CN113567132B - 基于数字孪生技术的电机滚动轴承故障模型构建方法 - Google Patents
基于数字孪生技术的电机滚动轴承故障模型构建方法 Download PDFInfo
- Publication number
- CN113567132B CN113567132B CN202111021923.1A CN202111021923A CN113567132B CN 113567132 B CN113567132 B CN 113567132B CN 202111021923 A CN202111021923 A CN 202111021923A CN 113567132 B CN113567132 B CN 113567132B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- model
- motor rolling
- fault
- vibration
- 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.)
- Active
Links
Images
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种基于数字孪生技术的电机滚动轴承三维仿真故障模型构建方法,首先,针对三维仿真模型构建过程中几何结构参数如轴承径向游隙对振动数据的影响,提出采用基于K‑中心点参数优化方法使三维仿真模型几何结构参数不断逼近实际物理模型的参数值,实现虚拟仿真模型几何结构参数与实际物理模型参数的有效匹配;其次,通过构建虚拟测试系统振动模型实现虚拟空间测试系统模型的构建与振动数据的偏差修正;最后,利用深度神经网络实现电机滚动轴承的状态监测与诊断。本发明提供的故障仿真模型可使三维仿真模型的振动特征逼近实际物理模型的振动特征,为滚动轴承的动态故障演绎与性能预测提供有效数据支持。
Description
技术领域
本发明涉及机械故障诊断技术领域,特别是一种数字孪生技术的电机滚动轴承故障模型构建方法。
背景技术
现代制造业数字化、智能化的快速发展不断引领机械设备智能运维与健康管理技术的提升。深度学习的智能诊断技术为复杂机械系统的故障诊断提供了技术基础,然而工程实际中故障样本的不足与缺少,限制了深度学习在实际应用中的有效推广。通过数据挖掘技术与深度神经网络构建的理论故障模型虽然可提供充足的数据样本集,但其故障模型不利于机械零部件的动态演绎与推理,缺乏机械故障机理的解释。因此建立基于数字孪生技术的三维故障仿真模型不仅能够实现机械故障的动态演绎,同时可保障深度学习技术在机械故障诊断领域的数据样本。
如何实现虚拟空间滚动轴承故障模型振动数据与物理空间实测振动数据的一致性是本技术领域需解决的技术问题。具体需要解决以下两个方面的问题:一是基准模型构建过程中轴承几何结构参数的准确性。通过手册和图纸查阅可得到轴承几何结构参数值,但一些参数如轴承径向间隙的理论值为范围值,且实际设备的结构参数会受安装、载荷、运行以及检测方式等影响产生径向游隙误差,而三维模型构建过程中几何结构参数取值不同,物理作用关系如接触力等不同,对振动造成一定影响;二是数字孪生模型振动数据的一致性。基于数字孪生的故障诊断模型与物理实际模型进行基于传感数据的匹配时,若未考虑传感器作为检测装置对振动数据的影响,忽略了振动传感器等检测装置对物理模型振动数据的处理过程,易造成比对数据偏差较大,使数字孪生模型运行速度降低,存储压力增大。
发明内容
针对上述问题,本发明公开了一种基于数字孪生技术的电机滚动轴承故障模型构建方法。本发明的目的在于提供一种基于数字孪生技术的电机滚动轴承故障模型构建方法,从仿真模型中获得较为准确的计算结果。本发明主要采用几何结构参数优化与振动模型构建相结合的电机滚动轴承故障模型构建方法,以获取较为准确的仿真计算结果。为实现上述目的,本发明所提供的一种基于数字孪生技术的电机滚动轴承故障模型构建方法,包括如下步骤:
S1:电机滚动轴承实际物理模型振动数据的采集与预处理
S1-1:对电机滚动轴承实际运行过程中的实际振动信号和工况参数监测并获取实际物理模型的振动数据z(t);
S1-2:对实际振动信号进行去噪预处理;
S1-3:计算实际物理模型的振动特征值为fR(c0),其中,c0为实际物理模型的电机滚动轴承径向游隙;
S2:建立电机滚动轴承的三维仿真模型,建模方法如下:
S2-1:通过查阅图纸和手册获取电机滚动轴承不同组成零件的几何尺寸和结构特性;
S2-2:通过查阅铭牌和手册获取电机滚动轴承不同组成零件的参数;
S2-3:对电机滚动轴承不同组成零件的物理作用关系分别进行设置;
S2-4:选取电机滚动轴承几何结构参数变量值cj;
S2-5:建立电机滚动电机滚动轴承无故障模式下的三维仿真模型;
S2-6:通过三维仿真模型计算电机滚动轴承仿真振动信号及其电机滚动轴承振动特征值,记电机滚动轴承三维仿真模型的振动特征值为fV(cj);
S3:基于K-中心点的电机滚动轴承仿真模型几何结构参数变量的优化与匹配
S3-1:设仿真三维模型的几何结构参数变量集合O={c1,…,ck},其中c1为某参数变量的下限值,ck为某参数变量的上限值;
S3-2:选取cj为对象O的当前中心点;
S3-5:当电机滚动轴承几何结构参数不断趋近实际物理模型的参数值时,不断迭代增加使目标函数μn值趋于稳定;
S4:根据S2和步骤S3确定电机滚动轴承无故障模式下的三维仿真基准模型
S5:构建电机滚动轴承的三维故障仿真基准模型
S5-1:对步骤S1中电机滚动轴承实际物理模型不同故障类型、故障部位、故障程度等故障形式通过拆检方式获取;
S5-2:根据步骤S2和步骤S3获取的特征参数与实际物理故障模型构建电机滚动轴承三维故障仿真模型;
S5-3:仿真计算电机滚动轴承不同故障的振动信号x(t);
S6:将实际物理测试系统整体考虑为一个不失真测试系统,构建虚拟测试系统振动模型以逼近实际物理空间通过测试装置获取的振动信号,以减小由于检测装置产生的振动偏差
S6-1:构建振动模型y(t)=Ax(t-t0),其中增益A为步骤S1中实际物理模型的振动数据z(t)与步骤S5中仿真故障模型计算的振动信号x(t)的幅值比值,滞后时间t0为S1中实际物理模型的振动数据z(t)与S5中仿真故障模型计算的振动信号x(t)的时差;
S6-2:构建电机滚动轴承多工况、多故障下的虚拟振动数据空间Y(t);
S7:利用深度神经网络进行电机滚动轴承的状态监测与诊断
S7-1:通过S1获取电机滚动轴承在不同工况和故障下的振动数据,构建实际物理模型的振动数据空间Z(t);
S7-2:随机选取实际物理模型振动数据空间25%的样本数据进行训练,剩余样本数据进行测试,确定深度神经网络诊断模型,并根据平均诊断准确率及其标准差确定阈值;
S7-3:采用S7-2中的深度神经网络诊断模型对步骤S6中计算得到的虚拟空间仿真振动数据Y(t)进行诊断;
S7-4:判断其诊断准确率是否是达到阈值,若未达到阈值,则返回采用基于K-中心点的参数优化方法进行电机滚动轴承三维仿真故障模型几何结构参数的调整与修正,以获取保真度更高的电机滚动轴承故障仿真模型;
S7-5:若达到阈值,则建立电机滚动轴承数字孪生故障模型的仿真故障数据库,为电机滚动轴承的定量诊断与性能预测提供数据支持。
进一步地,步骤S1-2中,所述预处理方法为FIR滤波器或者小波去噪。
进一步地,步骤S2-1中,所述几何尺寸和结构特性包括外圈直径、内圈直径、宽度、滚动体直径、滚动体个数、电机滚动轴承节径、接触角、OR曲率、IR曲率、外滚道半径、内滚道半径;所述零件的参数包括材料、密度、泊松比、杨氏模量。
进一步地,步骤S2-3中,所述物理作用关系包括滚动体与外圈、滚动体与内圈、滚动体与保持架等的接触方法与摩擦属性。
进一步地,步骤S2-4中,所述电机滚动轴承几何结构参数变量包括游隙变量值、波纹度、滚动体与保持架孔洞间隙等电机滚动轴承几何结构参数变量。
进一步地,步骤S2-4中,电机滚动轴承几何结构参数变量为电机滚动轴承径向游隙变量值cj,j=1,…,k。
与现有技术相比,本发明具有以下效果:
本发明的目的在于提供了一种基于数字孪生技术的电机滚动轴承三维仿真故障模型构建方法,解决电机滚动轴承仿真模型中因几何结构参数与检测系统对振动数据产生的偏差问题。本发明提供的基于K-中心点参数优化方法通过虚拟仿真模型几何结构参数与实际物理模型的参数匹配,提高电机滚动轴承数字孪生模型的保真度,进一步降低几何结构参数对电机滚动轴承振动数据的影响;本发明提供的振动模型构建技术可实现虚拟空间测试系统模型的构建与振动数据的偏差修正。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对现有技术描述和实施方案中所需要使用的附图作简单地介绍。
图1为本发明一种基于数字孪生技术的电机滚动轴承故障模型构建方法流程图。
图2为本发明参数优化方法示意图。
图3为本发明振动模型构建示意图。
具体实施方式
下面将结合本发明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。
一种基于数字孪生技术的电机滚动轴承故障模型构建方法,包括如下步骤:
S1:电机滚动轴承实际物理模型振动数据的采集与预处理。
S1-1:对电机滚动轴承实际运行过程中的实际振动信号和工况参数监测并获取振动数据z(t)。由于物理模型在实际运行过程受周围环境、检测装置等干扰,所获取的振动信号含有大量噪声信号,需对实测振动信号进行去噪预处理,预处理方法包括FIR滤波器、小波去噪等但不限于以上方法;
S1-2:假定实际物理模型的电机滚动轴承径向游隙为c0,通过实测振动信号计算径向游隙c0下对应的电机滚动轴承振动特征值,记实际物理模型的振动特征值为fR(c0)。
S2:构建电机滚动轴承的三维仿真模型,建模方法如下:
S2-1:对电机滚动轴承不同组成零件的几何尺寸和结构特性至少包括外圈直径、内圈直径、宽、滚动体直径、滚动体个数、电机滚动轴承节径、接触角、OR曲率、IR曲率、外滚道半径、内滚道半径等参数通过图纸和手册进行查阅获取;
S2-2:对电机滚动轴承不同组成零件至少包括材料、密度、泊松比、杨氏模量等参数通过铭牌和手册进行查阅获取;
S2-3:对电机滚动轴承不同组成零件的物理作用关系至少包括如滚动体与外圈、滚动体与内圈、滚动体与保持架等的接触方法与摩擦属性等分别进行设置。
S2-4:通过手册和图纸查阅可知,电机滚动轴承径向游隙的理论值为范围值,且实际物理模型的径向游隙会受安装、载荷、运行等影响产生误差。为使三维仿真模型的振动特征逼近实际物理模型的振动特征,需在构建仿真模型时使其电机滚动轴承径向游隙与实际物理模型的径向游隙值接近,达到数字孪生的效果,实施案例采用基于K-中心点方法实现电机滚动轴承径向游隙的优化与匹配。选取电机滚动轴承径向游隙变量值cj,j=1,…,k。
S2-5:建立电机滚动轴承无故障模式下的三维仿真模型,
S2-6:通过三维仿真模型计算电机滚动轴承仿真振动信号及其电机滚动轴承振动特征值,记电机滚动轴承径向游隙变量值为cj时,其振动特征值为fV(cj)。
S3:基于K-中心点的电机滚动轴承仿真模型几何结构参数变量的优化与匹配。
S3-1:设仿真三维模型的电机滚动轴承径向游隙变量集合O={c1,…,ck},其中取值范围为手册中该电机滚动轴承型号径向游隙的上、下限值,c1为电机滚动轴承径向游隙的下限值,ck为电机滚动轴承径向游隙的上限值;
S3-2:选取cj为对象O的当前中心点;
S3-5:当电机滚动轴承几何结构参数如径向游隙cj不断趋近实际物理模型的径向游隙c0时,不断迭代增加使目标函数μn值趋于稳定;
S4:建立电机滚动轴承无故障模式下的三维仿真基准模型。
S5:对电机滚动轴承不同组成零件的故障类型、故障部位、故障程度等故障形式通过拆检实际物理模型的方式获取,构建电机滚动轴承三维仿真故障模型。仿真计算电机滚动轴承不同故障的振动信号。
S6:考虑传感器作为检测装置对实际物理模型振动数据幅值与相位产生的偏差,实施案例通过模拟检测装置的动态特性构建振动模型,使仿真模型生成的振动数据逼近检测装置输出的振动数据,进一步减小由于检测装置产生的振动偏差;同时振动模型的构建可简化数字孪生模型,使运行速度提高,存储压力减小。
将实际物理测试系统整体考虑为一个不失真测试系统,构建虚拟测试系统振动模型。
S6-1:构建振动模型y(t)=Ax(t-t0),其中增益A为步骤(1)中实际物理故障模型的传感器数据z(t)与步骤(5)中仿真故障模型计算的振动数据x(t)的幅值比值,滞后时间t0为步骤(1)中实际物理故障模型的传感器数据z(t)与步骤(5)中仿真故障模型计算的振动数据x(t)的时差;
S6-2:构建电机滚动轴承不同工况、不同故障下的虚拟振动数据空间Y(t)。
S7:利用深度神经网络进行电机滚动轴承的状态监测与诊断。
S7-1:通过步骤(1)获取电机滚动轴承在不同工况和故障下的振动数据,构建实际物理模型的振动数据空间Z(t);
S7-2:随机选取实际物理模型振动数据空间25%的样本数据进行训练,剩余样本数据进行测试,确定深度神经网络诊断模型,并根据平均诊断准确率及其标准差确定阈值;
S7-3:采用步骤2)中的深度神经网络诊断模型对步骤(6)中计算得到的虚拟空间仿真振动数据Y(t)进行诊断;
S7-4:判断其诊断准确率是否是达到阈值,若未达到阈值,则返回采用基于K-中心点的参数优化方法进行电机滚动轴承三维仿真故障模型其它几何结构参数变量的调整与修正,以获取保真度更高的电机滚动轴承故障仿真模型;
S7-5:若达到阈值,则建立电机滚动轴承数字孪生故障模型的仿真故障数据库,为电机滚动轴承的定量诊断与性能预测提供数据支持。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于数字孪生技术的电机滚动轴承故障模型构建方法,其特征在于,所述方法包括如下步骤:
S1:电机滚动轴承实际物理模型振动数据的采集与预处理
S1-1:对电机滚动轴承实际运行过程中的实际振动信号和工况参数监测并获取实际物理模型的振动数据z(t);
S1-2:对实际振动信号进行去噪预处理;
S1-3:计算所述实际物理模型的振动特征值fR(c0),其中,c0为实际物理模型的电机滚动轴承径向游隙;
S2:建立电机滚动轴承的三维仿真模型,建模方法如下:
S2-1:通过查阅图纸和手册获取电机滚动轴承不同组成零件的几何尺寸和结构特性;
S2-2:通过查阅铭牌和手册获取电机滚动轴承不同组成零件的参数;
S2-3:对电机滚动轴承不同组成零件的物理作用关系分别进行设置;
S2-4:选取电机滚动轴承几何结构参数变量值cj;
S2-5:建立电机滚动轴承无故障模式下的三维仿真模型;
S2-6:通过三维仿真模型计算电机滚动轴承仿真振动信号及其电机滚动轴承振动特征值,记电机滚动轴承三维仿真模型的振动特征值为fV(cj);
S3:基于K-中心点的电机滚动轴承三维仿真模型几何结构参数变量的优化与匹配
S3-1:设三维仿真模型的几何结构参数变量集合O={c1,…,ck},其中c1为某参数变量的下限值,ck为某参数变量的上限值;
S3-2:选取cj为对象O的当前中心点;
S3-5:当电机滚动轴承几何结构参数不断趋近实际物理模型的参数值时,不断迭代增加使目标函数μn值趋于稳定;
S4:根据S2和步骤S3确定电机滚动轴承无故障模式下的三维仿真基准模型S5:构建电机滚动轴承的三维故障仿真基准模型
S5-1:对步骤S1中电机滚动轴承实际物理模型不同故障类型、故障部位、故障程度的故障形式通过拆检方式获取;
S5-2:根据步骤S2和步骤S3获取的信息与实际物理故障模型构建电机滚动轴承三维故障仿真基准模型;
S5-3:仿真计算电机滚动轴承不同故障的振动信号x(t);
S6:将实际物理测试系统整体考虑为一个不失真测试系统,构建虚拟测试系统振动模型以逼近实际物理空间通过测试装置获取的振动信号,以减小由于检测装置产生的振动偏差
S6-1:构建振动模型y(t)=Ax(t-t0),其中增益A为步骤S1中实际物理模型的振动数据z(t)与步骤S5中仿真故障模型计算的振动信号x(t)的幅值比值,滞后时间t0为S1中实际物理模型的振动数据z(t)与S5中仿真故障模型计算的振动信号x(t)的时差;
S6-2:构建电机滚动轴承多工况、多故障下的虚拟空间仿真振动数据Y(t);
S7:利用深度神经网络进行电机滚动轴承的状态监测与诊断
S7-1:通过S1获取电机滚动轴承在不同工况和故障下的振动数据,构建实际物理模型的振动数据空间Z(t);
S7-2:随机选取实际物理模型的振动数据空间25%的样本数据进行训练,剩余样本数据进行测试,确定深度神经网络诊断模型,并根据平均诊断准确率及其标准差确定阈值;
S7-3:采用S7-2中的深度神经网络诊断模型对步骤S6中计算得到的虚拟空间仿真振动数据Y(t)进行诊断;
S7-4:判断其诊断准确率是否是达到阈值,若未达到阈值,则返回采用基于K-中心点的参数优化方法进行电机滚动轴承三维仿真故障模型几何结构参数的调整与修正,以获取保真度更高的电机滚动轴承故障仿真模型;
S7-5:若达到阈值,则建立电机滚动轴承数字孪生故障模型的仿真故障数据库,为电机滚动轴承的定量诊断与性能预测提供数据支持。
2.如权利要求1所述的一种基于数字孪生技术的电机滚动轴承故障模型构建方法,其特征在于,步骤S1-2中,所述去噪预处理为FIR滤波器去噪或者小波去噪。
3.如权利要求1所述的一种基于数字孪生技术的电机滚动轴承故障模型构建方法,其特征在于,步骤S2-1中,所述几何尺寸和结构特性包括外圈直径、内圈直径、宽度、滚动体直径、滚动体个数、电机滚动轴承节径、接触角、OR曲率、IR曲率、外滚道半径和/或内滚道半径;步骤S2-2中,所述零件的参数包括材料、密度、泊松比和/或杨氏模量。
4.如权利要求1所述的一种基于数字孪生技术的电机滚动轴承故障模型构建方法,其特征在于,步骤S2-3中,所述物理作用关系包括滚动体与外圈、滚动体与内圈和/或滚动体与保持架的接触方法与摩擦属性。
5.如权利要求1所述的一种基于数字孪生技术的电机滚动轴承故障模型构建方法,其特征在于,步骤S2-4中,所述电机滚动轴承几何结构参数变量包括游隙变量值、波纹度和/或滚动体与保持架孔洞间隙。
6.如权利要求1所述的一种基于数字孪生技术的电机滚动轴承故障模型构建方法,其特征在于,步骤S2-4中,电机滚动轴承几何结构参数变量为电机滚动轴承径向游隙变量值cj,j=1,…,k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021923.1A CN113567132B (zh) | 2021-09-01 | 2021-09-01 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021923.1A CN113567132B (zh) | 2021-09-01 | 2021-09-01 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567132A CN113567132A (zh) | 2021-10-29 |
CN113567132B true CN113567132B (zh) | 2022-10-21 |
Family
ID=78173348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111021923.1A Active CN113567132B (zh) | 2021-09-01 | 2021-09-01 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567132B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329849B (zh) * | 2022-03-03 | 2022-06-21 | 河北工业大学 | 基于数字孪生的充液成形设备健康管控系统和方法 |
CN114383847B (zh) * | 2022-03-23 | 2022-07-12 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN115575121B (zh) * | 2022-09-26 | 2023-07-28 | 河南科技大学 | 一种滚动轴承动力学模型的构建方法 |
CN117539168B (zh) * | 2024-01-09 | 2024-03-26 | 江西江投能源技术研究有限公司 | 一种基于半实物仿真的水轮机空化诊断系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
CN110442936B (zh) * | 2019-07-24 | 2021-02-23 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
CN112762100B (zh) * | 2021-01-14 | 2021-08-10 | 哈尔滨理工大学 | 一种基于数字孪生的轴承全生命周期监测方法 |
CN113092115B (zh) * | 2021-04-09 | 2022-10-11 | 重庆大学 | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 |
CN113221280B (zh) * | 2021-05-14 | 2022-12-09 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及系统 |
CN113378329A (zh) * | 2021-07-06 | 2021-09-10 | 长沙理工大学 | 基于数字孪生的轴向柱塞泵状态监测方法 |
-
2021
- 2021-09-01 CN CN202111021923.1A patent/CN113567132B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113567132A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113567132B (zh) | 基于数字孪生技术的电机滚动轴承故障模型构建方法 | |
Zhang et al. | Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders | |
WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
Deng et al. | A calibration-based hybrid transfer learning framework for RUL prediction of rolling bearing across different machines | |
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
WO2021027213A1 (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
CN112633339A (zh) | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 | |
CN111024821A (zh) | 一种复合材料贮箱健康监测系统及方法 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
CN111367959A (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN115994320A (zh) | 一种智能摩擦摆隔震支座及状态监测与故障诊断系统 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
US20210397177A1 (en) | Fault diagnostics systems and methods | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
Jia et al. | Multitask convolutional neural network for rolling element bearing fault identification | |
CN116432352A (zh) | 一种基于数字孪生的航空发动机主轴轴承故障诊断方法 | |
Yanez-Borjas et al. | Convolutional neural network-based methodology for detecting, locating and quantifying corrosion damage in a truss-type bridge through the autocorrelation of vibration signals | |
CN113705721B (zh) | 梁桥支座群脱空病害的联合概率密度函数差诊断方法 | |
CN105675321A (zh) | 一种设备性能退化雷达图确定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |