CN110132598B - 旋转设备滚动轴承故障噪声诊断算法 - Google Patents
旋转设备滚动轴承故障噪声诊断算法 Download PDFInfo
- Publication number
- CN110132598B CN110132598B CN201910393258.5A CN201910393258A CN110132598B CN 110132598 B CN110132598 B CN 110132598B CN 201910393258 A CN201910393258 A CN 201910393258A CN 110132598 B CN110132598 B CN 110132598B
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- abnormal
- bearing
- feature
- 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
Images
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
- G06F18/20—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种旋转设备滚动轴承故障噪声诊断算法,首先拾音器采集滚动轴承的运行噪声信号,信号通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判;其次根据故障预判结果,异常信号(有故障发生)通过神经网络滤波器,滤除轴承信号中正常成分,输出的净异常信号接入后续特征提取模块,而正常信号(无故障发生)直接接入特征提取模块;特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量,并利用梯度提升决策树(GBDT)进行特征重构,形成复合特征向量,再利用主成分分析(PCA)对特征进行降维;最后将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试,最终实现高准确率的故障类型诊断。本发明能够有效地检测轴承故障,并保持较高的故障识别准确率,对轴承故障的检测和分类具有较好的有效性和鲁棒性。
Description
技术领域
本发明涉及一种轴承故障分类的方法,具体涉及一种旋转设备滚动轴承故障噪声诊断算法。
背景技术
轴承是旋转机械运行中常易出现故障的主要部件之一。由于机械运行中轴承出现的磨损、转向、老化等,会对整个***运行造成严重的后果,不仅会给企业造成巨大的经济损失,还会危及员工的生命安全甚至会对周围的生态环境造成危害。因此,轴承的健康状况直接关系到机械的安全与***的有效运行,一些轴承故障导致的后果可能是灾难性的,需要在早期能够及时检测和诊断出这些故障。
机械设备在运行时会产生噪声,相比于振动信号,噪声信号当中同样包含着由丰富的信号组成的能够反映设备健康状态的信息,噪声信号还可以通过非接触式的方式获取,不会给设备造成任何损伤,而且在高温、高湿度、高腐蚀等特殊环境也可以实施,安全方面也有保障。因此,噪声诊断特别适用于非接触测量场合。
大部分轴承故障检测方法都是基于传感器采集信号分析,采集的原始信号包括健康状态和故障状态时的信号。由于故障状态信号总是叠加在健康状态信号之上,因此剥离设备健康状态信号后的异常信息的特征在理论上应比单纯依据异常信息的特征在分类精度上更优。与单个分类器相比,集成分类器中的不同分类器可以提供用于故障分类的补充信息,使分类结果更加准确。对于多故障识别的问题,集成分类器结合多个分类器输出,最后确定故障样本的类别。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于神经网络滤波和集成学习分类的旋转设备滚动轴承故障噪声诊断算法,该方法能够有效地检测轴承故障,提高滚动轴承故障识别准确率。
为了实现上述目的,本发明采用的技术方案是:一种旋转设备滚动轴承故障噪声诊断算法,包括以下步骤:
S1:将传感器采集到的轴承运行噪声信号作为轴承状态监测信号,通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判,预先区分正常、异常信号;
S2:根据故障预判结果,异常信号(有故障发生)通过神经网络滤波器,滤除轴承信号中正常成分,输出的净异常信号接入后续特征提取模块,而正常信号(无故障发生)直接接入特征提取模块;
S3:特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量,并利用梯度提升决策树(GBDT)进行特征重构,形成复合特征向量,再利用主成分分析(PCA)对特征进行降维;
S4:将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试,最终实现故障类型的判别诊断。
进一步的,所述的步骤S1中基于高斯混合模型建立轴承正常、异常预分类模型,并利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型,根据待测样本落入的边界区域,判定其为正常样本或异常样本。
进一步的,所述的步骤S2中将预分类后的异常信号输入到线性神经网络滤波器中,输出与输入之间的关系表达式为:通过神经网络训练,采用LMS算法调整网络的权值和阈值,通过前n-1时刻的输入信号值计算得到第n时刻预测信号,并与第n时刻实际输入信号相减,由此得到第n时刻净异常输入信号。以此类推,异常信号通过神经网络滤波器,滤除轴承信号中正常成分,获得所需的净异常信号用于后续特征提取。
进一步的,所述的步骤S3中特征提取模块在提取信号的美尔倒谱系数(MFCC)后,需进一步利用梯度提升决策树(GBDT)对MFCC系数进行特征重构,获得MFCC系数的高维特征,并将获得的高维特征与原有的MFCC系数组合在一起,构成一个复合特征向量,再利用主成分分析(PCA)对其进行降维。
进一步的,所述的步骤S4中采用两级支持向量机(SVM)集成分类器进行训练与测试。初级学习器由初始数据集训练获得,并将初级学习器的输出当作样例输入特征生成一个新的训练集用于次级学习器训练。选用SVM分类器为初级学习器,次级学习器采用基于学习的AdaBoost多分类集成学习算法,采用加权多数投票法对每次循环生成的个体SVM分类器进行集成,得到新的强分类器,并将训练好的分类模型用于滚动轴承故障分类,以获得分类精度的显著提升。
技术效果:
本发明提出的一种旋转设备滚动轴承故障噪声诊断算法,拾音器采集滚动轴承的运行噪声信号,信号通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判;根据故障预判结果,异常信号(有故障发生)通过神经网络滤波器,滤除轴承信号中正常成分,输出的净异常信号接入后续特征提取模块,而正常信号(无故障发生)直接接入特征提取模块;特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量,并利用梯度提升决策树(GBDT)进行特征重构,形成复合特征向量,再利用主成分分析(PCA)对特征进行降维;最后将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试,最终实现高准确率的故障类型诊断。本发明能够有效地检测轴承故障,故障诊断精度有了显著提升。以文中实施例为例,诊断精度可由96.75%提升到99.15%。
附图说明
图1为本发明故障分类方法流程图;
图2为本发明实施例中某轴承正常状态MFCC特征图;
图3为本发明实施例中某次实验神经网络滤波后波形图;
图4为本发明实施例中某次实验PCA降维后样本分布图;
图5为本发明实施例中某次实验特征测试集分类结果预测图。
具体实施方式
下面结合附图对本发明作进一步说明。
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。
如图1所示,本发明包括以下步骤:
S1:将传感器采集到的轴承运行噪声信号作为轴承状态监测信号,通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判,预先区分正常、异常信号。
考虑设备实际运行中,故障信号难以获得,为了实施本发明所提出的方法,需基于高斯混合模型建立轴承正常、异常预分类模型,利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型,根据待测样本落入的边界区域,判定其为正常样本或异常样本。
具体计算方法如下:
(1)根据先验知识,基于高斯概率模型,利用Gibbs采样生成故障样本。
(3)对于待测样本X,计算其属于高斯混合模型中各单高斯模型的概率,并将其判为概率最大所对应的单高斯模型的类别。
S2:根据故障预判结果,异常信号(有故障发生)通过神经网络滤波器,滤除轴承信号中正常成分,输出各种净异常信号分量;
神经网络滤波具体步骤如下:
(1)采集到的正常噪声信号输入到线性神经网络滤波器中。采用LMS算法,参照输出向量与期望输出向量的差别,通过神经网络训练,调整网络的权值跟阈值,使得训练误差的平方和最小或者小于一定值,从而求解出一组最优权重、偏置参数;
(3)将实验测试噪声信号输入到训练好的神经网络中,通过前n-1时刻采样噪声信号(x1,...,xn-1)计算得到第n时刻预测信号并与第n时刻实际输入信号相减,由此得到第n时刻净异常输入信号,以此类推。
(4)异常信号通过神经网络滤波器,滤除轴承信号中正常成分,即可输出得到故障分量成分。
S3:输出的净异常信号接入后续特征提取模块,而正常信号(无故障发生)直接接入特征提取模块,特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量,并利用梯度提升决策树(GBDT)进行特征重构,形成复合特征向量,再利用主成分分析(PCA)对特征进行降维;
MFCC特征提取包含两个关键步骤:转化到Mel频率,然后进行倒谱分析。具体步骤如下:
(1)对噪声信号进行预加重、分帧加窗;
(3)对频域信号求平方,得到信号的能量谱,然后采用m个Mel带通滤波器进行滤波,计算每一个滤波器组的对数能量,经离散余弦变换后求出Mel倒谱系数。
在提取信号的美尔倒谱系数(MFCC)后,需进一步利用梯度提升决策树(GBDT)对MFCC系数进行特征重构,获得MFCC系数的高维特征。具体方法为:使用GBDT生成两棵树,将MFCC系数输入到两棵树当中去。对于每棵树,当样本落在这个叶子结点时,该叶子节点取值为1,否则为0,这样就可以得到MFCC系数的高维组合特征。
将获得的高维特征与原有的MFCC系数组合在一起,构成一个复合特征向量,再利用主成分分析(PCA)对其进行降维。
主成分分析(PCA)可以将数据投射到一个低维子空间,具体步骤如下:
(1)设有m条n维数据,将原始数据按列组成n行m列矩阵X;
(2)将X的每一行(代表一个属性字段)进行零均值化;
(3)求出协方差矩阵、协方差矩阵的特征值及对应的特征向量;
(4)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P;
(5)Y=PX即为降维到k维后的数据。
S4:将特征信号输入改进的两级SVM集成分类器进行训练与测试,最终实现故障类型的判别诊断。
两级SVM集成分类器,先从初始数据集中训练出初级学习器,然后生成一个新的训练集用于训练次级学习器。在这个新的数据集中,初级学习器的输出被当作样例输入特征,初始样本的标记仍被当作是样例标记。选用SVM分类器为初级学习器,次级学习器采用基于学习的AdaBoost多分类集成学习算法,采用加权多数投票法对每次循环生成的个体SVM分类器进行集成,得到新的强分类器,根据强分类器分类结果,最终确定样本的类别。
训练集D={(x1,y1),(x2,y2)...,(xn,yn)},使用k折交叉验证的方式,用初级学习器未使用的样本产生次级学习器。将初始训练集D随机划分成为k个大小相似的集合D1,D2,...,Dk,令Dj和表示第j折测试集和训练集。给定SVM分类器为初级学习器,初级学习器SVM(j)通过在上使用下述学习算法而得:
对Dj中每个样本xi,令zij=SVM(j)(xi),则由xi产生的次级学习器训练样例的示例部分为zi=(zi1;zi2;...;zij),标记部分为yi。在整个交叉验证的过程结束后,从这j个初级学习器产生的次级训练集是然后将D'用于训练次级学习器。
在解决K类问题时,可采用AdaBoost多分类算法:给定训练集{(z1,y1),(z2,y2)...,(zn,yn)}
(1)初始化样本的分布权重ωi=1/n,i=1,2,...,n;
(2)对于m=1,2,...,M,从初始训练集训练一个基学习器,训练ωi下分类器T(m)(z);计算T(m)(z)的加权错误率改变权重分配的规则,令权重对训练样本分布进行调整ωi←ωi·exp(α(m)·I(yi≠T(m)(zi))),使得先前的基学习器做错的训练样本在后续受到更多的关注;然后基于调整后的样本分布训练下一个基学习器,如此重复进行,直到基学习器的数目事先达到指定的值M。
实施例:
通过网络拾音器采集了旋转设备正常运行下的噪声数据,并根据先验知识,基于高斯概率模型,利用Gibbs采样生成部分内圈、滚珠、外圈等故障测试样本,以解决实际运行中故障样本较少影响学习效果问题。电机转速为1800rpm,噪声采样频率为44100Hz。将所测信号每256点分为一帧,每一类信号截取1500帧,共有6000帧数据。对每一帧提取MFCC特征,特征维度设为12,形成6000个样本。将6000个样本分为训练样本、测试样本,其中训练样本数量为4000个(每类各有1000个),测试样本数量为2000个(每类各有500个)。其中,图2为轴承正常训练样本随机抽取的四个维度的特征值。
将预分类判别为异常的样本通过神经网络滤波,得到的波形如图3。通过SVM故障分类器对神经网络滤波前后的信号样本进行故障分类,分类准确率由93%提升到95.25%,从而验证了信号预分类后通过神经网络滤波这一方法步骤的有效性。这是因为,设备运行状态异常信息或故障信息总是叠加在设备健康状态信息之上,剥离设备健康状态信号后的异常信息的特征比单纯依据异常信息的特征在分类精度上更优。神经网络滤波器能够滤除轴承信号中正常成分,输出各种故障分量成分,提高了信号质量。
提取信号的美尔倒谱系数(MFCC)后,利用梯度提升决策树(GBDT)对MFCC进行特征重构,形成复合特征向量,再利用主成分分析(PCA)对特征进行降维,图4为降维后样本分布。通过SVM分类器和两级SVM集成分类器分别对特征重构前后的特征信号进行故障分类,SVM分类器的分类准确率由95.25%提升到96.75%,两级SVM集成分类器故障分类的准确率由96.3%提升到99.15%,从而验证了梯度提升决策树(GBDT)对MFCC进行特征重构并形成复合特征向量这一方法步骤的有效性。
图5为最终特征测试集分类结果。SVM分类器、两级SVM集成分类器故障分类的准确率分别为96.75%、99.15%,从而验证了采用集成学习算法分类这一方法步骤的有效性。这是因为,集成学习通过将多个学习器进行结合,可获得比单一学习器显著优越的泛化性能。与单个分类器相比,集合分类器中的不同分类器可以提供用于故障分类的补充信息,使分类结果更加准确。
通过本发明具体实施步骤,故障分类的错误率由初始7%降至0.85%,进一步验证本发明能够有效地检测轴承故障,并保持较高的故障识别准确率。
本发明公开了一种旋转设备滚动轴承故障噪声诊断算法。传感器采集设备运行信息,由于设备运行状态异常信息或故障信息总是叠加在设备健康状态信息之上,剥离设备健康状态信号后的异常信息的特征比单纯依据异常信息的特征不仅在分类精度上更优,而且节省计算资源且提高故障检测效率。此外采用组合策略的方法,通过构建并结合多个分类器完成分类任务,从而实现高精度设备状态分类。与单个分类器相比,集合分类器中的不同分类器可以提供用于故障分类的补充信息,使分类结果更加准确。
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,能够以其它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。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进,均应包含在本发明技术方案的保护范围之内。
Claims (5)
1.一种旋转设备滚动轴承故障噪声诊断算法,其特征在于,包括以下步骤:
S1:将传感器采集到的轴承运行噪声信号作为轴承状态监测信号,通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判,预先区分正常、异常信号;
S2:根据故障预判结果,有故障发生时,异常信号通过神经网络滤波器,滤除轴承信号中正常成分,输出的净异常信号接入后续特征提取模块,而无故障发生时,正常信号直接接入特征提取模块;
S3:特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量,并利用梯度提升决策树(GBDT)进行特征重构,形成复合特征向量,再利用主成分分析(PCA)对特征进行降维;
S4:把特征信号输入改进后的两级支持向量机(SVM)集成分类器进行训练与测试,最终实现故障类型的判别诊断。
2.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法,其特征在于,所述的步骤S1中基于高斯混合模型建立轴承正常、异常预分类模型,并利用Gibbs采样生成故障样本,通过对正常样本集和故障样本集建立边界模型,根据待测样本落入的边界区域,判定其为正常样本或异常样本。
4.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法,其特征在于,所述的步骤S3中特征提取模块在提取信号的美尔倒谱系数后,需进一步利用梯度提升决策树对美尔倒谱系数进行特征重构,获得美尔倒谱系数的高维特征,并将获得的高维特征与原有的美尔倒谱系数组合在一起,构成一个复合特征向量,再利用主成分分析(PCA)对其进行降维。
5.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法,其特征在于,所述的步骤S4中采用两级支持向量机集成分类器进行训练与测试,初级学习器由初始数据集训练获得,并将初级学习器的输出当作样例输入特征生成一个新的训练集用于次级学习器训练,选用支持向量机分类器为初级学习器,次级学习器采用基于学习的AdaBoost多分类集成学习算法,采用加权多数投票法对每次循环生成的个体支持向量机分类器进行集成,得到新的强分类器,并将训练好的分类模型用于滚动轴承故障分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393258.5A CN110132598B (zh) | 2019-05-13 | 2019-05-13 | 旋转设备滚动轴承故障噪声诊断算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393258.5A CN110132598B (zh) | 2019-05-13 | 2019-05-13 | 旋转设备滚动轴承故障噪声诊断算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132598A CN110132598A (zh) | 2019-08-16 |
CN110132598B true CN110132598B (zh) | 2020-10-09 |
Family
ID=67573515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910393258.5A Active CN110132598B (zh) | 2019-05-13 | 2019-05-13 | 旋转设备滚动轴承故障噪声诊断算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132598B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052712B (zh) * | 2019-11-07 | 2023-02-03 | 国家电力投资集团有限公司 | 一种电力设备状态监测与故障识别方法及*** |
CN111044285A (zh) * | 2019-11-22 | 2020-04-21 | 军事科学院***工程研究院军用标准研究中心 | 一种复杂情况下机械设备故障诊断方法 |
CN110992985A (zh) * | 2019-12-02 | 2020-04-10 | 中国科学院声学研究所东海研究站 | 识别跑步机异音的识别模型确定方法、识别方法、*** |
CN110987434A (zh) * | 2019-12-18 | 2020-04-10 | 中国民航大学 | 一种基于去噪技术的滚动轴承早期故障诊断方法 |
CN111006860B (zh) * | 2019-12-19 | 2021-02-26 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN111539152B (zh) * | 2020-01-20 | 2022-08-26 | 内蒙古工业大学 | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 |
CN111338897A (zh) * | 2020-02-24 | 2020-06-26 | 京东数字科技控股有限公司 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN111306010B (zh) * | 2020-04-17 | 2022-03-29 | 北京天泽智云科技有限公司 | 风机叶片雷击损伤检测方法及*** |
CN111508517A (zh) * | 2020-04-28 | 2020-08-07 | 电子科技大学中山学院 | 一种基于噪声特征的微电机智能品控方法 |
CN111768022A (zh) * | 2020-05-09 | 2020-10-13 | 中国煤矿机械装备有限责任公司 | 煤机生产设备的设备检测方法及装置 |
CN111859798A (zh) * | 2020-07-14 | 2020-10-30 | 辽宁石油化工大学 | 基于双向长短时神经网络的流程工业故障诊断方法 |
CN112179691B (zh) * | 2020-09-04 | 2021-07-13 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测***和方法 |
CN112067297B (zh) * | 2020-09-23 | 2021-06-22 | 昆明理工大学 | 一种轴承故障特征提取方法 |
CN112347944B (zh) * | 2020-11-10 | 2023-10-13 | 南京大学 | 一种基于零值比例频谱特征的机械传动故障检测方法 |
CN113586554A (zh) * | 2021-07-09 | 2021-11-02 | 上海中联重科桩工机械有限公司 | 一种液压马达检测***及方法 |
CN113672859B (zh) * | 2021-08-17 | 2024-03-29 | 郑州铁路职业技术学院 | 一种道岔转辙机故障声学诊断*** |
CN114019310B (zh) * | 2021-11-08 | 2024-02-20 | 国网湖南省电力有限公司 | 一种储能变流器的开路故障预判方法、设备及介质 |
CN117972623A (zh) * | 2023-12-20 | 2024-05-03 | 东方电气集团科学技术研究院有限公司 | 一种基于集成学习的发电设备智能故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2402731A1 (de) * | 2010-07-01 | 2012-01-04 | Schaeffler Technologies AG & Co. KG | Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
WO2018207973A1 (ko) * | 2017-05-12 | 2018-11-15 | 한국전력공사 | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7007035B2 (en) * | 2001-06-08 | 2006-02-28 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
US8374974B2 (en) * | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
CN100485342C (zh) * | 2006-03-03 | 2009-05-06 | 西安交通大学 | 机械故障的集成支持向量机混合智能诊断方法 |
CN101546556B (zh) * | 2008-03-28 | 2011-03-23 | 展讯通信(上海)有限公司 | 用于音频内容识别的分类*** |
CN102799899B (zh) * | 2012-06-29 | 2014-12-10 | 北京理工大学 | 基于svm和gmm的特定音频事件分层泛化识别方法 |
CN103810374B (zh) * | 2013-12-09 | 2017-04-05 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
CN104091602A (zh) * | 2014-07-11 | 2014-10-08 | 电子科技大学 | 一种基于模糊支持向量机的语音情感识别方法 |
CN105841797B (zh) * | 2016-03-15 | 2019-07-02 | 中南大学 | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN108490349B (zh) * | 2018-01-23 | 2020-08-18 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
-
2019
- 2019-05-13 CN CN201910393258.5A patent/CN110132598B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2402731A1 (de) * | 2010-07-01 | 2012-01-04 | Schaeffler Technologies AG & Co. KG | Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands |
CN104596767A (zh) * | 2015-01-13 | 2015-05-06 | 北京工业大学 | 一种基于灰色支持向量机的滚动轴承故障诊断与预测的方法 |
WO2018207973A1 (ko) * | 2017-05-12 | 2018-11-15 | 한국전력공사 | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 |
CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
"基于MFCC与PCA的滚动轴承故障诊断";王前 等;《组合机床与自动化加工技术》;20171231(第12期);第C033-653页 * |
"基于多维度特征融合和GBDT增强分类的列车制动***故障诊断";张猛;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190115(第01期);第103-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110132598A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN109582003B (zh) | 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法 | |
US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
CN108709745B (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
Maurya et al. | Condition monitoring of machines using fused features from EMD-based local energy with DNN | |
US7233932B2 (en) | Fault detection system and method using approximate null space base fault signature classification | |
CN110940523B (zh) | 一种无监督域适应故障诊断方法 | |
CN112036301A (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN109086793A (zh) | 一种风力发电机的异常识别方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
Gao et al. | A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network | |
Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
CN110991471A (zh) | 一种高速列车牵引***故障诊断方法 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、***、及可存储介质 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN116735170A (zh) | 一种基于自注意力多尺度特征提取的智能故障诊断方法 | |
Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
CN109902731B (zh) | 一种基于支持向量机的性能故障的检测方法及装置 | |
CN115273791A (zh) | 一种基于声学特征驱动的工业装备故障检测方法及装置 | |
Zhou et al. | Degradation State Recognition of Rolling Bearing Based on K‐Means and CNN Algorithm | |
Xiao et al. | Health assessment for piston pump using LSTM neural network | |
CN115994302A (zh) | 基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |