CN114124038A - 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 - Google Patents
一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 Download PDFInfo
- Publication number
- CN114124038A CN114124038A CN202111331810.1A CN202111331810A CN114124038A CN 114124038 A CN114124038 A CN 114124038A CN 202111331810 A CN202111331810 A CN 202111331810A CN 114124038 A CN114124038 A CN 114124038A
- Authority
- CN
- China
- Prior art keywords
- nest
- fault
- filter
- mckd
- deconvolution
- 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 23
- 238000005096 rolling process Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 9
- 208000036075 Autosomal dominant tubulointerstitial kidney disease Diseases 0.000 claims abstract description 8
- 230000005236 sound signal Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 6
- 101001133056 Homo sapiens Mucin-1 Proteins 0.000 claims abstract 6
- 102100034256 Mucin-1 Human genes 0.000 claims abstract 6
- 238000005295 random walk Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 235000013601 eggs Nutrition 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 235000005770 birds nest Nutrition 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 235000005765 wild carrot Nutrition 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000003071 parasitic effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000005012 migration Effects 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 239000000306 component Substances 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于机械设备故障诊断技术领域提出一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法。包括以下几个步骤:通过噪声麦克风采集故障轴承运行时的声音信号;用改进的布谷鸟参数优化算法寻找MCKD的滤波器长度和故障周期的最佳组合,通过莱维飞行和随机偏好游走进行全局寻优和局部寻优;利用寻优出的最佳参数组合作为MCKD的先验参数,通过最大化相关峭度求解滤波器f,进而求解出滤波后的信号;对滤波后的信号进行希尔伯特包络解调;根据包络谱中的故障特征频率进行故障诊断。本发明克服了人为选择滤波器长度和故障周期的不确定性,实现了自适应的MCKD滤波,具有良好的降噪效果和故障特征提取能力。
Description
技术领域
本发明属于机械设备故障诊断技术领域,涉及到滚动轴承声信号故障特征提取,具体为一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法。
背景技术
现代工业飞速发展,机械设备作为科技进步的重要工具,起着至关重要的作用。滚动轴承作为旋转机械的核心部件,通常承载着较大的载荷,当滚动轴承出现故障时,会造成机械传动故障,造成严重的经济损失。因此,对滚动轴承的诊断和监测可以提高机械***的安全性和可靠性。目前,监测和诊断方法主要基于振动信号分析。然而振动传感器采用接触式方式安装,从而限制了它的使用。声音传感器采用非接触式的方式,安装方便。声音信号包含丰富的信息,当机械设备发生故障时,声音信号会产生相应的变化。
针对声音信号低信噪比这一问题,提取出信号中的微弱故障信息是主要的研究方向,一些学者做了相关的研究。申博文等提出了基于MCKD与CEEMDAN的声信号故障特征提取方法,先用MCKD算法增强声信号中的冲击,然后再计算每个经验模态分量的峭度值,选出最优分量,提取故障信息。张俊等将VMD和MCKD相结合,并采用PSO对VMD和MCKD中的参数组合进行寻优。刘尚坤等将Teager能量算子和MCKD用于滚动轴承的故障识别,首先采用MCKD对信号进行降噪,然后使用Teager算子增强信号中的周期性冲击。
最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,MCKD)算法可以有效的提取出滚动轴承声信号中的故障周期信息,然而,MCKD算法依赖于滤波器长度和先验故障周期的选择。布谷鸟搜索算法(Cuckoo search algorithm,CSA)是一种生物启发式算法,该算法模拟了布谷鸟将自己的卵寄生在其他鸟类巢穴的行为。CSA具有优秀的全局寻优能力和局部寻优能力,但是该算法同其他生物启发式算法一样,也存在后期寻优精度低、迭代速度慢、易陷入局部最优的问题。Tsipianitis等在算法中引入静态和动态惩罚函数,以增强CS优化算法,并且结合鸟群算法(BSA)的关键参数,提出了具有动态惩罚的CS混合方法。李荣雨等通过调整莱维飞行步长和在偏好随机游走中引入动态惯性权重和记忆策略,提高了算法的稳定性和搜索能力。张龙等用NGAs同步优化小波滤波器与MCKD,用于轴承故障诊断,但是此方法需要用小波滤波进行预处理,并且需要同步优化四个参数,增加了该方法的复杂度和参数寻优难度。
发明内容
为了解决现有技术存在的问题,本发明提供一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法,该发明克服了布谷鸟搜索算法迭代速度慢和搜索精度低的问题,利用改进的布谷鸟搜索算法(Improvedcuckoo search algorithm,ICSA)自适应的搜索MCKD的滤波器长度和故障周期,具有更优的故障特征提取效果。
本发明的技术方案为:
所述一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法,其特征在于:包括以下步骤:
步骤1:利用声音传感器采集故障轴承运转时的声音信号;
步骤2:改进的布谷鸟参数优化算法寻找滤波器长度和故障周期的最佳组合,具体过程如下:
2.1初始化种群参数:巢穴个数n,每个巢穴中鸟卵个数m,因为只考虑滤波器长度L和故障周期T对MCKD算法效果的影响,故m=2,设置L和T的搜索区间,设置最大迭代次数tmax,目标函数AHSI(nesti);
调整的谐波显著性指标(Adjusted harmonics significant index,AHSI),将其作为ICSA-MCKD的适应度函数,其表达式为:
式中,F(kω)为解卷积信号的包络谱在kω处的幅值,N(ω)为kω左右转频范围内的平均噪声;
2.2计算每个巢穴的目标值,找到当前位置目标值最大的巢穴,作为最优巢穴Xb;
2.3进行莱维飞行,更新位置,最优巢穴保持不动。计算新位置下每个巢穴的目标值AHSI(nesti),并与旧位置巢穴的目标值比较,如果新位置巢穴目标值大于旧目标值,则替换旧巢穴,莱维飞行的方法如下:
式中,μ和v服从标准正态分布,β=1.5;
莱维飞行的步长α为:
式中F为步长尺度因子,服从[0,1]上的均匀分布,Xb表示当前最优解;
综合式(1)~(4)通过莱维飞行到达的新的位置为:
2.4进行偏好随机游走,计算新巢穴的目标值,如果大于旧巢穴的目标值,则替换旧巢穴,偏好随机游走具体如下:
2.5选择最优解,判断是否满足迭代停止条件,若满足,则输出最优参数组合,若不满足返回步骤2.3继续循环;
步骤3:利用步骤2的最优参数组合进行MCKD滤波,实测信号xn(n=1,2,...,N)是源振动信号sn(n=1,2,...,N)与传递路径h卷积得到的,最大相关峭度解卷积(MCKD)是通过寻找一个FIR滤波器,进行反卷积运算得到源信号sn(n=1,2,...,N)的近似解yn(n=1,2,...,N):
式中f(f1,f2...,fL)为滤波器,L为滤波器长度,*为卷积运算;
通过最大化相关峭度求解滤波器f,相关峭度的定义为:
式中,T为故障周期T=fs/fi,fs为采样频率,fi为故障特征频率;M为位移数,一般选取M=7。
最大化相关峭度求解滤波器f(f1,f2,...,fL)
相关峭度对滤波器求导:
由式(9)~(12)可求得滤波器的系数,并表示成矩阵形式:
MCKD的具体步骤如下:
3.1初始化故障周期T,滤波器长度L,位移数M等参数;
3.4根据yn计算α,β;
3.5更新滤波器f;
3.6判断ΔCKM(T)是否小于阈值,若小于阈值,结束迭代,否则重复步骤3.3~3.5。
步骤4:对步骤3解卷积滤波后的信号进行包络谱分析;
步骤5:根据包络谱中的故障特征频率进行故障诊断;
本发明的有益效果为:运用改进的布谷鸟搜索算法(ICSA)搜索最大相关峭度解卷积(MCKD)的滤波器长度和故障周期的最佳组合,克服了人为选择参数的不确定性,提高了MCKD的滤波效果,具有更好的故障特征提取能力。
附图说明
图1是本发明提供的基于解卷积增强的滚动轴承声信号微弱故障诊断方法流程图;
图2是实测信号的时域图和包络谱,其中(a)为时域图,(b)为实测信号做完希尔伯特包络解调后的包络谱;
图3是ICSA对滤波器长度和故障周期的最佳组合的寻优迭代图,为了凸显ICSA有更高的寻优精度和迭代速度,对同一信号用CSA和PSO寻优对比;
图4是将ICSA输出的最佳参数组合用于MCKD滤波之后的包络谱;
图5是将MCKD的故障周期调整为理论值之后的解卷积包络谱;
图6是相同滤波器长度下的MED滤波信号的包络谱对比图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
本实施例中一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法,附图1表示该故障诊断方法流程图,包括以下步骤:
步骤1:利用声音传感器采集故障轴承运转时的声音信号:
实验在QPZZ-Ⅱ实验平台上进行,测点方向为正对轴承座,声音传感器距离被测轴承1.5m,测试轴承为内圈故障,加工方式为线切割,所用轴承型号为NU205EM/PS,具体参数如表1所示。使用PCB噪声麦克风和NI9234采集卡采集声音信号,设置采样频率为12800Hz,采样时间为2秒,转速为900r/min,根据理论公式计算fi=116.25Hz,T=110。实测信号的时域图和包络谱如附图2所示,从附图2(a)的时域图看不到周期成分,在附图2(b)的包络谱中只能看到明显的转频以及二倍转频,而故障频率被噪声淹没,无法判断故障信息;
表1轴承尺寸信息
步骤2:改进的布谷鸟参数优化算法寻找滤波器长度和故障周期的最佳组合,具体过程如下:
2.1初始化ICSA的参数,鸟巢个数n=15,最大迭代次数tmax=50,目标函数为AHSI(nesti)。滤波器长度L的搜索区间为[100,1000],实际故障频率与理论故障频率的误差一般在2%以内,所以故障周期的搜索区间为[108,113];
2.2计算每个巢穴的目标值,找到当前位置目标值最大的巢穴,作为最优巢穴Xb;
2.3进行莱维飞行,更新位置,最优巢穴保持不动。计算新位置下每个巢穴的目标值AHSI(nesti),并与旧位置巢穴的目标值比较,如果新位置巢穴目标值大于旧目标值,则替换旧巢穴;
2.4进行偏好随机游走,计算新巢穴的目标值,如果大于旧巢穴的目标值,则替换旧巢穴;
2.5选择最优解,判断是否满足迭代停止条件,若满足,则输出最优参数组合,若不满足返回步骤2.3继续循环;
为验证ICSA对实际信号也有很好的搜索性能,与CSA、PSO对同一实验信号进行参数寻优。附图3为各参数优化算法的迭代图,CSA和PSO的初始化参数同仿真信号保持一致,滤波器长度L和故障周期T的搜索区间都分别为[100,1000]和[108,113]。从图中可以看出,ICSA在迭代33次时达到最优解,AHSI值为6.596,CSA在迭代39次时达到最优解,AHSI值为6.482,PSO在迭代47次时达到最优解,AHSI值为6.41。由此可见,ICSA在迭代次数最少时有最大的适应度函数值,故ICSA有更高的迭代速度和搜索精度。
步骤3:利用步骤2的最优参数组合进行MCKD滤波,实测信号xn(n=1,2,...,N)是源振动信号sn(n=1,2,...,N)与传递路径h卷积得到的,最大相关峭度解卷积(MCKD)是通过寻找一个FIR滤波器,进行反卷积运算得到源信号sn(n=1,2,...,N)的近似解yn(n=1,2,...,N):
式中f(f1,f2...,fL)为滤波器,L为滤波器长度,*为卷积运算;
最大化相关峭度求解滤波器f(f1,f2,...,fL):
相关峭度对滤波器求导:
由式(9)~(12)可求得滤波器的系数,并表示成矩阵形式:
MCKD的具体步骤如下:
3.1初始化故障周期T=111.5,滤波器长度L=622,位移数M=7;
3.4根据yn计算α,β;
3.5更新滤波器f;
3.6判断ΔCKM(T)是否小于阈值,若小于阈值,结束迭代,否则重复步骤3.3~3.5。
步骤4:对步骤3解卷积滤波后的信号进行包络谱分析,该参数下MCKD解卷积信号的包络谱如附图4所示,在图中可以明显的看到故障特征频率115.5Hz及其倍频,证明了本发明的有效性;
步骤5:根据包络谱中的故障特征频率进行故障诊断,通过实测信号的解卷积滤波和包络谱分析,从而确定信号中的主要频率成分115.5Hz和滚动轴承内圈故障非常接近,并且包含高阶倍频,故可判断轴承内圈发生故障。
为验证故障周期的选择会影响MCKD对实际信号的解卷积效果,现把最佳参数组合[622,111.5]中的故障周期换为理论故障周期110,进行MCKD解卷积,附图5为解卷积后的包络谱。与附图4相比附图5中故障频率的高阶倍频被噪声干扰严重,且整体谱线的幅值都有所下降。说明在实际工程问题中,由于转速波动以及滚动体滑移会导致实际故障特征频率与理论计算值有一定的误差,用理论值作为MCKD的先验参数会导致故障特征不明显,对故障诊断造成困难。
为了凸显MCKD对实际信号处理的优越性,对同一实际信号用MED进行滤波处理,为公平起见,MED的滤波器长度和MCKD的一致L=622,对MED滤波后的信号进行包络分析如附图6所示,图中虽能找到故障特征频率,但是噪声干扰严重,对比附图4和附图6可知,MCKD有更好的故障特征提取能力。
本发明提出了一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法,尽管上述实测信号来自滚动轴承,但是本领域的技术人员可以在本发明的原理和方法的基础上,应用到本领域的其他对象的故障诊断上。
Claims (1)
1.一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法,其特征在于:包括以下步骤:
步骤1:利用声音传感器采集故障轴承运转时的声音信号;
步骤2:改进的布谷鸟参数优化算法寻找滤波器长度和故障周期的最佳组合,具体过程如下:
2.1初始化种群参数:巢穴个数n,每个巢穴中鸟卵个数m,因为只考虑滤波器长度L和故障周期T对MCKD算法效果的影响,故m=2,设置L和T的搜索区间,设置最大迭代次数tmax,目标函数AHSI(nesti);
调整的谐波显著性指标,将其作为ICSA-MCKD的适应度函数,其表达式为:
式中,F(kω)为解卷积信号的包络谱在kω处的幅值,N(ω)为kω左右转频范围内的平均噪声;
2.2计算每个巢穴的目标值,找到当前位置目标值最大的巢穴,作为最优巢穴Xb;
2.3进行莱维飞行,更新位置,最优巢穴保持不动;计算新位置下每个巢穴的目标值AHSI(nesti),并与旧位置巢穴的目标值比较,如果新位置巢穴目标值大于旧目标值,则替换旧巢穴,莱维飞行的方法如下:
式中,μ和v服从标准正态分布,β=1.5;
莱维飞行的步长α为:
式中,F为步长尺度因子,服从[0,1]上的均匀分布,Xb表示当前最优解;
综合式(1)~(4)通过莱维飞行到达的新的位置为:
2.4进行偏好随机游走,计算新巢穴的目标值,如果大于旧巢穴的目标值,则替换旧巢穴,偏好随机游走具体如下:
2.5选择最优解,判断是否满足迭代停止条件,若满足,则输出最优参数组合,若不满足返回步骤2.3继续循环;
步骤3:利用步骤2的最优参数组合进行MCKD滤波,实测信号xn是源振动信号sn与传递路径h卷积得到的,最大相关峭度解卷积是通过寻找一个FIR滤波器,进行反卷积运算得到源信号sn的近似解yn,n=1,2,...,N:
式中,f(f1,f2...,fL)为滤波器,L为滤波器长度,*为卷积运算;
通过最大化相关峭度求解滤波器f,相关峭度的定义为:
式中,T为故障周期,T=fs/fi,fs为采样频率,fi为故障特征频率;M为位移数,取M=7;最大化相关峭度求解滤波器f(f1,f2,...,fL)
相关峭度对滤波器求导:
由式(9)~(12)求得滤波器的系数,并表示成矩阵形式:
MCKD的具体步骤如下:
3.1初始化故障周期T,滤波器长度L,位移数M;
3.4根据yn计算α,β;
3.5更新滤波器f;
3.6判断ΔCKM(T)是否小于阈值,若小于阈值,结束迭代,否则重复步骤3.3~3.5;
步骤4:对步骤3解卷积滤波后的信号进行包络谱分析;
步骤5:根据包络谱中的故障特征频率进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111331810.1A CN114124038A (zh) | 2021-11-11 | 2021-11-11 | 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111331810.1A CN114124038A (zh) | 2021-11-11 | 2021-11-11 | 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114124038A true CN114124038A (zh) | 2022-03-01 |
Family
ID=80378386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111331810.1A Pending CN114124038A (zh) | 2021-11-11 | 2021-11-11 | 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114124038A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN114894481A (zh) * | 2022-04-21 | 2022-08-12 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及*** |
CN115146688A (zh) * | 2022-09-06 | 2022-10-04 | 武昌理工学院 | 基于时频谱寻优的变速旋转机械故障稀疏特征提取方法 |
CN115859091A (zh) * | 2022-11-01 | 2023-03-28 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN116404646A (zh) * | 2023-06-08 | 2023-07-07 | 国网江西省电力有限公司电力科学研究院 | 一种计及备用风险的电力***调度方法及*** |
CN116520095A (zh) * | 2023-07-03 | 2023-08-01 | 昆明理工大学 | 故障测距方法、***以及计算机可读存储介质 |
CN117030268A (zh) * | 2023-10-07 | 2023-11-10 | 太原科技大学 | 一种滚动轴承故障诊断方法 |
-
2021
- 2021-11-11 CN CN202111331810.1A patent/CN114124038A/zh active Pending
Non-Patent Citations (4)
Title |
---|
GUIJI TANG等: "Diagnosis of compound faults of rolling bearings through adaptive maximum correlated kurtosis deconvolution", 《JOURNAL OF MECHANICAL SCIENCE AND TECHNOLOGY》, 13 January 2016 (2016-01-13), pages 2 - 4 * |
LIJINWANG等: "Cuckoo search with varied scaling factor", 《FRONTIERS OF COMPUTER SCIENCE》, 6 June 2015 (2015-06-06), pages 2 - 4 * |
童瑞祺: "基于改进布谷鸟搜索算法的冷水机组负荷分配研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 January 2021 (2021-01-15), pages 22 * |
黄包裕等: "基于布谷鸟搜索算法和最大二阶循环平稳盲解卷积的滚动轴承故障诊断方法", 《机 械 工 程 学 报》, 4 March 2021 (2021-03-04), pages 3 - 4 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN114894468B (zh) * | 2022-04-07 | 2023-01-03 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
CN114894481A (zh) * | 2022-04-21 | 2022-08-12 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及*** |
CN114894481B (zh) * | 2022-04-21 | 2023-02-17 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及*** |
CN115146688A (zh) * | 2022-09-06 | 2022-10-04 | 武昌理工学院 | 基于时频谱寻优的变速旋转机械故障稀疏特征提取方法 |
CN115859091B (zh) * | 2022-11-01 | 2023-05-26 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN115859091A (zh) * | 2022-11-01 | 2023-03-28 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN116404646A (zh) * | 2023-06-08 | 2023-07-07 | 国网江西省电力有限公司电力科学研究院 | 一种计及备用风险的电力***调度方法及*** |
CN116404646B (zh) * | 2023-06-08 | 2023-10-20 | 国网江西省电力有限公司电力科学研究院 | 一种计及备用风险的电力***调度方法及*** |
CN116520095A (zh) * | 2023-07-03 | 2023-08-01 | 昆明理工大学 | 故障测距方法、***以及计算机可读存储介质 |
CN116520095B (zh) * | 2023-07-03 | 2023-09-12 | 昆明理工大学 | 故障测距方法、***以及计算机可读存储介质 |
CN117030268A (zh) * | 2023-10-07 | 2023-11-10 | 太原科技大学 | 一种滚动轴承故障诊断方法 |
CN117030268B (zh) * | 2023-10-07 | 2024-01-23 | 太原科技大学 | 一种滚动轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114124038A (zh) | 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 | |
CN110285969B (zh) | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 | |
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN105223576B (zh) | 一种基于单矢量潜标的线谱信号目标自动检测方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN114969995B (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
CN110160767B (zh) | 基于包络分析的冲击周期自动识别与提取方法及*** | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
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 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及*** | |
He et al. | Feature extraction of acoustic signals based on complex Morlet wavelet | |
CN105834834A (zh) | 基于果蝇优化算法的铣刀磨损状态监测方法 | |
CN109186964A (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断*** | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
Guleria et al. | A novel approach for prediction of surface roughness in turning of EN353 steel by RVR-PSO using selected features of VMD along with cutting parameters | |
CN114459760A (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及*** | |
CN111289231B (zh) | 基于不完全B-spline数据拟合的转子***健康监测方法和*** | |
CN110909509B (zh) | 基于InfoLSGAN和AC算法的轴承寿命预测方法 | |
CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
CN113269221A (zh) | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN114638265B (zh) | 一种基于信号卷积神经网络的铣削颤振判别方法 | |
CN115374811A (zh) | 一种滚动轴承故障状态诊断新方法 |
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 |