CN113670616B - 一种轴承性能退化状态检测方法及*** - Google Patents

一种轴承性能退化状态检测方法及*** Download PDF

Info

Publication number
CN113670616B
CN113670616B CN202111034048.0A CN202111034048A CN113670616B CN 113670616 B CN113670616 B CN 113670616B CN 202111034048 A CN202111034048 A CN 202111034048A CN 113670616 B CN113670616 B CN 113670616B
Authority
CN
China
Prior art keywords
bearing
index
performance degradation
characteristic
value
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
CN202111034048.0A
Other languages
English (en)
Other versions
CN113670616A (zh
Inventor
江星星
黄强
彭德民
宋秋昱
王鑫
杜贵府
朱忠奎
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202111034048.0A priority Critical patent/CN113670616B/zh
Publication of CN113670616A publication Critical patent/CN113670616A/zh
Application granted granted Critical
Publication of CN113670616B publication Critical patent/CN113670616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种轴承性能退化状态检测方法及***，包括步骤：S1、采集轴承全寿命服役过程中的振动信号；S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。本发明可以去除表征指标中的噪声、减缓轴承性能退化过程中的波动；表征指标筛选准则融入了轴承性能退化过程中的单调性和相关性，能够更加合理的遴选出有效表征指标；使用一致流形逼近算法对遴选的有效指标进行融合，可兼顾数据的全局结构与局部结构，弥补传统的数据融合方法的不足。

Description

一种轴承性能退化状态检测方法及***
技术领域
本发明涉及机械设备健康监测技术领域，特别涉及一种轴承性能退化状态检测方法及***。
背景技术
由于传感器和计算机技术的发展，工业生产中已经积累了大量状态监测数据。数据驱动方法使用状态监测数据来刻画轴承的退化状态，而不是建立一个不易获得的特定模型，已广泛用于轴承寿命预测。通常，基于数据驱动的轴承寿命预测包括三个步骤：数据采集，健康指标构建和剩余寿命预测。其中，健康指标是通过从采集到的振动数据中提取特征来评估服役轴承的退化状态，以量化其历史退化降级过程。因此，构造的健康指标质量直接影响数据驱动预测方法的有效性。由此来看，构建能够有效描述轴承性能退化状态表征指标非常重要。
当前有利用单一表征指标进行状态刻画，如有利用单一的均方根或小波信息熵作为健康指标用于轴承的剩余使用寿命预测。然而，直接从原始轴承振动信号中提取表征指标，由于噪声等干扰因素的扰动必然会影响现有表征指标的品质，不利于准确刻画其退化状态。同时，单一特征往往只能反映了研究对象部分的特征信息。通过数据融合来提升单一表征指标的性能是一种有效的方案。然而，如何能得到有效的融合特征信息是特征融合技术的关键。传统的基于数据融合的健康指标构建方法主要分两步：第一步是使用一系列数学变换将振动信号映射生成高维特征；第二步是将高维特征通过降维方法降低特征的维数，从而找到隐含在高维特征中的敏感低维信息。然而，当前传统数据融合方法难以兼顾轴承退化状态的全局结构和局部结构，不能全面描述轴承的退化状态，也给后续轴承寿命预测工作带来了一定的复杂性。总体上，传统方法存在以下三点不足之处：(1)轴承的振动信号含有大量噪声及随机波动，这些有害信息会影响轴承指标曲线的趋势性，不利于轴承退化状态的刻画。(2)部分特征对轴承的退化程度并不敏感，若将这些不敏感的特征直接进行融合会影响轴承的退化性能曲线，因此需采用合理的方案剔除这些不敏感特征。(3)传统融合降维方法不能兼顾轴承退化状态数据的全局结构和局部结构。
发明内容
本发明要解决的技术问题是提供一种可全面检测轴承退化状态、准确度高的轴承性能退化状态检测方法。
为了解决上述问题，本发明提供了轴承性能退化状态检测方法，其包括以下步骤：
S1、采集轴承全寿命服役过程中的振动信号；
S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；
S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
作为本发明的进一步改进，所述高维退化趋势特征集包括时域内的统计特征和频域内的统计特征。
作为本发明的进一步改进，所述时域内的统计特征包括：时域内的均值、方差、标准差、方均值、方均根、绝对均值、根均平方、峭度、偏度、峰值、峰峰值、熵、偏度因子、峭度因子、峰度因子、波形因子、脉冲因子、间隙因子。
作为本发明的进一步改进，所述频域内的统计特征包括：频域内的频率均值、频率中心值、频率均方根、包络谱频率均值、包络谱频率中心值、包络谱频率均方根。
作为本发明的进一步改进，所述指数加权滑动平均的计算公式如下：
Figure BDA0003246269960000021
其中，xt为t时刻当前观测值，xt'表示其估计值，即在时间t时刻修改后的时间序列值，α表示为0到1之间的平滑参数。
作为本发明的进一步改进，α取值为0.1。
作为本发明的进一步改进，设计的特征敏感性评价准则CM如下：
Figure BDA0003246269960000031
其中，Corr表示特征指标与采样时间t之间的线性相关程度，Corr的计算式如下：
Figure BDA0003246269960000032
其中，K代表表征指标的时序长度，HI(tk)和T(tk)分别代表的是表征指标和从1到K的时间向量，
Figure BDA0003246269960000033
和
Figure BDA0003246269960000034
分别是HI(tk)和T(tk)的均值；
Mon表示曲线的单调性，用相邻两个表征指标值的差值的正负数量来评价表征指标曲线的单调性，如果正值的总数大于负值的总数，则表明单调性在上升，反之亦然；当Mon值接近于0时，表征指标曲线的单调性不好，Mon值越接近于1，表征指标曲线的单调性越好；Mon的计算公式如下：
Figure BDA0003246269960000035
其中，dHI(tk)代表的是两个相邻HI(tk)的微分，No.of(·)代表的是(·)的个数。
作为本发明的进一步改进，通过设置阈值筛选出描述轴承性能退化状态的指标，CM阈值在0.45～0.5之间。
作为本发明的进一步改进，步骤S4包括：
S41、寻找每个时刻点敏感特征集的n个最近邻域，在流形上生成的归一化距离，并将有限度量空间转换为单纯集，通过迭代构造所有时刻状态点的局部模糊单纯集；
S42、利用局部模糊单纯集的并集形成全局模糊拓扑表示，并在对称归一化拉普拉斯算子上使用标准谱方法来进行谱嵌入；
S43、利用随机梯度下降法来最小化拓扑表示间的交叉熵，获得最优化低维嵌入；
S44、输出最优化低维嵌入作为融合指标，并利用利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
本发明还提供了一种轴承性能退化状态检测***，其包括：
信号采集模块，用于采集轴承全寿命服役过程中的振动信号；
特征集构建模块，用于构建高维退化趋势特征集；
第一特征融合模块，特征融合并利用指数加权滑动平均进行平滑处理；
敏感特征集筛选模块，用于设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
敏感特征集融合模块，用于利用一致流形逼近算法融合敏感特征集；
第二特征融合模块，用于利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
本发明的有益效果：
本发明轴承性能退化状态检测方法和***指数加权滑动平均算法可以去除表征指标中的噪声、减缓轴承性能退化过程中的波动；设计的表征指标筛选准则融入了轴承性能退化过程中的单调性和相关性，能够更加合理的遴选出有效表征指标；使用一致流形逼近算法对遴选的有效指标进行融合，可以兼顾数据的全局结构与局部结构，以弥补传统的数据融合方法的不足之处，有效提升检测的准确度。
同时，从融合表征指标来源的丰富性、表征指标遴选的评价准则的合理性以及融合算法的先进性三方面来综合确保构建的表征指标具有高品质特性，克服单一性质指标和传统融合指标的局限性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明优选实施例中轴承性能退化状态检测方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本发明优选实施例中的轴承性能退化状态检测方法，包括以下步骤：
S1、采集轴承全寿命服役过程中的振动信号；
S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；
S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
其中，所述高维退化趋势特征集包括时域内的统计特征和频域内的统计特征。
具体的，所述时域内的统计特征包括：时域内的均值、方差、标准差、方均值、方均根、绝对均值、根均平方、峭度、偏度、峰值、峰峰值、熵、偏度因子、峭度因子、峰度因子、波形因子、脉冲因子、间隙因子。所述频域内的统计特征包括：频域内的频率均值、频率中心值、频率均方根、包络谱频率均值、包络谱频率中心值、包络谱频率均方根。
步骤S2和S4中的指数加权滑动平均的计算公式如下：
Figure BDA0003246269960000051
其中，xt为t时刻当前观测值，x′t表示其估计值，即在时间t时刻修改后的时间序列值，α表示为0到1之间的平滑参数。优选的，α取值为0.1。
在一些实施例中，设计的特征敏感性评价准则CM如下：
Figure BDA0003246269960000052
其中，Corr表示特征指标与采样时间t之间的线性相关程度，也即趋势性。随着时间的增加，理想的健康指标值曲线也应该逐渐增大或减小，表现出较好趋势。Corr绝对值越接近1，与采样时间的线性相关性越强，趋势性强，反之亦然。Corr的计算式如下：
Figure BDA0003246269960000061
其中，K代表表征指标的时序长度，HI(tk)和T(tk)分别代表的是表征指标和从1到K的时间向量，
Figure BDA0003246269960000062
和
Figure BDA0003246269960000063
分别是HI(tk)和T(tk)的均值；
Mon表示曲线的单调性，用相邻两个表征指标值的差值的正负数量来评价表征指标曲线的单调性，如果正值的总数大于负值的总数，则表明单调性在上升，反之亦然；当Mon值接近于0时，表征指标曲线的单调性不好，Mon值越接近于1，表征指标曲线的单调性越好；Mon的计算公式如下：
Figure BDA0003246269960000064
其中，dHI(tk)代表的是两个相邻HI(tk)的微分，No.of(·)代表的是(·)的个数。
在利用CM筛选敏感的特征指标时，特征敏感性评价准则CM值越高，表明该状态特征可以更好地表示轴承的性能退化状态。于是，通过设置阈值筛选出更能描述轴承性能退化状态的指标，推荐CM阈值在0.45～0.5之间。
具体的，步骤S4包括以下步骤：
S41、寻找每个时刻点敏感特征集的n个最近邻域，在流形上生成的归一化距离，并将有限度量空间转换为单纯集，通过迭代构造所有时刻状态点的局部模糊单纯集；
S42、利用局部模糊单纯集的并集形成全局模糊拓扑表示，并在对称归一化拉普拉斯算子上使用标准谱方法来进行谱嵌入；
S43、利用随机梯度下降法来最小化拓扑表示间的交叉熵，获得最优化低维嵌入；
S44、输出最优化低维嵌入作为融合指标，并利用利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
本发明优选实施例还公开了一种轴承性能退化状态检测***，其包括以下模块：
信号采集模块，用于采集轴承全寿命服役过程中的振动信号；
特征集构建模块，用于构建高维退化趋势特征集；
第一特征融合模块，特征融合并利用指数加权滑动平均进行平滑处理；
敏感特征集筛选模块，用于设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
敏感特征集融合模块，用于利用一致流形逼近算法融合敏感特征集；
第二特征融合模块，用于利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
本实施例中轴承性能退化状态检测***中涉及的方法与上述实施例相同，在此不多赘述。
本发明轴承性能退化状态检测方法和***指数加权滑动平均算法可以去除表征指标中的噪声、减缓轴承性能退化过程中的波动；设计的表征指标筛选准则融入了轴承性能退化过程中的单调性和相关性，能够更加合理的遴选出有效表征指标；使用一致流形逼近算法对遴选的有效指标进行融合，可以兼顾数据的全局结构与局部结构，以弥补传统的数据融合方法的不足之处。
同时，从融合表征指标来源的丰富性、表征指标遴选的评价准则的合理性以及融合算法的先进性三方面来综合确保构建的表征指标具有高品质特性，克服单一性质指标和传统融合指标的局限性。
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.一种轴承性能退化状态检测方法，其特征在于，包括以下步骤：
S1、采集轴承全寿命服役过程中的振动信号；
S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；
S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线；
步骤S4包括：
S41、寻找每个时刻点敏感特征集的n个最近邻域，在流形上生成的归一化距离，并将有限度量空间转换为单纯集，通过迭代构造所有时刻状态点的局部模糊单纯集；
S42、利用局部模糊单纯集的并集形成全局模糊拓扑表示，并在对称归一化拉普拉斯算子上使用标准谱方法来进行谱嵌入；
S43、利用随机梯度下降法来最小化拓扑表示间的交叉熵，获得最优化低维嵌入；
S44、输出最优化低维嵌入作为融合指标，并利用利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
2.如权利要求1所述的轴承性能退化状态检测方法，其特征在于，所述高维退化趋势特征集包括时域内的统计特征和频域内的统计特征。
3.如权利要求2所述的轴承性能退化状态检测方法，其特征在于，所述时域内的统计特征包括：时域内的均值、方差、标准差、方均值、方均根、绝对均值、根均平方、峭度、偏度、峰值、峰峰值、熵、偏度因子、峭度因子、峰度因子、波形因子、脉冲因子、间隙因子。
4.如权利要求2所述的轴承性能退化状态检测方法，其特征在于，所述频域内的统计特征包括：频域内的频率均值、频率中心值、频率均方根、包络谱频率均值、包络谱频率中心值、包络谱频率均方根。
5.如权利要求1所述的轴承性能退化状态检测方法，其特征在于，所述指数加权滑动平均的计算公式如下：
Figure FDA0003891180210000021
其中，xt为t时刻当前观测值，x't表示其估计值，即在时间t时刻修改后的时间序列值，α表示为0到1之间的平滑参数。
6.如权利要求5所述的轴承性能退化状态检测方法，其特征在于，α取值为0.1。
7.如权利要求1所述的轴承性能退化状态检测方法，其特征在于，设计的特征敏感性评价准则CM如下：
Figure FDA0003891180210000022
其中，Corr表示特征指标与采样时间t之间的线性相关程度，Corr的计算式如下：
Figure FDA0003891180210000023
其中，K代表表征指标的时序长度，HI(tk)和T(tk)分别代表的是表征指标和从1到K的时间向量，
Figure FDA0003891180210000024
和
Figure FDA0003891180210000025
分别是HI(tk)和T(tk)的均值；
Mon表示曲线的单调性，用相邻两个表征指标值的差值的正负数量来评价表征指标曲线的单调性，如果正值的总数大于负值的总数，则表明单调性在上升，反之亦然；当Mon值接近于0时，表征指标曲线的单调性不好，Mon值越接近于1，表征指标曲线的单调性越好；Mon的计算公式如下：
Figure FDA0003891180210000026
其中，dHI(tk)代表的是两个相邻HI(tk)的微分，No.of(·)代表的是(·)的个数。
8.如权利要求7所述的轴承性能退化状态检测方法，其特征在于，通过设置阈值筛选出描述轴承性能退化状态的指标，CM阈值在0.45～0.5之间。
9.一种轴承性能退化状态检测***，其特征在于，包括：
信号采集模块，用于采集轴承全寿命服役过程中的振动信号；
特征集构建模块，用于构建高维退化趋势特征集；
第一特征融合模块，特征融合并利用指数加权滑动平均进行平滑处理；
敏感特征集筛选模块，用于设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；
敏感特征集融合模块，用于利用一致流形逼近算法融合敏感特征集；
第二特征融合模块，用于利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线，包括：
S41、寻找每个时刻点敏感特征集的n个最近邻域，在流形上生成的归一化距离，并将有限度量空间转换为单纯集，通过迭代构造所有时刻状态点的局部模糊单纯集；
S42、利用局部模糊单纯集的并集形成全局模糊拓扑表示，并在对称归一化拉普拉斯算子上使用标准谱方法来进行谱嵌入；
S43、利用随机梯度下降法来最小化拓扑表示间的交叉熵，获得最优化低维嵌入；
S44、输出最优化低维嵌入作为融合指标，并利用利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。
CN202111034048.0A 2021-09-03 2021-09-03 一种轴承性能退化状态检测方法及*** Active CN113670616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111034048.0A CN113670616B (zh) 2021-09-03 2021-09-03 一种轴承性能退化状态检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111034048.0A CN113670616B (zh) 2021-09-03 2021-09-03 一种轴承性能退化状态检测方法及***

Publications (2)

Publication Number Publication Date
CN113670616A CN113670616A (zh) 2021-11-19
CN113670616B true CN113670616B (zh) 2022-12-06

Family

ID=78548439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111034048.0A Active CN113670616B (zh) 2021-09-03 2021-09-03 一种轴承性能退化状态检测方法及***

Country Status (1)

Country Link
CN (1) CN113670616B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647909B (zh) * 2022-04-02 2023-04-21 江苏科技大学 一种基于谱峭度特征最大值确定滚动轴承退化点的方法
CN114782453A (zh) * 2022-06-23 2022-07-22 张家港Aaa精密制造股份有限公司 一种基于智能制造的轴承质量检测方法及***
CN115310490B (zh) * 2022-08-17 2024-03-29 中国核动力研究设计院 基于多域特征与敏感特征选择的旋转设备故障分析方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103954450A (zh) * 2014-05-19 2014-07-30 重庆交通大学 基于主成分分析的轴承寿命退化性能评估指标构建方法
CN107727395B (zh) * 2017-07-21 2019-12-03 中国矿业大学 一种基于全变分与补偿距离评估的轴承故障诊断方法
CN110057584B (zh) * 2019-04-01 2020-04-28 西安交通大学 一种机车牵引电机轴承退化监测方法
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
CN112597607B (zh) * 2020-12-21 2023-09-15 北京华能新锐控制技术有限公司 风力发电机高速轴承的预测性维修方法及***

Also Published As

Publication number Publication date
CN113670616A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN113670616B (zh) 一种轴承性能退化状态检测方法及***
Wang et al. A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery
CN108805059B (zh) 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
Sivakumar et al. Singapore rainfall behavior: chaotic?
CN110995508B (zh) 基于kpi突变的自适应无监督在线网络异常检测方法
CN112036042B (zh) 一种基于变分模态分解的动力设备异常检测方法及***
CN110705722A (zh) 一种工业设备故障诊断的诊断模型及其构建方法和应用
CN108333468B (zh) 一种有源配电网下不良数据的识别方法及装置
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及***
CN112213687B (zh) 基于伪异常点辨识的关口电能表数据异常检测方法及***
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及***
Li et al. A novel data-driven fault feature separation method and its application on intelligent fault diagnosis under variable working conditions
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN116644284A (zh) 一种地层分类特征因子确定方法、***、电子设备及介质
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
CN115165274A (zh) 工程机械设备振动状态自适应智能监测装置及方法
CN116451133A (zh) 一种基于图结构信息的重载机器人减速器故障诊断方法
CN117473351B (zh) 基于物联网的电源信息远程传输***
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
Meng et al. A gear fault diagnosis method based on improved accommodative random weighting algorithm and BB-1D-TP
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断***及方法
CN116584951A (zh) 一种基于弱监督学习的心电信号检测和定位方法
CN110990383A (zh) 一种基于工业大数据集的相似度计算方法
Yuan et al. A recursive multi-head graph attention residual network for high-speed train wheelset bearing fault diagnosis

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