CN106997458A - 一种基于eemd‑cwd的设备振动信号特征提取方法 - Google Patents
一种基于eemd‑cwd的设备振动信号特征提取方法 Download PDFInfo
- Publication number
- CN106997458A CN106997458A CN201710160030.2A CN201710160030A CN106997458A CN 106997458 A CN106997458 A CN 106997458A CN 201710160030 A CN201710160030 A CN 201710160030A CN 106997458 A CN106997458 A CN 106997458A
- Authority
- CN
- China
- Prior art keywords
- cwd
- signal
- eemd
- imf
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于EEMD‑CWD的设备振动信号特征提取方法,包括采集设备振动信号;对振动信号进行EEMD分解,得到一组IMF分量;依据峭度准则,对IMF分量实施优选;通过CWD分析从而提取出设备的故障特征信息等步骤。本发明引进EEMD方法,在原信号中加入白噪声之后,利用白噪声频率均匀分布这一统计特性,能够消除原信号中间歇现象,进而实现对模态混叠的抑制;并能够将振动信号分解为若干频率成分相对单一的IMF分量,针对特定的IMF进行CWD技术分析,可达到减少频率混叠和干扰的效果。
Description
技术领域
本发明属于设备维修领域,尤其涉及一种基于EEMD-CWD的设备振动信号特征提取方法。
背景技术
设备振动信息特征提取是从设备原始信号中提取出有用信息的过程,目的是提取出能够反映设备健康状态信息的特征值。因此,设备振动信号特征的提取,对于监测设备是否健康工作有着重要意义。关于设备振动信息特征提取方法有很多,但都或多或少存在着一些问题。
现有技术一:
近年来,希尔伯特黄变换(Hilbert-Huang Transform,HHT)在信号特征提取领域得到了广泛的应用。HHT主要内容包含两部分,第一部分为经验模态分解(Empirical ModeDecomposition,EMD);第二部分为Hilbert谱分析(Hilbert Spectrum Analysis,HSA)。基本过程是:首先利用EMD方法将采集的信号分解为若干本征模态函数(Intrinsic ModeFunction,IMF),IMF分量含有原始信号的重要特征;然后,对每一个IMF进行Hilbert变换,得到相应的Hilbert谱,即将每个IMF表示在联合的时频域中;最后,汇总所有IMF的Hilbert谱就会得到信号的Hilbert谱,实现了信号特征的提取。
现有技术一存在不足:
1.采用的EMD方法本身有二进滤波器组的特征,但由于其常常会导致模态混叠问题,使得上述特征被破坏,导致IMF不能满足完全正交;
2.HHT存在端点效应的问题,使分解过程引入新的误差。
现有技术二:
为了解决振动信号的时频处理问题,研究人员们先后提出了许多时频能量的分布形式,例如Kirkood分布、Page分布和Wigner-Ville分布(WVD)。Cohen给出了时频分布的统一形式,统称为科恩类(Cohen类),并建立了各时频分布间的联系,由统一公式表达。当Cohen类核函数为指数型时,公式为乔-威廉姆斯分布(Choi-Williams Distribution,CWD)。CWD方法是典型的时频分析方法,它可以在一定程度上抑制交叉干扰项影响。
现有技术二的不足:
对于频率成分比较丰富的设备振动信号来说,其振动信号的时域和频域特征变化过程较为复杂,而CWD方法在对全域的时频域信号进行分析过程中,计算量大,核函数选择困难,导致其方法不够灵活;如果CWD方法对短时信号进行分析,其对信号交叉项的抑制能力受核函数本身结构影响,导致其抑制效果大大减弱。
发明内容
本发明的目的是:本发明提供一种基于EEMD-CWD的设备振动信号特征提取方法,通过引进集成经验模态分解法(Ensemble empirical mode decomposition,EEMD)并结合CWD分析方法,解决上述现有技术存在的模态混叠和抑制效果不明显等问题。
本发明的技术方案是:一种基于EEMD-CWD的设备振动信号特征提取方法,包括以下步骤:
步骤1:采集设备振动信号;
步骤2:对设备振动信号进行EEMD分解,得到一组IMF分量;
步骤3:依据峭度准则,对IMF分量实施优选;
步骤4:通过CWD分析来提取设备的故障特征信息。
更进一步地,所述步骤2,包括以下步骤:
步骤2.1:在采集的原始振动信号x(t)中引入随机高斯白噪声序列xm(t)=x(t)+k·nm(t),k为加入的白噪声幅值系数;
步骤2.2:计算加入白噪声的振动信号x(t)所有的极大值与极小值点;
步骤2.3:根据上述极大值和极小值点,通过三次样条插值方法,逐个出构造x(t)上、下包络线u(t)和v(t);
步骤2.4:根据m(t)=(u(t)+v(t))/2求解该信号的局部均值;
步骤2.5:根据h(t)=x(t)-m(t)计算h(t),判断h(t)是否满足成为IMF分量的基本条件,如果满足,则得到第一个IMF分量c1(t),否则重复上述步骤2.1-2.4,直到满足IMF分量条件;
步骤2.6:使用x(t)减c1(t)得到r(t),判断r(t)是否需要进一步分解,如需要分解则用r(t)替代x(t),继续重复步骤2.1-2.5,否则分解过程结束;
步骤2.7:每一次加入互不相同的白噪声序列,然后重复步骤2.1-2.6;
步骤2.8:计算分解后的IMF分量均值,将分解后的各IMF分量均值作为最终的计算结果。
更进一步地,所述步骤3,包括以下步骤:
步骤3.1:依据峭度计算公式,计算出各个IMF分量的峭度值:μ为信号x的均值;σ为信号x的标准差。
步骤3.2:对所有计算出的峭度数值进行排序,选取峭度值较大的IMF分量。
更进一步地,所述步骤4,包括以下步骤:
步骤4.1:选择CWD分布的核函数为:a为衰减系数,它与交叉项幅值够成比例关系;
步骤4.2:对所述步骤2优选出的IMF分量进行CWD处理,得到信号将各进行叠加,得到信号x(t)的Choi-Williams分布,即
步骤4.2:分析的异常状态,确定出设备发生故障时变化最为明显的特定频带,该特定频带的能量值对设备故障变化最为敏感,然后按照时间序列顺序提取上述特定频带的能量值,便得到了代表所分析设备的振动信号特征。
更进一步地,所述步骤2.5中判断满足IMF分量的基本条件是:函数在整个时间范围内局部极值点和过零点的数目必须相等,或最多相差一个;并且在任意时刻点局部最大值的包络和局部最小值的包络平均必须为零。
与已有技术相比,本发明的有益效果体现在:
1.引进EEMD方法,在原信号中加入白噪声之后,利用白噪声频率均匀分布这一统计特性,能够消除原信号中间歇现象,进而实现对模态混叠的抑制。
2.EEMD方法能够将振动信号分解为若干频率成分相对单一的IMF分量,针对特定的IMF进行CWD技术分析,可达到减少频率混叠和干扰的效果。
附图说明
图1本发明信号特征提取方法流程图;
图2本发明实施例齿轮箱结构示意图;
图3本发明实施例通道1各个时刻原始振动信号图;
图4本发明实施例齿轮箱t=200h时振动信号EEMD分析结果;
图5本发明实施例齿轮箱t=1h的EEMD-CWD分析结果;
图6本发明实施例齿轮箱t=200h的EEMD-CWD分析结果。
附图标记:
图3中,S1、S2、S3、S4分别表示传感器布置点位。
具体实施方式
下面将结合本发明的附图和具体实施例,对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,本发明的保护范围不仅限于下述实施例的限制。
本实施例通过对齿轮箱的振动信号特征进行提取,来表述本发明的技术方案。
实施例中设备包括:一台电磁调速电动机,一个速度与转矩传感器,一个二级三轴传动齿轮箱,一台电脑,四个压电式加速度传感器,数据采集卡及Labview软件的数据采集***以及一台给齿轮箱提供载荷的风冷磁粉制动器。
实验设备和实验所用动力源为型号YCT180-4A型电磁调速电机,磁粉制动器为型号FZ200.K/F型风冷磁粉制动器,所用齿轮箱如图2所示,主要参数见表1。
表1齿轮箱主要参数
步骤1:采集设备振动信号
实验齿轮箱为二级斜齿轮箱,额定转速为1450r/min,额定传输功率为0.75kW;通过安装在箱体上的4个振动加速度传感器,可以同时采集4路不同的振动信号。经过全寿命实验发现,本次被测齿轮箱工作约450小时后,发生了主要故障形式为齿轮齿面严重磨损的故障。
实验过程中对齿轮箱的振动信号进行采集,采样频率为20kHz,每小时采样1次,累计采样442小时。同时对轮齿磨损量进行不完全数据采集,即仅对部分运行时刻的磨损状态进行检测,获得的磨损数据见表2,其中通道1部分原始信号如图3所示。
表2不同检测时间齿轮磨损量
步骤2:对设备振动信号进行EEMD分解,得到一组IMF分量。
以t=200h为例:
步骤2.1:在原始振动信号x(200)中引入随机高斯白噪声序列;
步骤2.2:计算加入白噪声的振动信号x(200)所有的极大值和极小值点;
步骤2.3:根据上述极大值和极小值点,通过三次样条插值方法,逐个出构造x(200)上、下包络线u(200)和v(200);
步骤2.4:根据m(200)=(u(200)+v(200))/2求解该信号的局部均值;
步骤2.5:根据h(200)=x(200)-m(200)计算h(200),判断c1(200)是否满足上述IMF分量条件:函数在整个时间范围内局部极值点和过零点的数目必须相等,或最多相差一个;并且在任意时刻点局部最大值的包络和局部最小值的包络平均必须为零。如果满足,则得到第一个IMF分量c1(200),否则重复上述步骤2.1-2.4,直到满足IMF分量条件;
步骤2.6:使用x(200)减c1(200)得到r(200),判断r(200)是否需要进一步分解,如需要分解则用r(200)替代x(200),继续重复上述步骤2.1-2.5,否则分解过程结束;
步骤2.7:每一次加入互不相同的白噪声序列,然后重复步骤2.1-2.6;
步骤2.8:计算分解后的IMF分量均值,将分解后的各IMF分量均值作为最终的计算结果,t=200h时刻齿轮箱振动信号的EEMD分析结果(图4)。图4中,c1~c7为齿轮箱振动加速度信号分解后得到的各阶IMF分量(频率成分由高到低依次排列),c8则为信号分解的残余分量。
步骤3:依据峭度准则,对IMF分量实施优选;
步骤3.1:依据峭度计算公式,计算出各个IMF分量的峭度值:μ为信号x的均值;σ为信号x的标准差,计算经过EEMD分解后得到的c1~c8阶IMF分量的峭度值如表3所示。
表3齿轮箱t=200h时振动信号IMF峭度值
步骤3.2:对所有计算出的峭度数值进行排序,选取峭度值较大的IMF分量。
步骤4:通过CWD分析来提取设备的故障特征信息。
步骤4.1:选择CWD分布的核函数为:a为衰减系数,它与交叉项幅值够成比例关系;
步骤4.2:对所述步骤2优选出的IMF分量进行CWD处理,得到信号 进行叠加,得到信号x(t)的Choi-Williams分布,即选取峭度值较大的c1和c2进行CWD分析,并叠加分析结果,最后得到齿轮箱各个状态下振动信号的处理结果,如图5、图6所示。
步骤4.2:分析的异常状态,确定出设备发生故障时变化最为明显的特定频带,比较图5和图6可知:图6所示齿轮箱在t=200h时振动信号的信号Choi-Williams谱的幅值于0.17kHz和0.33kHz这两个频率范围内有所增加,该频带的能量值可以作为指示齿轮箱退化状态的特征值。该特定频带的能量值对设备故障变化最为敏感,然后按照时间序列顺序提取上述特定频带的能量值,便得到了代表所分析设备的振动信号特征。可以看出,利用本技术对原始信号进行处理后,不同状态下齿轮箱振动信号特征之间的差异得到了突出显示,有利于对齿轮箱的工作状态进行准确地识别,从而实现齿轮箱的状态信息特征提取。
Claims (5)
1.一种基于EEMD-CWD的设备振动信号特征提取方法,其特征在于,包括以下步骤:
步骤1:采集设备振动信号;
步骤2:对设备振动信号进行EEMD分解,得到一组IMF分量;
步骤3:依据峭度准则,对IMF分量实施优选;
步骤4:通过CWD分析来提取设备的故障特征信息。
2.根据权利要求1所述的一种基于EEMD-CWD的设备振动信号特征提取方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1:在采集的原始振动信号x(t)中引入随机高斯白噪声序列xm(t)=x(t)+k·nm(t),k为加入的白噪声幅值系数;
步骤2.2:计算加入白噪声的振动信号x(t)所有的极大值与极小值点;
步骤2.3:根据上述极大值和极小值点,通过三次样条插值方法,逐个出构造x(t)上、下包络线u(t)和v(t);
步骤2.4:根据m(t)=(u(t)+v(t))/2求解该信号的局部均值;
步骤2.5:根据h(t)=x(t)-m(t)计算h(t),判断h(t)是否满足成为IMF分量的基本条件,如果满足,则得到第一个IMF分量c1(t),否则重复上述步骤2.1-2.4,直到满足IMF分量条件;
步骤2.6:使用x(t)减c1(t)得到r(t),判断r(t)是否需要进一步分解,如需要分解则用r(t)替代x(t),继续重复上述步骤2.1-2.5,否则分解过程结束;
步骤2.7:每一次加入互不相同的白噪声序列,然后重复步骤2.1-2.6;
步骤2.8:计算分解后的IMF分量均值,将分解后的各IMF分量均值作为最终的计算结果。
3.根据权利要求1所述的一种基于EEMD-CWD的设备振动信号特征提取方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1:依据峭度计算公式,计算出各个IMF分量的峭度值:μ为信号x的均值;σ为信号x的标准差。
步骤3.2:对所有计算出的峭度数值进行排序,选取峭度值较大的IMF分量。
4.根据权利要求1所述的一种基于EEMD-CWD的设备振动信号特征提取方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1:选择CWD分布的核函数为:a为衰减系数,它与交叉项幅值够成比例关系;
步骤4.2:对所述步骤2优选出的IMF分量进行CWD处理,得到信号将各进行叠加,得到信号x(t)的Choi-Williams分布,即
步骤4.2:分析的异常状态,确定出设备发生故障时变化最为明显的特定频带,该特定频带的能量值对设备故障变化最为敏感,然后按照时间序列顺序提取上述特定频带的能量值,便得到了代表所分析设备的振动信号特征。
5.根据权利要求1至4任意一项所述的一种基于EEMD-CWD的设备振动信号特征提取方法,其特征在于,所述步骤2.5中判断满足IMF分量的基本条件是:函数在整个时间范围内局部极值点和过零点的数目必须相等,或最多相差一个;并且在任意时刻点局部最大值的包络和局部最小值的包络平均必须为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160030.2A CN106997458A (zh) | 2017-03-17 | 2017-03-17 | 一种基于eemd‑cwd的设备振动信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160030.2A CN106997458A (zh) | 2017-03-17 | 2017-03-17 | 一种基于eemd‑cwd的设备振动信号特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106997458A true CN106997458A (zh) | 2017-08-01 |
Family
ID=59431484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710160030.2A Pending CN106997458A (zh) | 2017-03-17 | 2017-03-17 | 一种基于eemd‑cwd的设备振动信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106997458A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109080661A (zh) * | 2018-07-27 | 2018-12-25 | 广州地铁集团有限公司 | 一种基于eemd能量熵和wvd的轨道波磨故障检测方法 |
CN109342091A (zh) * | 2018-08-31 | 2019-02-15 | 南京理工大学 | 基于自适应形态滤波及改进emd的振动故障提取方法 |
CN109374119A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 变压器振动信号特征量提取方法 |
CN109682958A (zh) * | 2018-09-21 | 2019-04-26 | 深圳沃德生命科技有限公司 | 一种用于血栓弹力图仪的加速度传感器信号补偿方法 |
CN109883704A (zh) * | 2019-03-11 | 2019-06-14 | 鲁东大学 | 一种基于eemd和k-gde的滚动轴承故障特征的提取方法 |
CN110688981A (zh) * | 2019-10-14 | 2020-01-14 | 江西理工大学 | 一种振动信号去噪的模态混叠消除方法 |
CN110763445A (zh) * | 2019-10-12 | 2020-02-07 | 西人马(西安)测控科技有限公司 | 制动器监测方法、装置、设备及存储介质 |
CN111243121A (zh) * | 2020-01-14 | 2020-06-05 | 广东寰球智能科技有限公司 | 金属盖的质量监控方法、装置及计算机可读存储介质 |
CN112326169A (zh) * | 2020-10-28 | 2021-02-05 | 未来振动(北京)测试技术有限公司 | 振动式异音异响检测*** |
CN112347845A (zh) * | 2020-09-22 | 2021-02-09 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压导管振动信号工业电干扰自动识别方法 |
CN112720071A (zh) * | 2021-01-27 | 2021-04-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN112800862A (zh) * | 2021-01-11 | 2021-05-14 | 吉林大学 | 一种非平稳信号时频矩阵重构方法及*** |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN114861363A (zh) * | 2022-05-23 | 2022-08-05 | 重庆交通大学 | 确定斜齿圆柱齿轮磨损量的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105954038A (zh) * | 2016-04-20 | 2016-09-21 | 辽宁工业大学 | 一种基于imf分量的振动信号能量特征提取方法 |
CN106446868A (zh) * | 2016-10-13 | 2017-02-22 | 成都芯安尤里卡信息科技有限公司 | 一种基于emd与奇异值差分谱的侧信道信号特征提取方法 |
-
2017
- 2017-03-17 CN CN201710160030.2A patent/CN106997458A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105954038A (zh) * | 2016-04-20 | 2016-09-21 | 辽宁工业大学 | 一种基于imf分量的振动信号能量特征提取方法 |
CN106446868A (zh) * | 2016-10-13 | 2017-02-22 | 成都芯安尤里卡信息科技有限公司 | 一种基于emd与奇异值差分谱的侧信道信号特征提取方法 |
Non-Patent Citations (1)
Title |
---|
王卫国等: "基于EEMD-CWD的齿轮箱振动信号故障特征提取", 《兵工学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109080661A (zh) * | 2018-07-27 | 2018-12-25 | 广州地铁集团有限公司 | 一种基于eemd能量熵和wvd的轨道波磨故障检测方法 |
CN109342091A (zh) * | 2018-08-31 | 2019-02-15 | 南京理工大学 | 基于自适应形态滤波及改进emd的振动故障提取方法 |
CN109682958A (zh) * | 2018-09-21 | 2019-04-26 | 深圳沃德生命科技有限公司 | 一种用于血栓弹力图仪的加速度传感器信号补偿方法 |
CN109374119A (zh) * | 2018-09-29 | 2019-02-22 | 国网山西省电力公司阳泉供电公司 | 变压器振动信号特征量提取方法 |
CN109883704A (zh) * | 2019-03-11 | 2019-06-14 | 鲁东大学 | 一种基于eemd和k-gde的滚动轴承故障特征的提取方法 |
CN110763445A (zh) * | 2019-10-12 | 2020-02-07 | 西人马(西安)测控科技有限公司 | 制动器监测方法、装置、设备及存储介质 |
CN110688981B (zh) * | 2019-10-14 | 2023-06-09 | 江西理工大学 | 一种振动信号去噪的模态混叠消除方法 |
CN110688981A (zh) * | 2019-10-14 | 2020-01-14 | 江西理工大学 | 一种振动信号去噪的模态混叠消除方法 |
CN111243121A (zh) * | 2020-01-14 | 2020-06-05 | 广东寰球智能科技有限公司 | 金属盖的质量监控方法、装置及计算机可读存储介质 |
CN112347845A (zh) * | 2020-09-22 | 2021-02-09 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压导管振动信号工业电干扰自动识别方法 |
CN112326169A (zh) * | 2020-10-28 | 2021-02-05 | 未来振动(北京)测试技术有限公司 | 振动式异音异响检测*** |
CN112800862A (zh) * | 2021-01-11 | 2021-05-14 | 吉林大学 | 一种非平稳信号时频矩阵重构方法及*** |
CN112800862B (zh) * | 2021-01-11 | 2022-08-02 | 吉林大学 | 一种非平稳信号时频矩阵重构方法及*** |
CN112720071B (zh) * | 2021-01-27 | 2021-11-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN112720071A (zh) * | 2021-01-27 | 2021-04-30 | 赛腾机电科技(常州)有限公司 | 多能域信号智能化融合的刀具实时状态监测指标构造方法 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN114861363A (zh) * | 2022-05-23 | 2022-08-05 | 重庆交通大学 | 确定斜齿圆柱齿轮磨损量的方法 |
CN114861363B (zh) * | 2022-05-23 | 2024-04-19 | 重庆交通大学 | 确定斜齿圆柱齿轮磨损量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106997458A (zh) | 一种基于eemd‑cwd的设备振动信号特征提取方法 | |
Wang et al. | Fault feature extraction of rotating machinery using a reweighted complete ensemble empirical mode decomposition with adaptive noise and demodulation analysis | |
Rai et al. | A review on signal processing techniques utilized in the fault diagnosis of rolling element bearings | |
Hu et al. | A new wind turbine fault diagnosis method based on ensemble intrinsic time-scale decomposition and WPT-fractal dimension | |
Jiang et al. | An improved EEMD with multiwavelet packet for rotating machinery multi-fault diagnosis | |
Bechhoefer et al. | Processing for improved spectral analysis | |
Wuxing et al. | Classification of gear faults using cumulants and the radial basis function network | |
Jiang et al. | The application of correlation dimension in gearbox condition monitoring | |
Shi et al. | A two-stage sound-vibration signal fusion method for weak fault detection in rolling bearing systems | |
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 | |
Park et al. | A positive energy residual (PER) based planetary gear fault detection method under variable speed conditions | |
Zamanian et al. | Gear fault diagnosis based on Gaussian correlation of vibrations signals and wavelet coefficients | |
CN108361207A (zh) | 一种用于离心泵振动监测与故障预警的装置及方法 | |
CN103308152B (zh) | 基于瞬时频率估计的旋转机械振动信号角域重采样方法 | |
Zhang et al. | Energy operator demodulating of optimal resonance components for the compound faults diagnosis of gearboxes | |
CN106441547A (zh) | 一种变压器振动监测方法及装置 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
Wang et al. | Adaptive estimation of instantaneous angular speed for wind turbine planetary gearbox fault detection | |
CN109253244A (zh) | 一种多齿轮***大型机械齿轮箱故障检测方法 | |
CN108388839A (zh) | 一种基于二阶同步提取变换的强转速波动特征提取方法 | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform | |
Hochmann et al. | Envelope bearing analysis: theory and practice | |
CN110056640A (zh) | 基于加速度信号和边缘计算的减速机无线故障诊断方法 | |
Wang et al. | A piecewise hybrid stochastic resonance method for early fault detection of roller bearings | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |
Application publication date: 20170801 |
|
WD01 | Invention patent application deemed withdrawn after publication |