公开(公告)号：CN115096593B

公开(公告)日：2024-10-25

申请号：CN202210811599.1

申请日：2022-07-11

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  程主梓 ,  崔创创 ,  杨艳 ,  王兆俊

IPC: G01M13/045 ,  G06F18/24 ,  G06F18/213 ,  G06F18/2113

Abstract: 本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

公开(公告)号：CN115096593A

公开(公告)日：2022-09-23

申请号：CN202210811599.1

申请日：2022-07-11

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  程主梓 ,  崔创创 ,  杨艳 ,  王兆俊

IPC: G01M13/045 ,  G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

公开(公告)号：CN114118174A

公开(公告)日：2022-03-01

申请号：CN202111565908.3

申请日：2021-12-20

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  崔创创 ,  张胡燕 ,  杨艳 ,  程主梓

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种滚动轴承故障诊断方法及系统，属于滚动轴承故障分析技术领域，包括以下步骤：采集滚动轴承的不同状态信号；利用时移加权多尺度模糊熵算法TSWMFE进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；利用改进广义正则化共面判别分析算法IGRCDA对滚动轴承高维故障特征集进行降维筛选，获得便于识别、敏感的低维故障特征集；利用低维故障特征集对郊狼优化算法优化支持向量机COA‑SVM进行训练，利用训练好的郊狼优化算法优化支持向量机COA‑SVM进行故障诊断。本发明解决了滚动轴承故障特征提取困难的问题，能够有效、准确地诊断出滚动轴承各故障类型，值得被推广使用。