CN106198006B - 特高压直流输电阀冷旋转设备故障诊断方法 - Google Patents
特高压直流输电阀冷旋转设备故障诊断方法 Download PDFInfo
- Publication number
- CN106198006B CN106198006B CN201610799577.2A CN201610799577A CN106198006B CN 106198006 B CN106198006 B CN 106198006B CN 201610799577 A CN201610799577 A CN 201610799577A CN 106198006 B CN106198006 B CN 106198006B
- Authority
- CN
- China
- Prior art keywords
- sound
- data
- fault
- diagnosis
- equipment
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005540 biological transmission Effects 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000005236 sound signal Effects 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000002542 deteriorative effect Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 abstract description 14
- 238000010338 mechanical breakdown Methods 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 230000001052 transient effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—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
本发明提供特高压直流输电阀冷旋转设备故障诊断方法。本发明由声音采集、数字滤波、频率特征提取、突变量检测等步骤组成。本发明能用于在线诊断和离线诊断,其特征在于连续诊断模式下若判别出异常则将该时刻的声音样本导出到指定目录,供技术人员采取离线诊断模式对导出的声音样本进行进一步分析;当旋转设备运行过程中,若发生机械故障,声音信号会发生突变,检测这些突变点就能及时发现旋转设备的故障时刻,检修专业人员可及时进行处置,避免设备继续恶化,直接提高阀冷***可靠性,具有良好的实用及推广价值。
Description
技术领域
本发明涉及一种特高压、超高压直流输电技术领域,具体涉及涉及阀冷***旋转设备的无损检测即通过识别声音频率的特高压直流输电阀冷旋转设备故障诊断方法。
背景技术
对于特高压、超高压直流输电***,阀冷***设备可靠性直接影响直流***稳定性及可靠性。驱动阀冷***内、外冷水循环流动主要通过各种旋转设备。阀冷***的旋转设备主要有主泵、冷却塔风机、喷淋泵电机。旋转设备常因其轴承、机械密封磨损导致旋转设备出现漏水、漏油,直接影响直流输电***的可靠运行。
现有对阀冷旋转设备的在线诊断,主要依靠经验丰富的维修师傅,通过人工监听方式对其作出故障诊断。这种诊断方法具有明显主观性,识别难度因人而异,不利于运维人员对旋转设备轴承、机械密封磨损的早期发现。
旋转设备在运行稳定时,振声呈现典型的规律性,当其轴承、机械密封处于磨损故障潜伏期,其声噪均会发生变化,因此,阀冷旋转设备振动信号较能灵敏反应旋转设备故障前兆,非常有助于对旋转设备故障早期阶段的发现。
国内外对旋转设备振动信号颇有研究,如早期的通过傅立叶变换研究旋转设备故障频率特征量,对于已发生故障的旋转设备,能准确的识别故障特征频率。然而,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去,不利于检测故障初期的旋转设备。
尽管傅立叶变化、小波分析在旋转设备故障诊断的应用已有了大量的研究成果,但是在特高压直流输电阀冷旋转设备应用领域尚未成熟而***的应用。现有国内外研究只是将其他领域开发出的小波分析技术作为现有工具使用,而没有适应于本领域具体应用情况的小波分析技术,其忽略了最优小波分析技术和选择问题,以致分析结果不够准确。
发明内容
本发明的目的在于针对现有技术存在的上述不足,提供一种通过识别声音频率的特高压直流输电阀冷旋转设备故障诊断方法。当旋转设备运行过程中,若发生机械故障,声音信号会发生突变,检测这些突变点就能及时发现旋转设备的故障时刻,检修专业人员可及时进行处置,避免设备继续恶化。
本发明通过如下技术方案实现。
特高压直流输电阀冷旋转设备故障诊断方法,用于在线诊断和离线诊断,连续诊断模式下若判别出异常则将该时刻的声音样本导出到指定目录,供技术人员采取离线诊断模式对导出的声音样本进行进一步分析;所述诊断方法具体包括:
(1)声音采集
在线模式下,直接调用平板电脑的声音采集卡硬件资源进行采集,在进行模拟/数字信号的转换过程中,当采样频率fs.max为信号中最高频率fmax的的5~10倍;为准确获取平板电脑声音采集卡的硬件设备的ID号,采取了动态获取ID号,定位至声音采集卡后离散采样声音信号,最后,将录到的声音数据转存到矩阵中;
对于离线方式下的声音采集是通过读取设备存储的声音文件实现;
(2)数字滤波
用函数ddencmp生成信号的默认阈值,然后利用函数wdencmp进行去噪,取sym4小波进行2层分解的方法进行去噪;
(3)进行频率特征提取
先用length函数获取声音样本的长度即数据点的个数L,然后获取最接近数据长度的2的整数次方,以对尽可能多的声音采样点数量进行傅立叶变换;
(4)进行突变量检测
利用小波变换对信号进行处理,采用db5小波分解后的3层高频系数重构图形进行突变位置的初选;
为了精确识别信号是否存在突变,采用对采样数据进行了加矩形窗的处理;对每次采样得到的数据等分为100个数据窗,即数据窗大小为480个数据点,时间识别精度为10ms,具体实现方式如下:
设矩阵变量x为采样到的数据,则有
x=[x1,x2,…xn],n=48000 (1)
新建矩阵变量y,
y=[y1,y2,…yn],n=1-100 (2)
其中,
依此类推,对矩阵变量y进行寻找最大值所在的矩阵坐标ymax,最小值所在的矩阵坐标ymin,准确找到小波变换后的信号的峰值和谷值;
首先以峰值ymax所在数据窗为中央坐标y[ymax],逐次除以左边的n个数据窗y[ymax-n],即y[ymax]/y[ymax-n]>dz,若结果大于某一值则认为发生突变,其中n为10以内的整数,dz为设定的门槛值,在高灵敏度时为5,中灵敏度时为10,低灵敏度时为20;
再以峰值所在数据窗为中央坐标,逐次除以右边的n个数据窗,寻找是否发生突变;同理,再对谷值进行处理;从而对不同的波形变化进行准确的识别;当旋转设备运行过程中,若发生机械故障,声音信号会发生突变,检测这些突变点就能及时发现旋转设备的故障时刻,检修专业人员可及时进行处置,避免设备继续恶化。
进一步地,所述fs.max为48kHz,采样点的比特数为24位。
进一步地,步骤(2)中还对原始信号进行滤除直流分量操作。
与现有技术相比,本发明具有如下优点和技术效果:
本发明从声波原理分析、研究直流输电阀冷旋转设备发生内部故障时的振声振幅、频谱变化规律,提出一种基于小波分析的旋转设备故障诊断方法,特别是采用所限定的参数,为运维人员及时发现、定位旋转设备故障提供一种有效手段,不仅能延长泵体轴承、机械密封备品的更换周期,避免故障进一步恶化,而且直接提高阀冷***可靠性,具有良好的实用及推广价值。
附图说明
图1为实例中旋转设备诊断测试流程示意图。
图2为实例中的声音采样过程示意图。
图3为实例中采取sym4小波进行2层分解的方法进行去噪前后的信号波形。
图4是实例中侨乡换流站极2高端#2主泵故障波形及频谱分布图。
图5是侨乡换流站极2高端#2主泵正常状态下的波形及频谱分布图。
具体实施方式
以下结合附图和实例对本发明的具体实施做进一步说明,需指出的是,以下若有未特别详细说明之处,均是本领域技术人员可参照现有技术实施的。
如图1,本实例的诊断方法流程包括声音采集、数字滤波、频率特征提取、突变量检测、用户交互界面(GUI)输出。
为拓宽使用范围,本实例适用于在线诊断和离线诊断模式。
在线诊断模式主要为单次诊断和连续诊断。单次诊断模式适用于运行人员在设备巡视过程中对旋转设备当前运行情况的诊断,其主要判据为声音频率成份。而连续诊断模式适用于将本***直接安装于设备间(如阀冷设备间),依靠小波分解对信号突变,识别监测旋转设备是否存在劣化趋势。
离线诊断模式,主要应用于对采取录音笔或其他录音设备录取的声音样本进行分析。此外,连续诊断模式下若***判别出异常也会将该时刻的声音样本导出到指定目录,技术人员可以采取离线诊断模式对导出的声音样本进行进一步分析。
(1)声音采集算法
在线模式下对声音的获取方法为直接调用平板电脑的声音采集卡硬件资源进行采集。为了实现该功能,根据采样定理,在进行模拟/数字信号的转换过程中,当采样频率fs.max大于信号中最高频率fmax的2倍时,采样之后的数字信号完整地保留了原始信号中的信息,一般实际应用中保证采样频率为信号最高频率的5~10倍。结合目标应用特点,考虑到采集信号的高频量最多只有10kHz左右,综合还原采集信号的波形以及节省硬件资源开销,Fs选择48kHz,采样点的比特数为24位即可满足要求。
为准确获取平板电脑声音采集卡的硬件设备在***中的ID号,本项目采取了动态获取ID号的方法。定位至声音采集卡后离散采样声音信号,最后,将录到的声音数据转存到矩阵中。
经过上述处理后,程序即完成了调用声音采集卡硬件资源进行若干秒声音采集的过程,采集后的数据将存储于矩阵中供后续的计算处理。
对于离线方式下的声音采集是通过读取设备存储的声音文件实现。
(2)数字滤波
在实际生产场所中,录取到的声音除了机械旋转产生的声音外,还有大量的其他干扰成分,如换流阀的噪声。为了消除此类干扰的影响,需要采取一定的滤波手段对原始信号进行去噪。
本发明采用小波去噪方法。用函数ddencmp生成信号的默认阈值,然后利用函数wdencmp进行去噪。
在本发明中,采取sym4小波进行2层分解的方法进行去噪,滤波前后的信号波形如图3所示。可见采取该方法去噪可在降低噪声对信号处理的影响与保留信号细节间取得一个较好的平衡。
(3)FFT算法进行频率特征提取
先用length函数获取声音样本的长度(即数据点的个数)L,然后获取最接近数据长度的2的整数次方,以求对尽可能多的声音采样点数量进行傅立叶。
由于声音采集卡电子电路泄露电流的原因,声音采集卡采样到的声音或多或少会存在一定的直流分量,为了排除信号的直流分量的干扰,还需对原始信号进行滤除直流分量。
作为实例,图4是侨乡换流站极2高端#2主泵在2016年1月3日发生故障时所采样到的声音波形以及快速傅立叶变换后的频谱分布情况。在采样时刻,极2高端阀冷***在#2主泵运行,人耳听到声音带有较为沉闷的嗡嗡声,用手触摸电机本体能感觉明显振动。采用本项目开发的测试仪对声音波形进行频谱分析,较大的能量谱分别出现在50Hz、100Hz、150Hz、200Hz、250Hz、300Hz、350Hz。
对侨乡换流站极2高端#2主泵进行检修,发现故障点为电机与主泵间的联轴器动平衡不良。对联轴器进行更换并调试完毕后,重新对侨乡换流站极2高端#2主泵进行声音采集,其波形如图5所示。从图5中可看到,在极2高端#2主泵运行状态良好时,其能量谱主要分布在50Hz、350Hz上。
表1为侨乡换流站极2高端#2主泵故障及正常状态下各特征频率的幅值对比。
表1侨乡换流站极2高端#2主泵故障及正常状态下各特征频率的幅值对比
序号 | 频率(Hz) | 正常幅值 | 故障幅值 | 差值 | |
1 | 50 | 0.046 | 0.038 | -0.008 | -17% |
2 | 100 | 0.005 | 0.02 | 0.015 | 300% |
3 | 150 | 0.01 | 0.018 | 0.008 | 80% |
4 | 200 | 0.002 | 0.026 | 0.024 | 1200% |
5 | 250 | 0.015 | 0.01 | -0.005 | -33% |
6 | 300 | 0.002 | 0.036 | 0.034 | 1700% |
7 | 350 | 0.03 | 0.042 | 0.012 | 40% |
由于声音的振幅受声音采集设备与被采集对象间的距离影响较大,需要将增幅不明显的故障频率排除,因此结合表1、图4、图5,可明显看到故障状态对比正常状态时100Hz、200Hz、300Hz的幅值增长非常大,可将含有大量100Hz、200Hz、300Hz成分判断为侨乡换流站极2高端#2主泵电机与主泵间的联轴器动平衡不良的故障特征量。
(4)小波算法进行突变量检测
利用小波变换对原始信号进行处理,采用db5小波分解后的3层高频系数重构图形进行突变位置的初选。
为了精确识别信号是否存在突变,本发明进一步采用对采样数据进行了加矩形窗的处理。加矩形窗需要考虑数据窗大小的问题,数据窗过大,时间识别精度则低;数据窗过小,增加计算量。因此需要选择合适的数据窗,本项目对每次采样得到的数据等分为100个数据窗,即数据窗大小为480个数据点,时间识别精度为10ms,在计算量和时间精度间取得了较好的平衡。具体实现方式如下:
设矩阵变量x为采样到的数据,则有
x=[x1,x2,…xn],n=48000 (1)
新建矩阵变量y,
y=[y1,y2,…yn],n=1-100 (2)
其中,
其余类推。
对矩阵变量y进行寻找最大值所在的矩阵坐标ymax,最小值所在的矩阵坐标ymin,可以准确找到小波变换后的信号的峰值和谷值。
首先以峰值所在数据窗为中央坐标,逐次除以左边的n个数据窗,即y[ymax]/y[ymax-n]>dz,若结果大于某一值则认为发生突变,其中n为10以内的整数,dz为设定的门槛值,在高灵敏度时为5,中灵敏度时为10,低灵敏度时为20。
再以峰值所在数据窗为中央坐标,逐次除以右边的n个数据窗,寻找是否发生突变。同理,再对谷值进行类似的处理。如此一来即可对不同的波形变化进行准确的识别。
本实例从声波原理分析、研究直流输电阀冷旋转设备发生内部故障时的振声振幅、频谱变化规律,提出一种基于小波分析的旋转设备故障诊断方法,特别是采用所限定的参数,为运维人员及时发现、定位旋转设备故障提供一种有效手段,不仅能延长泵体轴承、机械密封备品的更换周期,避免故障进一步恶化,而且直接提高阀冷***可靠性,具有良好的实用及推广价值。
Claims (3)
1.特高压直流输电阀冷旋转设备故障诊断方法,用于在线诊断和离线诊断,其特征在于连续诊断模式下若判别出异常则将该时刻的声音样本导出到指定目录,供技术人员采取离线诊断模式对导出的声音样本进行进一步分析;所述诊断方法具体包括:
(1)声音采集
在线模式下,直接调用平板电脑的声音采集卡硬件资源进行采集,在进行模拟/数字信号的转换过程中,采样频率fs.max为信号中最高频率fmax的5~10倍;为准确获取平板电脑声音采集卡的硬件设备的ID号,采取了动态获取ID号,定位至声音采集卡后离散采样声音信号,最后,将录到的声音数据转存到矩阵中;
对于离线方式下的声音采集是通过读取设备存储的声音文件实现;
(2)数字滤波
用函数ddencmp生成信号的默认阈值,然后利用函数wdencmp进行去噪,取sym4小波进行2层分解的方法进行去噪;
(3)进行频率特征提取
先用length函数获取声音样本的长度即数据点的个数L,然后获取最接近数据长度的2的整数次方,以对尽可能多的声音采样点数量进行傅立叶变换;
(4)进行突变量检测
利用小波变换对信号进行处理,采用db5小波分解后的3层高频系数重构图形进行突变位置的初选;
为了精确识别信号是否存在突变,采用对采样数据进行了加矩形窗的处理;对每次采样得到的数据等分为100个数据窗,即数据窗大小为480个数据点,时间识别精度为10ms,具体实现方式如下:
设矩阵变量x为采样到的数据,则有
x=[x1,x2,...xn],n=48000 (1)
新建矩阵变量y,
y=[y1,y2,...yn],n=1-100 (2)
其中,
依此类推,对矩阵变量y进行寻找最大值所在的矩阵坐标ymax,最小值所在的矩阵坐标ymin,准确找到小波变换后的信号的峰值和谷值;
首先以峰值ymax所在数据窗为中央坐标y[ymax],逐次除以左边的n个数据窗y[ymax-n],即y[ymax]/y[ymax-n]>dz,若结果大于某一值则认为发生突变,其中n为10以内的整数,dz为设定的门槛值,在高灵敏度时为5,中灵敏度时为10,低灵敏度时为20;
再以峰值所在数据窗为中央坐标,逐次除以右边的n个数据窗,寻找是否发生突变;同理,再对谷值进行处理;从而对不同的波形变化进行准确的识别;当旋转设备运行过程中,若发生机械故障,声音信号会发生突变,检测这些突变点就能及时发现旋转设备的故障时刻,检修专业人员可及时进行处置,避免设备继续恶化。
2.根据权利要求1所述的特高压直流输电阀冷旋转设备故障诊断方法,其特征在于所述fs.max为48kHz,采样点的比特数为24位。
3.根据权利要求1所述的特高压直流输电阀冷旋转设备故障诊断方法,其特征在于步骤(2)中还对原始信号进行滤除直流分量操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799577.2A CN106198006B (zh) | 2016-08-31 | 2016-08-31 | 特高压直流输电阀冷旋转设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799577.2A CN106198006B (zh) | 2016-08-31 | 2016-08-31 | 特高压直流输电阀冷旋转设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106198006A CN106198006A (zh) | 2016-12-07 |
CN106198006B true CN106198006B (zh) | 2019-08-06 |
Family
ID=58086756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610799577.2A Active CN106198006B (zh) | 2016-08-31 | 2016-08-31 | 特高压直流输电阀冷旋转设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106198006B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680011A (zh) * | 2017-01-17 | 2017-05-17 | 陕西大风印务科技股份有限公司 | 一种基于声音信号的印刷机故障诊断方法 |
CN108574251B (zh) * | 2018-05-03 | 2024-04-09 | 全球能源互联网研究院有限公司 | 一种晶闸管开关型可控避雷器 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
CN110375983B (zh) * | 2019-07-30 | 2021-05-25 | 中国石油化工股份有限公司 | 基于时间序列分析的阀门故障实时诊断***及诊断方法 |
CN113654652B (zh) * | 2021-09-17 | 2024-03-19 | 广东电网有限责任公司 | 一种直流控保装置故障识别方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995946A (zh) * | 2006-12-29 | 2007-07-11 | 北京工业大学 | 一种大型低速重载齿轮箱故障诊断的方法 |
TWI345051B (zh) * | 2007-01-18 | 2011-07-11 | China Steel Corp | |
CN102539150A (zh) * | 2012-01-17 | 2012-07-04 | 电子科技大学 | 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 |
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 |
CN202994457U (zh) * | 2012-09-04 | 2013-06-12 | 国电联合动力技术有限公司 | 一种风电机组传动链故障检测装置 |
-
2016
- 2016-08-31 CN CN201610799577.2A patent/CN106198006B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995946A (zh) * | 2006-12-29 | 2007-07-11 | 北京工业大学 | 一种大型低速重载齿轮箱故障诊断的方法 |
TWI345051B (zh) * | 2007-01-18 | 2011-07-11 | China Steel Corp | |
CN102539150A (zh) * | 2012-01-17 | 2012-07-04 | 电子科技大学 | 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 |
CN202994457U (zh) * | 2012-09-04 | 2013-06-12 | 国电联合动力技术有限公司 | 一种风电机组传动链故障检测装置 |
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 |
Non-Patent Citations (2)
Title |
---|
基于声学方法的滚动轴承故障信号分析方法研究;王美波;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20100715(第7期);C029-38 |
小波分析法在旋转机械故障诊断中的应用;刘占生 等;《汽轮机技术》;19961231;第38卷(第6期);第327-329页 |
Also Published As
Publication number | Publication date |
---|---|
CN106198006A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106198006B (zh) | 特高压直流输电阀冷旋转设备故障诊断方法 | |
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
CN108845250B (zh) | 基于振动信号特征提取的有载分接开关故障识别方法 | |
Chacon et al. | A novel approach for incipient defect detection in rolling bearings using acoustic emission technique | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
Zhang et al. | A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis | |
CN108572075A (zh) | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 | |
CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
Zheng et al. | Adaptive power spectrum Fourier decomposition method with application in fault diagnosis for rolling bearing | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Lu et al. | CEEMD-assisted bearing degradation assessment using tight clustering | |
Chaudhari et al. | Vibration analysis for bearing fault detection in electrical motors | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
Cui et al. | Fault diagnosis of offshore wind turbines based on component separable synchroextracting transform | |
Gao et al. | A wavelet packet and residual analysis based method for hydraulic pump health diagnosis | |
Liu et al. | An adaptive cross-validation thresholding de-noising algorithm for fault diagnosis of rolling element bearings under variable and transients conditions | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
Kestel et al. | Informed sparsity-based blind filtering in the presence of second-order cyclostationary noise | |
Zheng et al. | Zero-phase filter-based adaptive Fourier decomposition and its application to fault diagnosis of rolling bearing | |
Pang et al. | The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis | |
CN113820133B (zh) | 一种轴承振动信号的稀疏重构方法及其*** | |
Awada et al. | Motor fault detection using sound signature and wavelet transform | |
Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis | |
JP2012177653A (ja) | 音響診断方法、プログラム及び装置 | |
Tavakkoli et al. | A ball bearing fault diagnosis method based on wavelet and EMD energy entropy mean |
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 |