滚动轴承的寿命预测方法、装置、设备和介质

    公开(公告)号:CN115688612A

    公开(公告)日:2023-02-03

    申请号:CN202310000564.4

    申请日:2023-01-03

    Abstract: 本申请公开了一种滚动轴承的寿命预测方法、装置、设备和介质。该方法包括:获取目标轴承的运行信号;目标轴承设置于齿轮箱中;对运行信号进行离散随机分离处理,去除运行信号中的噪声信号,得到运行信号中与目标轴承相关的有效信号;将有效信号输入预测模型,得到预测模型输出的目标轴承的剩余寿命;预测模型是基于门控循环神经网络训练获得的。能够对滚动轴承的运行信号进行去噪处理,基于去噪后的运行信号进行滚动轴承剩余寿命预测,从而提高了对滚动轴承寿命预测的准确性。

    基于深度学习模型的滚动轴承寿命预测方法和装置

    公开(公告)号:CN113326590A

    公开(公告)日:2021-08-31

    申请号:CN202110803411.4

    申请日:2021-07-16

    Abstract: 本申请公开了基于深度学习模型的滚动轴承寿命预测方法和装置,其中,方法包括:获取多个传感器检测的时序信号;将所述时序信号进行数据处理,得到所述时序信号对应的灰度图;对所述灰度图进行标注,得到时序序列数据集和故障识别数据集;将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练,得到所述故障识别模型对应的特征参数;构建故障趋势预测模型,并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数;将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练,并得到所述时序序列数据集对应的剩余寿命,能够对滚动轴承的剩余生命进行准确预测。

    变频电机的壳振信号的重构方法、装置、设备及存储介质

    公开(公告)号:CN116992254B

    公开(公告)日:2024-01-19

    申请号:CN202311243206.2

    申请日:2023-09-25

    Abstract: 效果。本申请公开了一种变频电机的壳振信号的重构方法、装置、设备及存储介质。该方法包括:获取壳振信号的对数频谱;根据对数频谱中的频率信息确定对数频谱中的第一部分频谱;其中,第一部分频谱的频率值大于预设频率值;获取第一部分频谱的时域信号,确定时域信号中幅值最大的目标时域信号以及目标时域信号的正常幅值,并基于正常幅值对时域信号进行调幅处理,获得第二部分频谱;根据第二部分频谱、对数频谱中除第一部分频谱之外的频谱与壳振信号对(56)对比文件RANDALL R等.New cepstral methods forthe diagnosis of gear and bearing faultsunder variable speed conditions“.23rdInternational Congress on Sound andVibration”.2016,全文.

    变频电机的壳振信号的重构方法、装置、设备及存储介质

    公开(公告)号:CN116992254A

    公开(公告)日:2023-11-03

    申请号:CN202311243206.2

    申请日:2023-09-25

    Abstract: 本申请公开了一种变频电机的壳振信号的重构方法、装置、设备及存储介质。该方法包括:获取壳振信号的对数频谱;根据对数频谱中的频率信息确定对数频谱中的第一部分频谱;其中,第一部分频谱的频率值大于预设频率值;获取第一部分频谱的时域信号,确定时域信号中幅值最大的目标时域信号以及目标时域信号的正常幅值,并基于正常幅值对时域信号进行调幅处理,获得第二部分频谱;根据第二部分频谱、对数频谱中除第一部分频谱之外的频谱与壳振信号对应频谱中的相位信息确定重构壳振信号。从而能够将原始壳振信号中异常高频信号的幅值调整为正常幅值,提升了变频电机的壳振信号的滤波效果。

    基于深度学习模型的滚动轴承寿命预测方法和装置

    公开(公告)号:CN113326590B

    公开(公告)日:2021-10-29

    申请号:CN202110803411.4

    申请日:2021-07-16

    Abstract: 本申请公开了基于深度学习模型的滚动轴承寿命预测方法和装置,其中,方法包括:获取多个传感器检测的时序信号;将所述时序信号进行数据处理,得到所述时序信号对应的灰度图;对所述灰度图进行标注,得到时序序列数据集和故障识别数据集;将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练,得到所述故障识别模型对应的特征参数;构建故障趋势预测模型,并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数;将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练,并得到所述时序序列数据集对应的剩余寿命,能够对滚动轴承的剩余生命进行准确预测。

Patent Agency Ranking