CN106053070B - 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 - Google Patents
基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 Download PDFInfo
- Publication number
- CN106053070B CN106053070B CN201610495754.8A CN201610495754A CN106053070B CN 106053070 B CN106053070 B CN 106053070B CN 201610495754 A CN201610495754 A CN 201610495754A CN 106053070 B CN106053070 B CN 106053070B
- Authority
- CN
- China
- Prior art keywords
- rolling element
- signal
- damage
- rotation period
- separation 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,包括:步骤S100:轴承滚动体振动信号分离:对于每一个给定滚动体,根据滚动体的自转周期和公转周期,提取滚动体的分离信号;步骤S100:分离信号特征提取:计算每一个滚动体的分离信号的包络谱特征,根据包络谱特征值的大小确定损伤滚动体,并使用损伤滚动体特征代替原始信号的特征,用于诊断滚动体损伤。本发明具有能够提高损伤信号的信噪比、提高对滚动体损伤的故障诊断能力的优点。
Description
技术领域
本发明主要涉及到健康监测与故障诊断领域,特指采用振动信号分离和分离信号包络谱特征提取所进行的轴承滚动体损伤的增强诊断,其主要适用于各种旋转机械滚动轴承的故障诊断。
背景技术
滚动轴承故障若没有及时发现并采取控制措施,将可能引起整个旋转机械失效。滚动轴承的故障诊断可以为维修决策提供支持,帮助预防机械失效。基于振动的轴承故障诊断方法,假设滚动体经过损伤位置时会造成冲击响应,该响应的频率为滚动轴承的特征故障频率。由于损伤滚动体在进入承载区和离开承载区时造成的冲击幅值会被调制,因此滚动体损伤通常比外环损伤更难检测。
很多种振动信号处理方法被用于故障诊断领域,如傅里叶变换、短时傅里叶变换、经验模式分解、小波分析、调制边带双谱等。这些方法被用于从振动信号中提取数值特征,这些数值特征可以作为模式识别模型的输入,用于实现智能故障诊断。为了增加所提取特征的可分离性,可以使用信号预处理方法提高原始采样振动信号的信噪比。时域同步平均(TSA)是一种广为人知的提高信号信噪比的信号预处理方法(参考文献:“S. Braun. Theextraction of periodic waveforms by time domain averaging. Acta Acusticaunited with Acustica 32 (2)(1975) 69-77(9) / 布劳恩. 使用时域平均提取周期波形. 联合声学学报,32 (2)(1975) 69-77(9)”)。该方法将齿轮振动信号划分为一系列信号段,信号段长度等于目标信号的周期的整数倍;然后通过对分离出的信号段求平均来降低随机噪声。定轴齿轮的故障特征频率通常是轴转速的Z倍,其中Z是齿轮齿数,因此TSA可以成功的用于定轴齿轮的故障诊断。相比之下,行星轮系的故障特征频率通常不是轴转频的整数倍,因此TSA不能直接用于行星轮系。P.D. McFadden为行星轮系提出了一种改进的TSA,用于分离对应于太阳轮和行星轮的振动信号。这种改进的TSA被称作振动分离(参考文献:“P.D. Samuel, D.J. Pines, Vibration separation and diagnostics ofplanetary gears, in: Proceedings of the American Helicopter Society 56thAnnual Forum, Virginia Beach, Va, 2000 / 塞缪尔, 帕恩斯. 行星轮系的振动分离与诊断. 56届美国直升机协会年度论坛论文集, 维吉尼亚州, 2000”)。行星轮系振动分离方法根据齿的通过时序,提取出对应于给定行星轮或太阳轮旋转一圈的信号段。轴承与行星轮类似,内环对应于太阳轮,滚动体对应于行星轮,外环对应于齿圈。但是轴承与行星轮系不同的是,轴承中没有齿,无法根据啮合时序来定位不用运动部件对应的信号段。
因此,如何能够提高损伤信号的信噪比,识别出损伤滚动体,以提高对滚动体损伤的故障诊断能力,成为本领域技术人员亟需解决的问题。
发明内容
本发明要解决的技术问题在于:针对现有技术存在的技术问题,本发明提供基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,该方法能够提高损伤信号的信噪比,可以识别出损伤滚动体提高对滚动体损伤的故障诊断能力。
为解决上述技术问题,本发明采用以下技术方案:
基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,步骤为:
步骤S100: 轴承滚动体振动信号分离:对于每一个给定滚动体,根据滚动体的自转周期f BSF和公转周期f C,提取滚动体的分离信号;
步骤S200: 分离信号特征提取:计算每一个滚动体的分离信号的包络谱特征,根据包络谱特征值的大小,确定损伤滚动体的编号,并使用损伤滚动体特征代替原始信号的特征,用于诊断滚动体损伤。
优选地,所述步骤S100的具体为:
步骤S101:滚动体编号:按照滚动体通过轴承承载中心的顺序,给依次通过承载中心的滚动体编号为1~Z,Z为滚动体个数;
步骤S102:搜索滚动体的自转周期:根据滚动体的直径d、轴承节径D、接触角、轴的转速f r,计算第i个滚动体的自转周期f BSF,确定第i个滚动体的第j自转周期的起始时间t i,j 和长度T S;
步骤S103:提取距离承载中心最近的自转周期:计算每个自转周期滚动体的行程,筛选出行程穿过承载中心的自转周期为最近自转周期,即最近自转周期的起始时间满足:
(1)
其中,T R= 1/f C,f C为滚动体的公转周期;
步骤S104:合成分离信号:对于每个滚动体,按照其最近自转周期的起始时间和长度截取信号段,将最近自转周期对应的所有振动信号段按顺序拼接起来构造每个滚动体的分离信号。
优选地,所述步骤S200的具体为:
步骤S201:计算分离信号的包络谱特征:使用Hilbert变换和FFT得到分离信号的包络谱,计算包络谱在故障特征频率及其谐波分量处的峰值和均方根值比,其中均方根值比定义为故障特征频率所在频带的均方根值与整个包络谱的均方根值的比值;
步骤S202:确定损伤滚动体编号:比较不同滚动体分离信号包络谱的故障特征幅值,选择故障特征幅值最大的滚动体为最可能发生损伤的滚动体;
步骤S203:选择滚动体损伤特征:用损伤滚动体的分离信号代替原始信号,用于轴承滚动体损伤的增强诊断。
本发明公布基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,该方法根据轴承运动学规律为每个滚动体提取信号段序列,将对应于给定滚动体的信号段序列依次拼接形成对应于该滚动体的分离信号。分别从分离信号和原始信号的包络谱中提取特征,并通过对比分离信号的特征确定损伤滚动体的编号。用损伤滚动体的分离信号代替原始信号,用于轴承滚动体损伤的增强诊断。采用振动信号分离和分离信号包络谱特征对比分析,优势在于可以识别出损伤滚动体的编号,尽管识别损伤发生在哪个滚动体上在工程中并没有意义,但是损伤滚动体的分离信号比原始信号的信噪比更高,对滚动体损伤更敏感,可以增强对滚动体损伤的诊断能力。
附图说明
图1是本发明提供的一种基于分离信号包络谱特征的轴承滚动体故障增强诊断方法的流程示意图;
图2是本发明提供的一种应用实例中轴承故障仿真信号的时域波形和包络谱;
图3是本发明提供的一种应用实例中8个滚动体的分离信号的时域波形和包络谱;
图4是本发明提供的一种应用实例中原始信号的包络谱特征和8个滚动体的分离信号的包络谱特征。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,图1本发明提供的一种基于分离信号包络谱特征的轴承滚动体故障增强诊断方法的流程示意图;
本发明基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,其步骤为:
步骤S100: 轴承滚动体振动信号分离:对于每一个给定滚动体,根据滚动体的自转周期f BSF和公转周期f C,提取滚动体的分离信号;
步骤S200:分离信号特征提取:计算每一个滚动体的分离信号的包络谱特征,根据包络谱特征值的大小,确定损伤滚动体的编号,并使用损伤滚动体特征代替原始信号的特征,用于诊断滚动体损伤。
在进一步的方案中,上述步骤S100的具体为:
步骤S101:滚动体编号:按照滚动体通过轴承承载中心的顺序,给依次通过承载中心的滚动体编号为1~Z,Z为滚动体个数,通过承载中心的滚动体即为给定滚动体;步骤S102:搜索滚动体的自转周期:根据滚动体的直径d、轴承节径D、接触角、轴的转速f r,计算第i个滚动体的自转周期f BSF,确定第i个滚动体的第j自转周期的起始时间t i,j 和长度T S;
步骤S103:提取距离承载中心最近的自转周期:计算每个自转周期滚动体的行程,筛选出行程穿过承载中心的自转周期为最近自转周期,即最近自转周期的起始时间满足:
(1)
其中,T R= 1/f C,f C为滚动体的公转周期;
步骤S104:合成分离信号:对于每个滚动体,按照其最近自转周期的起始时间和长度截取信号段,将最近自转周期对应的所有振动信号段按顺序拼接起来构造每个滚动体的分离信号。
再更进一步的方案中,上述步骤S200的具体流程为:
步骤S201:计算分离信号的包络谱特征:使用Hilbert变换和FFT得到分离信号的包络谱,计算包络谱在故障特征频率 及其谐波分量处的峰值和均方根值比;
步骤S202:确定损伤滚动体编号:比较不同滚动体分离信号包络谱的故障特征幅值,选择故障特征幅值最大的滚动体为最可能发生损伤的滚动体;
步骤S203:选择滚动体损伤特征:用损伤滚动体的分离信号代替原始信号,用于轴承滚动体损伤的增强诊断。
应用实例
参见图2-4,图2是本发明提供的一种应用实例中轴承故障仿真信号的时域波形和包络谱,图3是本发明提供的一种应用实例中8个滚动体的分离信号的时域波形和包络谱,图4是本发明提供的一种应用实例中原始信号的包络谱特征和8个滚动体的分离信号的包络谱特征。
下面以滚动轴承的故障仿真信号为例来说明本发明的具体实施方式。选择MB ER-10K型号轴承为例,轴承滚动体个数 ,滚动体直径英寸,轴承节经英寸,接触角。本例中轴的转速,滚动体自转频率,公转频率为。仿真信号的时域波形和包络谱如图2所示,图中在故障特征频率及其谐波分量 、处,峰值清晰可见。另外,在故障特征频率及其谐波分量两侧存在的调制频率。
步骤S100:轴承滚动体振动信号分离,具体步骤如下。
步骤S101:滚动体编号:按照滚动体通过轴承承载中心的顺序,给依次通过承载中心的滚动体编号为1~8,通过承载中心的滚动体即为给定滚动体;
步骤S102:搜索滚动体的自转周期:根据滚动体的直径d、轴承节径D、接触角、轴的转速f r,计算第i个滚动体的自转周期,确定第i个滚动体的第j自转周期的起始时间t i,j 和长度T S;
步骤S103:提取距离承载中心最近的自转周期:计算每个自转周期滚动体的行程,筛选出行程穿过承载中心的自转周期为最近自转周期,即最近自转周期的起始时间满足:
(1)
其中,T R= 1/f C,f C为滚动体的公转周期;
步骤S104:合成分离信号:对于每个滚动体,按照其最近自转周期的起始时间和长度截取信号段,将最近自转周期对应的所有振动信号段按顺序拼接起来构造每个滚动体的分离信号,得到的8个滚动体的分离信号如图3(a)所示。
步骤S200:分离信号特征提取,具体步骤如下。
步骤S201:计算分离信号的包络谱特征:使用Hilbert变换和FFT得到分离信号的包络谱,如图3(b)所示,计算包络谱在故障特征频率及其谐波分量处的峰值和均方根值比,得到结果如图4所示;对比图3(b)和图2(b)可以发现,在分离信号的包络谱中,故障特征频率及其谐波分量两侧没有调制边频,这是因为对于给定滚动体,它每公转一周,只有冲击最大的自转周期被保留,这等价于对信号做了解调;
步骤S202:确定损伤滚动体编号:比较不同滚动体分离信号包络谱的故障特征幅值,从图4中可以看出,5号滚动体的特征值比其它滚动体的特征值都大,距离5号滚动体越远的滚动体,其特征值就越小,因此可以判定5号滚动体为最可能发生损伤的滚动体;
步骤S203:选择滚动体损伤特征:用5号滚动体的分离信号代替原始信号,用于轴承滚动体损伤的增强诊断。
本发明公布基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,该方法根据轴承运动学规律为每个滚动体提取信号段序列,将对应于给定滚动体的信号段序列依次拼接形成对应于该滚动体的分离信号。分别从分离信号和原始信号的包络谱中提取特征,并通过对比分离信号的特征确定损伤滚动体的编号。用损伤滚动体的分离信号代替原始信号,用于轴承滚动体损伤的增强诊断。采用振动信号分离和分离信号包络谱特征对比分析,优势在于可以识别出损伤滚动体的编号,尽管识别损伤发生在哪个滚动体上在工程中并没有意义,但是损伤滚动体的分离信号比原始信号的信噪比更高,对滚动体损伤更敏感,可以增强对滚动体损伤的诊断能力。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (3)
1.一种基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,其特征在于,包括:
步骤S100:轴承滚动体振动信号分离:对于每一个给定滚动体,根据滚动体的自转周期f BSF和公转周期f C,提取滚动体的分离信号;
步骤S200:分离信号特征提取:计算每一个滚动体的分离信号的包络谱特征,根据包络谱特征值的大小,确定损伤滚动体的编号,并使用损伤滚动体特征代替原始信号的特征,用于诊断滚动体损伤。
2.根据权利要求1所述的一种基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,其特征在于,所述步骤S100的具体为:
步骤S101:滚动体编号:按照滚动体通过轴承承载中心的顺序,给依次通过承载中心的滚动体编号为1~Z,Z为滚动体个数;
步骤S102:搜索滚动体的自转周期:根据滚动体的直径d、轴承节径D、接触角、轴的转
速f r,计算第i个滚动体的自转周期f BSF,确定第i个滚动体的第j自转周期的起始时间t i,j 和
长度T S;
步骤S103:提取距离承载中心最近的自转周期:计算每个自转周期滚动体的行程,筛选出行程穿过承载中心的自转周期为最近自转周期,即最近自转周期的起始时间满足:
(1)
其中,T R=1/f C,f C为滚动体的公转周期;
步骤S104:合成分离信号:对于每个滚动体,按照其最近自转周期的起始时间和长度截取信号段,将最近自转周期对应的所有振动信号段按顺序拼接起来构造每个滚动体的分离信号。
3.根据权利要求2所述的一种基于分离信号包络谱特征的轴承滚动体故障增强诊断方法,其特征在于,所述步骤S200的具体为:
步骤S201:计算分离信号的包络谱特征:使用Hilbert变换和FFT得到分离信号的包络
谱,计算包络谱在故障特征频率及其谐波分量处的峰值和均方根值比,其中均方根值
比定义为故障特征频率所在频带的均方根值与整个包络谱的均方根值的比值;
步骤S202:确定损伤滚动体编号:比较不同滚动体分离信号包络谱的故障特征幅值,选择故障特征幅值最大的滚动体为最可能发生损伤的滚动体;
步骤S203:选择滚动体损伤特征:用损伤滚动体的分离信号代替原始信号,用于轴承滚动体损伤的增强诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610495754.8A CN106053070B (zh) | 2016-06-30 | 2016-06-30 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610495754.8A CN106053070B (zh) | 2016-06-30 | 2016-06-30 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106053070A CN106053070A (zh) | 2016-10-26 |
CN106053070B true CN106053070B (zh) | 2018-05-29 |
Family
ID=57167026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610495754.8A Expired - Fee Related CN106053070B (zh) | 2016-06-30 | 2016-06-30 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106053070B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389367B (zh) * | 2017-07-24 | 2019-07-02 | 安徽容知日新科技股份有限公司 | 一种基于最优信噪比的信号自适应解包络方法及计算设备 |
CN109978034B (zh) * | 2019-03-18 | 2020-12-22 | 华南理工大学 | 一种基于数据增强的声场景辨识方法 |
CN111238812B (zh) * | 2020-01-19 | 2021-10-19 | 西安交通大学 | 一种滚动轴承保持架故障的自诊断方法 |
CN111307461A (zh) * | 2020-04-13 | 2020-06-19 | 郑州恩普特科技股份有限公司 | 一种基于特征向量基线法的滚动轴承故障检测方法 |
CN116304648B (zh) * | 2023-05-23 | 2023-08-29 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004191250A (ja) * | 2002-12-12 | 2004-07-08 | Nsk Ltd | センサユニット及び移動設備用異常検出装置 |
RU2239809C2 (ru) * | 2002-07-03 | 2004-11-10 | Потапенко Владимир Семенович | Способ диагностики подшипников качения |
JP2007198886A (ja) * | 2006-01-26 | 2007-08-09 | Jtekt Corp | エンコーダ、転がり軸受の密封装置、及びセンサ付き転がり軸受装置 |
JP2011085510A (ja) * | 2009-10-16 | 2011-04-28 | Ntn Corp | スラスト軸受の検査方法および検査装置 |
CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
CN105527077A (zh) * | 2015-11-15 | 2016-04-27 | 长兴昇阳科技有限公司 | 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 |
-
2016
- 2016-06-30 CN CN201610495754.8A patent/CN106053070B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2239809C2 (ru) * | 2002-07-03 | 2004-11-10 | Потапенко Владимир Семенович | Способ диагностики подшипников качения |
JP2004191250A (ja) * | 2002-12-12 | 2004-07-08 | Nsk Ltd | センサユニット及び移動設備用異常検出装置 |
JP2007198886A (ja) * | 2006-01-26 | 2007-08-09 | Jtekt Corp | エンコーダ、転がり軸受の密封装置、及びセンサ付き転がり軸受装置 |
JP2011085510A (ja) * | 2009-10-16 | 2011-04-28 | Ntn Corp | スラスト軸受の検査方法および検査装置 |
CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
CN105527077A (zh) * | 2015-11-15 | 2016-04-27 | 长兴昇阳科技有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
基于倒谱预白化和随机共振的轴承故障增强检测;张晓飞 等;《机械工程学报》;20121231;第48卷(第23期);第83-89页 * |
基于时域同步平均法的行星齿轮振动信号分离技术;胡贵锋 等;《中国机械工程》;20130331;第24卷(第6期);第787-791页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106053070A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106053070B (zh) | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 | |
CN103940612B (zh) | 一种滚动轴承故障特征提取方法及*** | |
Guo et al. | Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing | |
CN103499445A (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测*** | |
CN102539150B (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
CN109061474A (zh) | 一种电机轴承故障诊断装置 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、***及装置 | |
CN104316323B (zh) | 基于周期靶向的最优共振频带确定方法 | |
CN109799090B (zh) | 采用频带3分区的经验小波变换的轴承特征频率提取方法 | |
CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
CN103424258A (zh) | 一种滚动轴承的故障诊断方法 | |
CN111855211B (zh) | 一种用于故障特征增强的最优解调频带确定方法 | |
Dellomo | Helicopter gearbox fault detection: a neural network based approach | |
CN110046476A (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN105092241A (zh) | 一种齿轮局部故障诊断方法及*** | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
CN108225764A (zh) | 一种基于包络提取的高精度无键相信号阶次跟踪方法及*** | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN110926594A (zh) | 一种旋转机械信号时变频率特征提取方法 | |
CN104215456A (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 | |
CN107665337A (zh) | 一种轴承滚动体故障增强诊断方法 | |
CN112733612A (zh) | 一种跨领域的旋转机械故障诊断模型建立方法及其应用 | |
CN108181098A (zh) | 一种门座式起重机低速重载部件故障特征提取方法 | |
Choudhury et al. | A novel tacholess order analysis method for bearings operating under time-varying speed conditions |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180529 Termination date: 20200630 |
|
CF01 | Termination of patent right due to non-payment of annual fee |