CN111444988A - 一种滚动轴承故障诊断*** - Google Patents
一种滚动轴承故障诊断*** Download PDFInfo
- Publication number
- CN111444988A CN111444988A CN202010389878.4A CN202010389878A CN111444988A CN 111444988 A CN111444988 A CN 111444988A CN 202010389878 A CN202010389878 A CN 202010389878A CN 111444988 A CN111444988 A CN 111444988A
- Authority
- CN
- China
- Prior art keywords
- signal
- entropy
- decomposition
- fault diagnosis
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种滚动轴承故障诊断***。本发明针对滚动轴承故障诊断的问题,以排列熵辅助的组合模态分解算法结合奇异值分解算法的双重滤波信号特征提取。组合模态分解算法不仅实现了信号的初次滤波,而且克服了模态混叠现象,提高了计算实时性。奇异值分解二次滤波进一步准确地提取了轴承运行状态特征频率;运用多尺度散布熵能够从多角度表征轴承的故障状态,多尺度散布熵结合混合高斯连续隐马尔科夫故障诊断模型很大程度上提高了滚动轴承的故障诊断效率。
Description
技术领域
本发明涉及到机械技术领域,具体是一种滚动轴承故障诊断***。
背景技术
滚动轴承是机械设备中连接旋转部件与固定部件的“关节”,其工作状态决定着机械设备乃至生产线的运行状况。由滚动轴承导致旋转机械发生的故障率约为30%。目前滚动轴承故障诊断的技术主要有:振动诊断技术、声学诊断技术、油膜电阻诊断技术、温度诊断技术及铁谱诊断技术等,现有关于滚动轴承故障诊断的研究文献中有80%以上都是采用振动信号分析方法。
本文发明综合经验模态分解和完全集合经验模态分解形成组合模态分分解特征提取技术,结合奇异值分解技术实现滚动轴承的二次降噪和特征提取。采用基于多尺度散布熵的混合高斯连续隐马尔科夫模型实现轴承运行状态识别与分类。本发明可使滚动轴承故障诊断率达到100%,较现有研究成果提高10%左右。通过故障诊断方法准确分析滚动轴承所处运行状态,实现轴承设备的科学运维以及生产的合理排产,延长设备的使用寿命,降低成本提高生产效率具有重要意义。
发明内容
针对现有滚动轴承故障诊断相关技术的不足,本发明提供了一种滚动轴承故障诊断***,准确识别滚动轴承运行状态,提高滚动轴承的故障诊断的效率。
本发明通过以下技术方案予以实现:
一种滚动轴承故障诊断***,其特征在于:
第一步:滚动轴承故障信号组合模态分解初次滤波,过程如下:
1)选取轴承的振动传感器的振动信号并进行信号分组,信号分组就是把时间连续的信号以时间段进行化分,计算各组原始振动信号的排列熵;
a.若其排列熵小于0.618,选用固有经验模态分解进行原信号分解,分解得到固有模态分量和残余量,进入b;
若其排列熵大于0.618,对其进行自适应噪声的完备集合经验模态分解,分解得到固有模态分量和残余量,进入b;
b.判断残余量极值点数,
若极值点数大于等于3,则重复a操作得到下一个固有模态分量和残余量;
若极值点数小于3,将分解得到的所有固有模态分量相加得到原始信号初次滤波后的固有模态分量;
2)选取原始信号初次滤波后的固有模态分量,计算相关系数和峭度值,选取相关系数大于0.1且峭度大于3的固有模态分量;并将其按峭度值大到小的固有模态分量依次叠加,每叠加一次计算一次其叠加信号的峭度值;最后选取峭度值最大的叠加信号作为最终重构信号;
第二步:通过奇异值分解进行信号的二次滤波,过程如下:
将第一步输出的长度为N滤波后的振动信号构造成m行n列Hankel矩阵,建立规则是行数m为N/2(N为偶数)或(N+1)/2(N为奇数)和列数n=N+1-m,且m≥2、n>2、m<n,对Hankel矩阵进行奇异值分解,运用奇异值差分谱最大法确定奇异值的有效阶次,得到反映信号特征的新的奇异值矩阵S',并据此矩阵进行奇异值分解逆运算,得到二次重构信号;
第三步:提取故障诊断的输入特征向量,过程如下:
滚动轴承振动状态信号经过组合模态分解滤波和奇异值分解滤波处理后,用多尺度散布熵进行特征表示;确定影响多尺度散布熵值的因素有嵌入维数m、延迟时间d和类别c,令m=2、c=6、d=1,且取最大时间间隔τmax=20,计算二次重构信号的多尺度散布熵值,将其作为故障诊断的输入特征向量;
第四步:建立混合高斯连续隐马尔可夫滚动轴承故障诊断模型:
将带标签的轴承故障历史数据经过第一步、第二部和第三步处理,计算得到重构信号的多尺度散布熵作为训练样本,计算混合高斯连续隐马尔可夫模型的模型参数λ=(π,A,B),其中A={aij}是状态转移概率分布,π={πi}是初始状态概率分布,B为观测值概率分布常用高斯混合分布来拟合,建立滚动轴承故障诊断模型;
第五步:将采集的运行轴承的振动信号数据经过第一步、第二部和第三步处理,计算得到重构信号的多尺度散布熵,输入到第四步建立的模型中,采用最大似然概率对比法,确定振动信号属于那种运行状态。
与现有技术相比,本发明的有益效果是:本发明针对滚动轴承故障诊断的问题,以排列熵辅助的组合模态分解算法结合奇异值分解算法的双重滤波信号特征提取。组合模态分解算法不仅实现了信号的初次滤波,而且克服了模态混叠现象,提高了计算实时性。奇异值分解二次滤波进一步准确地提取了轴承运行状态特征频率;运用多尺度散布熵能够从多角度表征轴承的故障状态,多尺度散布熵结合混合高斯连续隐马尔科夫故障诊断模型很大程度上提高了滚动轴承的故障诊断效率。
附图说明
图1本发明整体工作流程图。
图2固有经验模态分解流程图。
图3自适应噪声的完备集合经验模态分解算法流程图。
图4混合高斯连续隐马尔可夫滚动轴承故障诊断模型流程图。
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。
如图1所示:
第一步:滚动轴承故障信号组合模态分解初次滤波,实施过程如下:
1.选取地滚动轴承的振动信号数据,计算所选信号的排列熵,若排列熵小于0.618,选用固有经验模态分解进行原信号分解,分解过程如图2所示:
1)构造振动信号x(t)的上包络线v1(t)和下包络线v2(t),即用三次样条插值法拟合含有x(t)所有局部极大值极小值点的上、下包络曲线,使所有极值点位于上、下包络线包络范围内;
2)取上、下包络线的平均值m1(t),即:
3)分解x(t)得到固有经验模态分量,
(1)分解得到第一个固有模态分量imf1(t),
取原始信号x(t)与包络线均值m1(t)的差为h1(t),即:
h1(t)=x(t)-m1(t),
条件1:原始分解信号序列所有极值总数与过零点总数和之差小于等于1;
条件2:任意时刻,由被分解信号的局部极大值与局部极小值所构成的上下包络均值为零,即满足上下包络线时间轴对称要求。
如果h1(t)同时满足条件1和条件2要求,将h1(t)被视为x(t)的imf1(t),即:
imf1(t)=h1(t),
若不同时满足条件1和条件2要求,将h1(t)视为新的原始数据x(t),循环以上1)-3)步,重新判断h1(t)的上、下包络线平均值m11(t)之差满足固有模态分量定义条件与否,若满足,imf1(t)=h1(t)-m11(t)=h11(t),若不满足,则x(t)=h11(t),循环执行1)至3)步,直至第k次分解产生固有模态分量达到假设条件要求,令h1k=h1(k-1)-m1k,则h1k(t)记为imf1(t),即:
imf1(t)=h1k(t),
(2)分解得到第i个固有模态分量imfi(t),
将imf1(t)与x(t)做差得原始信号的第一个残余分量表示为r1(t),
r1(t)=x(t)-imf1(t),
(3)计算r1(t)的排列熵,若排列熵大于0.618进入2步,若排列熵小于0.618,对r1(t)重复上面的步骤1)-3),得到第二个固有模态分量imf2,所有残余分量ri(t)的排列熵小于0.618,均可重复上述步骤1)-3),即可得其余各阶固有模态分量,所有残余分量序列表示为ri(t)(i=1,2,...,n,,N),当ri(t)(1≤i≤N)为一单调函数即极值点小于3个时原信号分解结束。
4)原始信号可表示为残余量rn(t)和各阶固有模态分量之和,即:
2.若其排列熵大于0.618,对其进行一次自适应噪声的完备集合经验模态分解,如图3所示:
1)自适应噪声的完备集合经验模态分解对原始振动信号添加噪信号xi(t)=x(t)+εini(t),xi(t)为添加噪声后的振动信号,ni(t)为白噪声信号,εi为噪声幅值,i=(1,2,…n)。运用固有经验模态分解算法分解,将每个添加白噪声信号的第一阶固有模态分量求取平均值表示成为第一个固有模态分量:
2)第一阶固有模态分量的残余量表示为r1(t),计算公式为:
3)计算r1(t)的排列熵,若排列熵小于0.618,进入1步,若排列熵大于0.618,进行i(i=1,2,…N)次实验,信号表示成r1(t)+ε1E1(ni(t)),r1(t)第一阶固有模态分量的残余量,ε1为第一个白噪声幅值,E1(ni(t))为白噪声的数学期望。并对信号r1(t)+ε1E1(ni(t))进行分解,直到获得第一阶固有模态分量为止,进而完成第二阶固有模态分量计算:
4)每次分解结束后均需判断残余分量的排列熵是否大于0.618来选择进入1步固有经验模态分解或2步自适应噪声的完备集合经验模态分解,对于所有残余分量排列熵大于0.618时,当固有模态分量分解阶次j=2,…M时,依步骤3)的计算方法计算第j个余量和第j+1个固有模态分量:
5)将j加1时,返回第4)步,当弟j次分解残余量rj(t)的极值点数小于3时停止分解操作。这时共有M阶固有模态分量,残余量为:
则x(t)可用自适应噪声的完备集合经验模态分解信号表示为:
3.选取原始信号初次滤波后的固有模态分量,计算相关系数和峭度值,选取相关系数大于0.1且峭度大于3的固有模态分量;并将其按峭度值大到小的固有模态分量依次叠加,每叠加一次计算一次其叠加信号的峭度值;最后选取峭度值最大的叠加信号作为最终重构信号,峭度值和相关系数求取过程如下:
1)相关系数选择参量。两个时间序列xi和yi,相关系数ρxy数学描述为:
式中ρxy∈[-1,1],|ρxy|越小,则说明重构信号越接近于原始信号,降噪效果越好,取|ρxy|大于0.1即可。
2)峭度值选择参量。峭度为时域信号x(t)特性分布的指标参量,其数学表达式为:
第二步:通过奇异值分解进行信号的二次滤波,实施过程如下:
选取原始信号初次滤波后的固有模态分量信号X=[x(1),x(2),…,x(N)],为将信号分解成反映信号主体的主干信号与一系列反映局部特征的细节信号,利用该信号构造m行n列Hankel矩阵。
式中,m≥2、n>2、m<n且m+n-1=N。当N为偶数时,取m=N/2,n=n/(2+1);当N为奇数时,取m=n=(n+1)/2。将矩阵A进行奇异值分解,即
A=u1λ1v1 T+u2λ2v2 T+…+ukλkvk T+…+uqλqvq T,k=1,2,…,q
前面k个的奇异值包含了信号的主要信息,而噪声则分布在后面的奇异值上。因此重构信号需要选择矩阵A前面的k个奇异值并将之后的q-k个奇异值置零。
前两个奇异值比σ1/σ2为信号的周期或周期的整倍数时差分谱值最大,最大值以内的奇异值保留,其余位置的置零,利用新的奇异值矩阵S进行信号的奇异值分解重构,实现信号的二次降噪。
第三步:提取故障诊断的输入特征向量,实施过程如下:
1.粗粒化处理
2)计算所有τ对应的粗粒化序列散布熵值,过程如下:
(1)运用正态累积分布函数方法将u映射y={y1,y2,…,ym}。
式中,μ和σ分别为信号y的均值与标准差。
3)由信息熵定义得散布熵值为,
DE为散布熵,散布熵的单位为奈特/nat,ln为以10为底的对数。
4)尺度因子τ下的多尺度散布熵计算式为,
MDE为多尺度散布熵,滚动轴承振动状态信号经过组合模态分解滤波和奇异值分解滤波处理后的信号为x,m,c,d,τ已在上面定义,用多尺度散布熵进行特征表示;确定影响多尺度散布熵值的因素有嵌入维数m、延迟时间d和类别c,令m=2、c=6、d=1,且取最大时间间隔τmax=20,计算二次重构信号的多尺度散布熵值,将其作为故障诊断的输入特征向量;
第四步:建立混合高斯连续隐马尔可夫滚动轴承故障诊断模型流程如图4所示:
将带标签的轴承故障历史数据经过第一步、第二部和第三步处理,计算得到重构信号的多尺度散布熵作为训练样本,训练混合高斯连续马尔科夫故障诊断模型。经处理后的滚动轴承的振动信号为O={o1,o2,…,oT},滚动轴承设备运行的故障状态序列为I={i1,i2,…,iN}。设混合高斯连续马尔科夫模型的参数为λi,设备运行L个状态对应L个模型计算设备在可观测信息O下的可能发生故障状态I的概率为:计算过程为:在算法中模型参数λ=(π,A,B),其中A={aij}是状态转移概率分布,π={πi}是初始状态概率分布。B为观测值概率分布常用高斯混合分布来拟合,即:
式中:M为高斯元个数,cjm为第j状态第m个高斯元的混合系数;μjm和σjm为在j个状态下m个高斯元的均值向量和协方差矩阵。
故障发生的前向概率αt(i)的计算公式如下:
αt(i)=P(o1,o2…ot,iT=qi|λ),
ot为轴承运行观测序列,it为轴承运行状态序列,qi状态序列值。其递推公式为:
故障发生的后向概率及其递推公式为:
βt(i)=P(ot+1,ot+2…oT,it=qi|λ),
结合前后向算法的定义计算概率P(O|λi)即为滚动轴承故障发生的概率即为:
不同故障历史数据可训练出相对应的故障诊断模型。
第五步:将采集的运行轴承的振动信号数据经过第一步、第二部和第三步处理,计算得到重构信号的多尺度散布熵,输入到第四步建立的模型中,采用最大似然概率对比法,确定振动信号属于那种运行状态。如4所示:
最大似然概率对比法:根据训练故障样本的种类数目i,可训练出相应的i个故障诊断模型即λi,计算故障发生的前后向概率概率的数值表示发生故障的可能性。新样本的多尺度散布熵代入公式计算最大似然发生概率,在λi的i=(1,2,…,n)种模型中,那种故障模型的发生概率最高即被判定为那种故障。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种滚动轴承故障诊断***,其特征在于:
第一步:滚动轴承故障信号组合模态分解初次滤波,过程如下:
1)选取轴承的振动传感器的振动信号并进行信号分组,信号分组就是把时间连续的信号以时间段进行化分,计算各组原始振动信号的排列熵;
a.若其排列熵小于0.618,选用固有经验模态分解进行原信号分解,分解得到固有模态分量和残余量,进入b;
若其排列熵大于0.618,对其进行自适应噪声的完备集合经验模态分解,分解得到固有模态分量和残余量,进入b;
b.判断残余量极值点数,
若极值点数大于等于3,则重复a操作得到下一个固有模态分量和残余量;
若极值点数小于3,将分解得到的所有固有模态分量相加得到原始信号初次滤波后的固有模态分量;
2)选取原始信号初次滤波后的固有模态分量,计算相关系数和峭度值,选取相关系数大于0.1且峭度大于3的固有模态分量;并将其按峭度值大到小的固有模态分量依次叠加,每叠加一次计算一次其叠加信号的峭度值;最后选取峭度值最大的叠加信号作为最终重构信号;
第二步:通过奇异值分解进行信号的二次滤波,过程如下:
将第一步输出的长度为N滤波后的振动信号构造成m行n列Hankel矩阵,建立规则是行数m为N/2(N为偶数)或(N+1)/2(N为奇数)和列数n=N+1-m,且m≥2、n>2、m<n,对Hankel矩阵进行奇异值分解,运用奇异值差分谱最大法确定奇异值的有效阶次,得到反映信号特征的新的奇异值矩阵S',并据此矩阵进行奇异值分解逆运算,得到二次重构信号;
第三步:提取故障诊断的输入特征向量,过程如下:
滚动轴承振动状态信号经过组合模态分解滤波和奇异值分解滤波处理后,用多尺度散布熵进行特征表示;确定影响多尺度散布熵值的因素有嵌入维数m、延迟时间d和类别c,令m=2、c=6、d=1,且取最大时间间隔τmax=20,计算二次重构信号的多尺度散布熵值,将其作为故障诊断的输入特征向量;
第四步:建立混合高斯连续隐马尔可夫滚动轴承故障诊断模型:
将带标签的轴承故障历史数据经过第一步、第二部和第三步处理,计算得到重构信号的多尺度散布熵作为训练样本,计算混合高斯连续隐马尔可夫模型的模型参数λ=(π,A,B),其中A={aij}是状态转移概率分布,π={πi}是初始状态概率分布,B为观测值概率分布常用高斯混合分布来拟合,建立滚动轴承故障诊断模型;
第五步:将采集的运行轴承的振动信号数据经过第一步、第二部和第三步处理,计算得到重构信号的多尺度散布熵,输入到第四步建立的模型中,采用最大似然概率对比法,确定振动信号属于那种运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010389878.4A CN111444988B (zh) | 2020-05-11 | 2020-05-11 | 一种滚动轴承故障诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010389878.4A CN111444988B (zh) | 2020-05-11 | 2020-05-11 | 一种滚动轴承故障诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444988A true CN111444988A (zh) | 2020-07-24 |
CN111444988B CN111444988B (zh) | 2021-09-17 |
Family
ID=71657608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010389878.4A Expired - Fee Related CN111444988B (zh) | 2020-05-11 | 2020-05-11 | 一种滚动轴承故障诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444988B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855192A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于编码器信号去噪的奇异值分解方法 |
CN112731098A (zh) * | 2020-12-03 | 2021-04-30 | 西安电子科技大学 | 一种射频低噪放电路故障诊断方法、***、介质及应用 |
CN113470694A (zh) * | 2021-04-25 | 2021-10-01 | 重庆市科源能源技术发展有限公司 | 水轮机组遥听监测方法、装置和*** |
CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
CN113673468A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种输送机故障诊断方法、***、电子设备及存储介质 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN114088400A (zh) * | 2021-11-01 | 2022-02-25 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114167838A (zh) * | 2021-12-03 | 2022-03-11 | 西安电子科技大学 | 一种伺服***多尺度健康评估与故障预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN107817106A (zh) * | 2017-10-11 | 2018-03-20 | 温州大学 | 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
CN109583386A (zh) * | 2018-11-30 | 2019-04-05 | 中南大学 | 一种智能旋转机械故障深度网络特征辨识方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
-
2020
- 2020-05-11 CN CN202010389878.4A patent/CN111444988B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN107817106A (zh) * | 2017-10-11 | 2018-03-20 | 温州大学 | 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 |
CN109583386A (zh) * | 2018-11-30 | 2019-04-05 | 中南大学 | 一种智能旋转机械故障深度网络特征辨识方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
HUIMING JIANG等: "Study on Hankel matrix-based SVD and its application in rolling element bearing fault diagnosis", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855192A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于编码器信号去噪的奇异值分解方法 |
CN111855192B (zh) * | 2020-07-31 | 2021-04-23 | 北京航空航天大学 | 一种用于编码器信号去噪的奇异值分解方法 |
CN112731098A (zh) * | 2020-12-03 | 2021-04-30 | 西安电子科技大学 | 一种射频低噪放电路故障诊断方法、***、介质及应用 |
CN112731098B (zh) * | 2020-12-03 | 2022-04-29 | 西安电子科技大学 | 一种射频低噪放电路故障诊断方法、***、介质及应用 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113470694A (zh) * | 2021-04-25 | 2021-10-01 | 重庆市科源能源技术发展有限公司 | 水轮机组遥听监测方法、装置和*** |
CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
CN113673468A (zh) * | 2021-08-30 | 2021-11-19 | 武汉理工大学 | 一种输送机故障诊断方法、***、电子设备及存储介质 |
CN114088400A (zh) * | 2021-11-01 | 2022-02-25 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114088400B (zh) * | 2021-11-01 | 2024-04-09 | 中国人民解放军92728部队 | 一种基于包络排列熵的滚动轴承故障诊断方法 |
CN114167838A (zh) * | 2021-12-03 | 2022-03-11 | 西安电子科技大学 | 一种伺服***多尺度健康评估与故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111444988B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444988B (zh) | 一种滚动轴承故障诊断*** | |
CN108231201B (zh) | 一种疾病数据分析处理模型的构建方法、***及应用方法 | |
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN107103338B (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及*** | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
Huang et al. | Sound quality prediction and improving of vehicle interior noise based on deep convolutional neural networks | |
CN110705525A (zh) | 一种诊断滚动轴承故障的方法及装置 | |
CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
CN110795843A (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN113435322A (zh) | 一种主轴轴承故障检测方法、***、设备及可读存储介质 | |
CN102901630A (zh) | 基于自适应冗余提升小波降噪分析的轴承故障识别方法 | |
CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN113920375B (zh) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及*** | |
CN115905976B (zh) | 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、***及设备 | |
Zhu et al. | Deep fourier kernel for self-attentive point processes | |
CN116337449A (zh) | 一种基于信息融合的稀疏自编码故障诊断方法、*** | |
Lee et al. | An explainable deep learning-based prognostic model for rotating machinery | |
CN109635428B (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及*** | |
CN113449618A (zh) | 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210917 |
|
CF01 | Termination of patent right due to non-payment of annual fee |