CN113188797B - 一种基于传声器阵列的轴承故障诊断方法 - Google Patents
一种基于传声器阵列的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113188797B CN113188797B CN202110412196.5A CN202110412196A CN113188797B CN 113188797 B CN113188797 B CN 113188797B CN 202110412196 A CN202110412196 A CN 202110412196A CN 113188797 B CN113188797 B CN 113188797B
- Authority
- CN
- China
- Prior art keywords
- microphone array
- frequency
- band
- fault diagnosis
- signal
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明涉及一种基于传声器阵列的轴承故障诊断方法,包括以下步骤:S1:利用传声器阵列获取轴承运行声信号,并选取最优解调频带;S2:根据最优解调频带进行频域滤波;S3:构建恒定束宽波束形成器;S4:使用恒定束宽波束形成器对声信号进行空间域滤波;S5:对经过频域滤波和空间域滤波后的声信号,通过包络分析提取轴承故障特征,实现对轴承的故障诊断。与现有技术相比,本发明具有选取频带信息完整性强、故障诊断准确性高等优点。
Description
技术领域
本发明涉及轴承故障诊断领域,尤其是涉及一种基于传声器阵列的轴承故障诊断方法。
背景技术
轴承作为机械设备中的关键零件之一,其运行状态的好坏将直接影响设备的运行状态和使用性能。对轴承运行状态的监控和故障检测已经成为故障诊断技术的一个重要研究内容和应用领域。
目前,包络分析是最成熟的轴承故障诊断方法,它被广泛的运用于各种机器故障的检测中。在利用声学信号分析法对滚动轴承进行故障诊断时,环境噪声或其它设备噪声会严重影响目标声信号的提取并降低诊断精度。因此,如何在强背景噪声环境下提取目标声信号是影响声学诊断的主要因素。为了提取时域和统计特征以进行故障预测,需要进行带通滤波操作以提取通常较弱的故障信号。目前已有一系列从谱峭度派生的技术用于选择最佳解调频带。根据谱峭度选取出的最优频带多属于高频带范围,而常规延时求和滤波器随着频率的增大波束主瓣的宽度会变窄,导致信号在高频带范围中往往出现被滤波的情况,无法保证所选取频带信息的完整性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于传声器阵列的轴承故障诊断方法,可以更好地在包络解调过程中提高所选取频带信息的完整性,显著降低噪音干扰提升信噪比,在强干扰环境下有效提取滚动轴承故障特征进而对被测轴承进行更准确的诊断。
本发明的目的可以通过以下技术方案来实现:
一种基于传声器阵列的轴承故障诊断方法,包括以下步骤:
S1:利用传声器阵列获取轴承运行声信号,并选取最优解调频带;
S2:根据最优解调频带进行频域滤波;
S3:构建恒定束宽波束形成器;
S4:使用恒定束宽波束形成器对声信号进行空间域滤波;
S5:对经过频域滤波和空间域滤波后的声信号,通过包络分析提取轴承故障特征,实现对轴承的故障诊断。
优选地,所述的恒定束宽波束形成器通过二阶锥规划法构建。
进一步地,步骤S3具体包括:
S31:将传声器基阵的设计频带划分为N个子带;
S32:利用二阶锥规划法获取恒定束宽时传声器阵列各频点的加权向量;
S33:根据各阵元在设计频带内各子带中心频率点上的波束形成加权向量,得到各子带信号的输出响应;
S34:将各子带频段叠加得到恒定束宽波束形成器。
更进一步地,所述的加权向量w的优化建模为:
s.t.|wHa(θi)|≤ζ0i,θi∈ΘsL,i=1,…,NSL
||w||2≤ζ0
其中,λj为误差加权系数,pd(θj)为期望波束相应,ΘML为主瓣区域,ΘSL为旁瓣区域,ζ0为设定的旁瓣值,NML为主瓣区域向量长度,NSL为旁瓣区域向量长度,θ为方向角,w为加权向量,a(θj)为信号方向为θj时的方向响应向量。
更进一步地,所述的各子带信号的输出响应的计算公式为:
w(fk)=[w1(fk),w2(fk),…wm(fk),…wM(fk)]T,k=0,1,…L-1
其中,wm(fk)为第m个阵元在频率fk上的权重,w(fk)为阵列在该子频带范围内的权重向量,Xn(k)是各阵元在某子频带上数据的向量式,L为设计频带内离散化的频率个数。
优选地,所述的选取最优解调频带的方法包括对数循环图、谱峭度或快速谱峭度。
进一步优选地,所述的选取最优解调频带具体包括以下步骤:
S11:使用1/3二叉树将可用频段分割成多个解调频段;
S12:对每个解调频段分别定义一个带通滤波器,并获得带通滤波后的信号;
S13:对带通滤波后的信号进行频率偏移,只保留频谱的通带部分,将通带的下限移至0,并在通带的上限处截断频谱,将其设为带通滤波信号的新奈奎斯特频率;
S14:对带通滤波信号以2BWk/Fs的比值进行下采样,其中BWk是滤波组每一级的带宽;
S15:进行反向傅里叶变换,取带通滤波信号的平方的对数,再进行正向傅里叶变换,得到对数包络谱;
S16:计算对数循环图;
S17:使用对数循环图的各种数值绘制成彩色图;
S18:选取最优解调频带。
更进一步地,所述的对数循环图的计算式为:
其中,Ah(h=1,2,3,...,H)为相应谐波的等效集,k和b分别为截取频率的下限和上限,LES为对数包络谱。
进一步地,步骤S5具体为:对经过频域滤波和空间域滤波后的声信号进行包络解调,然后对包络解调结果进行谱分析,提取故障特征,对轴承故障进行诊断;
所述的包络解调具体包括以下步骤:
S51:求出声信号的Hilbert变换对;
S52:以声信号为实部、Hilbert变换对为虚部,构成解析信号;
S53:求模得到声信号的包络;
S54:对包络进行低通滤波,作快速傅里叶变换求出包络谱,得到调制频率及其高次谐波,并得到相位调制函数。
进一步地,步骤S1中,设置N个麦克风组成麦克风阵列,该麦克风阵列与地面水平放置,在轴承运行时通过该麦克风阵列采集声信号。
与现有技术相比,本发明具有以下优点:
1)本发明使用包含最优解调频带频域滤波和恒定束宽波束形成器空间域滤波的包络分析实现对轴承故障进行检测,提高所选取频带信息的完整性,显著降低噪音干扰提升信噪比,在强干扰环境下有效提取滚动轴承故障特征进而对被测轴承进行更好的诊断;
2)本发明通过构建恒定束宽波束形成器,使得波束形成器在信号频带范围内所形成波束图的主瓣形状与入射信号频率近似无关,可以保证高频带范围中频带信息的完整性,以此来获得优质的采集信号。
附图说明
图1为本发明轴承故障诊断方法的流程示意图;
图2为本发明所使用的声阵列检测轴承示意图;
图3为本发明实施例以对数循环图方法与二阶锥规划方法为例的滤波流程示意图;
图4为本发明实施例中使用频率域-空间域滤波方法得到的声信号时域图;
图5为本发明实施例中使用频率域-空间域滤波方法得到的声信号包络谱。
其中,1、电机部分,2、轴承座,3、传动轴,4、轴承试验台,5、麦克风阵列。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。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他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明公开了一种基于传声器阵列的轴承故障诊断方法,包括以下步骤:
S1:利用传声器阵列获取轴承运行声信号,并选取最优解调频带;
S2:根据最优解调频带进行频域滤波;
S3:构建恒定束宽波束形成器;
S4:使用恒定束宽波束形成器对声信号进行空间域滤波;
S5:对经过频域滤波和空间域滤波后的声信号,通过包络分析提取轴承故障特征,实现对轴承的故障诊断。
声信号采集作为非接触式采集,十分容易受到环境噪音以及其他设备噪音的影响,在实际的运用中常常出现目标声信号被环境噪声所淹没的情况,所以如何在强噪音环境下提取出目标信号是影响轴承诊断的重要因素。本发明采用传声器阵列技术将噪声环境中的目标声信号有效的增强,具有很好的抑制噪声和信号增强的能力。
步骤S1中,设置N个麦克风组成麦克风阵列,该麦克风阵列与地面水平放置,在轴承运行时通过该麦克风阵列采集声信号。
选取最优解调频带可采用包括但不限于对数循环图、谱峭度、快速谱峭度或Protrugram等现有方法(参考文献:倪清.基于最优解调频带选择的滚动轴承故障诊断方法研究[D].电子科技大学,2019.)。如图3所示,本实施例中优选采用对数循环图选取最优解调频带,对数循环图能高效、稳健的解决循环平稳性和脉冲特征之间的干扰问题,能够为指定的基本故障频率选择最佳调频段,与传统方法相比不需要任何额外的输入,计算成本也较低,实施简单,具体包括以下步骤:
S11:使用1/3二叉树将可用频段分割成多个解调频段;
S12:对每个解调频段分别定义一个带通滤波器,并获得带通滤波后的信号;
S13:对带通滤波后的信号进行频率偏移,只保留频谱的通带部分,将通带的下限移至0,并在通带的上限处截断频谱,将其设为带通滤波信号的新奈奎斯特频率;
S14:对带通滤波信号以2BWk/Fs的比值进行下采样,其中BWk是滤波组每一级的带宽;
S15:进行反向傅里叶变换,取带通滤波信号的平方的对数,再进行正向傅里叶变换,得到对数包络谱,其中:如果要使用基于信号包络的修正对数包络谱,则可以使用希尔伯特变换技术,在进行反傅里叶变换之前,将负频率分量设为零,从而得到包络,然后取所得分析信号模数的平方的对数,再进行正向傅里叶变换,得到对数包络谱;
S16:计算对数循环图:
其中,Ah(h=1,2,3,...,H)为相应谐波的等效集,k和b分别为截取频率的下限和上限,LES为对数包络谱;
S17:使用对数循环图的各种数值绘制成类似于谱峭度图的彩色图;
S18:选取最优解调频带。
恒定束宽波束形成器设计思想的实质是采用某种方法使得波束形成器在信号频带范围内所形成波束图的主瓣形状与入射信号频率近似无关。在本专利中恒定束宽波束形成器可以保证高频带范围中频带信息的完整性,以此来获得优质的采集信号,如图3所示,本发明通过二阶锥规划法构建恒定束宽波束形成器,具体包括:
S31:将传声器基阵的设计频带划分为N个子带;
S32:利用二阶锥规划法获取恒定束宽时传声器阵列各频点的加权向量:
s.t.|wHa(θi)|≤ζ0i,θi∈ΘsL,i=1,…,NSL
||w||2≤ζ0
其中,λj为误差加权系数,pd(θj)为期望波束相应,ΘML为主瓣区域,ΘSL为旁瓣区域,ζ0为设定的旁瓣值,NML为主瓣区域向量长度,NSL为旁瓣区域向量长度,θ为方向角,w为加权向量,a(θj)为信号方向为θj时的方向响应向量;
S33:根据各阵元在设计频带内各子带中心频率点上的波束形成加权向量,得到各子带信号的输出响应:
w(fk)=[w1(fk),w2(fk),…wm(fk),…wM(fk)]T,k=0,1,…L-1
其中,wm(fk)为第m个阵元在频率fk上的权重,w(fk)为阵列在该子频带范围内的权重向量,Xn(k)是各阵元在某子频带上数据的向量式,L为设计频带内离散化的频率个数;
S34:将各子带频段叠加得到恒定束宽波束形成器。
步骤S5具体为:对经过频域滤波和空间域滤波后的声信号进行包络解调,然后对包络解调结果进行谱分析,提取故障特征,对轴承故障进行诊断;
包络解调具体包括以下步骤:
S51:求出声信号的Hilbert变换对;
S52:以声信号为实部、Hilbert变换对为虚部,构成解析信号;
S53:求模得到声信号的包络;
S54:对包络进行低通滤波,作快速傅里叶变换求出包络谱,得到调制频率及其高次谐波,并得到相位调制函数。
本发明的工作原理为:在被检测轴承附近水平放置麦克风线阵列采集声信号;对被采集信号选择出最优解调频带;根据最优解调频带对声信号进行频域滤波;设计出恒定束宽时各频点的加权向量,根据各个阵元在频带内各个子带中心频率点上的波束形成复加权矢量,得到各子带信号输出响应,并将各频段子带叠加得到恒定束宽波束形成器,使用恒定束宽波束形成器对声信号进行空间域滤波;对两次滤波后的信号进行包络解调并对结果进行谱分析,提取故障特征,对轴承故障进行诊断。本发明使用包含最优解调频带频域滤波和恒定束宽波束形成器空间域滤波的包络分析实现对轴承故障进行检测,提高所选取频带信息的完整性,显著降低噪音干扰提升信噪比,在强干扰环境下有效提取滚动轴承故障特征进而对被测轴承进行更好的诊断。
如图2所示,整个测试装置包括电机1、两个轴承座2、连接两个轴承座2的传动轴3、轴承试验台4以及麦克风阵列5,被测轴承设置于轴承试验台4内。本实施例中的麦克风阵列采用均匀线性阵列其中阵元51的个数共九个,各阵元51间间距为0.025m,麦克风阵列5与被测轴承间水平距离为2m。在采集轴承声信号过程中,播放录制噪音作为实际环境噪声模拟。对于采集到的声信号使用本专利提出的频率域-空间域滤波方法:首先计算得到最优解调频带范围为[22400,25600]Hz,根据最优解调频带对声信号进行滤波并设计出恒定束宽波束形成器,使用恒定束宽波束形成器对声信号进行空间域滤波。对两次滤波后的信号进行包络解调并对结果进行谱分析,其中得到的声信号时域图和声信号包络谱图如图4和图5所示,可以看出本发明使用的包含最优解调频带频域滤波和恒定束宽波束形成器空间域滤波的包络分析可以在包络解调过程中提高所选取频带信息的完整性,降低噪音干扰提升信噪比,在强干扰环境下有效提取轴承故障特征进而对被测轴承进行更好的诊断。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于传声器阵列的轴承故障诊断方法,其特征在于,包括以下步骤:
S1:利用传声器阵列获取轴承运行声信号,并选取最优解调频带;
S2:根据最优解调频带进行频域滤波;
S3:构建恒定束宽波束形成器;
S4:使用恒定束宽波束形成器对声信号进行空间域滤波;
S5:对经过频域滤波和空间域滤波后的声信号,通过包络分析提取轴承故障特征,实现对轴承的故障诊断。
2.根据权利要求1所述的一种基于传声器阵列的轴承故障诊断方法,其特征在于,所述的恒定束宽波束形成器通过二阶锥规划法构建。
3.根据权利要求2所述的一种基于传声器阵列的轴承故障诊断方法,其特征在于,步骤S3具体包括:
S31:将传声器基阵的设计频带划分为N个子带;
S32:利用二阶锥规划法获取恒定束宽时传声器阵列各频点的加权向量;
S33:根据各阵元在设计频带内各子带中心频率点上的波束形成加权向量,得到各子带信号的输出响应;
S34:将各子带频段叠加得到恒定束宽波束形成器。
6.根据权利要求1所述的一种基于传声器阵列的轴承故障诊断方法,其特征在于,所述的选取最优解调频带的方法包括对数循环图、谱峭度或快速谱峭度。
7.根据权利要求1所述的一种基于传声器阵列的轴承故障诊断方法,其特征在于,所述的选取最优解调频带具体包括以下步骤:
S11:使用1/3二叉树将可用频段分割成多个解调频段;
S12:对每个解调频段分别定义一个带通滤波器,并获得带通滤波后的信号;
S13:对带通滤波后的信号进行频率偏移,只保留频谱的通带部分,将通带的下限移至0,并在通带的上限处截断频谱,将其设为带通滤波信号的新奈奎斯特频率;
S14:对带通滤波信号以2BWk/Fs的比值进行下采样,其中BWk是滤波组每一级的带宽;
S15:进行反向傅里叶变换,取带通滤波信号的平方的对数,再进行正向傅里叶变换,得到对数包络谱;
S16:计算对数循环图;
S17:使用对数循环图的各种数值绘制成彩色图;
S18:选取最优解调频带。
9.根据权利要求1所述的一种基于传声器阵列的轴承故障诊断方法,其特征在于,步骤S5具体为:对经过频域滤波和空间域滤波后的声信号进行包络解调,然后对包络解调结果进行谱分析,提取故障特征,对轴承故障进行诊断;
所述的包络解调具体包括以下步骤:
S51:求出声信号的Hilbert变换对;
S52:以声信号为实部、Hilbert变换对为虚部,构成解析信号;
S53:求模得到声信号的包络;
S54:对包络进行低通滤波,作快速傅里叶变换求出包络谱,得到调制频率及其高次谐波,并得到相位调制函数。
10.根据权利要求1所述的一种基于传声器阵列的轴承故障诊断方法,其特征在于,步骤S1中,设置N个麦克风组成麦克风阵列,该麦克风阵列与地面水平放置,在轴承运行时通过该麦克风阵列采集声信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110412196.5A CN113188797B (zh) | 2021-04-16 | 2021-04-16 | 一种基于传声器阵列的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110412196.5A CN113188797B (zh) | 2021-04-16 | 2021-04-16 | 一种基于传声器阵列的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113188797A CN113188797A (zh) | 2021-07-30 |
CN113188797B true CN113188797B (zh) | 2022-11-15 |
Family
ID=76977384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110412196.5A Active CN113188797B (zh) | 2021-04-16 | 2021-04-16 | 一种基于传声器阵列的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188797B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702036A (zh) * | 2021-08-31 | 2021-11-26 | 江南大学 | 一种变转速工况下减速机振动信号的故障频带识别方法 |
CN114757242B (zh) * | 2022-06-16 | 2022-09-23 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005300517A (ja) * | 2004-03-17 | 2005-10-27 | Nippon Steel Corp | ころがり軸受の異常診断方法および装置 |
CN103969630A (zh) * | 2014-05-14 | 2014-08-06 | 哈尔滨工程大学 | 一种基于频率响应不变的稳健宽带波束形成方法 |
CN104242871A (zh) * | 2013-06-14 | 2014-12-24 | 中国科学院声学研究所 | 一种基于嵌套阵的多倍频程恒等束宽波束形成方法及*** |
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 |
CN108007681A (zh) * | 2017-12-07 | 2018-05-08 | 东北大学 | 一种利用麦克风阵列进行机械故障检测的方法 |
CN108844741A (zh) * | 2018-07-05 | 2018-11-20 | 安徽大学 | 一种基于麦克风均匀面阵滤波的高速列车轴承故障诊断方法 |
CN111239680A (zh) * | 2020-01-19 | 2020-06-05 | 西北工业大学太仓长三角研究院 | 一种基于差分阵列的波达方向估计方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
-
2021
- 2021-04-16 CN CN202110412196.5A patent/CN113188797B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005300517A (ja) * | 2004-03-17 | 2005-10-27 | Nippon Steel Corp | ころがり軸受の異常診断方法および装置 |
CN104242871A (zh) * | 2013-06-14 | 2014-12-24 | 中国科学院声学研究所 | 一种基于嵌套阵的多倍频程恒等束宽波束形成方法及*** |
CN103969630A (zh) * | 2014-05-14 | 2014-08-06 | 哈尔滨工程大学 | 一种基于频率响应不变的稳健宽带波束形成方法 |
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 |
CN108007681A (zh) * | 2017-12-07 | 2018-05-08 | 东北大学 | 一种利用麦克风阵列进行机械故障检测的方法 |
CN108844741A (zh) * | 2018-07-05 | 2018-11-20 | 安徽大学 | 一种基于麦克风均匀面阵滤波的高速列车轴承故障诊断方法 |
CN111239680A (zh) * | 2020-01-19 | 2020-06-05 | 西北工业大学太仓长三角研究院 | 一种基于差分阵列的波达方向估计方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Fault detection in rotating machines with beamforming: Spatial visualization of diagnosis features;E. Cardenas Cabada;《Mechanical Systems and Signal Processing》;20170522;第97卷;第33-43页 * |
基于二阶锥规划的任意传感器阵列时域恒定束宽波束形成;鄢社锋;《声学学报》;20050731;第30卷(第4期);第309-316页 * |
基于典型谱相关峭度图的滚动轴承故障诊断方法;刘文朋;《振动与冲击》;20180830;第37卷(第8期);第87-92页 * |
基于麦克风阵列的列车走行部件故障诊断技术研究;黄俐;《铁道车辆》;20200331;第58卷(第3期);第5-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113188797A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
CN113188797B (zh) | 一种基于传声器阵列的轴承故障诊断方法 | |
CN102539150B (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN105547698A (zh) | 滚动轴承的故障诊断方法及装置 | |
CN107957566A (zh) | 基于频率选择奇异谱分析的磁共振测深信号提取方法 | |
CN110398647B (zh) | 变压器状态监测方法 | |
CN112926014B (zh) | 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法 | |
Barbini et al. | Phase editing as a signal pre-processing step for automated bearing fault detection | |
Huang et al. | Fault diagnosis accuracy improvement using wayside rectangular microphone array for health monitoring of railway-vehicle wheel bearing | |
Wei et al. | Incipient fault diagnosis of rolling element bearing based on wavelet packet transform and energy operator | |
CN116361733A (zh) | 一种故障诊断方法、装置、***以及存储介质 | |
CN111914679A (zh) | 一种场景化人工智能信号无线音频处理设备 | |
CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN110457644B (zh) | 基于LoG算子和Grubbs检验的时频脊线提取方法 | |
Yang et al. | An adaptive time–frequency demodulation method and its applications in rolling bearing fault diagnosis | |
CN102073037A (zh) | 基于自适应阈值选取技术的迭代海流反演方法 | |
CN111623968A (zh) | 一种基于自适应形态滤波的故障特征提取方法 | |
CN115015942B (zh) | 一种自适应水下目标声学测速装置及方法 | |
CN111323233A (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
CN116399948A (zh) | 一种水闸混凝土底板局部脱空监测方法及*** | |
CN112345247A (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其*** |
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 |