CN106383028A - 一种齿轮箱故障的诊断方法 - Google Patents
一种齿轮箱故障的诊断方法 Download PDFInfo
- Publication number
- CN106383028A CN106383028A CN201610804122.5A CN201610804122A CN106383028A CN 106383028 A CN106383028 A CN 106383028A CN 201610804122 A CN201610804122 A CN 201610804122A CN 106383028 A CN106383028 A CN 106383028A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal sequence
- sequence
- reconstruct
- represent
- 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.)
- Pending
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种齿轮箱故障的诊断方法,所述诊断方法包括:步骤1:获取齿轮箱的原始振动信号序列xo(t),并将所述原始振动信号序列xo(t)分解成一系列IMF分量频率带ci(t);步骤2:根据各所述IMF分量频率带ci(t)重构形成IMFs分量频率带对应的重构振动信号序列x(t);步骤3:根据所述重构振动信号序列x(t)计算样本熵,用于对齿轮箱的故障诊断。本发明齿轮箱故障的诊断方法通过将原始振动信号序列分解成一系列IMF分量频率带,进而重构形成IMFs分量频率带对应的重构振动信号序列,以消除不同工况所导致的差异;进一步的,根据所述重构振动信号序列x(t)计算样本熵,以对齿轮箱故障诊断,从而实现不同工况下的齿轮箱故障模式的识别。
Description
技术领域
本发明涉及机械设备领域,特别是涉及一种齿轮箱故障的诊断方法。
背景技术
齿轮箱广泛应用于各种机械设备当中。当齿轮箱发生故障,将会导致机械***的故障并产生重大损失。因此,齿轮箱故障诊断的研究非常重要并且受到越来越广泛关注。
齿轮箱的工况可以通过振动,声,热,电,油液信号来度量。一般地,振动信号是主要的度量信号,并广泛应用于齿轮箱的故障诊断方法中。为了对原始信号进行处理,一般而言,分解方法将被引入来分解原始的振动信号。
经验模态分解(Empirical mode decomposition,EMD),作为一种针对于非线性非平稳信号最为有效的分解方法,已经引起旋转机械故障诊断领域专家的广泛注意,并且已经被应用于齿轮箱的故障诊断中。然而,EMD所存在的模态混叠问题使其不能完全分解具有间歇分量的信号。
噪声辅助分析方法即总体经验模态分解(ensemble empirical modedecomposition(EEMD))比EMD有更好的性能,然而该方法中所添加的白噪声却造成了重构信号的噪声残留现象,并同时增加了计算成本。
由于可以通过统计方法评价时间序列的规律性的能力,近似熵(Approximateentropy,ApEn)往往作为振动信号特征提取方法被引入到故障诊断中。然而,其自身存在的缺陷使其在应用方面有很大的局限性,诸如偏差、相对的不一致性以及对于所取数据长度的依赖性等。
在实际使用中,齿轮箱需要在不同的工况下运行,如不同载荷或不同转速。由于不同工况的影响,相同故障模式间的原始信号的差异性将会增加,这就使得故障诊断十分困难。
发明内容
本发明的目的是提供一种齿轮箱故障的诊断方法,可以用于不同工况下的齿轮箱故障模式的识别。
为实现上述目的,本发明提供了如下方案:
一种齿轮箱故障的诊断方法,所述诊断方法包括:
步骤1:获取齿轮箱的原始振动信号序列xo(t),并将所述原始振动信号序列xo(t)分解成一系列IMF分量频率带ci(t);
步骤2:根据各所述IMF分量频率带ci(t)重构形成IMFs分量频率带对应的重构振动信号序列x(t);
步骤3:根据所述重构振动信号序列x(t)计算样本熵,用于对齿轮箱的故障诊断。
可选的,所述一系列IMF分量的分解方法包括:
步骤11:在所述原始振动信号序列xo(t)中加入一对具有相反相位且相同振幅的白噪声nm(t)形成一对原始振动信号的正分量序列和负分量序列其中,
m=1,2,...,M,m表示实验次数;
步骤12:通过经验模态分解方法分别对正分量序列和负分量序列进行分解得到正分量频率带和负分量频率带其中,
i=1,2,...,I,i表示IMF分量的项数,表示在对正分量序列分解的过程中的第I个余项;
表示在对负分量序列分解的过程中的第I个余项;
步骤13:根据以下公式计算总体实验中第i项的分量频率带ci(t):
可选的,所述重构振动信号序列x(t)的方法包括:
步骤21:根据以下公式计算重构振动信号序列x(t)与对应的所述IMF分量频率带ci(t)之间的协方差Cxc(i):
其中,i=1,2,...,I,i表示IMF分量的项数,ux表示重构振动信号序列x(t)的平均值,uci表示IMF分量频率带ci(t)的平均值;
步骤22:根据以下公式计算重构振动信号序列x(t)与对应的所述IMF分量频率带ci(t)之间的相关系数pxc(i):
其中,σx表示重构振动信号序列x(t)的标准方差,σci表示IMF分量频率带ci(t)的标准方差;
步骤23:设置阈值T,从筛选符合pxc(i)>T条件的IMF分量频率带ci(t)重构形成IMFs分量频率带,且根据所述IMFs分量频率带对应形成所述重构振动信号序列x(t)。
可选的,根据以下公式设置阈值T:
可选的,根据所述重构振动信号序列x(t)计算样本熵的方法包括:
步骤31:根据所述重构振动信号序列x(t)构建一组m维向量序列xm(j),其中,xm(j)={x(j),x(j+1),...,x(j+m-1)},j=1,2,...,I-m+1;
步骤32:根据以下公式确定向量x(j)与x(k)的距离d[x(j),x(k)]:
d[x(j),x(k)]=maxn(|x(j+n)-x(k+n)|)---公式(8),
其中,n=0,1,...,m-1;
步骤33:根据以下公式确定向量x(j)对应的数目
其中,Bj(r)表示向量x(j)与x(k)的距离小于或等于设定距离r的数目;
步骤34:根据以下公式计算向量序列xm(j)对应的数目Bm(r):
步骤35:增加维数到m+1维,确定向量序列xm+1(j)对应的数目Bm+1(r):
步骤36:根据以下公式确定样本熵SampEn(m,r):
可选的,m取值为2,r为原始振动信号序列xo(t)标准差的0.2倍。
可选的,所述样本熵包括训练数据和测试数据;
所述对齿轮箱的故障诊断的方法包括:
PNN训练器根据所述训练数据对PNN神经网络训练处理后,将处理后的数据输入PNN分类器;
所述PNN分类器根据测试数据和PNN训练器输入的处理后的数据识别齿轮箱故障模式。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明齿轮箱故障的诊断方法通过将原始振动信号序列分解成一系列IMF分量频率带,进而重构形成IMFs分量频率带对应的重构振动信号序列,以消除不同工况所导致的差异;进一步的,根据所述重构振动信号序列x(t)计算样本熵,以对齿轮箱故障诊断,从而实现不同工况下的齿轮箱故障模式的识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明齿轮箱故障的诊断方法的流程图;
图2为齿轮箱原始振动信号及其由CEEMD分解的IMF分量图;
图3为四种不同工况下的齿轮箱振动信号图;
图4为八种故障模式下的原始信号图;
图5为在单工况下分类准确率的条形图;
图6为不同工况下分类准确率的条形图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种齿轮箱故障的诊断方法,通过将原始振动信号序列分解成一系列IMF分量频率带,进而重构形成IMFs分量频率带对应的重构振动信号序列,以消除不同工况所导致的差异;进一步的,根据所述重构振动信号序列x(t)计算样本熵,以对齿轮箱故障诊断,从而实现不同工况下的齿轮箱故障模式的识别。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明齿轮箱故障的诊断方法包括:
步骤100:获取齿轮箱的原始振动信号序列xo(t),并将所述原始振动信号序列xo(t)分解成一系列IMF分量频率带ci(t);
步骤200:根据各所述IMF分量频率带ci(t)重构形成IMFs分量频率带对应的重构振动信号序列x(t);
步骤300:根据所述重构振动信号序列x(t)计算样本熵,用于对齿轮箱的故障诊断。
其中,在步骤100中通过完备总体经验模态分解(Complete ensemble empiricalmode decomposition,CEEMD)方法将所述原始振动信号序列xo(t)分解成一系列IMF分量频率带ci(t)。
所述一系列IMF分量的分解方法具体包括:
步骤11:在所述原始振动信号序列xo(t)中加入一对具有相反相位且相同振幅的白噪声nm(t)形成一对原始振动信号的正分量序列和负分量序列其中,
m=1,2,...,M,m表示实验次数。
步骤12:通过经验模态分解方法分别对正分量序列和负分量序列进行分解得到正分量频率带和负分量频率带其中,
i=1,2,...,I,i表示IMF分量的项数,表示在对正分量序列分解的过程中的第I个余项;
表示在对负分量序列分解的过程中的第I个余项。
步骤13:根据以下公式计算总体实验中第i项的分量频率带ci(t):
如图2所示,为了说明CEEMD方法的有效性:根据一个齿轮箱的原始振动信号和它由CEEMD分解所得的IMF分量,可以得到原始振动信号可以分解成9个IMF分量,并且没有出现模态混叠现象。
本发明通过相关性分析算法(Correlation analysis algorithm,CorAA)分析原始振动信号与每个IMF分量之间的相关性,以找出区别不同故障的主要特征,并尽量消除工况所导致的差异。
其中,所述重构振动信号序列x(t)的方法包括:
步骤21:根据以下公式计算重构振动信号序列x(t)与对应的所述IMF分量频率带ci(t)之间的协方差Cxc(i):
其中,i=1,2,...,I,i表示IMF分量的项数,ux表示重构振动信号序列x(t)的平均值,uci表示IMF分量频率带ci(t)的平均值。
步骤22:根据以下公式计算重构振动信号序列x(t)与对应的所述IMF分量频率带ci(t)之间的相关系数pxc(i):
其中,σx表示重构振动信号序列x(t)的标准方差,σci表示IMF分量频率带ci(t)的标准方差。pxc(i)越大,IMF越相关。
步骤23:设置阈值T,从筛选符合pxc(i)>T条件的IMF分量频率带ci(t)重构形成IMFs分量频率带,且根据所述IMFs分量频率带对应形成所述重构振动信号序列x(t)。
进一步地,所述阈值T根据以下公式设置:
相关系数如表1所示,第1,2,3,5和6的相关系数大于阈值T,表明其包含更多的特征信息。因此,通过对IMFs分量重构能够有效的保留同种故障模式间的主要特征。同时消除由工况差异引起的不同。
表1.每个IMF分量与原始信号间的相关系数
IMF 1 | IMF 2 | IMF 3 | IMF 4 | IMF 5 | IMF 6 | IMF 7 | IMF 8 | IMF 9 | IMF 10 | T |
0.4676 | 0.4866 | 0.3580 | 0.2419 | 0.2936 | 0.3630 | 0.1675 | 0.2679 | 0.1920 | 0.0180 | 0.2856 |
在本发明中,根据所述重构振动信号序列x(t)计算样本熵的方法包括:
步骤31:根据所述重构振动信号序列x(t)构建一组m维向量序列xm(j),其中,xm(j)={x(j),x(j+1),...,x(j+m-1)},j=1,2,...,I-m+1;
步骤32:根据以下公式确定向量x(j)与x(k)的距离d[x(j),x(k)]:
d[x(j),x(k)]=maxn(x(j+n)-x(k+n))---公式(8),
其中,n=0,1,...,m-1;
步骤33:根据以下公式确定向量x(j)对应的数目
其中,Bj(r)表示向量x(j)与x(k)的距离小于或等于设定距离r的数目;
步骤34:根据以下公式计算向量序列xm(j)对应的数目Bm(r):
步骤35:增加维数到m+1维,确定向量序列xm+1(j)对应的数目Bm+1(r):
步骤36:根据以下公式确定样本熵SampEn(m,r):
根据公式(12)可以看到,样本熵的值与m和r的取值有关。因此,确定m和r两个参数的值对于样本熵的计算非常重要。在本实施例中,参数m设置为2且r为原始振动信号序列xo(t)标准差的0.2倍。
为了说明样本熵的卓越性能,同一故障模式的四种工况的齿轮箱振动信号如图3中所示,对应的样本熵如表2所示。结果表明尽管是相同的故障模式,在存在工况差异的情况下,其样本熵的值仍有差别。
表2四种工况振动信号的样本熵
优选方案,所述样本熵包括训练数据和测试数据;
所述对齿轮箱的故障诊断的方法包括:
PNN训练器根据所述训练数据对PNN神经网络训练处理后,将处理后的数据输入PNN分类器;
所述PNN分类器根据测试数据和PNN训练器输入的处理后的数据识别齿轮箱故障模式。
下面以一具体实施例对比说明本发明齿轮箱故障的诊断方法:
在一个二级标准圆柱直齿轮减速器中采集数据,该减速器包含一个输入轴,一个中间轴和一个输出轴。一级减速比为1.5,二级减速比为1.667。输入轴上齿轮有32齿,输出轴上有80个齿。两个从动轴有96和48个齿。
数据采集于高低载荷下的输入轴转速为30Hz和50Hz的情况。采样频率为66.7Hz,采样时间设定为4s。故障情况如表3所示。
表3.齿轮箱故障模式
通过两个案例验证了所提出的齿轮箱故障诊断方法的有效性和优越性。在两个案例中,采样点数设置为2000,每种故障模式采集40组数据。20组作为训练数据20组作为测试数据。
在相同的工作条件下,表3中涉及了同工况下的八种故障模式。八种故障模式的原始振动信号波形如图4所示。图2为故障模式F的IMF结果,表1为原始信号和IMF分量间的相关系数。根据每种故障模式的阈值T,重构IMF分类并求取其样本熵(如表2所示)。最后,分类结果在表4和图5中给出。
表4.单工况下三种方法的分类准确率比较
故障诊断方法 | 分类准确率[%] |
CEEMD-SampEn | 97.5 |
CEEMD-ApEn | 90.0 |
EMD-SampE | 87.5 |
为了进一步验证所提方法的有效性,利用两种之前的方法对相同的数据做故障诊断作对比:(1)基于EMD和样本熵故障诊断方法,(2)基于CEEMD和近似熵的故障诊断方法。分类结果同样在图5和表4中给出。
如图5和表4中所示,所提方法实现了故障诊断的准确率达到97.5%,意味着在160组数据中有156组被正确分类。可以总结说,该方法可以有效的识别齿轮箱的故障模式。另外,CEEMD-ApEn和EMD-SampEn的诊断结果分别为90.00%和87.5%,从而更进一步验证了CEEMD样本熵的优越性。
在案例2中,选取八种故障模式在4中不同工况下的振动信号。四种工况如表5所示。
表5.齿轮箱四种不同工况
工况类型 | 1 | 2 | 3 | 4 |
转速(Hz) | 30 | 30 | 50 | 50 |
载荷 | 高 | 低 | 高 | 低 |
为了验证本文中所提出的CorAA方法的有效性,采取CEEMD和SampEn方法应用于故障诊断。最后,分类结果在图6和表6中给出,所提方法的分类结果为96.16%,而对比方法的准确率为88.75%。该结果表明了本发明所提方法能够对不同工况下的故障模式有效的分类。于此同时,也表明了CorAA的有效性。
表6.不同工况分类准确率
故障诊断方法 | 分类准确率[%] |
融合CorAA的CEEMD-SampEn的故障诊断方法 | 95.16% |
不融合CorAA的CEEMD-SampEn的故障诊断方法 | 88.75% |
本发明齿轮箱故障的诊断方法结合CorAA和CEEMD与样本熵的齿轮箱不同工况故障诊断方法。其中,CEEMD可以将分解齿轮故障信号分解成一系列IMF分量,相对于EEMD,降低计算消耗,于此同时还可以改善EMD的模态混叠问题。另外,为了保持故障模式的主要特征并尽可能消除由工况差异所带来的,CorAA被应用于重构IMF分量,并实现不同工况故障诊断的良好效果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种齿轮箱故障的诊断方法,其特征在于,所述诊断方法包括:
步骤1:获取齿轮箱的原始振动信号序列xo(t),并将所述原始振动信号序列xo(t)分解成一系列IMF分量频率带ci(t);
步骤2:根据各所述IMF分量频率带ci(t)重构形成IMFs分量频率带对应的重构振动信号序列x(t);
步骤3:根据所述重构振动信号序列x(t)计算样本熵,用于对齿轮箱的故障诊断。
2.根据权利要求1所述的齿轮箱故障的诊断方法,其特征在于,所述一系列IMF分量的分解方法包括:
步骤11:在所述原始振动信号序列xo(t)中加入一对具有相反相位且相同振幅的白噪声nm(t)形成一对原始振动信号的正分量序列和负分量序列其中,
m=1,2,...,M,m表示实验次数;
步骤12:通过经验模态分解方法分别对正分量序列和负分量序列进行分解得到正分量频率带和负分量频率带其中,
i=1,2,...,I,i表示IMF分量的项数,表示在对正分量序列分解的过程中的第I个余项;
表示在对负分量序列分解的过程中的第I个余项;
步骤13:根据以下公式计算总体实验中第i项的分量频率带ci(t):
3.根据权利要求1所述的齿轮箱故障的诊断方法,其特征在于,所述重构振动信号序列x(t)的方法包括:
步骤21:根据以下公式计算重构振动信号序列x(t)与对应的所述IMF分量频率带ci(t)之间的协方差Cxc(i):
其中,i=1,2,...,I,i表示IMF分量的项数,ux表示重构振动信号序列x(t)的平均值,uci表示IMF分量频率带ci(t)的平均值;
步骤22:根据以下公式计算重构振动信号序列x(t)与对应的所述IMF分量频率带ci(t)之间的相关系数pxc(i):
其中,σx表示重构振动信号序列x(t)的标准方差,σci表示IMF分量频率带ci(t)的标准方差;
步骤23:设置阈值T,从筛选符合pxc(i)>T条件的IMF分量频率带ci(t)重构形成IMFs分量频率带,且根据所述IMFs分量频率带对应形成所述重构振动信号序列x(t)。
4.根据权利要求3所述的齿轮箱故障的诊断方法,其特征在于,根据以下公式设置阈值T:
5.根据权利要求1所述的齿轮箱故障的诊断方法,其特征在于,根据所述重构振动信号序列x(t)计算样本熵的方法包括:
步骤31:根据所述重构振动信号序列x(t)构建一组m维向量序列xm(j),其中,xm(j)={x(j),x(j+1),...,x(j+m-1)},j=1,2,...,I-m+1;
步骤32:根据以下公式确定向量x(j)与x(k)的距离d[x(j),x(k)]:
d[x(j),x(k)]=maxn(|x(j+n)-x(k+n)|)---公式(8),
其中,n=0,1,...,m-1;
步骤33:根据以下公式确定向量x(j)对应的数目
其中,Bj(r)表示向量x(j)与x(k)的距离小于或等于设定距离r的数目;
步骤34:根据以下公式计算向量序列xm(j)对应的数目Bm(r):
步骤35:增加维数到m+1维,确定向量序列xm+1(j)对应的数目Bm+1(r):
步骤36:根据以下公式确定样本熵SampEn(m,r):
6.根据权利要求5所述的齿轮箱故障的诊断方法,其特征在于,m取值为2,r为原始振动信号序列xo(t)标准差的0.2倍。
7.根据权利要求1-6中任一项所述的齿轮箱故障的诊断方法,其特征在于,所述样本熵包括训练数据和测试数据;
所述对齿轮箱的故障诊断的方法包括:
PNN训练器根据所述训练数据对PNN神经网络训练处理后,将处理后的数据输入PNN分类器;
所述PNN分类器根据测试数据和PNN训练器输入的处理后的数据识别齿轮箱故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610804122.5A CN106383028A (zh) | 2016-09-05 | 2016-09-05 | 一种齿轮箱故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610804122.5A CN106383028A (zh) | 2016-09-05 | 2016-09-05 | 一种齿轮箱故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106383028A true CN106383028A (zh) | 2017-02-08 |
Family
ID=57939513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610804122.5A Pending CN106383028A (zh) | 2016-09-05 | 2016-09-05 | 一种齿轮箱故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106383028A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
CN109632291A (zh) * | 2018-12-04 | 2019-04-16 | 河北科技大学 | 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法 |
CN111337767A (zh) * | 2020-02-25 | 2020-06-26 | 河北工业大学 | 一种谐振波减速器故障分析方法 |
CN112037500A (zh) * | 2020-07-21 | 2020-12-04 | 江苏国茂减速机股份有限公司 | 自动判别故障的减速机、提升机及故障自动判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
-
2016
- 2016-09-05 CN CN201610804122.5A patent/CN106383028A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN101587017A (zh) * | 2009-06-19 | 2009-11-25 | 湖南大学 | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN104748961A (zh) * | 2015-03-30 | 2015-07-01 | 中国矿业大学 | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
杨兴林 等: ""基于CEEMD样本熵的柴油机故障诊断"", 《内燃机》 * |
王志华 等: ""基于EEMD降噪与PNN的齿轮箱之论故障诊断"", 《煤矿机械》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
CN108507787B (zh) * | 2018-06-28 | 2024-03-15 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
CN109632291A (zh) * | 2018-12-04 | 2019-04-16 | 河北科技大学 | 一种基于多元模态分解-传递熵的齿轮箱故障诊断方法 |
CN111337767A (zh) * | 2020-02-25 | 2020-06-26 | 河北工业大学 | 一种谐振波减速器故障分析方法 |
CN112037500A (zh) * | 2020-07-21 | 2020-12-04 | 江苏国茂减速机股份有限公司 | 自动判别故障的减速机、提升机及故障自动判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106383028A (zh) | 一种齿轮箱故障的诊断方法 | |
Zhang et al. | Time–frequency analysis for bearing fault diagnosis using multiple Q-factor Gabor wavelets | |
Jiang et al. | An improved EEMD with multiwavelet packet for rotating machinery multi-fault diagnosis | |
CN110702411B (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
Parey et al. | Gearbox fault diagnosis using acoustic signals, continuous wavelet transform and adaptive neuro-fuzzy inference system | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
Khazaee et al. | Feature-level fusion based on wavelet transform and artificial neural network for fault diagnosis of planetary gearbox using acoustic and vibration signals | |
Li et al. | Multiscale slope feature extraction for rotating machinery fault diagnosis using wavelet analysis | |
CN105092239B (zh) | 一种齿轮早期故障检测方法 | |
CN103048133B (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN102607845A (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
CN106650071A (zh) | 用于滚动轴承智能故障诊断的方法 | |
CN104390781A (zh) | 一种基于lmd和bp神经网络的齿轮故障诊断方法 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
Xue et al. | Automatic diagnosis method for structural fault of rotating machinery based on distinctive frequency components and support vector machines under varied operating conditions | |
Yi et al. | Mechanical compound faults extraction based on improved frequency domain blind deconvolution algorithm | |
WO1999044106A1 (de) | System und verfahren zur diagnose von triebwerkszuständen | |
CN108801630A (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
CN105426655A (zh) | 一种基于无量纲指标的旋转机械故障诊断方法 | |
CN105043766A (zh) | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
Zhang et al. | Adaptive filtering enhanced windowed correlated kurtosis for multiple faults diagnosis of locomotive bearings | |
Malhotra et al. | Bearing fault diagnosis based on flexible analytical wavelet transform and fuzzy entropy approach | |
CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170208 |