CN104198183A - 风电机组传动链振动噪声抑制及其早期故障特征提取方法 - Google Patents
风电机组传动链振动噪声抑制及其早期故障特征提取方法 Download PDFInfo
- Publication number
- CN104198183A CN104198183A CN201410474693.8A CN201410474693A CN104198183A CN 104198183 A CN104198183 A CN 104198183A CN 201410474693 A CN201410474693 A CN 201410474693A CN 104198183 A CN104198183 A CN 104198183A
- Authority
- CN
- China
- Prior art keywords
- vector
- vectorial
- characteristic frequency
- fault
- signal
- 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.)
- Pending
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种风电机组传动链振动噪声抑制及其早期故障特征提取方法,该方法利用经验模态分解分析单测点振动信号,筛选出能够表征故障特征频率的固有模态函数,并重构得到故障特征信号以突出故障特征,再利用自相关分析去除重构信号中噪声的影响,并结合小波包变换特征频率提取方法,实现对单测点振动信号的噪声抑制;在此基础上,利用自适应共振理论对经过噪声抑制处理的多个测点振动信号频谱进行融合分析,实现对早期故障特征的提取。本方法能够有效地去除背景白噪声和短时干扰噪声的影响,并提取出早期微弱故障特征频率;可以直接应用到风电机组监测和故障诊断***中,实现对风电机组传动链机械故障的诊断。
Description
技术领域
本发明属于风电机组状态监测技术领域,涉及一种风电机组传动链振动噪声抑制及其早期故障特征提取方法。
背景技术
随着我国风电产业快速发展和大规模风力发电的并网运行,研究如何应用风电机组状态监测技术,从而降低风电机组故障频率和运行维修成本,提高其发电量已引起广泛关注。其中,准确、全面地提取出故障特征信号和微弱征兆是状态监测和故障诊断的关键。由于风电机组受风速的随机性和不确定性,以及机组变速恒频发电控制特性的影响,其状态监测中的振动信号易受多种噪声干扰导致其特征频率难以提取,直接影响状态监测***早期探测、故障预警以及寿命管理水平;此外,现有风电机组振动状态监测的分析大都基于单一测点振动信号的独立分析,难以提取出早期微弱故障特征。因此,研究有效提取风电机组振动信号的故障特征频率,对提高风电机组状态监测的准确性具有重要现实意义。
发明内容
有鉴于此,本发明的目的在于提供一种风电机组传动链振动噪声抑制及其早期故障特征提取方法,该方法能够有效去除风电机组振动信号中的背景白噪声和短时干扰噪声,提取出早期微弱故障特征频率。
为达到上述目的,本发明提供如下技术方案:
一种风电机组传动链振动噪声抑制及其早期故障特征提取方法,包括以下步骤:
1)提取故障特征频谱向量Xj。对采集到的J组振动原始数据,利用EMD-WPT特征频率提取方法,提取出故障特征频谱向量Xj(xj1,xj2,…,xjn),其中j=1,2,…,J;n为频谱向量维数。并初始化j=1。
2)频谱向量的前处理。首先判断j值,如果j≤J,输入信号Xj,并对频谱向量进行如下处理。
式中:i=1,2,…,n;upi的初始值为0;a为一个正反馈系数,取为10;||.||表示向量二范数。
f(t)是一个非线性的阀值函数:
在上述处理过程中,由正反馈向量Up(up1,up2,…,upn)可以得到向量Zp(zp1,zp2,…,zpn),然后将向量Zp进行归一化处理,即可得到向量Sp(sp1,sp2,…,spn);再利用阈函数f(t)对此归一化向量Sp进行处理,此时小幅噪声频率将会被削弱。由于向量Vp满足‖Vp‖<1,使得再次对向量Vp进行归一化运算时,在Vp中保留的频率成分将会被增强,得到的向量Up又被正反馈至Xj处,进一步增强了被保留的频率成分。对闭环过程:Zp→Sp→Vp→Up→Zp反复进行迭代,直到向量Up(up1,up2,…,upn)前后2次迭代的向量之差的二范数小于一个设定的微小正数ε,则向量达到稳定,即:
式中及为向量Up第K+1次和K次循环的迭代值;
3)建立特征频谱向量。如果j值为1,则利用Up经过式(4)处理,建立特征频谱向量Fsv(fsv1,fsv2…,fsvn),否则执行步骤4)。
式中,向量ui的初始值为0;a和b的值均为10。
本步骤中vi较步骤2)中的vpi增加了一个正反馈运算,以增强保存在向量U中的特征频率。
对循环:Z→S→V→U→Z反复执行,最终建立特征频谱向量,并将U向量设置为零向量。
FSV=U;U=0 (5)
其中:0为零向量。令j=j+1,返回步骤2)。
4)特征频谱向量的提取和融合。将特征频谱向量Fsv(fsv1,fsv2…,fsvn)和频谱向量Xj通过以下过程进行融合。
其中:ui和qi的初值为0。向量Pi为向量Xj与特征频谱向量Fsv融合得到的新向量,该向量包含着不同频谱融合后的信息。d为融合因子,表示融合程度的系数,根据经验可取为0.9。
5)特征频谱向量的更新。对特征向量Fsv(fsv1,fsv2,…,fsvn)进行更新,设置中间向量为0:
FSV=P;Up=0;U=0;Q=0 (7)
判断j值,如果j=J,则说明所有的频谱向量已经处理完毕,此时的Fsv融合了所有频谱向量的信息,算法结束;否则令j=j+1返回步骤2)继续对下一个向量Xj进行处理。
进一步,步骤1)中所述含EMD-WPT特征频率提取方法其步骤在于:
①EMD分解。对采集的原始振动信号S1(t)进行EMD分解,分离出具有不同频率的IMF:c1(t),c2(t),...,ck(t)。
②IMF选择与重构。选取具有能够表征故障特征频率的IMF:ci(t),ci+1(t),...,ci+n(t),累加ci(t),ci+1(t),...,ci+n(t),得到仅含故障信息的信号S2(t)。
③自相关分析。对信号S2(t)进行自相关分析,消除噪声,即减弱甚至是消除背景白噪声和短时干扰噪声的影响,得到去噪后的信号S3(t)。
④小波包特征频率提取。首先选择小波函数并确定小波包分解的层数N,然后对信号S3(t)进行N层小波包分解,得到各层的小波系数,并根据故障特征所在频段选择相应的小波包系数进行信号重构,最后将重构信号进行快速傅里叶变换(Fast Fourier Transformation,FFT),得到重构信号的幅值谱。
本发明的优点在于:本发明公开的一种风电机组传动链振动噪声抑制及其早期故障特征提取方法能够有效地去除背景白噪声和短时干扰噪声的影响,并提取出早期微弱故障特征频率,该方法可以直接应用到风电机组监测和故障诊断***中,实现对风电机组传动链机械故障的诊断。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于EMD-WPT辅以多测点数据融合的分析流程;
图2为EMD-WPT噪声抑制的特征频率提取流程;
图3为实际发电机前后轴承原始振动信号;
图4为采用EMD-WPT提取的实际振动信号频谱;
图5为采用基于EMD-WPT辅以多测点数据融合的实际振动信号频谱;
图6为采用WPT提取的实际振动信号频谱。
图7为模拟的发电机前后轴承原始振动信号;
图8为采用EMD-WPT提取的模拟振动信号频谱;
图9为采用基于EMD-WPT辅以多测点数据融合的模拟振动信号频谱;
图10为采用WPT提取的模拟振动信号频谱。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
实施例1
图1为基于EMD-WPT辅以多测点数据融合的分析流程,如图所示:本发明提供的一种风电机组传动链振动噪声抑制及其早期故障特征提取方法,包括以下步骤:
1)提取故障特征频谱向量Xj。对采集到的J组振动原始数据,利用EMD-WPT特征频率提取方法,提取出故障特征频谱向量Xj(xj1,xj2,…,xjn),其中j=1,2,…,J;n为频谱向量维数。并初始化j=1。
2)频谱向量的前处理。首先判断j值,如果j≤J,输入信号Xj,并对频谱向量进行如下处理。
式中:i=1,2,…,n;upi的初始值为0;a为一个正反馈系数,取为10;||.||表示向量二范数。f(t)是一个非线性的阀值函数:
在上述处理过程中,由正反馈向量Up(up1,up2,…,upn)可以得到向量Zp(zp1,zp2,…,zpn),然后将向量Zp进行归一化处理,即可得到向量Sp(sp1,sp2,…,spn);再利用阈函数f(t)对此归一化向量Sp进行处理,此时小幅噪声频率将会被削弱。由于向量Vp满足‖Vp‖<1,使得再次对向量Vp进行归一化运算时,在Vp中保留的频率成分将会被增强,得到的向量Up又被正反馈至Xj处,进一步增强了被保留的频率成分。对闭环过程:Zp→Sp→Vp→Up→Zp反复进行迭代,直到向量Up(up1,up2,…,upn)前后2次迭代的向量之差的二范数小于一个设定的微小正数ε,则向量达到稳定,即:
式中及为向量Up第K+1次和K次循环的迭代值;
3)建立特征频谱向量。如果j值为1,则利用Up经过式(4)处理,建立特征频谱向量Fsv(fsv1,fsv2…,fsvn),否则执行步骤4)。
式中,向量ui的初始值为0;a和b的值均为10。
本步骤中vi较步骤2)中的vpi增加了一个正反馈运算,以增强保存在向量U中的特征频率。
对循环:Z→S→V→U→Z反复执行,最终建立特征频谱向量,并将U向量设置为零向量。
FSV=U;U=0 (5)
其中:0为零向量。令j=j+1,返回步骤2)。
4)特征频谱向量的提取和融合。将特征频谱向量Fsv(fsv1,fsv2…,fsvn)和频谱向量Xj通过以下过程进行融合。
其中:ui和qi的初值为0。向量Pi为向量Xj与特征频谱向量Fsv融合得到的新向量,该向量包含着不同频谱融合后的信息。d为融合因子,表示融合程度的系数,根据经验可取为0.9。
5)特征频谱向量的更新。对特征向量Fsv(fsv1,fsv2,…,fsvn)进行更新,设置中间向量为0:
FSV=P;Up=0;U=0;Q=0 (7)
判断j值,如果j=J,则说明所有的频谱向量已经处理完毕,此时的Fsv融合了所有频谱向量的信息,算法结束;否则令j=j+1返回步骤2)继续对下一个向量Xj进行处理。
如步骤1)所述含EMD-WPT特征频率提取方法的流程框图如图2所示,其步骤在于:
①EMD分解。对采集的原始振动信号S1(t)进行EMD分解,分离出具有不同频率的IMF:c1(t),c2(t),...,ck(t)。
②IMF选择与重构。选取具有能够表征故障特征频率的IMF:ci(t),ci+1(t),...,ci+n(t),累加ci(t),ci+1(t),...,ci+n(t),得到仅含故障信息的信号S2(t)。
③自相关分析。对信号S2(t)进行自相关分析,消除噪声,即减弱甚至是消除背景白噪声和短时干扰噪声的影响,得到去噪后的信号S3(t)。
④小波包特征频率提取。首先选择小波函数并确定小波包分解的层数N,然后对信号S3(t)进行N层小波包分解,得到各层的小波系数,并根据故障特征所在频段选择相应的小波包系数进行信号重构,最后将重构信号进行快速傅里叶变换(Fast Fourier Transformation,FFT),得到重构信号的幅值谱。
实施例2
现以图3所示的实际发电机前后轴承原始振动信号的故障特征提取为例来对本发明所述的方法进行具体说明:
首先利用EMD分别分解发电机前后轴承振动信号,均得到15组IMF,此处选择并累加与故障特征相关的IMF5~IMF14得到重构信号S2(t),再对其进行自相关分析,最后利用小波包变换(WPT)特征频率提取方法求取得到如图4所示的频谱图,建立起故障特征频谱向量Xj;然后利用基于EMD-WPT辅以多测点数据融合方法对Xj进行融合分析,经融合后的故障特征频谱如图5所示。
为了对比本发明的处理效果,直接采用WPT提取出发电机前后轴承原始振动的频谱如图6所示。从图6可知,点1和1'处的特征频率为发电机转频30Hz及其2倍频,其产生的原因可能为联轴器出现角度不对中;点3和3'处的特征频率为发电机前轴承内环故障特征频率143.8Hz及其二倍频,表明发电机前轴承内环出现故障。然而,幅值均较大的点2、4、5处频率和点3'处附近的频谱带,并不对应表1所示的故障特征频率,可归类为风电机组振动信号的短时干扰噪声。另外,在其轴承信号的整个频域内,也均匀分布着低幅值频率的背景白噪声。从图中频谱分布可以看出,由于短时干扰噪声和背景白噪声的存在,仅通过WPT特征频率提取方法得到的故障特征频率并不明显。而从图5中可以看出,均匀分布于整个频谱中的背景白噪声和短时干扰噪声均完全得到了去除,只剩下与故障相关的点1、1'、3和3'处的频率。从上面的结果可以看出,该风电机组出现了联轴器角度不对中和前轴承内环损坏两种故障类型,后经对风电机组进行检修确认了本文检测出的故障。本发明能有效去除噪声,且故障特征更加清晰。
实施例3
现以模拟的发电机前后轴承振动信号分析为例来对本发明所述的方法进行具体说明。其中,振动信号源考虑以下这些分量:振动信号源考虑以下这些分量:100Hz及其2倍频的发电机前轴承故障分量;250Hz微弱早期故障分量;150Hz短时干扰噪声分量;800~850Hz轴承固有频率带分量;模拟环境干扰的高斯白噪声分量。采样频率为25600Hz,仿真时间设定为1s,即采样点数为25600个。具体模拟振动信号如下:
1)信号1:
S1(t)=0.2sin(2π×100t)+0.15sin(2π×200t)
2)信号2:
S2(t)=0.06sin(2π×250t)
3)信号3:
S3(t)=sin(2π×150t)e-20t
4)信号4:
式中k=800+n单位(Hz);n=1,2,...,50
5)信号5:
S5(t)=0.15wgn(1,N);式中N=25600
假设模拟得到的风力发电机前后轴承振动模拟信号分别为:
M1=S1+S2+S3+S4+S5
M2=0.7×(S1+S2+S3)+S4+S5
图7为模拟得到的发电机前后轴承振动信号时域波形。首先利用EMD分别分解模拟的发电机前后轴承振动信号,均得到16组IMF,此处选择并累加与故障特征相关的IMF6~IMF15得到重构信号S2(t),再对其进行自相关分析,最后利用小波包变换(WPT)特征频率提取方法求取得到如图8所示的频谱图,建立起故障特征频谱向量Xj;然后利用基于EMD-WPT辅以多测点数据融合方法对Xj进行融合分析,经融合后的故障特征频谱如图9所示。
为了对比本发明的处理效果,直接采用WPT提取出发电机前后轴承原始振动的频谱如图10所示。从图10可以看出,点1和1'为模拟发电机前轴承故障特征频率100Hz及其二倍频,点2和3分别为模拟的150Hz短时干扰噪声和250Hz的故障早期微弱信号;此外,在整个频谱中均匀分布着一定强度的背景白噪声。仅通过WPT特征频率提取方法,模拟的故障早期微弱信号250Hz淹没在较强的背景白噪声和短时干扰噪声中,故障特征不明显。从图9结果可以看出,其均匀分布于整个频谱中的背景白噪声和短时干扰噪声均完全得到了去除,仅剩下与故障相关的点1、1'和3处频率,其中3处的特征频率为模拟的早期微弱故障信号。因此,从上面的结果可以看出,利用本发明能够有效去除风电机组振动信号中的背景白噪声和短时干扰噪声,并提取出早期微弱故障特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种风电机组传动链振动噪声抑制及其早期故障特征提取方法,其特征在于:包括以下步骤:
1)提取故障特征频谱向量Xj,对采集到的J组振动原始数据,利用EMD-WPT特征频率提取方法,提取出故障特征频谱向量Xj(xj1,xj2,…,xjn),其中j=1,2,…,J;n为频谱向量维数,并初始化j=1;
2)频谱向量的前处理:首先判断j值,如果j≤J,输入信号Xj,并对频谱向量进行如下处理:
式中:i=1,2,…,n;upi的初始值为0;a为一个正反馈系数,取为10;||.||表示向量二范数;
f(t)是一个非线性的阀值函数:
在上述处理过程中,由正反馈向量Up(up1,up2,…,upn)可以得到向量Zp(zp1,zp2,…,zpn),然后将向量Zp进行归一化处理,即可得到向量Sp(sp1,sp2,…,spn);再利用阈函数f(t)对此归一化向量Sp进行处理,此时小幅噪声频率将会被削弱;由于向量Vp满足‖Vp‖<1,使得再次对向量Vp进行归一化运算时,在Vp中保留的频率成分将会被增强,得到的向量Up又被正反馈至Xj处,进一步增强了被保留的频率成分;对闭环过程:Zp→Sp→Vp→Up→Zp反复进行迭代,直到向量Up(up1,up2,…,upn)前后2次迭代的向量之差的二范数小于一个设定的微小正数ε,则向量达到稳定,即:
式中及为向量Up第K+1次和K次循环的迭代值;
3)建立特征频谱向量:如果j值为1,则利用Up经过式(4)处理,建立特征频谱向量Fsv(fsv1,fsv2…,fsvn),否则执行步骤4):
式中,向量ui的初始值为0;a和b的值均为10;
本步骤中vi较步骤2)中的vpi增加了一个正反馈运算,以增强保存在向量U中的特征频率;
对循环:Z→S→V→U→Z反复执行,最终建立特征频谱向量,并将U向量设置为零向量;
FSV=U;U=0 (5)
其中:0为零向量。令j=j+1,返回步骤2);
4)特征频谱向量的提取和融合,将特征频谱向量Fsv(fsv1,fsv2…,fsvn)和频谱向量Xj通过以下过程进行融合:
其中:ui和qi的初值为0;向量Pi为向量Xj与特征频谱向量Fsv融合得到的新向量,该向量包含着不同频谱融合后的信息;d为融合因子,表示融合程度的系数,根据经验可取为0.9;
5)特征频谱向量的更新,对特征向量Fsv(fsv1,fsv2,…,fsvn)进行更新,设置中间向量为0:
FSV=P;Up=0;U=0;Q=0 (7)
判断j值,如果j=J,则说明所有的频谱向量已经处理完毕,此时的Fsv融合了所有频谱向量的信息,算法结束;否则令j=j+1返回步骤2)继续对下一个向量Xj进行处理。
2.根据权利要求1所述的风电机组传动链振动噪声抑制及其早期故障特征提取方法,其特征在于:步骤中的特征频率提取方法具体包括:
①经验模态分解(Empirical Mode Decomposition,EMD)分解:对采集的原始振动信号S1(t)进行EMD分解,分离出具有不同频率的固有模态函数(Intrinsic Mode Function,IMF):c1(t),c2(t),...,ck(t);
②IMF选择与重构:选取具有能够表征故障特征频率的IMF:ci(t),ci+1(t),...,ci+n(t),累加ci(t),ci+1(t),...,ci+n(t),得到仅含故障信息的信号S2(t);
③自相关分析:对信号S2(t)进行自相关分析,消除噪声,即减弱甚至是消除背景白噪声和短时干扰噪声的影响,得到去噪后的信号S3(t);
④小波包特征频率提取:首先选择小波函数并确定小波包分解的层数N,然后对信号S3(t)进行N层小波包分解,得到各层的小波系数,并根据故障特征所在频段选择相应的小波包系数进行信号重构,最后将重构信号进行快速傅里叶变换(Fast Fourier Transformation,FFT),得到重构信号的幅值谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410474693.8A CN104198183A (zh) | 2014-09-17 | 2014-09-17 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410474693.8A CN104198183A (zh) | 2014-09-17 | 2014-09-17 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104198183A true CN104198183A (zh) | 2014-12-10 |
Family
ID=52083510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410474693.8A Pending CN104198183A (zh) | 2014-09-17 | 2014-09-17 | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104198183A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568413A (zh) * | 2015-01-09 | 2015-04-29 | 浙江理工大学 | 电子膨胀阀噪声测定装置 |
CN105547627A (zh) * | 2016-01-28 | 2016-05-04 | 南京信息工程大学 | 基于wpt-ceemd的旋转机械特征提取方法 |
CN106357036A (zh) * | 2016-09-07 | 2017-01-25 | 辽宁工业大学 | 一种电机定子与机座的定位结构及其故障诊断方法 |
CN106644035A (zh) * | 2016-12-15 | 2017-05-10 | 北方工业大学 | 一种基于时频变换特性的振动源识别方法及*** |
CN108444698A (zh) * | 2018-06-15 | 2018-08-24 | 福州大学 | 基于teo解调和随机共振的行星齿轮箱早期故障诊断方法 |
CN109580221A (zh) * | 2018-11-30 | 2019-04-05 | 电子科技大学 | 一种机械传动振动频谱去混叠技术 |
CN110553810A (zh) * | 2019-07-23 | 2019-12-10 | 北京控制工程研究所 | 一种星载变速cmg微振动噪声抑制方法 |
CN111077386A (zh) * | 2019-11-22 | 2020-04-28 | 西安理工大学 | 一种电气设备早期故障信号降噪方法 |
CN111108455A (zh) * | 2017-11-13 | 2020-05-05 | 株式会社日立制作所 | 数据分类装置 |
CN111210845A (zh) * | 2019-12-20 | 2020-05-29 | 太原理工大学 | 一种基于改进自相关特征的病理语音检测装置 |
CN111927717A (zh) * | 2020-08-12 | 2020-11-13 | 国家电投集团广西兴安风电有限公司 | 一种风机机舱传动链噪声在线监测***及方法 |
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械***故障检测方法 |
CN114112400A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
Citations (5)
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 |
CN102394658A (zh) * | 2011-10-16 | 2012-03-28 | 西南科技大学 | 一种面向机械振动信号的复合压缩方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103117066A (zh) * | 2013-01-17 | 2013-05-22 | 杭州电子科技大学 | 基于时频瞬时能量谱的低信噪比语音端点检测方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
-
2014
- 2014-09-17 CN CN201410474693.8A patent/CN104198183A/zh active Pending
Patent Citations (5)
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 |
CN102394658A (zh) * | 2011-10-16 | 2012-03-28 | 西南科技大学 | 一种面向机械振动信号的复合压缩方法 |
CN103117066A (zh) * | 2013-01-17 | 2013-05-22 | 杭州电子科技大学 | 基于时频瞬时能量谱的低信噪比语音端点检测方法 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103424600A (zh) * | 2013-08-20 | 2013-12-04 | 昆明理工大学 | 一种基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别方法 |
Non-Patent Citations (1)
Title |
---|
李辉 等: "天窗电机噪声测试及特征频率提取方法", 《中国电机工程学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568413A (zh) * | 2015-01-09 | 2015-04-29 | 浙江理工大学 | 电子膨胀阀噪声测定装置 |
CN105547627A (zh) * | 2016-01-28 | 2016-05-04 | 南京信息工程大学 | 基于wpt-ceemd的旋转机械特征提取方法 |
CN106357036A (zh) * | 2016-09-07 | 2017-01-25 | 辽宁工业大学 | 一种电机定子与机座的定位结构及其故障诊断方法 |
CN106644035A (zh) * | 2016-12-15 | 2017-05-10 | 北方工业大学 | 一种基于时频变换特性的振动源识别方法及*** |
CN111108455A (zh) * | 2017-11-13 | 2020-05-05 | 株式会社日立制作所 | 数据分类装置 |
CN108444698B (zh) * | 2018-06-15 | 2019-07-09 | 福州大学 | 基于teo解调和随机共振的行星齿轮箱早期故障诊断方法 |
CN108444698A (zh) * | 2018-06-15 | 2018-08-24 | 福州大学 | 基于teo解调和随机共振的行星齿轮箱早期故障诊断方法 |
CN109580221A (zh) * | 2018-11-30 | 2019-04-05 | 电子科技大学 | 一种机械传动振动频谱去混叠技术 |
CN110553810A (zh) * | 2019-07-23 | 2019-12-10 | 北京控制工程研究所 | 一种星载变速cmg微振动噪声抑制方法 |
CN111077386A (zh) * | 2019-11-22 | 2020-04-28 | 西安理工大学 | 一种电气设备早期故障信号降噪方法 |
CN111210845A (zh) * | 2019-12-20 | 2020-05-29 | 太原理工大学 | 一种基于改进自相关特征的病理语音检测装置 |
CN111210845B (zh) * | 2019-12-20 | 2022-06-21 | 太原理工大学 | 一种基于改进自相关特征的病理语音检测装置 |
CN111927717A (zh) * | 2020-08-12 | 2020-11-13 | 国家电投集团广西兴安风电有限公司 | 一种风机机舱传动链噪声在线监测***及方法 |
CN112033656A (zh) * | 2020-08-27 | 2020-12-04 | 杭州电子科技大学 | 一种基于宽带谱处理的机械***故障检测方法 |
CN114112400A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 一种基于多角度信息融合的机械轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104198183A (zh) | 风电机组传动链振动噪声抑制及其早期故障特征提取方法 | |
Yu et al. | Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising | |
Wang et al. | A demodulation method based on improved local mean decomposition and its application in rub-impact fault diagnosis | |
Dong et al. | Faults diagnosis of rolling element bearings based on modified morphological method | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN107192554A (zh) | 一种风电机组滚动轴承的振动故障诊断方法 | |
Yu et al. | Sparse coding shrinkage in intrinsic time-scale decomposition for weak fault feature extraction of bearings | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
He et al. | A data-driven group-sparse feature extraction method for fault detection of wind turbine transmission system | |
Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
Jena et al. | Variational mode decomposition‐based power system disturbance assessment to enhance WA situational awareness and post‐mortem analysis | |
Lin et al. | Measurement and analysis of current signals for gearbox fault recognition of wind turbine | |
Mishra et al. | Loss of main detection in distribution generation system based on hybrid signal processing and machine learning technique | |
Li et al. | Rotating machinery fault diagnosis based on typical resonance demodulation methods: a review | |
Gong et al. | Application of optimized multiscale mathematical morphology for bearing fault diagnosis | |
CN104089778B (zh) | 一种水轮机振动故障诊断方法 | |
Prosvirin et al. | Efficient rub-impact fault diagnosis scheme based on hybrid feature extraction and SVM | |
Vergura et al. | A nonlinear and non-stationary signal analysis for accurate power quality monitoring in smart grids | |
CN110147637A (zh) | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 | |
Cao et al. | Bearing fault diagnosis with frequency sparsity learning | |
CN112464708B (zh) | 双馈异步风机电能质量异常故障诊断方法 | |
Tan et al. | A new method for machinery fault diagnoses based on an optimal multiscale morphological filter | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm | |
Gao et al. | A Method Using EEMD and L-Kurtosis to detect faults in roller bearings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141210 |
|
RJ01 | Rejection of invention patent application after publication |