Processing

Please wait...

Settings

Settings

Goto Application

1. WO2021042749 - BEARING FAULT DIAGNOSIS METHOD AND APPARATUS BASED ON SUPERVISED LLE ALGORITHM

Publication Number WO/2021/042749
Publication Date 11.03.2021
International Application No. PCT/CN2020/087799
International Filing Date 29.04.2020
IPC
G01M 13/045 2019.01
GPHYSICS
01MEASURING; TESTING
MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
13Testing of machine parts
04Bearings
045Acoustic or vibration analysis
CPC
G01M 13/045
GPHYSICS
01MEASURING; TESTING
MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
13Testing of machine parts
04Bearings
045Acoustic or vibration analysis
G06F 17/16
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
17Digital computing or data processing equipment or methods, specially adapted for specific functions
10Complex mathematical operations
16Matrix or vector computation ; , e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Applicants
  • 佛山科学技术学院 FOSHAN UNIVERSITY [CN]/[CN]
Inventors
  • 张彩霞 ZHANG, Caixia
  • 王向东 WANG, Xiangdong
Agents
  • 广州嘉权专利商标事务所有限公司 JIAQUAN IP LAW FIRM
Priority Data
201910824743.302.09.2019CN
Publication Language Chinese (ZH)
Filing Language Chinese (ZH)
Designated States
Title
(EN) BEARING FAULT DIAGNOSIS METHOD AND APPARATUS BASED ON SUPERVISED LLE ALGORITHM
(FR) PROCÉDÉ ET APPAREIL DE DIAGNOSTIC DE DÉFAILLANCE DE PALIER À BASE D'ALGORITHME LLE SUPERVISÉ
(ZH) 一种基于有监督LLE算法的轴承故障诊断方法及装置
Abstract
(EN)
A bearing fault diagnosis method and apparatus based on a supervised LLE algorithm, the method comprising: acquiring training data, the training data being historical data representing bearing vibration signals, and extracting feature values of the training data and fault types corresponding to the feature values (S100); determining optimal dimensionality reduction training data of the training data and calculating the mean value and covariance matrix corresponding to each fault type in the optimal dimensionality reduction training data (S300); performing dimensionality reduction on test data received in real time to obtain dimensionality reduction test data (S400); and, on the basis of the mean values and the covariance matrices, calculating the probability value of the dimensionality reduction data in each fault type, and using the fault type with the greatest probability value as the fault type for the bearing fault diagnosis (S500). Thus, the online prediction rate of bearing fault diagnosis is improved.
(FR)
L'invention concerne un procédé et un appareil de diagnostic de défaillance de palier basés sur un algorithme LLE supervisé, le procédé consistant à : acquérir des données d'entraînement, les données d'entraînement étant des données historiques représentant des signaux de vibration de palier, et extraire des valeurs caractéristiques des données d'entraînement et des types de défaillance correspondant aux valeurs caractéristiques (S100) ; déterminer des données d'entraînement de réduction de dimensionnalité optimale des données d'entraînement et calculer la valeur moyenne et la matrice de covariance correspondant à chaque type de défaillance dans les données d'entraînement de réduction de dimensionnalité optimale (S300) ; effectuer une réduction de dimensionnalité sur des données de test reçues en temps réel pour obtenir des données de test de réduction de dimensionnalité (S400) ; et, en fonction des valeurs moyennes et des matrices de covariance, calculer la valeur de probabilité des données de réduction de dimensionnalité dans chaque type de défaillance, et utiliser le type de défaillance avec la plus grande valeur de probabilité en tant que type de défaillance pour le diagnostic de défaillance de palier (S500). Ainsi, le taux de prédiction en ligne de diagnostic de défaillance de palier est amélioré.
(ZH)
一种基于有监督LLE算法的轴承故障诊断方法及装置,其中的方法包括:首先,获取训练数据,训练数据为表征轴承振动信号的历史数据,提取训练数据的特征值和特征值对应的故障类型(S100);接着,确定训练数据的优选降维训练数据,进而计算优选降维训练数据中各个故障类型对应的均值和协方差矩阵(S300);通过对实时接收的测试数据进行降维,得到降维测试数据(S400);根据均值和协方差矩阵计算降维数据在各个故障类型下的概率值,将概率值最大的故障类型作为轴承故障诊断的故障类型(S500)。由此,提高了轴承故障诊断的在线预测速率。
Also published as
Latest bibliographic data on file with the International Bureau