CN114235405A - 振动信号的特征提取方法、设备分析方法及装置 - Google Patents
振动信号的特征提取方法、设备分析方法及装置 Download PDFInfo
- Publication number
- CN114235405A CN114235405A CN202111420251.1A CN202111420251A CN114235405A CN 114235405 A CN114235405 A CN 114235405A CN 202111420251 A CN202111420251 A CN 202111420251A CN 114235405 A CN114235405 A CN 114235405A
- Authority
- CN
- China
- Prior art keywords
- signal
- feature extraction
- vibration signal
- vibration
- derivative
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 170
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 30
- 238000000354 decomposition reaction Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
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
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
公开了一种振动信号的特征提取方法、设备分析方法及装置。对振动信号进行处理，得到取自振动信号的衍生信号，衍生信号用于表征振动信号的一种或多种特性。分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果。将第一特征提取结果和第二特征提取结果作为振动信号最终的特征提取结果。最终得到的特征提取结果可以从不同角度分析振动信号，从而可以提升特征提取结果的通用性。
Description
技术领域
本公开涉及设备故障检测领域，特别是涉及一种振动信号的特征提取方法、设备分析方法及装置。
背景技术
随着工业现代化的发展，大型旋转设备的应用越来越广泛，从钢铁、煤炭、电力、水泥，到地铁、飞机、火车、船舶等，都离不开旋转设备的身影，这些旋转设备的稳定运行对国民经济的发展越来越重要。
设备在长期工作运行中，不可避免会发生各种故障，如果早期故障征兆发现不及时，随着其发展扩大，当到达一定的临界点后，设备容易发生突发性严重故障，导致大量的非计划性维护工作。这些故障轻则造成一定的经济损失，重则造成人员的伤亡。
工业旋转设备在工作中某一部分发生磨损、退化等轻微故障，由于宏观表征微弱，仅依靠人工辨识往往无法有效监测，而且费时费力。而振动信号随着机器的运转产生并持续，即使机器在正常运行状态，由于微小激励，也将产生振动。
对于机械设备来说通常有两类性质不同的振源：一类是由于机械运动件的质量不平衡、几何轴线不对中、齿轮捏合不好、传动件配合失当、轴颈轴承间隙过大等引起的机械强迫振动，包括周期振动、冲击振动、随机振动等，同时也引起噪声；另一类振动是由于结构响应，自激励振动或环境振动引起的振动响应，比如：流体的喘激振动、轴承的油膜振动、部件本身的响应振动、结构的局部振动等。
一旦出现早期故障，相应的振动情况和噪音的大小都会随之发生一系列变化。因此,采用科学的方法，通过对振动信号的监测与诊断对提高旋转设备的稳定运行有很重要的作用，建立在现代故障诊断技术的监测与诊断***，可以实时监测设备的运行状态，通过对数据的处理与分析，可以发现设备故障的原因以及预测设备可能的故障，为预防事故、科学安排检修提供科学的依据，从而节约维修成本，提高设备的可靠性和安全性。
振动信号的主要特点为高频、噪声、多模态混叠，在不同的场景下，比如不同的故障类别以及相同故障不同的故障程度，信号都会呈现不同的表征，这些表征往往存在于信号的各种特征中，单凭时域或者频域的一些基本特征往往很难有效辨别，而且，有些特征对于表征某一类故障效果显著但是缺乏对另一类故障情景的区分能力。
因此，需要一种更为通用的振动信号的特征构建方案。
发明内容
本公开要解决的一个技术问题是提供一种更为通用的振动信号特征构建方案。
根据本公开的第一个方面，提供了一种设备分析方法，包括：获取设备的振动信号；对振动信号进行处理，得到取自振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果；以及基于第一特征提取结果和第二特征提取结果对设备进行分析。
可选地，对振动信号进行处理得到取自振动信号的衍生信号的步骤包括：对振动信号进行解调分析，得到振动信号的包络信号；以及/或者对振动信号进行信号分解，得到一个或多个分解信号。
可选地，对振动信号进行解调分析的步骤包括：对振动信号进行希尔伯特黄变换；以振动信号为实部、振动信号的希尔伯特黄变换结果为虚部，得到解析信号；对解析信号求模，得到振动信号的包络信号。
可选地，基于小波分解和/或经验模态分解的方式对振动信号进行信号分解。
可选地，包络信号为能够反映设备的旋转部件在轴承运行过程中发出的冲击特性的信号，并且/或者振动信号由多个振源发出的信号叠加而成，分解信号对应的振源数量少于振动信号对应的振源数量。
可选地，分别对振动信号和衍生信号进行特征提取的步骤包括：基于多种特征提取方式分别对振动信号和衍生信号进行特征提取。
可选地，多种特征提取方式包括以下至少两种：基于时域的特征提取方式；基于频域的特征提取方式；基于时频域的特征提取方式；基于信息域的特征提取方式。
可选地，基于时域的特征提取方式提取的特征包括有量纲特征和无量纲特征；并且/或者基于频域的特征提取方式包括频谱分析和/或功率谱分析；并且/或者基于时频域的特征提取方式提取的特征为与设备瞬时功率相关的特征；并且/或者基于信息域的特征提取方式提取的特征为能够表征信号所包含信息量大小的特征。
根据本公开的第二个方面，提供了一种振动信号的特征构建方法，包括：对振动信号进行处理，得到取自振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果；将第一特征提取结果和第二特征提取结果作为振动信号最终的特征提取结果。
根据本公开的第三个方面，提供了一种设备分析装置，包括：获取模块，用于获取设备的振动信号；处理模块，用于对振动信号进行处理，得到取自振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；提取模块，用于分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果；以及分析模块，用于基于第一特征提取结果和第二特征提取结果对设备进行分析。
根据本公开的第四个方面，提供了一种振动信号特征构建装置，包括：处理模块，用于对设备的振动信号进行处理，得到取自振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；提取模块，用于分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果；构建模块，用于将第一特征提取结果和第二特征提取结果作为振动信号最终的特征提取结果。
根据本公开的第五个方面，提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上述第一方面或第二方面的方法。
根据本公开的第六个方面，提供了一种计算机程序产品，包括可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上述第一方面或第二方面的方法。
根据本公开的第七个方面，提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上述第一方面或第二方面的方法。
由此，本公开通过对振动信号进行处理，得到取自振动信号的衍生信号，分别对振动信号和所述衍生信号进行特征提取，使得提取得到的振动信号的第一特征提取结果和衍生信号的第二特征提取结果，能够用于从不同角度分析振动信号，提升特征提取结果的通用性。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本公开一个实施例的振动信号的特征构建方法的示意性流程图。
图2示出了根据本公开一个实施例的包络信号提取流程示意图。
图3示出了根据本公开一个实施例的特征池构建流程示意图。
图4示出了根据本公开一个实施例的设备分析方法的示意性流程图。
图5示出了根据本公开一个实施例的设备分析装置的结构示意图。
图6示出了根据本公开一个实施例的振动信号特征构建装置的结构示意图。
图7示出了根据本公开一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
工业领域旋转机械设备量大面广，振动信号无处不在，比如工厂机床切削时刀具的振动，蒸汽机、燃气机、压缩机、离心机、电动机、泵以及各种齿轮减速器等在运行时产生的各种振动和噪声等。据统计，旋转设备由于振动引起的故障占总故障率的60％以上。
相较其它温度、压力、流量或电流等状态参数，振动参数往往更能直接、快速、准确地反应机组运行状态。所以对机械设备的振动监测和分析非常重要。振动信号通常是对设备状态进行健康状态监测的主要依据之一。
现有分析振动信号的主要途径是通过各种方法进行特征提取。现有的特征提取技术多种多样，大体分为时域特征、频域特征、时频域特征以及针对一些特定场景提取的特征。
振动信号的主要特点为高频、噪声、多模态混叠，在不同的场景下，比如不同的故障类别以及相同故障不同的故障程度，信号都会呈现不同的表征，这些表征往往存在于信号的各种特征中，单凭时域或者频域的一些基本特征往往很难有效辨别，而且，有些特征对于表征某一类故障效果显著但是缺乏对另一类故障情景的区分能力。
所以想要打造标准化的产品，就需要尽可能借鉴更多领域知识，从各个角度挖掘出更多的特征，构建丰富的特征池，才可以覆盖更多的场景，具备更好的通用性。因此，如何对振动信号进行特征挖掘，以构建通用性较好的特征池，是本公开解决的主要技术问题。
图1示出了根据本公开一个实施例的振动信号的特征构建方法的示意性流程图。
如图1所示，首先可以对振动信号进行处理，得到取自振动信号的衍生信号。
衍生信号可以是指对振动信号进行处理得到的能够从其他维度(角度)表征(观察)振动信号的信号。衍生信号能够用于表征振动信号的一种或多种特性。例如，衍生信号可以包括但不限于振动信号的包络信号和/或分解信号，包络信号能够表征振动信号的整体幅度变化特性，分解信号能够表征振动信号的更小粒度的细节特性。关于包络信号、分解信号的具体获取方式可以参见下文描述。
设备的某些旋转部件(如轴承)发生表面损伤时，会在(如轴承)运行中激发出一些列周期性冲击信号，这些信号会与高频固有振动发生调制。可以通过对振动信号进行解调分析，从原始的振动信号中解调提取出能够表征这种冲击信号的包络信号。
原始的振动信号往往由设备的多种振源发出的信号叠加而成，通过对原始的振动信号进行信号分解，可以在一定程度上获取更加“干净”的信号(即分解信号)，以减少模态混叠的干扰。其中，更加“干净”，是指分解信号所对应的振源的数量要少于原始的振动信号所对应的振源数量。
衍生信号(如包络信号、分解信号)可以视为“新的振动信号”，与原始的振动信号一起，作为特征提取的对象。即，可以分别对衍生信号和振动信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果。特征提取方式可以包括但不限于下文述及的基于时域、频域、时频域、信息域等多种特征提取方式。
第一特征提取结果为振动信号在某一特定观察角度下的特征提取结果，第二特征提取结果则可以视为振动信号在不同于该特定观察角度的其他观察角度下的特征提取结果。
第一特征提取结果和第二特征提取结果可以作为振动信号最终的特征提取结果，基于该特征提取结果可以从多角度分析设备。
下面以衍生信号包括包络信号和分解信号为例，就包络信号和分解信号的获取方式进行示例性说明。
1)包络信号
包络是一种解调方法。包络信号，可以是指将一段时间长度的高频信号的峰值点连线，所得到的上方(正的)一条线和下方(负的)一条线，这两条线就叫包络线，包络线是反映高频信号整体幅度变化的曲线。
某些旋转部件如轴承发生表面损伤，会在轴承运行中激发出一些列周期性冲击信号，这些信号会与高频固有振动发生调制。包络谱分析能够有效地将这种低频冲击信号进行解调提取。
图2示出了根据本公开一个实施例的包络信号提取流程示意图。
如图2所示，首先可以对振动信号进行希尔伯特黄变换。希尔伯特黄变换(Hilbert-Huang Transform，简称HHT)是一种信号处理算法，主要包括“Huang的算法”和“Hilbert算法”，即振动信号经过Huang的算法处理后作为Hilbert算法的输入进行处理。希尔伯特黄变换为本领域成熟算法，此处不再赘述。
在对振动信号进行希尔伯特黄变换处理后，可以以振动信号为实部、振动信号的希尔伯特黄变换结果为虚部，得到解析信号，然后对解析信号求模，得到振动信号的包络信号。
2)分解信号
由于高频信号通常是多模态混叠，分解信号就是将原始复杂的单一信号分解为多条相对简单易处理的信号，每个分解信号可能代表了其中一种模态。原始的振动信号往往由多种振源信号叠加而成，通过对原始信号进行信号分解，可以一定程度上获取更加“干净”的信号，减少模态混叠的干扰。信号分解有多种方法，常见比如小波分解和经验模态分解(EMD)。小波分解需要选择相对合理的小波基和分解层数，经验模态分解则是从数据自身的时间尺度特征来进行信号分解，所分解出来的有限个本征模函数(IMF)分量包含了原信号的不同时间尺度的局部特征信号。
以双树离散小波三层分解为例，共计可以获得8个不同频带的信号分量，如果对产生原始信号的振动源有一定的物理认知，可以排除掉部分频带的干扰信号或噪声信号，将剩余的有效信号分量作为后续用于进行特征提取的分解信号。
信号包络和信号分解是预处理的两种不同角度，一种是观察信号的整体幅度变化，作为新的信号(即包络信号)；第二种是观察信号更微观的细节变化，作为新的信号(即分解信号)；包络信号和分解信号，可以视为原始的振动信号的不同粒度的表征。
在得到振动信号的衍生信号(如包络信号和/或分解信号)后，可以基于多种特征提取方式分别对振动信号和衍生信号进行特征提取，以覆盖更多的振动信号分析场景，提升特征提取结果的通用性。其中，特征提取方式可以包括但不限于基于时域的特征提取方式、基于频域的特征提取方式、基于时频域的特征提取方式以及基于信息域的特征提取方式。
1、基于时域的特征提取方式
基于时域的特征提取方式对信号(振动信号或衍生信号)进行特征提取得到的特征可以称为时域特征。时域特征是衡量信号特征的重要指标，分为有量纲特征与无量纲特征。
有量纲特征可以包括但不限于最大值、最小值、峰峰值、均值、方差、标准差、均方值、均方根值、方根幅值等。有量纲特征虽然对信号特征比较敏感，但也会因工作条件(如负载)的变化而变化，并极易受环境干扰的影响，具有表现不够稳定的缺陷。
相比而言，无量纲特征能够一定程度上排除这些扰动因素的影响。无量纲特征可以包括但不限于峰值因子、脉冲因子、裕度因子、波形因子、峭度因子和偏度因子等。
作为示例，有量纲特征可以包括的种类以及计算方式可以表示如下：
其中，x(n)为每个时刻的加速度，n＝1，2，…，N，N为一段信号的长度。t1为平均值；t2为标准差；t3为三阶中心矩，用于定义x(n)的偏度；t4为四阶中心矩，用于定义x(n)的峭度；t5为方差；t6为均方根值；t7为方根幅值；t8为平均幅值；t9为最大值；t10为最小值；t11为峰峰值；t12为基于绝对值方式计算得到的“方差”，与t5相比，可以拉小数据间的离散程度。
无量纲特征可以包括的种类以及计算方式可以表示如下：
t13为峰值因子；t14为波形因子；t15为脉冲因子；t16为裕度因子。t17、t19、t21、t23、t25为使用不同计算公式计算得到的偏度因子，t17可以称为第一偏度因子，计算方法为三阶中心矩t3与均方根值t6的三次方的比值，t19可以称为第二偏度因子，计算方法为三阶中心矩t3与标准差t2的三次方的比值，t21可以称为第三偏度因子，计算方法为五阶中心矩
与标准差t2的五次方的比值，t23可以称为第四偏度因子，计算方法为七阶中心矩
与标准差t2的七次方的比值，t25可以称为第五偏度因子，计算方法为九阶中心矩
与标准差t2的九次方的比值；t18、t20、t22、t24为使用不同计算公式计算得到的峭度因子，t18可以称为第一峭度因子，计算方法为四阶中心矩t4与均方根值t6的四次方的比值，t20可以称为第二峭度因子，计算方法为四阶中心矩t4与标准差t2的四次方的比值，t22可以称为第三峭度因子，计算方法为六阶中心矩
与标准差t2的六次方的比值，t24可以称为第四峭度因子，计算方法为八阶中心矩
与标准差t2的八次方的比值。
上述偏度因子、峭度因子的计算方式可以理解为，基于奇数阶中心矩能够判断分布是否对称的特性，利用奇数阶中心矩计算偏度因子，基于偶数阶中心距能够衡量分布曲线的尖峭程度的特性，利用偶数阶中心矩计算峭度因子。
2、基于频域的特征提取方式
基于频域的特征提取方式可以包括频谱分析和/或功率谱分析。基于频域的特征提取方式提取的特征可以称为频域特征。以频谱分析为例，提取的频域特征可以包括但不限于频率均值、频率方差、频率质心、谱偏态系数等。
作为示例，频域特征可以包括的种类以及计算方式可以表示如下：
其中，y(k)为频谱，k＝1，2，…，K，K为频谱的最大范围，frk是第k根谱线对应的频率值。f1为频谱均值；f2为频谱方差；f3为频谱偏态系数；f4为频谱峭度系数；f5为频率均值；f6为频率标准差；f7、f8、f9为频率质心的不同计算方式；f10为频率变异系数；f11为频率偏态系数；f12、f13为频率峭度系数的不同计算方式；f14为频率的三次方的均值。
3、基于时频域的特征提取方式
基于时频域的特征提取方式提取得到的特征可以称为时频域特征。设备在启动和/或停止过程中产生的振动信号的变化较大。时频域特征可以捕捉信号的变化特性。
作为示例，可以计算与设备瞬时功率相关的时频域特征。具体而言，可以首先根据振动信号计算信号瞬时功率，然后在信号瞬时功率的基础上，使用上文述及的基于时域的特征计算方法，进一步提取瞬时功率的各种特征。
信号瞬时功率的计算方式可以采用但不限于如下两种算法。第一种基于短时傅里叶变换(STFT)，以功率P(t,f)为权重，频率f的加权平均为瞬时功率：
第二种是基于希尔伯特黄变换(HHT)，首先通过HHT获得分析信号的相位φ(t),然后计算相位的倒数获得瞬时功率：
4、基于信息域的特征提取方式
基于信息域的特征提取方式提取的特征为能够表征信号所包含信息量大小的特征。基于信息域的特征提取方式，是指可以通过信息理论中的若干方法来表征一段信号包含各类信息量的大小。例如，可以通过熵值计算方法来表征信号所包含的信息量大小。
作为示例，可以采用但不限于近似熵、样本熵、多尺度熵、费希尔信息、赫斯特指数等上肢熵值计算方法进行特征提取。
近似熵和样本熵(SampEn)都是对非稳定时间序列的复杂型的度量，是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大。以样本熵为例，其计算方法为：
多尺度熵(MSE)是一种基于样本熵的衡量时间序列复杂性有效的方法，可直接提取原始信号包含的模式信息，在生物***、地球科学和机械振动方面都显示出良好的效果。其计算方法为：MSE＝{τ|SampEn(τ,m,r)＝-ln[Cr,m+1(r)/Cr,m(r)]}，其中τ是尺度因子。
费希尔信息(FI)是一种测量可观察随机变量X携带的关于模型X的分布的未知参数θ的信息量的方法，其计算方法为：
其中，
是通过
的标准化值,M是奇异值数量。
赫斯特指数(HST)通过重标极差(R/S)分析方法建立，体现了时间序列的自相关性，尤其反映了序列中隐藏的长期趋势，对于范围为T的时间序列X，
然后，ln(R(T)/S(T))和ln(T)之间的斜率就是HST。
图3示出了根据本公开一个实施例的特征池构建流程示意图。
如图3所示，在对振动信号进行处理得到包络信号和分解信号后，可以分别对振动信号、包络信号以及分解信号进行基于时域、频域、时频域以及信息域的特征计算方法，以获得更加丰富的特征，构建覆盖更多振动分析场景的特征池。
本公开的振动信号的特征构建方法可以用于设备分析。图4示出了根据本公开一个实施例的设备分析方法的示意性流程图。
如图4所示，在步骤S410，获取设备的振动信号。
所获取的振动信号可以是指设备在一段时间内产生的振动信号，该振动信号可以是设备中多种振源(包括环境噪音)所产生信号的叠加。
在步骤S420，对振动信号进行处理，得到取自振动信号的衍生信号。
衍生信号可以是指对振动信号进行处理得到的能够从其他维度(角度)表征(观察)振动信号的信号。例如，衍生信号可以包括但不限于振动信号的包络信号和/或分解信号。关于包络信号、分解信号的具体获取方式可以参见上文相关描述。
在步骤S430，分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果。
为了使得特征提取结果能够覆盖更多的振动场景，进一步提升特征提取结果的通用性，可以基于多种特征提取方式分别对振动信号和衍生信号进行特征提取。多种特征提取方式可以包括以下至少两种：基于时域的特征提取方式；基于频域的特征提取方式；基于时频域的特征提取方式；基于信息域的特征提取方式。
作为示例，可以采用基于时域的特征提取方式、基于频域的特征提取方式、基于时频域的特征提取方式、基于信息域的特征提取方式分别对振动信号和衍生信号进行特征提取。
在步骤S440，基于第一特征提取结果和第二特征提取结果对设备进行分析。
第一特征提取结果为振动信号在某一特定观察角度下的特征提取结果，第二特征提取结果可以视为振动信号在不同于该特定观察角度的其他观察角度下的特征提取结果。基于第一特征提取结果和第二特征提取结果，可以多角度分析设备，助于提升异常检测、故障诊断及预测的准确性。
对设备进行分析的操作可以由人工(如设备故障分析专家)执行，也可以自动执行。例如，基于第一特征提取结果和第二特征提取结果，可以利用自动机器学习技术自动对设备的健康状况进行分析。
本公开的振动信号的特征构建方法和设备分析方法，除了考虑原始振动信号，还考虑了原始振动信号的包络以及原始振动信号的分解分量，有利于从多个角度观察振动信号；并且构建的特征池包含丰富特征，考虑了时域、频域、时频域以及信息域的多种特征提取方法，可以覆盖更多的振动分析场景，提升了特征池的通用性。
本公开可以适用于设备核心部件如轴承、齿轮箱等的异常检测、故障诊断及预测。不同于传统相对有限的特征组合，本公开基于领域知识使用了更多信号处理手段，并借鉴了相关领域时序信号的特征提取经验，构建的特征池可以包含时域、频域、时频域、以及信息域的各类特征，可以覆盖更多的振动场景，有助于提升轴承、齿轮等工业关键部件振动信号分析的标准化和智能化程度，丰富的特征池有助于提升异常检测、故障诊断及预测的准确性。
本公开的设备分析方法还可以实现为一种设备分析装置。图5示出了根据本公开一个实施例的设备分析装置的结构示意图。其中，设备分析装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图5所描述的功能单元可以组合起来或者划分成子单元，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。
下面就设备分析装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文相关描述，这里不再赘述。
如图5所示，设备分析装置500包括获取模块510、处理模块520、提取模块530以及分析模块540。
获取模块510用于获取设备的振动信号。
处理模块520用于对振动信号进行处理，得到取自振动信号的衍生信号。以衍生信号包括包络信号和/分解信号为例，处理模块520可以对振动信号进行解调分析，得到振动信号的包络信号；以及/或者对振动信号进行信号分解，得到一个或多个分解信号。
提取模块530用于分别对振动信号和衍生信号进行特征提取，得到振动信号的第一特征提取结果和衍生信号的第二特征提取结果。提取模块530可以基于多种特征提取方式分别对振动信号和衍生信号进行特征提取。关于多种特征提取方式可以参见上文相关描述。
分析模块540用于基于第一特征提取结果和第二特征提取结果对设备进行分析。
本公开的振动信号的特征构建方法还可以实现为一种振动信号特征构建装置。图6示出了根据本公开一个实施例的振动信号特征构建装置的结构示意图。其中，振动信号特征构建装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图6所描述的功能单元可以组合起来或者划分成子单元，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。
下面就振动信号特征构建装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文相关描述，这里不再赘述。
如图6所示，振动信号特征构建装置600包括处理模块610、提取模块620以及构建模块630。
处理模块610用于对设备的振动信号进行处理，得到取自所述振动信号的衍生信号。以衍生信号包括包络信号和/分解信号为例，处理模块610可以对振动信号进行解调分析，得到振动信号的包络信号；以及/或者对振动信号进行信号分解，得到一个或多个分解信号。
提取模块620用于分别对所述振动信号和所述衍生信号进行特征提取，得到所述振动信号的第一特征提取结果和所述衍生信号的第二特征提取结果。提取模块620可以基于多种特征提取方式分别对振动信号和衍生信号进行特征提取。关于多种特征提取方式可以参见上文相关描述。
构建模块630用于将所述第一特征提取结果和所述第二特征提取结果作为所述振动信号最终的特征提取结果。
图7示出了根据本公开一个实施例的可用于实现上述设备分析方法或振动信号的特征构建方法的计算设备的结构示意图。
参见图7，计算设备700包括存储器710和处理器720。
处理器720可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器720可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中，处理器720可以使用定制的电路实现，例如特定用途集成电路(ASIC，Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA，Field Programmable Gate Arrays)。
存储器710可以包括各种类型的存储单元，例如***内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器720或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器710可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器710可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器710上存储有可执行代码，当可执行代码被处理器720处理时，可以使处理器720执行上文述及的设备分析方法或振动信号的特征构建方法。
上文中已经参考附图详细描述了根据本公开的振动信号的特征构建方法、设备分析方法、装置及计算设备。
此外，根据本公开的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本公开的上述方法中限定的上述各步骤的计算机程序代码指令。
或者，本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本公开的上述方法的各个步骤。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本公开的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种设备分析方法，包括：
获取设备的振动信号；
对所述振动信号进行处理，得到取自所述振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；
分别对所述振动信号和所述衍生信号进行特征提取，得到所述振动信号的第一特征提取结果和所述衍生信号的第二特征提取结果；以及
基于所述第一特征提取结果和所述第二特征提取结果对所述设备进行分析。
2.根据权利要求1所述的方法，其中，对所述振动信号进行处理得到取自所述振动信号的衍生信号的步骤包括：
对所述振动信号进行解调分析，得到所述振动信号的包络信号；以及/或者
对所述振动信号进行信号分解，得到一个或多个分解信号。
3.根据权利要求2所述的方法，其中，对所述振动信号进行解调分析的步骤包括：
对所述振动信号进行希尔伯特黄变换；
以所述振动信号为实部、所述振动信号的希尔伯特黄变换结果为虚部，得到解析信号；
对所述解析信号求模，得到所述振动信号的包络信号。
4.根据权利要求2所述的方法，其中，基于小波分解和/或经验模态分解的方式对所述振动信号进行信号分解。
5.根据权利要求2所述的方法，其中，
所述包络信号为能够反映所述设备的旋转部件在运行过程中发出的冲击特性的信号，并且/或者所述振动信号由多个振源发出的信号叠加而成，所述分解信号对应的振源数量少于所述振动信号对应的振源数量。
6.根据权利要求1所述的方法，其中，分别对所述振动信号和所述衍生信号进行特征提取的步骤包括：
基于多种特征提取方式分别对所述振动信号和所述衍生信号进行特征提取。
7.根据权利要求6所述的方法，其中，所述多种特征提取方式包括以下至少两种：
基于时域的特征提取方式；
基于频域的特征提取方式；
基于时频域的特征提取方式；
基于信息域的特征提取方式。
8.根据权利要求7所述的方法，其中，
基于时域的特征提取方式提取的特征包括有量纲特征和无量纲特征；并且/或者
基于频域的特征提取方式包括频谱分析和/或功率谱分析；并且/或者
基于时频域的特征提取方式提取的特征为与设备瞬时功率相关的特征；并且/或者
基于信息域的特征提取方式提取的特征为能够表征信号所包含信息量大小的特征。
9.一种振动信号的特征构建方法，包括：
对振动信号进行处理，得到取自所述振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；
分别对所述振动信号和所述衍生信号进行特征提取，得到所述振动信号的第一特征提取结果和所述衍生信号的第二特征提取结果；
将所述第一特征提取结果和所述第二特征提取结果作为所述振动信号最终的特征提取结果。
10.一种设备分析装置，包括：
获取模块，用于获取设备的振动信号；
处理模块，用于对所述振动信号进行处理，得到取自所述振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；
提取模块，用于分别对所述振动信号和所述衍生信号进行特征提取，得到所述振动信号的第一特征提取结果和所述衍生信号的第二特征提取结果；以及
分析模块，用于基于所述第一特征提取结果和所述第二特征提取结果对所述设备进行分析。
11.一种振动信号特征构建装置，包括：
处理模块，用于对设备的振动信号进行处理，得到取自所述振动信号的衍生信号，所述衍生信号用于表征所述振动信号的一种或多种特性；
提取模块，用于分别对所述振动信号和所述衍生信号进行特征提取，得到所述振动信号的第一特征提取结果和所述衍生信号的第二特征提取结果；
构建模块，用于将所述第一特征提取结果和所述第二特征提取结果作为所述振动信号最终的特征提取结果。
12.一种计算设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至9中任何一项所述的方法。
13.一种计算机程序产品，包括可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至9中任何一项所述的方法。
14.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至9中任何一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111420251.1A CN114235405A (zh) | 2021-11-24 | 2021-11-24 | 振动信号的特征提取方法、设备分析方法及装置 |
| PCT/CN2022/124104 WO2023093315A1 (zh) | 2021-11-24 | 2022-10-09 | 振动信号的特征提取方法、设备分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111420251.1A CN114235405A (zh) | 2021-11-24 | 2021-11-24 | 振动信号的特征提取方法、设备分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114235405A true CN114235405A (zh) | 2022-03-25 |
Family
ID=80751237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111420251.1A Pending CN114235405A (zh) | 2021-11-24 | 2021-11-24 | 振动信号的特征提取方法、设备分析方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114235405A (zh) |
| WO (1) | WO2023093315A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴（中国）有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776168B (zh) * | 2023-08-22 | 2023-11-21 | 惠州帝恩科技有限公司 | 一种试剂管生产数据智能分析方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106404396A (zh) * | 2016-08-30 | 2017-02-15 | 四川中烟工业有限责任公司 | 一种滚动轴承的故障诊断方法 |
| CN106997458A (zh) * | 2017-03-17 | 2017-08-01 | 中国人民解放军陆军航空兵研究所 | 一种基于eemd‑cwd的设备振动信号特征提取方法 |
| CN108229382A (zh) * | 2017-12-29 | 2018-06-29 | 广州供电局有限公司 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
| CN109060398A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种多源信息设备故障诊断方法 |
| CN110108486A (zh) * | 2018-01-31 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及*** |
| CN113654798A (zh) * | 2021-08-18 | 2021-11-16 | 西人马(深圳)科技有限责任公司 | 故障诊断方法、装置及电子设备 |
| WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴（中国）有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102721545B (zh) * | 2012-05-25 | 2015-05-20 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
| US9983776B1 (en) * | 2016-06-30 | 2018-05-29 | Bentley Systems, Incorporated | Software system for dynamic feature extraction for structural health monitoring |
| CN108414226B (zh) * | 2017-12-25 | 2019-07-19 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
| CN110160791B (zh) * | 2019-06-27 | 2021-03-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断***及诊断方法 |
-
2021
- 2021-11-24 CN CN202111420251.1A patent/CN114235405A/zh active Pending
-
2022
- 2022-10-09 WO PCT/CN2022/124104 patent/WO2023093315A1/zh unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106404396A (zh) * | 2016-08-30 | 2017-02-15 | 四川中烟工业有限责任公司 | 一种滚动轴承的故障诊断方法 |
| CN106997458A (zh) * | 2017-03-17 | 2017-08-01 | 中国人民解放军陆军航空兵研究所 | 一种基于eemd‑cwd的设备振动信号特征提取方法 |
| CN108229382A (zh) * | 2017-12-29 | 2018-06-29 | 广州供电局有限公司 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
| CN110108486A (zh) * | 2018-01-31 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 轴承故障预测方法、设备及*** |
| CN109060398A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种多源信息设备故障诊断方法 |
| CN113654798A (zh) * | 2021-08-18 | 2021-11-16 | 西人马(深圳)科技有限责任公司 | 故障诊断方法、装置及电子设备 |
| WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴（中国）有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈曦: "Hilbert-Huang变换算法研究及其在纸机轴承故障诊断中的应用", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, pages 15 - 25 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴（中国）有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023093315A1 (zh) | 2023-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
| Han et al. | Fault feature extraction of low speed roller bearing based on Teager energy operator and CEEMD | |
| Hu et al. | An adaptive spectral kurtosis method and its application to fault detection of rolling element bearings | |
| Zhang et al. | Kurtosis based weighted sparse model with convex optimization technique for bearing fault diagnosis | |
| Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
| Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
| Guo et al. | Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition | |
| Borghesani et al. | A new procedure for using envelope analysis for rolling element bearing diagnostics in variable operating conditions | |
| Shahriar et al. | Electrical signature analysis-based detection of external bearing faults in electromechanical drivetrains | |
| Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
| Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
| Li et al. | Gear fault detection and diagnosis under speed-up condition based on order cepstrum and radial basis function neural network | |
| CN114235405A (zh) | 振动信号的特征提取方法、设备分析方法及装置 | |
| Wang et al. | A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture | |
| Klausen et al. | Multi-band identification for enhancing bearing fault detection in variable speed conditions | |
| Xiang et al. | A fault detection strategy using the enhancement ensemble empirical mode decomposition and random decrement technique | |
| Qin et al. | Adaptively detecting the transient feature of faulty wind turbine planetary gearboxes by the improved kurtosis and iterative thresholding algorithm | |
| THAMBA et al. | Journal bearing fault detection based on Daubechies wavelet | |
| Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
| Iunusova et al. | Early fault diagnosis in rolling element bearings: comparative analysis of a knowledge-based and a data-driven approach | |
| Wang et al. | A Two‐Stage Compression Method for the Fault Detection of Roller Bearings | |
| Zhang et al. | Fault diagnosis of rolling element bearing using ACYCBD based cross correlation spectrum | |
| Wang et al. | Vibration signature analysis for broken rotor bar diagnosis in induction motors based on cyclic modulation spectrum | |
| CN113221292A (zh) | 波浪发电机预测性维护模型和维护方法 | |
| Vernekar et al. | Fault detection of gear using spectrum and cepstrum analysis |
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 |