CN114526915A - 一种基于滚动轴承特征分布的早期故障时刻点识别方法 - Google Patents
一种基于滚动轴承特征分布的早期故障时刻点识别方法 Download PDFInfo
- Publication number
- CN114526915A CN114526915A CN202210074685.9A CN202210074685A CN114526915A CN 114526915 A CN114526915 A CN 114526915A CN 202210074685 A CN202210074685 A CN 202210074685A CN 114526915 A CN114526915 A CN 114526915A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- distance
- characteristic
- bulldozer
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于滚动轴承特征分布的早期故障时刻点识别方法。所述方法包括以下步骤:采集滚动轴承在稳定工况时不同时刻下的振动加速度信号x(t)i;求解不同时刻下采集到的振动加速度信号的包络谱e(f)i;利用推土机距离,求解第i时刻与第1时刻间的特定频带范围的包络谱特征分布距离wi1,获取推土机距离矩阵w;根据包络谱特征分布距离wi1,利用3σ原则对包络谱特征分布距离wij进行阈值设定;设置超过阈值准则,实现对滚动轴承早期故障点进行精准识别。本发明不仅可以准确识别滚动轴承早期故障时刻点,而且方法基于滚动轴承故障机理可以从故障特征衍生角度去判断早期故障,具备扎实的理论依据。
Description
技术领域
本发明涉及滚动轴承故障诊断及信号处理领域,具体涉及一种基于滚动轴承故障分布的早期故障时刻点识别方法。
背景技术
滚动轴承凭借其简单的机械结构及高效的传动性能,常常作为智能高端装备中的核心零部件,被广泛地应用于航空航天、轨道交通、离散制造等领域。然而,滚动轴承经常处于高负荷、高强度、高作业率的复杂工况下,易产生疲劳损伤和性能衰退,影响整个机械***的安全性和可靠性。因此,在滚动轴承运行期间进行全生命周期维护并及时对早期故障时刻点进行识别,可以有效提升整个机械***的运行效率和安全性能。
常用的早期故障时刻点识别方法主要包括均方根值法(RMS)和智能学习方法。均方根值法通过观察轴承振动信号幅值的均方根值突变,进行初始故障时刻点判断,容易受到噪声干扰进而影响初始故障时刻点的精准判断。智能学习方法利用反向传播算法区分正常数据与故障数据间的特征,对早期故障时刻点进行判断,但网络内部物理意义不明确,无法从滚动轴承故障机理角度进行解释。
2021年,向家伟等申请的“一种基于轴承健康指标检测滚动轴承早期故障的方法”发明专利中,结合均方根值与峭度模型同时对轴承早期故障进行识别,但是均方根值与峭度都容易受到异常冲击噪声干扰,导致其对早期故障点判断不够准确,因此,需要提出一种能够抵抗异常冲击噪声干扰且具备明确物理意义的滚动轴承早期故障时刻点的识别方法,提升机械装备运行可靠性和安全性。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于滚动轴承特征分布的早期故障时刻点识别方法,由于轴承故障特征主要通过对包络谱特征频率进行分析,因此该方法首先提取不同时刻点下的包络谱特征,并利用推土机距离来衡量不同时刻下特征分布差异性,进一步利用机理特征变化趋势来准确判断滚动轴承早期故障时刻点。
本发明的目的至少通过采取如下技术方案之一实现。
一种基于滚动轴承特征分布的早期故障时刻点识别方法,包括以下步骤:
S1、采集滚动轴承在稳定工况时不同时刻下的振动加速度信号x(t)i;
S2、求解不同时刻下采集到的振动加速度信号的包络谱e(f)i;
S3、利用推土机距离,求解第i时刻与第1时刻间的特定频带范围的包络谱特征分布距离wi1,获取推土机距离矩阵w;
S4、根据包络谱特征分布距离wi1,利用3σ原则对包络谱特征分布距离wij进行阈值设定;
S5、设置超过阈值准则,实现对滚动轴承早期故障点进行精准识别。
进一步地,步骤S1包括以下步骤:
S1.1、将振动加速度传感器安装于滚动轴承座正上方或靠近滚动轴承位置处,设置采样频率fs及单个时刻t下的采样时长T;
S1.2、采集处于稳定运行时的滚动轴承在整个生命周期中的不同时刻t下的振动加速度值x(t)i,其中i表示第i段信号样本,每段信号的采样时长为T,i=1,2,3…,N,N的含义为在滚动轴承整个生命周期中采集的加速度信号样本数。
进一步地,步骤S2包括以下步骤:
S2.1、对不同时刻t下的第i段振动加速度信号x(t)i进行希尔伯特变换获取其包络特征信号s(t)i;
S2.2、对包络特征信号s(t)i进行傅里叶变换获取包络谱信号e(f)i。
进一步地,步骤S2.1中,希尔伯特变换如下:
其中,H[]为希尔伯特算子,τ为积分变量,x(τ)i为第i段信号不同τ时刻下振动加速度值。
进一步地,步骤S2.2中,傅里叶变换如下:
其中,f为频率变量,j为虚数单位。
进一步地,步骤S3包括以下步骤:
S3.1、计算滚动轴承外圈故障特征频率fouter、内圈故障特征频率finner、保持架故障特征频率fcage以及滚动体故障特征频率froller,选择出四个故障特征频率中最大的特征频率记为fmax;
S3.2、利用推土机距离(Wasserstein Distance),求解第i段信号样本的e(f)i与第1段信号样本间的e(f)1特定频带范围内的包络谱特征分布距离wi1,获取推土机距离矩阵w。
进一步地,步骤S3.1中,在选择包络谱特征频带范围时,以最大特征频率fmax的M阶倍频为截至频率,具体计算公式如下:
其中,Z为滚动轴承滚动体个数;fn为滚动轴承转频;d为滚动轴承滚动体直径;D为滚动轴承中径;α为滚动轴承接触角。
进一步地,步骤S3.2中,特定频带范围为[0Mfmax],其中推土机距离公式以及特征分布距离wij如下:
其中,e(f)i与e(f)j分别为第i段信号样本和第j段信号样本下频带范围内的包络谱信号;Pr和Pg分别为第i段信号样本和第j段信号样本下的包络谱信号e(f)i和e(f)j的边缘分布;Π(Pr,Pg)代表所有联合分布的集合,γ代表每一个可能的联合分布;E为期望计算;
w=[w11 … wi1 … wN1] (17)
其中,wi1为第i段信号样本e(f)i与第1段信号样本间e(f)1特定频带范围内的包络谱特征分布距离即推土机距离,w为推土机距离矩阵。
进一步地,步骤S4中,选定推土机距离矩阵w的前L个推土机距离即包络谱特征分布距离,利用3σ原则,确定轴承早期故障发生阈值Threshold,具体计算公式如下:
其中,wmean和wsigma分别为推土机距离矩阵w中前L个推土机距离的均值与标准差;Threshold为设置的阈值。
进一步地,步骤S5中,为了更精确的确定轴承早期故障时刻点,防止噪声等其他偶然因素导致特征分布距离意外超过设定的阈值Threshold,设定如下超过阈值准则:当推土机距离矩阵w中连续三个推土机距离超过设定阈值时,确定这三个推土机距离中的第一个推土机距离对应的第i段信号样本对应的时刻为早期故障发生时刻点。
本发明相对于现有技术具有如下的优点及效果:
(1)滚动轴承故障机理特征主要表征在包络谱上,本发明利用推土机距离计算滚动轴承不同时刻下包络谱特征分布差异,可以从轴承故障机理角度明确地表征滚动轴承疲劳损伤退化全过程,具备清晰的物理意义。
(2)本发明设定阈值失效准则,进一步增强了异常冲击噪声干扰的能力,提高了轴承早期故障时刻点识别能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。附图构成本申请的一部分,但仅是作为体现发明概念的非限制性示例,并非用于做出任何限制。
图1是本发明实施例的流程步骤图;
图2是本发明实施例的步骤原理图;
图3是实施例1采集的滚动轴承全生命周期振动加速度信号示意图;
图4a、图4b和图4c分别是实施例1第1min、40min以及52min时刻下的振动信号包络谱示意图;
图5是实施例1的特征分布曲线及早期故障时刻点识别结果示意图;
图6是实施例2的特征分布曲线及早期故障时刻点识别结果示意图;
图7是实施例3的特征分布曲线及早期故障时刻点识别结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
一种基于滚动轴承特征分布的早期故障时刻点识别方法,如图1和图2所示,包括以下步骤:
S1、采集滚动轴承在稳定工况时不同时刻下的振动加速度信号x(t)i,包括以下步骤:
S1.1、将振动加速度传感器安装于滚动轴承座正上方或靠近滚动轴承位置处,设置采样频率fs及单个时刻t下的采样时长T;
S1.2、采集处于稳定运行时的滚动轴承在整个生命周期中的不同时刻t下的振动加速度值x(t)i,其中i表示第i段信号样本,每段信号的采样时长为T,i=1,2,3…,N,N的含义为在滚动轴承整个生命周期中采集的加速度信号样本数。
实施例1中,具体试验参数见表1,滚动轴承全生命周期振动加速度信号如图3所示。
表1具体试验参数表
S2、求解不同时刻下采集到的振动加速度信号的包络谱e(f)i,包括以下步骤:
S2.1、对不同时刻t下的第i段振动加速度信号x(t)i进行希尔伯特变换获取其包络特征信号s(t)i,希尔伯特变换如下:
其中,H[]为希尔伯特算子,τ为积分变量,x(τ)i为第i段信号不同τ时刻下振动加速度值;
S2.2、对包络特征信号s(t)i进行傅里叶变换获取包络谱信号e(f)i,傅里叶变换如下:
其中,f为频率变量,j为虚数单位。
实施例1中,第1min、40min以及52min时刻下的振动信号包络谱如图4a、图4b和图4c所示。
S3、利用推土机距离,求解第i时刻与第1时刻间的特定频带范围的包络谱特征分布距离wi1,获取推土机距离矩阵w,包括以下步骤:
S3.1、计算滚动轴承外圈故障特征频率fouter、内圈故障特征频率finner、保持架故障特征频率fcage以及滚动体故障特征频率froller,选择出四个故障特征频率中最大的特征频率记为fmax,在选择包络谱特征频带范围时,以最大特征频率fmax的M阶倍频为截至频率,具体计算公式如下:
其中,Z为滚动轴承滚动体个数;fn为滚动轴承转频;d为滚动轴承滚动体直径;D为滚动轴承中径;α为滚动轴承接触角;
本实施例1中,计算得到fouter=107.9Hz,finner=172.1Hz,fcage=13.5Hz,froller=72.3Hz。因此fmax=finner,M选择为5,特征频带范围为[0 5fmax],足以包括轴承故障特征频率及其谐波成分。
S3.2、利用推土机距离(Wasserstein Distance),求解第i段信号样本的e(f)i与第1段信号样本间的e(f)1特定频带范围内的包络谱特征分布距离wi1,获取推土机距离矩阵w;
特定频带范围为[0Mfmax],其中推土机距离公式以及特征分布距离wij如下:
其中,e(f)i与e(f)j分别为第i段信号样本和第j段信号样本下频带范围内的包络谱信号;Pr和Pg分别为第i段信号样本和第j段信号样本下的包络谱信号e(f)i和e(f)j的边缘分布;Π(Pr,Pg)代表所有联合分布的集合,γ代表每一个可能的联合分布;E为期望计算;
w=[w11 … wi1 … wN1] (26)
其中,wi1为第i段信号样本e(f)i与第1段信号样本间e(f)1特定频带范围内的包络谱特征分布距离即推土机距离,w为推土机距离矩阵。
S4、根据包络谱特征分布距离wi1,利用3σ原则对包络谱特征分布距离wij进行阈值设定;
选定推土机距离矩阵w的前L个推土机距离即包络谱特征分布距离,利用3σ原则,确定轴承早期故障发生阈值Threshold,具体计算公式如下:
其中,wmean和wsigma分别为推土机距离矩阵w中前L个推土机距离的均值与标准差;Threshold为设置的阈值。
本实施例1中,选定L为30,阈值Threshold=0.5632。
本实施例1中,特征分布距离w及依据设定阈值准则早期故障点识别结果如图5所示。
S5、设置超过阈值准则,实现对滚动轴承早期故障点进行精准识别;
为了更精确的确定轴承早期故障时刻点,防止噪声等其他偶然因素导致特征分布距离意外超过设定的阈值Threshold,设定如下超过阈值准则:当推土机距离矩阵w中连续三个推土机距离(wi1,wi+1,1,wi+2,1)超过设定阈值时,确定这三个推土机距离中的第一个推土机距离wi1对应的第i段信号样本对应的时刻为早期故障发生时刻点。
在本实施例1中,早点故障点时刻被识别为40min处。
实施例1中,为了验证本发明的可行性和正确性,采用XJTU-SY公开轴承全寿命实验数据集中的bearing1_5进行验证,实验设置参数见表1,实验每隔1min进行一次采样,采样时长为1.28s,采样频率fs为25600Hz,滚动轴承全寿命实验数据如图3所示,从中可以看出,早期滚动轴承处于正常运转时,振动加速度信号特征基本保持不变,当故障发生时,振动信号特征幅值显著增加。
图4a、图4b和图4c分别为1min、40min以及52min时刻下滚动轴承振动信号的包络谱信号特征示意图,根据轴承故障机理可知,随着时间的推移,滚动轴承故障不断加深,其包络谱信号特征逐步加强,因此可以通过对包络谱信号特征分布进行计算,从而获取滚动轴承早期故障时刻点,具备扎实的理论依据。
图5为通过推土机距离来求解滚动轴承包络谱特征分布距离w,从中可以看出,在40min左右特征分布距离w开始逐渐变大,说明从此之后的轴承包络谱特征与初始轴承正常包络谱特征差异性逐渐变大。并进一步利用正常运行时的轴承数据,进行阈值判断,准确定位轴承早期故障时刻点为40min。
实施例2:
为了进一步验证本发明的可行性和正确性,再采用XJTU-SY公开轴承全寿命实验数据集中的bearing1_1进行验证,实验参数与表1相同,处理步骤与实施例1相同。实施例2的结果如图6所示,本发明同样可以有效的准确定位出轴承早期初始故障时刻点,时刻为76min。
实施例3:
为了进一步验证本发明的可行性和正确性,再采用XJTU-SY公开轴承全寿命实验数据集中的bearing1_2进行验证,处理步骤与实施例1相同。实施例3的结果如图7所示,本发明同样可以有效的准确定位出轴承早期初始故障时刻点,时刻为41min。
综上,本发明所述的一种基于滚动轴承特征分布的早期故障时刻点识别方法,用于滚动轴承早期故障时刻点识别有以下优点:(1)该方法利用推土机距离计算滚动轴承不同时刻下包络谱特征分布差异,可以从故障机理角度明确地表征滚动轴承疲劳损伤退化全过程,具备清晰的物理意义;(2)该方法通过计算包络谱分布差异性,结合指定的阈值判定准则,提升了该方法针对异常冲击噪声的干扰,进一步提升了早期故障时刻点判断的准确性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于滚动轴承特征分布的早期故障时刻点识别方法,其特征在于,包括以下步骤:
S1、采集滚动轴承在稳定工况时不同时刻下的振动加速度信号x(t)i;
S2、求解不同时刻下采集到的振动加速度信号的包络谱e(f)i;
S3、利用推土机距离,求解第i时刻与第1时刻间的特定频带范围的包络谱特征分布距离wi1,获取推土机距离矩阵w;
S4、根据包络谱特征分布距离wi1,利用3σ原则对包络谱特征分布距离wij进行阈值设定;
S5、设置超过阈值准则,实现对滚动轴承早期故障点进行精准识别。
2.根据权利要求1所述的一种基于滚动轴承特征分布的早期故障时刻点识别方法,其特征在于,步骤S1包括以下步骤:
S1.1、将振动加速度传感器安装于滚动轴承座正上方或靠近滚动轴承位置处,设置采样频率fs及单个时刻t下的采样时长T;
S1.2、采集处于稳定运行时的滚动轴承在整个生命周期中的不同时刻t下的振动加速度值x(t)i,其中i表示第i段信号样本,每段信号的采样时长为T,i=1,2,3…,N,N的含义为在滚动轴承整个生命周期中采集的加速度信号样本数。
3.根据权利要求1所述的一种基于滚动轴承特征分布的早期故障时刻点识别方法,其特征在于,步骤S2包括以下步骤:
S2.1、对不同时刻t下的第i段振动加速度信号x(t)i进行希尔伯特变换获取其包络特征信号s(t)i;
S2.2、对包络特征信号s(t)i进行傅里叶变换获取包络谱信号e(f)i。
6.根据权利要求1所述的一种基于滚动轴承特征分布的早期故障时刻点识别方法,其特征在于,步骤S3包括以下步骤:
S3.1、计算滚动轴承外圈故障特征频率fouter、内圈故障特征频率finner、保持架故障特征频率fcage以及滚动体故障特征频率froller,选择出四个故障特征频率中最大的特征频率记为fmax;
S3.2、利用推土机距离(Wasserstein Distance),求解第i段信号样本的e(f)i与第1段信号样本间的e(f)1特定频带范围内的包络谱特征分布距离wi1,获取推土机距离矩阵w。
8.根据权利要求6所述的一种基于滚动轴承特征分布的早期故障时刻点识别方法,其特征在于,步骤S3.2中,特定频带范围为[0Mfmax],其中推土机距离公式以及特征分布距离wij如下:
其中,e(f)i与e(f)j分别为第i段信号样本和第j段信号样本下频带范围内的包络谱信号;Pr和Pg分别为第i段信号样本和第j段信号样本下的包络谱信号e(f)i和e(f)j的边缘分布;Π(Pr,Pg)代表所有联合分布的集合,γ代表每一个可能的联合分布;E为期望计算;
w=[w11…wi1…wN1] (8)
其中,wi1为第i段信号样本e(f)i与第1段信号样本间e(f)1特定频带范围内的包络谱特征分布距离即推土机距离,w为推土机距离矩阵。
10.根据权利要求1~9任一项所述的一种基于滚动轴承特征分布的早期故障时刻点识别方法,其特征在于,步骤S5中,为了更精确的确定轴承早期故障时刻点,防止噪声等其他偶然因素导致特征分布距离意外超过设定的阈值Threshold,设定如下超过阈值准则:当推土机距离矩阵w中连续三个推土机距离超过设定阈值时,确定这三个推土机距离中的第一个推土机距离对应的第i段信号样本对应的时刻为早期故障发生时刻点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210074685.9A CN114526915B (zh) | 2022-01-21 | 2022-01-21 | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210074685.9A CN114526915B (zh) | 2022-01-21 | 2022-01-21 | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114526915A true CN114526915A (zh) | 2022-05-24 |
CN114526915B CN114526915B (zh) | 2022-12-16 |
Family
ID=81621697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210074685.9A Active CN114526915B (zh) | 2022-01-21 | 2022-01-21 | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114526915B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110987436A (zh) * | 2020-03-05 | 2020-04-10 | 天津开发区精诺瀚海数据科技有限公司 | 基于激励机制的轴承故障诊断方法 |
CN111026058A (zh) * | 2019-12-16 | 2020-04-17 | 浙江大学 | 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN113239610A (zh) * | 2021-01-19 | 2021-08-10 | 昆明理工大学 | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 |
CN113505664A (zh) * | 2021-06-28 | 2021-10-15 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
-
2022
- 2022-01-21 CN CN202210074685.9A patent/CN114526915B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026058A (zh) * | 2019-12-16 | 2020-04-17 | 浙江大学 | 基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法 |
CN110987436A (zh) * | 2020-03-05 | 2020-04-10 | 天津开发区精诺瀚海数据科技有限公司 | 基于激励机制的轴承故障诊断方法 |
AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
CN113239610A (zh) * | 2021-01-19 | 2021-08-10 | 昆明理工大学 | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 |
CN113505664A (zh) * | 2021-06-28 | 2021-10-15 | 上海电力大学 | 一种风电机组行星齿轮箱故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
FEI JIANG 等: "Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis", 《JOURNAL OF SOUND AND VIBRATION》 * |
李远政 等: "齿轮故障振动信号精确幅值解调方法", 《重庆理工大学学报(自然科学)》 * |
赵晓辉: "复杂工况下的故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114526915B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra | |
CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及*** | |
CN110307895B (zh) | 异声判定装置以及异声判定方法 | |
CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
CN110163190B (zh) | 一种滚动轴承故障诊断方法及装置 | |
CN110816588B (zh) | 一种机车车轮失圆检测方法、装置、设备及*** | |
JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
CN115046764B (zh) | 一种滚动轴承早期故障诊断方法 | |
CN115165079A (zh) | 一种基于多种声音特征分析的设备报警方法 | |
CN109241838A (zh) | 基于心理声学客观参数的变速器质量评价方法 | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN114660378A (zh) | 一种基于多源检测参数的接触网综合诊断方法 | |
CN114526915B (zh) | 一种基于滚动轴承特征分布的早期故障时刻点识别方法 | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
Tsiapoki et al. | Combining a vibration-based SHM scheme and an airborne sound approach for damage detection on wind turbine rotor blades | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
CN113688791A (zh) | 一种风电机组cms异常数据包识别方法 | |
CN113049251A (zh) | 一种基于噪声的轴承故障诊断方法 | |
CN113758627A (zh) | 一种供水管网瞬变流事件检测方法 | |
CN109357751B (zh) | 一种电力变压器绕组松动缺陷检测*** |
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 |