CN116625688A - 基于多层降噪和自编码器的滚动轴承健康监测方法 - Google Patents

基于多层降噪和自编码器的滚动轴承健康监测方法 Download PDF

Info

Publication number
CN116625688A
CN116625688A CN202310592153.9A CN202310592153A CN116625688A CN 116625688 A CN116625688 A CN 116625688A CN 202310592153 A CN202310592153 A CN 202310592153A CN 116625688 A CN116625688 A CN 116625688A
Authority
CN
China
Prior art keywords
noise reduction
rolling bearing
encoder
health
self
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
Application number
CN202310592153.9A
Other languages
English (en)
Inventor
马新娜
栾浩楠
刘勤清
郑雪鹏
汤宇
梁秀
胡畅霞
李沂阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202310592153.9A priority Critical patent/CN116625688A/zh
Publication of CN116625688A publication Critical patent/CN116625688A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • G06F2218/04—Denoising
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于多层降噪和自编码器的滚动轴承健康监测方法，包括如下步骤：将滚动轴承的原始振动信号进行LMD分解、小波阈值降噪和SVD分解处理，将处理后的信号重构得到降噪信号；使用自编码器编码、解码的特性获取降噪信号的表征特征，编码器和解码器均由LSTM网络和全连接层实现；选出表征特征中的有效特征，然后综合评价其鲁棒性、预测性和相关性，筛选出综合性能最好的特征作为健康指标；将得到的健康指标输入到LSTM网络中，通过LSTM网络得到可以反映出轴承健康状态的预测值。所述方法能够得到滚动轴承的健康状态，并能够提高预测的准确性。

Description

基于多层降噪和自编码器的滚动轴承健康监测方法
技术领域
本发明涉及轴承故障诊断技术领域，尤其涉及一种基于多层降噪和自编码器的滚动轴承健康监测方法。
背景技术
滚动轴承在机械设备中应用广泛，在实际运行当中，由于不同工况和环境影响，采集到的振动信号中往往包含高强度的噪声信号，这对于从振动信号中提取表征特征来对滚动轴承的健康状态进行评估会产生很大的不良影响。因此，研究强噪声背景下振动信号特征提取及预测对滚动轴承有效运行有着重大意义。
对原始振动信号进行降噪处理可以消除数据中大量的环境噪音和冗余信息，提高数据质量，进而提高健康指标的表征能力，增加预测准确性。良好的去噪效果对于信号分析有着很大的帮助，并且在很大程度上提升模型性能。如朱等人利用一种固有时间尺度分析和多点最有调整的最小熵解卷积相结合的方法，对原始振动信号进行降噪处理，并在滚动轴承故障诊断中取得了较好的效果。张等人采用一种自适应稀疏分解方法提取瞬态冲击信号，以消除振动信号中高幅值干扰冲击和背景噪声的影响。罗等人提出一种改进VMD和多点最有最小熵解卷积的自适应滚动轴承联合降噪方法对振动数据进行降噪，从振动信号中提取到了较好的表征特征。但是现有技术中的方法一般预测的准确性较低，无法正确的评估滚动轴承的健康状态。
发明内容
本发明所要解决的技术问题是如何提供一种预测准确率高的基于多层降噪和自编码器的滚动轴承健康监测方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于多层降噪和自编码器的滚动轴承健康监测方法，其特征在于包括如下步骤：
数据降噪：将滚动轴承的原始振动信号进行LMD分解、小波阈值降噪和SVD分解处理，将处理后的信号重构得到降噪信号；
归一化：使用最大-最小归一化将降噪信号的数值转换到[0,1]的范围内；
特征提取：使用自编码器编码、解码的特性获取降噪信号的表征特征，编码器和解码器均由LSTM网络和全连接层实现；
特征筛选：选出表征特征中的有效特征，然后综合评价其鲁棒性、预测性和相关性，筛选出综合性能最好的特征作为健康指标；
健康状态评估：将得到的健康指标输入到LSTM网络中，通过LSTM网络得到可以反映出轴承健康状态的预测值。
进一步的技术方案在于，所述数据降噪的步骤具体包括如下步骤：
输入振动信号的原始数据进行LMD分解，得到多个PF分量；
计算每个PF分量与原始数据的相关系数，根据相关系数，对PF分量进行筛选，通过相关系数的大小将PF分量分为有效PF分量和其他PF分量，相关系数的计算公式如下：
其中：Ci表示第i个相关系数，n表示输入数据和PF分量的长度，x(j)表示输入数据的第j个值，表示输入数据的平均值，PFi(j)表示第i个PF分量中的第j个值，/>表示第i个PF分量的平均值；
将筛选出来的有效PF分量分别进行小波阈值降噪，并将降噪结构进行重构；
将上述步骤处理后的结果进行SVD分解，获得重构信号；
将重构信号与其他PF分量相加融合，获得最终的降噪数据。
进一步的技术方案在于，健康指标的获取包括如下步骤：
对于特征序列F＝[f(t1),f(t2),f(t3)......f(tN)]和时间序列T＝[t1,t2,t3......tN]，其中N为序列总长度，对于相关性Corr(F,T)、预测性Pre(F)、鲁棒性Rob(F)的计算公式为：
用以上三个指标评价提取出的多维度的特征，为每个指标赋予一定的权重，得到每个维度上的特征的总和评价得分score如式(5)所示，选取其中的分最高的一个特征作为滚动轴承的健康指标：
Score＝0.35×Corr(F，T)+0.4×Pre(F)+0.25×Rob(F) (5)；
其中，Corr(F,T)表示特征序列与时间序列的相关性，Pre(F)表示特征序列的预测性；Rob(F)表示特征序列的鲁棒性。
采用上述技术方案所产生的有益效果在于：本申请所述方法首先使用基于LMD、WTD、SVD的多层联合降噪方法对振动信号原始数据进行预处理，使用基于LSTM的自编码器网络从处理后的数据提取并筛选出滚动轴承的表征特征作为健康指标，然后将健康指标输入到预测模型得到滚动轴承的健康状态，所述方法通过上述步骤处理能够提高预测的准确性。使用公开数据集对本方法进行验证，并通过与原始振动信号作为输入以及其他模型进行对比，验证了本方法的有效性。
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是本发明实施例所述方法的流程图；
图2是本发明实施例所述方法中多层联合降噪的原理框图；
图3是本发明实施例所述方法中特征提取过程图；
图4是本发明实施例中数据降噪前后对比图；
图5是本发明实施例中第37维特征图；
图6是本发明实施例中Bearing1_6的训练结果图；
图7是本发明实施例中LOSS下降曲线图；
图8是本发明实施例中方法一预测结果；
图9是本发明实施例中方法二预测结果。
具体实施方式
下面结合本发明实施例中的附图，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的一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
总体的，如图1所示，本发明实施例公开了一种基于多层降噪和自编码器的滚动轴承健康监测方法，所述方法为减少在滚动轴承健康状态监测中，外部环境的影响，搭建了一个基于LMD、小波阈值降噪和SVD的多层联合降噪模块，用以减少振动信号的噪声信息，充分利用有效信息。为充分利用LSTM网络和自编码器对于处理时间序列和提取数据表征特征的优势，搭建了基于LSTM网络的自编码器模块来提取滚动轴承的表征特征。然后综合评价提取的表征特征，使用评价指数最高的特征作为滚动轴承的健康指标，输入到LSTM模型中预测滚动轴承的性能退化程度。所述方法具体包括如下步骤：
1)数据降噪：将原始振动信号LMD分解、小波阈值降噪和SVD分解进行数据降噪，将降噪后的信号重构得到降噪信号。
2)归一化：使用最大-最小归一化将降噪信号的数值转换到[0,1]的范围内，用于可以提高预测精度。
3)特征提取：使用自编码器编码、解码的特性获取降噪信号的表征特征。编码器和解码器均由LSTM网络和全连接层实现，得到100维的隐层特征。
4)特征筛选：选出表征特征中的有效特征，然后综合评价其鲁棒性、预测性和相关性，筛选出综合性能最好的特征作为健康指标。
5)健康状态评估：将步骤4)中得到的健康指标输入到LSTM网络中，通过LSTM网络得到可以反映出轴承健康状态的预测值
多层联合降噪
由于环境噪声的影响，振动信号具有非线性、非平稳以及多源振动耦合的特点。消除环境噪声的影响对于我们分析振动信号，提取有效特征，提高预测精度具有重要意义。
LMD具有优秀的非平稳信号处理能力。在将非平稳信号分解成若干PF分量的同时，有效解决了经验模态分解算法的过包络、欠包络的问题。WTD可以从一组数据或者信号中取出噪声转化为在数据中找到最佳阈值，从而抑制噪声干扰。SVD方法能够有效地去除噪声和杂波等干扰信号，同时保留信号中的有用信息，提高信号处理的准确性和可靠性。
结合LMD、WTD以及SVD在提取信号周期成分和滤除随机噪声上的优良特性，提出一种多层联合降噪方案，其降噪结构如图2所示：
具体的降噪流程为：
1)输入振动信号的原始数据进行LMD分解，得到多个PF分量；
2)计算每个PF分量与原始数据的相关系数，根据相关系数，对PF分量进行筛选，通过相关系数的大小将PF分量分为有效PF分量和其他PF分量，相关系数的计算公式如下：
其中，Ci表示第i个相关系数，n表示输入数据和PF分量的长度，x(j)表示输入数据的第j个值，表示输入数据的平均值，PFi(j)表示第i个PF分量中的第j个值，/>表示第i个PF分量的平均值。
3)将筛选出来的有效PF分量分别进行小波阈值降噪，并将降噪结构进行重构；
4)将步骤3)处理后的结果进行SVD分解，获得重构信号；
5)将重构信号与其他PF分量相加融合，获得最终的降噪数据。
特征提取及评价
LSTM网络通过其门控机制，能够很好的挖掘时序序列不同时刻数据之间的关系信息，具备良好的时间序列处理能力，可以挖掘出有效的时序特征。自编码器通过编码、解码的过程，迫使模型学习低维特征对原始数据进行表征。结合LSTM和自编码其的优点，构建了一个基于LSTM网络的自编码器用于提取轴承振动信号的时序特征。在更好的处理振动信号的时间依赖关系的同时，提高了编码器提取表征振动信号的能力，克服梯度***和梯度消失的问题。
如图3所示，自编码器由LSTM网络和全连接网络构成。降噪后的振动信号进行先归一化处理，使用最大-最小归一化将降噪信号数值转换到[0,1]的范围内，用以提高训练精度，然后输入到自编码器中，通过LSTM网络提取时序序列的表征特征，通过全连接层将其综合起来，得到可以表征输入数据的隐层特征，然后再将隐层特征输入到解码器中，经过全连接网络和LSTM网络的逆向从操作，获得与输入信号相似的数据。不对模型训练的过程中，将隐层特征提取出来，作为滚动轴承的表征特征。
滚动轴承的退化过程是一个时序过程，合适的特征参数可以作为健康指标很好地描述滚动轴承的退化过程。相关性、预测性和鲁棒性是三个用来评价特征参数表征能力大小的关键指标。其中，相关性用来评估特征参数与时序振动序列的相关程度；单调性用来描述特征序列持续增加或者降低的趋势变化；鲁棒性用来反映特征信号的抗干扰或者抗噪能力。
对于特征序列F＝[f(t1),f(t2),f(t3)......f(tN)]和时间序列T＝[t1,t2,t3......tN]，其中N为序列总长度，对于相关性Corr(F,T)、预测性Pre(F)、鲁棒性Rob(F)的计算公式为：
用以上三个指标评价提取出的多维度的特征，为每个指标赋予一定的权重，得到每个维度上的特征的总和评价得分score如式(5)所示，选取其中的分最高的一个特征作为滚动轴承的健康指标：
Score＝0.35×Corr(F，T)+0.4×Pre(F)+0.25×Rob(F) (5)；
其中，Corr(F,T)表示特征序列与时间序列的相关性，Pre(F)表示特征序列的预测性；Rob(F)表示特征序列的鲁棒性。
实验验证结果及分析
数据集划分：
本章实验采用从PRONOSTIA平台获取的PHM2014轴承数据集下运行条件为工况1的数据集。具体情况见章节3.3.1。工况1条件下共有7个从运行到失效的滚动轴承全寿命数据。在实验中，将前6个滚动轴承的全寿命数据最为训练接，第7个轴承数据最为测试集。数据集划分如表1所示。
表1数据集划分情况
实验验证结果及分析
首先将原始振动信号通过多层联合降噪模块进行预处理。部分数据降噪前后对比如图4所示，噪声得到了明显的抑制。降噪后的数据相对于原始数据来说更加平滑，并且由于噪声导致的过大的幅值也有一定程度的下降。
然后将降噪后的振动数据通过前述方法提出的基于LSTM的自编码器网络，经过编码、解码的过程，提取出振动数据的表征特征。在实验中，共提取了100个维度的特征，其中有效特征共50维。利用前述评价指标对各个维度的特征进行评价。得到综合评分最高的特征为第37个维度的特征，如图5所示。故将第37个维度的特征作为健康指标输入到预测模型中进行的滚动轴承健康状态监测。
使用LSTM网络作为轴承健康状态的预测模型，在训练预测模型时，训练轮数epochs为50，优化器维Adam，损失函数设置为均方误差损失函数，训练结果如图6、图7所示。
使用RMSE和MAE作为模型的评价指标，为验证实验的有效性和优越性，将申请所述方法与不含降噪模块的方法进行对比，预测结果如图7和图8所示，价指标如表2所示。可知，对滚动轴承振动信号做降噪处理后，得到的预测结果在两个评价指标中都优于原始振动信号的预测结果。
表2评价指标结果
综上，本申请所述方法首先使用基于LMD、WTD、SVD的多层联合降噪方法对振动信号原始数据进行预处理，使用基于LSTM的自编码器网络从处理后的数据提取并筛选出滚动轴承的表征特征作为健康指标，然后将健康指标输入到预测模型得到滚动轴承的健康状态，所述方法通过上述步骤处理能够提高预测的准确性。使用公开数据集对本方法进行验证，并通过与原始振动信号作为输入以及其他模型进行对比，验证了本方法的有效性。

Claims (3)

1.一种基于多层降噪和自编码器的滚动轴承健康监测方法，其特征在于包括如下步骤：
数据降噪：将滚动轴承的原始振动信号进行LMD分解、小波阈值降噪和SVD分解处理，将处理后的信号重构得到降噪信号；
归一化：使用最大-最小归一化将降噪信号的数值转换到[0,1]的范围内；
特征提取：使用自编码器编码、解码的特性获取降噪信号的表征特征，编码器和解码器均由LSTM网络和全连接层实现；
特征筛选：选出表征特征中的有效特征，然后综合评价其鲁棒性、预测性和相关性，筛选出综合性能最好的特征作为健康指标；
健康状态评估：将得到的健康指标输入到LSTM网络中，通过LSTM网络得到可以反映出轴承健康状态的预测值。
2.如权利要求1所述的基于多层降噪和自编码器的滚动轴承健康监测方法，其特征在于所述数据降噪的步骤具体包括如下步骤：
输入振动信号的原始数据进行LMD分解，得到多个PF分量；
计算每个PF分量与原始数据的相关系数，根据相关系数，对PF分量进行筛选，通过相关系数的大小将PF分量分为有效PF分量和其他PF分量，相关系数的计算公式如下：
其中：Ci表示第i个相关系数，n表示输入数据和PF分量的长度，x(j)表示输入数据的第j个值，表示输入数据的平均值，PFi(j)表示第i个PF分量中的第j个值，/>表示第i个PF分量的平均值；
将筛选出来的有效PF分量分别进行小波阈值降噪，并将降噪结构进行重构；
将上述步骤处理后的结果进行SVD分解，获得重构信号；
将重构信号与其他PF分量相加融合，获得最终的降噪数据。
3.如权利要求1所述的基于多层降噪和自编码器的滚动轴承健康监测方法，其特征在于，健康指标的获取包括如下步骤：
对于特征序列F＝[f(t1),f(t2),f(t3)......f(tN)]和时间序列T＝[t1,t2,t3......tN]，其中N为序列总长度，对于相关性Corr(F,T)、预测性Pre(F)、鲁棒性Rob(F)的计算公式为：
用以上三个指标评价提取出的多维度的特征，为每个指标赋予一定的权重，得到每个维度上的特征的总和评价得分score如式(5)所示，选取其中的分最高的一个特征作为滚动轴承的健康指标：
Score＝0.35×Corr(F，T)+0.4×Pre(F)+0.25×Rob(F) (5)；
其中，Corr(F,T)表示特征序列与时间序列的相关性，Pre(F)表示特征序列的预测性；Rob(F)表示特征序列的鲁棒性。
CN202310592153.9A 2023-05-24 2023-05-24 基于多层降噪和自编码器的滚动轴承健康监测方法 Pending CN116625688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310592153.9A CN116625688A (zh) 2023-05-24 2023-05-24 基于多层降噪和自编码器的滚动轴承健康监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310592153.9A CN116625688A (zh) 2023-05-24 2023-05-24 基于多层降噪和自编码器的滚动轴承健康监测方法

Publications (1)

Publication Number Publication Date
CN116625688A true CN116625688A (zh) 2023-08-22

Family

ID=87620845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310592153.9A Pending CN116625688A (zh) 2023-05-24 2023-05-24 基于多层降噪和自编码器的滚动轴承健康监测方法

Country Status (1)

Country Link
CN (1) CN116625688A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102829974A (zh) * 2012-08-07 2012-12-19 北京交通大学 一种基于lmd和pca的滚动轴承状态辨识方法
CN109000921A (zh) * 2017-06-07 2018-12-14 中国大唐集团科技工程有限公司 一种风电机组主轴故障的诊断方法
CN109975013A (zh) * 2019-04-30 2019-07-05 南京工程学院 基于ivmd-se的风电机组齿轮箱故障特征提取方法
CN110146292A (zh) * 2019-06-04 2019-08-20 昆明理工大学 一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法
CN112069621A (zh) * 2020-09-08 2020-12-11 西安电子科技大学 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN114841208A (zh) * 2022-05-14 2022-08-02 哈尔滨理工大学 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置
WO2023014007A1 (ko) * 2021-08-06 2023-02-09 주식회사 제이엘케이바이오 화합물 정보 추출을 위한 장치 및 방법
CN116086807A (zh) * 2023-01-31 2023-05-09 北华大学 一种用于滚动轴承的故障判断方法和相关产品

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102829974A (zh) * 2012-08-07 2012-12-19 北京交通大学 一种基于lmd和pca的滚动轴承状态辨识方法
CN109000921A (zh) * 2017-06-07 2018-12-14 中国大唐集团科技工程有限公司 一种风电机组主轴故障的诊断方法
CN109975013A (zh) * 2019-04-30 2019-07-05 南京工程学院 基于ivmd-se的风电机组齿轮箱故障特征提取方法
CN110146292A (zh) * 2019-06-04 2019-08-20 昆明理工大学 一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法
CN112069621A (zh) * 2020-09-08 2020-12-11 西安电子科技大学 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
WO2023014007A1 (ko) * 2021-08-06 2023-02-09 주식회사 제이엘케이바이오 화합물 정보 추출을 위한 장치 및 방법
CN114841208A (zh) * 2022-05-14 2022-08-02 哈尔滨理工大学 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置
CN116086807A (zh) * 2023-01-31 2023-05-09 北华大学 一种用于滚动轴承的故障判断方法和相关产品

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吕靖香;余建波;: "基于多层混合滤噪的轴承早期弱故障特征提取方法", 《振动与冲击》, vol. 37, no. 8, pages 22 - 27 *
谢霖铨;梁博群;: "基于降噪自编码的推荐算法", 计算机与现代化, no. 02 *
赵伟杰;杨乐乐;郝旺身;郝伟;: "奇异值分解与LMD结合的滚动轴承故障诊断研究", 机械设计与制造, no. 05 *

Similar Documents

Publication Publication Date Title
CN110879254B (zh) 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
CN110550518A (zh) 一种基于稀疏去噪自编码的电梯运行异常检测方法
CN105258940B (zh) 机械故障定量提取的标准化多小波与多小波包变换方法
CN109443752B (zh) 一种基于vmd的齿轮振动信号降噪及故障诊断方法
Kabir et al. Image compression using lifting based wavelet transform coupled with SPIHT algorithm
Shan et al. A motor bearing fault voiceprint recognition method based on Mel-CNN model
Zhang et al. Bearing fault diagnosis under various operation conditions using synchrosqueezing transform and improved two-dimensional convolutional neural network
Chao et al. Improving accuracy of cavitation severity recognition in axial piston pumps by denoising time–frequency images
CN116578940A (zh) 一种基于混合深度自编码的轴承故障新类识别与诊断方法
Yao et al. A recursive denoising learning for gear fault diagnosis based on acoustic signal in real industrial noise condition
Zhang et al. An adaptive graph morlet wavelet transform for railway wayside acoustic detection
Li et al. Incipient detection of bearing fault using impulse feature enhanced weighted sparse representation
Yao et al. RUL prediction method for rolling bearing using convolutional denoising autoencoder and bidirectional LSTM
CN116625688A (zh) 基于多层降噪和自编码器的滚动轴承健康监测方法
Yu et al. Sparse time–frequency representation for the transient signal based on low-rank and sparse decomposition
CN112363050A (zh) 基于动态接触电阻信号的sf6断路器弧触头状态评估方法
LU502454B1 (en) A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition
CN116484176A (zh) 一种基于超小波的轴承故障诊断方法、***和存储介质
Zhang et al. Research on signal denoising method based on adaptive lifting wavelet transform
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和***
CN115733673A (zh) 一种基于多尺度残差分类器的数据异常检测方法
Li et al. Discrimination and prediction of tool wear state based on gray theory
CN112926504A (zh) 一种基于降噪自编码器的声发射信号去噪方法
CN110688981B (zh) 一种振动信号去噪的模态混叠消除方法
Yang et al. Fault diagnosis of rotating machinery using denoising-integrated sparse autoencoder based health state classification

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