CN111259330B - 一种基于振动信号的旋转机械早期预警方法 - Google Patents
一种基于振动信号的旋转机械早期预警方法 Download PDFInfo
- Publication number
- CN111259330B CN111259330B CN202010030749.6A CN202010030749A CN111259330B CN 111259330 B CN111259330 B CN 111259330B CN 202010030749 A CN202010030749 A CN 202010030749A CN 111259330 B CN111259330 B CN 111259330B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- matrix
- feature
- data
- control limit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于振动信号的旋转机械早期预警方法,其包括以下步骤:获取需监测的设备历史运行的且判定为“运行正常”的数据;采用小波包分解技术将振动信号进行分解,得到某一分解层下各频带的相对能量值构成特征矩阵;采用动态核主成分分析方法,将得到的特征矩阵分解为特征子空间与残差子空间;采用T2统计分析的方法处理特征子空间,求得一种可以表征设备健康状况的指标,T2统计量;采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限;将处理完成的监测数据的特征矩阵采用动态核主成分分析的方法,求得其T2统计量;若得到的统计量超出构建的自学习正常数据控制限则报警,对旋转机械进行在线监控,并探测其早期故障。
Description
技术领域
本发明涉及旋转机械监测领域,具体设计一种基于振动信号的旋转机械预警方法。
背景技术
国内炼油与化工生产装置规模大型化发展趋势明显,与其配套的旋转机械设备也向大型化、高速化、自动化和智能化方向发展,设备故障发生导致的非计划停机不仅会造成巨大的经济损失,而且可能会带来灾难性的火灾、***等安全事故,实现预测性维修对于确保设备运行安全、可靠具有重要作用。故障类型按故障发生、发展的过程分为突发性故障和渐变性故障,一般渐变性故障具有可检测性。研究设备早期故障检测预警技术,提前检测、告警设备即将发生的轻微或不正常故障征兆,使运行维护人员来预防故障或为故障的发生做好充足准备,并最大限度地减少计划外维修带来的损失具有重要的工程应用价值和实践意义。
目前,我国工业企业在役在线监测故障诊断***设备故障告警,采用当振动达到某一规定的振动幅值或振动发生显著变化时进行报警的方法,一般无法提前发现早期故障征兆,难以及时判断设备早期故障,存在较多的错误报警、漏报警,给设备操作维护人员造成了“报警疲劳”;在固定阈值报警线以下运行的设备,往往缺乏有效的状态劣化趋势告警,从设备报警到联锁停机,有时P-F间隔期很短,往往来不及采取预防性维修措施,非计划停机屡次发生造成巨大经济财产和安全损失。在工业企业,实现设备预测性维修还存在一定的技术挑战。
发明内容
针对现有技术中的不足,本发明提供了一种基于振动信号的旋转机械设备预警方法,可以准确可靠的探测设备的早期故障并报警。结合上述背景技术的不足,本发明致力于实现的技术目的,主要采用了哪些技术点,可以归纳整理下,以对应下述技术方案实施描述。
为了达到上述发明的目的,本发明采用的技术方案为:
提供一种基于振动信号的旋转机械设备预警方法,其包括以下步骤:
S1、获取需监测的设备历史运行的且判定为“运行正常”振动信号数据。
S2、采用小波包分解将振动信号进行分解,得到某一分解层下各频带的相对能量值构成特征矩阵。
S3、采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间。
S4、采用T2统计分析的方法处理特征子空间,求得一种表征设备健康状况的指标,T2统计量。
S5、采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限。
S6、将需要监测的振动信号数据采用S2步骤处理。
S7、将S6处理完成的监测振动信号数据的特征矩阵采用动态核主成分分析的方法,求得其T2统计量。
S8、若S7得到的统计量超出S5构建的自学习正常数据控制限则报警。
进一步的,步骤S2中根据小波包能量值分解得到特征矩阵的具体方法为:
将振动信号采用某一小波进行分解,最终在某一分解层数j上划分为不同频带的小波包系数小波包能量通过小波包系数求得,单一尺度下小波包能量为该尺度下小波包系数的平方和。
式中,j为小波包的分解层数,i∈(0,1,…,2j-1),d(j,i)为第j层第i+1个子频带的小波包系数。
振动信号的能量被分解在各个子频带中,不同的故障特征在各个频带上的能量占比也不同,因此定义小波包相对能量为:
式中Xj,i为相对能量值,反映了不同子频带的能量占比,选取某层分解后的小波包各子频带相对能量作为该信号的特征矩阵。
步骤S2中根据小波包能量值分解得到特征矩阵小波包的选择和分解层数选择的具体方法为:
在小波包分解过程中,小波形状需要根据所分析信号的特征与设备类型进行选择,对于机械设备而言,Daubechies系列小波是工程上应用最广泛、最成熟的紧支集正交实小波族,简称dbN小波系(N为小波序号)。分解层数的选择与振动信号采样频率以及故障特征频率被调制到高频区间段的位置均有关系,一般工程应用分解层数不宜超过8层,一般选择3-6层。
步骤S3中采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间的具体方法为:
动态核主成分分析(DKPCA)相对于传统的核主成分分析算法做出改进。DKPCA适用于非线性动态过程监控方法,为了考虑时间相关性,在应用KPCA之前执行数据矩阵的时滞扩展。假设某时刻下信号经特征提取后求得的特征矩阵为Xt,则用前l个时刻的观测数据扩展该时刻下的样本数据扩展当前的样本数据,扩展后的动态样本振动信号的特征数据矩阵为
X=[XtXt-1…Xt-l]T (3)
式中,X为t时刻下振动信号的动态化特征矩阵,Xt-1为t-1时刻下振动信号的特征矩阵。
DKPCA的基本思想是动态化处理数据后,采用非线性映射的方法把输入信号映射到特征空间F中,然后在特征空间F内采用PCA技术。假设某振动信号经过小波包分解得到动态能量特征矩阵Xn×m,存在某变换Φ,使得矩阵内某向量xi→Φ(xi),计算特征空间内n个Φ(x)的样本协方差阵:
式中,Φ(xi)为振动信号的特征矩阵变换,可使对振动信号特征的样本协方差内的C进行特征值分解,得到的特征值λ和特征向量V满足
λV=CV (5)
上式两边同乘Φ(xi),得
λ(Φ(xi)·V)=(Φ(xi)·CV) (6)
可以求解振动信号特征的协方差矩阵C的特征值所对应的特征向量V
式中,αi为相关系数,结合上面三个方程并构造一个n×n矩阵,Kj,i=K<Φ(xj),Φ(xi)>,并中心化。则:
λnα=Kα (8)
上式中的振动信号特征矩阵特征值λi(i=1,2,…,n)及其对应的特征向量αi应满足下面约束条件:
λi(αi·αi)=1 (9)
因此,该振动信号特征矩阵的核主元的求取变为:
选取振动信号特征矩阵核主元所携带的原始特征信息量的大小是由其对特征矩阵贡献R的大小来决定的。
式中,λi为特征矩阵K的特征值,p为振动信号特征矩阵核主元数量。因此,确定某一特征矩阵贡献R后,振动信号的特征矩阵就被分解为特征子空间和残差子空间。
步骤S3中采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间时所选择的时滞参数、核函数、贡献值的具体方法为:
在动态核主成分分析中,时滞参数l的选择应根据数据采集器采样间隔和故障检测类型需求来确定,在保证考虑时序相关性的同时也不能污染本时刻数据、降低本时刻数据的特征信息含量;采用径向基核函数,且采用径向基核函数中最常用的高斯核函数做特征映射,选取高斯核函数宽度为70时,在选取特征子空间时,核主元所携带信息的大小由是由其对特征矩阵贡献R的大小来决定的,R取85%即可。
步骤S4采用T2统计分析的方法处理特征子空间,求得一种可以表征设备健康状况的指标的具体方法为:
在特征子空间中利用T2统计量来衡量核主元方法内部波动,它描述了每个采样数据在变化趋势和幅值上与给定方法的偏离程度,T2统计量的定义如下:
T2=[t1,t2,…tp]Λ-1[t1,t2,…tp]T (12)
式中,tk(k=1,2,…,p)由式(13)确定,Λ-1为与得分向量所对应的特征值构成的对角阵的逆矩阵。
步骤S5采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限的具体方法为:
随机变量x服从参数为α,β的Beta分布写做:
X~Be(α,β) (13)
形状参数α,β是决定Beta分布性质的重要参数。建立自学习控制限,根据先验知识或专家选定“正常运行”工况,估计出形状参数,然后通过计算求得控制限。自学习的过程如下:
首先将“正常运行”数据做归一化处理,其次采用最大似然估计计算正常状态下的统计量数据的Beta分布形状参数,然后通过确定其双侧分位数对应的阈值来确定归一化的控制限,最终反归一化求得自学习控制限。
步骤S5采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限的参数选择为
在自学习控制限构建过程中,外部影响在采集过程中产生的尖峰误差一般情况下为百分之五,所以双侧分位数取0.05。
步骤S7采用的方法与步骤S3、S4提到的方法相同.
本发明的有益效果为:本发明采用小波包分析、动态核主成分分析分析、T2统计分析、自学习控制限构建等技术综合形成一种旋转机械设备故障预警方法,通过大量的实验室数据以及工程案例验证,本发明提出的设备故障预警方法可以更灵敏的探测到设备的早期故障,能够降低错误报警率和漏报警率,并且又很好的泛化性。
附图说明
图1为本发明的流程示意图
图2 T2统计量与自学习控制限监控图
图3频谱分析验证图,其中(a)为样本编号532点频谱图,(b)为样本编号533点频谱图,(c)为样本编号534点频谱图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
采用美国辛辛那提大学NSFI/UCR中心轴承试验台实验数据进行举例,该实验台第二组实验轴承运行时间为2004年2月12日10:32:39-2004年2月19日06:22:39,在失效实验结束时,1号轴承外圈发现裂纹,振动信号发生剧烈变化,变化反映了1号轴承发生了快速磨损。因此提取1号轴承中的数据进行分析。
S1、选择该实验数据的前400组作为“运行正常”的信号输入方法。
S2、采用db4小波分解至第三层,求得该分解层下8个子频带的相对能量值,构成特征矩阵。
S3、采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间。
S4、采用T2统计分析的方法处理特征子空间,求得一种可以表征设备健康状况的指标,T2统计量。
S5、采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限。
S6、将所有数据按照采用S2步骤处理。
S7、将S6处理完成的所有的特征矩阵采用动态核主成分分析的方法,求得其T2统计量。
S8、若S7得到的统计量超出S5构建的基于Beta分布自学习正常数据控制限则报警。
如图2所示,正常数据与故障数据已经发生了分离,前533组数据除刚开始运行的不平稳数据外,均处于自学习控制限(值为12.09)以下,判断534点为早期故障点。分析各编号点的频谱信息,设备在532点以前处于正常运行阶段,如图3所示,分析样本编号为532、533、534点的轴承频谱图可以发现,534、533点的频谱图中有明显的轴承故障特征频率,532点未出现故障特征频率,因此可以确定本文提出的方法算法有效检测出了轴承早期故障并实现了告警。
Claims (8)
1.一种基于振动信号的旋转机械设备预警方法,其特征在于:包括以下步骤,
S1、获取需监测的设备历史运行的且判定为“运行正常”振动信号数据;
S2、采用小波包分解将振动信号进行分解,得到某一分解层下各频带的相对能量值构成特征矩阵;
S3、采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间;
S4、采用T2统计分析的方法处理特征子空间,求得一种表征设备健康状况的指标,T2统计量;
S5、采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限;
S6、将需要监测的振动信号数据采用S2步骤处理;
S7、将S6处理完成的监测振动信号数据的特征矩阵采用动态核主成分分析的方法,求得其T2统计量;
S8、若S7得到的统计量超出S5构建的自学习正常数据控制限则报警;
步骤S3中采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间的具体方法为,
在应用KPCA之前执行数据矩阵的时滞扩展;假设某时刻下信号经特征提取后求得的特征矩阵为Xt,则用前l个时刻的观测数据扩展该时刻下的样本数据扩展当前的样本数据,扩展后的动态样本振动信号的特征数据矩阵为
X=[XtXt-1…Xt-l]T (3)
式中,X为t时刻下振动信号的动态化特征矩阵,Xt-1为t-1时刻下振动信号的特征矩阵;
假设某振动信号经过小波包分解得到动态能量特征矩阵Xn×m,存在某变换Φ,使得矩阵内某向量xi→Φ(xi),计算特征空间内n个Φ(x)的样本协方差阵:
式中,Φ(xi)为振动信号的特征矩阵变换,使对振动信号特征的样本协方差内的C进行特征值分解,得到的特征值λ和特征向量V满足
λV=CV (5)
上式两边同乘Φ(xi),得
λ(Φ(xi)·V)=(Φ(xi)·CV) (6)
求解振动信号特征的协方差矩阵C的特征值所对应的特征向量V
式中,αi为相关系数,结合上面三个方程并构造一个n×n矩阵,Kj,i=K<Φ(xj),Φ(xi)>,并中心化;则:
λinαi=Kαi (8)
上式中的振动信号特征矩阵特征值λi,i=1,2,…,n,及其对应的特征向量αi应满足下面约束条件:
λi(αi·αi)=1 (9)
因此,振动信号特征矩阵的核主元的求取变为:
选取振动信号特征矩阵核主元所携带的原始特征信息量的大小是由其对特征矩阵贡献R的大小来决定的;
式中,λi为特征矩阵K的特征值,p为振动信号特征矩阵核主元数量;因此,确定某一特征矩阵贡献R后,振动信号的特征矩阵就被分解为特征子空间和残差子空间。
2.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:步骤S2中根据小波包能量值分解得到特征矩阵的具体方法为,
将振动信号采用某一小波进行分解,最终在某一分解层数j上划分为不同频带的小波包系数{d0,d1,…,d2j-1},小波包能量通过小波包系数求得,单一尺度下小波包能量为该尺度下小波包系数的平方和;
式中,j为小波包的分解层数,i∈(0,1,…,2j-1),d(j,i)为第j层第i+1个子频带的小波包系数;
振动信号的能量被分解在各个子频带中,不同的故障特征在各个频带上的能量占比也不同,因此定义小波包相对能量为:
式中Xj,i为相对能量值,反映了不同子频带的能量占比,选取某层分解后的小波包各子频带相对能量作为该信号的特征矩阵。
3.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:步骤S2中根据小波包能量值分解得到特征矩阵小波包的选择和分解层数选择的具体方法为,
在小波包分解过程中,小波形状需要根据所分析信号的特征与设备类型进行选择,分解层数选择3-6层。
4.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:步骤S3中采用动态核主成分分析方法,将S2得到的特征矩阵分解为特征子空间与残差子空间时所选择的时滞参数、核函数、贡献值的具体方法为:在动态核主成分分析中,时滞参数l的选择应根据数据采集器采样间隔和故障检测类型需求来确定,在保证考虑时序相关性的同时也不能污染本时刻数据、降低本时刻数据的特征信息含量;采用径向基核函数,且采用径向基核函数中的高斯核函数做特征映射,选取高斯核函数宽度为70时,在选取特征子空间时,核主元所携带信息的大小由是由其对特征矩阵贡献R决定,R取85%。
5.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:步骤S4采用T2统计分析的方法处理特征子空间,求得一种表征设备健康状况的指标的具体方法为:
在特征子空间中利用T2统计量来衡量核主元方法内部波动,描述每个采样数据在变化趋势和幅值上与给定方法的偏离程度,T2统计量的定义如下:
T2=[t1,t2,...tp]Λ-1[t1,t2,...tp]T (12)
式中,tk由式(10)确定,k=1,2,…,p,Λ-1为与得分向量所对应的特征值构成的对角阵的逆矩阵。
6.根据权利要求1所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:步骤S5采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限的具体方法为:
随机变量x服从参数为α,β的Beta分布写做:
X~Be(α,β) (13)
形状参数α,β是决定Beta分布性质的重要参数;建立自学习控制限,根据先验知识或专家选定“正常运行”工况,估计出形状参数,然后通过计算求得控制限。
7.根据权利要求6所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:
自学习的过程如下:
将“正常运行”数据做归一化处理,采用最大似然估计计算正常状态下的统计量数据的Beta分布形状参数,通过确定其双侧分位数对应的阈值来确定归一化的控制限,反归一化求得自学习控制限。
8.根据权利要求6所述的一种基于振动信号的旋转机械设备预警方法,其特征在于:
步骤S5采用基于Beta分布自学习控制限构建的方法,自学习正常历史数据的控制限的参数选择:
在自学习控制限构建过程中,外部影响在采集过程中产生的尖峰误差为百分之五,所以双侧分位数取0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030749.6A CN111259330B (zh) | 2020-01-13 | 2020-01-13 | 一种基于振动信号的旋转机械早期预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010030749.6A CN111259330B (zh) | 2020-01-13 | 2020-01-13 | 一种基于振动信号的旋转机械早期预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259330A CN111259330A (zh) | 2020-06-09 |
CN111259330B true CN111259330B (zh) | 2023-11-03 |
Family
ID=70946904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010030749.6A Active CN111259330B (zh) | 2020-01-13 | 2020-01-13 | 一种基于振动信号的旋转机械早期预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259330B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111678699B (zh) * | 2020-06-18 | 2021-06-04 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及*** |
CN112971770B (zh) * | 2021-02-10 | 2022-10-18 | 北京邮电大学 | 一种心冲击信号质量控制处理方法及*** |
CN113190786B (zh) * | 2021-05-13 | 2024-03-15 | 岳聪 | 一种大型旋转装备利用多维装配参数的振动预测方法 |
CN115144182B (zh) * | 2022-09-01 | 2023-01-17 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN116756490A (zh) * | 2023-06-15 | 2023-09-15 | 沈阳航空航天大学 | 一种基于贝塔分布与eemd-cmse的滚动轴承故障预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN107247968A (zh) * | 2017-07-24 | 2017-10-13 | 东北林业大学 | 基于核熵成分分析失衡数据下物流设备异常检测方法 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
CN109459993A (zh) * | 2018-12-06 | 2019-03-12 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
-
2020
- 2020-01-13 CN CN202010030749.6A patent/CN111259330B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN107247968A (zh) * | 2017-07-24 | 2017-10-13 | 东北林业大学 | 基于核熵成分分析失衡数据下物流设备异常检测方法 |
CN109061463A (zh) * | 2018-09-29 | 2018-12-21 | 华南理工大学 | 一种高压断路器机械状态监测和故障诊断方法 |
CN109459993A (zh) * | 2018-12-06 | 2019-03-12 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
Non-Patent Citations (1)
Title |
---|
吴胜强 ; 姜万录 ; 刘思远 ; .基于小波包和KPCA的时频域故障检测方法.沈阳工业大学学报.2011,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111259330A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259330B (zh) | 一种基于振动信号的旋转机械早期预警方法 | |
Hu et al. | Machinery fault diagnosis scheme using redefined dimensionless indicators and mRMR feature selection | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及*** | |
CN112486097A (zh) | 一种基于模型算法的切割平台磨损状态监测方法、***及可读存储介质 | |
Zhang et al. | Bearing performance degradation assessment based on time-frequency code features and SOM network | |
CN109710955A (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及*** | |
US20110106289A1 (en) | Method for monitoring an industrial plant | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及*** | |
CN114878172A (zh) | 一种船舶主机气缸温度信号特征提取方法及*** | |
Li et al. | Canonical variate analysis, probability approach and support vector regression for fault identification and failure time prediction | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
Fantoni et al. | On-line monitoring of instrument channel performance in nuclear power plant using PEANO | |
Feng et al. | Residual useful life prediction of large-size low-speed slewing bearings–a data driven method | |
Zhong et al. | Fault diagnosis of motor bearing using self-organizing maps | |
Luo et al. | Fault diagnosis based on orthogonal semi-supervised LLTSA for feature extraction and Transductive SVM for fault identification | |
CN114112390A (zh) | 一种非线性复杂***早期故障诊断方法 | |
CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier | |
Li et al. | Correlation warping radius tracking for condition monitoring of rolling bearings under varying operating conditions | |
Ji et al. | Incipient fault detection with probability transformation and statistical feature analysis | |
He et al. | Fault detection and health assessment of equipment based on fuzzy DPCA spatial eigenvalue similarity |
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 |