CN112378633B - 机械故障诊断方法 - Google Patents
机械故障诊断方法 Download PDFInfo
- Publication number
- CN112378633B CN112378633B CN202011201818.1A CN202011201818A CN112378633B CN 112378633 B CN112378633 B CN 112378633B CN 202011201818 A CN202011201818 A CN 202011201818A CN 112378633 B CN112378633 B CN 112378633B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- frequency domain
- section
- frequency distribution
- 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.)
- Active
Links
Images
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机械故障诊断方法,首先采集被监测对象的振动信号,对采集的振动信号进行时频分布处理,得到振动信号时频分布结果;然后,在频域上,将所述振动信号时频分布结果划分为多个频域段,并且在时域上,根据被监测对象的运行速度,将所述振动信号时频分布结果划分为多个时域段,从而使振动信号时频分布结果将形成多个网格;再计算振动信号时频分布结果的各网格内的幅值密度;如果至少一个网格内的幅值密度超过预设阈值,则判定被监测对象异常。本发明的机械故障诊断方法,基于时频分析进行机械故障诊断,能够及时反映设备或结构的真实机械故障情况,确保设备或结构的使用安全。
Description
技术领域
本发明涉及自动化检测技术,特别涉及一种机械故障诊断方法。
背景技术
设备或结构的机械故障诊断是关系到生命和生产安全的重要问题。为了在故障前分析设备或结构的状态,降低故障带来的风险和检修成本,越来越多地采用信号采集和分析的方法进行运行状态监测。
传统信号分析方法主要采用傅里叶变换方法,获得信号中的频率分量,然而设备或结构使用过程中的信号多为时变信号,傅里叶变换不能反映信号频率随时间变化的规律,基于此背景时频分析方法应运而生,该方法能够描述信号的时变频率特性,通过对信号时频分布的分析获得设备或结构的状态。中国发明专利文献CN10681552A中公开了一种对信号时频分析结果进行主频的半峰全宽能量比分析的方法,以此获得被检对象检测结果。但是设备或结构在使用过程中,主频可能是其正常使用过程所产生的,而真正故障或异常的信息隐藏在其他非主频特征中,此种情况下主频的半峰全宽能量比并不能够反映设备或结构的真实机械故障情况,而当故障情况劣化到以主频形式呈现时,往往已经到达快速损坏的危险阶段,对保障使用安全极为不利。
发明内容
本发明要解决的技术问题是提供一种机械故障诊断方法,基于时频分析进行机械故障诊断,能够及时反映设备或结构的真实机械故障情况,确保设备或结构的使用安全。
为解决上述技术问题,本发明提供的机械故障诊断方法,包括以下步骤:
一.采集被监测对象的振动信号,对采集的振动信号进行时频分布处理,得到振动信号时频分布结果;
二.在频域上,将所述振动信号时频分布结果划分为多个频域段;并且在时域上,根据被监测对象的运行速度,将所述振动信号时频分布结果划分为多个时域段,从而使振动信号时频分布结果将形成多个网格;
三.计算振动信号时频分布结果的各网格内的幅值密度;
四.如果至少一个网格内的幅值密度超过预设阈值,则进行步骤五;否则判定被监测对象正常,结束;
五.判定被监测对象异常,结束。
较佳的,步骤二中,在频域上,根据理论计算得到的理论故障频率,将有效频率范围内的信号时频分布结果按理论故障频率带宽的设定比例划分为多个频域段,未能完全划分而剩余的频域段并入上一频域段或单独作为一个频域段。
较佳的,步骤二中,在频域上,是以0赫兹到理论计算获得的最大理论故障频率的设定倍数为第一频域段,在信号的有效频率范围内对其时频分布结果以第一频域段宽度进行等分划分,未能完全划分而剩余的频域段带宽超过最大理论故障频率的50%则将此频域段作为末位频域段,若未超过最大理论故障频率的50%则将其并入上一频域段;
所述设定倍数大于1并且小于1.8。
较佳的,所述设定倍数为1.1、1.5或1.7。
较佳的,理论故障频率是利用运行基本信息计算得到。
较佳的,所述运行基本信息包括转速、额定运行速度、载荷大小中的至少一种。
较佳的,步骤二中,在时域上,对被监测对象的加速运行段、匀速段、减速运行段的时频分布结果进行划分。
较佳的,所述匀速段为匀速运行段或静止段。
较佳的,步骤三中,计算振动信号时频分布结果的各网格内的幅值密度,首先计算幅值总量:
其中,Tij为第i个时域段,第j个频域段的幅值总量,Aij(t,f)为第i个时域段,第j个频域段内时频分布的幅值,时域上的变量用t表示,在第i个时域段内的变化范围是ti+1至ti+1,频域上的变量用f表示,在第j个频域段内的变化范围是fj+1至fj+1。
随后计算各划分网格内的幅值密度Dij:
较佳的,步骤五中,对判定为存在异常的情况,搜索时频分布结果中幅值的局部极大值,记录局部极大值对应的频率信息,并根据时间信息和运行速度信息确定幅值最大值对应的空间位置;
然后,根据记录的局部极大值对应的频率信息,以及幅值最大值对应的空间位置,进行机械故障情况分析。
较佳的,步骤一中,所采用的信号时频分布处理方法为连续小波变换、离散小波变换、小波包变换、魏格纳分布、伪魏格纳分布、平滑伪魏格纳分布、希尔伯特-黄变换或S变换。
较佳的,所述被监测对象为电梯曳引机。
本发明的机械故障诊断方法,基于时频分析进行机械故障诊断,在时域和频域上划分使得振动信号时频分布结果上形成多个网格,根据振动信号时频分布结果的各网格内的幅值密度,判断被监测对象的状态,能够及时反映设备或结构的真实机械故障情况,确保设备或结构的使用安全。
附图说明
为了更清楚地说明本发明的技术方案,下面对本发明所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的机械故障诊断方法一实施例流程图;
图2为第一被监测对象的信号的振动信号时频分布图;
图3为第一被监测对象的信号的振动信号时频分布图上所划分网格的示意图;
图4为第二被监测对象的信号的振动信号时频分布图;
图5为第二被监测对象的信号的振动信号时频分布图上所划分网格的示意图;
图6为时频分布结果中幅值最大值及与最大值数值接近的峰值分布示意图。
具体实施方式
下面将结合附图,对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,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的前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
如图1所示,机械故障诊断方法包括以下步骤:
一.采集被监测对象的振动信号,对采集的振动信号进行时频分布处理,得到振动信号时频分布结果;
二.在频域上,将所述振动信号时频分布结果划分为多个频域段;并且在时域上,根据被监测对象的运行速度,将所述振动信号时频分布结果划分为多个时域段,从而使振动信号时频分布结果将形成多个网格;
三.计算振动信号时频分布结果的各网格内的幅值密度;
四.如果至少一个网格内的幅值密度超过预设阈值,则进行步骤五;否则判定被监测对象正常,结束;
五.判定被监测对象异常,结束。
实施例一的机械故障诊断方法,基于时频分析进行机械故障诊断,在时域和频域上划分使得振动信号时频分布结果上形成多个网格,根据振动信号时频分布结果的各网格内的幅值密度,判断被监测对象的状态,能够及时反映设备或结构的真实机械故障情况,确保设备或结构的使用安全。
实施例二
基于实施例一的机械故障诊断方法,步骤二中,在频域上,根据理论计算得到的理论故障频率,将有效频率范围内的信号时频分布结果按理论故障频率带宽的设定比例划分为多个频域段,未能完全划分而剩余的频域段并入上一频域段或单独作为一个频域段。
实施例三
基于实施例一的机械故障诊断方法,步骤二中,在频域上,是以0赫兹到理论计算获得的最大理论故障频率的设定倍数为第一频域段,在信号的有效频率范围内对其时频分布结果以第一频域段宽度进行等分划分,未能完全划分而剩余的频域段带宽超过最大理论故障频率的50%则将此频域段作为末位频域段,若未超过最大理论故障频率的50%则将其并入上一频域段;
所述设定倍数大于1并且小于1.8(例如可以为1.1、1.5或1.7等)。
较佳的,理论故障频率是利用运行基本信息(包括转速、额定运行速度、载荷大小中的至少一种)计算得到。
实施例四
基于实施例一的机械故障诊断方法,步骤二中,在时域上,对被监测对象的加速运行段、匀速段、减速运行段的时频分布结果进行划分。
较佳的,匀速段可以为匀速运行段或静止段。
实施例五
基于实施例一的机械故障诊断方法,步骤三中,计算振动信号时频分布结果的各网格内的幅值密度,首先计算幅值总量:
其中,Tij为第i个时域段,第j个频域段的幅值总量,Aij(t,f)为第i个时域段,第j个频域段内时频分布的幅值,时域上的变量用t表示,在第i个时域段内的变化范围是ti+1至ti+1,频域上的变量用f表示,在第j个频域段内的变化范围是fj+1至fj+1。
随后计算各划分网格内的幅值密度Dij:
实施例六
基于实施例一的机械故障诊断方法,步骤五中,对判定为存在异常的情况,搜索时频分布结果中幅值的局部极大值,记录局部极大值对应的频率信息,并根据时间信息和运行速度信息确定幅值最大值对应的空间位置;
然后,根据记录的局部极大值对应的频率信息,以及幅值最大值对应的空间位置,进行机械故障情况分析。
较佳的,步骤一中,所采用的信号时频分布处理方法为连续小波变换、离散小波变换、小波包变换、魏格纳分布、伪魏格纳分布、平滑伪魏格纳分布、希尔伯特-黄变换或S变换等。
较佳的,被监测对象为电梯曳引机。
实施例七
基于实施例一的机械故障诊断方法,步骤一中,采用加速度传感器对第一被监测对象匀速运行段的振动加速度信号进行采集,信号采样频率为4000Hz;采用平滑伪魏格纳分布方法对此振动加速度信号进行时频分布处理,得到信号时频分布结果,如图2所示;
步骤二中,计算被监测对象零部件的理论故障频率,各型号轴承在设备转速下的最大理论故障频率为69.9Hz,轮系在设备转速下的最大理论故障频率为139Hz,选取最大理论故障频率较高的139Hz的1.1倍,即153Hz作为频域段划分标准,0Hz~153Hz为第一频域段,随后在频域上以153Hz每段进行等分,频域上将剩余11Hz长度的频域段,但由于11Hz长度的频域段较短,因此与前一个153Hz的频域段合并为末位频域段,即频域上合计划分13个频域段,时频分布图上所划分频域段的示意图如图3所示,由于仅采集了设备匀速运行段的数据,所以时域上为一整体,无需再进行划分。
步骤三中,计算振动信号时频分布结果的各网格内的幅值密度,计算结果如表1所示。
表1同时也列出了各频域段的幅值密度的阈值,从表1中可以看出,计算得到的各频域段的幅值密度均低于相应阈值,即不满足存在至少某一频域段内幅值密度超过阈值,因此判定为正常情况。
表1
实施例八
基于实施例一的机械故障诊断方法,步骤一中,采用加速度传感器对第二被监测对象匀速运行段的振动加速度信号进行采集,信号采样频率为4000Hz;采用希尔伯特-黄变换方法对此振动加速度信号进行时频分布处理,得到信号时频分布结果,如图4所示;
步骤二中,计算被监测对象零部件的理论故障频率,各型号轴承在设备转速下的最大理论故障频率为69.9Hz,轮系在设备转速下的最大理论故障频率为102Hz,选取最大理论故障频率较高的102Hz的1.5倍,即153Hz作为频域段划分标准,0Hz~153Hz为第一频域段,随后在频域上以153Hz每段进行等分,频域上将剩余11Hz长度的频域段,但由于11Hz长度的频域段较短,因此与前一个153Hz的频域段合并为末位频域段,即频域上合计划分13个频域段,时频分布图上所划分频域段的示意图如图5所示,由于仅采集了被监测对象匀速运行段的数据,所以时域上为一整体,无需再进行划分。
步骤三中,计算振动信号时频分布结果的各网格内的幅值密度,计算结果如表2所示。
表2同时也列出了各频域段的幅值密度的阈值,对比各频域段幅值密度的阈值,从表2中可以看出,存在至少一个频域段的幅值密度均高于相应阈值,判定为异常情况。
表2
计算图4中的局部极大值,如图6中的“●”图例所示,记录对应的频率信息,并根据时间信息和运行速度信息确定幅值最大值对应的设备运行空间位置,以便于后续检验和维修。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (11)
1.一种机械故障诊断方法,其特征在于,包括以下步骤:
一.采集被监测对象的振动信号,对采集的振动信号进行时频分布处理,得到振动信号时频分布结果;
二.在频域上,将所述振动信号时频分布结果划分为多个频域段;并且在时域上,根据被监测对象的运行速度,将所述振动信号时频分布结果划分为多个时域段,从而使振动信号时频分布结果将形成多个网格;
三.计算振动信号时频分布结果的各网格内的幅值密度;
首先计算幅值总量:
其中,Tij为第i个时域段,第j个频域段的幅值总量,Aij(t,f)为第i个时域段,第j个频域段内时频分布的幅值,时域上的变量用t表示,在第i个时域段内的变化范围是ti+1至ti+1,频域上的变量用f表示,在第j个频域段内的变化范围是fj+1至fj+1;
随后计算各划分网格内的幅值密度Dij:
四.如果至少一个网格内的幅值密度超过预设阈值,则进行步骤五;否则判定被监测对象正常,结束;
五.判定被监测对象异常,结束。
2.根据权利要求1所述的机械故障诊断方法,其特征在于,
步骤二中,在频域上,根据理论计算得到的理论故障频率,将有效频率范围内的信号时频分布结果按理论故障频率带宽的设定比例划分为多个频域段,未能完全划分而剩余的频域段并入上一频域段或单独作为一个频域段。
3.根据权利要求1所述的机械故障诊断方法,其特征在于,
步骤二中,在频域上,是以0赫兹到理论计算获得的最大理论故障频率的设定倍数为第一频域段,在信号的有效频率范围内对其时频分布结果以第一频域段宽度进行等分划分,未能完全划分而剩余的频域段带宽超过最大理论故障频率的50%则将此频域段作为末位频域段,若未超过最大理论故障频率的50%则将其并入上一频域段;
所述设定倍数大于1并且小于1.8。
4.根据权利要求3所述的机械故障诊断方法,其特征在于,
所述设定倍数为1.1、1.5或1.7。
5.根据权利要求2所述的机械故障诊断方法,其特征在于,
理论故障频率是利用运行基本信息计算得到。
6.根据权利要求5所述的机械故障诊断方法,其特征在于,
所述运行基本信息包括转速、额定运行速度、载荷大小中的至少一种。
7.根据权利要求5所述的机械故障诊断方法,其特征在于,
步骤二中,在时域上,对被监测对象的加速运行段、匀速段、减速运行段的时频分布结果进行划分。
8.根据权利要求7所述的机械故障诊断方法,其特征在于,
所述匀速段为匀速运行段或静止段。
9.根据权利要求1所述的机械故障诊断方法,其特征在于,
步骤五中,对判定为存在异常的情况,搜索时频分布结果中幅值的局部极大值,记录局部极大值对应的频率信息,并根据时间信息和运行速度信息确定幅值最大值对应的空间位置;
然后,根据记录的局部极大值对应的频率信息,以及幅值最大值对应的空间位置,进行机械故障情况分析。
10.根据权利要求1所述的机械故障诊断方法,其特征在于,
步骤一中,所采用的信号时频分布处理方法为连续小波变换、离散小波变换、小波包变换、魏格纳分布、伪魏格纳分布、平滑伪魏格纳分布、希尔伯特-黄变换或S变换。
11.根据权利要求1所述的机械故障诊断方法,其特征在于,
所述被监测对象为电梯曳引机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201818.1A CN112378633B (zh) | 2020-11-02 | 2020-11-02 | 机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201818.1A CN112378633B (zh) | 2020-11-02 | 2020-11-02 | 机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112378633A CN112378633A (zh) | 2021-02-19 |
CN112378633B true CN112378633B (zh) | 2023-03-21 |
Family
ID=74576631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011201818.1A Active CN112378633B (zh) | 2020-11-02 | 2020-11-02 | 机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112378633B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064398A (zh) * | 2021-02-25 | 2021-07-02 | 北京强度环境研究所 | 空气舵异常降频抖动分析方法与*** |
CN115808236B (zh) * | 2023-02-02 | 2023-05-05 | 武汉理工大学 | 船用涡轮增压器故障在线监测诊断方法、装置和存储介质 |
CN117114420B (zh) * | 2023-10-17 | 2024-01-05 | 南京启泰控股集团有限公司 | 一种基于图像识别的工贸安全事故风险管控***和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995847A (zh) * | 2010-10-28 | 2011-03-30 | 北京理工大学 | 一种微细切削表面微观形貌的提取和评价方法 |
JP2011252753A (ja) * | 2010-06-01 | 2011-12-15 | Mitsubishi Electric Engineering Co Ltd | 軸受の診断装置 |
CN102718100A (zh) * | 2012-06-13 | 2012-10-10 | 中山市卓梅尼控制技术有限公司 | 电梯故障预警***及其预警方法 |
CN102866027A (zh) * | 2012-08-13 | 2013-01-09 | 燕山大学 | 基于lmd和局域时频熵的旋转机械故障特征提取方法 |
CN109264521A (zh) * | 2017-07-18 | 2019-01-25 | 上海三菱电梯有限公司 | 电梯故障诊断装置 |
CN111300148A (zh) * | 2020-03-20 | 2020-06-19 | 中色奥博特铜铝业有限公司 | 一种电流信号监测刀具磨损的方法 |
CN111581762A (zh) * | 2019-02-15 | 2020-08-25 | 中国航发商用航空发动机有限责任公司 | 早期故障诊断方法及*** |
-
2020
- 2020-11-02 CN CN202011201818.1A patent/CN112378633B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011252753A (ja) * | 2010-06-01 | 2011-12-15 | Mitsubishi Electric Engineering Co Ltd | 軸受の診断装置 |
CN101995847A (zh) * | 2010-10-28 | 2011-03-30 | 北京理工大学 | 一种微细切削表面微观形貌的提取和评价方法 |
CN102718100A (zh) * | 2012-06-13 | 2012-10-10 | 中山市卓梅尼控制技术有限公司 | 电梯故障预警***及其预警方法 |
CN102866027A (zh) * | 2012-08-13 | 2013-01-09 | 燕山大学 | 基于lmd和局域时频熵的旋转机械故障特征提取方法 |
CN109264521A (zh) * | 2017-07-18 | 2019-01-25 | 上海三菱电梯有限公司 | 电梯故障诊断装置 |
CN111581762A (zh) * | 2019-02-15 | 2020-08-25 | 中国航发商用航空发动机有限责任公司 | 早期故障诊断方法及*** |
CN111300148A (zh) * | 2020-03-20 | 2020-06-19 | 中色奥博特铜铝业有限公司 | 一种电流信号监测刀具磨损的方法 |
Non-Patent Citations (2)
Title |
---|
基于EMD和Wigner分布的轴承故障诊断研究;李辉;《石家庄铁道学院学报》;20050630;第18卷(第2期);第10-14页 * |
基于时频切片分析的故障诊断方法及应用;段晨东;《振动与冲击》;20110930;第30卷(第9期);第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112378633A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112378633B (zh) | 机械故障诊断方法 | |
Vamsi et al. | Comparison of condition monitoring techniques in assessing fault severity for a wind turbine gearbox under non-stationary loading | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
Bechhoefer et al. | Processing for improved spectral analysis | |
CN108069308B (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra | |
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
Saravanan et al. | A comparative study on classification of features by SVM and PSVM extracted using Morlet wavelet for fault diagnosis of spur bevel gear box | |
DE102016220481A1 (de) | Verfahren und Datenverarbeitungsvorrichtung für eine Bewertung des Schweregrads von Lagerschäden unter Verwendung von Schnwingungsenergie | |
Nguyen et al. | Analysis and comparison of multiple features for fault detection and prognostic in ball bearings | |
MX2014014577A (es) | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. | |
CN103626003A (zh) | 一种电梯故障检测方法和*** | |
CN112484981A (zh) | 一种基于卷积自编码器的发电机异常状态监测方法 | |
DE102011054708A1 (de) | Diagnose thermischer Anomalien eines Lagers in einer elektrischen Maschine | |
Mo et al. | Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis | |
Wang et al. | Rotating machine fault detection based on HOS and artificial neural networks | |
Li et al. | Mobile robot motor bearing fault detection and classification on discrete wavelet transform and LSTM network | |
Liu et al. | A Rolling Bearing Fault Diagnosis‐Optimized Scale‐Space Representation for the Empirical Wavelet Transform | |
CN114294183A (zh) | 一种风机叶片故障监测方法、装置及风机 | |
McCormick et al. | Application of periodic time-varying autoregressive models to the detection of bearing faults | |
Hajnayeb et al. | Vibration measurement for crack and rub detection in rotors | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
Yu et al. | Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks | |
Djemili et al. | A wind turbine bearing fault detection method based on improved CEEMDAN and AR-MEDA | |
Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis |
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 |