CN106217130A - 复杂曲面加工过程中铣刀状态在线监测与预警方法 - Google Patents
复杂曲面加工过程中铣刀状态在线监测与预警方法 Download PDFInfo
- Publication number
- CN106217130A CN106217130A CN201610668278.5A CN201610668278A CN106217130A CN 106217130 A CN106217130 A CN 106217130A CN 201610668278 A CN201610668278 A CN 201610668278A CN 106217130 A CN106217130 A CN 106217130A
- Authority
- CN
- China
- Prior art keywords
- signal
- cumulant
- monitoring
- displacement
- vibration
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0995—Tool life management
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种复杂曲面加工过程中铣刀状态在线监测与预警方法,属于设备故障诊断领域。本发明在验证了铣削力与刀柄振动电涡流位移信号之间存在线性关系的基础上,以三向加速度传感器测得的机床主轴端部X、Y方向的加速度信号的二次频域积分作为刀柄振动位移信号,提取积分位移信号中的基频及其谐波信号作为监测信号,一方面克服了曲面加工中直接通过电涡流位移传感器进行位移检测的种种弊端,另一方面可以有效去除干扰信号的影响;运用时域同步平均累积量对监测信号做进一步处理,然后利用特征量定量刻画同步平均累积量波形,依据特征值变化实现对铣刀状态的监测。
Description
技术领域
本发明所述的叶轮加工过程中铣刀状态在线监测的方法属于设备故障诊断领域,涉及监测信号种类的选择与处理、特征信息的提取以及特征量的选择计算三个方面。
背景技术
随着航空发动机、压缩等大型精密机械装置日益向高负荷、高效率和高可靠性方向发展,它们中的关键部件-叶轮的表面加工质量被要求越来越高。由于叶片曲面结构复杂,叶片之间的空间狭窄等原因,加工过程中刀杆需要采用较大的悬伸量,而这极易造成刀杆底部固定的铣刀发生崩刃、磨损、破损现象。
叶片的表面加工质量与铣刀状态有密切关系,崩刃、磨损、破损的铣刀与叶片表面间的摩擦力会急剧增大、切削温度会急剧上升,叶片表面的加工质量会显著下降,因此叶片加工过程中铣刀状态的在线监测对提高叶片的加工质量、加工效率具有非常重要的现实意义。
日本学者村幸辰在文献切削分力比率工具损伤检出基于切削分力比反映刀具磨损状况,但是力传感器存在安装不便、承载面积小、成本高等不利因素,无法应用于实际监测。文献基于刀具振动位移的动态铣削力测量方法指出铣刀在加工过程中会受到断续切削力的激励,激励频率为刀齿的通过频率,当主轴转速较低时,激励频率远低于刀具***第一阶固有频率,可以认为刀具的刚度特性与静止时基本相同,即铣刀受铣削力作用后为弹性变形,铣刀上的动态铣削力与所测刀柄的振动位移满足线性关系,因此可将测量物理量从铣削力的测量转换为刀柄振动位移的测量,本发明在验证了铣削力与刀柄摆动电涡流位移信号之间存在线性对应关系的基础上,考虑利用电涡流位移信号代替力信号作为监测信号,但因电涡流传感器也存在安装不便的问题,继而提出通过采集机床主轴端部X、Y方向加速度信号,然后对加速度信号二次频域积分获得位移信号,提取积分位移信号的基频及其谐波信号作为监测信号,一方面解决了传感器安装不便的问题,同时有效去除了干扰信号的影响。
发明内容
本发明在验证了铣削力与刀柄摆动电涡流位移信号之间存在线性关系的基础上,以三向加速度传感器测得的机床主轴端部X、Y方向的加速度信号,对其二次频域积分作为刀柄位移信号,克服了曲面加工中直接通过电涡流位移传感器进行位移检测的种种弊端,在运用时域同步平均累积量法对积分出的刀柄振动位移信号进行去干扰处理的基础上,提出了以积分位移信号中的基频及其谐波信号作为监测信号,解决了复杂曲面加工过程中铣刀状态在线监测与预警难题。
本发明的技术方案:
一种复杂曲面加工过程中铣刀状态在线监测与预警方法,步骤如下:
步骤A.在线获取加速度信号阶段:将三向加速度传感器固定于机床主轴端部,标定至三向加速度传感器测量方向与铣刀刀柄振动X方向和Y方向完全重合,三向加速度传感器用于测量铣刀刀柄振动X方向和Y方向的加速度信号;
步骤B.加速度信号转换为监测信号阶段:步骤A获取的铣刀刀柄振动X方向和Y方向的加速度信号,监测信号是铣刀刀柄振动的位移信号,对步骤A获取的铣刀刀柄振动X方向和Y方向的加速度信号进行二次积分转化为位移信号,表示铣刀刀柄振动位移;由于加速度信号频带范围宽,包含的信号成分较为复杂,导致积分位移信号混有较多干扰信号,为了去除干扰信号的影响,利用傅立叶变换(FFT,Fast Fourier Transformation)对积分后的位移信号进行频谱分析,滤除其他频率信号只保留基频及其谐波成分,再利用逆傅立叶变换(IFFT,Inverse Fast Fourier Transformation)将滤波后的信号变回时域信号作为监测信号,为了验证监测信号测量刀具振动位移的有效性,对电涡流位移信号与监测信号对应的累积量进行互相关分析,将积分位移信号的基频及其谐波信号作为监测信号,一方面解决了传感器安装不便的问题,同时可以有效去除干扰信号的影响。
步骤C.监测信号在线处理阶段:用时域同步平均累积量法对铣刀刀柄振动的监测信号做进一步处理,增强监测信号的可靠性和稳定性。
时域同步平均累积量法原理如下:刀具振动位移信号的周期波形与刀具状态密切相关,由于叶轮加工过程中,工况变化导致监测信号波形幅值在不同时间段变化较大,时域同步平均可以有效衰减与回转周期无关的频率信号,因此,对监测信号进行时域同步平均可以增强监测信号周期波形的稳定性,这对依靠信号波形进行特征提取非常重要;时域同步平均累积量是对信号的整体概括,为了描述信号的整体状态及从不同角度提取信号信息,采用时域同步平均累积量对监测信号进行描述,与原始信号相比,累积量的周期波形更加稳定,因而监测结果更加可靠。
时域同步平均累积量法对铣刀刀柄振动监测信号进行处理过程如下:设旋转机械的振动信号是xt,旋转频率为f0,采样间隔是Δ,振动信号对应的离散信号是xt=x(nΔ),将振动信号按照旋转频率f0提取对应的振动信号,设将xn截取为P段,那么每一段的周期是假设每段的采样点数相等且值是N,同步平均就可以用下式表示:
基于时域同步平均的算法原理,结合统计学累积量的计算公式,推导出时域同步平均累积量的计算公式,推导出的一阶、二阶时域同步平均累积量公式如下所示:
一阶累积量:
二阶累积量:
步骤D.刀具状态在线判断阶段:在步骤C的基础上,通过特征量对时域同步平均累积量波形进行定量描述,判断刀具状态。
铣刀破损前后,刀柄振动位移的时域同步平均累积量的信号波形存在很大差异,利用时域指标定量刻画累积量波形,波形不同相应时域指标值必然存在差异,将时域指标作为特征量,根据刀具破损前后指标值的差异实现刀具状态监测,采用方差、偏斜度、峭度值、绝对均值和有效值作为特征量刻画信号波形,其中,方差用于描述信号波形的离散程度,偏斜度用于描述数据的偏斜方向及程度,峭度值对冲击信号特别敏感,绝对均值体现整体幅值大小,特征提取思路如流程图1所示,各时域指标对应公式如下:
方差:
偏斜度:
峭度值:
绝对值均值:
有效值:
其中yi代表一阶、二阶同步平均累积量,为一阶、二阶同步平均累积量均值。
本发明的有益效果:本发明利用加速度传感器采集信号,加速度传感器具有安装自由测量简便的特点,可用于实际监测;利用同步平均累积量提取铣刀状态的特征信息,再结合特征量对同步平均累积量进行定量描述的特征提取方法具有监测结果良好、编程简单、运行速度快的特点,满足在线监测实时性的要求。
附图说明
图1是铣刀状态监测流程图。
图2a是X方向力信号与电涡流位移信号线性关系位移图。
图2b是Y方向力信号与电涡流位移信号线性关系位移图。
图3是刀尖到位移测量处频响函数图。
图4a是第14组数据电涡流位移信号一阶累积量图。
图4b是第14组数据电涡流位移信号二阶累积量图。
图4c是第14组数据积分位移信号一阶累积量图。
图4d是第14组数据积分位移信号二阶累积量图。
图5a是第14组数据电涡流位移信号与积分位移信号一阶累积量间线性回归散点图。
图5b是第14组数据电涡流位移信号与积分位移信号二阶累积量间线性回归散点图。
图6a是第64组数据电涡流位移信号一阶累积量图。
图6b是第64组数据电涡流位移信号二阶累积量图。
图6c是第64组数据积分位移信号一阶累积量图。
图6d是第64组数据积分位移信号二阶累积量图。
图7a是第64组数据电涡流位移信号与积分位移信号一阶累积量间线性回归散点图。
图7b是第64组数据电涡流位移信号与积分位移信号二阶累积量间线性回归散点图。
图8a是1-80组数据一阶累积量绝对值均值图。
图8b是1-80组数据一阶累积量方差值图。
图8c是1-80组数据一阶累积量有效值图。
图8d是1-80组数据一阶累积量峭度值图。
图8e是1-80组数据一阶累积量偏斜度值图。
图9a是1-80组数据二阶累积量绝对值均值图。
图9b是1-80组数据二阶累积量方差值图。
图9c是1-80组数据二阶累积量有效值图。
图9d是1-80组数据二阶累积量峭度值图。
图9e是1-80组数据二阶累积量偏斜度值图。
具体实施方式
以下结合技术方案和附图,进一步说明本发明的具体实施方式。
实验数据共80组,采集于国内某企业压缩机叶轮铣削加工生产现场,采集过程中,每间隔一段时间停机观察铣刀状态,发现第61组铣刀崩刃,实验参数如表1所示。
表1实验参数
第14组、第64组数据分别为铣刀崩刃前后的数据,同步平均周期为10个转速周期,图4a、图4b分别对应第14组数据电涡流位移信号一阶、二阶累积量的计算结果,图4c、图4d分别对应第14组积分位移信号一阶、二阶累积量的计算结果;图6a、图6b分别对应第64组数据电涡流位移信号一阶、二阶累积量的计算结果;图6c、图6d分别对应第64组积分位移信号一阶、二阶累积量的计算结果。
为了描述电涡流位移信号与积分位移信号间的波形相似度,计算了第14组与第64组数据电涡流位移信号与积分位移信号对应累积量间的相关系数,并绘制散点图,图5a、图5b分别对应第14组数据两类位移信号一阶、二阶累积量间的回归结果,图7a、图7b分别对应第64组数据两类位移信号一阶、二阶累积量间的回归结果。
由图5a、图5b以及图7a、图7b看出相关系数均达到0.9以上,表明电涡流位移信号与积分位移信号间线性关系非常显著,两者具有类似的监测效果,可以利用积分位移信号替代电涡流位移信号进行刀具状态监测;对应对比图4a、图4b、图4c、图4d与图6a、图6b、图6c、图6d看出,刀具破损后两类位移信号的一阶、二阶累积量幅值均有所增加,其中均以二阶累积量的幅值增加显著;此外,还可以看出积分位移信号的二阶累积量幅值增加比电涡流位移信号更加明显,这表明积分位移信号的二阶累积量比电涡流位移信号的二阶累积量对刀具状态变化反应更加灵敏。
图8a、图8b、图8c、图8d、图8e与图9a、图9b、图9c、图9d、图9e分别表示积分位移信号一阶、二阶累积量的特征提取结果,由图8a、图8b、图8c、图8d、图8e看出积分位移信号的一阶累积量各特征量值在第55组之后整体有所提高,图9a、图9b、图9c、图9d、图9e明显看出积分位移信号的一阶累积量各特征量值在第55组增加显著,之后特征值基本稳定,两者结合可以判定刀具破损发生在第55组,实验记录刀具破损发生在第61组,该监测结果处在第61组之前,因而监测结果符合要求。
Claims (1)
1.一种复杂曲面加工过程中铣刀状态在线监测与预警方法,其特征在于,步骤如下:
步骤A.在线获取加速度信号阶段:将三向加速度传感器固定于机床主轴端部,标定至三向加速度传感器测量方向与铣刀刀柄振动X方向和Y方向完全重合,三向加速度传感器用于测量铣刀刀柄振动X方向和Y方向的加速度信号;
步骤B.加速度信号转换为监测信号阶段:步骤A获取的铣刀刀柄振动X方向和Y方向的加速度信号,监测信号是铣刀刀柄振动的位移信号,对步骤A获取的铣刀刀柄振动X方向和Y方向的加速度信号进行二次积分转化为位移信号,表示铣刀刀柄振动位移;利用傅立叶变换FFT对位移信号进行频谱分析,滤除其他频率信号只保留基频及其谐波成分,再利用逆傅立叶变换IFFT将滤波后的信号变回时域信号作为监测信号;
步骤C.监测信号在线处理阶段:用时域同步平均累积量法对铣刀刀柄振动的监测信号做进一步处理,增强监测信号的可靠性和稳定性;
时域同步平均累积量法对铣刀刀柄振动监测信号进行处理过程如下:设旋转机械的振动信号是xt,旋转频率为f0,采样间隔是Δ,振动信号对应的离散信号是xt=x(nΔ),将振动信号按照旋转频率f0提取对应的振动信号,设将xn截取为P段,那么每一段的周期是假设每段的采样点数相等且值是N,同步平均用下式表示:
基于时域同步平均的算法原理,结合统计学累积量的计算公式,推导出时域同步平均累积量的计算公式,推导出的一阶、二阶时域同步平均累积量公式如下所示:
一阶累积量:
二阶累积量:
步骤D.刀具状态在线判断阶段:铣刀破损前后,刀柄振动位移的时域同步平均累积量的信号波形存在很大差异,利用时域指标定量刻画累积量波形,波形不同相应时域指标值存在差异,将时域指标作为特征量,根据刀具破损前后指标值的差异实现刀具状态监测,采用方差、偏斜度、峭度值、绝对均值和有效值作为特征量刻画信号波形,其中,方差用于描述信号波形的离散程度,偏斜度用于描述数据的偏斜方向及程度,峭度值对冲击信号特别敏感,绝对均值体现整体幅值大小,各时域指标对应公式如下:
方差:
偏斜度:
峭度值:
绝对值均值:
有效值:
其中yi代表一阶、二阶同步平均累积量,为一阶、二阶同步平均累积量均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610668278.5A CN106217130B (zh) | 2016-08-15 | 2016-08-15 | 复杂曲面加工过程中铣刀状态在线监测与预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610668278.5A CN106217130B (zh) | 2016-08-15 | 2016-08-15 | 复杂曲面加工过程中铣刀状态在线监测与预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106217130A true CN106217130A (zh) | 2016-12-14 |
CN106217130B CN106217130B (zh) | 2018-06-15 |
Family
ID=57548182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610668278.5A Active CN106217130B (zh) | 2016-08-15 | 2016-08-15 | 复杂曲面加工过程中铣刀状态在线监测与预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106217130B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705780A (zh) * | 2016-08-08 | 2018-02-16 | 发那科株式会社 | 控制装置和控制*** |
CN110008784A (zh) * | 2018-01-04 | 2019-07-12 | 西安交通大学 | 基于共轭梯度最小二乘算法的铣削力识别方法及识别*** |
CN110842648A (zh) * | 2019-11-28 | 2020-02-28 | 南京科技职业学院 | 一种刀具磨损的在线预测和监测方法 |
CN110877233A (zh) * | 2018-09-05 | 2020-03-13 | 日本电产株式会社 | 磨损量估计***及方法、校正***、异常、寿命检测*** |
CN112710358A (zh) * | 2021-03-29 | 2021-04-27 | 南京诚远高新科技有限公司 | 一种智能机床状态监测装置及其状态监测方法 |
WO2021184421A1 (zh) * | 2020-03-20 | 2021-09-23 | 苏州森鼎高端装备有限公司 | 一种复合式智能检测方法及切削装置 |
CN114126792A (zh) * | 2019-07-24 | 2022-03-01 | 西铁城时计株式会社 | 加工装置、其使用的控制装置以及加工装置的控制方法 |
CN114273974A (zh) * | 2021-12-14 | 2022-04-05 | 中国科学院合肥物质科学研究院 | 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4636779A (en) * | 1984-10-24 | 1987-01-13 | General Electric Company | Acoustic detection of tool break events in machine tool operations |
JPH0349850A (ja) * | 1989-07-13 | 1991-03-04 | Omron Corp | 工具損傷検出装置 |
JPH0885047A (ja) * | 1994-09-13 | 1996-04-02 | Sumitomo Metal Ind Ltd | 切削工具の刃先摩耗検出方法 |
CN102490086A (zh) * | 2011-10-28 | 2012-06-13 | 浙江大学 | 镗杆工作状态实时监测*** |
CN102765010A (zh) * | 2012-08-24 | 2012-11-07 | 常州大学 | 刀具破磨损状态检测方法及其检测*** |
CN103941645A (zh) * | 2014-04-09 | 2014-07-23 | 南京航空航天大学 | 薄壁零件复杂工况加工状态监测方法 |
CN104741638A (zh) * | 2015-04-20 | 2015-07-01 | 江苏师范大学 | 一种车削刀具磨损状态监测*** |
CN105171529A (zh) * | 2015-10-12 | 2015-12-23 | 四川大学 | 一种自适应智能进刀控制装置 |
-
2016
- 2016-08-15 CN CN201610668278.5A patent/CN106217130B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4636779A (en) * | 1984-10-24 | 1987-01-13 | General Electric Company | Acoustic detection of tool break events in machine tool operations |
JPH0349850A (ja) * | 1989-07-13 | 1991-03-04 | Omron Corp | 工具損傷検出装置 |
JPH0885047A (ja) * | 1994-09-13 | 1996-04-02 | Sumitomo Metal Ind Ltd | 切削工具の刃先摩耗検出方法 |
CN102490086A (zh) * | 2011-10-28 | 2012-06-13 | 浙江大学 | 镗杆工作状态实时监测*** |
CN102765010A (zh) * | 2012-08-24 | 2012-11-07 | 常州大学 | 刀具破磨损状态检测方法及其检测*** |
CN103941645A (zh) * | 2014-04-09 | 2014-07-23 | 南京航空航天大学 | 薄壁零件复杂工况加工状态监测方法 |
CN104741638A (zh) * | 2015-04-20 | 2015-07-01 | 江苏师范大学 | 一种车削刀具磨损状态监测*** |
CN105171529A (zh) * | 2015-10-12 | 2015-12-23 | 四川大学 | 一种自适应智能进刀控制装置 |
Non-Patent Citations (2)
Title |
---|
谢厚正 等: "基于振动测试的数控机床刀具磨损监测方法", 《仪表技术与传感器》 * |
黄民 等: "高档数控机床刀具磨损故障监测方法及实验***", 《北京信息科技大学学报(自然科学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705780A (zh) * | 2016-08-08 | 2018-02-16 | 发那科株式会社 | 控制装置和控制*** |
US10481596B2 (en) | 2016-08-08 | 2019-11-19 | Fanuc Corporation | Control device and control system |
CN107705780B (zh) * | 2016-08-08 | 2020-07-14 | 发那科株式会社 | 控制装置和控制*** |
CN110008784A (zh) * | 2018-01-04 | 2019-07-12 | 西安交通大学 | 基于共轭梯度最小二乘算法的铣削力识别方法及识别*** |
CN110008784B (zh) * | 2018-01-04 | 2021-02-26 | 西安交通大学 | 基于共轭梯度最小二乘算法的铣削力识别方法及识别*** |
CN110877233A (zh) * | 2018-09-05 | 2020-03-13 | 日本电产株式会社 | 磨损量估计***及方法、校正***、异常、寿命检测*** |
CN114126792A (zh) * | 2019-07-24 | 2022-03-01 | 西铁城时计株式会社 | 加工装置、其使用的控制装置以及加工装置的控制方法 |
CN110842648A (zh) * | 2019-11-28 | 2020-02-28 | 南京科技职业学院 | 一种刀具磨损的在线预测和监测方法 |
WO2021184421A1 (zh) * | 2020-03-20 | 2021-09-23 | 苏州森鼎高端装备有限公司 | 一种复合式智能检测方法及切削装置 |
CN112710358A (zh) * | 2021-03-29 | 2021-04-27 | 南京诚远高新科技有限公司 | 一种智能机床状态监测装置及其状态监测方法 |
CN112710358B (zh) * | 2021-03-29 | 2021-06-25 | 南京诚远高新科技有限公司 | 一种智能机床状态监测装置及其状态监测方法 |
CN114273974A (zh) * | 2021-12-14 | 2022-04-05 | 中国科学院合肥物质科学研究院 | 高速铣削加工中基于振动信号的刀具跳动参数在线估计法 |
Also Published As
Publication number | Publication date |
---|---|
CN106217130B (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106217130A (zh) | 复杂曲面加工过程中铣刀状态在线监测与预警方法 | |
Elbestawi et al. | In-process monitoring of tool wear in milling using cutting force signature | |
CN101221066B (zh) | 工程非线性振动检测方法 | |
KR101718251B1 (ko) | 회전 블레이드 강건성 모니터링 방법 및 시스템 | |
EP0762248B1 (en) | Characterising a machine tool system | |
CN102721462B (zh) | 旋转机械启停车过程波德图/奈奎斯特图的快速计算方法 | |
CN104215323B (zh) | 机械设备的振动传感器网络中各传感器敏感度确定方法 | |
CN102825506A (zh) | 振动辨别方法以及振动辨别装置 | |
CN106441761A (zh) | 一种发动机叶片的疲劳试验装置 | |
CN106762343B (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN109641337A (zh) | 振动抑制装置 | |
CN106141815A (zh) | 一种基于ar模型的高速铣削颤振在线辨识方法 | |
Fan et al. | Blade vibration difference-based identification of blade vibration parameters: A novel blade tip timing method | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN104390697A (zh) | 一种基于c0复杂度与相关系数的铣削颤振检测方法 | |
CN103884482A (zh) | 一种基于压缩机的振动测试方法和*** | |
Ali et al. | Observations of changes in acoustic emission parameters for varying corrosion defect in reciprocating compressor valves | |
CN110434676A (zh) | 一种多传感器时频特征融合的镗削颤振监测方法 | |
WO2011149869A2 (en) | Machine vibration monitoring | |
CN110133106B (zh) | 一种输电线路振动损伤度量仪 | |
CN105807716B (zh) | 再制造机床健康监测*** | |
You et al. | Fault diagnosis system of rotating machinery vibration signal | |
CN104121178A (zh) | 输油泵故障诊断***及方法 | |
Abdelrhman et al. | Application of wavelet analysis in blade faults diagnosis for multi-stages rotor system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |