CN114169379B - 一种轴承状态监测振动异常数据检测方法 - Google Patents
一种轴承状态监测振动异常数据检测方法 Download PDFInfo
- Publication number
- CN114169379B CN114169379B CN202210115548.5A CN202210115548A CN114169379B CN 114169379 B CN114169379 B CN 114169379B CN 202210115548 A CN202210115548 A CN 202210115548A CN 114169379 B CN114169379 B CN 114169379B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- window
- space
- abnormal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种轴承状态监测振动异常数据检测方法，属于轴承监测技术领域，包括对轴承振动加速度数据进行采集，本方案基于长短时空融合奇异峰模型，包括步骤A1，将所采集的原始振动加速度数据作为样本；步骤A2，以时空窗分割时间序列为子样本，提取每个子样本的内属值；步骤A3，基于轮廓核原理提取主成分；步骤A4，以多参膨胀系数最大为优化目标，获得最优参数；步骤A5，获取多元基因序列，构建得分阈值；步骤A6，得到溢出阈值边界的样本，作为异常样本，完成异常数据的采集，可搜寻异常样本，定位异常数据段，为轴承状态监测大数据质量保障、异常检测提供了新的思路。
Description
技术领域
本发明涉及轴承监测技术领域，具体为一种轴承状态监测振动异常数据检测方法。
背景技术
轴承是机械***的核心运动部件，实现轴承的状态监测对于机械制造***的产品质量、机械运动***的运行安全具有重要的应用价值。由于轴承是运动部件，对其进行状态监测的技术难点在于直接获取运动体的状态信息。由于轴承结构的限制，一般不能采用非接触方式监测轴承内部的状态，只能在轴承中安装传感器以获得状态信息，传感信号的传出和对传感器的电源供给是亟待解决的技术关键。异常数据检测是旋转机械状态监测过程的重要组成部分，也是进行数据清洗、补偿、挖掘的前提。
发明内容
本发明提出了一种轴承状态监测振动异常数据检测方法，可搜寻异常样本，定位异常数据段，为轴承状态监测大数据质量保障、异常检测提供了新的思路。
本发明的技术方案如下：
一种轴承状态监测振动异常数据检测方法，包括对轴承振动加速度数据进行采集，本方案基于长短时空融合奇异峰模型，包括
步骤A1，将所采集的原始振动加速度数据作为样本；
步骤A2，以时空窗分割时间序列为子样本，提取每个子样本的内属值；
步骤A3，基于轮廓核原理提取主成分；
步骤A4，以多参膨胀系数最大为优化目标，获得最优参数；
步骤A5，获取多元基因序列，构建得分阈值；
步骤A6，得到溢出阈值边界的样本，作为异常样本，完成异常数据的采集。
作为本方案的进一步优化，所述步骤A1中包括：选取某段时间t，对该段时间t内的振动加速度进行取值，即x=[x1,x2,…xN]，其中x为所选取时间段t内振动加速度信号,N为该段时间信号长度。
作为本方案的进一步优化，对时间段t内随机分割时域信号，
以时空窗对振动加速度集合x进行分割，取窗长度为w，将滑动窗口起始段设置在变量x的起始点x1处，形成数据长度为w的子数据段S1；
向末端移动时空窗窗口，以数据集的xγ为起点位置获得第下一个长度为w的子数据段Si，重复向末端移动时空窗窗口的操作，直到选取到子数据段Sn，得到子样本集合S=[S1，S2，…Sn]，其中γ=w-τ+1，τ=μw，μ为分隔重叠率。
作为本方案的进一步优化，所述步骤A2还包括，从子样本中提取多维时空卷褶内属值，并把这些特征进行标准化处理，
用标准化操作对每个子样本的多维时空卷褶内属值，即IP值，进行标准化处理，即
，其中zij是第i(i=1,2,…n)个子样本的第j (j=1,2,…m)个内属值，
是第j个内属值的均值，bij为标准化后的IP值。
作为本方案的进一步优化，所述步骤A3中包括：
步骤A3-1，利用轮廓核原理，滤除特征峰刺的影响，进行特征融合，嵌入到奇异模型中，提取辐射主元；
步骤A3-2，执行开合吸收操作，根据信号特点，根据窗长台阶式搜索空间邻居个数，设置初始值及最大值，确定其增量比特，构造循环迭代硬阈值，满足条件时可自动退出当前开合吸收过程。
作为本方案的进一步优化，所述步骤A3-1包括，步骤A2中n个子样本，每个子样本有m维IP值，得到n*m样本数据矩阵
，其中
，0＜i≤n，0＜m≤15，求
的轮廓矩阵，并求轮廓矩阵的内属向量，将内数值按照大小顺序从上到下排列成矩阵，取前b行组成新的矩阵作为辐射主元，辐射主元中的每个子向量作为新的子样本。
作为本方案的进一步优化，所述步骤A3-2包括，
在初始窗长w1中，执行台阶式开合操作，具体包括，
计算在该窗长下空间邻居个数k的搜索范围，k表示任意选取步骤A3-1得到的辐射主元子样本，与该子样本距离最临近的k个辐射主元子样本：
k∈[kmin，kmax]；
定义循环迭代硬阈值ε，
l为多元基因序列值，β代表循环迭代过程；
更新k值，当δ＜ε时，跳出k循环层。
作为本方案的进一步优化，所述步骤A4包括，重复步骤A1-步骤A3，将原始数据进行滑动时空窗分割，在初始窗长为w1的基础上将时空窗的窗长增加，窗长增量比特值为wd，
其中
，
更新窗长w，当超出最大窗长wmax时跳出w循环层；
其中wmin=w1, wmax=10*wmin；
比较获取最优的l值。
作为本方案的进一步优化，所述步骤A5中，根据数据对象距离和时空密度建立多元基因序列模型，从所述多元基因序列模型中获得多参膨胀系数，根据多参膨胀系数最大原则确定最优粒子，从而自适应获得最优多元基因序列l和得分阈值T。
作为本方案的进一步优化，所述步骤A6中，将所述多元基因序列值l与所述得分阈值T进行对比，超出得分阈值T的数据即判断为异常样本。
本发明的工作原理：
异常数据检测是旋转机械状态监测过程的重要组成部分，也是进行数据清洗、补偿、挖掘的前提，针对旋转机械振动监测数据存在异常问题，本发明提出了一种长短时空融合奇异峰(Long short spatiotemporal fusion singular peak，LSSFSP)模型的异常检测模型。
1.使用时空窗(space-timewindow)有交叉的将时间序列动态分割为不同长度的子样本信号；
2.然后从子样本中提取多维时空卷褶内属(Internal property)值，并把这些特征进行标准化处理，
3.再利用轮廓核(Contour kernel，Ck)原理，滤除特征峰刺的影响，进行特征融合，嵌入到奇异模型中，提取辐射主元；
4.计算LSSFSP模型异常得分值，在此过程中，根据信号特点，台阶式搜索窗长及空间邻居个数，设置初始值及最大值，确定其增量比特(Incremental bit)，构造循环迭代硬阈值，满足条件时可自动退出当前开合吸收过程；
5.以奇异粒子飞行轨迹的多参膨胀系数(Multiparametric ExpansionCoefficient)最大为原则获取最优参数，自适应获取多元基因序列用以评价每个子样本的异常程度；
6.最后根据高斯分布(Gaussian distribution)的置信准则，软分配得分阈值，得分溢出边界阈值的样本认为异常样本，并映射到一维时间序列确定异常位置。
本发明的有益效果为，
可对旋转机械状态监测过程振动数据质量评价、异常段检测，减少了人为干预的影响，提高了自适应性。该模型可以量化片段异常程度，定位异常片段。为旋转机械非平稳非线性振动加速度数据异常检测提供了新的思路。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明中的流程框图；
图2为原始样本中信号缺失情况下原始振动加速度信号和时间的关系值；
图3为对图2中信号处理后的子样本得分值；
图4为原始样本中信号激增情况下原始振动加速度信号和时间的关系值；
图5为对图4中信号处理后的子样本得分值。
具体实施方式
下面将结合本发明实施例，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作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
一种轴承状态监测振动异常数据检测方法，包括对轴承振动加速度数据进行采集，本方案基于长短时空融合奇异峰模型，如说明书附图1所示，包括
步骤A1，将所采集的原始振动加速度数据作为样本；
步骤A2，以时空窗分割时间序列为子样本，提取每个子样本的内属值；
步骤A3，基于轮廓核原理提取主成分；
步骤A4，以多参膨胀系数最大为优化目标，获得最优参数；
步骤A5，获取多元基因序列，构建得分阈值；
步骤A6，得到溢出阈值边界的样本，作为异常样本，完成异常数据的采集。
具体实施例，所述步骤A1中包括：选取某段时间t，对该段时间t内的振动加速度进行取值，即x=[x1,x2,…xN]，其中x为所选取时间段t内振动加速度信号,N为该段时间信号长度。振动加速度x为一段采样时间内对应的离散数值，以向量方式存储。当出现尖峰时，表示存在异常冲击。
对时间段t内随机分割时域信号，时空窗定义为时间域上一段采样长度，可以以自由长度随机分割时域信号，保证时空窗长度小于t即可。以时空窗对振动加速度集合x进行分割，取窗长度为w，将滑动窗口起始段设置在变量x的起始点x1处，形成数据长度为w的子数据段S1；向末端移动时空窗窗口，以数据集的xγ为起点位置获得第下一个长度为w的子数据段Si，重复移动时空窗窗口的操作，直到选取到子数据段Sn，得到子样本集合S=[S1，S2，…Sn]，其中γ=w-τ+1，τ=μw，分割重叠率为μ，分隔重叠率即为每次所选取的时空窗的窗长的重叠占比，即每相邻时空窗存在部分重叠，重叠率即为重叠的部分占窗长的比例。
例如，首先利用时空窗口采用数据分段的方式将时间序列x进行分离，窗长度为w，将滑动窗口左端放置在数据变量x的起点x1成1个数据长度为w的子数据段S1；移动窗口，以数据集的xγ为起点位置获得第二个长度为w的子数据段S2，第3段的起点为2(w-τ)+1，…，依次向后滑动最终获得n个长度为w子样本。
所述步骤A2还包括，从子样本中提取多维时空卷褶内属值，并把这些特征进行标准化处理，多维内属分量求解模型如下表所示：
表1 多维内属分量求解模型
在上述表格中的模型中，w为子样本S的长度。
取多维时空卷褶内属IP=[in1,in2,…,in15]。
用标准化操作对每个子样本的多维时空卷褶内属值，即IP值，进行标准化处理，即
，其中zij是第i(i=1,2,…n)个子样本的第j (j=1,2,…m)个内属值，
是第j个内属值的均值，bij为标准化后的IP值。
步骤A3中包括：
步骤A3-1，利用轮廓核原理，滤除特征峰刺的影响，进行特征融合，嵌入到奇异模型中，提取辐射主元；
轮廓核方法实际上是一种特征融合与降维方法，为了提取多维时空卷褶内属值的核心元素，作为辐射主元，基于进行样本异常距离判断。
轮廓核基本原理：
（1）将原始数据按列组成n行m列矩阵X；
（2）求出轮廓矩阵，
（3）求出轮廓矩阵的内属值及对应的内属向量
其中eij为第i个子样本的第j个内属向量；
（4）将内属值大小从上到下按行排列成矩阵，取前b行组成矩阵P（b一般取值选3）；
（5）Y=PX即为压缩融合到b维后的数据。
在步骤A3-1中，将步骤A2中n个子样本，每个子样本有m维IP值，得到n*m样本数据矩阵
，其中
，0＜i≤n，0＜m≤15，m的数值与表1相符，每个m代表一个多维时空卷褶内属值的分量，求
的轮廓矩阵，并求轮廓矩阵的内属向量，将内属值按照大小顺序从上到下排列成矩阵，取前b（b<m即可）行组成新的矩阵作为辐射主元。
步骤A3-2，根据信号特点，台阶式搜索窗长及空间邻居个数，设置初始值及最大值，确定其增量比特，构造循环迭代硬阈值，满足条件时可自动退出当前开合吸收过程，在步骤A3-2中，
将原始数据进行滑动时空窗分割，设初始窗长为w1，窗长增量比特值为wd，
其中
，
更新窗长，当超出最大窗长t时跳出w循环层；
其中wmin=w1, w1=500和wmax=10*wmin。w1的选取根据经验和实际每个窗长内数据量进行确定，w1一般选定为总长度的1/10，窗长越小，计算量越大，选取总窗长的1/10可以满足计算量和效果的折中。
在不同时空窗窗长下的计算过程中空间邻居个数k搜索范围：
k∈[kmin，kmax]；
定义循环迭代硬阈值ε，
l为多元基因序列值，β代表循环迭代过程；
更新k值，当δ＜ε时，跳出k循环层。β的循环迭代过程表示所在循环的次数，
其中kmin和kmax可以根据振动加速度采样人为设定，如设定kmin=5，kmax=30，k的增量比特值为1。
值也是根据实际情况人为设定的值一般设置
=0.1。在步骤A3-2中，更新k值，当δ＜ε时，则更新k值前后的序列差异不再明显，此时应跳出k循环层。
所述步骤A5中，根据数据对象距离和时空密度建立多元基因序列模型，从所述多元基因序列模型中获得多参膨胀系数，根据多参膨胀系数最大原则确定最优粒子，从而自适应获得最优多元基因序列l和得分阈值T。奇异粒子代表空间中不同的参数组合，其飞行轨迹即为窗长w，空间邻居k搜索变化行踪，根据多参膨胀系数d最大原则确定最优粒子。从而自适应获得最优多元基因序列l。用以评价每个子样本的离群程度，并自适应确定异常值，超出得分阈值T的即为异常样本。
多元基因序列是LSSFSP模型中的异常得分衡量标准，具体计算如下：
首先，将两个数据对象p和o的距离记作d(p,o)：
时空密度定义为：
其中Nk(p)为距离对象p空间距离最近的对象集合；
多元基因序列模型为：
多参膨胀系数d：
得分阈值：
T=3*std(l 1 ,l 2 ,…l n )
所述步骤A6中，将所述对象p的多元基因序列值l与所述得分阈值T进行对比，超出得分阈值T的数据即判断为异常样本。
附图中图2是轴承原始振动加速度中幅值数据，其中方框内为信号缺失的波段，图3是经过本方法处理后的得分值和子样本的关系图，中坐标代表得分值虚悬代表得分阈值T，图3中的尖峰与图2中的缺失数据相对应，即数据异常。
附图4为在 2-4秒内出现了幅值极大的毛刺情况，说明所采集的轴承加速度数据异常，图5中子样本10-20反应该段数据的异常评分，超出阈值T说明数据异常。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (2)
1.一种轴承状态监测振动异常数据检测方法，包括对轴承振动加速度数据进行采集，其特征在于，本方法基于长短时空融合奇异峰模型，包括
步骤A1，将所采集的原始振动加速度数据作为样本；
步骤A2，以时空窗分割时间序列为子样本，提取每个子样本的内属值；
步骤A3，基于轮廓核原理提取主成分；
步骤A4，以多参膨胀系数最大为优化目标，获得最优参数；
步骤A5，获取多元基因序列，构建得分阈值；
步骤A6，得到溢出阈值边界的样本，作为异常样本，完成异常数据的采集；
所述步骤A1中包括：选取某段时间t，对该段时间t内的振动加速度进行取值，即x=[x1,x2,…xN]，其中x为所选取时间段t内振动加速度信号,N为该段时间信号长度；
对时间段t内随机分割时域信号，
以时空窗对振动加速度集合x进行分割，取窗长度为w，将滑动窗口起始段设置在变量x的起始点x1处，形成数据长度为w的子数据段S1；
向末端移动时空窗窗口，以数据集的xγ为起点位置获得第下一个长度为w的子数据段Si，重复向末端移动时空窗窗口的操作，直到选取到子数据段Sn，得到子样本集合S=[S1，S2，…Sn]，其中 γ=w-τ+1，τ=μw，μ为分隔重叠率；
所述步骤A3中包括：
步骤A3-1，利用轮廓核原理，滤除特征峰刺的影响，进行特征融合，嵌入到奇异模型中，提取辐射主元；
步骤A3-2，执行开合吸收操作，根据信号特点，根据窗长台阶式搜索空间邻居个数，设置初始值及最大值，确定其增量比特，构造循环迭代硬阈值，满足条件时可自动退出当前开合吸收过程；
所述步骤A3-1包括，将步骤A2中n个子样本，其中每个子样本有m维IP值，得到n*m样本数据矩阵
，其中
，0＜i≤n，0＜m≤15，求
的轮廓矩阵，并求轮廓矩阵的内属向量，将内数值按照大小顺序从上到下排列成矩阵，取前b行组成新的矩阵作为辐射主元，辐射主元中的每个子向量作为新的子样本；
所述步骤A3-2包括，
在初始窗长w1中，执行台阶式开合操作，具体包括，
计算在该窗长下空间邻居个数k的搜索范围，k表示任意选取步骤A3-1得到的辐射主元子样本，与该子样本距离最临近的k个辐射主元子样本：
k∈[kmin，kmax]；
定义循环迭代硬阈值ε，
l为多元基因序列值，β代表循环迭代过程；
=0.1；
更新k值，当δ＜ε时，跳出k循环层；
所述步骤A4包括，重复步骤A1-步骤A3，将原始数据进行滑动时空窗分割，在初始窗长为w1的基础上将时空窗的窗长增加，窗长增量比特值为wd，
其中
，
更新窗长w，当超出最大窗长wmax时跳出w循环层；
其中wmin=w1, wmax=10*wmin；
比较获取最优的l值；
所述步骤A5中，根据数据对象距离和时空密度建立多元基因序列模型，从所述多元基因序列模型中获得多参膨胀系数，根据多参膨胀系数最大原则确定最优粒子，从而自适应获得最优多元基因序列l和得分阈值T；
奇异粒子代表空间中不同的参数组合，其飞行轨迹即为窗长w，空间邻居k搜索变化行踪，根据多参膨胀系数d最大原则确定最优粒子；从而自适应获得最优多元基因序列l；用以评价每个子样本的离群程度，并自适应确定异常值，超出得分阈值T的即为异常样本；
所述步骤A5中，根据数据对象距离和时空密度建立多元基因序列模型，从所述多元基因序列模型中获得多参膨胀系数，根据多参膨胀系数最大原则确定最优粒子，从而自适应获得最优多元基因序列l和得分阈值T；
多元基因序列是长短时空融合奇异峰模型中的异常得分衡量标准，具体计算如下：
首先，将两个数据对象p和o的距离记作d(p,o)：
时空密度定义为：
其中Nk(p)为距离对象p空间距离最近的对象集合；
多元基因序列模型为：
多参膨胀系数d：
得分阈值：
T=3*std(l 1 ,l 2 ,…l n )；
所述步骤A6中，将所述多元基因序列值l与所述得分阈值T进行对比，超出得分阈值T的数据即判断为异常样本。
2.根据权利要求1所述的一种轴承状态监测振动异常数据检测方法，其特征在于，所述步骤A2还包括，从子样本中提取多维时空卷褶内属值，并把这些特征进行标准化处理，
用标准化操作对每个子样本的多维时空卷褶内属值，即IP值，进行标准化处理，即
，其中zij是第i个子样本的第j 个内属值，i=1,2,…n；j=1,2,…m；
是第j个内属值的均值，bij为标准化后的IP值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210115548.5A CN114169379B (zh) | 2022-02-07 | 2022-02-07 | 一种轴承状态监测振动异常数据检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210115548.5A CN114169379B (zh) | 2022-02-07 | 2022-02-07 | 一种轴承状态监测振动异常数据检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114169379A CN114169379A (zh) | 2022-03-11 |
| CN114169379B true CN114169379B (zh) | 2022-04-26 |
Family
ID=80489493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210115548.5A Active CN114169379B (zh) | 2022-02-07 | 2022-02-07 | 一种轴承状态监测振动异常数据检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169379B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117331921A (zh) * | 2023-09-28 | 2024-01-02 | 石家庄铁道大学 | 一种轴承监测多源数据处理方法 |
| CN117113009B (zh) * | 2023-10-23 | 2024-01-16 | 合肥亚明汽车部件有限公司 | 一种数字化工厂设备运行风险预警方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129525A (zh) * | 2011-03-24 | 2011-07-20 | 华北电力大学 | 汽轮机组振动与过程信号异常搜索分析方法 |
| CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN108287073A (zh) * | 2018-01-24 | 2018-07-17 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
| CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
| CN112179691A (zh) * | 2020-09-04 | 2021-01-05 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测***和方法 |
-
2022
- 2022-02-07 CN CN202210115548.5A patent/CN114169379B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129525A (zh) * | 2011-03-24 | 2011-07-20 | 华北电力大学 | 汽轮机组振动与过程信号异常搜索分析方法 |
| CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
| CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
| CN108287073A (zh) * | 2018-01-24 | 2018-07-17 | 石家庄铁道大学 | 基于奇异值分量频域谱的共振带选择方法 |
| CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
| CN112179691A (zh) * | 2020-09-04 | 2021-01-05 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测***和方法 |
Non-Patent Citations (4)
| Title |
|---|
| An Improved Autogram and its Application in Bearing Fault Diagnosis;Wenpeng Liu;《2020 11th International Conference on Prognostics and System Health Management》;20200511;全文 * |
| Application Research of CEEMDAN in Early Fault Diagnosis of Rolling Bearing;haiming wang;《IEEE》;20211231;全文 * |
| Fault Recognition of Rolling Bearings Based on Parameter Optimized Multi-Scale Permutation Entropy and Gath-Geva;Haiming Wang;《entropy》;20211231;全文 * |
| Gear Fault Feature Extraction Based on MCKD-VMD;Bin Ren;《2019 Prognostics & System Health Management Conference》;20191231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114169379A (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169379B (zh) | 一种轴承状态监测振动异常数据检测方法 | |
| CN105467975B (zh) | 一种设备故障诊断方法 | |
| Wang et al. | A similarity-based prognostics approach for remaining useful life estimation of engineered systems | |
| CN111950191B (zh) | 基于混合深度神经网络的回转窑烧结温度预测方法 | |
| CN111340288B (zh) | 一种顾及时空关联性的城市空气质量时序预测方法 | |
| CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| CN111260082B (zh) | 一种基于神经网络的空间对象运动轨迹预测模型构建方法 | |
| CN117540238B (zh) | 一种工业数字化信息采集装置用数据安全管理方法 | |
| CN115484102A (zh) | 一种面向工业控制***的异常检测***和方法 | |
| US6721445B1 (en) | Method for detecting anomalies in a signal | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及*** | |
| CN115824261B (zh) | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 | |
| CN116522124A (zh) | 一种基于环境因素影响的溶解氧含量预测方法和*** | |
| CN114741945B (zh) | 一种航空发动机在线故障的诊断方法 | |
| Guo et al. | Phase partition and online monitoring for batch process based on multiway BEAM | |
| KR102622895B1 (ko) | 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템 | |
| CN111104855A (zh) | 一种基于时序行为检测的工作流识别方法 | |
| CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和*** | |
| CN116908684A (zh) | 电机故障预测方法、装置、电子设备及存储介质 | |
| CN111949937A (zh) | 一种基于链式方程的分布式光伏数据多重插补方法 | |
| CN111008596A (zh) | 基于特征期望子图校正分类的异常视频清洗方法 | |
| CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
| Lakineni et al. | Optimal Feature Selection and Classification Using Convolutional Neural Network-Based Plant Disease Prediction | |
| Oprea et al. | Evaluating Critical Disease Occurrence in Grapevine Leaves using CNN: Use-Case in Eastern Europe | |
| CN114092457B (zh) | 一种用于农作物病虫害检测的方法及*** |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240419 Address after: No. 10 Fuxing Road, Haidian District, Beijing 100000 Patentee after: China National Railway Group Co.,Ltd. Country or region after: China Patentee after: SHIJIAZHUANG TIEDAO University Address before: No.17, North 2nd Ring East Road, Chang'an District, Shijiazhuang City, Hebei Province Patentee before: SHIJIAZHUANG TIEDAO University Country or region before: China |