼群位置矢量,则狼群与猎物之间的距离D为:
D=|C·XP(t)-X(t)| (1)
得到狼群与猎物距离之后,狼群需要适时调整自己的位置,其公式如下:
X(t+1)=XP(t)-A·D (2)
其中,X(t+1)为t+1时刻狼群位置矢量,A,C为系数矢量,通过以下公式可以得到A,C的值
A=2a·r1-a (3)
C=2r2 (4)
其中,r1,r2∈[0,1]的随机向量。a为收敛因子,其随着迭代次数的增加线性的从2递减到0。的表达公式
其中,max为最大迭代次数。当头狼确定猎物大致方位以后,将带领其他从属狼对猎物进行围猎,利用狼群个体之间的位置关系,更加准确的确定猎物位置,最终进行攻击。狼群围捕猎物位置变化公式如下:
Dα=|C1Xα(t)-X(t)| (6)
Dβ=|C2Xβ(t)-X(t)| (7)
Dδ=|C3Xδ(t)-X(t) (8)
X1=Xα-A1Dα
X2=Xβ-A2Dβ (9)
X3=Xδ-A3Dδ
其中Dα,Dβ,Dδ分别为α,β,δ狼与猎物之间的距离,A1,A2,A3和C1,C2,C3分别为α,β,δ的系数矢量,Xα(t),Xβ(t),Xδ(t)为t时刻猎物位置,X1,X2,X3分别为狼群矢量位置,Xα,Xβ,Xδ分别为猎物矢量位置。当|A|>1时,狼群将增加狩猎区域的面积,再更大范围内搜索猎物,即进行全局搜素,收敛速度加快;当|A|<1时,狼群将收缩狩猎区域的面积,确定猎物的位置,即进行局部搜索,使收敛速度减慢。狼群算法容易陷入局部最优解的原因就是当狼群改变进攻方向时,会错过猎物的位置,造成猎物丢失。即首先初始化SVM的惩罚系数c、核函数半径σ和狼群的位置;其次通过遍历所有灰狼的位置,得到最优的个体适应度α,其余各自成为β、δ和ω群体。根据上式可以更新狼群中个体的位置。对每匹狼在新位置上的适应度进行计算并且与上次迭代适应度进行对比,如果新的适应度高于,则新的适应度代替原有的作为最优适应度,并且新狼位置替代原有位置;如果没有高于的,则原有适应度保持不变。如果完成最大循环要求,那么训练停止,并输出α狼和β狼的位置,就是最佳的SVM参数c和σ的值;若没有完成最大循环则继续更新狼群位置分别使用α、β作为c和σ建立SVM,将训练数据代入运行,得到GWO-SVM训练模型。
(3)将测试数据输入到训练好的GWO-SVM诊断模型中,得到测试数据的分类结果。
本发明的原理是:利用灰狼算法优化支持向量机进行故障诊断,其本质是利用灰狼算法优化支持向量机的惩罚系数c和核函数半径σ,通过输入训练数据得到GWO-SVM诊断模型,以此提高滚动轴承故障诊断的识别率和运行时间。
下面结合具体例子进行详细说明:
现将加速度传感器安装在滚动轴承的驱动端上。振动加速度信号由16通道数据记录仪采集得到。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1730r/min。分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号。经测量得到每类数据的大小是8*1200,其中8是特征维数,1200是样本个数。每类选800个样本作为训练,其余400个测试,因此4类数据共有3200个训练样本,1600个测试样本。通过小波包对信号进行3层分解,计算第3层8个节点的能量作为信号的特征数据。同时通过公式(1)-(9)用灰狼算法优化支持向量机的惩罚系数c、核函数半径σ建立SVM预测模型,在提取3200个训练数据的特征之后,将特征参数输入到由灰狼算法优化的支持向量机中进行训练,得到基于GWO-SVM的故障诊断模型。最后1600个测试数据输入到训练好的模型中,最终得到测试数据的故障类型。并计算出GWO-SVM诊断模型的准确率为91.93%,训练时间为0.4534s,测试时间为0.0423s。
实验结果表明,灰狼算法对故障识别的准确性有显着提高。以故障诊断精度,训练时间和测试时间为标准,由GWO算法优化的SVM分类具有更高的准确性和更短的运行时间。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法,其特征在于:包括如下步骤:利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,然后通过小波包对测量的每一种信号分别进行3层分解,计算每一种信号第3层8个节点的能量并将其作为信号的特征数据;在提取其特征之后,将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练,得到基于GWO-SVM的故障诊断模型;最后将测试数据输入到训练好的模型中,最终得到测试数据的故障类型。
2.根据权利要求1所述的一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法,其特征在于:具体步骤为:
(1)将加速度传感器安装在滚动轴承的驱动端上,振动加速度信号由16通道数据记录仪采集得到,驱动端轴承故障采样频率为12kHz,滚动轴承的转速设置为1730r/min,分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号,然后通过小波包对测量的每一种信号分别进行3层分解,计算每一种信号第3层8个节点的能量并将其作为信号的特征数据;
(2)在提取训练数据的特征之后,将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练,其中灰狼算法过程如下:假设t为当前迭代次数,Xp(t)为t时刻猎物位置矢量,X(t)为t时刻狼群位置矢量,则狼群与猎物之间的距离D为:
D=|C·XP(t)-X(t)| (1)
得到狼群与猎物距离之后,狼群需要适时调整自己的位置,其公式如下:
X(t+1)=XP(t)-A·D (2)
其中,X(t+1)为t+1时刻狼群位置矢量,A,C为系数矢量,通过以下公式可以得到A,C的值
A=2a·r1-a (3)
C=2r2 (4)
其中,r1,r2∈[0,1]的随机向量,a为收敛因子,其随着迭代次数的增加线性的从2递减到0,a的表达公式
其中,max为最大迭代次数,当头狼确定猎物大致方位以后,将带领其他从属狼对猎物进行围猎,利用狼群个体之间的位置关系,更加准确的确定猎物位置,最终进行攻击,狼群围捕猎物位置变化公式如下:
Dα=|C1Xα(t)-X(t)| (6)
Dβ=|C2Xβ(t)-X(t)| (7)
Dδ=|C3Xδ(t)-X(t) (8)
X1=Xα-A1Dα
X2=Xβ-A2Dβ (9)
X3=Xδ-A3Dδ
其中:Dα,Dβ,Dδ分别为α,β,δ狼与猎物之间的距离,A1,A2,A3和C1,C2,C3分别为α,β,δ的系数矢量,Xα(t),Xβ(t),Xδ(t)为t时刻猎物位置,X1,X2,X3分别为狼群矢量位置,Xα,Xβ,Xδ分别为猎物矢量位置,当|A|>1时,狼群将增加狩猎区域的面积,再更大范围内搜索猎物,即进行全局搜素,收敛速度加快;当|A|<1时,狼群将收缩狩猎区域的面积,确定猎物的位置,即进行局部搜索,使收敛速度减慢,狼群算法容易陷入局部最优解的原因就是当狼群改变进攻方向时,会错过猎物的位置,造成猎物丢失,即首先初始化SVM的惩罚系数c、核函数半径σ和狼群的位置;其次通过遍历所有灰狼的位置,得到最优的个体适应度α,其余各自成为β、δ和ω群体,根据上式可以更新狼群中个体的位置,对每匹狼在新位置上的适应度进行计算并且与上次迭代适应度进行对比,如果新的适应度高于原来的,则新的适应度代替原有的作为最优适应度,并且新狼位置替代原有位置;如果没有高于的,则原有适应度保持不变,如果完成最大循环要求,那么训练停止,并输出α狼和β狼的位置,就是最佳的SVM参数c和σ的值;若没有完成最大循环则继续更新狼群位置分别使用α、β作为c和σ建立SVM,将训练数据代入运行,得到GWO-SVM训练模型;
(3)将测试数据输入到训练好的GWO-SVM诊断模型中,得到测试数据的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333310.8A CN110132596A (zh) | 2019-04-24 | 2019-04-24 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333310.8A CN110132596A (zh) | 2019-04-24 | 2019-04-24 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110132596A true CN110132596A (zh) | 2019-08-16 |
Family
ID=67571085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333310.8A Pending CN110132596A (zh) | 2019-04-24 | 2019-04-24 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132596A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111242005A (zh) * | 2020-01-10 | 2020-06-05 | 西华大学 | 一种基于改进狼群算法优化支持向量机的心音分类方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN111368892A (zh) * | 2020-02-27 | 2020-07-03 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
CN111563348A (zh) * | 2020-04-10 | 2020-08-21 | 西安工程大学 | 基于深度支持向量机的变压器故障诊断方法 |
CN111603161A (zh) * | 2020-05-28 | 2020-09-01 | 苏州小蓝医疗科技有限公司 | 一种脑电分类方法 |
CN112052934A (zh) * | 2020-09-08 | 2020-12-08 | 江南大学 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
CN112285541A (zh) * | 2020-09-21 | 2021-01-29 | 南京理工大学 | 一种电流频率转换电路的故障诊断方法 |
CN112288001A (zh) * | 2020-10-28 | 2021-01-29 | 北京航空航天大学 | 一种基于gwo过采样的高铁制动***故障检测svm方法 |
CN112836604A (zh) * | 2021-01-22 | 2021-05-25 | 合肥工业大学 | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质 |
CN113670609A (zh) * | 2021-07-21 | 2021-11-19 | 广州大学 | 基于灰狼优化算法的故障检测方法、***、装置及介质 |
CN113917287A (zh) * | 2021-11-22 | 2022-01-11 | 国家电网有限公司 | 一种变电站母线接头放电发热故障监测*** |
CN113923104A (zh) * | 2021-12-07 | 2022-01-11 | 南京信息工程大学 | 基于小波神经网络的网络故障诊断方法、设备及存储介质 |
CN114781577A (zh) * | 2022-05-06 | 2022-07-22 | 安徽理工大学 | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 |
CN115032270A (zh) * | 2022-06-01 | 2022-09-09 | 北京科技大学 | 基于机器学习算法建筑幕墙损伤状态定量识别方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183366A (zh) * | 2011-03-08 | 2011-09-14 | 上海大学 | 滚动轴承振动测量和故障分析装置及方法 |
CN103542929A (zh) * | 2013-05-20 | 2014-01-29 | 西北工业大学 | 基于小波包能量矩阵的轴承信号特征提取方法 |
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN106022517A (zh) * | 2016-05-17 | 2016-10-12 | 温州大学 | 一种基于核极限学习机的风险预测的方法和装置 |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN107909141A (zh) * | 2017-11-27 | 2018-04-13 | 温州大学 | 一种基于灰狼优化算法的数据分析方法及装置 |
CN108520272A (zh) * | 2018-03-22 | 2018-09-11 | 江南大学 | 一种改进苍狼算法的半监督入侵检测方法 |
CN109612731A (zh) * | 2019-01-22 | 2019-04-12 | 昆明理工大学 | 基于谐波小波包和iaga-svm的滚动轴承故障诊断方法 |
-
2019
- 2019-04-24 CN CN201910333310.8A patent/CN110132596A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183366A (zh) * | 2011-03-08 | 2011-09-14 | 上海大学 | 滚动轴承振动测量和故障分析装置及方法 |
CN103542929A (zh) * | 2013-05-20 | 2014-01-29 | 西北工业大学 | 基于小波包能量矩阵的轴承信号特征提取方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN106022517A (zh) * | 2016-05-17 | 2016-10-12 | 温州大学 | 一种基于核极限学习机的风险预测的方法和装置 |
CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN107909141A (zh) * | 2017-11-27 | 2018-04-13 | 温州大学 | 一种基于灰狼优化算法的数据分析方法及装置 |
CN108520272A (zh) * | 2018-03-22 | 2018-09-11 | 江南大学 | 一种改进苍狼算法的半监督入侵检测方法 |
CN109612731A (zh) * | 2019-01-22 | 2019-04-12 | 昆明理工大学 | 基于谐波小波包和iaga-svm的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
郭振洲 等: ""基于灰狼算法的改进研究"", 《计算机应用研究》 * |
雷俊辉: ""基于多特征融合和IGWO-MSVM的矿用齿轮箱故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111242005A (zh) * | 2020-01-10 | 2020-06-05 | 西华大学 | 一种基于改进狼群算法优化支持向量机的心音分类方法 |
CN111242005B (zh) * | 2020-01-10 | 2023-05-23 | 西华大学 | 一种基于改进狼群算法优化支持向量机的心音分类方法 |
CN111368892A (zh) * | 2020-02-27 | 2020-07-03 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
CN111368892B (zh) * | 2020-02-27 | 2024-01-30 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
CN111428418A (zh) * | 2020-02-28 | 2020-07-17 | 贵州大学 | 一种轴承故障的诊断方法、装置、计算机设备和存储介质 |
CN111272429B (zh) * | 2020-03-04 | 2021-08-17 | 贵州大学 | 一种轴承故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN111563348A (zh) * | 2020-04-10 | 2020-08-21 | 西安工程大学 | 基于深度支持向量机的变压器故障诊断方法 |
CN111563348B (zh) * | 2020-04-10 | 2023-04-18 | 西安工程大学 | 基于深度支持向量机的变压器故障诊断方法 |
CN111603161A (zh) * | 2020-05-28 | 2020-09-01 | 苏州小蓝医疗科技有限公司 | 一种脑电分类方法 |
CN112052934B (zh) * | 2020-09-08 | 2024-03-01 | 江南大学 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
CN112052934A (zh) * | 2020-09-08 | 2020-12-08 | 江南大学 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
CN112285541A (zh) * | 2020-09-21 | 2021-01-29 | 南京理工大学 | 一种电流频率转换电路的故障诊断方法 |
CN112288001A (zh) * | 2020-10-28 | 2021-01-29 | 北京航空航天大学 | 一种基于gwo过采样的高铁制动***故障检测svm方法 |
CN112288001B (zh) * | 2020-10-28 | 2021-11-23 | 北京航空航天大学 | 一种基于gwo过采样的高铁制动***故障检测svm方法 |
CN112836604A (zh) * | 2021-01-22 | 2021-05-25 | 合肥工业大学 | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质 |
CN113670609A (zh) * | 2021-07-21 | 2021-11-19 | 广州大学 | 基于灰狼优化算法的故障检测方法、***、装置及介质 |
CN113917287A (zh) * | 2021-11-22 | 2022-01-11 | 国家电网有限公司 | 一种变电站母线接头放电发热故障监测*** |
CN113923104A (zh) * | 2021-12-07 | 2022-01-11 | 南京信息工程大学 | 基于小波神经网络的网络故障诊断方法、设备及存储介质 |
CN114781577A (zh) * | 2022-05-06 | 2022-07-22 | 安徽理工大学 | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 |
CN115032270A (zh) * | 2022-06-01 | 2022-09-09 | 北京科技大学 | 基于机器学习算法建筑幕墙损伤状态定量识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132596A (zh) | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 | |
CN107727395B (zh) | 一种基于全变分与补偿距离评估的轴承故障诊断方法 | |
CN107631867B (zh) | 一种基于深度学习的旋转机械故障智能分类方法 | |
Samanta et al. | Artificial neural networks and genetic algorithm for bearing fault detection | |
CN107677472B (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 | |
CN110567720A (zh) | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 | |
CN105243388B (zh) | 基于动态时间规整和划分算法的波形分类方法 | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN112819059B (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及*** | |
CN109374293B (zh) | 一种齿轮故障诊断方法 | |
CN113340598B (zh) | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
Netzer et al. | Intelligent anomaly detection of machine tools based on mean shift clustering | |
Senanayaka et al. | Similarity-based multi-source transfer learning approach for time series classification | |
CN117668488A (zh) | 一种跨工况强化学习故障诊断方法 | |
CN113837071A (zh) | 基于多尺度权重选择对抗网络的部分迁移故障诊断方法 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN111476363A (zh) | 区分化变量去相关的稳定学习方法及装置 | |
CN116644304A (zh) | 基于相似性的货车轴承异常特征提取与分类方法 | |
CN113537288B (zh) | 基于样本信号的修改对目标模型进行训练的方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |