-
公开(公告)号：CN115046764B
公开(公告)日：2023-04-07
申请号：CN202210482268.8
申请日：2022-05-05
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早期故障诊断方法，属于机械状态监测技术领域，为了克服传统的评估指标对于早期故障不敏感的缺点，提取采集到的轴承振动信号的时域、频域特征，利用高斯去噪算法、开方累积加和变换技术、皮尔逊系数和主成分分析法，将多维特征转变成单维特征，并在此基础上构建新的健康指标，该指标趋势能够更加凸显轴承早期故障特征。然后利用连续报警次数触发机制，仅使用较小的触发次数便可准确可靠地监测出滚动轴承的早期故障。本发明在滚动轴承早期故障诊断方面取得的研究成果，为实现滚动轴承的剩余寿命预测奠定了基础。
-
公开(公告)号：CN109272054A
公开(公告)日：2019-01-25
申请号：CN201811194561.4
申请日：2018-10-15
申请人： 燕山大学
摘要： 本发明公开一种基于独立性的振动信号去噪方法及系统。方法包括：获取信号的相位标记起始点位置和标记长度参数；根据基准信号、相位标记起始点位置创建基准数据；根据比对信号、相位标记起始点位置和标记长度参数创建移相数据集；对基准数据和移相数据集中的数据分别采用独立成分分析法进行处理，得到过程分离信号；获取过程分离信号的相位标记因子矩阵；根据相位标记因子矩阵的异常值信息确定相位信息；根据相位信息调整比对信号相位，与基准信号共同构造得到调整数据集；对调整数据集采用独立成分分析法进行处理，得到最终分离信号；根据最终分离信号的时频特征确定去噪信号。采用本发明能够有效去除振动信号噪声，实现振动信号的特征提取。
-
公开(公告)号：CN102629243B
公开(公告)日：2015-01-07
申请号：CN201210053046.0
申请日：2012-03-02
申请人： 燕山大学
摘要： 本发明公开了一种基于神经网络集成和BS-EMD的端点效应抑制方法，包括以下步骤：A、利用速度传感器测量获取振动信号；B、采用神经网络集成对所述信号进行左延拓和右延拓；C、利用B样条均值函数得到所述信号的均值曲线；D、进行经验模式分解，抛弃两端数据，得到与原始信号相对应的若干IMF分量；E、分析各IMF分量，提取故障特征。本发明可以有效抑制端点效应，解决了端点效应对BS-EMD分解结果的影响。
-
公开(公告)号：CN118443310A
公开(公告)日：2024-08-06
申请号：CN202410538951.8
申请日：2024-04-30
申请人： 燕山大学
IPC分类号： G01M13/045 , G06F18/2415 , G06F18/2131
摘要： 本发明公开了一种基于非稳态时频分析的轴承故障诊断方法及系统，涉及轴承故障诊断领域。该方法包括获取待诊断的轴承振动信号，对该信号进行预处理，获得降采样后的轴承振动信号；构造速度自适应窗解调变换，获得具有局部高能量集中性且频率轨迹无交叉的时频表示结果；引入最大谱峭度选择方法，自适应确定每个时刻处的最佳时频表示结果；构造局部能量最大值提取算子，进一步提取时频表示结果中的故障特征频率轨迹；寻找时频表示中的故障特征频率轨迹，完成轴承故障诊断和故障类型判别的任务。本发明精确表征了轴承振动信号中包含的非稳态比例时频故障特征，提高了时频表示的能量集中性和噪声鲁棒性，实现了非稳态条件下轴承故障诊断的目标。
-
公开(公告)号：CN108573193B
公开(公告)日：2021-07-02
申请号：CN201710140544.1
申请日：2017-03-10
申请人： 燕山大学
摘要： 本发明公开了滚动轴承研究技术领域的一种滚动轴承多故障耦合机理与早期故障特征提取方法，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：S1：基于非线性动力学的滚动轴承振动形式分析，S2：基于分岔理论的滚动轴承故障演变分析，S3：基于混沌特征量的滚动轴承故障特征提取，S4：模拟仿真分析和快速疲劳寿命试验，S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取，运用非线性动力学方法，解析疲劳寿命试验中滚动轴承多故障耦合特征，利用分岔理论分析单一故障模式演变过程中振动信号变化规律及其通向混沌的道路，利用混沌阵子系统对小参数扰动极其敏感的特点，实现滚动轴承早期故障特征提取与诊断。
-
公开(公告)号：CN112364706A
公开(公告)日：2021-02-12
申请号：CN202011116572.8
申请日：2020-10-19
申请人： 燕山大学
IPC分类号： G06K9/00 , G06K9/62 , G01M13/045
摘要： 本发明公开了一种基于类不平衡的小样本轴承故障诊断方法，属于振动信号分析领域，包括以下步骤：构造类不平衡的数据集，研究类不平衡程度对故障诊断性能的影响；通过滑动窗口对一维原始振动信号进行切分，将一个样本增强为多个具有相似特性的小样本，提高样本点的利用率；将增强后的多个样本作为输入，利用深度卷积神经网络提取信号特征；通过集成学习中的投票方法对切分后的新样本进行分类，将标签数目最多的类别设置为与原样本相对应的最终标签；采用多个指标评估诊断结果，使诊断更加真实可靠。本发明旨在研究类不平衡对诊断性能的影响，通过数据增强提高特征提取能力，通过集成学习分类方法提高故障诊断能力，为滚动轴承故障诊断提供基础。
-
公开(公告)号：CN111582137A
公开(公告)日：2020-08-25
申请号：CN202010365377.2
申请日：2020-04-30
申请人： 燕山大学
IPC分类号： G06K9/00 , G01M13/045
摘要： 本发明公开一种滚动轴承信号重构方法及系统，涉及信号分析领域。该方法包括：判断迭代字典的迭代次数是否达到字典预设迭代次数；若达到则输出学习字典；若未达到则更新第一矩阵和迭代字典，然后令迭代次数加1，返回“判断迭代次数是否达到字典预设迭代次数”；获取待重构数据；利用正交匹配追踪算法和学习字典对待重构数据进行稀疏表示，得到稀疏信号；利用高斯观测矩阵对稀疏信号进行重构，得到重构信号。本发明利用归一自相关函数、Teager能量算子和更新后的第一矩阵更新字典，通过Teager能量算子跟踪信号的瞬时能量，检测振动信号的冲击脉冲，可以提升重构信号的信噪比，从而提高信号重构的准确性。
-
公开(公告)号：CN111222289A
公开(公告)日：2020-06-02
申请号：CN202010028291.0
申请日：2020-01-10
申请人： 燕山大学
IPC分类号： G06F30/27 , G06K9/00 , G06K9/62 , G01M13/045
摘要： 基于数据-模型驱动的K-SVD的滚动轴承冲击性故障诊断方法，该方法先利用加速度传感器采集振动信号s，然后将信号分段得到最初的训练数据集D1；求D1中相邻原子的谱峭度差值，得到谱峭度差值最大的原子do；根据故障信号特点构建最优原子dop，由do得到模型中的参数，将dop直接扩充为最新的训练数据集；利用K-SVD方法训练字典，并在原子更新过程中加入去相干步骤；利用正交匹配追踪算法得到重构后的冲击信号；对重构信号进行包络分析。本发根据冲击信号特点构造不含噪声的训练数据集，使得学习字典对信号有更佳的稀疏表示效果，重构信号包含更多特征信息，有助于实现滚动轴承冲击性故障诊断。
-
公开(公告)号：CN111062349A
公开(公告)日：2020-04-24
申请号：CN201911336758.1
申请日：2019-12-23
申请人： 燕山大学
IPC分类号： G06K9/00 , G01M13/045
摘要： 本发明公开了一种轴承故障特征增强方法及系统。所述方法包括：基于压缩感知理论，获取多组轴承数据；依据轴承数据，采用梯度投影法得到优化测量矩阵；优化测量矩阵由优化稀疏基测量矩阵和基测量矩阵构成；依据优化测量矩阵，采用正交匹配追踪算法对轴承数据进行重构，得到轴承重构数据；采用经验小波变换法对轴承重构数据进行分解，得到多个轴承重构分量数据；采用小波阈值函数法对各轴承重构分量数据进行去噪处理，得到处理后的轴承重构分量数据；采用经验小波变换法对各处理后的轴承重构分量数据进行重构，得到重构信号；重构信号为轴承故障特征增强后的轴承数据。本发明能提高重构的准确性。
-
公开(公告)号：CN110852397A
公开(公告)日：2020-02-28
申请号：CN201911126797.9
申请日：2019-11-18
申请人： 燕山大学
IPC分类号： G06K9/62
摘要： 本发明公开一种基于相对波动的自适应信号融合方法及系统。该方法包括：对变量信号进行采样，并分别向其中加入N组不同方差的高斯白噪声，得到变化后的变量信号；分别计算N组变化后的变量信号在k时刻的采集信号相对于历史采集信号的波动值；分别计算N组变化后的变量信号在k时刻的波动值相对于(k-1)时刻波动值的变化情况；分别计算N组变化后的变量信号的自适应均衡因子；确定N组更加接近真值的最佳估计值；确定最佳估计值在融合过程中对应的的权值；根据权重值对N组最佳估计值进行加权融合，得到均方误差最小情况下的融合信号。本发明能够在目标信号为变量信号的情况下，得到高精度的融合信号。
-
-
-
-
-
-
-
-
-
搜索结果
29 条记录 (耗时 0.022 秒)
