CN114509158B - 一种声振融合的叶片裂纹故障检测方法及应用 - Google Patents
一种声振融合的叶片裂纹故障检测方法及应用 Download PDFInfo
- Publication number
- CN114509158B CN114509158B CN202210001190.3A CN202210001190A CN114509158B CN 114509158 B CN114509158 B CN 114509158B CN 202210001190 A CN202210001190 A CN 202210001190A CN 114509158 B CN114509158 B CN 114509158B
- Authority
- CN
- China
- Prior art keywords
- vibration
- fusion
- sample
- samples
- channels
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种声振融合的叶片裂纹故障检测方法急应用,叶片裂纹故障检测方法包括以下步骤:采集两通道声信号及两通道振动信号,在标准化处理后分成训练和测试样本;使用数据级融合方法分别融合两通道振动信号训练和测试样本,并生成振动数据融合训练和测试样本;将上述两通道声信号、两通道振动信号和振动数据融合训练样本输入到一维卷积神经网络中,得到初始检测结果;使用决策级融合方法融合所述初始检测结果,并得到最终的检测结果,实现压缩机叶片的裂纹故障检测。本发明简单易行,相比于其他现有裂纹检测技术能够在数据级和决策级融合声振信号实现压缩机叶片裂纹故障检测。
Description
技术领域
本发明涉及旋转机械声振信号分析及融合技术领域,尤其是一种声振融合的叶片裂纹故障检测方法。
背景技术
压缩机广泛应用于石油化工、电力等领域,叶片作为核心部件在离心力、摩擦和不稳定气流载荷的作用下容易产生裂纹故障,以致影响到整个压缩机的正常工作。因此及时检测叶片裂纹故障,对于保证压缩机的安全稳定运行具有重要意义。此外,在实际工程中往往使用声信号、振动信号等进行叶片故障检测。但是单一声信号或振动信号往往掺杂着强背景噪声,通过单一信号进行故障分析会导致检测准确率低、检测结果不可靠。因此,如何有效利用和融合声信号和振动信号并实现压缩机叶片裂纹故障可靠准确检测值得深入研究。
传统的信号融合包括3种融合方式:数据级、特征级和决策级融合。一般来说,数据级融合适用于同类型不同位置的信号,是最低级的融合方式;特征级和决策级融合可以融合不同类型的信号,其中决策级融合是最高级的融合方式,且融合效果最好。由于强噪声的存在单一融合方式可能无法准确检测叶片裂纹,且不同类似的融合往往会有一定的冲突。因此,迫切需要一种能够根据不同信号特点进行不同程度声振信号融合、并实现可靠准确的压缩机叶片裂纹故障检测方法。
发明内容
针对上述不足,本发明提出一种声振融合的叶片裂纹故障检测方法,克服现有的单一信号和单一融合方式难以准确反映压缩机叶片裂纹故障特点、无法准确检测叶片裂纹故障的现状,有效地实现声振信号融合和压缩机叶片裂纹故障检测。
为解决上述技术问题,本发明采用以下技术方案:
一种声振融合的压缩机叶片裂纹故障检测方法,包括以下步骤:
一种声振融合的叶片裂纹故障检测方法,其特征在于,包括以下步骤:
步骤1:采集至少两通道声信号和至少两通道振动信号;
步骤2:对采集的至少两通道声信号和至少两通道振动信号进行标准化处理,并将所述标准化处理后声信号和振动信号分成训练样本和测试样本;
步骤3:使用数据级融合方法分别融合至少两通道振动信号训练和测试样本,并生成振动数据融合训练和测试样本;
步骤4:将步骤2处理后的声信号和振动信号训练样本以及步骤3生成的振动数据融合训练样本,输入到神经网络中,得到初始检测结果;
步骤5:使用决策级融合方法融合步骤4得到的初始检测结果,并得到最终的检测结果,实现叶片的裂纹故障检测。
步骤1中,采用声压传感器获取声信号,声压传感器分别距离进气口和出气口设定距离处,设定距离为0.2-1.0米,倾斜向上成一设定夹角,设定夹角可选45°。
步骤2中,标准化处理是0-1标准化处理,所述0-1标准化处理的表达式为:
其中,xs(t)表示0-1标准化后的信号,x(t)表示原始信号,min(x)和max(x)分别表示原始信号的最小值和最大值。
步骤3,中所述数据级融合方法的具体步骤为:
步骤3.1,分别计算两通道样本的Hoyer距离,所述Hoyer距离表达式为:
其中,Hx表示样本x的Hoyer距离,t表示样本x的长度。
步骤3.2,根据历史样本和所述Hoyer距离分别计算两通道样本的改进余弦相似度,所述改进余弦相似度表达式为:
其中,θx表示样本x的余弦角度,xh表示历史样本,G(x,x,Hx)、G(x,xh,Hx)和G(xh,xh,Hx)表示样本x之间、样本x和历史样本xh以及历史样本xh之间的高斯距离。
步骤3.3,根据所述两通道样本的改进余弦相似度融合两通道样本,融合的表达式为:
其中,xdf表示融合后的样本,ωi表示第i个样本的权重。
优选的,所述步骤4中所述一维卷积神经网络包括2个卷积层、2个池化层、1个全连接层和1个Softmax层,所述卷积层过滤器大小为6*1,所述卷积层的步长为1,所述第一层卷积层通道数为4,所述第二层卷积层通道数为8,所述池化层过滤器大小为6*1,所述池化层的步长为6,所述第一层池化层通道数为4,所述第二层池化层通道数为8,所述Softmax层的输出个数为3。
优选的,所述步骤5中所述决策级融合方法的具体步骤为:
步骤5.1,分别计算所述初始检测结果中不同样本的精度和不同类别的准确率,所述精度和准确率的表达式为:
其中,Pij表示第j个类别在第i个样本中的精度,Ai表示第i个样本的准确率,TPij、TNij、FPij和FNij分别表示真阳样本、真阴样本、假阳样本和假阴样本的个数。
步骤5.2,计算样本可信度,所述可信度的表达式为:
其中,CPij表示第j个类别在第i个样本中的可信度。
步骤5.3,计算初始决策级融合结果,所述初始决策级融合的表达式为:
其中,FPTj表示第j个类别的初始决策级融合结果,m表示初始检测结果的个数。
步骤5.4,验证初始决策级融合结果。当初始决策级融合结果的概率超过60%,则认为上有效结果,此初始决策级融合结果即为最终决策级融合结果;否则,去除准确率最低的初始检测结果,重新进行步骤5.1-5.3,并验证,直至满足要求。
本发明的有益效果如下:
1)本发明提供的一种声振融合的压缩机叶片裂纹故障检测方法,通过数据级融合两通道振动信号,并结合一维卷积神经网络实现声信号、振动信号和振动数据级融合信号的初始检测,最后对初始检测结果进行决策级融合实现压缩机叶片裂纹故障检测。避免了单一信号或单一融合方式无法准确检测叶片裂纹故障的不足,在数据级和决策级融合声振信号提高了压缩机叶片裂纹故障检测的准确率。
2)通过Hoyer距离计算振动信号系数程度,并结合改进余弦相似度,本发明提供的数据级融合方法,能够分析振动信号稀疏程度和与历史信号的相似度,进而能够准确反映了叶片裂纹故障特点,并提高了振动信号的可靠性。
3)本发明提供的决策级融合方法,通过计算初始检测结果的精度和准确率进行可信度分配,并在验证初始决策级融合结果的基础上提高了声振融合的可靠性,并实现叶片裂纹故障的高准确检测。
附图说明
图1是本发明实施例的流程框图;
图2是本发明实施例中数据级融合方法流程图;
图3是本发明实施例中决策级融合方法流程图。
具体实施方式
以下的说明本质上仅仅是示例性的而并不是为了限制本公开、应用或用途。应当理解的是,在全部附图中,对应的附图标记表示相同或对应的部件和特征。
如图1所示,一种声振融合的压缩机叶片裂纹故障检测方法,包括以下步骤:
步骤1:在压缩机进气口和出气口安装两个声压传感器,采集两通道声信号,在电机主轴附近安装两个振动传感器,采集两通道振动信号。
步骤2:对四通道声信号和振动信号进行标准化处理,并将标准化处理后声信号和振动信号分成训练样本和测试样本。
步骤3:使用数据级融合方法分别融合两通道振动信号训练和测试样本,并生成振动数据融合训练和测试样本。
步骤4:将上述两通道声信号、两通道振动信号和振动数据融合训练样本输入到一维卷积神经网络中,得到初始检测结果。
步骤5:使用决策级融合方法融合所述初始检测结果,并得到最终的检测结果,实现压缩机叶片的裂纹故障检测。
上述实施例中,两个声压传感器在压缩机进气口和出气口采集两通道声信号,两个振动传感器在电机主轴附近采集两通道振动信号,标准化处理后将其分为训练和测试样本,使用数据级融合方法融合两通道振动信号,并输入到一维卷积神经网络中得到初始检测结果,最后使用决策级融合方法融合所述初始检测结果,实现压缩机叶片的裂纹故障检测。
需要说明的是,声信号和振动信号的采样频率为5120Hz,采样时间1s,训练样本和测试样本按照7:3的比例随机划分,训练样本和测试样本由于划分的随机性可能存在一定的差异,但不影响后续的处理。
步骤1中,声压传感器分别距离进气口和出气口0.5米,倾斜向上成45°夹角。
需要说明的是,距离以进气口和出气口的中心为参照,所述45°以水平方向为参照。
步骤2中,标准化处理是0-1标准化处理,0-1标准化处理的表达式为:
其中,xs(t)表示0-1标准化后的信号,x(t)表示原始信号,min(x)和max(x)分别表示原始信号的最小值和最大值。
步骤3中,数据级融合方法的具体步骤为:
步骤3.1,分别计算两通道样本的Hoyer距离,Hoyer距离表达式为:
其中,Hx表示样本x的Hoyer距离,t表示样本x的长度。
步骤3.2,根据历史样本和Hoyer距离分别计算两通道样本的改进余弦相似度,改进余弦相似度表达式为:
其中,θx表示样本x的余弦角度,xh表示历史样本,G(x,x,Hx)、G(x,xh,Hx)和G(xh,xh,Hx)表示样本x之间、样本x和历史样本xh以及历史样本xh之间的高斯距离。
步骤3.3,根据两通道样本的改进余弦相似度融合两通道样本,融合的表达式为:
其中,xdf表示融合后的样本,ωi表示第i个样本的权重。
需要说明的是,历史样本是样本x的上一个样本,第一个样本的历史样本的数值设为0。
步骤4中,一维卷积神经网络包括2个卷积层、2个池化层、1个全连接层和1个Softmax层,卷积层过滤器大小为6*1,卷积层的步长为1,第一层卷积层通道数为4,第二层卷积层通道数为8,池化层过滤器大小为6*1,池化层的步长为6,第一层池化层通道数为4,第二层池化层通道数为8,Softmax层的输出个数为3。
需要说明的是,一维卷积神经网络按照卷积层、池化层、卷积层、池化层、全连接和Softmax层的顺序搭建。
步骤5中,决策级融合方法的具体步骤为:
步骤5.1,分别计算初始检测结果中不同样本的精度和不同类别的准确率,精度和准确率的表达式为:
其中,Pij表示第j个类别在第i个样本中的精度,Ai表示第i个样本的准确率,TPij、TNij、FPij和FNij分别表示真阳样本、真阴样本、假阳样本和假阴样本的个数。
步骤5.2,计算样本可信度,可信度的表达式为:
其中,CPij表示第j个类别在第i个样本中的可信度。
步骤5.3,计算初始决策级融合结果,初始决策级融合的表达式为:
其中,FPTj表示第j个类别的初始决策级融合结果,m表示初始检测结果的个数。
步骤5.4,验证初始决策级融合结果。当初始决策级融合结果的概率超过60%,则认为为有效结果,此初始决策级融合结果即为最终决策级融合结果;否则,去除准确率最低的初始检测结果,重新进行步骤5.1-5.3,并验证,直至满足要求。
为了进一步验证发明方法的有效性,采用的压缩机叶片裂纹试验台的对本申请的方案做进一步说明:
压缩机叶片裂纹试验台有0,10mm和20mm共3种裂纹长度的叶片,并在1200rpm、1500rpm、1800rpm和2100rpm四个转速下运行。采集两通道声信号和振动信号,标准化处理后将其分为训练样本和测试样本。并采用数据级融合方法融合两通道振动样本,数据级融合方法流程如图2所示。将声信号、振动信号、振动数据融合样本输入到一维卷积神经网络进行检测,得到初始检测结果。最后使用决策级融合方法融合所述初始检测结果,流程如图3所示。根据决策级融合结果进行裂纹故障分类与检测,4种转速下压缩机叶片裂纹故障检测结果如表1所示。可以发现,由于噪声的干扰,单一的声信号或振动信号样本的故障检测准确率较低。在进行数据级融合后,压缩机叶片裂纹故障检测的准确率大幅提高,全部超过了90%。最后经过决策级融合后,在4种转速下叶片裂纹故障检测的准确率超过98%,且在1500rpm达到了100%的准确率,验证了本申请方法的准确性和可靠性。
表1压缩机叶片裂纹故障检测结果
转速 | 1200rpm | 1500rpm | 1800rpm | 2100rpm |
声信号样本1 | 83.2% | 88.8% | 79.6% | 72.9% |
声信号样本2 | 92.3% | 76.3% | 84.6% | 77.4% |
振动信号样本1 | 95.4% | 87.0% | 84.3% | 85.7% |
振动信号样本2 | 95.2% | 88.4% | 85.1% | 87.1% |
数据级融合 | 97.1% | 93.2% | 90.2% | 95.6% |
决策级融合 | 99.3% | 100% | 98.8% | 99.3% |
为了进一步说明本发明方法在压缩机叶片裂纹检测中的优势,与其他融合方法进行了比较。包括基于一维卷积神经网络的特征级融合方法、基于投票的决策级融合方法、基于D-S证据理论的融合方法、和基于卷积神经网络的决策级融合方法。基于上述实验原始声振信号和初始结果,分别使用四种对比方法进行压缩机叶片裂纹检测,结果如表2所示。
表2不同融合方法对比结果
可以发现,基于一维卷积神经网络的特征级融合方法是在全连通层上进行融合,平均精度为97.82%。但是,此方法的精度随转速的增加而降低,在高转速下容易受到强噪声的干扰,这主要是此方法太依赖于深度网络提取的特征,且该方法在所有工况下的精度都不如本发明的方法。
对于基于投票的决策级融合方法,其在1800rpm和2100rpm时的精度分别为94.92%和95.74%。这是由于未对结果的真实性进行分析,盲目获得的投票结果不够准确。此外,如果两个标签的投票结果相同,则很容易产生随机性和混淆。
对于基于D-S证据理论的融合方法,作为经典的决策级融合方法,其平均精度为97.76%,但是此方法低于本发明的方法。
对于基于卷积神经网络的决策级融合方法,其平均精度仅为96.81%,是所有方法中最差的。通过直接通过CNN融合,容易产生声振过拟合,导致精度差。
对于本发明的方法,它在四种工作条件下具有最高的精度,且优于其他对比方法。结果表明,该方法具有良好的抗噪性能,且能准确地检测裂纹。
与现有技术相比,采用本发明的一种声振融合的压缩机叶片裂纹故障检测方法,通过数据级融合两通道振动信号,并结合一维卷积神经网络实现声信号、振动信号和振动数据级融合信号的初始检测,最后对初始检测结果进行决策级融合实现压缩机叶片裂纹故障检测。避免了单一信号或单一融合方式无法准确检测叶片裂纹故障的不足,提高了压缩机叶片裂纹故障检测的准确率。
本发明中所述具体实施案例仅为本发明的优选实施案例而已,并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰,都应作为本发明的技术范畴。
Claims (7)
1.一种声振融合的叶片裂纹故障检测方法,其特征在于,包括以下步骤:
步骤1:采集至少两通道声信号和至少两通道振动信号;两通道声信号分别为距离进气口和出气口设定距离处的信号;
步骤2:对采集的至少两通道声信号和至少两通道振动信号进行标准化处理,并将所述标准化处理后声信号和振动信号分成训练样本和测试样本;
步骤3:使用数据级融合方法分别融合至少两通道振动信号训练和测试样本,并生成振动数据融合训练和测试样本;
步骤4:将步骤2处理后的声信号和振动信号训练样本以及步骤3生成的振动数据融合训练样本,输入到神经网络中,得到初始检测结果;
步骤5:使用决策级融合方法融合步骤4得到的初始检测结果,并得到最终的检测结果,实现叶片的裂纹故障检测;
步骤3中,使用数据级融合方法分别融合至少两通道振动信号训练和测试样本,包括:
步骤3.1,分别计算两通道样本的Hoyer距离:
其中,Hx表示样本x的Hoyer距离,t表示样本x的长度;
步骤3.2,根据历史样本和所述Hoyer距离分别计算两通道样本的改进余弦相似度:
其中,θx表示样本x的余弦角度,xh表示历史样本,G(x,x,Hx)表示样本x之间的高斯距离,G(x,xh,Hx)表示样本x和历史样本xh之间的高斯距离,G(xh,xh,Hx)表示历史样本xh之间的高斯距离;
样本x和历史样本xh之间的高斯距离G(x,xh,Hx)为:
步骤3.3,根据所述两通道样本的改进余弦相似度融合两通道样本,融合的表达式为:
步骤5中,使用决策级融合方法融合步骤4得到的初始检测结果,包括:
步骤5.1,分别计算初始检测结果中不同样本的精度和不同类别的准确率:
其中,Pij表示第j个类别在第i个样本中的精度,Ai表示第i个样本的准确率,TPij、TNij、FPij和FNij分别表示真阳样本、真阴样本、假阳样本和假阴样本的个数;
步骤5.2,计算样本可信度:
其中,CPij表示第j个类别在第i个样本中的可信度;Prij表示初始检测结果中第j个类别在第i个样本中的精度;
步骤5.3,计算初始决策级融合结果:
其中,FPTj表示第j个类别的初始决策级融合结果,m表示初始检测结果的个数;
步骤5.4,验证初始决策级融合结果;当初始决策级融合结果的概率超过设定值,此初始决策级融合结果即为最终决策级融合结果;否则,去除准确率最低的初始检测结果,重新进行步骤5.1-5.3,并验证,直至满足要求。
2.按照权利要求1所述的一种声振融合的叶片裂纹故障检测方法,其特征在于,两通道声信号分别为距离进气口和出气口的设定距离为0.2-1.0米。
4.按照权利要求1所述的一种声振融合的叶片裂纹故障检测方法,其特征在于,步骤5.4中,验证初始决策级融合结果的设定值取50%-70%。
5.按照权利要求1所述的一种声振融合的叶片裂纹故障检测方法,其特征在于,步骤4中,所述神经网络为一维卷积神经网络,包括2个卷积层、2个池化层、1个全连接层和1个Softmax层。
6.按照权利要求5所述的一种声振融合的叶片裂纹故障检测方法,其特征在于,一维卷积神经网络的卷积层过滤器大小为6*1,卷积层的步长为1,第一层卷积层通道数为4,第二层卷积层通道数为8,池化层过滤器大小为6*1,池化层的步长为6,第一层池化层通道数为4,第二层池化层通道数为8,Softmax层的输出个数为3。
7.一种基于权利要求1-6任一所述声振融合的叶片裂纹故障检测方法在压缩机上应用,用于对压缩机叶片进行裂纹故障识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001190.3A CN114509158B (zh) | 2022-01-04 | 2022-01-04 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001190.3A CN114509158B (zh) | 2022-01-04 | 2022-01-04 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114509158A CN114509158A (zh) | 2022-05-17 |
CN114509158B true CN114509158B (zh) | 2023-05-30 |
Family
ID=81549898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210001190.3A Active CN114509158B (zh) | 2022-01-04 | 2022-01-04 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509158B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166032B (zh) * | 2022-05-23 | 2024-04-19 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS55162698A (en) * | 1979-06-06 | 1980-12-18 | Matsushita Electric Ind Co Ltd | Acoustic diaphragm plate |
FR2815123B1 (fr) * | 2000-10-10 | 2003-02-07 | Snecma Moteurs | Controle acoustique de roues aubagees monoblocs |
JP2004317408A (ja) * | 2003-04-18 | 2004-11-11 | Calsonic Kansei Corp | 回転体の振動源探査装置及び振動源探査法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
US10495693B2 (en) * | 2017-06-01 | 2019-12-03 | General Electric Company | Wind turbine fault detection using acoustic, vibration, and electrical signals |
US10916259B2 (en) * | 2019-01-06 | 2021-02-09 | 3D Signals Ltd. | Extracting overall equipment effectiveness by analysis of a vibro-acoustic signal |
CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学(保定) | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
CN110376522B (zh) * | 2019-09-03 | 2021-07-16 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN111239249A (zh) * | 2020-03-18 | 2020-06-05 | 北京工业大学 | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 |
CN111612030A (zh) * | 2020-03-30 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于深度学习的风电机组叶片表面故障识别与分类方法 |
CN111678698B (zh) * | 2020-06-17 | 2022-03-04 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN112255538B (zh) * | 2020-10-14 | 2024-04-23 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN112393800A (zh) * | 2020-10-28 | 2021-02-23 | 浙江工业大学 | 一种声振信号联合的监测装置 |
CN112684012A (zh) * | 2020-12-02 | 2021-04-20 | 青岛科技大学 | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 |
CN113033309B (zh) * | 2021-02-25 | 2023-12-19 | 北京化工大学 | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 |
CN113255777B (zh) * | 2021-05-28 | 2023-01-31 | 郑州轻工业大学 | 基于多模态敏感特征选取融合的设备故障预警方法及*** |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
CN113469281B (zh) * | 2021-07-22 | 2023-11-24 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
CN113533962B (zh) * | 2021-07-29 | 2022-08-12 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断*** |
-
2022
- 2022-01-04 CN CN202210001190.3A patent/CN114509158B/zh active Active
Non-Patent Citations (5)
Title |
---|
Damage detection in an operating Vestas V27 wind turbine blade by use of outlier analysis;Martin D. Ulriksen;2015 IEEE Workshop on Environmental, Energy, and Structural Monitoring Systems (EESMS) Proceedings;全文 * |
Theoretical and experimental study of wind turbine drivetrain fault diagnosis by using torsional vibrations and modal estimation;Farid K. Moghadam;Journal of Sound and Vibration;全文 * |
基于声振特征融合的机车走行部轴承状态评估方法研究;郭林;铁道技术监督;全文 * |
翟栋 ; .基于多技术融合的风电大部件健康状态大数据分析.风能产业(2017年第1期 总第90期).2017,全文. * |
颉潭成 ; .基于信息融合的滚动轴承故障诊断.轴承.2015,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114509158A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113375941B (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN115166032B (zh) | 一种风机叶片裂纹的检测装置及方法 | |
CN114509158B (zh) | 一种声振融合的叶片裂纹故障检测方法及应用 | |
CN110259648B (zh) | 一种基于优化K-means聚类的风机叶片故障诊断方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
Meng et al. | Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum | |
Saimurugan et al. | A comparative study of sound and vibration signals in detection of rotating machine faults using support vector machine and independent component analysis | |
Khan et al. | System design for early fault diagnosis of machines using vibration features | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
CN109612726A (zh) | 一种用于振动信号特征提取的多重超阶分析方法 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN113314142B (zh) | 发动机故障检测方法、***、存储介质及设备 | |
CN111707472A (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
CN108760268B (zh) | 一种基于信息熵的立磨运行数据阶跃故障诊断方法 | |
CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及*** | |
CN116307938B (zh) | 一种加工中心进给***健康状态评估方法 | |
Huo et al. | Bearing fault diagnosis using multi-sensor fusion based on weighted DS evidence theory | |
Cui et al. | Aero‐Engine Fault Diagnosis Using Improved Local Discriminant Bases and Support Vector Machine | |
CN114528868A (zh) | 一种压缩机叶片裂纹故障检测方法 | |
Gelman et al. | Novel decision-making technique for damage diagnosis | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
CN113420813A (zh) | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
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 |