CN103439110B - 滚动轴承早期微弱故障诊断方法 - Google Patents
滚动轴承早期微弱故障诊断方法 Download PDFInfo
- Publication number
- CN103439110B CN103439110B CN201310328699.XA CN201310328699A CN103439110B CN 103439110 B CN103439110 B CN 103439110B CN 201310328699 A CN201310328699 A CN 201310328699A CN 103439110 B CN103439110 B CN 103439110B
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- prime
- separation
- wavelet
- 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.)
- Expired - Fee Related
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明的目的在于提供滚动轴承早期微弱故障诊断方法,包括下列步骤:在基座、机壳的驱动端和输出端上分别安装加速度传感器,采集各加速度传感器振动加速度信号,得到振动加速度信号z矩阵;采用独立分量分析对振动加速度信号进行预处理,实现振动加速度信号的分离;选取包含故障特征信息的分离信号;采用自适应提升形态小波变换对被选取的分离信号进行故障信号特征精确提取;用Pwelch方法做出功率谱图,观察功率谱图是否存在故障特征频率或其倍频处存在明显的峰值,进而判断滚动轴承是否发生早期微弱故障。本发明具有良好的细节保留和抗噪性能,即抑制了噪声又充分突出了故障信号的冲击特征,具有更好的早期微弱故障特征提取效果和计算效率。
Description
技术领域
本发明涉及的是一种滚动轴承故障诊断方法,具体地说是早期微弱的故障诊断方法。
背景技术
滚动轴承是旋转机械设备的关键部件,其健康状况影响着整个机械***的工作状态,意外故障的不及时处理将导致难以想象的后果,因此对轴承的监测与诊断具有十分重要的意义。大型动力装备,如航空发动机、发电机组等,在高速、重载和强冲击等恶劣环境下,其核心部件轴承极易发生损伤,故障信号发生初期非常微弱,并且被其它运动部件引起的振动和大量随机噪声淹没。因此,如何从微弱信号或已被噪声淹没的信号中提取出瞬态突变特征,是进行早期故障准确识别的关键。
常用的故障信号特征提取方法有时域分析法和频域分析法、小波变换滤波、提升形态小波,这些特征提取方法也可以分析滚动轴承故障。但是,采用这些解调方法分析时还存在一定的局限性,传统的时域分析法和频域分析法分析早期微弱故障,但故障特征频率可能被其它信号成分和背景噪声的频率结构信息覆盖淹没,从而影响诊断结果;小波变换滤波在分解信号时,每分解一次,概貌信号的长度减少一半,随着分解尺度的增加,概貌信号所包含的信息越来越少,时间分辨率降低;提升形态小波虽是一种基于数学形态学的非线性小波变换方法,不仅保留了形态学的非线性分析特性,还具有小波分解的多分辨率特性,但提升形态小波构造有一个明显的限制,即滤波算子对于信号全局而言是不能改变的,而在信号中总会存在一定的突变,这就要求信号的突变处具有不同的滤波特性。
发明内容
本发明的目的在于提供基于自适应提升形态小波变换的滚动轴承早期微弱故障诊断方法。
本发明的目的是这样实现的:
本发明滚动轴承早期微弱故障诊断方法,其特征是:
(1)在基座、机壳的驱动端和输出端上分别安装加速度传感器,采集各加速度传感器振动加速度信号,得到振动加速度信号z矩阵;
(2)采用独立分量分析对振动加速度信号进行预处理,实现振动加速度信号的分离;
(3)选取包含故障特征信息的分离信号;
(4)采用自适应提升形态小波变换对被选取的分离信号进行故障信号特征精确提取;
(5)用Pwelch方法做出功率谱图,观察功率谱图是否存在故障特征频率或其倍频处存在明显的峰值,进而判断滚动轴承是否发生早期微弱故障。
本发明还可以包括:
1、所述的采用独立分量分析对振动加速度信号进行预处理是采用基于负熵最大化的FastICA方法对加速度信号进行解耦分离:
(1)对振动加速度信号z矩阵进行去均值和白化处理;
(2)将随机权矢量w初始化,利用最速下降法求w0,起始迭代次数k=0,选取收敛判定值为critical;
(3)选取任意一个迭代点wv,wv选取后固定不变,将wv和w0代入下式: 求出wk+1,式中g为非二次函数,E(·)为求均值,根据wk+1=wk+1/‖wk+1‖归一化和去相关;
(4)判断|wk+1-wk|≤critical是否成立,不成立则k+1后返回式 继续迭代,若成立则算法收敛,估计出一个分离矩阵分量;
(5)当得到整个分离矩阵W后,由分离矩阵W与振动加速度信号z相乘得到源信号的估计信号,然后输出源信号的估计信号x。
2、选取包含故障特征信息的分离信号的过程为:
选取原则为:峰值因子C定义为峰值与均方根之比,其表达式为:C=XPEAK/XRMS,峰值因子高于3.5的即预示着有故障。
3、采用自适应提升形态小波变换对被选取的分离信号进行故障信号特征精确提取的步骤:
(l)对被选取的分离信号进行自适应提升形态小波变换:选择自适应提升形态小波分解层数为j,将原始信号分解至第j层,得到每层的小波细节系数为d1,d2,…dj,
自适应提升形态小波变换实现方案为:
式中:ω↑是细节分析算子,ψ↑是信号分析算子,ψ↓为对偶小波分解中的信号合成算子,xj为将原始信号x分解到第j层,xj***成细节信号x'j+1和概貌信号y'j+1,再通过x'j+1和y'j+1重构出xj,Pc和Ud分别为由C和D决定的预测函数和更新函数,C和D分别为决定预测和更新算子的决定函数,预测算子和更新算子的决定函数C和D如下所示
预测函数pc和更新函数Ud分别为
式中:∧和∨为集合示性函数;
(2)确定阀值,对分解得到的小波细节系数进行处理,得到处理后的阀值系数为
(3)将经阀值处理后的提升形态小波细节信号进行提升形态小波重构,得到经降噪后的信号,从而精确提取故障特征信号。
4、所述的收敛判定值critical=0.000001。
5、所述的阀值确定具体为:
采用基于邻域相关性的自适应阀值选择方法对小波细节系数进行处理,阀值函数的构造为:
式中:dj,l是原始提升小波系数,是经阀值处理后提升小波细节系数,α=4,λj为第j分解层的阀值,Sj,l是以(j,l)为中心,大小为k=2l+1的操作邻域窗口的均值,
6、所述的确定阀值具体为:
阀值λj确定的函数为:
式中,0<β≤1,N为信号的长度,σ为噪声标准方差,σ用以下公式估计
式中,d代表形态小波细节系数,median(·)表示中值算子。
本发明的优势在于:
(1)由于振动加速度测试信号是多种振动信号的混合,导致与故障有关的振动信号常被结构振动和干扰噪声所污染,特别是早期故障信号往往十分微弱,直接利用测试信号进行故障诊断难以保证故障识别能力。本发明采用独立分量分析对测试信号进行预处理,将结构振动分量与故障频率分量区分开来,故障信息得到增强,为滚动轴承早期微弱故障的有效诊断奠定基础。
(2)自适应提升形态小波变换是一种基于数学形态变换的非线性小波分析方法,不仅通过提升方案改进了传统形态小波的分析效果,而且根据信号的局部特征信息自适应的调整预测和更新算子,更适合于对具有非平稳非线性特征的滚动轴承故障信号进行处理。
(3)为克服传统提升形态小波中提升算子固定不变的缺点,在传统提升形态小波的基础上提出一种自适应提升形态小波构造方法,该方法能够根据细节信号和粗略信号的相邻点信息自适应的确定形态小波的提升算子,增强了提升形态小波分析信号的自适应性。
(4)本发明采用基于邻域相关性的自适应阀值选择方法对小波细节信号进行处理,从而克服了传统小波系数阀值选择方法仅对单个小波系数进行处理的缺点,可以更好的保留信号的局部特征信息。
(5)本发明用于分析和监测滚动轴承早期微弱故障,不仅具有形态学的形态特性与小波的多分辨率特性,而且具有良好的细节保留和抗噪性能,即抑制了噪声又充分突出了故障信号的冲击特征,具有更好的早期微弱故障特征提取效果和计算效率,为微弱故障的有效诊断提供了一定的技术手段。
附图说明
图1为本发明的流程图;
图2为早期内圈故障滚动轴承振动加速度测试信号时域波形图;
图3为早期内圈故障滚动轴承振动加速度测试信号经独立分量分析后的信号时域波形图;
图4为被选取的包含故障信息的分离信号经过自适应提升形态小波分析后的时域图;
图5为被选取的包含故障信息的分离信号经过自适应提升形态小波分析后的功率谱图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1~5,本发明包括下列步骤:
1)利用加速度传感器对滚动轴承进行测量获取振动加速度测试信号。本发明的三个通道振动加速度测试信号分别有安装在基座、机壳的驱动端和输出端上的加速度传感器来拾取。
2)采用独立分量分析对振动加速度测试信号进行预处理,实现振源信号的分离。本发明采用改进的FastICA方法对振动加速度测试信号进行解耦分离,具体包括以下步骤:
2.1)对振动加速度测试信号z矩阵进行去均值和白化处理;
2.2)将随机权矢量w初始化,利用最速下降法求w0,起始迭代次数k=0,选取收敛判定值为critical=0.000001;
2.3)选取任意一个迭代点wv,而wv选取后固定不变,将wv和w0代入式(1)求出wk+1,根据wk+1=wk+1/‖wk+1‖归一化和去相关;
式中:g为非二次函数,E(·)为求均值。
2.4)判断|wk+1-wk|≤critical是否成立,不成立则k+1后返回(1)式继续迭代,成立则算法收敛,估计出一个分离矩阵分量;
2.5)当得到整个分离矩阵W后,由分离矩阵W与振动加速度测试信号z相乘得到源信号的估计信号,然后输出源信号的估计信号x。
3)选取包含故障特征信息的分离信号。
选取原则为:峰值因子(C)定义为峰值与均方根之比,表示波形是否有冲击的指标,其表达式为:C=XPEAK/XRMS。从理论上可知,正常轴承的振动信号的峰值因子大约为2.5~3.5,高于3.5的峰值因子即预示着有故障。由于波峰的值不受轴承尺寸、转速及载荷的影响,所以通过计算峰值因子的大小,可以有效地对判断信号中是否含有故障信息。
4)采用自适应提升形态小波变换对被选取的分离信号进行故障信号特征精确提取,具体包括以下步骤:
4.l)对被选取的分离信号进行自适应提升形态小波变换。选择自适应提升形态小波分解层数为j,将原始信号分解至第j层,得到每层的小波细节系数为d1,d2,…dj。
自适应提升形态小波变换实现方案为:
式中:ω↑是细节分析算子,ψ↑是信号分析算子,ψ↓为对偶小波分解中的信号合成算子,xj为将原始信号x分解到第j层,xj***成细节信号x'j+1和概貌信号y'j+1,再通过x'j+1和y'j+1重构出xj。Pc和Ud分别为由C和D决定的预测函数和更新函数,C和D分别为决定预测和更新算子的决定函数。本发明根据细节信号和概貌信号的相邻点信息来选择预测算子和更新算子。预测算子和更新算子的决定函数C和D如下所示
预测函数pc和更新函数Ud分别为
式中:∧和∨为集合示性函数。
4.2)选择合适的阀值处理方法对分解得到的小波细节系数进行处理,得到处理后的阀值系数为
4.2.1.采用基于邻域相关性的自适应阀值选择方法对形态小波细节信号进行处理,阀值函数的构造为
式中:dj,l是原始提升小波系数,是经阀值处理后提升小波细节系数,本发明取α=4,λj为第j分解层的阀值。Sj,l是以(j,l)为中心,大小为k=2l+1的操作邻域窗口的均值。
4.2.2.结合文献阀值选择方法的基础上提出阀值λj确定的函数为:
式中,0<β≤1,N为信号的长度,σ为噪声标准方差,σ可以用以下公式估计
式中,d代表形态小波细节系数,median(·)表示中值算子。
4.3)将经阀值处理后的提升形态小波细节信号进行提升形态小波重构,得到经降噪后的信号,从而精确提取故障特征信号。
5)用Pwelch方法做出功率谱图,并观察结果功率谱图是否存在故障特征频率,进而判断滚动轴承是否发生早期微弱故障。
附图2为一设置有早期内圈故障的SKF6205型滚动轴承振动加速度信号的时域图。轴承振动加速度信号测试数据来自于CaseWesternReserveUniversity的轴承数据中心网站。三个通道加速度信号分别有安装在基座、机壳的驱动端和输出端上的加速度传感器来拾取。轴承的局部损伤是由电火花机在轴承内圈人工加工制作,直径为0.05334cm,转速为1774r/min,载荷为0.735KW,内圈故障的特征频率为159.7Hz。
附图3为早期内圈故障滚动轴承测试振动加速度信号经独立分量分析分离后的信号时域波形图。
附图4为被选取的第三个包含故障特征信息的分离信号经过自适应提升形态小波分析处理后的时域图。分别计算三个分离信号的峰值因子得到第1个分离信号的C1=3.56≈3.5,第2个分离信号的C2=3.39<3.5,第3个分离信号的C3=5.58>3.5,所以可以判定第3个分离信号包含故障信息,所以对第3个分离信号进行自适应提升形态小波分析,其有效抑制了噪声和背景信号,并更好的突出了信号的冲击成分特征。
附图5为对选取的分离信号3经过自适应提升形态小波分析之后的功率谱图。从图中得到峰值较大的频率分别约为29.7Hz、130Hz、159.7Hz、360Hz、390Hz、449.7HZ,从中发现,在功率谱中,出现了以轴频的周期结构。其中29.7Hz为轴的转频f。同时发现130Hz、360Hz、390Hz、449.7HZ分别约为轴频的5倍、12倍、13倍、15倍的倍频,这说明以轴的旋转频率为调制频率的调制现象。此外,早期内圈故障的特征频率159.7Hz也精确的被提取出来。进而可以断定,是滚动轴承内圈发生了故障。从而验证了基于自适应提升形态小波变换的滚动轴承早期微弱故障诊断方法的有效性与精确性。
Claims (6)
1.滚动轴承早期微弱故障诊断方法,其特征是:
(1)在基座、机壳的驱动端和输出端上分别安装加速度传感器,采集各加速度传感器振动加速度信号,得到振动加速度信号z矩阵;
(2)采用独立分量分析对振动加速度信号进行预处理,实现振动加速度信号的分离;
(3)选取包含故障特征信息的分离信号;
(4)采用自适应提升形态小波变换对被选取的分离信号进行故障信号特征精确提取;
(5)用Pwelch方法做出功率谱图,观察功率谱图是否存在故障特征频率或其倍频处存在明显的峰值,进而判断滚动轴承是否发生早期微弱故障;
所述的采用独立分量分析对振动加速度信号进行预处理是采用基于负熵最大化的FastICA方法对加速度信号进行解耦分离:
(1)对振动加速度信号z矩阵进行去均值和白化处理;
(2)将随机权矢量w初始化,利用最速下降法求w0,起始迭代次数k=0,选取收敛判定值为critical;
(3)选取任意一个迭代点wv,wv选取后固定不变,将wv和w0代入下式: 求出wk+1,式中g为非二次函数,E(·)为求均值,根据wk+1=wk+1/||wk+1||归一化和去相关;
(4)判断|wk+1-wk|≤critical是否成立,不成立则k+1后返回式 继续迭代,若成立则算法收敛,估计出一个分离矩阵分量;
(5)当得到整个分离矩阵W后,由分离矩阵W与振动加速度信号z相乘得到源信号的估计信号,然后输出源信号的估计信号x。
2.根据权利要求1所述的滚动轴承早期微弱故障诊断方法,其特征是:选取包含故障特征信息的分离信号的过程为:
选取原则为:峰值因子C定义为峰值与均方根之比,其表达式为:C=XPEAK/XRMS,峰值因子高于3.5的即预示着有故障。
3.根据权利要求1所述的滚动轴承早期微弱故障诊断方法,其特征是:采用自适应提升形态小波变换对被选取的分离信号进行故障信号特征精确提取的步骤:
(l)对被选取的分离信号进行自适应提升形态小波变换:选择自适应提升形态小波分解层数为j,将原始信号分解至第j层,得到每层的小波细节系数为d1,d2,…dj,
自适应提升形态小波变换实现方案为:
式中:ω↑是细节分析算子,ψ↑是信号分析算子,ψ↓为对偶小波分解中的信号合成算子,xj为将原始信号x分解到第j层,xj***成细节信号x'j+1和概貌信号y'j+1,再通过x'j+1和y'j+1重构出xj,Pc和Ud分别为由C和D决定的预测函数和更新函数,C和D分别为决定预测和更新算子的决定函数,预测算子和更新算子的决定函数C和D如下所示
预测函数pc和更新函数Ud分别为
式中:和为集合示性函数;
(2)确定阀值,对分解得到的小波细节系数进行处理,得到处理后的阀值系数为
(3)将经阀值处理后的提升形态小波细节信号进行提升形态小波重构,得到经降噪后的信号,从而精确提取故障特征信号。
4.根据权利要求1所述的滚动轴承早期微弱故障诊断方法,其特征是:所述的收敛判定值critical=0.000001。
5.根据权利要求3所述的滚动轴承早期微弱故障诊断方法,其特征是:所述的阀值确定具体为:
采用基于邻域相关性的自适应阀值选择方法对小波细节系数进行处理,阀值函数的构造为:
式中:dj,l是原始提升小波系数,是经阀值处理后提升小波细节系数,α=4,λj为第j分解层的阀值,Sj,l是以(j,l)为中心,大小为k=2l+1的操作邻域窗口的均值,
6.根据权利要求3所述的滚动轴承早期微弱故障诊断方法,其特征是:所述的确定阀值具体为:
阀值λj确定的函数为:
式中,0<β≤1,N为信号的长度,σ为噪声标准方差,σ用以下公式估计
式中,d代表形态小波细节系数,median(·)表示中值算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310328699.XA CN103439110B (zh) | 2013-07-31 | 2013-07-31 | 滚动轴承早期微弱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310328699.XA CN103439110B (zh) | 2013-07-31 | 2013-07-31 | 滚动轴承早期微弱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439110A CN103439110A (zh) | 2013-12-11 |
CN103439110B true CN103439110B (zh) | 2015-12-09 |
Family
ID=49692808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310328699.XA Expired - Fee Related CN103439110B (zh) | 2013-07-31 | 2013-07-31 | 滚动轴承早期微弱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439110B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103712680A (zh) * | 2014-01-02 | 2014-04-09 | 上海理工大学 | 一种旋转机械滚动轴承预警方法 |
CN104182608A (zh) * | 2014-06-17 | 2014-12-03 | 哈尔滨工程大学 | 一种基于独立分量分析easi算法的机械故障诊断方法 |
CN104596766B (zh) * | 2014-12-24 | 2017-02-22 | 中国船舶工业***工程研究院 | 一种轴承早期故障确定方法及装置 |
CN104568444B (zh) * | 2015-01-28 | 2017-02-22 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN104699073B (zh) * | 2015-02-05 | 2017-06-20 | 哈尔滨工程大学 | 基于小波分形的自主式水下机器人故障辨识方法 |
CN105021399B (zh) * | 2015-06-26 | 2017-12-05 | 长安大学 | 一种基于单通道信号盲分离滚动轴承的特征提取方法 |
CN105067262B (zh) * | 2015-08-04 | 2017-10-27 | 潍坊学院 | 一种滚动轴承状态监测方法 |
CN105738109B (zh) * | 2016-02-22 | 2017-11-21 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
CN105913393B (zh) * | 2016-04-08 | 2018-08-17 | 暨南大学 | 一种自适应小波阈值图像去噪方法及装置 |
CN107101715A (zh) * | 2017-05-25 | 2017-08-29 | 贵州电网有限责任公司 | 一种基于交叉小波的变压器振动信号幅频特征量提取方法 |
CN110907174B (zh) * | 2019-11-18 | 2021-09-21 | 华南理工大学 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
CN111397896B (zh) * | 2020-03-08 | 2020-12-18 | 华中科技大学 | 一种旋转机械故障诊断方法、***及存储介质 |
CN111738155A (zh) * | 2020-06-23 | 2020-10-02 | 东北石油大学 | 往复压缩机轴承间隙故障诊断方法 |
CN112036270B (zh) * | 2020-08-18 | 2024-03-05 | 兰州理工大学 | 一种滚动轴承早期损伤状态的振动监测方法 |
CN112098088B (zh) * | 2020-08-19 | 2022-01-28 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
CN112326017B (zh) * | 2020-09-28 | 2022-01-04 | 南京航空航天大学 | 一种基于改进半经典信号分析的微弱信号检测方法 |
CN112985809A (zh) * | 2021-02-09 | 2021-06-18 | 上海电机学院 | 基于信号多维度精细画像的滚动轴承故障诊断方法 |
CN113295417B (zh) * | 2021-05-21 | 2022-05-03 | 中国人民解放军国防科技大学 | 一种轴承故障特征频率计算方法及装置 |
CN114001961B (zh) * | 2021-10-29 | 2024-04-23 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
CN114055251A (zh) * | 2021-12-17 | 2022-02-18 | 沈阳科网通信息技术有限公司 | 一种基于深度分解的电主轴***早期故障检测方法 |
CN116558824B (zh) * | 2023-04-19 | 2024-02-06 | 华中科技大学 | 一种面向多通道的轴承综合指标健康监测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183366A (zh) * | 2011-03-08 | 2011-09-14 | 上海大学 | 滚动轴承振动测量和故障分析装置及方法 |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
-
2013
- 2013-07-31 CN CN201310328699.XA patent/CN103439110B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183366A (zh) * | 2011-03-08 | 2011-09-14 | 上海大学 | 滚动轴承振动测量和故障分析装置及方法 |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
Non-Patent Citations (4)
Title |
---|
Independent component analysis of vibrations for fault diagnosis of an induction motor;Sanna Pöyhönen etc al.;《Proceedings of the IASTED International Conference》;20030521;第203-208页 * |
基于ICA 和小波变换的轴承故障特征提取;钟飞 等;《微计算机信息》;20071231;第23卷(第10-1期);第154-155,269页 * |
基于形态小波理论和双谱分析的滚动轴承故障诊断;林勇 等;《浙江大学学报(工学版)》;20100331;第44卷(第3期);第432-439页 * |
基于时域参数趋势分析的滚动轴承故障诊断;万书亭 等;《机械工程与自动化》;20100630(第160期);第108-110,113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103439110A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439110B (zh) | 滚动轴承早期微弱故障诊断方法 | |
Ou et al. | A new rolling bearing fault diagnosis method based on GFT impulse component extraction | |
Guo et al. | Fault feature extraction for rolling element bearing diagnosis based on a multi-stage noise reduction method | |
Zhang et al. | Multi-fault diagnosis of gearbox based on resonance-based signal sparse decomposition and comb filter | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN103076177A (zh) | 一种基于振动检测的滚动轴承故障检测方法 | |
CN103499437B (zh) | 可调品质因子双树复小波变换的旋转机械故障检测方法 | |
Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
CN103308292A (zh) | 基于振动信号分析的真空断路器机械状态检测方法 | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN102323518A (zh) | 一种基于谱峭度的局部放电信号识别方法 | |
CN103018629A (zh) | 一种基于马拉算法的电力***故障录波数据分析方法 | |
CN103995950A (zh) | 基于空域相关修正阈值的变小波系数局部放电信号消噪方法 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
CN106932184A (zh) | 一种基于改进层次聚类的变压器故障诊断方法 | |
Zhang et al. | Adaptive filtering enhanced windowed correlated kurtosis for multiple faults diagnosis of locomotive bearings | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN102778354A (zh) | 基于小波分析的风电回转支承故障诊断方法 | |
Xu et al. | Caputo-Fabrizio fractional order derivative stochastic resonance enhanced by ADOF and its application in fault diagnosis of wind turbine drivetrain | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别*** | |
Li et al. | A sensor-dependent vibration data driven fault identification method via autonomous variational mode decomposition for transmission system of shipborne antenna | |
Wang et al. | Information interval spectrum: a novel methodology for rolling-element bearing diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151209 Termination date: 20210731 |