CN104596766A - 一种轴承早期故障确定方法 - Google Patents
一种轴承早期故障确定方法 Download PDFInfo
- Publication number
- CN104596766A CN104596766A CN201410818332.0A CN201410818332A CN104596766A CN 104596766 A CN104596766 A CN 104596766A CN 201410818332 A CN201410818332 A CN 201410818332A CN 104596766 A CN104596766 A CN 104596766A
- Authority
- CN
- China
- Prior art keywords
- bearing
- spectrum band
- initial failure
- value
- vibration 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.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种轴承早期故障确定方法包括:第一步:将采集到的轴承振动时域信号,按照等长度分割成为N组子振动信号;第二步:对于每一子振动信号,计算局部频谱带能量Mg:1)对子振动信号进行频域变换;2)在Hilbert边际谱中以f∈[fp-Δf,fp+Δf]为区间在整个边际谱中选取局部频谱带,其中,fp为根据轴承结构尺寸计算的轴承故障特征频率,Δf=2Hz;3)通过公式计算局部频谱带能量,其中h(f)局部频谱带内频率幅值;第三步:由N个Mg组成局部频谱带能量值序列,轴承无故障时振动信号局部频谱带能量值为Mf,所述序列中的Mg≥K*Mf共计M次,其中K为一常数,特征能量率CPR由公式确定;第四步:当CPR大于等于某一常数A时,则能够确定为早期故障。
Description
技术领域
本发明涉及一种振动信号特征提取方法,特别是涉及一种轴承早期故障确定方法。
背景技术
轴承是旋转机械设备的重要组成之一,在实际工程应用中轴承故障一直是旋转机械设备频发的故障件,对于轴承早期故障特征提取能够及早发现轴承故障,避免因轴承故障而导致旋转机械设备的二次损伤。轴承振动信号中含有丰富的轴承故障信息,利用适用的特征提取方法提取出敏感特征能够实现对于轴承故障的检测与预警。
对于滚动轴承而言,轴承由轴承外圈、轴承内圈、滚珠和保持架组成。轴承故障也分为外圈故障、内圈故障、滚动体故障和保持架故障四种,对应的故障频率如下:
式中:
fo——轴承外圈故障特征频率
N——轴承滚动体数目
bd——轴承滚动体直径
dp——轴承节圆直径
β——轴承滚动体(与滚道)的接触角
fr——轴承转动频率
fi——轴承内圈故障特征频率
fball——滚动体故障特征频率
fcage——保持架故障特征频率
轴承故障特征提取方法一般是通过振动监测***对轴承振动信号进行拾取,根据采样定理获取轴承工作过程中的振动信号,然后对轴承振动信号进行频谱分析获取轴承振动信号的频谱图像,观察频谱中是否出现与轴承故障特征频率相对应的频率,如果出现轴承故障特征频率则认为轴承存在故障问题。在实际工程应用中,长期存在这样的现象,即振动信号频谱中没有出现明显的故障特征频率,但是定期拆检发现轴承已经出现早期故障,采用分析轴承故障特征频率的通用方法难以检测轴承早期故障。
发明内容
本发明要解决的技术问题是提供一种轴承早期故障确定方法,可以对复杂工作环境下的轴承早期故障提取特征,实现对轴承早期故障预警。
为解决上述技术问题,本发明提供一种轴承早期故障确定方法,所述轴承早期故障确定方法包括:
第一步:将采集到的轴承振动时域信号,按照等长度分割成为N组子振动信号;
第二步:对于每一子振动信号,计算局部频谱带能量Mg:
1)对子振动信号进行频域变换;
2)在Hilbert边际谱中以f∈[fp-Δf,fp+Δf]为区间在整个边际谱中选取局部频谱带,其中,fp为根据轴承结构尺寸计算的轴承故障特征频率,Δf=2Hz;
3)通过公式计算局部频谱带能量Mg,其中h(f)局部频谱带内频率幅值;
第三步:由N个Mg组成局部频谱带能量值序列,轴承无故障时振动信号局部频谱带能量值为Mf,所述序列中的Mg≥K*Mf共计M次,其中K为一常数,是通过早期故障模拟标定实验经验值,特征能量率CPR由公式 确定;
第四步:当CPR大于等于某一常数A时,则能够确定为早期故障。
本发明还提供一种轴承早期故障确定装置,该装置包括局部频带宽确定装置,局部频谱带选定装置,局部频谱带能量计算装置,特征能量计算装置;
局部频谱带选定装置根据由局部频带宽确定装置确定的Δf确定区间f∈[fp-Δf,fp+Δf],Δf=2Hz,fp为根据轴承结构尺寸计算的轴承故障特征频率;
局部频谱带能量计算装置根据局部频谱带内频率幅值h(f)通过公式计算局部频谱带能量Mg;
特征能量率计算装置,将轴承振动信号按照等长度分割成为N组子振动信号,由局部频谱带能量计算装置计算得到N组子振动信号的局部频谱带能量Mg,N个Mg组成局部频谱带能量值序列,轴承无故障时振动信号局部频谱带能量值为Mf,所述序列中的Mg≥K*Mf共计M次,其中K为一常数,实验特征能量率CPR由公式确定;当CPR大于等于某一常数A时,能够确定为早期故障。
优选的,K是通过早期故障模拟标定实验经验值,K取值为≥1.5,且≤3.5。
优选的,K取值为2时,能够满足常规检测精度的要求。
优选的,N取值为≥20,且≤60时,能够满足常规检测精度的要求。
优选的,N取值为40。
优选的,A取值为≥80%,且≤95%。
优选的,A取值为80%。
优选的,确定为早期故障后,向外输出报警信息。
本发明有益效果如下:
本发明的方法能够验证早期轴承故障特征出现的重复性和稳定性,确认轴承早期故障的检测结果的真实性,经过验证后对轴承早期故障进行报警。
本发明的方法和装置有以下有益的效果:1)采用局部频谱带能量,可以在复杂工作环境下提取轴承故障特征,从能量的角度分析轴承早期故障引起振动信号的变化;2)频率窗口的选取:f∈[fp-Δf,fp+Δf],fp为根据轴承结构尺寸计算的轴承故障特征频率,Δf=2Hz,不同于现有技术中两个特征频率[w1.w2]确定的频率窗口,以fp为中心的频率窗口在计算特征能量函数时,能避免特征向量波动变化技术问题,提高计算的准确性。3)提出了根据特征能量率确定早期故障的方法,通过分析特征能量率实现对轴承早期故障的自动确认降低由于复杂环境影响而导致的虚警现象,从而能够实现对轴承早期故障特征的提取并准确预警。
发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1示出了本发明的一种轴承早期故障确定装置;
图2示出了本发明轴承振动信号采集***的基本构成;
图3示出了本发明在复杂工作环境下的轴承子振动信号;
图4a,图4b示出了本发明采用Hilbert方法计算轴承振动信息频谱图;
图5a,图5b示出了本发明给出的频谱图中划分的局部频谱带;
图6示出了本发明多组振动信号的局部频谱带的能量计算结果。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
图1示出了一种轴承早期故障确定装置,该装置包括局部频带宽确定装置,局部频谱带选定装置,局部频谱带能量计算装置。
轴承早期故障确定装置通过轴承振动信号频谱分析装置与轴承振动信号采集***相连。轴承振动信号采集***安装于船用离心泵等旋转机械设备获取轴承部位的振动信号,形成轴承振动信号。轴承振动信号频谱分析装置对轴承振动信号进行频谱分析获取Hilbert边际谱。
局部频谱带选定装置根据由局部频带宽确定装置确定的Δf和轴承故障特征频率确定装置确定的fp,确定区间f∈[fp-Δf,fp+Δf],一般情况下,Δf=2Hz,fp为根据轴承结构尺寸计算的轴承故障特征频率。
局部频谱带能量计算装置根据局部频谱带内频率幅值h(f)通过公式计算局部频谱带能量。
特征能量率计算装置,由N个Mg组成局部频谱带能量值序列,轴承无故障时振动信号局部频谱带能量值为Mf,所述序列中的Mg≥K*Mf共计M次,其中K为一常数,是通过早期故障模拟标定实验经验值,特征能量率CPR由公式确定。K一般取值为≥1.5,且≤3.5。优选的,K取值为2时,能够满足常规检测精度的要求。一般而言,N取值为≥20,且≤60时,能够满足常规检测精度的要求。当N取值为40,能够提供较高的检测精度并保证一定的检测效率。
当CPR大于等于某一常数A时,则能够确定为早期故障。一般而言,A取值为≥80%,且≤95%。当A取值为80%,能够满足常规检测精度的要求。当确定为早期故障后,可以向外输出报警信息。
图2示出了轴承振动信号采集***的基本构成。轴承振动信号采集***包括振动传感器、信号调理装置、信号采集装置组成。振动传感器与应用于离心式海水泵的故障轴承相连,信号调理装置用于对振动信号进行滤波、去噪;信号采集装置用于实时采集振动信号。
图3示出了在复杂工作环境下实测的轴承子振动信号。以注入滚动体剥落故障的轴承为实验对象,采集在复杂工作环境下的轴承振动信号,信号采集频率设置为2000Hz,计算Hilbert边际谱的每段振动信号长度最少为2048个数据点。
图4a,图4b示出了采用Hilbert方法计算轴承振动信息频谱图。采用Hilbert-Huang变化求解振动信号频谱,求取的Hilbert边际谱能够实现对信号幅值随频率变化规律的准确描述,与傅里叶变换频谱相比具有更高的准确性和分辨率,也不会产生能量泄露,另外傅里叶变换幅值谱只能反应实际频率成分的大致情况,Hilbert边际谱则可准确反应信号的实际频率成分。振动信号的Hilbert边际谱计算过程包括两部分:一是振动信号的EMD分解;二是Hilbert变换进行求解边际谱,即Hilbert-Huang变换。根据EMD方法对振动信号U(t)可以分解为
其中,ci(t),i=1,2,…,n表示第i个模态函数IMF,包含了信号从高到低不同频率段内的成分,rn(t)为残余函数。对式(5)中的每个IMF进行Hilbert变换,如式(6)所示
构造解析信号s(t):
即可得到瞬时幅值函数ai(t)和瞬时相位函数φi(t)分别如式(8)和式(9)所示
根据式(9)可以求出信号瞬时频率
式(5)可以记为
式(11)中忽略了残余函数rn(t),其展开形式称为Hilbert幅值谱:
式(12)描述了信号的幅值随频率和时间变化规律,在Hilbert幅值谱的基础上定义Hilbert边际谱为:
图5a,图5b示出了基于振动信号频谱图划分的局部频谱带;故障轴承的故障特征频率会使得轴承振动信号在该频率内能量出现变化,但是在工程应用中对于轴承早期故障过程中轴承故障特征频率不明显,难以有效提取,但是轴承故障的严重程度则与轴承故障特征频率段内的能量成正比例关系。为了便于描述轴承故障严重程度以及检测轴承早期故障,以局部频谱带能量量化轴承故障特征频率f∈[fp-Δf,fp+Δf]内的特征能量。
图6示出了多组振动信号的局部频谱带的能量计算结果。根据获取的多组振动信号按照Hilbert-Huang变化可以分别求出Hilbert边际谱,根据轴承故障特征频率求取f∈[fp-Δf,fp+Δf]内的特征能量计算方法可以求解每组振动信号的局部频谱带能量。
特征能量率CPR定义为:
其中M是一段振动信号按照等长度分割后计算的振动信号局部频谱带能量值数据序列中超过轴承无故障的振动信号局部频谱带能量值K倍点的个数,K为早期故障模拟标定实验经验值,在本实施例中取2,N为选取分割后得到的多段振动信号计算局部频谱带能量的数据点数,为了实时提取轴承早期故障特征,在本实施例中取N=40。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种轴承早期故障确定方法,所述方法包括:
第一步:将采集到的轴承振动时域信号,按照等长度分割成为N组子振动信号;
第二步:对于每一子振动信号,计算局部频谱带能量Mg:
1)对子振动信号进行频域变换形成Hilbert边际谱;
2)在Hilbert边际谱中以f∈[fp-Δf,fp+Δf]为区间在整个边际谱中选取局部频谱带,其中,fp为根据轴承结构尺寸计算的轴承故障特征频率,Δf=2Hz;
3)通过公式计算局部频谱带能量Mg,其中h(f)局部频谱带内频率幅值;
第三步:由所述N个所述Mg组成局部频谱带能量值序列,轴承无故障时振动信号局部频谱带能量值为Mf,所述序列中的Mg≥K*Mf共计M次,其中K为一常数,特征能量率CPR由公式确定;
第四步:当CPR大于等于某一常数A时,则能够确定为早期故障。
2.根据权利要求1所述的一种轴承早期故障确定方法,其特征在于,K是通过早期故障模拟标定实验经验值,取值为K≥1.5,且K≤3.5。
3.根据权利要求2所述的一种轴承早期故障确定方法,其特征在于,K取值为2时,能够满足常规检测精度的要求。
4.根据权利要求1至3任一所述的一种轴承早期故障确定方法,其特征在于,N取值为≥20,且≤60时,能够满足常规检测精度的要求。
5.根据权利要求4所述的一种轴承早期故障确定方法,其特征在于,N取值为40。
6.根据权利要求1至5任一所述的一种轴承早期故障确定方法,其特征在于,A取值为A≥80%,且A≤95%。
7.根据权利要求6所述的一种轴承早期故障确定方法,其特征在于,A取值为80%。
8.根据权利要求1所述的一种轴承早期故障确定方法,其特征在于,确定为早期故障后,向外输出报警信息。
9.一种轴承早期故障确定装置,该装置包括局部频带宽确定装置,局部频谱带选定装置,局部频谱带能量计算装置,特征能量计算装置;
局部频谱带选定装置根据由局部频带宽确定装置确定的Δf确定区间f∈[fp-Δf,fp+Δf],Δf=2Hz,fp为根据轴承结构尺寸计算的轴承故障特征频率;
局部频谱带能量计算装置根据局部频谱带内频率幅值h(f)通过公式 计算局部频谱带能量Mg;
特征能量率计算装置,将轴承振动信号按照等长度分割成为N组子振动信号,由局部频谱带能量计算装置计算得到N组子振动信号的局部频谱带能量Mg,N个Mg组成局部频谱带能量值序列,轴承无故障时振动信号局部频谱带能量值为Mf,所述序列中的Mg≥K*Mf共计M次,其中K为一常数,特征能量率CPR由公式确定;当CPR大于等于某一常数A时,能够确定为早期故障。
10.根据权利要求9所述的一种轴承早期故障确定装置,其特征在于,A取值为80%,K取值为2,N取值为40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410818332.0A CN104596766B (zh) | 2014-12-24 | 2014-12-24 | 一种轴承早期故障确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410818332.0A CN104596766B (zh) | 2014-12-24 | 2014-12-24 | 一种轴承早期故障确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104596766A true CN104596766A (zh) | 2015-05-06 |
CN104596766B CN104596766B (zh) | 2017-02-22 |
Family
ID=53122691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410818332.0A Active CN104596766B (zh) | 2014-12-24 | 2014-12-24 | 一种轴承早期故障确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104596766B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105258789A (zh) * | 2015-10-28 | 2016-01-20 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
CN108120598A (zh) * | 2017-12-19 | 2018-06-05 | 胡文扬 | 二次相位耦合与改进双谱算法的轴承早期故障检测方法 |
CN110334562A (zh) * | 2018-03-30 | 2019-10-15 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN110672326A (zh) * | 2019-09-29 | 2020-01-10 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110887664A (zh) * | 2019-12-04 | 2020-03-17 | 中国船舶工业***工程研究院 | 建立轴承故障识别模型的方法和装置 |
CN113295417A (zh) * | 2021-05-21 | 2021-08-24 | 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 |
CN113324759A (zh) * | 2021-06-01 | 2021-08-31 | 西安交通大学 | 基于振动能量梯度分解的旋转设备状态监测指标提取方法 |
CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
CN116381406A (zh) * | 2023-03-16 | 2023-07-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2053375A1 (en) * | 2007-10-24 | 2009-04-29 | Abb Research Ltd. | A method for detection and automatic identification of damage to rolling bearings |
CN102840907A (zh) * | 2012-09-18 | 2012-12-26 | 河南省电力公司电力科学研究院 | 早期故障状态下滚动轴承振动信号特征提取和分析方法 |
WO2013160053A1 (en) * | 2012-04-24 | 2013-10-31 | Aktiebolaget Skf | Bearing monitoring method and system |
CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
CN103439110A (zh) * | 2013-07-31 | 2013-12-11 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN104215459A (zh) * | 2014-08-26 | 2014-12-17 | 中国直升机设计研究所 | 一种轴承故障的诊断方法 |
-
2014
- 2014-12-24 CN CN201410818332.0A patent/CN104596766B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2053375A1 (en) * | 2007-10-24 | 2009-04-29 | Abb Research Ltd. | A method for detection and automatic identification of damage to rolling bearings |
WO2013160053A1 (en) * | 2012-04-24 | 2013-10-31 | Aktiebolaget Skf | Bearing monitoring method and system |
CN102840907A (zh) * | 2012-09-18 | 2012-12-26 | 河南省电力公司电力科学研究院 | 早期故障状态下滚动轴承振动信号特征提取和分析方法 |
CN103411774A (zh) * | 2013-07-17 | 2013-11-27 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
CN103439110A (zh) * | 2013-07-31 | 2013-12-11 | 哈尔滨工程大学 | 滚动轴承早期微弱故障诊断方法 |
CN104215459A (zh) * | 2014-08-26 | 2014-12-17 | 中国直升机设计研究所 | 一种轴承故障的诊断方法 |
Non-Patent Citations (1)
Title |
---|
王珊 等: "变工况特性下的风电轴承早期故障诊断方法", 《电力科学与工程》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105258789A (zh) * | 2015-10-28 | 2016-01-20 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN105258789B (zh) * | 2015-10-28 | 2018-05-11 | 徐州医学院 | 一种振动信号特征频率带的提取方法及装置 |
CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
CN108120598A (zh) * | 2017-12-19 | 2018-06-05 | 胡文扬 | 二次相位耦合与改进双谱算法的轴承早期故障检测方法 |
CN110334562A (zh) * | 2018-03-30 | 2019-10-15 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN110334562B (zh) * | 2018-03-30 | 2022-10-28 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN114414245A (zh) * | 2019-09-29 | 2022-04-29 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110672326B (zh) * | 2019-09-29 | 2021-12-21 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110672326A (zh) * | 2019-09-29 | 2020-01-10 | 上海联影智能医疗科技有限公司 | 轴承故障检测方法与计算机可读存储介质 |
CN110887664B (zh) * | 2019-12-04 | 2021-05-25 | 中国船舶工业***工程研究院 | 建立轴承故障识别模型的方法和装置 |
CN110887664A (zh) * | 2019-12-04 | 2020-03-17 | 中国船舶工业***工程研究院 | 建立轴承故障识别模型的方法和装置 |
CN113405799A (zh) * | 2021-05-20 | 2021-09-17 | 新疆大学 | 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法 |
CN113295417A (zh) * | 2021-05-21 | 2021-08-24 | 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 |
CN113324759A (zh) * | 2021-06-01 | 2021-08-31 | 西安交通大学 | 基于振动能量梯度分解的旋转设备状态监测指标提取方法 |
CN113324759B (zh) * | 2021-06-01 | 2022-08-05 | 西安交通大学 | 基于振动能量梯度分解的旋转设备状态监测指标提取方法 |
CN116381406A (zh) * | 2023-03-16 | 2023-07-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN116381406B (zh) * | 2023-03-16 | 2024-06-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104596766B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
Yan et al. | Rotary machine health diagnosis based on empirical mode decomposition | |
Bechhoefer et al. | Processing for improved spectral analysis | |
Qu et al. | A new acoustic emission sensor based gear fault detection approach | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
He et al. | Weak characteristic determination for blade crack of centrifugal compressors based on underdetermined blind source separation | |
CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN111256993A (zh) | 一种风电机组主轴承故障类型诊断方法及*** | |
CN105527077A (zh) | 一种基于振动信号的通用旋转机械故障诊断与检测的方法 | |
Yunusa-Kaltungo et al. | Use of composite higher order spectra for faults diagnosis of rotating machines with different foundation flexibilities | |
Jena et al. | Radial ball bearing inner race defect width measurement using analytical wavelet transform of acoustic and vibration signal | |
Wang et al. | A two-stage method using spline-kernelled chirplet transform and angle synchronous averaging to detect faults at variable speed | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
Mauricio et al. | Vibration-based condition monitoring of helicopter gearboxes based on cyclostationary analysis | |
Chen et al. | Improvement on IESFOgram for demodulation band determination in the rolling element bearings diagnosis | |
CN103674550A (zh) | 一种滚动轴承静电监测信号实时混合去噪方法 | |
Chi et al. | Spectral DCS-based feature extraction method for rolling element bearing pseudo-fault in rotor-bearing system | |
CN115270896B (zh) | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
Krishnakumari et al. | Application of Zhao-Atlas-Marks transforms in non-stationary bearing fault 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 |