CN110320018A - 一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 - Google Patents
一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 Download PDFInfo
- Publication number
- CN110320018A CN110320018A CN201910630019.7A CN201910630019A CN110320018A CN 110320018 A CN110320018 A CN 110320018A CN 201910630019 A CN201910630019 A CN 201910630019A CN 110320018 A CN110320018 A CN 110320018A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- rotating machinery
- parameter
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于二阶循环平稳特性的旋转机械复合故障诊断方法,包括以下步骤:S1,采集旋转机械的振动加速度信号,利用短时傅里叶变换(STFT)将原始信号转换到时频域;S2,根据二阶循环平稳特性,建立时间相关的随机模型;S3,通过最大化似然目标函数,即最大期望(EM)算法,进行模型求解;S4,根据模型参数估计值,量化原始信号的循环平稳特性;S5,根据S1‑S4步骤,联合时间域的循环平稳信号模型参数估计值和循环平稳指数CS(fk)等信息,计算出相应的故障特征频率。本发明针对旋转机械复合故障信号,提出了一种循环平稳指数CS,能有效量化原始信号的循环平稳性,且能有效提高多源混叠工况下故障诊断的准确性,并且容易与现有方法进行兼容。
Description
技术领域
本发明涉及旋转机械故障诊断领域,特别涉及一种基于二阶循环平稳特性的旋转机械复合故障诊断方法。
背景技术
基于振动信号的检测与处理方法,一直是旋转机械故障诊断领域的热点研究方向。故障信号的产生依赖于做高频机械振动的声源与传播机械振动的弹性介质,所以机械振动与波动是旋转机械故障诊断的物理基础。
由于旋转机械的运动具有往复性,机械表面损伤引发的碰撞往往呈现出周期性的规律,即振动信号的统计特性具有隐藏的周期信息。因此,基于循环平稳特性的建模方法更接近实际信号,是近年来新兴的一种机械信号处理技术。包络谱分析适用于分析循环平稳信号并且计算效率高,但对于信噪比较低的微弱故障信号效果不理想。谱峭度能够描述信号在不同频率处偏离高斯过程的程度,从而能有效选取信噪比最优的频段进行分析,然而对于含有随机脉冲噪声等情况诊断效果不理想。
然而,现实工作环境恶劣、工况复杂多变,振动监测信号极易受到干扰信号影响,导致故障特征难以识别。特别是针对结构复杂的大型旋转机械***进行监测,轴承与齿轮信号往往混叠在一起,导致多振动源混叠问题。因此,传统故障诊断方法难以保证对旋转机械复合故障诊断的准确性。
发明内容
本发明的目的是解决传统故障诊断方法无法准确诊断受到干扰信号影响、导致故障特征难以识别的监测信号的的问题,提出了一种基于二阶循环平稳特性的旋转机械复合故障诊断方法,通过引入循环平稳指数CS,能有效量化原始信号的循环平稳性。且本方法能排除噪声干扰,有效提高多源混叠工况下故障诊断的准确性。
为了解决上述技术问题,本发明的技术方案是:
一种基于二阶循环平稳特性的旋转机械复合故障诊断方法,包括以下步骤:
S1:使用加速度传感器采集振动信号,利用短时傅里叶变换(STFT)转换到时频域;
S2:根据二阶循环平稳特性,建立时间相关的随机模型;
S3:通过最大化似然目标函数,即最大期望(EM)算法,进行模型求解;
S4:根据模型参数估计值,量化原始信号的循环平稳特性;
S5:根据S1-S4步骤,联合时间域的循环平稳信号模型参数估计值和循环平稳指数CS(fk)等信息,计算出相应的故障特征频率。
进一步地,所述步骤S1中,使用加速度传感器采集长度为n的振动信号x[n],利用STFT将原始信号转换到时频域:
其中,w[m]代表长度为Nw的滑动窗口函数,每隔R个点将原始信号在时间点i处进行截取,从而得到频率fk处的时频域信号X(i,fk)。
进一步地,所述步骤S1中,振动加速度信号通过STFT转换到时频域,并且预设窗口移动间隔R满足:
Nw·25%≤R≤Nw·50%
根据汉宁窗口(Hanning window)长度Nw与移动间隔R匹配关系,即50%至75%重叠率(overlap),可以实现自适应优选时间移动间隔R。
进一步地,所述步骤S2中,建立瞬态功率谱匹配(MIPS)模型,得到时间相关的随机模型:
其中,CN(μ,σ2(i);fk)代表圆对称复合高斯分布,对应于频率fk处的位置参数μ,循环方差σ2(i)。假设其方差服从逆Gamma分布,
其中,α、β分别代表形状参数、尺度参数。
进一步地,所述步骤S3具体为:
S31:设置未知参数集,
其中,{αx,βx}、{αr,βr}分别为原始信号、背景噪声信号的形状参数和尺度参数。
S32:初始化一组参数最大化后验概率得到原始信号X(i,fk)对应于频率fk处的位置参数μx(i;fk),循环方差
求出原始信号X(i,fk)的期望,
其中,H(i;fk)代表对应于频率fk处的时间相关方差比(time-dependent varianceratio),
最终,通过STFT逆变换恢复出时间域的原始信号
S33:最大化后验概率更新一组参数不失一般性地,在初始化阶段得到{αx,βx,αr,βr},并假设其为常值。因此,包含的未知参数为在瞬态功率谱匹配(MIPS)模型中,属于信息先验分布(informative priors),
其中,N代表STFT时间点i的总个数,Fs代表采样频率,A代表所有非零循环频率αj=j/T的集合。原始信号的冲击周期T可手动进行设置。
根据逆Gamma分布的共轭先验性(conjugate priors),得到的期望值,
同理,得到的期望值,
重复上述S32和S33,直至结果收敛,输出模型参数估计值
进一步地,所述步骤S4中,在瞬态功率谱匹配(MIPS)模型框架下,定义对应于频率fk处的循环平稳指数(CS index),
其中,代表循环方差的均值。根据参数估计值可以有效量化原始信号对应于频率fk处的循环平稳性。
本发明针对旋转机械故障信号的二阶循环平稳特性,在时频域建立瞬态功率谱匹配(MIPS)模型,能从原始信号中提取出故障特征,并能实现全频带时间域的信号重建,同时提出了一种循环平稳指数CS,能有效量化原始信号的循环平稳性。与现有方法相比,本发明更接近实际信号,能有效过滤背景噪声干扰,提高多源混叠工况下故障诊断的准确性,并且容易与现有方法进行兼容,具有强大的实用性。
附图说明
图1为本发明实施例中具体步骤流程图。
图2为旋转机械复合故障实例(即轴承、齿轮同时故障)在时间域的信号,
其中,图2(a)为旋转机械复合故障实例(即轴承、齿轮同时故障)在时间域传感器的量测信号,
图2(b)为旋转机械复合故障实例(即轴承、齿轮同时故障)在时间域算法输出的原始信号,
图2(c)为旋转机械复合故障实例(即轴承、齿轮同时故障)在时间域算法输出的背景噪声信号。
图3为时频谱图,
其中,图3(a)为时频谱图传感器的量测信号,
图3(b)为时频谱图算法输出的背景噪声信号,
图3(c)为时频谱图算法输出的原始信号,
图3(d)为时频谱图算法输出的循环方差。
图4为在频率fk处的循环平稳指数CS(CS index)。
图5为图2的细节放大图,
其中,图5(a)传感器的量测信号,图5(b)算法输出的原始信号,图5(c)算法输出的背景噪声信号。
图6为图2的包络谱分析结果,
其中,图6(a)传感器的量测信号包络谱分析结果,
图6(b)算法输出的原始信号包络谱分析结果,
图6(c)算法输出的背景噪声信号包络谱分析结果。
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。
为了验证本发明的可行性,本实验采集了齿轮箱实验台数据,对轴承与齿轮混合故障信号进行验证性分析。该数据采样频率为48kHz,数据时长为1.365s,轴承转速为10Hz,保持架频率(Cage frequency,FTF)为4.1Hz,滚动体故障频率(Ball spin frequency,BSF)为26.1Hz,齿轮啮合频率为320Hz。
以下选用早期轴承滚子故障数据为例,结合附图对本发明作进一步详细描述。
参照图1,本发明实现步骤如下:
S1:使用加速度传感器采集长度为n=65520的振动信号y[n],参照图2(a),利用短时傅里叶变换(STFT)将原始信号转换到时频域,选取Nw=26的滑动窗口函数,每隔R=8个点将原始信号在时间点i处进行截取,从而得到频率fk处的时频域信号Y(i,fk),参照图3(a)。
S2:对于给定周期T=1/(2×BSF),建立瞬态功率谱匹配(MatchingInstantaneous Power Spectrum,MIPS)模型,量测信号Y(i,fk)的循环方差可描述为:
其中,(T为冲击周期,j为正整数),代表对应于频率fk处的背景噪声方差。
S3:通过最大化似然目标函数,即最大期望(Expectation Maximization,EM)算法,进行模型求解,具体方法如下:
S31:设置未知参数集,
其中,{αx,βx}、{αr,βr}分别为原始信号、背景噪声信号的形状参数和尺度参数。
S32:初始化一组参数最大化后验概率得到原始信号X(i,fk)对应于频率fk处的位置参数μx(i;fk),循环方差
求出原始信号X(i,fk)的期望,参照图3(c),
其中,H(i;fk)代表对应于频率fk处的时间相关方差比(time-dependent varianceratio),
最终,通过STFT逆变换恢复出时间域的原始信号参照图2(b)。
S33:最大化后验概率更新一组参数不失一般性地,在初始化阶段得到{αx,βx,αr,βr},并假设其为常值。因此,包含的未知参数为在瞬态功率谱匹配(MIPS)模型中,属于信息先验分布(informative priors),
其中,N代表STFT时间点i的总个数,Fs代表采样频率,A代表所有非零循环频率αj=j/T的集合。原始信号的冲击周期T可手动进行设置。
根据逆Gamma分布的共轭先验性(conjugate priors),得到的期望值,参照图3(d),
同理,得到的期望值,
重复上述S32和S33步骤,直至结果收敛,输出模型参数估计值
S4:在瞬态功率谱匹配(MIPS)模型框架下,定义对应于频率fk处的循环平稳指数(CS index),
其中,代表循环方差的均值。根据模型参数估计值可以有效量化原始信号对应于频率fk处的循环平稳性,参照图4。
S5:根据S1-S4步骤,得到时间域的循环平稳信号模型参数估计值和循环平稳指数CS(fk)等信息,从而计算出相应的故障特征频率,提高旋转机械复合故障诊断的准确性。
其判断过程如下:从图5(a)可以看出传感器的量测信号y[n]并无明显瞬态特征,然而通过本专利提出的方法可以有效过滤掉图5(c)所示的残差信号r[n],即背景噪声信号,提取出图5(b)所示的全频带时间信号x[n]。
从图3时频谱图可以看出:由机械碰撞引发的非平稳信号在高频段更明显;相反,低于10kHz的信号,即齿轮故障信号,淹没在背景噪声信号中。本专利所提出的方法能有效输出对应于频率fk处的循环方差参照图3(d)。
从图6(a)包络谱分析结果可以看出传统包络分析不能分析出微弱的轴承故障特征频率,然而,如图6(b)所示,通过本专利提出的方法可以有效过滤掉背景噪声信号的干扰,提取出原始信号中隐含的循环平稳成分,即齿轮故障特征频率。
本发明针对旋转机械故障信号的二阶循环平稳特性,在时频域建立瞬态功率谱匹配(MIPS)模型,能从原始信号中提取出故障特征,并能实现全频带时间域的信号重建,同时提出了一种循环平稳指数CS,能有效量化原始信号的循环平稳性。与现有方法相比,本发明更接近实际信号,能有效过滤背景噪声干扰,提高多源混叠工况下故障诊断的准确性,并且容易与现有方法进行兼容,具有强大的实用性,特别是在多源混叠工况下,具有更大的实际指导意义。
以上具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明原理及实质的情况下,可对上述方法细节进行各种省略、替换和改变。本发明范围由所附权利要求书限定。
Claims (6)
1.一种基于二阶循环平稳特性的旋转机械复合故障诊断方法,其特征在于,包括以下步骤:
S1:使用加速度传感器采集旋转机械的原始振动信号,利用短时傅里叶变换(STFT)将所述原始振动信号转换到时频域;
S2:根据二阶循环平稳特性,建立时间相关的随机模型;
S3:通过最大化似然目标函数对所述时间相关的随机模型进行求解;
S4:根据求解得到的模型参数估计值,量化所述原始振动信号的循环平稳特性;
S5:根据S1-S4步骤,联合时间域的循环平稳信号模型参数估计值和循环平稳指数CS(fk)信息,计算出所述旋转机械的符合故障特征频率。
2.根据权利要求1所述的基于二阶循环平稳特性的旋转机械复合故障诊断方法,其特征在于,在所述步骤S1中使用加速度传感器采集长度为n的振动信号x[n],利用STFT将原始信号转换到时频域:
其中,w[m]代表长度为Nw的滑动窗口函数,每隔R个点将原始信号在时间点i处进行截取,从而得到频率fk处的时频域信号X(i,fk)。
3.根据权利要求1所述的基于二阶循环平稳特性的旋转机械复合故障诊断方法,其特征在于,在所述步骤S1中,振动加速度信号通过STFT转换到时频域,并且预设窗口移动间隔R满足:
Nw·25%≤R≤Nw·50%
根据汉宁窗口长度Nw与移动间隔R匹配关系,即50%至75%重叠率,可以实现自适应优选时间移动间隔R。
4.根据权利要求1所述的基于二阶循环平稳特性的旋转机械复合故障诊断方法,其特征在于,在所述步骤S2中,建立瞬态功率谱匹配模型,即
其中,CN(μ,σ2(i);fk)代表圆对称复合高斯分布,对应于频率fk处的位置参数μ,循环方差σ2(i)。假设其方差服从逆Gamma分布,
其中,α、β分别代表形状参数、尺度参数。
5.根据权利要求1所述的基于二阶循环平稳特性的旋转机械复合故障诊断方法,其特征在于,所述步骤S3具体为:
S31:设置未知参数集,
其中,{αx,βx}、{αr,βr}分别为原始信号、背景噪声信号的形状参数和尺度参数。
S32:初始化一组参数最大化后验概率得到原始信号X(i,fk)对应于频率fk处的位置参数μx(i;fk),循环方差
求出原始信号X(i,fk)的期望,
其中,H(i;fk)代表对应于频率fk处的时间相关方差比(time-dependent varianceratio),
最终,通过STFT逆变换恢复出时间域的原始信号
S33:最大化后验概率更新一组参数不失一般性地,在初始化阶段得到{αx,βx,αr,βr},并假设其为常值。因此,包含的未知参数为在瞬态功率谱匹配模型中,属于信息先验分布(informative priors),
其中,N代表STFT时间点i的总个数,Fs代表采样频率,A代表所有非零循环频率αj=j/T的集合。原始信号的冲击周期T可手动进行设置。
根据逆Gamma分布的共轭先验性,得到的期望值,
同理,得到的期望值,
重复上述S32和S33,直至结果收敛,输出模型参数估计值
6.根据权利要求1所述的基于二阶循环平稳特性的旋转机械复合故障诊断方法,其特征在于,所述步骤S4中,在瞬态功率谱匹配模型框架下,定义对应于频率fk处的循环平稳指数CS(fk),
其中,代表循环方差的均值。根据模型参数估计值可以有效量化原始信号对应于频率fk处的循环平稳性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910630019.7A CN110320018B (zh) | 2019-07-12 | 2019-07-12 | 一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910630019.7A CN110320018B (zh) | 2019-07-12 | 2019-07-12 | 一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320018A true CN110320018A (zh) | 2019-10-11 |
CN110320018B CN110320018B (zh) | 2020-08-11 |
Family
ID=68122108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910630019.7A Active CN110320018B (zh) | 2019-07-12 | 2019-07-12 | 一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320018B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029569A (zh) * | 2021-03-11 | 2021-06-25 | 北京交通大学 | 一种基于循环强度指数的列车轴承自主故障识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009012354A1 (en) * | 2007-07-17 | 2009-01-22 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
US8295341B2 (en) * | 2009-10-30 | 2012-10-23 | Virginia Tech Intell Prop | Cognitive radio device |
CN104393963A (zh) * | 2014-09-30 | 2015-03-04 | 重庆邮电大学 | 基于循环平稳特性的空时分组码mc-cdma信号盲识别方法 |
CN104458170A (zh) * | 2014-11-07 | 2015-03-25 | 桂林电子科技大学 | 机械装备监测振动信号的时频图处理方法及*** |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN108180152A (zh) * | 2017-11-07 | 2018-06-19 | 浙江大学 | 一种基于振动信号循环平稳性的风机微弱故障检测方法 |
CN109085763A (zh) * | 2018-06-11 | 2018-12-25 | 浙江上风高科专风实业有限公司 | 基于复杂调幅模型的循环平稳方法对风机振动特征的提取 |
CN109883705A (zh) * | 2019-03-25 | 2019-06-14 | 西安交通大学 | 电机滚动轴承局部点蚀故障诊断方法及其诊断*** |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
-
2019
- 2019-07-12 CN CN201910630019.7A patent/CN110320018B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009012354A1 (en) * | 2007-07-17 | 2009-01-22 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
US8295341B2 (en) * | 2009-10-30 | 2012-10-23 | Virginia Tech Intell Prop | Cognitive radio device |
CN104393963A (zh) * | 2014-09-30 | 2015-03-04 | 重庆邮电大学 | 基于循环平稳特性的空时分组码mc-cdma信号盲识别方法 |
CN104458170A (zh) * | 2014-11-07 | 2015-03-25 | 桂林电子科技大学 | 机械装备监测振动信号的时频图处理方法及*** |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN108180152A (zh) * | 2017-11-07 | 2018-06-19 | 浙江大学 | 一种基于振动信号循环平稳性的风机微弱故障检测方法 |
CN109085763A (zh) * | 2018-06-11 | 2018-12-25 | 浙江上风高科专风实业有限公司 | 基于复杂调幅模型的循环平稳方法对风机振动特征的提取 |
CN109883705A (zh) * | 2019-03-25 | 2019-06-14 | 西安交通大学 | 电机滚动轴承局部点蚀故障诊断方法及其诊断*** |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
Non-Patent Citations (1)
Title |
---|
"梁瑜等": ""滚动轴承的非线性动力学故障模型研究"", 《中国铁道科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029569A (zh) * | 2021-03-11 | 2021-06-25 | 北京交通大学 | 一种基于循环强度指数的列车轴承自主故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110320018B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
CN106408088B (zh) | 一种基于深度学习理论的旋转机械设备故障诊断方法 | |
Cong et al. | Short-time matrix series based singular value decomposition for rolling bearing fault diagnosis | |
Liu et al. | Adaptive spectral kurtosis filtering based on Morlet wavelet and its application for signal transients detection | |
Zhao et al. | Fault diagnosis of wind turbine bearing based on stochastic subspace identification and multi-kernel support vector machine | |
CN108168886B (zh) | 滚动轴承故障特征提取与运行状态监测方法 | |
CN106053074B (zh) | 一种基于stft和转动惯量熵的滚动轴承声音信号故障特征提取方法 | |
CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN112924176B (zh) | 一种基于时域等效源法的滚动轴承故障声学诊断方法 | |
CN111307452A (zh) | 一种时变转速下旋转机械智能故障诊断方法 | |
Jie et al. | Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis | |
CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
Ma et al. | A novel blind deconvolution based on sparse subspace recoding for condition monitoring of wind turbine gearbox | |
Liu et al. | Maximum correntropy criterion-based blind deconvolution and its application for bearing fault detection | |
Pancaldi et al. | Time-varying metrics of cyclostationarity for bearing diagnostic | |
Diwu et al. | Collaborative double sparse period-group lasso for bearing fault diagnosis | |
Pancaldi et al. | Impact of noise model on the performance of algorithms for fault diagnosis in rolling bearings | |
CN110320018A (zh) | 一种基于二阶循环平稳特性的旋转机械复合故障诊断方法 | |
Sousa et al. | Robust cepstral-based features for anomaly detection in ball bearings | |
Huang et al. | Separation method of rolling bearing compound fault characteristics based on Improved harmonic wavelet packet decomposition and fast ICA | |
Wang et al. | Cyclic correlation density decomposition based on a sparse and low-rank model for weak fault feature extraction of rolling bearings | |
Chen et al. | Rolling bearing fault feature extraction method using adaptive maximum cyclostationarity blind deconvolution | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum |
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 |