-
公开(公告)号：CN111753891A
公开(公告)日：2020-10-09
申请号：CN202010530872.4
申请日：2020-06-11
申请人： 燕山大学
摘要： 本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM-AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。
-
公开(公告)号：CN112903296B
公开(公告)日：2021-12-14
申请号：CN202110097070.3
申请日：2021-01-25
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 本发明涉及一种滚动轴承故障检测方法及系统。该方法包括获取待检测的滚动轴承的振动信号；对所述振动信号进行傅里叶变换确定离散幅值谱；利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分，得到多个连续区间；并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率；将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数，并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解，得到多个模式分量；利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。本发明提高了滚动轴承故障检测的准确性。
-
公开(公告)号：CN108507789B
公开(公告)日：2020-02-25
申请号：CN201810571885.9
申请日：2018-05-31
申请人： 燕山大学
IPC分类号： G01M13/045 , G06K9/62
摘要： 本发明公开了一种基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法，首先根据采集到的滚动轴承振动信号构造超完备字典，完成算法参数的初始化设置，并预估原信号的稀疏度；其次，采用平均随机弱正交匹配追踪算法更新稀疏字典和残差；最后，利用得到的稀疏字典计算稀疏表示系数，从而重构得到故障信号；将上述过程重复N次，通过集合平均得到最终处理结果。该方法通过原子数预估与改进的残差更新方式避免了人为设置稀疏度对分解结果的影响，通过改进的模拟退火算法增大了小幅值故障成分被提取的可能，解决了微弱周期性冲击特征难以有效提取的问题，对实现滚动轴承的早期微弱故障诊断具有重要意义。
-
公开(公告)号：CN116465631A
公开(公告)日：2023-07-21
申请号：CN202310459988.7
申请日：2023-04-26
申请人： 燕山大学
IPC分类号： G01M13/045 , G06F18/10 , G06N3/006 , G06F17/10
摘要： 本发明公开了一种振动共振辅助增强随机共振耦合系统的轴承故障诊断方法，属于机械故障诊断技术领域，包括以下步骤：使用传感器采集滚动轴承振动信号，对采集到的滚动轴承振动信号进行希尔伯特包络解调处理，得到振动信号的幅值包络；构建匹配稳态随机共振系统，并与振动共振系统通过非线性耦合的方式组成耦合系统；将得到的幅值包络作为所构建耦合系统的输入信号，并采用优化算法实现系统多参数的优化选取；将得到的最优参数代入耦合系统，对幅值包络进行处理，通过对系统输出进行频谱分析，完成对滚动轴承故障的有效识别与诊断。本发明可以实现滚动轴承振动信号中微弱故障特征的有效提取，为滚动轴承早期微弱故障诊断提供了一种有效解决途径。
-
公开(公告)号：CN113295420B
公开(公告)日：2022-04-08
申请号：CN202110650227.0
申请日：2021-06-10
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 本发明涉及一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统，方法包括：获取滚动轴承的振动信号；根据所述振动信号确定所述振动信号的增强包络；根据所述增强包络和所述振动信号确定增强包络自相关函数；根据所述增强包络自相关函数确定轴承故障冲击周期估计值；根据所述轴承故障冲击周期估计值构建二进制周期序列；将所述二进制周期序列嵌入弹性网作为约束条件，将L0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；将所述振动信号输入所述组稀疏模型，确定降噪信号；对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。本发明通过对周期冲击特征的有效提取，提高滚动轴承特征的特征提取精度和故障识别的准确性。
-
公开(公告)号：CN113295420A
公开(公告)日：2021-08-24
申请号：CN202110650227.0
申请日：2021-06-10
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 本发明涉及一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统，方法包括：获取滚动轴承的振动信号；根据所述振动信号确定所述振动信号的增强包络；根据所述增强包络和所述振动信号确定增强包络自相关函数；根据所述增强包络自相关函数确定轴承故障冲击周期估计值；根据所述轴承故障冲击周期估计值构建二进制周期序列；将所述二进制周期序列嵌入弹性网作为约束条件，将L0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；将所述振动信号输入所述组稀疏模型，确定降噪信号；对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。本发明通过对周期冲击特征的有效提取，提高滚动轴承特征的特征提取精度和故障识别的准确性。
-
公开(公告)号：CN112903296A
公开(公告)日：2021-06-04
申请号：CN202110097070.3
申请日：2021-01-25
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 本发明涉及一种滚动轴承故障检测方法及系统。该方法包括获取待检测的滚动轴承的振动信号；对所述振动信号进行傅里叶变换确定离散幅值谱；利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分，得到多个连续区间；并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率；将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数，并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解，得到多个模式分量；利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。本发明提高了滚动轴承故障检测的准确性。
-
公开(公告)号：CN110006652B
公开(公告)日：2020-04-03
申请号：CN201910292988.6
申请日：2019-04-12
申请人： 燕山大学
IPC分类号： G01M13/045
摘要： 本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。
-
公开(公告)号：CN117932216A
公开(公告)日：2024-04-26
申请号：CN202410112965.3
申请日：2024-01-26
申请人： 燕山大学
IPC分类号： G06F18/00 , G06F18/10 , G06F18/25 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/048 , G06F123/02
摘要： 本发明公开了一种基于多任务学习的旋转机械复合故障诊断方法，涉及旋转机械故障诊断技术领域。该方法包括如下步骤：S1、采集旋转机械在不同健康状态下运行时的原始振动信号；S2、将采集到的原始振动信号利用滑动窗进行重叠分割来构造样本数据集，并采用变分模态分解和希尔伯特黄变换将样本数据集中的每个样本数据转换为时频图，进而构造训练数据集和测试数据集；S3、利用训练数据集对复合故障多任务诊断模型进行训练，并将训练好的复合故障多任务诊断模型用于测试数据集分析，从而得到测试数据的故障诊断结果。本发明能够在仅采用单一故障状态和正常状态的数据样本对深度模型进行训练的前提下，实现对未知复合故障的解耦诊断。
-
公开(公告)号：CN111753891B
公开(公告)日：2023-04-07
申请号：CN202010530872.4
申请日：2020-06-11
申请人： 燕山大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N20/00
摘要： 本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM‑AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。
-
-
-
-
-
-
-
-
-
搜索结果
16 条记录 (耗时 0.047 秒)
