CN111094927A - 轴承故障诊断方法及装置、可读存储介质及电子设备 - Google Patents

轴承故障诊断方法及装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN111094927A
CN111094927A CN201780094590.0A CN201780094590A CN111094927A CN 111094927 A CN111094927 A CN 111094927A CN 201780094590 A CN201780094590 A CN 201780094590A CN 111094927 A CN111094927 A CN 111094927A
Authority
CN
China
Prior art keywords
bearing
matrix
fault diagnosis
wavelet
vibration acceleration
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
Application number
CN201780094590.0A
Other languages
English (en)
Inventor
邱志
胡华亮
魏来
马子魁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schaeffler Technologies AG and Co KG
Original Assignee
Schaeffler Technologies AG and Co KG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Schaeffler Technologies AG and Co KG filed Critical Schaeffler Technologies AG and Co KG
Publication of CN111094927A publication Critical patent/CN111094927A/zh
Pending legal-status Critical Current

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
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种轴承故障诊断方法及装置、可读存储介质及电子设备，所述故障诊断方法包括：采集处于工作状态的轴承的振动加速度信号(S101)；对所述轴承的振动加速度信号进行小波分解(S102)；从小波分解得到的信号中依次提取特征参数并构建特征向量(S103)；根据所述特征向量，构建特征矩阵(S104)；将所述特征矩阵输入至预先训练的神经网络模型(S105)；将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果(S106)。上述方案能够提高轴承故障诊断的精确度。

Description

轴承故障诊断方法及装置、可读存储介质及电子设备
技术领域
本发明涉及轴承故障检测领域，尤其涉及一种轴承故障诊断方法及装置、可读存储介质及电子设备。
背景技术
轴承是机械设备中的基础零部件，已经广泛应用于列车等设备上。轴承的运行状态对列车的行驶安全起着至关重要的作用，因此，对轴承故障进行诊断尤为重要。
在现有技术中，在对轴承故障进行诊断时，通常是由数据分析人员观察解调后的时域振动加速度信号的包络谱波形进行主观判断，需要有相关理论背景的数据分析人员对数据进行分析，主观性较高。虽然现有技术中也出现了使用神经网络理论来对轴承故障进行诊断的方法，但是对轴承故障进行诊断时的精确度较低。
发明内容
本发明实施例解决的技术问题是如何提高轴承故障诊断的精确度。
为解决上述技术问题，本发明实施例提供一种轴承故障诊断方法，包括：采集处于工作状态的轴承的振动加速度信号；对所述轴承的振动加速度信号进行小波分解；从小波分解得到的信号中依次提取特征参数并构建特征向量；根据所述特征向量，构建特征矩阵；将所述特征矩阵输入至预先训练的神经网络模型；将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的的故障诊断结果。
可选的，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。
可选的，所述采集轴承的振动加速度信号，包括：采集轴承的时域振动加速度信号。
可选的，所述对所述轴承的振动加速度信号进行小波分解，包括：选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。
可选的，所述从小波分解得到的信号中依次提取特征参数并构建特征向量，包括：从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。
可选的，所述根据所述特征向量，构建特征矩阵，包括：根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。
可选的，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。
可选的，在对所述振动加速度信号进行小波分解之前，还包括：对所述振动加速度信号进行降噪处理。
可选的，所述对所述振动加速度信号进行降噪处理，包括：采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。
可选的，所述特征参数包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。
可选的，在将所述特征矩阵输入至预先生成的神经网络模型之前，还包括：对所述特征矩阵中的元素进行归一化处理。
可选的，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。
可选的，所述将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果，包括：将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。
本发明实施例还提供了一种轴承故障诊断装置，包括：采集单元，用于采集处于工作状态的轴承的振动加速度信号；小波分解单元，用于对所述轴承的振动加速度信号进行小波分解；特征向量构建单元，用于从小波分解得到的信号中依次提取特征参数并构建特征向量；特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；输入单元，用于将所述特征矩阵输入至预先训练的神经网络模型；故障诊断结果获取单元，用于将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。
可选的，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。
可选的，所述采集单元，用于采集轴承的时域振动加速度信号。
可选的，所述小波分解单元，用于选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。
可选的，所述特征向量构建单元，用于对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。
可选的，所述特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。
可选的，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。
可选的，所述轴承故障诊断装置还包括：降噪处理单元，用于在所述小波分解单元对所述振动加速度信号进行小波分解之前，对所述振动加速度信号进行降噪处理。
可选的，所述降噪处理单元，用于采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。
可选的，所述特征参数包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。
可选的，所述轴承故障诊断装置包括：归一化处理单元，用于在所述输入单元将所述特征矩阵输入至预先生成的神经网络模型之前，对所述特征矩阵中的元素进行归一化处理。
可选的，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。
可选的，所述故障诊断结果获取单元，用于将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的轴承故障诊断方法的步骤。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的轴承故障诊断方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
通过对采集到的轴承的振动加速度信号进行小波分解，从小波分解得到的信号中依次提取特征参数并构建特征向量，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，通过预先训练的神经网络模型对特征矩阵进行处理得到输出结果，将输出结果与预设的目标矩阵进行比对即可获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。
进一步，在对轴承的振动加速度信号进行小波分解之前，对振动加速度信号进行降噪处理，降低其他信号对振动加速度信号的干扰，从而可以进一步提高轴承故障诊断的精确度。
附图说明
图1是本发明实施例中的一种轴承故障诊断方法的流程图；
图2是本发明实施例中的一种小波分解的示意图；
图3是本发明实施例中的一种轴承故障诊断装置的结构示意图。
具体实施方式
现有技术中，在对轴承故障进行诊断时，通常是由数据分析人员观察解调后的时域振动加速度信号的包络谱波形进行主观判断，需要有相关理论背景的数据分析人员对数据进行分析，主观性较高。虽然现有技术中也出现了使用神经网络理论来对轴承故障进行诊断的方法，但是对轴承故障进行诊断时的精确度较低。
在本发明实施例中，通过对采集到的轴承的振动加速度信号进行小波分解，从小波分解得到的信号中依次提取特征参数并构建特征向量，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，通过预先训练的神经网络模型对特征矩阵进行处理得到输出结果，将输出结果与预设的目标矩阵进行比对即可获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种轴承故障诊断方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，采集处于工作状态的轴承的振动加速度信号。
在具体实施中，在轴承处于工作状态时，可以从轴承所在的机械***所对应的振动信号中，提取出轴承的振动加速度信号。
在实际应用中，轴承通常是一个机械***中的组成部件。当机械***处于工作状态时，可以采用预设的加速度传感器来实时采集机械***的振动信号。加速度传感器可以内置于机械***内部，也可以独立于机械***设置。
加速度传感器所采集到的机械***的振动信号中，包括轴承的振动加速度信号、机械***中其他部件的振动加速度信号以及一些背景噪声。因此，在具体实施中，在通过加速度传感器采集到机械***的振动信号之后，可以从中提取出轴承的振动加速度信号。
在具体实施中，也可以通过与轴承耦接的传感器来直接采集轴承的振动加速度信号。例如，预先设置与轴承耦接的传感器，当轴承工作时，通过传感器来实时采集轴承的振动加速度信号。
在具体实施中，无论是从机械***的振动信号中提取出轴承的振动加速度信号，还是通过与轴承耦接的传感器直接采集轴承的振动加速度信号，所获取到的振动加速度信号中均可能混杂有其他的噪声。可理解地，本申请中采集的轴承的振动加速度信号是采集轴承在工作状况下对应的信号。
因此，在采集到处于工作状态的轴承的振动加速度信号之后，可以对轴承的振动加速度信号进行降噪处理，以降低轴承的振动加速度信号中的噪声。在具体实施中，可以采用小波阈值降噪方法，对轴承的振动加速度信号进行降噪处理。可以理解的是，还可以采用其他的降噪方法对轴承的振动加速度信号进行降噪处理，此处不做赘述。
步骤S102，对所述轴承的振动加速度信号进行小波分解。
在具体实施中，采集到的轴承的振动加速度信号可以为轴承的时域振动加速度信号，也可以为轴承的频域振动加速度信号。当采集到的轴承的振动加速度信号为轴承的时域振动加速度信号时，对轴承的时域振动加速度进行小波分解。当采集到的轴承的振动加速度信号为轴承的频域振动加速度信号时，对轴承的频域振动加速度信号进行小波分解。
在进行小波分解时，若对轴承的频域振动加速度信号进行分解，则可以选取波形与轴承的频域振动加速度信号的波形相关的小波母函数，对所选取的小波母函数进行小波分解；若对轴承的时域振动加速度信号进行分解，则可以选取波形与轴承的时域振动加速度信号的波形相关的小波母函数，对所选取的小波母函数进行分解。
下面以对轴承的时域振动加速度信号进行小波分解为例进行说明。
在具体实施中，选取波形与采集到的轴承的时域振动信号的波形相关的小波母函数。对选取的小波母函数进行小波分解，可以得到N个频带的时域信号，N＝2j，j为小波分解的层次。
在具体应用中，可以根据实际的应用需求，来设定小波分解的阶次。在本发明一实施例中，设定j＝3，此时，对小波母函数进行小波分解后，得到8个频带宽度相同的时域信号。
参照图2，给出了本发明实施例中的一种小波分解的示意图。图2中，小波分解的层次j＝3。
图2中，信号S经过一层分解，得到信号SA1和信号SD1。对信号SA1进行分解，得到信号SAA2和信号SDA2；对信号SD1进行分解，得到信号SAD2和信号SDD2。对信号SAA2进行分解，得到信号S30以及S31；对信号SDA2进行分解，得到信号S32以及S33；对信号SAD2进行分解，得到信号S34以及S35；对信号SDD2进行分解，得到信号S36以及S37。
也就是说，信号S经过三层小波分解并重构之后，得到的第三层信号包括8个频带宽度相同的时域信号，依次为：S30、S31、S32、S33、S34、S35、S36以及S37。
在具体实施中，在选取小波母函数时，可以选择波形与轴承的振动加速度信号的波形相关的形状，波形相关可以是指：小波母函数的波形与轴承的振动加速度信号的波形较为相近，二者的近似度达到一定阈值。
例如，根据经验值，选取波形与轴承的时域振动加速度信号的波形相似的小波母函数。由于选取的小波母函数与轴承的时域振动加速度信号的波形相关，因此在对小波母函数进行小波分解后，N个频带相同的时域信号中与轴承的时域振动加速度信号相关的信号会被突出，与轴承的时域振动加速度信号无关的信号会被弱化。
在具体实施中，将N个频带的时域信号进行解调处理，若轴承的时域振动加速度信号中含有轴承故障带来的冲击频率成分，则对N个时域信号进行解调处理后，可以把轴承故障带来的冲击频率成分从高频载波信号中提取出来，解调后各个频带的时域信号的特征更明显。
在实际应用中可知，对时域信号进行时频转换得到频域信号后，频域上的波形的特征会比时域上的波形的特征更明显。因此，在对N个频带的时域信号进行解调处理后，对解调处理后的N个频带的时域信号进行时频转换，将N个频带的时域信号转换成相应的N个频带的频域信号。
在对N个频带的时域信号进行时频转换时，可以采用快速傅里叶变换(FastFourier Transformation，FFT)的方法，得到N个频带对应的频域信号。
步骤S103，从小波分解得到的信号中依次提取特征参数并构建特征向量。
在具体实施中，从小波分解得到的信号中提取的特征参数可以包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。
在具体实施中，当对小波母函数进行小波分解得到N个频带的频域信号后，可以分别从N个频带的频域信号中，分别提取出相同的特征参数，以构建特征向量。构建的特征向量的数目与从每一个频带的频域信号中提取出的特征参数的个数相同，每一个特征向量中元素的个数与N相等。
例如，从每一个频带的频域信号中，均提取5个特征参数，且N＝8，则构建的特征向量的个数为5，且每一个特征向量中的元素个数为8。
在具体实施中，从N个频带的频域信号中依次提取的特征参数可以包括以下中的至少一种：每一个频带的频域信号的能量、每一个频带的频域信号的峰值因子、每一个频带的频域信号的标准差、每一个频带的频域信号的均方根以及每一个频带的频域信号的90分位值。
步骤S104，根据所述特征向量，构建特征矩阵。
在具体实施中，在通过步骤S103得到的特征向量后，即可构建相应的特征矩阵。
在具体实施中，当对小波母函数进行小波分解得到N个频带的频域信号后，可以分别从N个频带的频域信号中，分别提取出相同的特征参数，以构建特征向量。此时，构建得到的特征矩阵为M×N矩阵，M为得到的特征向量的个数。
例如，对时域振动加速度信号进行j＝3层的小波分解，则N＝8；针对每一个频带的频域信号，均提取出5个特征参数，则构建了5个特征向量。则构建出的特征矩阵为5×8矩阵，也即特征矩阵为5行8列的矩阵。
下面以N＝8为例，对步骤S103～步骤S104进行说明。
在实际应用中可知，根据小波包的重构理论，信号S可以由分解后的信号进行无误差的重新构造。根据能量守恒原理，时域上的能量转换到频域上的能量是等量的，因此，可以得到下式：
FS＝FS30+FS31+FS32+FS33+FS34+FS35+FS36+FS37； (1)
式(1)中，FS为时域振动加速度信号对应的频域振动加速度信号，FS30～FS37依次为时域信号S30～S37对应的频域信号。
设定第i个频带的频域信号对应的能量为E3i，则
Figure BDA0002399655710000091
其中，i＝0,1,2,…,7，k＝1,2,…,n，xik为小波分解的第三层信号S3i的小波包系数值。由此，N个频带的频域信号对应的总能量为：
Figure BDA0002399655710000092
第三层某一个频带的频域信号的相对小波包系数能量为
Figure BDA0002399655710000093
在得到每一个频带的频域信号对应的能量之后，可以构建出基于能量的特征向量为：R＝[R30，R31，…，R37]
在实际应用中可知，频域信号的峰值因子反映了频域信号中振动冲击成分的水平。
在具体实施中，第i个频带的频域信号的峰值因子为：
Figure BDA0002399655710000094
其中，peak3i为第i个频带的频域信号的峰值，RMS3i为第i个频带的频域信号的均方根值。
在得到每一个频带的频域信号对应的峰值因子之后，可以构建出基于峰值因子的特征向量为：C＝[C30，C31，...，C37]
在实际应用中可知，标准差反映了一个数组内数据的离散程度。当轴承发生故障时会产生冲击的现象，经过解调后各个频带的故障信号会有明显特征，因此标准差可以反映故障信号的特征。
在具体实施中，第i个频带的频域信号的标准差为：
Figure BDA0002399655710000101
其中，L为第i个频带的频域信号的值的个数，xl为第i个频带的频域信号中第l个值，r为第i个频段的信号的平均值且
Figure BDA0002399655710000102
在得到每一个频带的频域信号的标准差之后，可以构建出基于标准差的特征向量为：σ＝[σ30，σ31，...，σ37]。
在实际应用中可知，均方根可以反映信号中能量的总体水平，因此可以将其作为轴承故障检测的一个特征参数。
在具体实施中，第i个频带的频域信号的均方根为：
Figure BDA0002399655710000103
其中，L为第i个频带的频域信号的值的个数，xl为第i个频带的频域信号中第l个值。
在得到每一个频带的频域信号的均方根之后，可以构建出基于均方根的特征向量为：RMS＝[RMS30，RMS31，…，RMS37]。
在具体实施中，针对第i个频带的频域信号，取第i个频带的最大值的90分位值P3i。在得到每一个频带的频域信号对应的90分位值之后，可以构建出基于90分位值的特征向量为：P＝[P30，P31，…，P37]。
可以理解的是，从N个频带的频域信号中所提取出的特征参数并不仅限于本发明上述实施例中提供的几种，还可以存在其他的能够体现频域信号特征的特征参数，此处不做赘述。
在具体实施中，可以根据实际的应用需求，从步骤S103中生成的特征向量中，选择其中的一个或者多个来生成构建特征矩阵。例如，N＝8，从步骤S103中生成的特征向量中，选择基于能量的特征向量以及基于峰值因子的特征向量来构建特征矩阵，此时，特征矩阵为2×8矩阵。又如，N＝8，选择步骤S103中生成的所有特征向量构建特征矩阵，则构建出的特征矩阵为5×8矩阵。
步骤S105，将所述特征矩阵输入至预先训练的神经网络模型。
在具体实施中，可以预先生成神经网络模型并对其进行训练。在实际应用中，可以预先收集多组拟检测或诊断的已知故障的数据，对生成的神经网络模型进行训练。在训练过程中，生成的神经网络模型会根据输入的已知训练矩阵持续调整各层的权值，直到神经网络模型的误差满足所设定的最小误差为止。
在具体实施中，为加快神经网络模型的收敛特性，在特征矩阵输入至神经网络模型之前，对特征矩阵进行归一化处理。在对特征矩阵进行归一化处理时，可以从特征矩阵中选取出值最大的元素，并将其他的所有元素与选取出的最大元素相除，从而实现对特征矩阵的归一化处理。
步骤S106，将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。
下面对步骤S105～步骤S106进行说明。
在具体实施中，可以预先构建目标矩阵。预先构建的目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。
在实际应用中可知，轴承通常可以由外环(OR)、内环(IR)、滚子(Roller)以及保持架(Cage)等四个部分组成。在实际应用中，神经网络模型的训练过程可以包括以下步骤：1)数据准备；将提取到的振动加速度信号、轴承的外环对应的故障信号特征矩阵、轴承的内环对应的故障信号特征矩阵、轴承的滚子对应的故障信号特征矩阵以及轴承保持架对应的故障信号特征矩阵作为神经网络的输入，并依据设定好的目标矩阵作为输出来对神经网络进行训练；2)训练神经网络模型；在训练神经网络模型的过程中，根据设定好的最小误差值，不断地对神经网络模型进行权值和阈值的修正，直至满足最小误差值。
在具体实施中，神经网络模型的训练所需的数据以及最小误差值的设置均可以故障诊断目标为导向，如是否产生故障、故障诊断的对象(指要诊断的轴承元件)、在不同工况下故障的严重程度等。
在具体实施中，设定K＝4。当K＝4时，可以设定目标矩阵如下：
Figure BDA0002399655710000121
在目标矩阵中，第一行为出现故障时轴承的外环对应的目标向量，第二行为出现故障时轴承的内环对应的目标向量，第三行为出现故障时轴承的滚子的外环对应的目标向量，第四行为出现故障时轴承的保持架对应的目标向量。
由于本发明实施例中构建的特征矩阵作为神经网络模型的输入，且特征矩阵为M×N矩阵，因此，可以对目标矩阵进行重新构造，将目标矩阵中的每一列均扩展为独立的一个M×K矩阵，从而得到K个目标矩阵，K个目标矩阵分别与K个部件一一对应。针对每一个M×K矩阵，其中的不同行的元素相同。
在本发明一实施例中，当K＝4，M＝5时，将目标矩阵中的4列分别扩展为4个独立的5×4的目标矩阵，分别为轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵，其中：
轴承的正常状态对应的目标矩阵为：
Figure BDA0002399655710000122
轴承的外环对应的目标矩阵为：
Figure BDA0002399655710000123
轴承的内环对应的目标矩阵为：
Figure BDA0002399655710000124
轴承的滚子对应的目标矩阵为：
Figure BDA0002399655710000131
轴承的保持架对应的目标矩阵为：
Figure BDA0002399655710000132
在本发明实施例中，上述的轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵，均为预设的目标矩阵扩展生成。
在具体实施中，神经网络模型包括输入层、隐藏层以及输出层。神经网络模型的输入层数据为特征矩阵，输出层数据为预设的目标矩阵。为便于获取诊断结果，输出层数据可以为由目标矩阵扩展生成的轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵。
在具体实施中，将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。
在将神经网络模型的输出结果与目标矩阵进行对比时，可以将神经网络模型的输出结果分别与扩展的目标矩阵进行比对，也即与轴承的外环对应的目标矩阵、轴承的内环对应的目标矩阵、轴承的滚子对应的目标矩阵以及轴承的保持架对应的目标矩阵进行一一比对，获取与扩展的目标矩阵的最小误差值，从而获知轴承的哪个部件出现故障。
例如，神经网络模型的输出结果为5×4矩阵，且第1列的值均处于0.9～1之间，则可知神经网络模型的输出结果与轴承的外环对应的目标矩阵的误差值最小，故判定轴承的外环出现故障。
由此可见，通过对采集到的轴承时域振动加速度信号进行小波分解，兼顾了时域振动加速度信号的高频部分和低频部分。从N个频带的频域信号中依次提取特征参数并构建特征向量时，根据特征向量构建特征矩阵并将特征矩阵作为神经网络模型的输入，进而根据神经网络模型的输出结果获取轴承的故障诊断结果，整个轴承故障的判断并不依赖于测试人员的主观判断，从而可以提高轴承故障诊断的准确性。
参照图3，本发明实施例提供了一种轴承故障诊断装置30，包括：采集单元301、小波分解单元302、特征向量构建单元303、特征矩阵构建单元304、输入单元305以及故障诊断结果获取单元306，其中：
采集单元301，用于采集处于工作状态的轴承的振动加速度信号；
小波分解单元302，用于对所述振动加速度信号进行小波分解；
特征向量构建单元303，用于从小波分解得到的信号中依次提取特征参数并构建特征向量；
特征矩阵构建单元304，用于根据所述特征向量，构建特征矩阵；
输入单元305，用于将所述特征矩阵输入至预先训练的神经网络模型；
故障诊断结果获取单元306，用于将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。
在具体实施中，所述轴承的故障诊断结果可以包括以下至少一种：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。
在具体实施中，所述采集单元301，可以用于采集轴承的时域振动加速度信号。
在具体实施中，除采集单元301外，轴承故障诊断装置30的其他功能单元可根据具体需要设置为在线***或离线***的一部分。
在具体实施中，所述小波分解单元302，可以用于选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。
在具体实施中，所述特征向量构建单元303，可以用于对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。
在具体实施中，所述特征矩阵构建单元304，可以用于根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。
在具体实施中，所述目标矩阵可以为M×K矩阵，K为所需诊断的所述轴承的部件数。
在具体实施中，所述轴承故障诊断装置30还可以包括：降噪处理单元(图3中未示出)，用于在所述小波分解单元对所述振动加速度信号进行小波分解之前，对所述振动加速度信号进行降噪处理。
在具体实施中，所述降噪处理单元，可以用于采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。
在具体实施中，所述特征参数可以包括以下至少一种：每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。
在具体实施中，所述轴承故障诊断装置30还可以包括：归一化处理单元(图3中未示出)，用于在所述输入单元将所述特征矩阵输入至预先生成的神经网络模型之前，对所述特征矩阵中的元素进行归一化处理。
在具体实施中，所述神经网络模型可以包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据可以为所述特征矩阵，所述神经网络模型的输出层数据可以为所述目标矩阵。
在具体实施中，所述故障诊断结果获取单元306，可以用于将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行本发明上述实施例中所提供的轴承故障诊断方法的步骤。
本发明实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有可以在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行本发明上述实施例中提供的轴承故障诊断方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (28)

1.一种轴承故障诊断方法，其特征在于，包括：
采集处于工作状态的轴承的振动加速度信号；
对所述轴承的振动加速度信号进行小波分解；
从小波分解得到的信号中依次提取特征参数并构建特征向量；
根据所述特征向量，构建特征矩阵；
将所述特征矩阵输入至预先训练的神经网络模型；
将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。
2.如权利要求1所述的轴承故障诊断方法，其特征在于，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。
3.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述采集轴承的振动加速度信号，包括：
采集轴承的时域振动加速度信号。
4.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述对所述轴承的振动加速度信号进行小波分解，包括：
选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；
对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。
5.如权利要求4所述的轴承故障诊断方法，其特征在于，所述从小波分解得到的信号中依次提取特征参数并构建特征向量，包括：
对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；
从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。
6.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述根据所述特征向量，构建特征矩阵，包括：
根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。
7.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。
8.如权利要求1或2所述的轴承故障诊断方法，其特征在于，在对所述振动加速度信号进行小波分解之前，还包括：
对所述振动加速度信号进行降噪处理。
9.如权利要求8所述的轴承故障诊断方法，其特征在于，所述对所述振动加速度信号进行降噪处理，包括：
采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。
10.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述特征参数包括以下至少一种：
每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。
11.如权利要求1或2所述的轴承故障诊断方法，其特征在于，在将所述特征矩阵输入至预先生成的神经网络模型之前，还包括：
对所述特征矩阵中的元素进行归一化处理。
12.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。
13.如权利要求1或2所述的轴承故障诊断方法，其特征在于，所述将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果，包括：
将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。
14.一种轴承故障诊断装置，其特征在于，包括：
采集单元，用于采集处于工作状态的轴承的振动加速度信号；
小波分解单元，用于对所述轴承的振动加速度信号进行小波分解；
特征向量构建单元，用于从小波分解得到的信号中依次提取特征参数并构建特征向量；
特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；
输入单元，用于将所述特征矩阵输入至预先训练的神经网络模型；
故障诊断结果获取单元，用于将所述神经网络模型的输出结果与预设的目标矩阵进行比对，获取所述轴承的故障诊断结果。
15.如权利要求14所述的轴承故障诊断装置，其特征在于，所述轴承的故障诊断结果包括如下至少一项：所述轴承是否产生故障、产生故障的轴承元件以及故障严重程度。
16.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述采集单元，用于采集轴承的时域振动加速度信号。
17.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述小波分解单元，用于选取小波母函数，所述小波母函数的波形与所述轴承的时域振动加速度信号的波形相关；对所述小波母函数进行小波分解，得到N个频带的时域信号，其中，N＝2j，j为小波分解的层次。
18.如权利要求17所述的轴承故障诊断装置，其特征在于，所述特征向量构建单元，用于对所述N个频带的时域信号进行解调处理并进行时频转换，得到对应的N个频带的频域信号；从所述N个频带的频域信号中依次提取特征参数，并构建特征向量。
19.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述特征矩阵构建单元，用于根据所述特征向量，构建特征矩阵；所述特征矩阵为M×N矩阵，M为所述特征向量的个数。
20.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述目标矩阵为M×K矩阵，K为所需诊断的所述轴承的部件数。
21.如权利要求14或15所述的轴承故障诊断装置，其特征在于，还包括：降噪处理单元，用于在所述小波分解单元对所述振动加速度信号进行小波分解之前，对所述振动加速度信号进行降噪处理。
22.如权利要求21所述的轴承故障诊断装置，其特征在于，所述降噪处理单元，用于采用小波阈值降噪方法，对所述振动加速度信号进行降噪处理。
23.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述特征参数包括以下至少一种：
每一个小波分解得到的信号的能量、每一个小波分解得到的信号的峰值因子、每一个小波分解得到的信号的标准差、每一个小波分解得到的信号的均方根以及每一个小波分解得到的信号的90分位值。
24.如权利要求14或15所述的轴承故障诊断装置，其特征在于，还包括：归一化处理单元，用于在所述输入单元将所述特征矩阵输入至预先生成的神经网络模型之前，对所述特征矩阵中的元素进行归一化处理。
25.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述神经网络模型包括：输入层、隐藏层以及输出层；所述神经网络模型的输入层数据为所述特征矩阵，所述神经网络模型的输出层数据为所述目标矩阵。
26.如权利要求14或15所述的轴承故障诊断装置，其特征在于，所述故障诊断结果获取单元，用于将所述神经网络模型的输出结果与所述目标矩阵进行对比，获取所述输出结果中与所述目标矩阵的误差值，判定与所述目标矩阵的最小误差值所对应的轴承部件出现故障。
27.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1或2所述轴承故障诊断方法的步骤。
28.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1或2所述的轴承故障诊断方法的步骤。
CN201780094590.0A 2017-09-26 2017-09-26 轴承故障诊断方法及装置、可读存储介质及电子设备 Pending CN111094927A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/103304 WO2019061006A1 (en) 2017-09-26 2017-09-26 METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE

Publications (1)

Publication Number Publication Date
CN111094927A true CN111094927A (zh) 2020-05-01

Family

ID=65900314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780094590.0A Pending CN111094927A (zh) 2017-09-26 2017-09-26 轴承故障诊断方法及装置、可读存储介质及电子设备

Country Status (2)

Country Link
CN (1) CN111094927A (zh)
WO (1) WO2019061006A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN112067289A (zh) * 2020-08-21 2020-12-11 天津电气科学研究院有限公司 一种基于神经网络的电机轴及传动轴异常振动预警算法
CN112146880A (zh) * 2020-09-17 2020-12-29 天津大学 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
CN113642433A (zh) * 2021-07-30 2021-11-12 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种提升机工作状态的确定方法、装置、终端设备及介质
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN114088401A (zh) * 2021-11-03 2022-02-25 宁波坤博测控科技有限公司 一种用于风力发电机的滚动轴承的故障分析方法及装置
CN114104224A (zh) * 2021-11-15 2022-03-01 中国船舶重工集团公司第七一一研究所 设备管理方法、装置、电子设备及计算机可读存储介质
CN114659785A (zh) * 2021-12-27 2022-06-24 三一重能股份有限公司 一种风力发电机传动链的故障检测方法及装置
CN114659785B (zh) * 2021-12-27 2024-07-26 三一重能股份有限公司 一种风力发电机传动链的故障检测方法及装置

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832353B (zh) * 2019-04-19 2023-09-05 中国科学院沈阳自动化研究所 基于emd与ba优化svm的汽轮机转子故障诊断方法
CN110222390B (zh) * 2019-05-24 2023-07-18 武汉工程大学 基于小波神经网络的齿轮裂纹识别方法
CN110188485B (zh) * 2019-06-03 2020-08-25 安徽理工大学 一种滚动轴承动态性能劣化趋势自适应获取方法
CN110046476B (zh) * 2019-06-05 2020-10-16 厦门大学 滚动轴承故障的三元二进分形小波稀疏诊断方法
CN110146156B (zh) * 2019-06-27 2021-02-09 南昌航空大学 一种航空发动机转子***故障振动信号的去噪方法
CN110672323B (zh) * 2019-09-02 2021-03-26 佛山科学技术学院 一种基于神经网络的轴承健康状态评估方法及装置
CN110826607A (zh) * 2019-10-24 2020-02-21 北京建筑大学 一种滚动轴承的故障检测方法及装置
CN110795843B (zh) * 2019-10-24 2024-03-29 北京建筑大学 一种识别滚动轴承故障的方法及装置
CN110781854B (zh) * 2019-11-04 2022-07-26 上海联影智能医疗科技有限公司 故障检测模型的训练方法和机电设备的故障检测方法
CN110991564B (zh) * 2019-12-24 2023-05-26 安徽工业大学 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法
CN110866519B (zh) * 2019-12-24 2023-04-28 安徽工业大学 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法
CN111222495B (zh) * 2020-02-17 2023-05-12 济南大学 基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法
CN111325159B (zh) * 2020-02-25 2023-09-08 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 故障诊断方法、装置、计算机设备和存储介质
CN111275024B (zh) * 2020-03-22 2023-03-21 东北电力大学 含噪声标签有限数据驱动的变工况风机滚动轴承故障诊断方法
CN111625762B (zh) * 2020-04-29 2023-07-25 广东省能源集团贵州有限公司 风机故障诊断方法
EP3929554A1 (de) * 2020-06-26 2021-12-29 Siemens Aktiengesellschaft Verbesserte fehlererkennung bei maschinen mittels ki
CN111797789B (zh) * 2020-07-10 2024-02-06 合肥工业大学 一种用于故障特征判读的时频脊线提取方法及装置
CN111914703A (zh) * 2020-07-20 2020-11-10 哈尔滨工业大学 一种基于小波变换和迁移学习GoogLeNet的机械旋转部件故障诊断方法
CN112304611A (zh) * 2020-09-14 2021-02-02 江苏大学 一种基于深度学习的轴承故障的诊断方法
CN112257530B (zh) * 2020-10-13 2023-10-20 西安电子科技大学 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN112284735B (zh) * 2020-10-21 2022-07-15 兰州理工大学 基于一维卷积与动态路由的多传感器滚动轴承故障诊断
CN112329650A (zh) * 2020-11-09 2021-02-05 中国兵器工业集团第二一四研究所苏州研发中心 一种基于卷积神经网络的加速度计故障诊断方法
CN112595515A (zh) * 2020-12-04 2021-04-02 中国船舶工业综合技术经济研究院 一种动力轴系轴承故障检测方法及***
CN112465052B (zh) * 2020-12-07 2023-04-07 重庆忽米网络科技有限公司 基于卷积神经网络的设备故障诊断报告生成方法与***
CN112561306B (zh) * 2020-12-11 2023-12-08 领伟创新智能***(浙江)有限公司 一种基于Hankel矩阵的滚动轴承健康状态评价方法
CN112629863B (zh) * 2020-12-31 2022-03-01 苏州大学 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN112766219A (zh) * 2021-01-31 2021-05-07 石家庄铁道大学 基于深度可分离卷积自编码器的轴承健康评估方法和装置
CN112857805B (zh) * 2021-03-13 2022-05-31 宁波大学科学技术学院 一种基于图相似度特征提取的滚动轴承故障检测方法
CN113532835A (zh) * 2021-08-18 2021-10-22 中国国家铁路集团有限公司 铁路接触网硬点诊断方法及装置
CN113821888B (zh) * 2021-09-23 2024-02-27 西安热工研究院有限公司 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法
CN114441174B (zh) * 2022-02-09 2024-07-09 上海电气集团股份有限公司 滚动轴承复合故障的诊断方法、***、设备及介质
CN114781427B (zh) * 2022-03-17 2024-05-14 华电河南新能源发电有限公司 基于信息融合技术的风力发电机组滚动轴承故障诊断***
CN114757060B (zh) * 2022-06-15 2022-12-20 石家庄铁道大学 一种基于形态学函数构建尺度空间的轴承故障诊断方法
CN115081491B (zh) * 2022-08-18 2022-11-08 深圳市乐闵科技有限公司 一种卫生巾生产设备运行状态故障诊断方法
CN116183231B (zh) * 2023-04-28 2023-07-11 安徽大学 一种基于数字孪生的轴承故障诊断方法
CN116296377B (zh) * 2023-05-10 2023-08-01 北京奔驰汽车有限公司 工业机器人的rv减速器故障预测方法及装置
CN116541713B (zh) * 2023-06-27 2023-12-12 清华大学 基于局部时频特征迁移学习的轴承故障诊断模型训练方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008292288A (ja) * 2007-05-24 2008-12-04 Mitsubishi Electric Engineering Co Ltd 減速機の軸受診断装置
KR20120121621A (ko) * 2011-04-27 2012-11-06 경희대학교 산학협력단 차량의 이상 진단 장치, 이상 진단 방법 및 그 진단 방법의 기록매체
CN102829974A (zh) * 2012-08-07 2012-12-19 北京交通大学 一种基于lmd和pca的滚动轴承状态辨识方法
CN103076177A (zh) * 2013-01-16 2013-05-01 昆明理工大学 一种基于振动检测的滚动轴承故障检测方法
CN103914617A (zh) * 2014-03-25 2014-07-09 北京交通大学 地铁车辆转向架轴承的故障诊断方法
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
CN106650071A (zh) * 2016-12-12 2017-05-10 中国航空工业集团公司上海航空测控技术研究所 用于滚动轴承智能故障诊断的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008292288A (ja) * 2007-05-24 2008-12-04 Mitsubishi Electric Engineering Co Ltd 減速機の軸受診断装置
KR20120121621A (ko) * 2011-04-27 2012-11-06 경희대학교 산학협력단 차량의 이상 진단 장치, 이상 진단 방법 및 그 진단 방법의 기록매체
CN102829974A (zh) * 2012-08-07 2012-12-19 北京交通大学 一种基于lmd和pca的滚动轴承状态辨识方法
CN103076177A (zh) * 2013-01-16 2013-05-01 昆明理工大学 一种基于振动检测的滚动轴承故障检测方法
CN103914617A (zh) * 2014-03-25 2014-07-09 北京交通大学 地铁车辆转向架轴承的故障诊断方法
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
CN106650071A (zh) * 2016-12-12 2017-05-10 中国航空工业集团公司上海航空测控技术研究所 用于滚动轴承智能故障诊断的方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN112067289A (zh) * 2020-08-21 2020-12-11 天津电气科学研究院有限公司 一种基于神经网络的电机轴及传动轴异常振动预警算法
CN112146880A (zh) * 2020-09-17 2020-12-29 天津大学 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
CN112146880B (zh) * 2020-09-17 2022-03-29 天津大学 一种对不同转速下滚动轴承内部结构故障的智能化诊断方法
CN113642433A (zh) * 2021-07-30 2021-11-12 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种提升机工作状态的确定方法、装置、终端设备及介质
CN113642433B (zh) * 2021-07-30 2024-04-02 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种提升机工作状态的确定方法、装置、终端设备及介质
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN114088401A (zh) * 2021-11-03 2022-02-25 宁波坤博测控科技有限公司 一种用于风力发电机的滚动轴承的故障分析方法及装置
CN114104224A (zh) * 2021-11-15 2022-03-01 中国船舶重工集团公司第七一一研究所 设备管理方法、装置、电子设备及计算机可读存储介质
CN114659785A (zh) * 2021-12-27 2022-06-24 三一重能股份有限公司 一种风力发电机传动链的故障检测方法及装置
CN114659785B (zh) * 2021-12-27 2024-07-26 三一重能股份有限公司 一种风力发电机传动链的故障检测方法及装置

Also Published As

Publication number Publication date
WO2019061006A1 (en) 2019-04-04

Similar Documents

Publication Publication Date Title
CN111094927A (zh) 轴承故障诊断方法及装置、可读存储介质及电子设备
CN109977920B (zh) 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN107192553B (zh) 基于盲源分离的齿轮箱复合故障诊断方法
CN102721545B (zh) 一种基于多特征参量的滚动轴承故障诊断方法
CN102661783B (zh) 一种旋转机械故障趋势预测的特征提取方法
CN107147397B (zh) 面向可穿戴设备的快速压缩感知重构方法
He et al. Sparse signal reconstruction based on time–frequency manifold for rolling element bearing fault signature enhancement
CN108760266B (zh) 基于距离度量学习的机械关键部件虚拟退化指标构造方法
CN110795843B (zh) 一种识别滚动轴承故障的方法及装置
Yi et al. Mechanical compound faults extraction based on improved frequency domain blind deconvolution algorithm
Pandya et al. ANN based fault diagnosis of rolling element bearing using time-frequency domain feature
CN114636556A (zh) 基于ceemdan分解判断轴承故障的方法、电子设备及存储介质
CN115730199B (zh) 一种滚动轴承振动信号降噪和故障特征提取方法和***
Huang et al. A Fault Diagnosis Approach for Rolling Bearing Based on Wavelet Packet Decomposition and GMM-HMM.
Zhang et al. Sparsity-aware tight frame learning with adaptive subspace recognition for multiple fault diagnosis
CN106502850B (zh) 一种稀疏紧框架字典学习模型的多故障辨识方法与装置
CN106301610A (zh) 一种超外差接收机的自适应故障检测和诊断方法及装置
CN104075889B (zh) 一种基于故障特征的零空间轴承复合故障诊断方法
CN114263621A (zh) 一种离心泵空化故障诊断模拟的试验方法及***
CN114264478A (zh) 一种柴油机曲轴轴承磨损程度预测方法及***
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
CN110147637B (zh) 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法
CN116086807A (zh) 一种用于滚动轴承的故障判断方法和相关产品
CN114441174B (zh) 滚动轴承复合故障的诊断方法、***、设备及介质
CN112595515A (zh) 一种动力轴系轴承故障检测方法及***

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