CN115597868A - 一种基于小波信号处理和深度学习的轴承故障分类方法 - Google Patents
一种基于小波信号处理和深度学习的轴承故障分类方法 Download PDFInfo
- Publication number
- CN115597868A CN115597868A CN202210639235.XA CN202210639235A CN115597868A CN 115597868 A CN115597868 A CN 115597868A CN 202210639235 A CN202210639235 A CN 202210639235A CN 115597868 A CN115597868 A CN 115597868A
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- fault
- frequency
- test
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于小波信号处理和深度学***稳性非线性的问题,可更加快速有效的识别出滚动轴承的不同故障。
Description
技术领域
本发明涉及故障诊断技术领域,主要针对感应电机轴承故障诊断领域,具体涉及一种基于小波信号处理和深度学习的轴承故障分类方法。
背景技术
感应电机(IM)被认为是工业领域中最不可或缺的部件,因为它可以为更大的机械产生高扭矩。设计的稳健性,在运行过程中具有更高的可靠性和效率,最后,整体成本低也使IM成为各行业中最常用的组件。IM由于运行周期长、工作环境恶劣,很容易出现初期故障,对***的可靠性构成潜在威胁。如果初期故障仍未引起注意,它可能会导致***突然崩溃,从而导致高额经济损失,严重时可能会造成人为伤亡。为了避免这种不希望的情况,在初始阶段调查IM的工作状态,检测和防止任何类型的故障发生是最关键的步骤。因此,状态监测将有助于提高机器质量,确保安全的工作环境并降低运营的整体维护成本。
滚动轴承在感应电机中承担重要作用,主要功能是保证、支撑机械旋转体,降低其运动过程中的摩擦和损伤,并保证其回转精度。据研究表明,40%的故障都是由于轴承失效所引起的,因此对感应电机的滚动轴承进行故障监测与诊断至关重要。对此,国内外学者展开了广泛而深入的研究,取得了***的研究成果。振动监测法是用振动信号来检测电机发生故障的一种方法。由于内部故障或安装不当,机体可能产生异常的振动,与正常工作状态不同。电机在不同的故障条件下产生振动,其形式不同,振幅、频谱组成也不一样。因此通过监测和分析电机振动信号,可以有效地检测故障的原因和位置。
基于时域统计分析和傅里叶的频域分析的诊断方法是目前有效的故障检测方法。轴承振动信号呈现非线性非平稳性的特征。为了有效处理非线性非平稳信号,时频分析得到了充分地利用,短时傅里叶变换(STFT,Short-time Fourier transform)被经常应用于此类信号的处理中。
但是上述故障检测方法存在时间积分区间无穷远,使得时间-频率分辨率无法同时满足,不仅故障检测效率较低,并且对故障检测的精度有一定的影响。
发明内容
本发明针对现有技术的不足,提出一种基于小波信号处理和深度学***稳性非线性的问题,可更加快速有效的识别出滚动轴承的不同故障,确定其局部正常或异常,早期发现故障及其原因,从而及时做出相应解决方法。
为了解决上述技术问题,本发明的技术方案为:
一种基于小波信号处理和深度学习的轴承故障分类方法,包括如下步骤:
S1、原始振动信号采集
采集三相感应电动机在8种不同条件下产生的振动信号,其中8中不同条件包括1种健康条件和7种故障条件;
S2、将采集到的原始振动信号先采用希尔伯特变换再进行包络谱来提取故障频率信息;
S3、利用步骤2提取的故障频率信息,采用连续小波变换生成CWT时频图数据集,并按照比例划分为训练集和测试集;
S4、构建卷积神经网路故障诊断模型,利用训练集x-train与训练集标签y-train对卷积神经网络进行训练,并通过测试集x-test与测试集标签y-test完成故障信息分类。
作为优选,7种所述故障条件包括外滚道裂纹、内滚道裂纹、滚子裂纹、内外滚道裂纹、外滚道和滚子裂纹、内滚道和滚子裂纹,最后是内滚道、外滚道和滚子裂纹。
作为优选,所述步骤S2具体方法如下:
S2-1、将采集的原始振动信号f(t)进行Hilbert变换,得到
其中*表示卷积,
希尔伯特变换的复数形式表示为:
S2-2、计算信号包络线
作为优选,包括如下子步骤:
S3-1、将包络线输出env(t)作为输入以数据长度为m个点为一组进行划分得到分段信号envi=1,2,3…N,每种情况下得到N段数据,每张时频图像包含m个数据,i为正整数,代表每种类型下的第i幅图像连续小波变换;
S3-2、利用连续小波变换时频分析方法将分段的信号envi=1,2,3…N转换为初始CWT时频图,每种故障情况N张初始CWT时频图,分段信号envi=1,2,3…N;
S3-3、初始CWT时频图处理得到最终的CWT时频图;
S3-4、生成的CWT时频图数据集按照比例8:2进行划分为训练集和测试集。
作为优选,所述步骤S3-2中小波变换的表达式:
采用morlet小波基函数的表达式
a为比例参数,代表尺度,控制小波函数的伸缩,b为平移参数,控制小波函数的区间,ψ为基函数,ψ*为ψ的共轭复数,通过实现尺度和平移参数,可以产生输入信号的二维投影,这可用于产生原始信号的时频图像,τ是平移量,控制小波函数的平移,x(t)表示随时间变化的原始信号,β表示设置的小波振荡控制参数;
作为优选,所述步骤S3-3中初始CWT时频图的处理方法如下:
S3-3-1、裁剪初始CWT时频图非图像区域,保留包含图像信息区域的CWT时频图,记X表示一个n维列向量,将图像矩阵A(m×n)借助投影矩阵X进行变换,得到投影特征向量Y,
Y=AX
S3-3-2、定义投影特征向量的协方差矩阵SX,E为期望,T为转置;
SX=E(Y-EY)(Y-EY)
S3-3-3、所有图像进行中心化处理,可得图像的协方差矩阵Gt
S3-3-4、根据图像协方差矩阵,可得图像协方差矩阵的特征值λi及对应的特征向量xi;
S3-3-5、将特征向量按其对应特征值大小进行排序;
S3-3-6、根据累积贡献率大于80%时选取CWT时频图主要成分,取前g个特征值对应的特征向量作为特征子空间ω,xk(1≤k≤g)为特征向量
ω=(x1,x2,...xg)
S3-3-7、根据特征向量构建图像特征矩阵进行特征提取,对于图像矩阵A,可得投影特征向量,Yk代表特征向量Xk所对应的投影特征向量,k为特征个数变量
Yk=Axk
根据投影特征向量构建特征矩阵图像B,其中B是一个m×g维矩阵,Y1,Y2,...Yg分别为投影特征向量
B=(Y1,Y2,...Yg)
S3-3-8、将图像映射到特征子空间中ω,结合特征矩阵图像B重建图像,得到最终的CWT时频图。
作为优选,所述步骤S3-4中,训练集标签与训练数据集相一致,测试集标签与测试数据集相一致。
作为优选,所述步骤S4包括如下子步骤:
S4-1、利用生成的最终的CWT时频图构建一个卷积神经网络,对不同类别的图像进行分类,输出层应用softmax函数,最终预测单个图像的分类,其中每个输入图像的大小为128×128×3。每个该层输出yi的数学表达式为:
yi=f(ωixi-1+bi)
f(·)为softmax激活的激活函数
S4-2、将训练集x-train输入至卷积神经网络,对卷积神经网络进行训练,设置相关参数,通过不断训练,优化卷积神经网络参数;
S4-3、将测试集x-test输入至已优化好的卷积神经网络,通过判断测试集数据与测试标签是否一致,从而完成滚动轴承故障分类。
作为优选,所述卷积神经网络包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层,所述全连接层应用于所有堆叠的卷积层和池化层组。
本发明具有以下的特点和有益效果:
采用上述技术方案,对轴承振动信号采用希尔伯特变换进行包络分析,以找出故障频带,这有助于CWT在轴承的每种条件下生成可区分的图像。将处理好的信号转换成CWT时频图,能够同时满足时域和频域特性,有效克服了傅里叶变换全局性的缺点。卷积神经网络利用卷积层自动提取故障特征,实现端到端故障诊断,有效避免主观因素的干扰;本发明所提出的方法适用于感应电机滚动轴承实际工况中,不受限于机械设备所处环境。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1、现实情况下滚动轴承3种不同故障状态下的振动信号时域波形图。
图2、本发明实施例的滚动轴承故障诊断流程示意图。
图3、本发明实施例中希尔伯特变换包络分析幅频图。
图4、本发明生成的CWT时频图像。
图5、本发明实施例中卷积神经网络结构示意图。
图6、本发明实施例中混淆矩阵图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种基于小波信号处理和深度学习的轴承故障分类方法,如图2所示,包括如下步骤:
S1、原始振动信号采集
采集三相感应电动机在8种不同条件下产生的振动信号,其中8中不同条件包括1种健康条件和7种故障条件。
其中,故障条件分别是外滚道裂纹(BCO)、内滚道裂纹(BCI)、滚子裂纹(BCR)、内外滚道裂纹(BCOI)、外滚道和滚子裂纹(BCOR)、内滚道和滚子裂纹(BCIR),最后是内滚道、外滚道和滚子裂纹(BCOIR)。
如图6所示,为8中不同条件的混淆矩阵图。
可以理解的,在实际应用中,本实施例使用三相感应电动机在8种不同条件下(1个健康和7个故障)产生振动信号的实验试验台。在该试验台上,使用振动传感器(型号为-622B01),利用NJ206-E-XL-TVP2型的圆柱形滚子轴承获取振动原始数据。
在数据采集过程中,温度范围、采样率和RPM分别为-30°-120°、25600Hz和1800°。对于故障轴承,引入长度3mm、深度1mm、宽度0.3mm的裂纹,并记录1秒的数据。测得几种主要轴承故障的不同的频率,如图1所示,
Nball表示滚动体个数,fm表示转子频率,Dcage表示滚道节径,Dball表示滚动体直径,β表示轴承接触角。
S2、将采集到的原始振动信号先采用希尔伯特变换再进行包络谱来提取故障频率信息,故障频率信息的幅频图如图3所示。
具体方法如下:
S2-1、将采集的原始振动信号f(t)进行Hilbert变换,得到
其中*表示卷积,
希尔伯特变换的复数形式表示为:
需要说明的是,本实施例中,采集到的原始振动信号存储为.mat格式。利用matlb进行Hilbert变换,并将频率设置为12000,对数据进行emd处理,并将处理得到的信号生成m*n阶矩阵其中m为imf分量,n为数据点。
S2-2、计算信号包络线
可以理解的,计算信号包络线是利用emd_visu函数实现实信号的信号重构及emd结果显示函数。
S3、利用步骤2提取的故障频率信息,采用连续小波变换生成CWT时频图数据集,并按照比例划分为训练集和测试集;
具体的,包括如下子步骤:
S3-1、将包络线输出env(t)作为输入以数据长度为m个点为一组进行划分得到分段信号envi=1,2,3…N,每种情况下得到N段数据,每张时频图像包含m个数据,i为正整数,代表每种类型下的第i幅图像连续小波变换。
S3-2、利用连续小波变换时频分析方法将分段的信号envi=1,2,3…N转换为初始CWT时频图,每种故障情况N张初始CWT时频图,分段信号envi=1,2,3…N;
其中,小波变换的表达式:
a为比例参数,代表尺度,控制小波函数的伸缩,b为平移参数,控制小波函数的区间,ψ为基函数,ψ*为ψ的共轭复数,通过实现尺度和平移参数,可以产生输入信号的二维投影,这可用于产生原始信号的时频图像,τ是平移量,控制小波函数的平移,x(t)表示随时间变化的原始信号,β表示设置的小波振荡控制参数;
c和d分别为膨胀因子和平移因子,表示对基小波进行缩放和平移。
可以理解的,Morlet小波被表示为一个由高斯函数调制的正弦函数,具有零均值和无限的持续时间。虽然持续时间是无限的,但大部分能量位于有限区间,时频域的等方差使小波更容易处理时间和频率局域信息,从而为后期的故障检测的精度奠定了基础。
S3-3、初始CWT时频图处理得到最终的CWT时频图。
进一步的,初始CWT时频图的处理方法如下:
S3-3-1、裁剪初始CWT时频图非图像区域,保留包含图像信息区域的CWT时频图,记X表示一个n维列向量,将图像矩阵A(m×n)借助投影矩阵X进行变换,得到投影特征向量Y,
Y=AX
具体的,本实施例中在裁剪时设置像素点位置,利用img.crop函数裁剪CWT时频图非图像区域,保留包含图像信息区域的CWT时频图
S3-3-2、定义投影特征向量的协方差矩阵SX,E为期望,T为转置;
SX=E(Y-EY)(Y-EY)
S3-3-3、所有图像进行中心化处理,可得图像的协方差矩阵Gt
S3-3-4、根据图像协方差矩阵,可得图像协方差矩阵的特征值λi及对应的特征向量xi;
S3-3-5、将特征向量按其对应特征值大小进行排序;
S3-3-6、根据累积贡献率大于80%时选取CWT时频图主要成分,取前g个特征值对应的特征向量作为特征子空间ω,xk(1≤k≤g)为特征向量
ω=(x1,x2,...xg)
S3-3-7、根据特征向量构建图像特征矩阵进行特征提取,对于图像矩阵A,可得投影特征向量,Yk代表特征向量Xk所对应的投影特征向量,k为特征个数变量
Yk=Axk
根据投影特征向量构建特征矩阵图像B,其中B是一个m×g维矩阵,Y1,Y2,...Yg分别为投影特征向量
B=(Y1,Y2,...Yg)
S3-3-8、将图像映射到特征子空间中ω,结合特征矩阵图像B重建图像,得到最终的CWT时频图,如图4所示。
S3-4、生成的CWT时频图数据集按照比例8:2进行划分为训练集和测试集。其中,训练集标签与训练数据集相一致,测试集标签与测试数据集相一致。
S4、构建卷积神经网路故障诊断模型,利用训练集x-train与训练集标签y-train对卷积神经网络进行训练,并通过测试集x-test与测试集标签y-test完成故障信息分类。
具体的,包括如下子步骤:
S4-1、利用生成的最终的CWT时频图构建一个卷积神经网络,如图5所示,对不同类别的图像进行分类,输出层应用softmax函数,最终预测单个图像的分类,其中每个输入图像的大小为128×128×3。每个该层输出yi的数学表达式为:
yi=f(ωixi-1+bi)
f(·)为softmax激活的激活函数
S4-2、将训练集x-train输入至卷积神经网络,对卷积神经网络进行训练,设置相关参数,通过不断训练,优化卷积神经网络参数;
S4-3、将测试集x-test输入至已优化好的卷积神经网络,通过判断测试集数据与测试标签是否一致,从而完成滚动轴承故障分类。
进一步的,所述卷积神经网络包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层,所述全连接层应用于所有堆叠的卷积层和池化层组,具体的,所述全连接层的每个单元都连接到之间的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层)。
本实施例的检测结果如表1所示,
阵列精确度 | 召回率 | F1指标 | 准确率 | |
Morlet Wavelet | 0.97 | 0.97 | 0.98 | 98.17% |
表1
通过表1可以看出,将处理好的信号转换成CWT时频图,能够同时满足时域和频域特性,有效克服了傅里叶变换全局性的缺点。卷积神经网络利用卷积层自动提取故障特征,实现端到端故障诊断,有效避免主观因素的干扰,大大提高了检测的精度。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式包括部件进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (9)
1.一种基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,包括如下步骤:
S1、原始振动信号采集
采集三相感应电动机在8种不同条件下产生的振动信号,其中8中不同条件包括1种健康条件和7种故障条件;
S2、将采集到的原始振动信号先采用希尔伯特变换再进行包络谱来提取故障频率信息;
S3、利用步骤2提取的故障频率信息,采用连续小波变换生成CWT时频图数据集,并按照比例划分为训练集和测试集;
S4、构建卷积神经网路故障诊断模型,利用训练集x-train与训练集标签y-train对卷积神经网络进行训练,并通过测试集x-test与测试集标签y-test完成故障信息分类。
2.根据权利要求1所述的基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,7种所述故障条件包括外滚道裂纹、内滚道裂纹、滚子裂纹、内外滚道裂纹、外滚道和滚子裂纹、内滚道和滚子裂纹,最后是内滚道、外滚道和滚子裂纹。
4.根据权利要求1所述的基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,包括如下子步骤:
S3-1、将包络线输出env(t)作为输入以数据长度为m个点为一组进行划分得到分段信号envi=1,2,3…N,每种情况下得到N段数据,每张时频图像包含m个数据,i为正整数,代表每种类型下的第i幅图像连续小波变换;
S3-2、利用连续小波变换时频分析方法将分段的信号envi=1,2,3…N转换为初始CWT时频图,每种故障情况N张初始CWT时频图,分段信号envi=1,2,3…N;
S3-3、初始CWT时频图处理得到最终的CWT时频图;
S3-4、生成的CWT时频图数据集按照比例8:2进行划分为训练集和测试集。
6.根据权利要求4所述的基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,所述步骤S3-3中初始CWT时频图的处理方法如下:
S3-3-1、裁剪初始CWT时频图非图像区域,保留包含图像信息区域的CWT时频图,记X表示一个n维列向量,将图像矩阵A(m×n)借助投影矩阵X进行变换,得到投影特征向量Y,
Y=AX
S3-3-2、定义投影特征向量的协方差矩阵SX,E为期望,T为转置;
SX=E(Y-EY)(Y-EY)
S3-3-3、所有图像进行中心化处理,可得图像的协方差矩阵Gt
S3-3-4、根据图像协方差矩阵,可得图像协方差矩阵的特征值λi及对应的特征向量xi;
S3-3-5、将特征向量按其对应特征值大小进行排序;
S3-3-6、根据累积贡献率大于80%时选取CWT时频图主要成分,取前g个特征值对应的特征向量作为特征子空间ω,xk(1≤k≤g)为特征向量
ω=(x1,x2,...xg)
S3-3-7、根据特征向量构建图像特征矩阵进行特征提取,对于图像矩阵A,可得投影特征向量,Yk代表特征向量Xk所对应的投影特征向量,k为特征个数变量
Yk=Axk
根据投影特征向量构建特征矩阵图像B,其中B是一个m×g维矩阵,Y1,Y2,...Yg分别为投影特征向量
B=(Y1,Y2,...Yg)
S3-3-8、将图像映射到特征子空间中ω,结合特征矩阵图像B重建图像,得到最终的CWT时频图。
7.根据权利要求4所述的基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,所述步骤S3-4中,训练集标签与训练数据集相一致,测试集标签与测试数据集相一致。
8.根据权利要求6所述的基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,所述步骤S4包括如下子步骤:
S4-1、利用生成的最终的CWT时频图构建一个卷积神经网络,对不同类别的图像进行分类,输出层应用softmax函数,最终预测单个图像的分类,其中每个输入图像的大小为128×128×3。每个该层输出yi的数学表达式为:
yi=f(ωixi-1+bi)
f(·)为softmax激活的激活函数
S4-2、将训练集x-train输入至卷积神经网络,对卷积神经网络进行训练,设置相关参数,通过不断训练,优化卷积神经网络参数;
S4-3、将测试集x-test输入至已优化好的卷积神经网络,通过判断测试集数据与测试标签是否一致,从而完成滚动轴承故障分类。
9.根据权利要求8所述的基于小波信号处理和深度学习的轴承故障分类方法,其特征在于,所述卷积神经网络包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层和全连接层,所述全连接层应用于所有堆叠的卷积层和池化层组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639235.XA CN115597868A (zh) | 2022-11-24 | 2022-11-24 | 一种基于小波信号处理和深度学习的轴承故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210639235.XA CN115597868A (zh) | 2022-11-24 | 2022-11-24 | 一种基于小波信号处理和深度学习的轴承故障分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115597868A true CN115597868A (zh) | 2023-01-13 |
Family
ID=84841971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210639235.XA Pending CN115597868A (zh) | 2022-11-24 | 2022-11-24 | 一种基于小波信号处理和深度学习的轴承故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115597868A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571321A (zh) * | 2023-11-24 | 2024-02-20 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
-
2022
- 2022-11-24 CN CN202210639235.XA patent/CN115597868A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571321A (zh) * | 2023-11-24 | 2024-02-20 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
CN117571321B (zh) * | 2023-11-24 | 2024-04-30 | 浙江大学 | 轴承故障检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasan et al. | Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Yan et al. | An efficient approach to machine health diagnosis based on harmonic wavelet packet transform | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
Gangsar et al. | Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions | |
Zhang et al. | A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis | |
CN104697767B (zh) | 一种基于振动分析的转子***故障诊断方法及装置 | |
Sun et al. | Pattern recognition for automatic machinery fault diagnosis | |
CN113340598B (zh) | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 | |
CN108106846B (zh) | 一种滚动轴承故障损伤程度识别方法 | |
CN113537328B (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN115597868A (zh) | 一种基于小波信号处理和深度学习的轴承故障分类方法 | |
Lei et al. | Application of a novel hybrid intelligent method to compound fault diagnosis of locomotive roller bearings | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、***、设备及介质 | |
Toma et al. | Comparative analysis of continuous wavelet transforms on vibration signal in bearing fault diagnosis of induction motor | |
Vishwendra et al. | A novel method to classify rolling element bearing faults using K-nearest neighbor machine learning algorithm | |
Zhang et al. | Applying improved multi-scale entropy and support vector machines for bearing health condition identification | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
CN113432874A (zh) | 一种基于2dpca-cwt与cnn的滚动轴承故障诊断方法 | |
Islam et al. | A hybrid feature selection scheme based on local compactness and global separability for improving roller bearing diagnostic performance | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA |
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 |