CN106485073A - 一种磨床故障诊断方法 - Google Patents
一种磨床故障诊断方法 Download PDFInfo
- Publication number
- CN106485073A CN106485073A CN201610887712.9A CN201610887712A CN106485073A CN 106485073 A CN106485073 A CN 106485073A CN 201610887712 A CN201610887712 A CN 201610887712A CN 106485073 A CN106485073 A CN 106485073A
- Authority
- CN
- China
- Prior art keywords
- signal
- generalized
- transform
- grinding machine
- frequency
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/10—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving electrical means
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种磨床故障诊断方法,以克服现有技术在故障诊断过程中容易产生虚假信号和假频的缺陷。一种磨床故障诊断方法,包括以下步骤:A、利用采集模块对磨床的振动信号进行采集,获得振动加速度信号x(t);B、对信号x(t)进行小波降噪,得到降噪后的加速度信号x1(t);C、对降噪后的加速度信号x1(t)进行广义S变换,得到时频谱图;D、对广义S变换时频谱图进行分析,在广义S变换时频谱图上得到故障频率。磨床存在故障时其振动信号具有两个特点:1、故障信号比较微弱,容易被其他的信号所淹没。2、磨床信号在发生颤振时信号幅值会显著增加,能量变大。针对故障信号的上述两个特点,故障诊断方法分别应用小波消噪和广义S变换解决以上两个问题。
Description
技术领域
本发明涉及机械工程技术领域,特别涉及基于广义S变换的磨床磨削故障诊断方法。
背景技术
磨削加工是机械制造过程中一种不可或缺的加工工序,是工件精度、表面粗糙度等重要参数的保证。随着高速、强力磨削的发展,它不仅仅只是精密加工的主要方法,也已成为一种比较广泛、高效的加工方法。
在实际生产中,机床会产生振动,产生颤振,这是由于刀具与工件之间的自激振动引起。颤振会降低加工表面的加工质量、加速机床破坏。大量的研究表明,磨削过程从未发生磨削颤振到颤振发生都经历了一段过渡磨削过程,此过渡过程的信号中包含了丰富的磨削状态信息,对于磨削颤振检测具有重要的价值。然而磨削颤振过渡过程的输出信号是非平稳信号,信号的频率和幅值均随时间变化,信号特征重复再现性差。因此,需要寻求一种有效的信号特征提取方法,把磨床颤振的特征信息从繁冗的原始振动信息中分离出来,得到准确的特征量,实现对磨床颤振的监测。
常用的时频分析方法有短时傅里叶变换、Gabor变换和小波变换等,时频分辨率是衡量这些方法优劣和时频聚集性能的重要指标。短时傅里叶变换和Gabor变换使用的都是大小固定的滑动窗口,不能精确分解周期比时间窗大的低频信号,并且高频的时频分辨率比较差。小波变换虽能自适应地反映低频和高频成分,但小波基函数一旦选定,分析所有数据都必须用此小波函数,将造成信号能量的泄漏,产生较多虚假谐波。
发明内容
本发明提供了一种磨床故障诊断方法,以克服现有技术在故障诊断过程中容易产生虚假信号和假频的缺陷。
为了解决以上技术问题,本发明通过以下技术方案实现,一种磨床故障诊断方法,包括以下步骤:
A、利用采集模块对磨床的振动信号进行采集,获得振动加速度信号x(t);
B、对信号x(t)进行小波降噪,得到降噪后的加速度信号x1(t);
C、对降噪后的加速度信号x1(t)进行广义S变换,得到时频谱图;
D、对广义S变换时频谱图进行分析,在广义S变换时频谱图上得到故障频率。
进一步,所述采集模块包括压电式加速度传感器、信号采集卡和控制器机箱,信号采集卡与传感器采用导线相连,信号采集卡通过插拔接口插接在磨床上。
进一步,砂轮主轴在X方向、Y方向和Z方向上均设有压电式加速度传感器;电机在在X方向和Y方向均设有压电式加速度传感器;立柱在在X方向、Y方向和Z方向上均设有压电式加速度传感器。便于精确的采集信号。
进一步,在步骤C中,对信号x1(t)进行广义S变换,具体步骤如下:
a、设函数h(t)∈L2(R),L2(R)表示能量有限函数空间,则信号h(t)的一维S变换定义如式(1):
式(1)中:h(t)表示时间序列,τ表示时移因子,σ表示尺度因子,t表示时间,f表示频率;
其中高斯窗函数如式(2):
b、对广义S变换的高斯窗函数进行改造,直接引入调节参数k,如式(3):
c、得到改进后的广义S变换,所述表达式如式(4):
此时,高斯窗函数g(τ,f)相应变为式(5):
其中,S(τ,f)为广义S变换之后的信号;h(t)为平方可积函数;k为调节因子且k取值为0~10。在一定范围内时,当调节因子k增大时,窗函数的宽度会向外进行延拓,且相应窗函数的幅值变小;反之,窗函数的宽度则向内收缩,相应窗函数的幅值变大。
d、依据步骤c得到改进广义S变换对降噪后的加速度信号x1(t)进行处理分析,找出故障信号广义S变换后时频能量谱图,可得到故障频率。
进一步,k取值为6~10。
磨床存在故障时其振动信号具有两个特点:1、故障信号比较微弱,容易被其他的信号所淹没。2、磨床信号在发生颤振时信号幅值会显著增加,能量变大。
针对故障信号的上述两个特点,故障诊断方法分别应用小波消噪和广义S变换解决以上两个问题。首先应用小波消噪将原始振动信号进行降噪。再对降噪后的故障信号进行广义S变换,在广义S变换时频谱图上可得到能量变化的频率带,得到故障频率。
附图说明
下面结合附图对本发明作进一步说明:
图1本发明的流程图;
图2为Simulink合成信号的时域波形图;
图3为合成信号的广义S变换频谱图;
图4为合成信号的广义S变换频谱图局部放大图;
图5广义S变换的算法流程图。
具体实施方式
参阅图1,一种磨床故障诊断方法,包括以下步骤:
A、利用采集模块对磨床的振动信号进行采集,获得振动加速度信号x(t);
B、对信号x(t)进行小波降噪,得到降噪后的加速度信号x1(t);
C、对降噪后的加速度信号x1(t)进行广义S变换,得到时频谱图;
D、对广义S变换时频谱图进行分析,在广义S变换时频谱图上得到故障频率。
采集模块包括压电式加速度传感器、信号采集卡和控制器机箱,信号采集卡与传感器采用导线相连,信号采集卡通过插拔接口插接在磨床上。
将加速度传感器布置在砂轮主轴、电机及立柱的X,Y,Z方向上。
参阅图5,在步骤C中,对信号x1(t)进行广义S变换,具体步骤如下:
a、设函数h(t)∈L2(R),L2(R)表示能量有限函数空间,则信号h(t)的一维S变换定义如式(1):
式(1)中:h(t)表示时间序列,τ表示时移因子,σ表示尺度因子,t表示时间,f表示频率;
其中高斯窗函数如式(2):
b、对广义S变换的高斯窗函数进行改造,直接引入调节参数k,如式(3):
c、得到改进后的广义S变换,所述表达式如式(4):
此时,高斯窗函数g(τ,f)相应变为式(5):
其中,S(τ,f)为广义S变换之后的信号;h(t)为平方可积函数;k为调节因子且k取值为0~10。在一定范围内时,当调节因子k增大时,窗函数的宽度会向外进行延拓,且相应窗函数的幅值变小;反之,窗函数的宽度则向内收缩,相应窗函数的幅值变大,当k取值为6~10效果最佳。
d、依据步骤c得到改进广义S变换对降噪后的加速度信号x1(t)进行处理分析,找出故障信号广义S变换后时频能量谱图,可得到故障频率。
该磨床故障诊断方法是基于磨床运行过程中所产生的振动信号进行的。磨床在运行过程中无论是否存在故障都会有振动信号的产生,但是无故障和有故障时的振动信号有不同的区别。磨床没有故障时,振动信号平稳。当磨床发生颤振故障时,振动信号幅值会显著变大。
通过加速度传感器测得的振动加速度信号是时域信号,图1为Simulink合成信号的时域波形图。
振动信号是由两个正弦信号发生器和一个白噪声发生器产生的,第一个正弦信号发生器产生一个由100rad/s和200rad/s合成的频率,而另一个正弦信号发生器产生一个由80rad/s和180rad/s合成的频率,两个信号相位相差45°。正弦信号(6)、正弦信号(7)和白噪声(8)可以表示为如下:
x(t)=4sin(100t)+4sin(200t)+1 (6)
c1(t)=0.7rand(2001,1)-0.7c2(t)=rand(2001,1)-0.5 (8)
此颤振发生***依靠时钟模块来计算当前的仿真时间。当仿真时间小于1.25s时,输出为合成的随机振动信号,以便模拟磨削过程中的平稳振动过程;当时间大于1.25s且小于1.5s时,时间比较器发生变化,控制开关控制输出合成的随机振动信号与斜波信号相乘,得到一个新的信号,模拟磨床在颤振状态下的振动情况;当仿真时间大于1.25s时,时间比较器发生变化,控制开关,输出最初的随机信号乘以增益以后的信号如式(9),以模拟磨削颤振的稳定颤振状态。
图3为磨床本身的振动信号和故障信号合成信号的广义S变换频谱图。
诊断故障需要得到的是振动信号所对应的频率值。对于简单的信号,如上面的x(t)和y(t),直接进行傅里叶变换就可以得到振动信号的频率值,但是无法判断是哪个频率引起颤振故障。对合成信号进行广义S变换,得到时频谱图。图3中可知,广义S变换时频谱图在频率轴约16Hz和32Hz处出现明显的能量特征,与仿真实验的合成频率相吻合,仿真结果验证了广义S变换时频谱对于磨床颤振信号特征提取与分析的有效性。
图4为合成信号的广义S变换频谱图局部放大图。
从图4中可知,在稳定的磨削过程中(1.25s之前)的信号能量值较小且稳定;1.25秒后,图中能量特征变化可以明显反映颤振发生过程中的能量变化规律:信号能量值明显变大,能量值从最初的0.3递增到0.98;在1.5秒后,磨床进入稳定的颤振状态时,能量值稳定在0.98,信号能量值达到最大,能量趋于稳定。因此,广义S变换能有效的反映颤振信号的能量变换过程,更加直观的分析磨削颤振机理。
本发明实施例的基于广义S变换的磨床故障诊断方法具有以下优点:本发明中采用的方法是广义S变换,它是在短时傅里叶变换和连续小波变换的基础上提出的信号处理方法。广义S变换是一种可逆的时频分析方法,它保持了信号的绝对相位信息,其时频分辨率随着频率发生变化,可以根据分析信号的时频特征不同而自动地调节窗函数的宽度,以便达到最佳的时频分辨率,对非平稳信号中不同信号分量有着更强的区分能力。首先采用小波降噪,对原始信号进行降噪;这解决了广义S变换受噪声干扰影响较大的缺点;筛分的信号为非平稳信号且噪声较小,干扰因素较少,广义S变换对非平稳信号处理能力较强,能很好地处理此类信号,且处理结果简单直观,提高信噪比和抗干扰能力,增强故障诊断的精度。
Claims (5)
1.一种磨床故障诊断方法,包括以下步骤:
A、利用采集模块对磨床的振动信号进行采集,获得振动加速度信号x(t);
B、对信号x(t)进行小波降噪,得到降噪后的加速度信号x1(t);
C、对降噪后的加速度信号x1(t)进行广义S变换,得到时频谱图;
D、对广义S变换时频谱图进行分析,在广义S变换时频谱图上得到故障频率。
2.根据权利要求1所述的一种磨床故障诊断方法,其特征是:所述采集模块包括压电式加速度传感器、信号采集卡和控制器机箱,信号采集卡与传感器采用导线相连,信号采集卡通过插拔接口插接在磨床上。
3.根据权利要求2所述的一种磨床故障诊断方法,其特征是:砂轮主轴在X方向、Y方向和Z方向上均设有压电式加速度传感器;电机在在X方向和Y方向均设有压电式加速度传感器;立柱在在X方向、Y方向和Z方向上均设有压电式加速度传感器。
4.根据权利要求1所述的一种磨床故障诊断方法,其特征是:在步骤C中,对信号x1(t)进行广义S变换,具体步骤如下:
a、设函数h(t)∈L2(R),L2(R)表示能量有限函数空间,则信号h(t)的一维S变换定义如式(1):
式中:h(t)表示时间序列,τ表示时移因子,σ表示尺度因子,t表示时间,f表示频率;
其中高斯窗函数如式(2):
b、对广义S变换的高斯窗函数进行改造,直接引入调节参数k,如式(3):
c、得到改进后的广义S变换,所述表达式如式(4):
此时,高斯窗函数g(τ,f)相应变为式(5):
其中,S(τ,f)为广义S变换之后的信号;h(t)为平方可积函数;k为调节因子且k取值为0~10。
d、依据步骤c得到改进广义S变换对降噪后的加速度信号x1(t)进行处理分析,找出故障信号广义S变换后时频能量谱图,可得到故障频率。
5.根据权利要求4所述的一种磨床故障诊断方法,其特征是:k取值为6~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610887712.9A CN106485073A (zh) | 2016-10-12 | 2016-10-12 | 一种磨床故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610887712.9A CN106485073A (zh) | 2016-10-12 | 2016-10-12 | 一种磨床故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485073A true CN106485073A (zh) | 2017-03-08 |
Family
ID=58269815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610887712.9A Pending CN106485073A (zh) | 2016-10-12 | 2016-10-12 | 一种磨床故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485073A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151873A (zh) * | 2017-12-26 | 2018-06-12 | 广东石油化工学院 | 一种分离离心泵振动信号和循环水换热器振动信号的方法 |
CN108318169A (zh) * | 2018-01-12 | 2018-07-24 | 西南交通大学 | 一种钢轨焊缝处最大动态力评估方法和钢轨焊缝维护*** |
CN117249996A (zh) * | 2023-11-10 | 2023-12-19 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010037180A1 (en) * | 2000-04-20 | 2001-11-01 | Hidemichi Komura | Fault diagnosis method and apparatus |
TW584732B (en) * | 2002-02-20 | 2004-04-21 | Mang-Hui Wang | CMAC_based fault diagnosis of power transformers |
CN1593849A (zh) * | 2004-07-15 | 2005-03-16 | 无锡开源机床集团有限公司 | 基于网络的磨床数据采集与故障诊断装置 |
CN101571712A (zh) * | 2008-11-26 | 2009-11-04 | 天津大学 | 一种具有加工自适应功能与在机质量检测的监控方法 |
CN101697072A (zh) * | 2009-10-29 | 2010-04-21 | 上海第二工业大学 | 数控机床故障诊断***及其方法 |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN102685053A (zh) * | 2012-05-15 | 2012-09-19 | 北京航空航天大学 | 一种基于广义s变换的通信信号调制识别方法 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
TW201332704A (zh) * | 2012-02-10 | 2013-08-16 | 中原大學 | 刃口積屑監控方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
JP5582063B2 (ja) * | 2011-02-21 | 2014-09-03 | Jfeスチール株式会社 | 電力変換器の故障診断方法、及び故障診断装置 |
CN104236905A (zh) * | 2014-08-26 | 2014-12-24 | 中国直升机设计研究所 | 一种轴承故障诊断方法 |
CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业(集团)有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
CN105865776A (zh) * | 2016-03-23 | 2016-08-17 | 浙江理工大学 | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
-
2016
- 2016-10-12 CN CN201610887712.9A patent/CN106485073A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010037180A1 (en) * | 2000-04-20 | 2001-11-01 | Hidemichi Komura | Fault diagnosis method and apparatus |
TW584732B (en) * | 2002-02-20 | 2004-04-21 | Mang-Hui Wang | CMAC_based fault diagnosis of power transformers |
CN1593849A (zh) * | 2004-07-15 | 2005-03-16 | 无锡开源机床集团有限公司 | 基于网络的磨床数据采集与故障诊断装置 |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN101571712A (zh) * | 2008-11-26 | 2009-11-04 | 天津大学 | 一种具有加工自适应功能与在机质量检测的监控方法 |
CN101697072A (zh) * | 2009-10-29 | 2010-04-21 | 上海第二工业大学 | 数控机床故障诊断***及其方法 |
JP5582063B2 (ja) * | 2011-02-21 | 2014-09-03 | Jfeスチール株式会社 | 電力変換器の故障診断方法、及び故障診断装置 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
TW201332704A (zh) * | 2012-02-10 | 2013-08-16 | 中原大學 | 刃口積屑監控方法 |
CN102685053A (zh) * | 2012-05-15 | 2012-09-19 | 北京航空航天大学 | 一种基于广义s变换的通信信号调制识别方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN104236905A (zh) * | 2014-08-26 | 2014-12-24 | 中国直升机设计研究所 | 一种轴承故障诊断方法 |
CN105081879A (zh) * | 2015-08-27 | 2015-11-25 | 成都飞机工业(集团)有限责任公司 | 一种数控机床主轴的故障诊断与预测的方法 |
CN105865776A (zh) * | 2016-03-23 | 2016-08-17 | 浙江理工大学 | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 |
CN105938468A (zh) * | 2016-06-07 | 2016-09-14 | 北京交通大学 | 一种滚动轴承的故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
C. ROBERT PINNEGAR ET AL.: "The S -transform with windows of arbitrary and varying shape", 《GEOPHYSICS》 * |
朱明 等: "基于广义 S 变换的滚动轴承故障诊断方法研究", 《机床与液压》 * |
毛彬 等: "基于小波变换的轧辊磨床振动信号分析研究", 《噪声与振动控制》 * |
谭兴强 等: "精密轧辊磨床故障振动分析及消除", 《机床与液压》 * |
陈建华 等: "基于HHT的磨床磨削颤振特征量提取方法", 《浙江理工大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151873A (zh) * | 2017-12-26 | 2018-06-12 | 广东石油化工学院 | 一种分离离心泵振动信号和循环水换热器振动信号的方法 |
CN108318169A (zh) * | 2018-01-12 | 2018-07-24 | 西南交通大学 | 一种钢轨焊缝处最大动态力评估方法和钢轨焊缝维护*** |
CN117249996A (zh) * | 2023-11-10 | 2023-12-19 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
CN117249996B (zh) * | 2023-11-10 | 2024-02-13 | 太原理工大学 | 矿用刮板机齿轮箱轴承的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manhertz et al. | STFT spectrogram based hybrid evaluation method for rotating machine transient vibration analysis | |
Huang et al. | Multi-source fidelity sparse representation via convex optimization for gearbox compound fault diagnosis | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
Olhede et al. | A generalized demodulation approach to time-frequency projections for multicomponent signals | |
Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
Wang et al. | Intelligent fault diagnosis of rolling element bearings using sparse wavelet energy based on overcomplete DWT and basis pursuit | |
He et al. | Gearbox coupling modulation separation method based on match pursuit and correlation filtering | |
Yan et al. | Bearing fault diagnosis via a parameter-optimized feature mode decomposition | |
CN106485073A (zh) | 一种磨床故障诊断方法 | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
CN112665851A (zh) | 一种无键相变转速齿轮箱故障诊断方法 | |
Sun et al. | A novel rolling bearing vibration impulsive signals detection approach based on dictionary learning | |
CN112326213A (zh) | 异常数据检测方法及装置、机械故障检测方法及装置 | |
Thoppil et al. | Bayesian optimization LSTM/bi-LSTM network with self-optimized structure and hyperparameters for remaining useful life estimation of lathe spindle unit | |
Shi et al. | A dual-guided adaptive decomposition method of fault information and fault sensitivity for multi-component fault diagnosis under varying speeds | |
Lv et al. | Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis | |
Wang et al. | Research on gearbox composite fault diagnosis based on improved local mean decomposition | |
Qin et al. | Adaptive diagnosis of DC motors using R-WDCNN classifiers based on VMD-SVD | |
Wei et al. | Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform | |
Li et al. | Servo axis incipient degradation assessment of CNC machine tools using the built-in encoder | |
CN107297649A (zh) | 一种基于小波包和希尔伯特变换的机床颤振在线监测方法 | |
Qiu et al. | Sparse Optimization Model based on Sparse Matrix and Singular Value Vector for Fault Diagnosis of Rolling Bearings | |
CN104834271A (zh) | 基于动刚度评价的直接进给轴伺服参数优化方法 | |
Zhang et al. | Sparse representation by novel cascaded dictionary for bearing fault diagnosis using bi-damped wavelet | |
Zhang et al. | Review on fault diagnosis on the rolling bearing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170308 |