CN111239249A - 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 - Google Patents
一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 Download PDFInfo
- Publication number
- CN111239249A CN111239249A CN202010193231.4A CN202010193231A CN111239249A CN 111239249 A CN111239249 A CN 111239249A CN 202010193231 A CN202010193231 A CN 202010193231A CN 111239249 A CN111239249 A CN 111239249A
- Authority
- CN
- China
- Prior art keywords
- crack
- blade
- hilbert
- fault
- analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- -1 pharmacy Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，属于设备故障诊断领域。该方法主要包括步骤S1：建立叶片裂纹的扩充样本数据库。步骤S2：获取叶片在正常以及不同裂纹状态下的振型位移参数，建立叶片裂纹的样本数据库。步骤S3：利用经验模式分解方法将样本数据库中的振型位移参数分解成若干基本的本征模函数。步骤S4：对本征模函数分量进行空间希尔伯特变换，得到相应的能量分布即希尔伯特谱，依据裂纹截面处奇异点的突变判定裂纹位置。步骤S5：定义表征叶片裂纹深度的特征频率，实现裂纹深度的判定。步骤S6：将扩充本数据库中的振型位移参数输入到裂纹故障诊断模型中，对故障进行诊断。
Description
技术领域
本发明属于故障诊断领域，具体涉及一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法。
背景技术
通风机是利用叶轮旋转来提升气体压力并输送气体的机械，担负着更换空气，保障工作人员健康的重要任务，广泛应用于矿山、农业、冶金、石油、制药、化工、航天、航海、能源及效能等工程领域。叶片是通风机转子***的重要零件，运行中工作条件恶劣，载荷复杂。故而，长期运行的风机叶片会产生不同程度的裂纹，甚至引起叶片断裂，对机组的安全运行带来威胁，进而引发重大安全事故。
现有通风机叶片裂纹故障诊断的方法均存在各自的局限性：首先，基于信号处理的诊断方法——现场振动情况复杂且不稳定，分离振动信号与噪声信号仍是技术难题，小尺寸裂纹的信号常会被噪声信号或整体振动信号湮灭，且目前的故障监测***主要是依据故障特征是否超出设定的阈值来判断是否有故障，尚不能做到定位检测；其次，基于人工智能的故障诊断方法——虽然基于人工智能的故障诊断方法快速方便，但是无法融入经验性的知识，需要经过庞大数量的样本学习才能保障诊断的可靠性，且存在由于规模庞大导致诊断模型学习和训练时间过长的问题，对叶片裂纹的非线性问题没有通用解决方案，难以用于通风机叶片裂纹位置与深度的诊断。
对损伤识别来说，结构局部的损伤往往对应着信号的奇异点。小波分析作为信号处理的有效工具，在时、频两域都具有表征信号局部特征的能力，越来越多地被应用到损伤识别领域。但是，小波分析在通风机叶片裂纹故障诊断中存在一个十分重要的问题就是小波基的选择问题：不同的小波基分析同一个问题会产生不同的结果。因此，小波分析的结果受到所选小波基的限制，通过小波分析得到的小波分量和小波谱只相对于所选择的小波基有意义，而不是直接对应于原始数据。
Hilbert—Huang变换(Hilbert Huang Transform，简称HHT)是以Hilbert变换为基础的一种新的信号处理技术。该方法首先利用经验模式分解(EMD)方法将给定信号自适应地逐级分解成若干基本的本征模函数(IMF)，通过将这种对信号局部特征的分解方法的引入，使得信号瞬时频率这一概念具有了实际的物理意义；然后对分解得到的本征模函数分量进行Hilbert变换，得到相应的时频域上的能量分布即Hilbert谱。Hilbert—Huang变换方法没有固定的先验基底，是自适应的，不同的序列得出不同组的本征模函数，同时，瞬时频率被定义为相位函数的导数，不需要整个波来定义局部频率，因而可以实现从低频信号中分辨出奇异信号，非常适合非线性信号的处理。
发明内容
针对叶片裂纹局部的损伤往往对应着信号奇异点的特点，提出一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法。
本发明采用的技术方案为一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，该方法包括以下步骤：
步骤S1：通过仿真建立通风机叶片裂纹故障的扩充样本数据库。
步骤S2：通过测试***获取通风机叶片在正常以及不同程度裂纹故障状态下的振型位移参数(即振型位移值)，建立通风机叶片裂纹故障的样本数据库。
步骤S3：利用经验模式分解(EMD)方法将样本数据库中的振型位移参数自适应地逐级分解成若干基本的本征模函数(IMF)。
步骤S4：然后对分解得到的本征模函数(IMF)分量进行空间Hilbert变换，得到相应的能量分布即Hilbert谱，从图中可以明显看出裂纹截面处奇异点突变,由此便可判定叶片裂纹的位置。
步骤S5：依据振型位移参数中的奇异性大小定义叶片裂纹深度的特征频率,空间峰值采样频率的极大值和分析频率带宽的线性关系得到有效拟合直线的斜率。有效拟合直线斜率与裂纹深度之间存在比例关系，由此实现叶片裂纹深度的定量判定。
步骤S6：将扩充本数据库中的振型位移参数输入到裂纹故障诊断模型中，对叶片裂纹故障进行诊断。
本发明提出一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，该方法将HHT变换的优越性与通风机叶片结构损伤识别(位置、深度)的要求联系起来，对Hilbert—Huang变换方法进行相应改动，将其从时域转化为空间域，识别出损伤位置，以及定义归一化的损伤频率来表征叶片裂纹的深度，实现了通风机叶片裂纹位置与深度的故障诊断。本方法能够得到裂纹位置及深度的定量数据，操作起来更加简单,且保证一定的准确率，实现了对风机叶片裂纹位置的定量分析,诊断速度快,并且保证了一定的故障诊断率，可靠性比较高。
附图说明
图1是本发明的整体步骤流程图。
具体实施
为了详细说明本发明的主要特点及具体操作步骤，现配合附图进行说明。
步骤S1：通过仿真建立通风机叶片裂纹故障的扩充样本数据库。
具体进行如下处理：
步骤S1.1：通过仿真建立通风机叶片裂纹模型，设置多种程度的叶片裂纹故障。
步骤S1.2：通过有限元仿真对叶片裂纹故障模型进行模态分析，得到仿真数据，建立通风机叶片裂纹故障的扩充样本数据库。
步骤S2：通过测试***获取通风机叶片在正常以及不同程度裂纹故障状态下的振型位移参数(即振型位移值)，建立通风机叶片裂纹故障的数据库。
具体进行如下处理：
步骤S2.1：测试过程为离线测试模式，测试***由传感器部分、激励部分、数据采集与分析部分组成,传感器部分通过激励部分与数据采集与分析部分进行连接。其中,传感器部分为压电式力传感器和压电式加速度传感器。
步骤S2.2：激励部分为激振器或冲击锤装置；数据采集与分析部分要针对锤击、环境激励识别方法的不同,采用相应的数据采集与分析应用软件。
步骤S2.3：包括传函分析、参数选择、输入几何结构及约束信息、模态拟合和振型编辑,最后获得位移模态参数，依照通风机叶片的状态——正常、裂纹位置、裂纹深度，适当地进行数据分组，建立通风机叶片裂纹故障的数据库。
步骤S3：利用经验模式分解(EMD)方法将振型位移参数自适应地逐级分解成若干基本的本征模函数(IMF)。
具体进行如下处理：
步骤S3.1：分别获通风机叶片在正常、裂纹位置、裂纹深度不同故障状态下各n(n≥10)组振型位移参数信号，这三种状态分别得到n组信号样本集，分别记为xmn(t)，其中m＝1，2，3；n＝1，2，3，……，n。
步骤S3.2：对得到的振型位移参数样本进行经验模式分解，得到m个本征模函数(简称IMF)分量，将每个IMFmn分量记为cmni(t)，则
其中j为IMFmn分量的个数，rj(t)为趋势余量。
步骤S4：然后对分解得到的本征模函数(IMF)分量进行空间Hilbert变换，得到相应的位频能量分布谱即横坐标为x的Hilbert谱，从图中可以明显看出裂纹截面处奇异点突变,由此便可判定叶片裂纹的位置。
具体进行如下处理：
步骤S4.1：对于空间Hilbert-Huang变换，需要把Hilbert-Huang变换中的t替换为x，将其从时域转化为空间域，其空间采样频率可以类似的按照实际的空间坐标的分辨率来取，即取为空间采样间隔的倒数。
步骤S4.2：对振型数据进行空间Hilbert-Huang变换,得到Hilbert谱；图中横坐标的值为0至叶片总长度为L，纵坐标为由于奇异性所带来的峰值变化，从图中能够看出上裂纹截面的处奇异点的突变,由此判定叶片裂纹的位置。
步骤S5：依据振型位移参数中的奇异性大小定义叶片裂纹深度的特征频率,空间峰值采样频率的极大值和分析频率带宽的线性关系得到有效拟合直线的斜率。有效拟合直线斜率与裂纹深度之间存在比例关系，由此实现叶片裂纹深度的定量判定。
具体进行如下处理：
步骤S5.1：对于叶片损伤故障诊断来说，空间频率峰值的大小可以很好的反映信号的奇异性。定义损伤特征频率，即：
步骤S5.2：式中fx即为空间的采样频率，fx反映了分析频率的带宽max[ωi(x)]表示空问频率的极大值，f反映了空间频率的极大值在分析频率带宽中所占的比例，以此来表征损伤程度——叶片裂纹深度。
步骤S6：将扩充本数据库中的振型位移参数输入到裂纹故障诊断模型中，对叶片裂纹故障进行诊断。
Claims (6)
1.一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，其特征在于：该方法包括以下步骤：
步骤S1：通过仿真建立通风机叶片裂纹故障的扩充样本数据库；
步骤S2：通过测试***获取通风机叶片在正常以及不同程度裂纹故障状态下的振型位移参数即振型位移值，建立通风机叶片裂纹故障的数据库；
步骤S3：利用经验模式分解EMD方法将振型位移参数自适应地逐级分解成若干基本的本征模函数IMF；
步骤S4：然后对分解得到的本征模函数IMF分量进行空间Hilbert变换，得到相应的位频能量分布谱即横坐标为x的Hilbert谱，从Hilbert谱中得出裂纹截面处奇异点突变，判定叶片裂纹的位置；
步骤S5：依据振型位移参数中的奇异性大小定义叶片裂纹深度的特征频率,空间峰值采样频率的极大值和分析频率带宽的线性关系得到有效拟合直线的斜率；拟合直线斜率与裂纹深度之间存在比例关系，由此实现叶片裂纹深度的定量判定；
步骤S6：将扩充本数据库中的振型位移参数输入到裂纹故障诊断模型中，对叶片裂纹故障进行诊断。
2.根据权利要求1所述的一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，其特征在于：步骤S1的具体实施过程如下，
步骤S1.1：通过仿真建立通风机叶片裂纹模型，设置多种程度的叶片裂纹故障；
步骤S1.2：通过有限元仿真对叶片裂纹故障模型进行模态分析，得到仿真数据，建立通风机叶片裂纹故障的扩充样本数据库。
3.根据权利要求1所述的一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，其特征在于：步骤S2的具体实施过程如下，
步骤S2.1：测试过程为离线测试模式，测试***由传感器部分、激励部分、数据采集与分析部分组成，传感器部分通过激励部分与数据采集与分析部分进行连接；传感器部分为压电式力传感器和压电式加速度传感器；
步骤S2.2：激励部分为激振器或冲击锤装置；数据采集与分析部分要针对锤击、环境激励识别方法的不同,采用相应的数据采集与分析应用软件；
步骤S2.3：包括传函分析、参数选择、输入几何结构及约束信息、模态拟合和振型编辑,最后获得位移模态参数，依照通风机叶片的状态——正常、裂纹位置、裂纹深度，进行数据分组，建立通风机叶片裂纹故障的数据库。
4.根据权利要求1所述的一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，其特征在于：步骤S3的具体实施过程如下，
步骤S3.1：分别获通风机叶片在正常、裂纹位置、裂纹深度不同故障状态下各n组振型位移参数信号，这三种状态分别得到n组信号样本集，分别记为xmn(t)，其中m＝1，2，3；n＝1，2，3，……，n，n≥10；
步骤S3.2：对得到的振型位移参数样本进行经验模式分解，得到m个本征模函数分量，将每个IMFmn分量记为cmni(t)，则
其中j为IMFmn分量的个数，rj(t)为趋势余量。
5.根据权利要求1所述的一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，其特征在于：步骤S4的具体实施过程如下，
步骤S4.1：对于空间Hilbert-Huang变换，把Hilbert-Huang变换中的t替换为x，将其从时域转化为空间域，其空间采样频率按照实际的空间坐标的分辨率来取，即取为空间采样间隔的倒数；
步骤S4.2：对振型数据进行空间Hilbert-Huang变换,得到Hilbert谱；横坐标的值为0至叶片总长度为L，纵坐标为由于奇异性所带来的峰值变化，得到裂纹截面的处奇异点的突变,由此判定叶片裂纹的位置。
6.根据权利要求1所述的一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法，其特征在于：步骤S5的具体实施过程如下，
步骤S5.1：对于叶片损伤故障诊断来说，空间频率峰值的大小反映信号的奇异性；定义损伤特征频率，即：
步骤S5.2：式中fx即为空间的采样频率，fx反映了分析频率的带宽max[ωi(x)]表示空问频率的极大值，f反映了空间频率的极大值在分析频率带宽中所占的比例，以此来表征损伤程度——叶片裂纹深度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010193231.4A CN111239249A (zh) | 2020-03-18 | 2020-03-18 | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010193231.4A CN111239249A (zh) | 2020-03-18 | 2020-03-18 | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111239249A true CN111239249A (zh) | 2020-06-05 |
Family
ID=70878710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010193231.4A Pending CN111239249A (zh) | 2020-03-18 | 2020-03-18 | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111239249A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112082742A (zh) * | 2020-07-22 | 2020-12-15 | 西安交通大学 | 一种航空发动机轮盘裂纹智能识别方法、***及装置 |
| CN112727707A (zh) * | 2021-01-08 | 2021-04-30 | 国家电投集团东北电力有限公司 | 一种基于无线姿态传感器的风力发电机叶片监测***及方法 |
| CN114215702A (zh) * | 2021-12-07 | 2022-03-22 | 北京智慧空间科技有限责任公司 | 风机叶片故障检测方法、*** |
| CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016600A1 (en) * | 2010-07-15 | 2012-01-19 | Industrial Technology Research Institute | Defect detection system and method |
| CN104165925A (zh) * | 2014-08-06 | 2014-11-26 | 沈阳透平机械股份有限公司 | 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法 |
| US20150134272A1 (en) * | 2013-10-30 | 2015-05-14 | General Electric Company | Wind turbine and method for evaluating health state of blade thereof |
| CN105987809A (zh) * | 2015-02-10 | 2016-10-05 | 沈阳透平机械股份有限公司 | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 |
| CN106289774A (zh) * | 2016-07-26 | 2017-01-04 | 北京工业大学 | 一种滚动轴承故障识别与趋势预测方法 |
| CN107064315A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 基于小波分析的叶片裂纹位置及深度识别方法 |
| CN107908812A (zh) * | 2017-10-10 | 2018-04-13 | 电子科技大学 | 一种基于hht和神经网络的气阀故障诊断方法 |
| CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
| CN108444712A (zh) * | 2018-05-07 | 2018-08-24 | 东南大学 | 基于改进hht和模糊熵的风电传动***主轴承振动信号分析方法 |
| CN108956075A (zh) * | 2018-08-31 | 2018-12-07 | 天津大学 | 动叶片裂纹在线诊断方法 |
-
2020
- 2020-03-18 CN CN202010193231.4A patent/CN111239249A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120016600A1 (en) * | 2010-07-15 | 2012-01-19 | Industrial Technology Research Institute | Defect detection system and method |
| US20150134272A1 (en) * | 2013-10-30 | 2015-05-14 | General Electric Company | Wind turbine and method for evaluating health state of blade thereof |
| CN104165925A (zh) * | 2014-08-06 | 2014-11-26 | 沈阳透平机械股份有限公司 | 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法 |
| CN105987809A (zh) * | 2015-02-10 | 2016-10-05 | 沈阳透平机械股份有限公司 | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 |
| CN106289774A (zh) * | 2016-07-26 | 2017-01-04 | 北京工业大学 | 一种滚动轴承故障识别与趋势预测方法 |
| CN107064315A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 基于小波分析的叶片裂纹位置及深度识别方法 |
| CN107908812A (zh) * | 2017-10-10 | 2018-04-13 | 电子科技大学 | 一种基于hht和神经网络的气阀故障诊断方法 |
| CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
| CN108444712A (zh) * | 2018-05-07 | 2018-08-24 | 东南大学 | 基于改进hht和模糊熵的风电传动***主轴承振动信号分析方法 |
| CN108956075A (zh) * | 2018-08-31 | 2018-12-07 | 天津大学 | 动叶片裂纹在线诊断方法 |
Non-Patent Citations (7)
| Title |
|---|
| 丁麒 等: "基于Hilbert2Huang变换的梁结构损伤识别方法研究", 《振动与冲击》 * |
| 屈文忠等: "利用HHT方法进行结构损伤检测研究", 《武汉大学学报(工学版)》 * |
| 张坤等: "快速自适应局部均值分解及轴承故障诊断应用", 《振动工程学报》 * |
| 张智军等: "希尔伯特-黄变换在脉冲涡流信号消噪与识别中的应用", 《国防科技大学学报》 * |
| 肖奇军等: "局域波时-频特征提取及其在机械早期故障诊断中的应用", 《广东技术师范学院学报》 * |
| 荆双喜等: "Hilbert-Huang变换在通风机故障诊断中的应用研究", 《矿山机械》 * |
| 谢秀娟等: "基于希尔伯特-黄变换的OTDR事件定位", 《压电与声光》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112082742A (zh) * | 2020-07-22 | 2020-12-15 | 西安交通大学 | 一种航空发动机轮盘裂纹智能识别方法、***及装置 |
| CN112082742B (zh) * | 2020-07-22 | 2021-08-13 | 西安交通大学 | 一种航空发动机轮盘裂纹智能识别方法、***及装置 |
| CN112727707A (zh) * | 2021-01-08 | 2021-04-30 | 国家电投集团东北电力有限公司 | 一种基于无线姿态传感器的风力发电机叶片监测***及方法 |
| CN112727707B (zh) * | 2021-01-08 | 2024-05-28 | 国家电投集团东北电力有限公司 | 一种基于无线姿态传感器的风力发电机叶片监测***及方法 |
| CN114215702A (zh) * | 2021-12-07 | 2022-03-22 | 北京智慧空间科技有限责任公司 | 风机叶片故障检测方法、*** |
| CN114215702B (zh) * | 2021-12-07 | 2024-02-23 | 北京智慧空间科技有限责任公司 | 风机叶片故障检测方法、*** |
| CN114509158A (zh) * | 2022-01-04 | 2022-05-17 | 东南大学 | 一种声振融合的叶片裂纹故障检测方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111239249A (zh) | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 | |
| JP3993825B2 (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
| CN110567574B (zh) | 一种旋转叶片叶端定时振动参数辨识方法与*** | |
| Lei et al. | A review on empirical mode decomposition in fault diagnosis of rotating machinery | |
| AU2002236463A1 (en) | Inferential signal generator for instrumented equipment and processes | |
| CN109115491A (zh) | 一种电力推进船舶轴系推进***机械故障诊断的证据融合方法 | |
| CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
| CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及*** | |
| CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
| CN105866250A (zh) | 基于振动的通风机叶片裂纹识别方法 | |
| CN107064315B (zh) | 基于小波分析的叶片裂纹位置及深度识别方法 | |
| CN108919116B (zh) | 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 | |
| CN1309229A (zh) | 研究和鉴定基础的类型用的方法和装置 | |
| CN104462862A (zh) | 一种基于三次b样条尺度函数的机械结构动载荷识别方法 | |
| CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
| Janeliukstis | Continuous wavelet transform-based method for enhancing estimation of wind turbine blade natural frequencies and damping for machine learning purposes | |
| CN105019482B (zh) | 一种用于隧道悬挂风机基础稳定性在线监测方法及*** | |
| CN116257747A (zh) | 融合峭度和卷积自编码器的转子***早期异常检测方法 | |
| CN112734001A (zh) | 一种基于阶次谱迁移的风电传动链智能故障诊断方法 | |
| CN116738314A (zh) | 一种基于神经网络的空压机故障检测方法 | |
| CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
| Huo et al. | Crack detection in rotating shafts using wavelet analysis, Shannon entropy and multi-class SVM | |
| CN111931288B (zh) | 一种火工冲击响应时频域分布相似性测度方法 | |
| CN113947017B (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
| CN114460466B (zh) | 一种用于传动监测的虚拟传感器设备及其监测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200605 |