【技术实现步骤摘要】
一种基于自学习的强噪声环境机器运行故障在线检测方法
本专利技术涉及一种在线监测方法，具体涉及一种基于自学习的强噪声环境机器运行故障在线检测方法。
技术介绍
随着社会的发展和科学技术的进步，现代大生产自动化程度也越来越高,现代设备的结构越来越复杂，功能越来越完善，设备内部零件之间的联系更加紧密。对于动态系统，例如信息物理系统、电力系统、航空航天系统等由于内部发生故障，系统运行状态不稳定或性能失调，对生产造成巨大的影响，甚至造成严重的灾难性事故。
技术实现思路
本专利技术所要解决的技术问题是现有技术从样本的即时性可分为离线和在线，主要针对强干扰环境下的机器运行故障，大都采用较为复杂的离线方式，严重影响了故障监测的时效性，对微弱信号的在线检测存在严重缺陷，本专利技术目的在于提供一种基于自学习的强噪声环境机器运行故障在线检测方法，解决上述的问题。本专利技术通过下述技术方案实现：一种基于自学习的强噪声环境机器运行故障在线检测方法，其特征在于，所述方法包括如下步骤：S1:在机器运行过程中，采集机器运行时产生的震动信号，将采集的震动信号通过FFT算法进行频谱检测；S2：在第n次采集...
【技术保护点】
1.一种基于自学习的强噪声环境机器运行故障在线检测方法，其特征在于，所述方法包括如下步骤：S1:在机器运行过程中，采集机器运行时产生的震动信号，将采集的震动信号通过FFT算法进行频谱检测；S2：在第n次采集完成震动信号并进行FFT频谱检测后，对FFT(n)频谱检测进行加权；S3：在进行FFT(n)频谱检测加权后，通过非线性阈值进化方式对信号频谱进行优化，对机器运行产生的噪音进行抑制；S4：将进行非线性阈值进行后的FFT(n)频谱输出至故障记录端，将故障数据进行记录；S5：完成故障记录后，更新FFT数据，并反馈至机器运行时的采集端中。
【技术特征摘要】
1.一种基于自学习的强噪声环境机器运行故障在线检测方法，其特征在于，所述方法包括如下步骤：S1:在机器运行过程中，采集机器运行时产生的震动信号，将采集的震动信号通过FFT算法进行频谱检测；S2：在第n次采集完成震动信号并进行FFT频谱检测后，对FFT(n)频谱检测进行加权；S3：在进行FFT(n)频谱检测加权后，通过非线性阈值进化方式对信号频谱进行优化，对机器运行产生的噪音进行抑制；S4：将进行非线性阈值进行后的FFT(n)频谱输出至故障记录端，将故障数据进行记录；S5：完成故障记录后，更新FFT数据，并反馈至机器运行时的采集端中。2.根据权利要求1所述的一种基于自学习的强噪声环境机器运行故障在线检测方法，其特征在于，所述步骤S3中的非线性阈值进化采用非线性阈值系统进行数据模拟，其系统采用如下算式对FFT(n)频谱检测加权数据进行分析：其中，sgn[·]代表符号函数，θ代表非线性阈值系统的阈值，y(t)代表阈值系统输出...
【专利技术属性】
技术研发人员：蒋毅，
申请(专利权)人：成都大学，成都博世特信息技术有限公司，
类型：发明
国别省市：四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。