CN105893690A - 基于周期势***自适应随机共振的微弱特征信息提取方法 - Google Patents
基于周期势***自适应随机共振的微弱特征信息提取方法 Download PDFInfo
- Publication number
- CN105893690A CN105893690A CN201610240709.8A CN201610240709A CN105893690A CN 105893690 A CN105893690 A CN 105893690A CN 201610240709 A CN201610240709 A CN 201610240709A CN 105893690 A CN105893690 A CN 105893690A
- Authority
- CN
- China
- Prior art keywords
- periodic potential
- characteristic information
- accidental resonance
- potential system
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于周期势***自适应随机共振的微弱特征信息提取方法,包括:1)信号采集;2)信号预处理;3)周期势***随机共振参数优化;4)最优输出曲线的获取;5)微弱特征信息提取。本发明寻优精度高,收敛速度快,在自适应选取最优***参数时,能够对信噪比极低的微弱信号进行有效增强,并可依据增强后的信号对微弱特征信息进行有效的提取。同时,本发明也为随机共振在机械设备故障诊断应用方面提供了一种有效的方法。
Description
技术领域
本发明涉及机械设备故障微弱特征信息提取领域,尤其涉及一种基于周期势***自适应随机共振的微弱特征信息提取方法。
背景技术
大型旋转机械通常工作在低速重载、强噪声背景下,从而导致在故障诊断过程中获取的振动信号是被强噪声深度污染的信噪比极低的信号,严重影响诊断的精确性。因此,如何提取强噪声背景下微弱故障特征信息就成了故障诊断领域关键问题之一。
在微弱信号检测方面,传统的方法主要是设法抑制和消除噪声以提高信噪比。然而,当噪声频率与信号频率接近或重合时,抑制噪声的同时,有用信号往往也被剔除掉,这极大影响了微弱信号的检测效果。对于如何解决该问题,非线性随机共振理论的提出起到了一定作用。当非线性***发生随机共振时,部分噪声能量会转化为信号能量,使***输出信噪比大大提高,非线性***随机共振理论为科研人员提取强噪声背景下的微弱特征信号开创了新的思路。目前,被广泛研究的是具有双稳态势函数的非线性***随机共振,但其在处理信噪比极低的微弱信号时,往往达不到预期的效果。
所以,如果要进一步提高信噪比,有必要探索能够更高效提取强噪声背景下微弱特征信息的新型随机共振***,并将其应用于机械设备故障诊断技术中。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供了一种基于周期势***自适应随机共振的微弱特征信息提取方法,寻优精度高,收敛速度快,在自适应选取最优***参数时,能够对信噪比极低的微弱信号进行有效增强,并可依据增强后的信号对微弱特征信息进行有效的提取。
技术方案:本发明提供的一种基于周期势***自适应随机共振的微弱特征信息提取方法。包括:1)信号采集;2)信号预处理;3)周期势***随机共振参数优化;4)最优输出曲线的获取;5)微弱特征信息提取。
进一步地,所示步骤2)信号预处理指的是,采用移频变尺度方法对采集到的振动信号进行处理,使其满足经典随机共振只能处理特征信号频率远小于1Hz的小参数要求。
进一步地,所示步骤3)中的周期势***随机共振,其对应的朗之万方程为:
式中:x表示位移;t表示时间;a、b表示***参数;s(t)表示输入信号;n(t)表示噪声强度为D的高斯白噪声;U(x)表示周期势函数,而以往较多采用的传统双稳态势函数为U(x)=-ax2/2+bx4/4。
进一步地,所述周期势***随机共振朗之万方程,可以采用四阶龙格库塔算法进行求解,其离散公式如下:
式中:sm、nm以及xm分别表示输入信号、噪声以及输出信号的第m个采样值;h表示迭代步长,h=1/fs,其中fs表示采样频率。
进一步地,所述周期势函数U(x),可以通过改变***参数a来改变势阱势垒的深度,改变***参数b来改变势阱势垒的宽度,这两个参数相互独立,互不影响。
进一步地,所示步骤3)周期势***随机共振参数优化指的是对***参数a,b进行同步优化。
进一步地,所示步骤3)周期势***随机共振参数优化,采用的优化算法是改进鱼群算法,其具体步骤如下所示:
(1)初始化人工鱼总数以及每条人工鱼所处的状态,初始化算法的最大迭代次数并令初始迭代次数为1;
(2)初始化人工鱼计数值为1;
(3)计算获取人工鱼的视野和步长;
(4)人工鱼分别进行聚群和觅食组合行为,同时也进行追尾和觅食组合行为;
(5)比较步骤(4)中两种组合行为后人工鱼的食物浓度,并以最大食物浓度处的信息作为本条人工鱼的状态;
(6)判断人工鱼计数值是否超过人工鱼总数,若超过则执行步骤(7),否则人工鱼计数值加1,然后执行步骤(3);
(7)比较所有人工鱼的食物浓度,并以最大值来更新公告板,最后给迭代次数加1;
(8)判断迭代次数是否超过最大迭代次数,若超过则输出最优解,否则执行步骤(2)。
进一步地,所述步骤(1)中每条鱼所处的状态指的是,每条鱼对应一个a,b组合,每个a,b组合都能获取一个周期势***随机共振输出,并依此得到一个输出信噪比的值。其中信噪比计算公式如下所示:
式中:SNR表示信噪比;S表示信号能量;N表示噪声能量。
进一步地,所述步骤(3)中视野和步长的具体计算方式是,计算人工鱼自身与其他人工鱼的距离,并将这些距离求取平均值,以此作为视野,取视野的0.1倍作为步长。
进一步地,所述步骤(5)和步骤(7)中的食物浓度对应的是输出信噪比。
本发明的有益效果是:
<1>不受信号小参数的限制,可以处理任意频率的信号;
<2>寻优精度高,收敛速度快,输出信噪比高,相对双稳态***随机共振而言微弱特征信息提取效率更高;
<3>采用周期势***,能够产生级联***的效果,在硬件设计方面,简单的硬件就可以实现类似于级联双稳态***随机共振的效果;
<4>相对于双稳态***随机共振而言,可以处理更低信噪比的微弱特征信号,能够对强噪声背景下对行星轮系进行微弱特征信息提取,并实现机械设备故障诊断;
<5>该方法同样适用于发生机械故障的其他零部件,能够确保故障信息提取的完整性,且能够准确的实现故障诊断。
附图说明
图1为本发明专利中微弱特征信息处理方法的总体流程图;
图2为改进鱼群算法寻优过程图;
图3a为原始仿真信号;
图3b为加入噪声后的仿真信号;
图4a为仿真信号在周期势***自适应随机共振下的最优收敛曲线;
图4b为仿真信号在双稳态***自适应随机共振下的最优收敛曲线;
图5a为仿真信号在周期势***自适应随机共振下的最优***输出;
图5b为仿真信号在双稳态***自适应随机共振下的最优***输出;
图6a为正常状态下周期势***自适应随机共振最优***输出;
图6b为正常状态下双稳态***自适应随机共振最优***输出;
图7a为断齿状态下周期势***自适应随机共振最优***输出;
图7b为断齿状态下双稳态***自适应随机共振最优***输出;
图8a为少齿状态下周期势***自适应随机共振最优***输出;
图8b为少齿状态下双稳态***自适应随机共振最优***输出。
具体实施方式
下面结合附图对本发明作更进一步的说明。应当注意的是,以下具体实施方式中描述的技术特征或者技术特征的组合应当被相互结合从而达到更好的技术效果,而不应当被孤立。
如附图1所示,本发明的一种基于周期势***自适应随机共振的微弱特征信息提取方法。包括如下步骤:
步骤1)信号采集。
步骤2)信号预处理:
采用移频变尺度方法对采集到的振动信号进行处理,使其满足经典随机共振只能处理特征信号频率远小于1Hz的小参数要求。
步骤3)周期势***随机共振参数优化:
周期势***随机共振对应的朗之万方程为:
式中:x表示位移;t表示时间;a、b表示***参数;s(t)表示输入信号;n(t)表示噪声强度为D的高斯白噪声;U(x)表示周期势函数,而以往较多采用的传统双稳态势函数为U(x)=-ax2/2+bx4/4。在周期势***中,可以通过改变***参数a来改变势阱势垒的深度,改变***参数b来改变势阱势垒的宽度,这两个参数相互独立,互不影响。
该朗之万方程可以采用四阶龙格库塔算法进行求解,其离散公式如下:
式中:sm、nm以及xm分别表示输入信号、噪声以及输出信号的第m个采样值;h表示迭代步长,h=1/fs,其中fs表示采样频率。
在周期势***随机共振参数优化中,采用改进鱼群算法对***参数a,b进行同步优化,其具体步骤如图2所示:
(1)初始化人工鱼总数以及每条人工鱼所处的状态,初始化算法的最大迭代次数并令初始迭代次数为1。其中每条人工鱼所处的状态指的是:每条鱼对应一个a,b组合,每个a,b组合都能获取一个周期势***随机共振输出,并依此得到一个输出信噪比的值。其中信噪比计算公式如下所示:
式中:SNR表示信噪比;S表示信号能量;N表示噪声能量;
(2)初始化人工鱼计数值为1;
(3)计算获取人工鱼的视野和步长。计算方式为:计算人工鱼自身与其他人工鱼的距离,并将这些距离求取平均值,以此作为视野,取视野的0.1倍作为步长;
(4)人工鱼分别进行聚群和觅食组合行为,同时也进行追尾和觅食组合行为;
(5)比较步骤(4)中两种组合行为后人工鱼的食物浓度,并以最大食物浓度处的信息作为本条人工鱼的状态。其中食物浓度对应的是步骤(1)中提到的输出信噪比;
(6)判断人工鱼计数值是否超过人工鱼总数,若超过则执行步骤(7),否则人工鱼计数值加1,然后执行步骤(3);
(7)比较所有人工鱼的食物浓度,并以最大值来更新公告板,最后给迭代次数加1。其中食物浓度对应的是步骤(1)中提到的信噪比;
(8)判断迭代次数是否超过最大迭代次数,若超过则输出最优解,否则执行步骤(2)。
步骤4)最优输出曲线的获取。
步骤5)微弱特征信息提取。
下面采用仿真信号对本发明方法进行测试:
仿真参数:采样点数为400,采样频率为400,余弦信号为0.3×cos(2×π×50×t),噪声为噪声强度为2的高斯白噪声。
图3a、3b分别为未加噪声的原始仿真信号以及加入高斯白噪声后的仿真信号,对比可以发现,在强噪声背景环境下,特征频率50Hz所对应的频谱幅值,已经被完全淹没,难以识别。
采用本发明所提出的周期势***自适应随机共振方法对信号进行处理。在预处理中设置移频的频率为48Hz,尺度变换值为100。在改进鱼群算法中设置a=[0,5],b=[0,5]。最终输出结果如图4a和5a所示,同时作为对比,图4b和5b中给出了双稳态***自适应随机共振方法的输出结果。在代码运算时间上:周期势***为28.11s,双稳态***为204.56s。在算法收敛性上:周期势***经过2次迭代获取了最优值,双稳态***经过9次迭代获取了最优值。在输出信噪比上:周期势***最终输出信噪比为5.56,双稳态***最终输出信噪比为1.29。在特征频率频谱幅值上:周期势***为18.03,双稳态***为1.43。
仿真测试表明:相对于双稳态***自适应随机共振而言,本发明提出的周期势***自适应随机共振方法具有如下几个优点:1、运行速度更快,效率更高;2、输出信噪比改善的更多,可以应对信噪比极低的环境;3、特征频率所对应的幅值放大倍数更高,即微弱特征信号增强效果更好。
为了进一步验证该发明在机械设备故障诊断领域应用的可行性,采用美国Spectra Quest’s DDS机械故障诊断试验台的实验数据进行分析。实验中采用三轴加速度传感器,采集了第二级太阳轮正常、断齿以及少齿三种状态下的振动信号。实验台的齿轮参数以及第二级行星轮系的特征频率分别如表1和表2所示。实验中采样频率为5120×2.56Hz,采样点数为38400,电动机输出转频为50Hz,负载值为13.5N·m。为了模拟强噪声背景,在实验信号中加入了强度为10的高斯白噪声。
表1 行星齿轮箱参数
表2 第二级行星轮系特征频率
采用本发明所提出的周期势***自适应随机共振方法对采集到的第二级太阳轮正常、断齿以及少齿三种状态下的振动信号进行处理,最终输出结果分别如图6a,7a以及8a所示。对比图6a、7a以及8a的时域波形图可以发现:正常状态下信号波形较平稳,信号幅值较小;断齿以及少齿状态下冲击成分较多,且信号幅值较大。对比图6a、7a以及8a的频谱图可以发现:正常状态下频谱幅值较小;断齿及少齿状态下频谱幅值较大;断齿状态下,182Hz对应于第二级行星轮系的啮合频率,而边频173.1Hz以及191.2Hz与182Hz的差值分别为8.9Hz和9.2Hz,近似等于第二级太阳轮的转频,表明第二级太阳轮发生了故障,与实验条件相符;少齿状态下,182.3Hz对应于第二级行星轮系的啮合频率,而边频173.1Hz以及190.5Hz与182.3Hz的差值分别为9.2Hz和8.2Hz,近似等于第二级太阳轮的转频,表明第二级太阳轮发生了故障,与实验条件相符。通过分析可以发现,本发明所提出的方法可以对强噪声背景下行星轮系进行微弱特征提取,并依据增强后的特征信号对行星轮系进行故障诊断。
同时,作为对比,图6b、7b以及8b中给出了第二级太阳轮正常、断齿以及少齿三种状态下双稳态***自适应随机共振最优***输出波形。双稳态***自适应随机共振处理之后,正常以及故障状态难以区分,微弱特征提取效果不佳。对比两种势函数下的处理结果可以发现:相对于双稳态***而言,周期势***处理后特征信号更加明显,正常以及故障状态区分明显,周期势***可以应对信噪比更低的环境。
本发明的有益效果是:
<1>不受信号小参数的限制,可以处理任意频率的信号;
<2>寻优精度高,收敛速度快,输出信噪比高,相对双稳态***随机共振而言微弱特征信息提取效率更高;
<3>采用周期势***,能够产生级联***的效果,在硬件设计方面,简单的硬件就可以实现类似于级联双稳态***随机共振的效果;
<4>相对于双稳态***随机共振而言,可以处理更低信噪比的微弱特征信号,能够对强噪声背景下对行星轮系进行微弱特征信息提取,并实现机械设备故障诊断;
<5>该方法同样适用于发生机械故障的其他零部件,能够确保故障信息提取的完整性,且能够准确的实现故障诊断。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于,包括如下几个步骤:1)信号采集;2)信号预处理;3)周期势***随机共振参数优化;4)最优输出曲线的获取;5)微弱特征信息提取。
2.根据权利要求1所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤2)信号预处理指的是,采用移频变尺度方法对采集到的振动信号进行处理,使其满足经典随机共振只能处理特征信号频率远小于1Hz的小参数要求。
3.根据权利要求1所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤3)中的周期势***随机共振,其对应的朗之万方程为:
式中:x表示位移;t表示时间;a、b表示***参数;s(t)表示输入信号;n(t)表示噪声强度为D的高斯白噪声。
4.根据权利要求3所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述周期势***随机共振朗之万方程,可以采用四阶龙格库塔算法进行求解,其离散公式如下:
式中:sm、nm以及xm分别表示输入信号、噪声以及输出信号的第m个采样值;h表示迭代步长,h=1/fs,其中fs表示采样频率。
5.根据权利要求3所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述周期势函数U(x),可以通过改变***参数a来改变势阱势垒的深度,改变***参数b来改变势阱势垒的宽度,a、b两个参数相互独立,互不影响。
6.根据权利要求1所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤3)周期势***随机共振参数优化指的是对***参数a,b进行同步优化。
7.根据权利要求1所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤3)周期势***随机共振参数优化,采用的优化算法是改进鱼群算法,其具体步骤如下所示:
(1)初始化人工鱼总数以及每条人工鱼所处的状态,初始化算法的最大迭代次数并令初始迭代次数为1;
(2)初始化人工鱼计数值为1;
(3)计算获取人工鱼的视野和步长;
(4)人工鱼分别进行聚群和觅食组合行为,同时也进行追尾和觅食组合行为;
(5)比较步骤(4)中两种组合行为后人工鱼的食物浓度,并以最大食物浓度处的信息作为本条人工鱼的状态;
(6)判断人工鱼计数值是否超过人工鱼总数,若超过则执行步骤(7),否则人工鱼计数值加1,然后执行步骤(3);
(7)比较所有人工鱼的食物浓度,并以最大值来更新公告板,最后给迭代次数加1;
(8)判断迭代次数是否超过最大迭代次数,若超过则输出最优解,否则执行步骤(2)。
8.根据权利要求7所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤(1)中每条鱼所处的状态指的是,每条鱼对应一个a,b组合,每个a,b组合都能获取一个周期势***随机共振输出,并依此得到一个输出信噪比的值,其中信噪比计算公式如下所示:
式中:SNR表示信噪比;S表示信号能量;N表示噪声能量。
9.根据权利要求7所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤(3)中视野和步长的具体计算方式是,计算人工鱼自身与其他人工鱼的距离,并将这些距离求取平均值,以此作为视野,取视野的0.1倍作为步长。
10.根据权利要求7或8所述的一种基于周期势***自适应随机共振的微弱特征信息提取方法,其特征在于:所述步骤(5)和步骤(7)中的食物浓度对应的是所述的输出信噪比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610240709.8A CN105893690B (zh) | 2016-04-18 | 2016-04-18 | 基于周期势***自适应随机共振的微弱特征信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610240709.8A CN105893690B (zh) | 2016-04-18 | 2016-04-18 | 基于周期势***自适应随机共振的微弱特征信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105893690A true CN105893690A (zh) | 2016-08-24 |
CN105893690B CN105893690B (zh) | 2018-10-19 |
Family
ID=56704919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610240709.8A Active CN105893690B (zh) | 2016-04-18 | 2016-04-18 | 基于周期势***自适应随机共振的微弱特征信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105893690B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038475A (zh) * | 2017-03-22 | 2017-08-11 | 中国人民解放军信息工程大学 | 一种基于人工鱼群算法的自适应随机共振***和方法 |
CN108683623A (zh) * | 2018-03-29 | 2018-10-19 | 中国人民解放军战略支援部队信息工程大学 | 基于随机共振的微弱ofdm子载波数估计方法 |
CN110705128A (zh) * | 2019-10-25 | 2020-01-17 | 陕西师范大学 | 一种可调参数的随机共振模拟*** |
CN112747926A (zh) * | 2020-12-22 | 2021-05-04 | 电子科技大学 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
US20130024164A1 (en) * | 2010-03-30 | 2013-01-24 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
CN104408288A (zh) * | 2014-10-28 | 2015-03-11 | 燕山大学 | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 |
-
2016
- 2016-04-18 CN CN201610240709.8A patent/CN105893690B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101191804A (zh) * | 2007-12-03 | 2008-06-04 | 中国人民解放军国防科学技术大学 | 自适应随机共振微弱信号检测方法 |
US20130024164A1 (en) * | 2010-03-30 | 2013-01-24 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
CN104408288A (zh) * | 2014-10-28 | 2015-03-11 | 燕山大学 | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 |
Non-Patent Citations (1)
Title |
---|
LIU, XIAOLE: "Optimizing the Adaptive Stochastic Resonance and Its Application in Fault Diagnosis", 《FLUCTUATION & NOISE LETTERS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038475A (zh) * | 2017-03-22 | 2017-08-11 | 中国人民解放军信息工程大学 | 一种基于人工鱼群算法的自适应随机共振***和方法 |
CN107038475B (zh) * | 2017-03-22 | 2019-10-11 | 中国人民解放军信息工程大学 | 一种基于人工鱼群算法的自适应随机共振***和方法 |
CN108683623A (zh) * | 2018-03-29 | 2018-10-19 | 中国人民解放军战略支援部队信息工程大学 | 基于随机共振的微弱ofdm子载波数估计方法 |
CN108683623B (zh) * | 2018-03-29 | 2020-09-08 | 中国人民解放军战略支援部队信息工程大学 | 基于随机共振的微弱ofdm子载波数估计方法 |
CN110705128A (zh) * | 2019-10-25 | 2020-01-17 | 陕西师范大学 | 一种可调参数的随机共振模拟*** |
CN112747926A (zh) * | 2020-12-22 | 2021-05-04 | 电子科技大学 | 一种基于二阶参数匹配随机共振的电机滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105893690B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105424359B (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN108152033B (zh) | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 | |
CN104483127B (zh) | 一种行星齿轮微弱故障特征信息提取方法 | |
CN105893690A (zh) | 基于周期势***自适应随机共振的微弱特征信息提取方法 | |
CN107084854A (zh) | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 | |
Xia et al. | An improved stochastic resonance method with arbitrary stable-state matching in underdamped nonlinear systems with a periodic potential for incipient bearing fault diagnosis | |
CN107991706A (zh) | 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法 | |
CN102998118B (zh) | 一种基于形态学滤波和复杂度测度的轴承定量诊断方法 | |
Shao et al. | Multi‐Fault Feature Extraction and Diagnosis of Gear Transmission System Using Time‐Frequency Analysis and Wavelet Threshold De‐Noising Based on EMD | |
CN106895985B (zh) | 高速线材轧机的故障信号降噪重构特征识别方法 | |
CN109781412A (zh) | 一种基于eemd的滚动轴承自适应共振解调方法 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
CN105718961A (zh) | 一种基于ceemd与图像纹理特征的旋转机械智能故障诊断方法 | |
Liu et al. | Optimizing the adaptive stochastic resonance and its application in fault diagnosis | |
Zhang et al. | Faster multiscale dictionary learning method with adaptive parameter estimation for fault diagnosis of traction motor bearings | |
Wang et al. | A power information guided-variational mode decomposition (PIVMD) and its application to fault diagnosis of rolling bearing | |
Zhang et al. | Feature enhancement based on regular sparse model for planetary gearbox fault diagnosis | |
Chen et al. | Research on fault diagnosis method of rotating machinery based on deep learning | |
CN107966287A (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
Li et al. | Multi-fault diagnosis of rotating machinery via iterative multivariate variational mode decomposition | |
CN106197523A (zh) | 基于一阶线性***的弱信号检测及复原 | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
Zhang et al. | A adaptive stochastic resonance method based on two-dimensional tristable controllable system and its application in bearing fault diagnosis | |
Cui et al. | A spectral coherence cyclic periodic index optimization-gram for bearing fault diagnosis | |
Wang et al. | Maximum cross-correlated kurtosis-based unsaturated stochastic resonance and its application to 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |