CN116558828A - 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 - Google Patents
基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 Download PDFInfo
- Publication number
- CN116558828A CN116558828A CN202310833972.8A CN202310833972A CN116558828A CN 116558828 A CN116558828 A CN 116558828A CN 202310833972 A CN202310833972 A CN 202310833972A CN 116558828 A CN116558828 A CN 116558828A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- autocorrelation
- full
- health state
- sparsity
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 114
- 230000036541 health Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (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自相关系数稀疏度特征的滚动轴承健康状态评估方法,包括:利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;对确定长度的自相关系数进行预处理,获得预处理自相关系数;依据预处理自相关系数,确定阈值;依据阈值,确定预处理自相关系数的稀疏度特征指标;根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。通过实验可知,本发明较比传统有效值趋势图更为明显,证明本发明所提特征在轴承健康状态发生变化时反应更为剧烈,状态变化的起始点也更易确定。
Description
技术领域
本发明涉及一种基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,属于信号处理技术领域。
背景技术
滚动轴承作为旋转机械的关键零部件,它的健康状态在很大程度上决定着设备运行的安全。在滚动轴承研究领域,为了对其健康状态进行有效监测,研究人员通常会将信号投影到不同的函数变换空间内,分析信号在变化空间内的变化情况与轴承健康状态的对应关系,评估轴承的健康状态。稀疏度是衡量信号非零元素多少的指标。在信号处理技术领域中,如果能够将信号的稀疏度特征用于评估轴承的健康状态,将是十分有工程意义的研究。因此对于滚动轴承来说,建立一种能够用于衡量滚动轴承健康状态的稀疏度特征指标具有实际研究意义,这也是本发明的目的。
滚动轴承的健康状态评估指标并不唯一,但是如何提取信号在特定变换域内的稀疏度特征指标用于衡量轴承的健康状态,目前并没有深入的研究。
发明内容
本发明提供了一种基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,以用于获得滚动轴承的健康状态评估指标,进而绘制滚动轴承健康状态变化趋势图。
本发明的技术方案是:
根据本发明的一方面,提供了一种基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,包括:Step1、利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;Step2、对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;Step3、用于对确定长度的自相关系数进行预处理,获得预处理自相关系数;Step4、依据预处理自相关系数,确定阈值;Step5、依据阈值,确定每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标;Step6、根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。
所述利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号,包括:依据滚动轴承全寿命振动信号的数据点数,构造N×M维第一矩阵;将N×M维第一矩阵按照第一列至第M列依次填充滚动轴承全寿命振动信号中数据点的绝对值;将N×M维第一矩阵进行竞争处理,获得N×M维第二矩阵;将N×M维第二矩阵展成一维矩阵;将一维矩阵与滚动轴承全寿命振动信号的对应数据点进行乘操作,获得滚动轴承全寿命振动稀疏信号。
所述竞争处理具体为,将第一矩阵中每一列中的数据点进行比较,将最大值对应的数据点置1,其余置0。
所述对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数,具体为:选取xcorr-自相关函数作为滚动轴承全寿命振动稀疏信号的变换空间,将归一化指标确定为无偏估计,获得自相关系数。
依据滚动轴承全寿命振动信号数据点数,确定自相关系数的长度,具体为:从自相关系数数据中心点向两端各取预设点数n,确定自相关系数的长度为2n+1。
所述对确定长度的自相关系数进行预处理,获得预处理自相关系数,具体为:对确定长度的自相关系数进行归一化和置零滤波,获得预处理自相关系数。
依据预处理自相关系数,确定阈值,具体为:取预处理自相关系数均值的1.4倍作为阈值。
所述每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标的确定方式为:将预处理自相关系数中小于阈值的置0,其余不变,统计进行阈值判断后的预处理自相关系数中非零值的个数,将非零值的个数作为稀疏度特征指标。
根据本发明的另一方面,提供了一种基于自相关系数稀疏度特征的滚动轴承健康状态评估***,包括:第一获得模块,用于利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;第二获得模块,用于对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;第三获得模块,用于对确定长度的自相关系数进行预处理,获得预处理自相关系数;第一确定模块,依据预处理自相关系数,确定阈值;第二确定模块,依据阈值,确定每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标;绘制模块,用于根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法。
本发明的有益效果是:针对滚动轴承全寿命振动信号,本发明通过竞争处理增强原始的稀疏性,然后在自相关函数的变换空间内对滚动轴承振动信号的稀疏度特征进行度量提取每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标,进而绘制出的滚动轴承健康状态变化趋势图。通过实验可知,较比传统有效值趋势图更为明显,证明本发明所提特征在轴承健康状态发生变化时反应更为剧烈,状态变化的起始点也更易确定。
附图说明
图1为本发明的算法流程图;
图2为本发明中选取不同矩阵维度N进行竞争处理,得出的自相关系数稀疏度特征变化趋势对比图;
图3为本发明中正常滚动轴承振动信号和故障轴承振动信号的自相关系数对比图;
图4为本发明中稀疏度特征变化趋势与滚动轴承全寿命振动信号的有效值变化趋势对比图;
图5为本发明中滚动轴承健康状态阶段的划分图。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
实施例1:如图1-5所示,根据本发明实施例的一方面,提供了一种基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,包括:Step1、利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;Step2、对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;Step3、用于对确定长度的自相关系数进行预处理,获得预处理自相关系数;Step4、依据预处理自相关系数,确定阈值;Step5、依据阈值,确定每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标;Step6、根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。
进一步地,所述利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号,包括:依据滚动轴承全寿命振动信号的数据点数,构造N×M维第一矩阵;将N×M维第一矩阵按照第一列至第M列依次填充滚动轴承全寿命振动信号中数据点的绝对值;将N×M维第一矩阵进行竞争处理,获得N×M维第二矩阵;将N×M维第二矩阵展成一维矩阵;将一维矩阵与滚动轴承全寿命振动信号的对应数据点进行乘操作,获得滚动轴承全寿命振动稀疏信号。
进一步地,所述竞争处理具体为,将第一矩阵中每一列中的数据点进行比较,将最大值对应的数据点置1,其余置0。
单条滚动轴承全寿命振动信号为时间序列信号,将滚动轴承全寿命振动信号中数据点填充至矩阵中时,依据时间顺序按照第一列至第M列填充至N×M维第一矩阵中;需要说明的是,如果滚动轴承全寿命振动信号的数据点数为非N的整数倍,则构建的矩阵列维数为数据点数与N向下取整的商值(如滚动轴承全寿命振动信号共计20480点,N取值为3,则M取值为6826)。
具体而言,在本发明实施例中,设置N取值为3,即每3个数据点进行一次竞争,选用3个数据点进行一次竞争处理优势在于:一方面经过竞争处理后,在不丢失相位信息的前提下,增加了信号的稀疏性,采用3个数据点进行竞争处理已经确保了数据稀疏性达到了66.7%,增强了信号的特征信息;另一方面,如图2所示,可以明显看出,3个数据点的竞争处理后稀疏特征变化趋势较4个和5个数据点更为明显(更为明显的是从图2直接观察,当N=3时,退化开始之后(530之后),稀疏度特征下降得更快),表明稀疏度特征波动大,对故障变化更敏感。需要说明的是,图2中的N表示步骤1中所提的NⅹM的矩阵中的N;n表示的是第n条滚动轴承全寿命振动信号;图2的处理为前n条信号稀疏度特征均值处理得出稀疏度特征变化趋势后,将数据进行前n条信号稀疏度特征均值处理,本申请假设特征数量n大于5,按照以下公式进行计算:
其中,为前个稀疏度特征集;第一个值相当于前五个稀疏度特征的均值:;第二个值相当于前五个稀疏度特征的均值:;以此类推至
第-5个值相当于前五个稀疏度特征的均值:;如取984时,则;稀疏度特征经过稀疏度特征均值处理后,将历史的
稀疏度特征综合起来反应轴承的退化情况。
进一步地,选取xcorr-自相关函数作为滚动轴承全寿命振动稀疏信号的变换空间,将归一化指标确定为无偏估计,获得自相关系数;如图3所示为轴承健康状态(第100条)和不健康状态(第680条)的自相关系数对比图,由图可知当轴承出现故障时,自相关系数的数据波动明显提升,因此自相关系数对故障的敏感较好。
自相关函数的数学表达式:;其中,为滚动轴承振动信号,为时间超前或滞。
进一步地,所述用于对确定长度的自相关系数进行预处理,获得预处理自相关系数,包括:依据滚动轴承全寿命振动信号数据点数,确定自相关系数的长度;对确定长度的自相关系数进行归一化和置零滤波,获得预处理自相关系数。
进一步地,所述依据滚动轴承全寿命振动信号数据点数,确定自相关系数的长度,具体为:从自相关系数数据中心点向两端各取预设点数n,确定自相关系数的长度为2n+1。
进一步地,依据预处理自相关系数,确定阈值,具体为:取预处理自相关系数均值的1.4倍作为阈值。
自相关系数的长度的选取主要依据于滚动轴承全寿命振动信号总数据点数,自相关处理后,数据长度翻倍,且其对故障敏感的程度从数据中心向两端递减。因此根据每条滚动轴承全寿命振动信号总数据点数为20480,确定自相关系数的长度为20001个数据点,数据构成为从数据中心点向两端各取10000个点。然后再对20001个自相关系数进行归一化处理(采用自相关系数的绝对值的最大值作为除数,即对信号的自相关系数除以自相关系数的绝对值的最大值);接着对其进行置零滤波,即将幅值小于0的自相关系数过滤。最后取其均值的1.4倍作为阈值。阈值的选取主要源于实际的实验结论。如表1所示,当阈值为均值的1.4倍时优于其他阈值。
进一步地,所述每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标的确定方式为:将预处理自相关系数中小于阈值的置0,其余不变,统计进行阈值判断后的预处理自相关系数中非零值的个数,将非零值的个数作为稀疏度特征指标。
根据本发明实施例的另一方面,提供了一种基于自相关系数稀疏度特征的滚动轴承健康状态评估***,包括:第一获得模块,用于利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;第二获得模块,用于对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;第三获得模块,用于对确定长度的自相关系数进行预处理,获得预处理自相关系数;第一确定模块,依据预处理自相关系数,确定阈值;第二确定模块,依据阈值,确定每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标;绘制模块,用于根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。
根据本发明实施例的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法。
进一步地,给合实验数据说明如下:
本实施例使用幸幸那提大学滚动轴承全寿命振动数据。本份全寿命数据一共包含984条原始数据,每条数据共有20480个数据点,采样频率为20kHz,数据中包含了轴承从健康状态到劣化状态最终报废的三个阶段。
将本发明方法得到的自相关系数稀疏度特征的变化趋势与有效值变化趋势求取负相关系数,以证明本发明方法的可靠性。由表1可知,二者负相关性达97%以上,说明本发明方法可靠较强。然后对比二者的变化趋势情况,如图4可知本发明方法对早期故障的敏感程度优于有效值。最后对自相关系数的稀疏度变化趋势进行分析,如图5所示,可将轴承健康状态划分为正常、劣化、报废三个阶段,并由此判断轴承健康状态。
表1
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,包括:
Step1、利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;
Step2、对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;
Step3、对确定长度的自相关系数进行预处理,获得预处理自相关系数;
Step4、依据预处理自相关系数,确定阈值;
Step5、依据阈值,确定每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标;
Step6、根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。
2.根据权利要求1所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,所述利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号,包括:
依据滚动轴承全寿命振动信号的数据点数,构造N×M维第一矩阵;将N×M维第一矩阵按照第一列至第M列依次填充滚动轴承全寿命振动信号中数据点的绝对值;
将N×M维第一矩阵进行竞争处理,获得N×M维第二矩阵;
将N×M维第二矩阵展成一维矩阵;
将一维矩阵与滚动轴承全寿命振动信号的对应数据点进行乘操作,获得滚动轴承全寿命振动稀疏信号。
3.根据权利要求2所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,所述竞争处理具体为,将第一矩阵中每一列中的数据点进行比较,将最大值对应的数据点置1,其余置0。
4.根据权利要求1所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,所述对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数,具体为:选取xcorr-自相关函数作为滚动轴承全寿命振动稀疏信号的变换空间,将归一化指标确定为无偏估计,获得自相关系数。
5.根据权利要求1所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,依据滚动轴承全寿命振动信号数据点数,确定自相关系数的长度,具体为:从自相关系数数据中心点向两端各取预设点数n,确定自相关系数的长度为2n+1。
6.根据权利要求1所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,所述对确定长度的自相关系数进行预处理,获得预处理自相关系数,具体为:对确定长度的自相关系数进行归一化和置零滤波,获得预处理自相关系数。
7.根据权利要求1所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,依据预处理自相关系数,确定阈值,具体为:取预处理自相关系数均值的1.4倍作为阈值。
8.根据权利要求1所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法,其特征在于,所述每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标的确定方式为:将预处理自相关系数中小于阈值的置0,其余不变,统计进行阈值判断后的预处理自相关系数中非零值的个数,将非零值的个数作为稀疏度特征指标。
9.一种基于信号自相关系数稀疏度特征的滚动轴承健康状态评估***,其特征在于,包括:
第一获得模块,用于利用竞争函数对滚动轴承全寿命振动信号进行稀疏,获得滚动轴承全寿命振动稀疏信号;
第二获得模块,用于对滚动轴承全寿命振动稀疏信号进行自相关处理,获得自相关系数;
第三获得模块,用于对确定长度的自相关系数进行预处理,获得预处理自相关系数;
第一确定模块,依据预处理自相关系数,确定阈值;
第二确定模块,依据阈值,确定每条滚动轴承全寿命振动信号的预处理自相关系数的稀疏度特征指标;
绘制模块,用于根据每条滚动轴承全寿命振动信号的稀疏度特征指标,按照时间序列的方式,绘制滚动轴承健康状态变化趋势图。
10.一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其特征在于,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-8中任意一项所述的基于自相关系数稀疏度特征的滚动轴承健康状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833972.8A CN116558828B (zh) | 2023-07-10 | 2023-07-10 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833972.8A CN116558828B (zh) | 2023-07-10 | 2023-07-10 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116558828A true CN116558828A (zh) | 2023-08-08 |
CN116558828B CN116558828B (zh) | 2023-09-15 |
Family
ID=87486542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310833972.8A Active CN116558828B (zh) | 2023-07-10 | 2023-07-10 | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116558828B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006118869A (ja) * | 2004-10-19 | 2006-05-11 | Nsk Ltd | 転がり軸受の欠陥検出装置および転がり軸受の欠陥検出方法 |
CN104933013A (zh) * | 2015-06-17 | 2015-09-23 | 昆明理工大学 | 一种用于衡量信号稀疏性的稀疏度量方法 |
CN106324558A (zh) * | 2016-08-30 | 2017-01-11 | 东北大学秦皇岛分校 | 基于互质阵列的宽带信号doa估计方法 |
CN107356431A (zh) * | 2017-07-11 | 2017-11-17 | 华南理工大学 | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 |
CN108388692A (zh) * | 2018-01-17 | 2018-08-10 | 西安交通大学 | 基于分层稀疏编码的滚动轴承故障特征提取方法 |
WO2019026980A1 (ja) * | 2017-08-04 | 2019-02-07 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111382792A (zh) * | 2020-03-09 | 2020-07-07 | 兰州理工大学 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
CN113295420A (zh) * | 2021-06-10 | 2021-08-24 | 燕山大学 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及*** |
CN113822193A (zh) * | 2021-09-18 | 2021-12-21 | 成都运达科技股份有限公司 | 一种基于窄带增强包络谱的滚动轴承故障诊断方法及*** |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及*** |
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
CN115034137A (zh) * | 2022-06-17 | 2022-09-09 | 河南工业大学 | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
CN115597879A (zh) * | 2022-08-16 | 2023-01-13 | 北京化工大学(Cn) | 一种数据驱动的柴油机振动信号中故障信息定位识别方法 |
CN115901249A (zh) * | 2022-11-07 | 2023-04-04 | 昆明理工大学 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
LU502454B1 (en) * | 2022-07-01 | 2023-06-13 | Univ Yangtze | A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition |
CN116337449A (zh) * | 2023-03-24 | 2023-06-27 | 昆明理工大学 | 一种基于信息融合的稀疏自编码故障诊断方法、*** |
-
2023
- 2023-07-10 CN CN202310833972.8A patent/CN116558828B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006118869A (ja) * | 2004-10-19 | 2006-05-11 | Nsk Ltd | 転がり軸受の欠陥検出装置および転がり軸受の欠陥検出方法 |
CN104933013A (zh) * | 2015-06-17 | 2015-09-23 | 昆明理工大学 | 一种用于衡量信号稀疏性的稀疏度量方法 |
CN106324558A (zh) * | 2016-08-30 | 2017-01-11 | 东北大学秦皇岛分校 | 基于互质阵列的宽带信号doa估计方法 |
CN107356431A (zh) * | 2017-07-11 | 2017-11-17 | 华南理工大学 | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 |
WO2019026980A1 (ja) * | 2017-08-04 | 2019-02-07 | 新日鐵住金株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN108388692A (zh) * | 2018-01-17 | 2018-08-10 | 西安交通大学 | 基于分层稀疏编码的滚动轴承故障特征提取方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111382792A (zh) * | 2020-03-09 | 2020-07-07 | 兰州理工大学 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
WO2022077901A1 (zh) * | 2020-10-13 | 2022-04-21 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及*** |
CN113295420A (zh) * | 2021-06-10 | 2021-08-24 | 燕山大学 | 基于周期指导组稀疏模型的滚动轴承故障诊断方法及*** |
CN113822193A (zh) * | 2021-09-18 | 2021-12-21 | 成都运达科技股份有限公司 | 一种基于窄带增强包络谱的滚动轴承故障诊断方法及*** |
CN114705432A (zh) * | 2022-06-06 | 2022-07-05 | 新黎明科技股份有限公司 | 防爆电机轴承健康状态评估方法及*** |
CN115034137A (zh) * | 2022-06-17 | 2022-09-09 | 河南工业大学 | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 |
LU502454B1 (en) * | 2022-07-01 | 2023-06-13 | Univ Yangtze | A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition |
CN115597879A (zh) * | 2022-08-16 | 2023-01-13 | 北京化工大学(Cn) | 一种数据驱动的柴油机振动信号中故障信息定位识别方法 |
CN115901249A (zh) * | 2022-11-07 | 2023-04-04 | 昆明理工大学 | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 |
CN116337449A (zh) * | 2023-03-24 | 2023-06-27 | 昆明理工大学 | 一种基于信息融合的稀疏自编码故障诊断方法、*** |
Non-Patent Citations (8)
Title |
---|
HUANG, WY等: "Rolling Bearing Performance Degradation Assessment Based on Convolutional Sparse Combination Learning", IEEE ACCESS, vol. 7, pages 17834 - 17846, XP011709204, DOI: 10.1109/ACCESS.2019.2893277 * |
SAN MARTIN, G等: "Deep variational auto-encoders: A promising tool for dimensionality reduction and ball bearing elements fault diagnosis", STRUCTURAL HEALTH MONITORING-AN INTERNATIONAL JOURNAL, vol. 18, no. 4, pages 1092 - 1128 * |
YAOCHUN HOU等: "Acoustic feature enhancement in rolling bearing fault diagnosis using sparsity-oriented multipoint optimal minimum entropy deconvolution adjusted method", APPLIED ACOUSTICS, vol. 201, pages 1 - 24 * |
孟宗;石颖;潘作舟;陈子君;: "自适应分块前向后向分段正交匹配追踪在重构滚动轴承故障信号中应用", 机械工程学报, no. 09, pages 105 - 115 * |
崔奔 等: "一种滚动轴承故障状态诊断方法", 电子测量技术, vol. 46, no. 07, pages 60 - 66 * |
彭伟: "基于故障诊断与可靠性分析的机械***预防维修研究", 中国博士学位论文全文数据库工程科技Ⅱ辑, no. 07, pages 029 - 16 * |
*** 等: "基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法", 电力***保护与控制, vol. 50, no. 10, pages 1 - 10 * |
王宝祥;潘宏侠;杨卫;: "滚动轴承的状态监测与性能退化评估", 中国工程机械学报, no. 01, pages 76 - 80 * |
Also Published As
Publication number | Publication date |
---|---|
CN116558828B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | An improved VMD with empirical mode decomposition and its application in incipient fault detection of rolling bearing | |
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
CN111307438B (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其*** | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN105115594A (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
CN111414893B (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
CN113865867B (zh) | 一种基于幅值特性奇异值分解的轴承故障诊断方法 | |
CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
Liu et al. | Research on fault diagnosis of planetary gearbox based on variable multi-scale morphological filtering and improved symbol dynamic entropy | |
CN116558828B (zh) | 基于自相关系数稀疏度特征的滚动轴承健康状态评估方法 | |
Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
CN113051092A (zh) | 一种基于优化核密度估计和js散度的故障诊断方法 | |
TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
CN104156339B (zh) | 一种利用二次排列熵识别周期微弱脉冲信号的方法 | |
Yan et al. | Mutual Information‐Assisted Wavelet Function Selection for Enhanced Rolling Bearing Fault Diagnosis | |
Hu et al. | A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition | |
CN116086807A (zh) | 一种用于滚动轴承的故障判断方法和相关产品 | |
Chen et al. | Application of EMD-AR and MTS for hydraulic pump fault diagnosis | |
Shu et al. | A Comprehensive working condition identification scheme for rolling bearings based on modified CEEMDAN as well as modified hierarchical amplitude-aware permutation entropy | |
Jeong et al. | Enhanced DET‐Based Fault Signature Analysis for Reliable Diagnosis of Single and Multiple‐Combined Bearing Defects | |
CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 | |
Zhang et al. | State assessment of rolling bearings based on the multiscale bubble entropy | |
Liu et al. | Fault diagnosis of rolling bearing based on permutation entropy optimized maximum correlation kurtosis deconvolution | |
CN114021275A (zh) | 一种基于深度卷积模糊***的滚动轴承故障诊断方法 |
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 |