CN112432790B - 滚动轴承故障诊断方法和装置及存储介质 - Google Patents
滚动轴承故障诊断方法和装置及存储介质 Download PDFInfo
- Publication number
- CN112432790B CN112432790B CN202010706629.3A CN202010706629A CN112432790B CN 112432790 B CN112432790 B CN 112432790B CN 202010706629 A CN202010706629 A CN 202010706629A CN 112432790 B CN112432790 B CN 112432790B
- Authority
- CN
- China
- Prior art keywords
- features
- domain features
- rolling bearing
- feature
- mixed
- 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
公开了滚动轴承故障诊断方法和装置及存储介质。滚动轴承故障诊断方法包括:取得滚动轴承的振动加速度信号;从振动加速度信号中提取m个混合域特征,其中m是大于1的整数,所述m个混合域特征包括多个时域特征、多个频域特征和多个时频域特征;通过使用半监督拉普拉斯分值算法,对所述m个混合域特征进行排序,并且选择所述m个混合域特征中的排序靠前的n个特征,其中n是大于1的整数并且n<m;通过使用降维算法,对所述n个特征执行特征降维;以及基于降维后的特征,通过使用分类器来确定滚动轴承的故障状态。
Description
技术领域
本公开涉及滚动轴承故障诊断方法和装置及存储介质。
背景技术
在汽车生产车间中,升降机是常见的输送设备。比如,在相邻的生产线之间,升降机可以用来对车辆进行移位。滚动轴承是升降机中的关键部件之一。如果滚动轴承发生故障,那么升降机会停机,进而可能引起多条生产线的停工。目前,保全工人会定期手动地检查升降机中的滚动轴承,以期望在早期发现故障隐患。
发明内容
本公开提出了一种滚动轴承故障诊断方法,该方法包括:取得滚动轴承的振动加速度信号;从振动加速度信号中提取m个混合域特征,其中m是大于1的整数,所述m个混合域特征包括多个时域特征、多个频域特征和多个时频域特征;通过使用半监督拉普拉斯分值算法,对所述m个混合域特征进行排序,并且选择所述m个混合域特征中的排序靠前的n个特征,其中n是大于1的整数并且n<m;通过使用降维算法,对所述n个特征执行特征降维;以及基于降维后的特征,通过使用分类器来确定滚动轴承的故障状态。
从参考附图的以下描述中,本公开其他特征和优点将变得清楚。
附图说明
并入说明书中并构成说明书的一部分的附图图示了本公开的实施例,并且与说明书一起用于解释本公开的原理而没有限制。在各图中,类似的标号用于表示类似的项目。
图1是根据本公开的一些实施例的示例性滚动轴承故障诊断装置的框图。
图2是图示出根据本公开的一些实施例的示例性滚动轴承故障诊断方法的流程图。
图3图示出几种典型的滚动轴承的振动加速度信号的时域波形图。
图4是图示出根据本公开的一些实施例的示例性特征选择处理的的流程图。
图5A图示出根据比较示例的故障诊断结果,图5B图示出根据本公开的一个实施例的故障诊断结果。
图6图示出根据本公开的一些实施例的其中可应用本公开的一般硬件环境。
具体实施方式
在以下详细描述中,阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。但是,对于本领域技术人员清楚的是,所描述的实施例可以在没有这些具体细节中的一些或全部的情况下进行实践。在所描述的示例性实施例中,为了避免不必要地模糊本公开的概念,没有详细描述众所周知的结构或处理步骤。
下文所示的每个框图内的方框可以通过硬件、软件、固件或其任意组合来实现以实现本公开的原理。本领域技术人员应该理解的是,每个框图中描述的方框可以被组合或分成子框来实现本公开的原理。
本公开中呈现的方法的步骤旨在是说明性的。在一些实施例中,该方法可以用未描述的一个或多个附加步骤来完成和/或在没有所讨论的一个或多个步骤的情况下完成。此外,方法的步骤被图示和描述的顺序并不旨在是限制性的。
图1是根据本公开的一些实施例的示例性滚动轴承故障诊断装置100的框图。如图1所示,装置100可以包括:振动信号取得部件110,被配置成取得滚动轴承的振动加速度信号;特征提取部件120,被配置成从振动加速度信号中提取多个混合域特征;特征选择部件130,被配置成通过使用半监督拉普拉斯分值(Semi-Supervised Laplace Score,SSLS)算法从多个混合域特征中选出多个较重要的特征;特征降维部件140,被配置成通过使用降维算法对多个较重要的特征执行特征降维(也称作维度约解);以及故障状态确定部件150,被配置成基于降维后的特征,通过使用分类器来确定滚动轴承的故障状态。
下文将进一步详细描述如图1所示的各部件的操作。
图2是图示出根据本公开的一些实施例的示例性滚动轴承故障诊断方法200的流程图。
方法200从步骤S210开始,在步骤S210处,振动信号取得部件110取得滚动轴承的振动加速度信号。这里,振动加速度信号指滚动轴承的传动轴的径向振动加速度信号。振动信号取得部件110可以从设置在滚动轴承的驱动端处的加速度传感器取得振动加速度信号。振动信号取得部件110可以以预定的采样频率(比如12kHz)对振动加速度信号进行采样,并且取得具有预定长度(比如具有2048个采样点)的数据样本。振动信号取得部件110可以以各种已知的方式取得多个(比如q个,q是大于2的整数,q例如可以是100)数据样本。振动信号取得部件110可以将多个数据样本输出给特征提取部件120和特征选择部件130。
图3图示出几种典型的振动加速度信号的时域波形图。滚动轴承通常包括滚动体、内圈、外圈和保持架。相应地,滚动轴承的故障类型通常包括以下三类:滚动体故障、内圈故障、和外圈故障。图3中的(a)示出了滚动轴承正常状态下的振动加速度信号片段;图3中的(b)示出了滚动体故障状态下的振动加速度信号片段;图3中的(c)示出了内圈故障状态下的振动加速度信号片段;图3中的(d)示出了外圈故障状态下的振动加速度信号片段。
方法200前进到步骤S220,在步骤S220处,特征提取部件120从振动加速度信号中提取m个混合域特征,其中m是大于1的整数,m个混合域特征包括多个时域特征、多个频域特征和多个时频域特征。更具体而言,特征提取部件120从接收自振动信号取得部件110的每个数据样本中提取m个混合域特征。在特征提取部件120从振动信号取得部件110接收到q个数据样本的情况下,特征提取部件120将生成一个q×m的特征矩阵,即q行m列的特征矩阵。
在一些实施例中,特征提取部件120从振动加速度信号中提取26个混合域特征,即m=26。这26个混合域特征包括:16个时域特征p1~p16、5个频域特征p17~p21、以及5个时频域特征p22~p26。在下表1中列出了所提取的特征p1~p21。
表1
如表1所示,16个时域特征p1~p16分别是:10个有量纲的统计量p1~p10,即,均值、标准差、方根幅值、平均幅值、斜度、峭度、均方根值、最大值、最小值、最大值和最小值之差;以及6个无量纲的统计量p11~p16,即,波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标。5个频域特征p17~p21分别是:均方频率、均方根频率、频率标准差、峭度频率和中心频率,其中p17反映频域振动能量的大小,p18~p20反映主频带位置的变化,p21表示频谱的分散或者集中程度。并且,5个时频域特征p22~p26是经验模态分解(EMD)的前五个本征模函数(即IMF1-IMF5)分量的各自的能量特征平方和。这里,能量特征平方和反映各IMF分量的能量大小(即信号波动幅度的大小)。更具体而言,能量特征平方和指各IMF分量的幅值的平方和。
应理解,所提取的特征并不限于以上列出的26个特征。可替代地,可以根据实际需求,提取更多或更少的特征。
在特征提取部件120从振动信号取得部件110接收到q个数据样本的情况下,特征提取部件120将通过特征提取而生成的q×m的特征矩阵输出给特征选择部件130。例如,在接收到100个数据样本并且针对每个数据样本提取26个混合域特征的情况下,特征提取部件120将100×26的特征矩阵输出给特征选择部件130。
接下来,方法200前进到步骤S230,在步骤S230处,特征选择部件130通过使用SSLS算法,对如前所述的m个混合域特征进行排序,并且选择m个混合域特征中的排序靠前的n个特征,其中n是大于1的整数并且n<m。在一些实施例中,可以从例如26个混合域特征中选出按重要性排序的前8个特征以用于后续的处理,即n=8。这里,n的取值可以根据实际需求而定。在特征选择部件130从特征提取部件120接收到q×m的特征矩阵的情况下,特征选择部件130将特征选择后的q×n的特征矩阵输出给特征降维部件140。
以下参考图4详细介绍由特征选择部件130执行的特征选择处理400。特征选择处理400包括以下四个子步骤S231-S234。
在第一子步骤S231中,使用(l+u)个数据样本X={x1,x2,…,xl,xl+1,…,xl+u}来构建近邻图G,在该近邻图G中,数据样本xi(i=1,2,...,l+u)对应于第i个节点,并且基于每两个数据样本xi和xj(j=1,2,...,l+u,并且j≠i)之间的相似度来建立第i个节点和第j个节点之间的边。数据样本xi表示在某个时间段内采样的振动加速度信号。l和u分别是大于1的整数,并且,Xl={x1,x2,…,xl}是1个有标签的数据样本,标签为{z1,z2,…,zl},所述标签指示出不同的故障状态,Xu={xl+1,xl+2,…,xl+u}是u个无标签的数据样本。
这里,l+u=q。也就是说,特征选择部件130使用从振动信号取得部件110接收到的q个数据样本来构建近邻图G。例如,在存在100个数据样本的情况下,可以构建具有100个节点的近邻图G,并且在每两个数据样本的相似度大于或等于预定值的情况下,在相应两个节点之间建立连接节点的边,在每两个数据样本的相似度小于预定值的情况下,不在相应两个节点之间建立边。
在一些实施例中,有标签的数据样本的数量l可以小于无标签的数据样本的数量u。在另一些实施例中,有标签的数据样本的数量l可以占总样本数量(l+u)的20%或更多。
在第二子步骤S232中,根据近邻图G计算加权矩阵S。具体而言,根据以下式子(1)和式子(2)来计算加权矩阵S:
若xi∈Xl,xi的邻域为Nk(xi),则
若xi∈Xu,xi的邻域为Nk(xi),则
从以上式子(1)和式子(2)能够理解,假设样本xj为样本xi的邻域中的一个点,若xj有标签且和xi具有相同的标签,则增大xi和xj之间的权重,即增大权值Sij,使该点对目标函数的最小化发挥更大的作用;若xj有标签但和xi具有不同的标签,则去掉xi和xj之间的连接边,即将权值Sij置0,使该点不对目标函数的最小化发挥作用;若xj没有标签,则权值Sij保持不变;并且,在任何其他情况下,将权值Sij置0。
在第三子步骤S233中,基于计算的加权矩阵S,计算m个混合域特征的拉普拉斯分值,其中,针对每个数据样本xi确定m个混合域特征。
在一些实施例中,对于第r(r=1,2,...,m)个特征,定义以下式子(3)-(5):
fr=(fr1,fr2,…frq)T...(3)
D=diag(SI)...(4)
L=D-S...(5)
其中,fri表示第i个数据样本的第r个特征,I为q维单位矢量,矩阵L是近邻图G的拉普拉斯矩阵。为了使计算更加准确,根据以下式子(6)对各个特征进行去均值化处理:
进一步地,根据以下式子(7)和式子(8)来计算第r个特征的SSLS:
其中Var(fr)是第r个特征的方差。Sij越大,(fri-frj)2越小,表明数据样本在该特征上的差异越小,即该特征的局部信息保持能力越强。就等式(7)而言,分子越小表示近邻的样本在该特征上的差异越小,即该特征的局部信息保持能力越强;分母越大表示样本在该特征上差异越大,即该特征的区分能力越强。因此,特征的分值Lr与特征的重要性成反比。
在第四子步骤S234中,按照拉普拉斯分值从小到大的顺序对m个混合域特征进行排序。排序越靠前,说明特征的重要性越高。
尽管未示出,但是特征选择处理400还可以包括选出排序靠前的n个特征的子步骤。
SSLS特征选择处理通过直接对特征集进行学习,提取数据内在的信息结构,并且充分利用了部分数据的标签信息,简化了特征空间,并极大地保留了故障信号特征集合中内含的整体几何结构信息,从而有利于滚动轴承故障判别与诊断。
接下来,方法200前进到步骤S240,在步骤S240处,特征降维部件140通过使用降维算法,对n个特征执行特征降维。
在一些实施例中,采用主元分析(PCA)法来对n个特征执行特征降维。在特征降维部件140从特征选择部件130接收到q×n的特征矩阵的情况下,PCA的步骤如下。该q×n的特征矩阵包含q个n维的特征矢量xi(i=1,2,...,q)。
(1)根据式子(9)计算均值:
(2)根据式子(10)计算特征矢量的协方差矩阵:
(3)根据式子(11)计算协方差矩阵C的特征值λi和特征矢量vi(i=1,2,…,n):
Cvi=λivi...(11)。
(4)将λi从大到小排列,由前o个最大特征值和对应特征矢量组成Δ=(λ1,λ2,…,λo)和V=(v1,v2,…,vo)。
(5)根据式子(12)计算o维特征矢量(o是大于1的整数且o<n):
P=VTX...(12),
这里,X表示如前所述的q×n的特征矩阵。主元P具有原始特征矢量的主要信息,可以近似表征原始特征矢量,从而达到降维的目的。
经过PCA降维后,得到q×o的特征矩阵,该特征矩阵包含q个o维的特征矢量xi(i=1,2,...,q)。在一些实施例中,o取2。也就是说,可以使用2个主元来表征n维的原始特征矢量。换言之,这2个主元代表了融合后的n维的原始特征矢量。在另外一些实施例中,o也可以取3。o的取值主要依赖于各主元的累计贡献率。
尽管以上介绍了使用PCA来执行特征降维,然而本公开不限于此。在一些实施例中,可以使用核主元分析(KPCA)法来执行特征降维。在另一些实施例中,可以使用以下已知的降维算法中的至少一个来执行特征降维:线性判别分析(LDA)法、等距特征映射(ISOMAP)法、局部线性嵌入(LLE)法、和局部切空间排列(LTSA)法。本领域技术人员能够理解如何使用这些降维算法中的一个或多个来执行特征降维,在此不再赘述。
接下来,方法200前进到步骤S250,在步骤S250处,故障状态确定部件150基于降维后的特征,通过使用分类器来确定滚动轴承的故障状态。滚动轴承的故障状态可以包括:正常状态、滚动体故障状态、内圈故障状态和外圈故障状态。
故障状态确定部件150可以将从特征降维部件140接收到的q×o的特征矩阵输入到分类器中,并且输出与从分类器中输出的分类结果对应的故障状态。
在一些实施例中,分类器可以是K最近邻(KNN)分类器。KNN分类器中的预定参数(比如参数k的取值)可以是通过训练而预先确定的。在另一些实施例中,可以使用其他已知的分类器来实现故障的分类,比如可以使用BP神经网络(BPNN)、支持向量机(SVM)来实现故障的分类。本领域技术人员能够理解如何使用已知的分类器来对故障进行分类,在此不再赘述。
尽管未示出,但是方法200可以包括训练步骤。在训练步骤中,使用标记了多种故障状态的多个振动加速度信号片段对SSLS算法中邻域Nk(xi)的大小以及KNN分类器中的参数k(或者其他类型分类器中的参数)进行训练。
以下参照图5A和图5B来说明本公开的滚动轴承故障诊断方法的诊断效果。图5A图示出根据比较示例的故障诊断结果,图5B图示出根据本公开的一个实施例的故障诊断结果。所采用的实验数据是美国凯斯西储大学电气工程实验室的滚动轴承振动加速度数据。在与图5B相关的本公开的一个实施例中,执行如前所述的特征提取处理、使用SSLS算法的特征选择处理、使用PCA算法的特征降维处理、以及使用KNN分类器的故障状态确定处理。从图5B中可以看到,在本公开的这个实施例中,将选择出的特征降维成2个主元。比较示例与本公开的这一个实施例相比不同之处在于:代替使用SSLS算法,在特征选择处理中,随机地选出多个特征。
从图5A中可见,测试数据不能够被准确的分类。相反,如图5B所示,测试数据能够被准确地分类到对应的类别。
根据本公开,通过使用SSLS算法对特征进行选择并且对选出的特征进行降维,实现了特征的优化。并且提高了故障诊断的准确率。
与监督的拉普拉斯算法相比,SSLS算法利用少量的标记样本和大量的无标记样本选取特征,减轻了标记样本的工作量,同时保证了故障识别的准确率。
与人工检查滚动轴承的运转状况相比,本公开提出了数据驱动的故障诊断方法。在滚动轴承的振动加速度信号指示出故障以及故障类型的情况下,能够及时有效地采取动作来解决故障。这很大程度地节约了人力成本。
硬件实现
图6示出了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境600。
参考图6,现在将描述作为可应用于本公开的各方面的硬件设备的示例的计算设备600。计算设备600可以是被配置成执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、便携式相机或其任意组合。上述装置100可以整体或至少部分地由计算设备600或类似的设备或***来实现。
计算设备600可以包括能够经由一个或多个接口与总线602连接或者与总线602通信的元件。例如,计算设备600可以包括总线602、一个或多个处理器604、一个或多个输入设备606以及一个或多个输出设备608。一个或多个处理器604可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专用处理芯片)。输入设备606可以是能够向计算设备输入信息的任何类型的设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备608可以是能够呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端和/或打印机。计算设备600还可以包括非瞬态存储设备610或与非瞬态存储设备610连接,非瞬态存储设备610可以是非瞬态的并且可以实现数据存储库的任何存储设备,并且可以包括但不限于盘驱动器、光学存储设备、固态存储装置、软盘、柔性盘、硬盘、磁带或任何其它磁性介质、紧凑型盘或任何其它光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存存储器和/或任何其它存储器芯片或盒带、和/或计算机可以从其读取数据、指令和/或代码的任何其它介质。非瞬态存储设备610可以是可从接口拆卸的。非暂态存储设备610可以具有用于实现上述方法和步骤的数据/指令/代码。计算设备600还可以包括通信设备612。通信设备612可以是能够与外部装置和/或与网络通信的任何类型的设备或***,并且可以包括但不限于调制解调器、网络卡、红外通信设备、无线通信装备和/或诸如蓝牙TM设备、602.11设备、WiFi设备、WiMax设备、蜂窝通信设施等的芯片组。
总线602可以包括但不限于工业标准体系架构(ISA)总线、微通道体系架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线和***组件互连(PCI)总线。
计算设备600还可以包括工作存储器614,工作存储器614可以是可以存储对处理器604的工作有用的指令和/或数据的任何类型的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素可以位于工作存储器614中,包括但不限于操作***616、一个或多个应用程序618、驱动程序和/或其它数据和代码。用于执行上述方法和步骤的指令可以被包括在一个或多个应用程序618中,并且上述装置100的部件可以通过处理器604读取并执行一个或多个应用程序618的指令来实现。更具体地,振动信号取得部件110可以例如由处理器604在执行具有执行步骤S210的指令的应用程序618时实现。特征提取部件120可以例如由处理器604在执行具有执行步骤S220的指令的应用程序618时实现。特征选择部件130可以例如由处理器604在执行具有执行步骤S230的指令的应用程序618时实现。并且,类似地,特征降维部件140和故障状态确定部件150可以例如由处理器604在执行具有分别执行步骤S240和S250的指令的应用程序618时实现。软件要素的指令的可执行代码或源代码可以存储在非瞬态计算机可读存储介质(诸如上述(一个或多个)存储设备610)中,并且可以在可能编译和/或安装的情况下被读入到工作存储器614中。软件要素的指令的可执行代码或源代码也可以从远程位置下载。
从上述实施例中,本领域技术人员可以清楚地知晓,可以通过软件及必要的硬件来实现本公开,或者可以通过硬件、固件等来实现本公开。基于这种理解,可以部分地以软件形式来实现本公开的实施例。计算机软件可以存储在计算机的可读存储介质中,比如软盘、硬盘、光盘或闪存中。计算机软件包括使得计算机(例如个人计算机、服务站或网络终端)运行根据本公开的各个实施例的方法或其一部分的一系列指令。
已经这样描述了本公开,清楚的是,本公开可以以许多种方式变化。这些变化不被视为背离了本公开的精神和范围,而是对于本领域技术人员而言显而易见的所有这种修改意欲被包括在以下权利要求的范围中。
Claims (10)
1.一种滚动轴承故障诊断方法,其特征在于,包括:
取得滚动轴承的振动加速度信号,
从振动加速度信号中提取m个混合域特征,其中m是大于1的整数,所述m个混合域特征包括多个时域特征、多个频域特征和多个时频域特征,
通过使用半监督拉普拉斯分值算法,对所述m个混合域特征进行排序,并且选择所述m个混合域特征中的排序靠前的n个特征,其中n是大于1的整数并且n<m,
通过使用降维算法,对所述n个特征执行特征降维,以及
基于降维后的特征,通过使用分类器来确定滚动轴承的故障状态,
其中,通过使用半监督拉普拉斯分值算法对所述m个混合域特征进行排序包括:
使用(l+u)个数据样本X={x1,x2,…,xl,xl+1,…,xl+u}来构建近邻图G,在该近邻图G中,数据样本xi(i=1,2,…,l+u)对应于第i个节点,并且基于每两个数据样本xi和xj(j=1,2,…,l+u,并且j≠i)之间的相似度来建立第i个节点和第j个节点之间的边,其中每个数据样本xi表示在某个时间段内采样的振动加速度信号,l和u分别是大于1的整数,并且其中,X0={x1,x2,…,x0}是l个有标签的数据样本,标签为{z1,z2,…,zl},所述标签指示出不同的故障状态,Xu={xl+1,xl+2,…,xl+u}是u个无标签的数据样本,
根据近邻图G计算加权矩阵S,其中,
若xi∈Xl,xi的邻域为Nk(xi),则
若xi∈Xu,xi的邻域为Nk(xi),则
基于计算的加权矩阵S,计算所述m个混合域特征的拉普拉斯分值,其中,针对每个数据样本xi确定所述m个混合域特征,以及
按照拉普拉斯分值从小到大的顺序对所述m个混合域特征进行排序。
2.根据权利要求1所述的方法,其中,滚动轴承的故障状态包括:正常状态、滚动体故障状态、内圈故障状态和外圈故障状态。
3.根据权利要求1所述的方法,其中,所述多个时域特征包括以下项中的至少一个:均值、标准差、方根幅值、平均幅值、斜度、峭度、均方根值、最大值、最小值、最大值和最小值之差、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标,所述多个频域特征包括以下项中的至少一个:均方频率、均方根频率、频率标准差、峭度频率和中心频率,并且,所述多个时频域特征包括:经验模态分解的前五个本征模函数分量的各自的能量特征平方和。
4.根据权利要求1所述的方法,其中,通过使用主元分析法,对所述n个特征执行特征降维,以便使用2个或3个主元来表征所述n个特征。
5.根据权利要求1所述的方法,其中,所述降维算法包括以下项中的至少一个:主元分析法、线性判别分析法、等距特征映射法、核主元分析法、局部线性嵌入法、和局部切空间排列法。
6.根据权利要求1所述的方法,其中,分类器包括K最近邻分类器,并且其中,K最近邻分类器中的预定参数是通过训练而预先确定的。
7.根据权利要求1所述的方法,其中,滚动轴承包括安装在汽车生成车间中的升降机中的滚动轴承。
8.一种滚动轴承故障诊断装置,其特征在于,包括:用于执行根据权利要求1-7中的任一项所述的方法的部件。
9.一种滚动轴承故障诊断装置,其特征在于,包括:
至少一个处理器;以及
至少一个存储设备,所述至少一个存储设备存储有指令,当所述指令由所述至少一个处理器执行时使得所述至少一个处理器执行根据权利要求1-7中的任一项所述的方法。
10.一种非瞬态计算机可读存储介质,其特征在于,存储有指令,当所述指令由处理器执行时使得执行根据权利要求1-7中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706629.3A CN112432790B (zh) | 2020-07-21 | 2020-07-21 | 滚动轴承故障诊断方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706629.3A CN112432790B (zh) | 2020-07-21 | 2020-07-21 | 滚动轴承故障诊断方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112432790A CN112432790A (zh) | 2021-03-02 |
CN112432790B true CN112432790B (zh) | 2023-03-10 |
Family
ID=74689588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706629.3A Active CN112432790B (zh) | 2020-07-21 | 2020-07-21 | 滚动轴承故障诊断方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112432790B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158769A (zh) * | 2021-03-03 | 2021-07-23 | 安徽大学 | 基于CEEMDAN和FastICA的机电设备轴承振动信号除噪方法 |
CN115862681B (zh) * | 2023-03-01 | 2023-05-12 | 深圳市新凯来技术有限公司 | 转子碰摩故障声信号诊断方法、装置及电子设备 |
CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
CN116560895B (zh) * | 2023-07-10 | 2023-09-12 | 太原理工大学 | 用于机械装备的故障诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334786B (zh) * | 2008-08-01 | 2010-11-17 | 浙江大学 | 一种基于规则邻域的数据降维方法 |
CN103234767B (zh) * | 2013-04-21 | 2016-01-06 | 苏州科技学院 | 基于半监督流形学习的非线性故障检测方法 |
CN104849050B (zh) * | 2015-06-02 | 2017-10-27 | 安徽工业大学 | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 |
CN105760839A (zh) * | 2016-02-22 | 2016-07-13 | 重庆大学 | 基于多特征流形学习与支持向量机的轴承故障诊断方法 |
CN106153340B (zh) * | 2016-06-29 | 2018-12-18 | 北京工业大学 | 一种滚动轴承故障诊断方法 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN109800861A (zh) * | 2018-12-28 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 一种设备故障识别方法、装置、设备及计算机*** |
-
2020
- 2020-07-21 CN CN202010706629.3A patent/CN112432790B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112432790A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112432790B (zh) | 滚动轴承故障诊断方法和装置及存储介质 | |
US11282295B2 (en) | Image feature acquisition | |
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 | |
Bicego et al. | Similarity-based clustering of sequences using hidden Markov models | |
US20160242699A1 (en) | System and method for evaluating a cognitive load on a user corresponding to a stimulus | |
US9471886B2 (en) | Class discriminative feature transformation | |
JP5214760B2 (ja) | 学習装置、方法及びプログラム | |
US20210056127A1 (en) | Method for multi-modal retrieval and clustering using deep cca and active pairwise queries | |
Yang et al. | A feature-metric-based affinity propagation technique for feature selection in hyperspectral image classification | |
Azamfar et al. | Cross-domain gearbox diagnostics under variable working conditions with deep convolutional transfer learning | |
WO2019159318A1 (en) | Information processing apparatus, method, and program | |
Zhang et al. | An intelligent fault diagnosis method based on domain adaptation for rolling bearings under variable load conditions | |
CN111027636A (zh) | 基于多标签学习的无监督特征选择方法及*** | |
Chen et al. | Max-margin discriminant projection via data augmentation | |
CN114463587A (zh) | 一种异常数据检测方法、装置、设备及存储介质 | |
Singh et al. | Dimensionality reduction for classification and clustering | |
Liu et al. | Fuzzy c-mean algorithm based on Mahalanobis distances and better initial values | |
Zhao et al. | Distance metric learning based on the class center and nearest neighbor relationship | |
US20170293863A1 (en) | Data analysis system, and control method, program, and recording medium therefor | |
CN116086804A (zh) | 基于熵的滚动轴承故障诊断方法和装置 | |
Tran et al. | Robust-MBFD: A Robust Deep Learning System for Motor Bearing Faults Detection Using Multiple Deep Learning Training Strategies and A Novel Double Loss Function | |
CN113535951B (zh) | 用于进行信息分类的方法、装置、终端设备及存储介质 | |
CN113378881B (zh) | 基于信息熵增益svm模型的指令集识别方法及装置 | |
Tang et al. | Introductory Chapter: Development of Data Clustering | |
De et al. | Comparison among clustering and classification techniques on the basis of galaxy data |
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 |