公开(公告)号：CN117740381A

公开(公告)日：2024-03-22

申请号：CN202410086655.9

申请日：2024-01-22

Applicant: 中国矿业大学

Inventor： 李勇 ,  张宏耀 ,  马森财 ,  程刚

IPC: G01M13/045

Abstract: 本发明公开了一种低速重载工况下的轴承故障诊断方法，采用单分量VMD能够有效避免模态混叠和端点效应，具有较好的鲁棒性，分解效果受噪声干扰较小，从而有效分离出低速重载工况下轴承振动信号中包含主要故障成分的信号分量，并形成重构信号；接着对重构信号采用SAE通过多层编码和解码有效地提取信号的高阶特征，扩大不同信号分量之间的差异性；然后RF采用基于Bagging随机选择属性的方法，有效降低了树与树之间的相关性，同时建立的单棵非剪枝决策树能达到较低的误差，构建高阶特征与故障类别标签之间的映射关系；最终根据映射关系结合提取的高阶特征信号，从而实现低速重载工况下的轴承故障的精确诊断。

公开(公告)号：CN117740381B

公开(公告)日：2024-06-28

申请号：CN202410086655.9

申请日：2024-01-22

Applicant: 中国矿业大学

Inventor： 李勇 ,  张宏耀 ,  马森财 ,  程刚

IPC: G01M13/045

Abstract: 本发明公开了一种低速重载工况下的轴承故障诊断方法，采用单分量VMD能够有效避免模态混叠和端点效应，具有较好的鲁棒性，分解效果受噪声干扰较小，从而有效分离出低速重载工况下轴承振动信号中包含主要故障成分的信号分量，并形成重构信号；接着对重构信号采用SAE通过多层编码和解码有效地提取信号的高阶特征，扩大不同信号分量之间的差异性；然后RF采用基于Bagging随机选择属性的方法，有效降低了树与树之间的相关性，同时建立的单棵非剪枝决策树能达到较低的误差，构建高阶特征与故障类别标签之间的映射关系；最终根据映射关系结合提取的高阶特征信号，从而实现低速重载工况下的轴承故障的精确诊断。

公开(公告)号：CN117723301A

公开(公告)日：2024-03-19

申请号：CN202311737946.1

申请日：2023-12-18

Applicant: 中国矿业大学

Inventor： 李勇 ,  张宏耀 ,  马森财 ,  程刚

IPC: G01M13/045 ,  G06F18/241 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种基于分步式VMD和GADF的轴承故障诊断方法，先基于频谱的能量分布特征对信号进行中心频率位置初始化，通过找到中心频率初始化位置能有效提高VMD对最优中心频率位置的搜索效率；然后构建基于VMD改进的SVMD模型，并逐一提取初始化后信号的分量，这能够避免VMD在批量处理时不同信号分量不一致导致特征维度不同的问题；接着通过GADF方法将信号分量一维时间序列转化为二维图像并进行池化操作降维，进一步扩大重构信号的差异性；最后采用CNN网络构建GADF特征图与故障类别标签之间的映射关系，最终对轴承故障进行诊断识别；本发明相较于现有的其他信号分解方法，不仅在提取敏感频段具有优越性，同时本发明SVMD模型对轴承故障类型识别具有较高的识别精度。