CN113155453B - 一种多特征融合评估预测轴承性能寿命方法 - Google Patents

一种多特征融合评估预测轴承性能寿命方法 Download PDF

Info

Publication number
CN113155453B
CN113155453B CN202110024762.5A CN202110024762A CN113155453B CN 113155453 B CN113155453 B CN 113155453B CN 202110024762 A CN202110024762 A CN 202110024762A CN 113155453 B CN113155453 B CN 113155453B
Authority
CN
China
Prior art keywords
feature
features
sensitivity
class
calculating
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
Application number
CN202110024762.5A
Other languages
English (en)
Other versions
CN113155453A (zh
Inventor
齐晓轩
董海
刘英英
卞永钊
洪振麒
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.)
Shenyang University
Original Assignee
Shenyang University
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 Shenyang University filed Critical Shenyang University
Priority to CN202110024762.5A priority Critical patent/CN113155453B/zh
Publication of CN113155453A publication Critical patent/CN113155453A/zh
Application granted granted Critical
Publication of CN113155453B publication Critical patent/CN113155453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (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)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种多特征融合评估预测轴承性能寿命方法，涉及一种评估轴承性能方法，该方法在特征的相似性分析中，采用了Hausdorff距离，相比于欧式距离，Hausdorff距离考虑了两组数据中的双向距离，因此更适用于特征的相似性分析，而综合评价准则可以兼顾退化特征的单调性与预测性。并且，对选择后的多特征进行了融合，提出了一种基于类敏感度‑重叠趋势性的特征融合方法，融合过程中考虑到滚动轴承退化特征在不同退化阶段的特点，同时兼顾了特征的阶段性趋势特点。为了避免其他因素的干扰，在分析特征趋势性时提出一种重叠趋势性计算方法，用于滚动轴承性能退化评估与剩余寿命预测，改善滚动轴承的剩余寿命预测结果的准确性，具有很好的普适性。

Description

一种多特征融合评估预测轴承性能寿命方法
技术领域
本发明涉及一种评估轴承性能方法，特别是涉及一种多特征融合评估预测轴承性能寿命方法。
背景技术
滚动轴承是旋转机械重要的部件之一，其运行状况好坏对整台设备有着十分重要的影响，一旦发生故障，将会影响设备的生产效率，造成财产损失乃至人员伤亡。使用寿命是衡量滚动轴承性能的重要指标之一，具有很大的离散性，即使是同批次同工况下，其最低寿命与最高寿命差距可达数十倍。当滚动轴承发生故障时，现有处理方法一般为更换翻新，这会增加设备的维护费用而且会造成不必要的资源浪费。
与故障诊断中的信号特征提取不同，对于滚动轴承的性能退化特征，需要对信号进行持续性的特征分析，而且信号会随着滚动轴承的退化呈现出很强的随机性，提取的性能退化特征应具备同类个体普适性、退化一致性、变动范围大等特点。目前一些相关的研究方法还不够成熟，且人为地进行特征选取往往会导致选取特征不够准确且受主观经验影响较大，缺乏普适性。同时，滚动轴承退化特征在全寿命周期内所呈现出的阶段递进的特点也没有充分考虑。
与故障诊断中的信号特征提取不同，对于滚动轴承的性能退化特征，需要对信号进行持续性的特征分析，而且信号会随着滚动轴承的退化呈现出很强的随机性，提取的性能退化特征应具备同类个体普适性、退化一致性、变动范围大等特点。目前一些相关的研究方法还不够成熟，且人为地进行特征选取往往会导致选取特征不够准确且受主观经验影响较大，缺乏普适性。同时，滚动轴承退化特征在全寿命周期内所呈现出的阶段递进的特点也没有充分考虑。
发明内容
本发明的目的在于提供一种多特征融合评估预测轴承性能寿命方法，该方法提出了一种基于类敏感度-重叠趋势性的特征融合准则，融合过程考虑到滚动轴承退化特征在不同退化阶段的特点，同时兼顾了特征的阶段性趋势的；另外，为了避免其他因素的干扰，提出特征的重叠趋势性计算方法，避免在计算较长且波动幅度较大的序列的趋势性时陷入局部最优的情况。。
本发明的目的是通过以下技术方案实现的：
一种多特征融合评估预测轴承性能寿命方法，所述方法包括以下步骤：
步骤1、对滚动轴承退化特征样本集X_org进行归一化处理，得到归一化的特征样本集X，X中的退化特征数目为M，样本个数为N；
步骤2、依据Hausdorff距离计算所有特征之间的相似性，得到相似性矩阵S；
步骤3、将归一化的特征样本集X的M个特征分为K类；
步骤4、选取K类特征中每类的最优特征，形成最优特征样本集X_opt，X_opt中的退化特征数目为K，样本个数为N；
步骤5、计算K个特征的类敏感度；
步骤6、计算K个特征的重叠趋势性；
步骤7、对类敏感度-重叠趋势性进行归一化，并利用归一化的类敏感度-重叠趋势性对特征进行融合得到融合退化指标。
所述的一种多特征融合评估预测轴承性能寿命方法，所述步骤3将归一化的特征样本集X的M个特征分为K类如下：
步骤3.1：初始化分类树，从步骤2中计算出的Hausdorff距离相似性矩阵S中选择相似性最小的两个特征分别作为第一类与第二类的类中心；
步骤3.2：依据Hausdorff距离继续从其余待选特征中选择与已选特征相似性最小的特征作为下一类的类中心；
步骤3.3：重复步骤3.2，直至得到K个类中心；
步骤3.4：将剩余的待选特征依据Hausdorff距离相似性将其逐一归类到与之最为相似的类中，最终将归一化的特征样本集X中的M个特征分为K类。
所述的一种多特征融合评估预测轴承性能寿命方法，所述步骤4选取K类特征中每类的最优特征，形成最优特征样本集X_opt，X_opt中的退化特征数目为K，样本个数为N如下：
步骤4.1：综合考虑特征的单调性与预测性两个指标，对K类中的所有M个特征进行评价，定义综合评价准则如下：
其中，表示第i个特征的综合评价值；/>表示第i个特征的单调性；/>表示第i个特征的预测性，/>为权重；
步骤4.2：依据特征的综合评价指标从K类特征集中分别选取每类中指标值最大的特征形成最优特征集，退化特征数目为K。
所述的一种多特征融合评估预测轴承性能寿命方法，所述步骤5计算K个特征的类敏感度如下：
步骤5.1：利用谱聚类算法将滚动轴承的最优特征样本集X_opt的N个样本划分为C类，分别代表滚动轴承性能退化过程中的C个不同阶段；
步骤5.2：计算第i个特征的类内标准差，/>；
步骤5.3：计算第i个特征的类间标准差，i=1…K；
步骤5.4：计算特征的类敏感度指数，计算方法如下：
其中，表示第i个特征对应的类敏感度指数，其值限定在（0,1）范围内，其值越大，表明该特征敏感度越高，反之越小，特征敏感度越低。
所述的一种多特征融合评估预测轴承性能寿命方法，所述步骤6计算K个特征的重叠趋势性如下：
将各特征序列中的点以5个为一组划分，并将5个点中的后两个点作为下一组数据的起始点，以上面所述方法将序列划分为Z个子区域（最后一个区域通过补0找齐），计算每个子区域的特征均值得到子序列y，子序列共Z个值，如果Z为偶数，将子序列y以第Z/2个值为界将其划分为前半部分ya与后半部分yb，（假设Z为奇数，考虑到一个点对于整体趋势性的影响较小可去掉中间点，然后进行前后两部分的划分），并计算后半部分的第i个值与前半部分的第i个值的差值（i=1,2,…,m-1），计算得到差值为正数的个数，并通过差值为正数的个数与所有值个数的比值计算子序列的趋势性，计算方法如下：
其中，函数表示取值函数，当括号中内容x>0,时，/>值取1；否则，/>值取为0；/>表示/>的差值为正数的个数，/>表示差值为非正数的个数；
计算特征序列的重叠趋势性：
。
所述的一种多特征融合评估预测轴承性能寿命方法，所述步骤7.1计算第i个特征正常阶段前点的均值如下：
其中，为i特征t时刻值，K为特征个数，/>为第i个特征正常阶段样本的个数；
步骤7.2：计算特征类敏感度与重叠趋势性指数
步骤7.3：归一化K个特征的类敏感度-重叠趋势性值，定义如下：
步骤7.4：利用归一化的敏感度-重叠趋势性对特征进行加权融合得到多特征融合指标
。
本发明的优点与效果是：
1.本发明针对混合域提取的多维特征可能出现的冗余问题，提出基于Hausdorff距离的相似性分析与综合评价准则结合进行特征的选择。在特征的相似性分析中，采用了Hausdorff距离，相比于欧式距离，Hausdorff距离考虑了两组数据中的双向距离，因此更适用于特征的相似性分析另外，综合评价准则可以兼顾退化特征的单调性与预测性。
2.本发明提出了一种基于类敏感度-重叠趋势性的特征融合准则，融合过程考虑到滚动轴承退化特征在不同退化阶段的特点，同时兼顾了特征的阶段性趋势的；另外，为了避免其他因素的干扰，提出特征的重叠趋势性计算方法，避免在计算较长且波动幅度较大的序列的趋势性时陷入局部最优的情况。
附图说明
图1为本发明专利的实施例中滚动轴承1-1时域波形图；
图2为本发明专利的重叠趋势性计算示意图；
图3为本发明专利的实施例中滚动轴承1-1多特征融合指标值图。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
一种多特征融合方法，包括如下步骤：
步骤1：对滚动轴承退化特征样本集X_org进行归一化处理，得到归一化的特征样本集X，X中的退化特征数目为M，样本个数为N；
步骤2：依据Hausdorff距离计算所有特征之间的相似性，得到相似性矩阵S；
步骤3：将归一化的特征样本集X的M个特征分为K类；
步骤3.1：初始化分类树，从步骤2中计算出的Hausdorff距离相似性矩阵S中选择相似性最小的两个特征分别作为第一类与第二类的类中心；
步骤3.2：依据Hausdorff距离继续从其余待选特征中选择与已选特征相似性最小的特征作为下一类的类中心；
步骤3.3：重复步骤3.2，直至得到K个类中心；
步骤3.4：将剩余的待选特征依据Hausdorff距离相似性将其逐一归类到与之最为相似的类中，最终将归一化的特征样本集X中的M个特征分为K类；
步骤4：选取K类特征中每类的最优特征，形成最优特征样本集X_opt，X_opt中的退化特征数目为K，样本个数为N；
步骤4.1：综合考虑特征的单调性与预测性两个指标，对K类中的所有M个特征进行评价，定义综合评价准则如下：
其中，表示第i个特征的综合评价值；/>表示第i个特征的单调性；/>表示第i个特征的预测性，/>为权重；
步骤4.2：依据特征的综合评价指标从K类特征集中分别选取每类中指标值最大的特征形成最优特征集，退化特征数目为K；
步骤5：计算K个特征的类敏感度；
步骤5.1：利用谱聚类算法将滚动轴承的最优特征样本集X_opt的N个样本划分为C类，分别代表滚动轴承性能退化过程中的C个不同阶段；
步骤5.2：计算第i个特征的类内标准差，/>；
步骤5.3：计算第i个特征的类间标准差，i=1…K；
步骤5.4：计算特征的类敏感度指数，计算方法如下：
其中，表示第i个特征对应的类敏感度指数，其值限定在（0,1）范围内，其值越大，表明该特征敏感度越高，反之越小，特征敏感度越低；
步骤6：计算K个特征的重叠趋势性；
将各特征序列中的点以5个为一组划分，并将5个点中的后两个点作为下一组数据的起始点，以上面所述方法将序列划分为Z个子区域（最后一个区域通过补0找齐），计算每个子区域的特征均值得到子序列y，子序列共Z个值，如果Z为偶数，将子序列y以第Z/2个值为界将其划分为前半部分ya与后半部分yb，（假设Z为奇数，考虑到一个点对于整体趋势性的影响较小可去掉中间点，然后进行前后两部分的划分），并计算后半部分的第i个值与前半部分的第i个值的差值（i=1,2,…,m-1），计算得到差值为正数的个数，并通过差值为正数的个数与所有值个数的比值计算子序列的趋势性，计算方法如下：
其中，函数表示取值函数，当括号中内容x>0,时，/>值取1；否则，/>值取为0；/>表示/>的差值为正数的个数，/>表示差值为非正数的个数。
计算特征序列的重叠趋势性：
步骤7：对类敏感度-重叠趋势性进行归一化，并利用归一化的类敏感度-重叠趋势性对特征进行融合得到融合退化指标；
步骤7.1：计算第i个特征正常阶段前点的均值
其中，为i特征t时刻值，K为特征个数，/>为第i个特征正常阶段样本的个数。
步骤7.2：计算特征类敏感度与重叠趋势性指数
步骤7.3：归一化K个特征的类敏感度-重叠趋势性值，定义如下：
步骤7.4：利用归一化的敏感度-重叠趋势性对特征进行加权融合得到多特征融合指标
实施例：
采用IEEE PHM 2012数据挑战赛的实验数据，来验证所提方法的效果。由于滚动轴承在水平及垂直方向信号在时域上呈现的趋势相似，故选取IEEE PHM 2012数据集中滚动轴承1-1水平方向的振动信号进行实验，振动信号的时域波形图如图1所示。首先提取其时域、频域及时频域的多维特征，分别如表1至表3所示。然后，提取了局部特征尺度分解（LCD）能谱熵作为熵域特征。实验均匀选取完整周期中的200个样本进行分析。
表1 时域特征
表2 频域特征
表3 时频域特征
提取出滚动轴承振动信号的41维特征后，首先，利用基于Hausdorff距离的相似性分析对其进行分类，当K值大于8时特征对于融合指标的融合效果影响十分小，因此分类数K选择8；然后，依据综合评价准则进行特征选择，选取出每类中的最优特征，得到8个最优特征。本实施例选取了综合评价结果排名前10的特征进行展示，如表4所示。
表4 特征综合评价结果
表4中的前8个特征即为基于Hausdorff距离的相似性分析与综合评价准则选择的最优特征构建滚动轴承性能退化最优特征集有8个特征，分别是：有效值、LCD能量谱熵、峭度、小波包分解第四频带能量比、小波包分解第二频带能量、偏态指标、峰值指标、整流平均值。
对IEEE PHM 2012数据集中的滚动轴承1-1数据进行最优特征提取之后，通过类敏感度与重叠趋势性对其进行特征融合，其中重叠趋势性计算的示意图如图2所示。计算滚动轴承特征的类敏感度与重叠趋势性融合指数，如表5所示。
表5 特征类敏感度与重叠趋势性指数值
然后，依据表5中数据对提取的混合域多特征进行融合，得到的融合指标如图3所示。
将融合指数分别与单一特征的单调性、趋势性及鲁棒性进行对比，结果如表6所示。
表6 融合指标与单一特征比较
通过表6可以看出，相比于从混合域中选择的单一退化指标，多特征融合指标在各个评价指标方面都要优于其他的单一退化指标，融合效果较好，且对于滚动轴承的退化状态表征较灵敏，有利于滚动轴承性能退化评估与剩余寿命预测的进行。
最后应说明的是：以上所述仅为本发明专利的优选实施例而已，并不用于限制本发明专利，尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各种实施例所记载的技术方案进行修改，或者对于其中部分技术特征进行等同替换。凡在本发明专利的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明专利的保护范围之内。

Claims (6)

1.一种多特征融合评估预测轴承性能寿命方法，其特征在于，所述方法包括以下步骤：
步骤1、对滚动轴承退化特征样本集X_org进行归一化处理，得到归一化的特征样本集X，X中的退化特征数目为M，样本个数为N；
步骤2、依据Hausdorff距离计算所有特征之间的相似性，得到相似性矩阵S；
步骤3、将归一化的特征样本集X的M个特征分为K类；
步骤4、选取K类特征中每类的最优特征，形成最优特征样本集X_opt，X_opt中的退化特征数目为K，样本个数为N；
步骤5、计算K个特征的类敏感度；
步骤6、计算K个特征的重叠趋势性；
步骤7、对类敏感度-重叠趋势性进行归一化，并利用归一化的类敏感度-重叠趋势性对特征进行融合得到融合退化指标。
2.根据权利要求1所述的一种多特征融合评估预测轴承性能寿命方法，其特征在于，所述步骤3将归一化的特征样本集X的M个特征分为K类如下：
步骤3.1：初始化分类树，从步骤2中计算出的Hausdorff距离相似性矩阵S中选择相似性最小的两个特征分别作为第一类与第二类的类中心；
步骤3.2：依据Hausdorff距离继续从其余待选特征中选择与已选特征相似性最小的特征作为下一类的类中心；
步骤3.3：重复步骤3.2，直至得到K个类中心；
步骤3.4：将剩余的待选特征依据Hausdorff距离相似性将其逐一归类到与之最为相似的类中，最终将归一化的特征样本集X中的M个特征分为K类。
3.根据权利要求1所述的一种多特征融合评估预测轴承性能寿命方法，其特征在于，所述步骤4选取K类特征中每类的最优特征，形成最优特征样本集X_opt，X_opt中的退化特征数目为K，样本个数为N如下：
步骤4.1：综合考虑特征的单调性与预测性两个指标，对K类中的所有M个特征进行评价，定义综合评价准则如下：
其中，表示第i个特征的综合评价值；/>表示第i个特征的单调性；/>表示第i个特征的预测性，/>为权重；
步骤4.2：依据特征的综合评价指标从K类特征集中分别选取每类中指标值最大的特征形成最优特征集，退化特征数目为K。
4.根据权利要求1所述的一种多特征融合评估预测轴承性能寿命方法，其特征在于，所述步骤5计算K个特征的类敏感度如下：
步骤5.1：利用谱聚类算法将滚动轴承的最优特征样本集X_opt的N个样本划分为C类，分别代表滚动轴承性能退化过程中的C个不同阶段；
步骤5.2：计算第i个特征的类内标准差，/>；
步骤5.3：计算第i个特征的类间标准差，i=1…K；
步骤5.4：计算特征的类敏感度指数，计算方法如下：
其中，表示第i个特征对应的类敏感度指数，其值限定在（0,1）范围内，其值越大，表明该特征敏感度越高，反之越小，特征敏感度越低。
5.根据权利要求1所述的一种多特征融合评估预测轴承性能寿命方法，其特征在于，所述步骤6计算K个特征的重叠趋势性如下：
将各特征序列中的点以5个为一组划分，并将5个点中的后两个点作为下一组数据的起始点，以上面所述方法将序列划分为Z个子区域（最后一个区域通过补0找齐），计算每个子区域的特征均值得到子序列y，子序列共Z个值，如果Z为偶数，将子序列y以第Z/2个值为界将其划分为前半部分ya与后半部分yb，（假设Z为奇数，考虑到一个点对于整体趋势性的影响较小可去掉中间点，然后进行前后两部分的划分），并计算后半部分的第i个值与前半部分的第i个值的差值（i=1,2,…,m-1），计算得到差值为正数的个数，并通过差值为正数的个数与所有值个数的比值计算子序列的趋势性，计算方法如下：
其中，函数表示取值函数，当括号中内容x>0,时，/>值取1；否则，/>值取为0；表示/>的差值为正数的个数，/>表示差值为非正数的个数；
计算特征序列的重叠趋势性：
。
6.根据权利要求1所述的一种多特征融合评估预测轴承性能寿命方法，其特征在于，所述步骤7.1计算第i个特征正常阶段前点的均值如下：
其中，为i特征t时刻值，K为特征个数，/>为第i个特征正常阶段样本的个数；
步骤7.2：计算特征类敏感度与重叠趋势性指数
步骤7.3：归一化K个特征的类敏感度-重叠趋势性值，定义如下：
步骤7.4：利用归一化的敏感度-重叠趋势性对特征进行加权融合得到多特征融合指标
。
CN202110024762.5A 2021-01-08 2021-01-08 一种多特征融合评估预测轴承性能寿命方法 Active CN113155453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110024762.5A CN113155453B (zh) 2021-01-08 2021-01-08 一种多特征融合评估预测轴承性能寿命方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110024762.5A CN113155453B (zh) 2021-01-08 2021-01-08 一种多特征融合评估预测轴承性能寿命方法

Publications (2)

Publication Number Publication Date
CN113155453A CN113155453A (zh) 2021-07-23
CN113155453B true CN113155453B (zh) 2023-11-07

Family

ID=76878307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110024762.5A Active CN113155453B (zh) 2021-01-08 2021-01-08 一种多特征融合评估预测轴承性能寿命方法

Country Status (1)

Country Link
CN (1) CN113155453B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201845A (zh) * 2007-09-24 2008-06-18 覃征 基于中轴点集分层螺旋信息的三维模型检索方法
CN103810482A (zh) * 2014-03-12 2014-05-21 中国矿业大学(北京) 一种多信息融合分类及识别方法
CN104586387A (zh) * 2015-01-19 2015-05-06 秦皇岛市惠斯安普医学***有限公司 一种时、频、空域多参数脑电特征提取与融合方法
CN107194413A (zh) * 2017-04-24 2017-09-22 东北大学 一种基于多特征融合的判别型级联外观模型的目标匹配方法
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201845A (zh) * 2007-09-24 2008-06-18 覃征 基于中轴点集分层螺旋信息的三维模型检索方法
CN103810482A (zh) * 2014-03-12 2014-05-21 中国矿业大学(北京) 一种多信息融合分类及识别方法
CN104586387A (zh) * 2015-01-19 2015-05-06 秦皇岛市惠斯安普医学***有限公司 一种时、频、空域多参数脑电特征提取与融合方法
CN107194413A (zh) * 2017-04-24 2017-09-22 东北大学 一种基于多特征融合的判别型级联外观模型的目标匹配方法
KR101936283B1 (ko) * 2017-12-28 2019-01-08 주식회사 한국가스기술공사 기계적 결함에 대한 진단 및 예측 방법
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on rolling bearing state health monitoring and life prediction based on PCA and Internet of things with multi-sensor;Wang Heng;Measurement;107657 *
滚动轴承变工况状态评估的特征融合技术研究;汪瑾;工程科技Ⅱ辑(3);全文 *

Also Published As

Publication number Publication date
CN113155453A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
Yiakopoulos et al. Rolling element bearing fault detection in industrial environments based on a K-means clustering approach
CN110674892A (zh) 一种基于加权多特征融合和svm分类的故障特征筛选方法
CN111797567A (zh) 一种基于深度学习网络的轴承故障分类方法及***
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及***
CN112577743B (zh) 一种基于最大局部边界准则的滚动轴承故障诊断方法
CN109242209B (zh) 基于K-means聚类的铁路突发事件分级预警方法
CN109431497A (zh) 一种脑电信号处理方法及癫痫检测***
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、***、设备及介质
CN113155462B (zh) 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法
CN113465923B (zh) 一种磨煤机磨辊轴承的剩余寿命预测方法
Qingjun et al. Bearing performance degradation assessment based on information-theoretic metric learning and fuzzy c-means clustering
CN111325410A (zh) 基于样本分布的通用故障预警***及其预警方法
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN102346817B (zh) 一种借助支持向量机建立过敏原家族特征肽的过敏原的预测方法
CN111340516A (zh) 基于信息熵与变异系数融合算法的满意度评价***及方法
CN113155453B (zh) 一种多特征融合评估预测轴承性能寿命方法
CN111382792B (zh) 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
CN108090635B (zh) 一种基于聚类分类的路用性能预测方法
CN111008673A (zh) 配电网信息物理***中恶性数据链采集提取方法
CN113656910B (zh) 基于aff-aakr融合的滚动轴承健康指标曲线构建方法
CN115713270A (zh) 一种同行互评异常评分检测及修正方法和装置
CN113052060B (zh) 基于数据增强的轴承剩余寿命预测方法、装置及电子设备
As Comparisons of MFDFA, EMD and WT by neural network, Mahalanobis distance and SVM in fault diagnosis of gearboxes
CN113221938A (zh) 一种多特征融合方法
CN110265151B (zh) 一种基于ehr中异构时态数据的学习方法

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