CN109029996A - 一种轮毂轴承故障诊断方法 - Google Patents
一种轮毂轴承故障诊断方法 Download PDFInfo
- Publication number
- CN109029996A CN109029996A CN201811057836.XA CN201811057836A CN109029996A CN 109029996 A CN109029996 A CN 109029996A CN 201811057836 A CN201811057836 A CN 201811057836A CN 109029996 A CN109029996 A CN 109029996A
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- decomposition
- wavelet packet
- 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.)
- Granted
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
- G01M13/04—Bearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于汽车维修领域,涉及一种小波包增强经验模态分解的轮毂轴承故障诊断方法。首先,使用小波包分解对原始信号进行分解并得到子信号。将子信号中的最低频分量滤除,保留其余高频成分。其次,将这一系列子信号加入到原始信号中,使其均匀地分布在信号的整个时频空间上。再次,利用小波包增强的经验模态分解将混合信号进一步分解为若干个本征模函数,提取包含高故障特征信息的分量进行重构。最后,对重构信号作希尔伯特包络分析并诊断出轴承故障类型。本发明方法利用小波包分解,对原始信号精细分解并消噪,有效提高了信噪比;小波包增强的经验模态分解进一步将信号分解为不同时间尺度的局部特征信号,经包络解调可直观检测出轴承故障类型。
Description
技术领域
本发明涉及汽车维修领域,尤其涉及一种小波包增强经验模态分解的轮毂轴承故障诊断方法。
背景技术
轴承作为一种支撑转动部件,广泛应用于旋转机械中。一辆汽车中就有不少于50套轴承安装在不同的旋转部位。轮毂轴承作为汽车悬架***中的关键零部件,其作用包括承重、减小旋转副摩擦、传递扭矩、为轮毂转动提供精准引导等。轮毂轴承运转速度高,且同时承受径向重力载荷、转向时的轴向载荷和驱动轴的扭矩。因此,轮毂轴承的好坏直接影响汽车行驶时的安全性和舒适性。为了避免轮毂轴承故障引起的安全性问题,对轮毂轴承故障进行检测和诊断就显得极为重要。
轮毂轴承由于工作环境复杂,受到强噪声干扰,故障特征极易被干扰信息覆盖。当故障轴承随汽车运转时,产生的振动信号是非平稳信号。由于负载、间隙、摩擦以及环境中的噪声干扰,使得采集到的振动信号包含复杂的成分,无法直接提取故障特征。传统的故障诊断方法如傅里叶变换、谱分析法等对轴承微弱故障的提取效果较差。
小波包分解是一种小波分析方法的改进和发展,它能够同时对信号的高频和低频部分进行细分,分解更为精细,从而更好的在消噪的同时保留信号有效成分。小波包增强的经验模态分解是一种新型自适应时频分析方法,通过在原始信号中加入一系列小波包分解的子信号,增强原始信号的故障特征,有效抑制了模态混叠现象。而目前市面上,还没有将小波包分解与小波包增强经验模态应用在轮毂轴承故障诊断领域。
发明内容
发明人为了克服强噪声背景下轮毂轴承故障难以提取的难题,提出了一种小波包增强经验模态分解的轮毂轴承故障诊断方法,能够快速准确诊断出轮毂轴承所发生的微弱故障。
一种轮毂轴承故障诊断方法,包含以下步骤:
①获取汽车轮毂轴承的原始故障信号;
②分解原始故障信号:利用小波包分解分解原始故障信号并得到一系列子信号,剔除其中的最低频分量,保留包含故障信息的高频分量;
③利用小波包增强模态分解并重构故障信号:将步骤②中所述子信号加入到所述原始故障信号中进行经验模态分解,从而自适应地分解为不同频带的分量,再根据峭度原则重构故障信号;
④分析结果:将步骤③中所述的重构后的故障信号进行希尔伯特包络分析并计算得到分析结果;
⑤诊断故障类型:计算轴承故障特征频率的理论值,将理论值与步骤④中的分析结果相比较,确定故障类型。
为进一步完善上述方案,本发明进一步设置为:步骤②中所述的小波包分解是同时对原始信号进行高频分解和低频分解从而得到一个高频信号和一个低频信号,再不断对得到的高频信号和低频信号做分解。
小波包函数定义为:j为尺度参数,用以定位频率, k为平移参数,用以定位时间,m为振荡参数。
小波包系数: 表示在j层分解尺度下,第m个小波包系数。
原始信号X(t)为N为信号长度。
小波包分解一共产生2j个小波包系数Cj,m,长度为N/2j,小波包系数等式为
本发明进一步设置为,步骤③所述的小波包增强模态分解包含以下步骤:
步骤一:对信号x(t)加入小波包分解的子信号w(j,m),即xm(t)=x(t)+w(j,m)。
步骤二:对信号xm(t)进行经验模态分解。
步骤三:重复步骤一至步骤二的过程m次,每重复一次就添加一个子信号。
步骤四:将经过m次分解后得到的各阶本征模函数分量求均值,得到总体平均值Ij(t),
表示第j个本征模函数分量,Q表示分解次数。
小波包增强模态分解的原理是给原始信号中加入经小波包分解后的一系列子信号,使其均匀地分布在信号的整个时频空间上。此时,不同尺度特征的信号会自适应地散布到合适的参考尺度上。经过多次筛选、平均之后,噪声相互抵消,而信号本身保持稳定,因此增强了原始信号的故障特征。因此,既保留了原始信号,又削弱了模态混叠现象。
本发明进一步设置为,步骤⑤中所述的轴承故障特征频率的理论值计算方法包括有轴承故障外圈特征频率计算方法与轴承内圈故障特征频率计算方法。
本发明进一步设置为,步骤⑤中所述的轴承故障特征频率的理论值计算方法包括有轴承内圈故障计算公式,所述计算公式为:
fⅠ表示特征频率的理论值,n表示滚动体个数,d表示滚动体直径,D表示节圆直径,α表示轴承接触角。
本发明进一步设置为,步骤⑤中所述的轴承故障特征频率的理论值计算方法包括有轴承外圈故障计算公式,所述计算公式为:
fⅠ表示特征频率的理论值,n表示滚动体个数,d表示滚动体直径,D表示节圆直径,α表示轴承接触角。
轮毂轴承工况复杂,工作环境背景噪声强。因此,原始故障信号中故障特征信息往往淹没在噪声中,普通的滤波处理不能有效去除噪声提取故障特征。小波包提供了灵活的消噪手段,有效分离噪声。小波包增强的经验模态分解,进一步将信号自适应地分解为一系列分量。通过选择最佳重构分量,有效提取出故障特征频率。此方法可快速准确诊断出传统方法无法诊断的微弱故障。以下结合附图对本发明进行更进一步详细的说明。
附图说明
图1为本发明所阐述方法的步骤示意图;
图2为本发明中的小波包增强经验模态分解流程图;
图3为外圈原始信号时域图;
图4为外圈原始信号包络谱图;
图5为实施例1中的本征模函数IMFs能量分布示意图;
图6为实施例1中小波包增强的经验模态分解重构信号时域图;
图7为实施例1中小波包增强的经验模态分解重构信号包络谱图;
图8为内圈原始信号时域图;
图9为内圈原始信号包络谱图;
图10为实施例2中的本征模函数IMFs能量分布示意图;
图11为实施例2中小波包增强的经验模态分解重构信号时域图;
图12为实施例2中小波包增强的经验模态分解重构信号包络谱图;
具体实施方式
下面,通过示例性的实施方式对本发明具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的特征也可以有益地结合到其他实施方式中。
如图1所示的一种轮毂轴承故障诊断方法。
首先,获取汽车轮毂轴承的原始故障信号。
之后,利用小波包分解分解原始故障信号,得到一系列子信号,剔除一个最低频分量,保留包含故障信息的高频分量。小波包分解是同时对原始信号进行高频分解和低频分解,其过程可以看做让信号通过一个高通滤波器和一个低通滤波器,得到一个高频信号和一个低频信号。再分别对这个高频信号和低频信号做分解,之后再继续分解得到的低频与高频信号。随着分解尺度的增加,小波包对信号的分解越来越精细,从而可以得到信号在一定频段内的特征。小波包函数的定义为:j为尺度参数,定位频率;k为平移参数,定位时间;m为振荡参数。通过小波包函数和信号X(t)可得到,小波包系数: 表示在j层分解尺度下,第m个小波包系数。
因此,原始信号X(t)可改写成:
其中,N为信号长度。小波包分解一共产生2j个小波包系数Cj,m,它们的长度为 N/2j。小波包系数为根据小波包系数,可重构得到各节点的信号分量。
接着,将小波包分解后的子信号加入到原始信号做经验模态分解,将增强的信号自适应地分解为不同频带的分量,根据峭度原则重构故障信号。如图2 所示,利用小波包增强经验模态分解进一步分解和重构故障信号。经验模态分解的目的是从原始信号中分离出调幅调频信号,将复杂的信号分成若干个本征模函数分量,即IMF分量。经验模态分解与传统的以傅里叶变换为基础的信号处理方法不同,它不需要事先设置基函数,具有自适应性,适合处理非平稳信号。然而,经验模态分解依然存在一些无法避免的缺陷:1、端点效应;2、模式混叠。对此,发明人提出了小波包增强的经验模态分解,来改善传统经验模态分解的不足。
小波包增强模态分解的原理是给原始信号中加入经小波包分解后的一系列子信号,使其均匀地分布在信号的整个时频空间上。此时,不同尺度特征的信号会自适应地散布到合适的参考尺度上。经过多次筛选、平均之后,噪声相互抵消,而信号本身保持稳定,因此增强了原始信号的故障特征。故而既保留了原始信号,又削弱了模态混叠现象。小波包增强模态分解包括以下步骤:
第1步,对信号x(t)加入小波包分解的子信号w(j,m),即:
xm(t)=x(t)+w(j,m)。
第2步,对信号xm(t)进行经验模态分解。
第3步,对以上两个步骤重复m次,每重复一次就添加一个子信号。
第4步,将经过m次分解后得到的各阶IMF分量求均值,得到总体平均值 Ij(t),表达式如下:Ij(t)表示第j个IMF分量,Q表示分解次数。
信号x(t)经小波包增强经验模态分解之后得到一系列IMF分量,根据峭度准则选取适当的分量进行重构,得到重构信号y(t)。
然后,将上一步得到的重构信号进行希尔伯特包络分析,得到分析结果。
最后,计算轴承故障特征频率的理论值,将分析结果与理论值进行比较以确定故障类型,最终得出故障结论。轴承故障特征频率的理论值计算方法包括有轴承故障外圈特征频率计算方法与轴承内圈故障特征频率计算方法。
其中,轴承内圈故障计算公式为:
fⅠ表示特征频率的理论值,n表示滚动体个数,d表示滚动体直径,D表示节圆直径,α表示轴承接触角。
轴承外圈故障计算公式,所述计算公式为:
fⅠ表示特征频率的理论值,n表示滚动体个数,d表示滚动体直径,D表示节圆直径,α表示轴承接触角。
以下,为了阐述本方***毂轴承外圈故障诊断中的应用,提供实施例1。
实施例1:轮毂轴承外圈故障诊断
取某汽车轮毂轴承为SKF7018CD/P4A型,节圆直径为115mm,滚动体个数为20个,滚动体直径为12.5mm,接触角15°。采样频率20000Hz,轴承空载运行,转速1200r/min。根据轴承故障外圈特征频率计算公式:计算得到外圈故障特征频率为179Hz。
外圈原始信号的时域图和希尔伯特包络谱图如图3和图4所示,由于强背景噪声的干扰,图4中找不到与外圈故障特征频率相匹配的冲击,无法判断故障类型。选用db1母小波将原始信号做7层小波包分解,得到128个子信号。滤除包含大量噪声成分的最低频分量,保留其余包含故障信息的较高频分量。于是,将子信号输入原始信号进一步做小波包增强经验模式分解,分解次数127 次,得到8阶IMF分量。各阶分量的能量如图5所示,选取能量最高的分量,此分量包含明显故障特征。其时域图和希尔伯特包络谱如图6和图7所示,从图中可以明显地观察到与外圈故障特征频率相匹配的冲击178.8Hz,及其二倍频 357.5Hz、三倍频536.3Hz。实验结果故障特征频率178.8Hz与理论值179Hz相匹配,从而准确地诊断出轮毂轴承外圈故障。
以下,为了阐述本方***毂轴承内圈故障诊断中的应用,提供实施例2。
实施例2:轮毂轴承内圈故障诊断
取某汽车轮毂轴承为SKF7018CD/P4A型,节圆直径为115mm,滚动体个数为20个,滚动体直径为12.5mm,接触角15°。采样频率20000Hz,轴承空载运行,转速1200r/min。轴承内圈故障特征频率计算公式为:计算得到外圈故障特征频率为220.9Hz。
内圈原始信号的时域图和希尔伯特包络谱如图8和图9所示,由于强噪声的干扰,图9中找不到与内圈故障特征频率相对应的冲击,无法判断故障类型。选用db1母小波将原始信号做7层小波包分解。将包含大量干扰成分的最低频子信号去掉,保留其余分量。于是,将127个子信号输入原始故障信号进一步做小波包增强集合经验模式分解,分解次数127次,得到8阶IMF分量,各分量的能量如图10所示。选择能量最高的IMF1作为重构信号,经包络解调得到包含明显故障特征冲击。其时域图和希尔伯特包络谱如图11和图12所示,从图中可以明显地观察到与内圈故障特征频率相匹配的冲击220.5Hz,及其二倍频 440.9Hz,三倍频661.4Hz,四倍频881.8Hz。实验结果故障特征频率220.5Hz与理论值220.9Hz相匹配,从而准确地诊断出轮毂轴承内圈故障。
以上实施例是为了解释发明的内含而做出的说明,但是本发明并不限于以上的两种实施方式。在本领域的普通技术人员所具备的知识范围内,还可以将本发明运用在各种不同类型的故障诊断中。
Claims (6)
1.一种轮毂轴承故障诊断方法,其特征在于,所述诊断方法包含以下步骤:
①获取汽车轮毂轴承的原始故障信号;
②分解原始故障信号:利用小波包分解对原始故障信号进行分解并得到一系列子信号,剔除其中的最低频分量,保留包含故障信息的高频分量;
③利用小波包增强模态分解并重构故障信号:将步骤②中所述子信号加入到所述原始故障信号中进行经验模态分解,从而自适应地分解为不同频带的分量,再根据峭度原则重构故障信号;
④分析结果:将步骤③中所述的重构后的故障信号进行希尔伯特包络分析并计算得到分析结果;
⑤诊断故障类型:计算轴承故障特征频率的理论值,将理论值与步骤④中的分析结果相比较,确定故障类型。
2.根据权利要求1所述的一种轮毂轴承故障诊断方法,其特征在于:步骤②中所述的小波包分解是同时对原始信号进行高频分解和低频分解从而得到一个高频信号和一个低频信号,此后不断对得到的高频信号和低频信号做分解,所述小波包函数定义为:j为尺度参数,用以定位频率,k为平移参数,用以定位时间,m为振荡参数;
小波包系数: 表示在j层分解尺度下,第m个小波包系数;
原始信号X(t)为N为信号长度;
小波包分解一共产生2j个小波包系数Cj,m,长度为N/2j,小波包系数等式为
3.根据权利要求1所述的一种轮毂轴承故障诊断方法,其特征在于:步骤③所述的小波包增强模态分解包含以下步骤:
步骤一:对信号x(t)加入小波包分解的子信号w(j,m),即xm(t)=x(t)+w(j,m);
步骤二:对信号xm(t)进行经验模态分解;
步骤三:重复步骤一至步骤二的过程m次,每重复一次就添加一个子信号;
步骤四:将经过m次分解后得到的各阶本征模函数分量求均值,得到总体平均值Ij(t),Ij(t)表示第j个本征模函数分量,Q表示分解次数。
4.根据权利要求1所述的一种轮毂轴承故障诊断方法,其特征在于:步骤⑤中所述的轴承故障特征频率的理论值计算方法包括有轴承故障外圈特征频率计算方法与轴承内圈故障特征频率计算方法。
5.根据权利要求1或4所述的一种轮毂轴承故障诊断方法,其特征在于:步骤⑤中所述的轴承故障特征频率的理论值计算方法包括有轴承内圈故障计算公式,所述计算公式为:
fⅠ表示特征频率的理论值,n表示滚动体个数,d表示滚动体直径,D表示节圆直径,α表示轴承接触角。
6.根据权利要求1或4所述的一种轮毂轴承故障诊断方法,其特征在于:步骤⑤中所述的轴承故障特征频率的理论值计算方法包括有轴承外圈故障计算公式,所述计算公式为:
fⅠ表示特征频率的理论值,n表示滚动体个数,d表示滚动体直径,D表示节圆直径,α表示轴承接触角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057836.XA CN109029996B (zh) | 2018-09-11 | 2018-09-11 | 一种轮毂轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057836.XA CN109029996B (zh) | 2018-09-11 | 2018-09-11 | 一种轮毂轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109029996A true CN109029996A (zh) | 2018-12-18 |
CN109029996B CN109029996B (zh) | 2021-01-26 |
Family
ID=64621102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811057836.XA Active CN109029996B (zh) | 2018-09-11 | 2018-09-11 | 一种轮毂轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109029996B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057583A (zh) * | 2019-03-01 | 2019-07-26 | 西人马(西安)测控科技有限公司 | 一种轴承故障识别方法、装置及计算机设备 |
CN110716532A (zh) * | 2019-10-17 | 2020-01-21 | 哈尔滨工程大学 | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 |
CN111189640A (zh) * | 2020-01-09 | 2020-05-22 | 珠海格力电器股份有限公司 | 一种轴承故障监测方法及采用其的监测装置、洗衣机 |
CN114674561A (zh) * | 2022-03-24 | 2022-06-28 | 湖南工业大学 | 一种基于信号压缩与窄带滤波的轴承故障增强诊断方法 |
CN117635245A (zh) * | 2023-11-30 | 2024-03-01 | 广东电力交易中心有限责任公司 | 基于多层次频域分解和ibmh优化delm的电价预测方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源***在线故障诊断方法 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 |
CN107870892A (zh) * | 2017-07-01 | 2018-04-03 | 南京理工大学 | 一种城轨列车滚动轴承故障诊断方法 |
-
2018
- 2018-09-11 CN CN201811057836.XA patent/CN109029996B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854015A (zh) * | 2012-10-15 | 2013-01-02 | 哈尔滨理工大学 | 一种滚动轴承故障位置及性能退化程度诊断方法 |
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源***在线故障诊断方法 |
CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 |
CN107870892A (zh) * | 2017-07-01 | 2018-04-03 | 南京理工大学 | 一种城轨列车滚动轴承故障诊断方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057583A (zh) * | 2019-03-01 | 2019-07-26 | 西人马(西安)测控科技有限公司 | 一种轴承故障识别方法、装置及计算机设备 |
CN110716532A (zh) * | 2019-10-17 | 2020-01-21 | 哈尔滨工程大学 | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 |
CN111189640A (zh) * | 2020-01-09 | 2020-05-22 | 珠海格力电器股份有限公司 | 一种轴承故障监测方法及采用其的监测装置、洗衣机 |
CN114674561A (zh) * | 2022-03-24 | 2022-06-28 | 湖南工业大学 | 一种基于信号压缩与窄带滤波的轴承故障增强诊断方法 |
CN117635245A (zh) * | 2023-11-30 | 2024-03-01 | 广东电力交易中心有限责任公司 | 基于多层次频域分解和ibmh优化delm的电价预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN109029996B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029996A (zh) | 一种轮毂轴承故障诊断方法 | |
Zhou et al. | A study on helicopter main gearbox planetary bearing fault diagnosis | |
Jiang et al. | A coarse-to-fine decomposing strategy of VMD for extraction of weak repetitive transients in fault diagnosis of rotating machines | |
Samanta et al. | Artificial neural network based fault diagnostics of rolling element bearings using time-domain features | |
Su et al. | On initial fault detection of a tapered roller bearing: frequency domain analysis | |
CN110470475A (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
He et al. | Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis | |
CN100507490C (zh) | 一种大型低速重载齿轮箱故障诊断的方法 | |
CN111855211B (zh) | 一种用于故障特征增强的最优解调频带确定方法 | |
Zhou et al. | Using frequency domain analysis techniques for diagnosis of planetary bearing defect in a CH-46E helicopter aft gearbox | |
CN108647667B (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN112183259B (zh) | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 | |
CN109799090A (zh) | 采用频带3分区的经验小波变换的轴承特征频率提取方法 | |
Elasha et al. | A novel condition indicator for bearing fault detection within helicopter transmission | |
CN116659860B (zh) | 一种服役环境下航空发动机主轴承故障演化监测新方法 | |
Wang et al. | Bearing fault diagnosis method based on hilbert envelope demodulation analysis | |
CN113865871A (zh) | 一种基于故障特征倍频能量判决的滚动轴承故障诊断方法 | |
Tian et al. | Diagnosis of combination faults in a planetary gearbox using a modulation signal bispectrum based sideband estimator | |
Lu et al. | A noise reduction method of rolling bearing based on empirical wavelet transform and adaptive time frequency peak filtering | |
CN107525672B (zh) | 一种基于基尼指标改进的SKRgram方法 | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
Wang | Autoregressive model-based diagnostics for gears and bearings | |
Pang et al. | A Fault Feature Extraction Method for a Gearbox with a Composite Gear Train Based on EEMD and Translation-Invariant Multiwavelet Neighbouring Coefficients. | |
CN113822193A (zh) | 一种基于窄带增强包络谱的滚动轴承故障诊断方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |