CN115560966A - 增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** - Google Patents
增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** Download PDFInfo
- Publication number
- CN115560966A CN115560966A CN202211217731.2A CN202211217731A CN115560966A CN 115560966 A CN115560966 A CN 115560966A CN 202211217731 A CN202211217731 A CN 202211217731A CN 115560966 A CN115560966 A CN 115560966A
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- optimal
- information fusion
- feature information
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
Description
技术领域
本发明涉及电机运维技术领域,尤其是指一种增强稀疏滤波融合电机关键部件微弱故障诊断方法和***。
背景技术
轴、轴承、齿轮作为电机的关键部件,他们的健康状态对电机***能否正常运作具有至关重要的影响。然而由于电机运行的环境参差不齐,在一些恶劣的环境中存在着大量的背景噪声,因此无法清晰的提取电机关键部件产生的故障特征进行故障诊断。
传统电机关键部件故障特征诊断方法有辨音法等,这类诊断方法要求检测人员具有丰富的工作经验,这对于没有工作经验的工作人员存在巨大劣势。也有通过振动信号对故障特征进行提取的电机关键部件故障特征诊断方法,但这种方法仍然存在着一定的局限性,例如快速固有成分滤波虽然可以很好的反映故障特征的种群稀疏性和寿命一致性、符合故障特征分布的特点,但存在经验设置其输入维度、输出维度导致故障特征提取鲁棒性差的缺点;同时,利用先验知识对优化的权重矩阵进行严格地筛选特定成分,也会造成故障特征信息损失的缺点。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提供一种增强稀疏滤波融合电机关键部件微弱故障诊断方法和***,可以提高故障特征提取效果的鲁棒性、有效提取丰富的电机关键部件的故障冲击信息,实现对电机关键部件的微弱故障诊断。
为解决上述技术问题,本发明提供了一种增强稀疏滤波融合电机关键部件微弱故障诊断方法,包括:
步骤1:采集电机关键部件的振动信号,根据所述振动信号构建电机关键部件的初始特征矩阵,结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵,利用范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源;
步骤2:通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源;
步骤3:使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形;
步骤4:对所述固有流形进行加权表示,对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
作为优选的,根据所述振动信号构建电机关键部件的初始特征矩阵,具体为:
作为优选的,结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,具体为:
构造提取最优权重矩阵的目标函数C:
其中,fi j表示初始特征矩阵F的第i行、第j列元素,λ为权重系数,||wi||2=1表示对权重矩阵W各行进行归一化;
使用L-BFGS算法最小化目标函数C,将所述目标函数C收敛时的不同输入维度、输出维度对应的权重矩阵作为最优权重矩阵W*。
作为优选的,所述使用L-BFGS算法最小化目标函数C时,优化梯度函数ΔW为:
作为优选的,所述通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源,具体为:
其中,Pi是S序列重构的第i个排列的概率,m为计算排列熵值时的嵌入维数;
作为优选的,所述使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形,具体为:
步骤3-2:根据所述局部信息Vi计算相关矩阵Wi,根据所述相关矩阵Wi构造排列矩阵B;
步骤3-3:对所述排列矩阵B对齐全局坐标得到故障信息U0;
作为优选的,对所述排列矩阵B对齐全局坐标得到故障信息U0,具体为:
步骤3-3-1:计算排列矩阵B的前d+1个最小特征值(λ1,λ2,…,λd+1)及对应的特征向量(u1,u2,…,ud+1);
步骤3-3-2:选取第2个至第d+1个最小特征值对应的特征向量构成d维全局坐标U0=[u2,u3,…,ud+1]T,将U0作为故障信息。
本发明还提供了一种增强稀疏滤波融合电机关键部件微弱故障诊断***,包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块,
所述数据获取模块采集电机关键部件的振动信号,将所述振动信号传送给所述多维故障特征信息融合源构造模块;
所述多维故障特征信息融合源构造模块根据所述振动信号构建电机关键部件的初始特征矩阵,结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵,利用范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源,将所述不同输入维度、输出维度对应的多维故障特征信息融合源传送给所述最优多维故障特征信息融合源筛选模块;
所述最优多维故障特征信息融合源筛选模块通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源,将所述最优多维故障特征信息融合源传送给所述固有流形提取模块;
所述固有流形提取模块使用改进局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形,将所述固有流形传送给所述故障诊断模块;
所述故障诊断模块对所述固有流形进行加权表示,对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
本发明的上述技术方案相比现有技术具有以下优点:
(1)本发明通过使用排列熵自适应的选取稀疏滤波的输入维度、输出维度,并利用范数来遴选出故障特征构成多维故障特征信息融合源,克服了经验选取稀疏滤波维度参数引起故障特征提取效果鲁棒性差的缺点,提高故障特征提取效果的鲁棒性;
(2)通过改进局部切空间排列算法对融合源进行非线性融合,并在对优化固有流形后进行加权表示,可以使故障信息更丰富,克服了融合结果异常幅值对频域表示的影响以及单一融合分量的片面性,能够有效提取电机关键部件的故障冲击信息,从而更清晰、更准确地提取出电机关键部件的故障特征,实现对电机关键部件的微弱故障诊断。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明的流程图,
图2是本发明实施例中采集的轴承外圈故障振动数据图,
图3是本发明实施例中依据最小排列熵选择最优输入维度、输出维度的示意图,
图4是本发明实施例中依据最小排列熵选择近邻点数的示意图,
图5是本发明实施例中得到的加权表示结果和包络分析图。
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。
在本发明的描述中,需要理解的是,“多”的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“包括”意图在于覆盖不排他的包含,例如包含了一系列步骤或单元的过程、方法、***、产品或设备,没有限定于已列出的步骤或单元而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
参照图1流程图所示,本发明公开了一种增强稀疏滤波融合电机关键部件微弱故障诊断方法,包括:
步骤1:采集电机关键部件的振动信号,根据所述振动信号构建电机关键部件的初始特征矩阵,结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵,利用范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源,避免了当输入维度、输出维度过大时输出高维度的故障信号增强矩阵存在信息冗余和干扰信息等问题。
步骤1-1:采集电机关键部件的振动信号,根据所述振动信号构建电机关键部件的初始特征矩阵:
对于输入维度、输出维度的选择,设置所述输入维度Nin等于输出维度Nout,可以避免同时优化Nin和Nout两个参数带来大的计算负担以及克服故障特征输出降维带来的信息损失问题通过试验验证,当Nin>20时快速固有滤波均可以获故障特征增强效果,但其效果参差不齐。因此本实施例中设置Nout=Nin,Nin∈[20,200]、以10为步长取值。
步骤1-2:结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵:
步骤1-2-1:构造提取最优权重矩阵的目标函数C:
其中,fi j表示初始特征矩阵F的第i行、第j列元素,λ为权重系数,||wi||2=1表示对权重矩阵W各行进行归一化;经过多次试验,权重系数0.01<λ≤1时故障特征具有很好提取效果,因此本实施例中λ=1。
步骤1-2-2:使用L-BFGS算法最小化目标函数C,使用L-BFGS算法最小化目标函数C时的优化梯度函数ΔW为:
步骤1-2-3:将所述目标函数C收敛时的不同输入维度、输出维度对应的权重矩阵作为最优权重矩阵W*。
步骤1-3:使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵:将得到不同输入维度、输出维度对应的最优权重矩阵W*的每一行与采集的电机关键部件振动信号x卷积,得到不同输入维度、输出维度对应的故障特征矩阵Fo。
步骤1-4-2:选择Fo中范数较小的n行构成不同输入维度、输出维度所对应的多维故障特征信息融合源Ho。经过多次试验发现选择Fo中范数较小的10-20行构成不同输入维度、输出维度所对应的多维故障特征信息融合源Ho,再进行后续步骤其最终可以得到很好的故障特征提取效果,因此本实施例中n=15。
步骤2:通过排列熵从所述多维故障特征信息融合源中自适应的筛选出最优输入维度、输出维度,避免了通过经验选取维度参数,引起的故障特征提取效果鲁棒性差的问题;根据所述最优输入维度、输出维度得到对应的最优多维故障特征信息融合源。
其中,Pi是S序列重构的第i个排列的概率,S=mean(Ho,1),mean(,1)表示求均值函数;m为计算排列熵值时的嵌入维数;
步骤3:使用改进的局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形,避免了通过先验知识筛选权重矩阵造成的故障特征信息损失的问题;对固有流形进行优化具体为对固有流形的异常幅值进行标准化处理,克服了融合结果异常幅值对频域表示的影响。
步骤3-2:根据所述局部信息Vi计算相关矩阵Wi,根据所述相关矩阵Wi构造排列矩阵B:
步骤3-3:对所述排列矩阵B对齐全局坐标得到故障信息U0:
步骤3-3-1:计算排列矩阵B的前d+1个最小特征值(λ1,λ2,…,λd+1)及其对应的特征向量(u1,u2,…,ud+1);
步骤3-3-2:选取第2个至第d+1个最小特征值对应的特征向量构成d维全局坐标U0=[u2,u3,…,ud+1]T,U0为维数约减后的形式,将U0作为故障信息;固有维度d设置过大会产生许多冗余信息,设置过小部分有用信息在进行降维时会被忽略,因此本实施例中取d=3。
步骤4:对所述固有流形进行加权表示,避免了单一融合分量的片面性,使得最终的故障表示包含更丰富的故障特征信息;对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
步骤4-1:对所述固有流形进行加权表示,具体为:
其中,λi为ui所对应的特征值。
步骤4-2:对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
本发明还公开了一种增强稀疏滤波融合电机关键部件微弱故障诊断***,包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块。
所述数据获取模块采集电机关键部件的振动信号,将所述振动信号传送给所述多维故障特征信息融合源构造模块;所述多维故障特征信息融合源构造模块根据所述振动信号构建电机关键部件的初始特征矩阵,结合所述初始特征矩阵和通过不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵,利用范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源,将所述不同输入维度、输出维度对应的多维故障特征信息融合源传送给所述最优多维故障特征信息融合源筛选模块;所述最优多维故障特征信息融合源筛选模块通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源,将所述最优多维故障特征信息融合源传送给所述固有流形提取模块;所述固有流形提取模块使用改进局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形,将所述固有流形传送给所述故障诊断模块;所述故障诊断模块对所述固有流形进行加权表示,对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
本发明通过使用排列熵自适应的选取稀疏滤波的输入维度、输出维度,并利用范数来遴选出故障特征构成多维故障特征信息融合源,克服了经验选取稀疏滤波维度参数引起故障特征提取效果鲁棒性差的缺点,提高故障特征提取效果的鲁棒性。同时,通过改进局部切空间排列算法对融合源进行非线性融合,并在对优化固有流形后进行加权表示,可以使故障信息更丰富,克服了融合结果异常幅值对频域表示的影响以及单一融合分量的片面性,能够有效的得到理想的电机关键部件故障冲击信息,从而更清晰、更准确地提取出电机关键部件的故障特征,实现对电机关键部件的微弱故障诊断。
为了进一步说明本发明的有益效果,本实施例中采集了如图2所示的一组轴承外圈故障振动数据,图2中上半部分是电机关键部件的原始振动信号,下半部分是对原始振动信号进行包络后得到的包络谱。如图3所示,当输入维度、输出维度为40时排列熵值最小,因此选择入维度、输出维度为40时的多维故障特征信息融合源作为最优多维故障特征信息融合源。如图4所示,在近邻点数k为15时最优多维故障特征信息融合源的排列熵值最小,因此将k为15时的固有流形进行加权表示。图5中上半部分是加权表示得到的结果向量R的示意图,图5中下半部分是对R进行包络后得到的包络谱。从图5可以看出,轴承故障冲击的时域波形清晰可辨,故障冲击的特征频率及其的倍频关系也清晰可辨,在此基础上进行的故障诊断就更精确,从而证明了本发明的有益效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种增强稀疏滤波融合电机关键部件微弱故障诊断方法,其特征在于,包括:
步骤1:采集电机关键部件的振动信号,根据所述振动信号构建电机关键部件的初始特征矩阵,结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵,利用范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源;
步骤2:通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源;
步骤3:使用局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形;
步骤4:对所述固有流形进行加权表示,对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
8.根据权利要求7所述的增强稀疏滤波融合电机关键部件微弱故障诊断方法,其特征在于:对所述排列矩阵B对齐全局坐标得到故障信息U0,具体为:
步骤3-3-1:计算排列矩阵B的前d+1个最小特征值(λ1,λ2,…,λd+1)及对应的特征向量(u1,u2,…,ud+1);
步骤3-3-2:选取第2个至第d+1个最小特征值对应的特征向量构成d维全局坐标U0=[u2,u3,…,ud+1]T,将U0作为故障信息。
10.一种增强稀疏滤波融合电机关键部件微弱故障诊断***,其特征在于:包括数据获取模块、多维故障特征信息融合源构造模块、最优多维故障特征信息融合源筛选模块、固有流形提取模块和故障诊断模块,
所述数据获取模块采集电机关键部件的振动信号,将所述振动信号传送给所述多维故障特征信息融合源构造模块;
所述多维故障特征信息融合源构造模块根据所述振动信号构建电机关键部件的初始特征矩阵,结合所述初始特征矩阵和不同输入维度、输出维度的增强稀疏滤波提取最优权重矩阵,使用所述振动信号对所述最优权重矩阵进行解卷积得到故障特征矩阵,利用范数筛选所述故障特征矩阵得到不同输入维度、输出维度对应的多维故障特征信息融合源,将所述不同输入维度、输出维度对应的多维故障特征信息融合源传送给所述最优多维故障特征信息融合源筛选模块;
所述最优多维故障特征信息融合源筛选模块通过排列熵从所述不同输入维度、输出维度所对应的多维故障特征信息融合源中筛选出最优输入维度、输出维度对应的最优多维故障特征信息融合源,将所述最优多维故障特征信息融合源传送给所述固有流形提取模块;
所述固有流形提取模块使用改进局部切空间排列算法提取并优化最优多维故障特征信息融合源内部的固有流形,将所述固有流形传送给所述故障诊断模块;
所述故障诊断模块对所述固有流形进行加权表示,对加权表示结果进行包络分析实现对电机关键部件的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211217731.2A CN115560966B (zh) | 2022-09-30 | 2022-09-30 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211217731.2A CN115560966B (zh) | 2022-09-30 | 2022-09-30 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115560966A true CN115560966A (zh) | 2023-01-03 |
CN115560966B CN115560966B (zh) | 2023-09-15 |
Family
ID=84744690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211217731.2A Active CN115560966B (zh) | 2022-09-30 | 2022-09-30 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115560966B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256932A1 (en) * | 2009-04-02 | 2010-10-07 | Honeywell International Inc. | System and method for gearbox health monitoring |
US20130207810A1 (en) * | 2012-02-13 | 2013-08-15 | Honeywell International Inc. | System and method for blind fault detection for rotating machinery |
CN103533349A (zh) * | 2013-09-26 | 2014-01-22 | 广东电网公司电力科学研究院 | 基于支持向量机的b帧快速帧间预测宏块模式选择方法 |
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 |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN109656662A (zh) * | 2018-12-14 | 2019-04-19 | 浙江财经大学 | 基于聚类相关性的平行坐标轴的可视化排列方法 |
US20190324166A1 (en) * | 2018-03-29 | 2019-10-24 | Sri Venkata Tapovan Lolla | Enhanced Surveillance of Subsurface Operation Integrity Using Neural Network Analysis of Microseismic Data |
CN110770561A (zh) * | 2017-06-12 | 2020-02-07 | 利乐拉瓦尔集团及财务有限公司 | 周期性运动的机器部件的故障预测方法 |
US20200055184A1 (en) * | 2018-08-16 | 2020-02-20 | Hehua Ju | Axis-Invariant based Multi-axis robot kinematics modeling method |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、***、设备以及介质 |
CN114444552A (zh) * | 2022-04-08 | 2022-05-06 | 新黎明科技股份有限公司 | 防爆电机轴承微弱故障诊断方法、介质、电子设备及*** |
CN114608826A (zh) * | 2022-03-16 | 2022-06-10 | 合肥工业大学 | 轴承故障诊断模型的训练方法、诊断方法及诊断装置 |
CN114742115A (zh) * | 2022-06-13 | 2022-07-12 | 西南交通大学 | 基于温振特征融合的滚动轴承故障诊断模型及诊断方法 |
CN115049267A (zh) * | 2022-06-20 | 2022-09-13 | 华电电力科学研究院有限公司 | 一种风电机组数据处理方法、***、设备及计算机介质 |
-
2022
- 2022-09-30 CN CN202211217731.2A patent/CN115560966B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100256932A1 (en) * | 2009-04-02 | 2010-10-07 | Honeywell International Inc. | System and method for gearbox health monitoring |
US20130207810A1 (en) * | 2012-02-13 | 2013-08-15 | Honeywell International Inc. | System and method for blind fault detection for rotating machinery |
CN103533349A (zh) * | 2013-09-26 | 2014-01-22 | 广东电网公司电力科学研究院 | 基于支持向量机的b帧快速帧间预测宏块模式选择方法 |
CN110770561A (zh) * | 2017-06-12 | 2020-02-07 | 利乐拉瓦尔集团及财务有限公司 | 周期性运动的机器部件的故障预测方法 |
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 |
US20190324166A1 (en) * | 2018-03-29 | 2019-10-24 | Sri Venkata Tapovan Lolla | Enhanced Surveillance of Subsurface Operation Integrity Using Neural Network Analysis of Microseismic Data |
US20200055184A1 (en) * | 2018-08-16 | 2020-02-20 | Hehua Ju | Axis-Invariant based Multi-axis robot kinematics modeling method |
CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
CN109656662A (zh) * | 2018-12-14 | 2019-04-19 | 浙江财经大学 | 基于聚类相关性的平行坐标轴的可视化排列方法 |
CN114282571A (zh) * | 2021-10-27 | 2022-04-05 | 河北建投能源投资股份有限公司 | 一种轴承多维健康指标构建方法、***、设备以及介质 |
CN114608826A (zh) * | 2022-03-16 | 2022-06-10 | 合肥工业大学 | 轴承故障诊断模型的训练方法、诊断方法及诊断装置 |
CN114444552A (zh) * | 2022-04-08 | 2022-05-06 | 新黎明科技股份有限公司 | 防爆电机轴承微弱故障诊断方法、介质、电子设备及*** |
CN114742115A (zh) * | 2022-06-13 | 2022-07-12 | 西南交通大学 | 基于温振特征融合的滚动轴承故障诊断模型及诊断方法 |
CN115049267A (zh) * | 2022-06-20 | 2022-09-13 | 华电电力科学研究院有限公司 | 一种风电机组数据处理方法、***、设备及计算机介质 |
Non-Patent Citations (1)
Title |
---|
高杨德: "稀疏优化在旋转机械初始故障诊断中的应用", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 029 - 137 * |
Also Published As
Publication number | Publication date |
---|---|
CN115560966B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN111709292B (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN111458142B (zh) | 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN108877947B (zh) | 基于迭代均值聚类的深度样本学习方法 | |
CN111695611B (zh) | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 | |
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN115688040A (zh) | 一种机械设备故障诊断方法、装置、设备及可读存储介质 | |
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*** | |
CN115859142A (zh) | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN117216681A (zh) | 一种基于SAGAN-IResNet的少样本轴承故障诊断方法、***及存储介质 | |
CN110929761A (zh) | 智能***安全体系态势感知构架中采集样本的平衡方法 | |
CN112182568A (zh) | 基于图卷积网络和主题模型的恶意代码分类 | |
CN114139639A (zh) | 一种基于自步邻域保持嵌入的故障分类方法 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN115560966A (zh) | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和*** | |
CN116222753A (zh) | 一种转子***故障敏感特征提取方法及*** | |
CN113627538B (zh) | 训练非对称生成对抗网络产生图像的方法及电子装置 |
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 |