CN102156042B - 一种基于信号多特征匹配的齿轮故障诊断方法 - Google Patents
一种基于信号多特征匹配的齿轮故障诊断方法 Download PDFInfo
- Publication number
- CN102156042B CN102156042B CN2011100657448A CN201110065744A CN102156042B CN 102156042 B CN102156042 B CN 102156042B CN 2011100657448 A CN2011100657448 A CN 2011100657448A CN 201110065744 A CN201110065744 A CN 201110065744A CN 102156042 B CN102156042 B CN 102156042B
- Authority
- CN
- China
- Prior art keywords
- signal
- dictionary
- matching
- projection
- atom
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于信号多特征匹配的齿轮故障诊断方法。本发明将齿轮振动信号逐次迭代分解成基于信号多特征字典的m项原子的线性组合。信号多特征字典由Fourier字典和冲击时频字典两个子特征字典组成,子特征字典依据信号的不同结构成分特点而建立。在信号的每次迭代分解过程中,采用遗传算法在各子特征字典中各寻求一个最匹配原子,求子投影,将各子投影的加权平均作为总投影,信号减去总投影形成残差信号以供下次分解。分解结束得到信号在各子特征字典上的最佳匹配原子和匹配系数。然后,对匹配系数进行阈值处理以降噪,并将基于冲击时频字典的匹配原子重构,可得到相应的冲击成分,继而解调提取齿轮振动信号的故障信息进行故障诊断。
Description
技术领域
本发明属于故障诊断技术领域,涉及一种齿轮故障诊断方法,特别涉及一种基于信号多特征匹配的齿轮故障诊断方法。
背景技术
齿轮是旋转类机械的重要组成部件,对其运转状态的检测和故障诊断具有很重要的意义。其故障振动信号是一类典型的非平稳信号,较平稳信号而言,其分布参数或者分布规律随时间发生变化,工程实际中所接触的往往也是非平稳信号,所以此类信号的研究对于工程应用具有极其重要的意义。
在信号的分析中,对信号的表达最基本形式包括时域表达和频域表达。时域形式简易直观,而频域表达更能反映信号内涵的信息。然而对于复杂的非平稳信号而言,单纯的时域表示或频域表示都不能完整刻画信号富含的特征信息。因此时频表达应运而生。典型的时频分析方法有短时傅里叶变化、Wigner-Ville分布、小波变换、Hilbert-Huang变换等,但一般的时频分析方法由于其分解基函数的单一对复杂信号的表达缺乏自适应性。
为了实现对信号更加灵活、更加简洁和自适应的表示,在小波分析的基础上,Mallat和Zhang总结了前人的研究成果,于1993年提出了信号在过完备字典上分解的思想:基函数用称之为字典的过完备的冗余函数系统取代,字典中的元素被称为原子,从字典中找到具有最佳线性组合的m项原子来表示一个信号,被称作是信号的稀疏逼近。并提出基于时频字典的匹配追踪算法,是一种逐步近似来求信号的稀疏化表达的策略。该算法从字典中挑选一组基元函数即原子来计算信号的一个线性展开,并通过求解信号在各原子上的正交投影对信号进行连续逼近。
但齿轮故障振动信号结构成分复杂,且具有大量噪声和瞬态特征,基于单一字典的匹配追踪算法往往难以实现不同结构成分分离,难以提取故障特征。
发明内容
为了解决匹配追踪算法在齿轮故障诊断中的上述技术问题,本发明提供了一种基于信号多特征匹配的齿轮故障诊断方法。
本发明解决上述技术问题的技术方案包括采集齿轮振动信号、对齿轮振动信号进行基于多特征字典的信号多特征匹配追踪稀疏分解、匹配系数阈值处理、冲击分量重构、对冲击分量解调处理得到故障特征等步骤。
齿轮振动信号主要由齿轮的啮合效应和旋转运动引起,故障齿轮振动信号中还会出现冲击和瞬态振动特征。因此构造Fourier字典D1和冲击时频字典D2构成多特征字典:
Fourier字典的基元函数是正弦函数,为:
φfou(f,γ)=Kfousin(2πft+γ)
其中f为频率参数,γ为相位参数,Kfou为归一化系数,为保证每个原子具有单位能量,即||φfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,为:
其中p为冲击响应的阻尼衰减特性,u为冲击响应事件发生的初始时刻,f对应于系统的阻尼固有频率,Φ为相位偏移,Kimp为归一化系数。
多特征匹配追踪稀疏分解算法包括以下步骤:
(2.1)根据齿轮振动信号的结构特点选择Fourier字典D1和冲击时频字典D2构成多特征字典D;
(2.2)将原始信号x(t)赋给残差信号,得到初始残差r0=x(t);
(2.3)残差信号rm,m=0,1,2,...,M-1,M为迭代次数,在各特征字典Di中各寻求一个最佳匹配原子dmi满足|<rm,dmi>|=sup|<rm,di>|,i=1,2,求出各投影系数cmi,投影系数通过计算残差信号与匹配原子的内积实现,即:cmi=<rm,dmi>,信号rm在原子dmi上的投影可表示为投影系数cmi与原子dmi的乘积,各投影的加权平均作为总投影,即:
(2.4)残差信号减去总投影,得到新的残差信号:rm+1=rm-pm;
(2.5)查看是否满足迭代终止条件,即残差信号能量小于设定阈值,或残差信号与初始信号能量比小于设定阈值。如果满足,转到步骤(2.6),否则返回步骤(2.3);
(2.6)稀疏分解结束,得到各阶匹配系数cmi和各阶匹配原子dmi。
重构算法是分解算法的逆过程,计算公式如下:
在重构算法中进行阈值降噪处理:在每一次重构计算中,如果对于低于某一组阈值Ti的投影系数cmi,将其置零,而大于或等于阈值的投影系数,保持不变,即:
阈值计算公式为:σi为各阶匹配系数的标准差,Mi为匹配系数的个数,即迭代次数。
那么阈值处理后的重构算法计算公式为:
若只重构由Fourier原子组成的分量,即:称之为谐波分量,体现了齿轮运动的旋转和啮合效应;若只重构由冲击时频原子组成的分量,即:称之为冲击分量,体现了故障齿轮运动的冲击效应。
在匹配追踪每次迭代过程中,采用遗传算法寻求最佳匹配原子。该算法具体步骤为:首先对构造特征字典所需的参数组进行联合编码,随机产生一个具有一定规模N的初始种群;每组参数对应一个个体,按一定的概率进行交叉、变异;计算每个个体的适应值;选择适应值最大的最佳个体直接进入下一代,再用随机遍历法从母代中抽选N-1一个个体进入下一代,所有下一代个体组成新种群;新种群重复交叉、变异、计算适应值、选择等操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应值最大的个体作为最优参数组,解码代入基元函数形成最佳匹配原子。
本发明的技术效果在于:将齿轮振动信号逐次迭代分解成基于信号多特征字典的m项原子的线性组合。信号多特征字典由Fourier字典和冲击时频字典两个子特征字典组成,子特征字典依据信号的不同结构成分特点而建立。在信号的每次迭代分解过程中,采用遗传算法在各子特征字典中各寻求一个最匹配原子,求子投影,将各子投影的加权平均作为总投影,信号减去总投影形成残差信号以供下次分解。分解结束得到信号在各子特征字典上的最佳匹配原子和匹配系数。然后,对匹配系数进行阈值处理以降噪,并将基于冲击时频字典的匹配原子重构,可得到相应的冲击成分,继而解调提取齿轮振动信号的故障信息进行故障诊断。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。
图1是本发明的基于信号多特征匹配的信号稀疏分解流程图。
图2是本发明的基于信号多特征匹配的齿轮故障诊断方法整体流程图。
图3是本发明中模拟的存在裂纹局部故障的齿轮振动信号染噪后的时域波形及频谱图。
图4是本发明中对匹配系数硬阈值处理后重构的冲击分量波形及频谱图。
图5是本发明中对重构后的冲击分量进行解调处理得到的解调谱。
具体实施方式
图1为本发明的基于信号多特征匹配的信号稀疏分解流程图。下面结合流程图对基于信号多特征匹配的信号稀疏分解方法原理进行详细说明。
(1)利用加速度振动传感器对齿轮箱进行测量,获得振动加速度信号作为待分析信号x(t),采样长度定为2的整数次方,根据轴承转速和齿轮齿数设定采样频率;
(2)齿轮振动信号主要由齿轮的啮合效应和旋转运动引起,故障齿轮振动信号中还会出现冲击和瞬态振动特征。针对信号的结构特点,构造Fourier字典作为子特征字典D1,构造冲击时频字典作为子特征字典D2,两者构成信号多特征字典D。
Fourier字典的基元函数是正弦函数,为:
φfou(f,γ)=Kfousin(2πft+γ)
其中f为频率参数,γ为相位参数,Kfou为归一化系数,为保证每个原子具有单位能量,即||φfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,为:
其中p为冲击响应的阻尼衰减特性,u为冲击响应事件发生的初始时刻,f对应于系统的阻尼固有频率,Φ为相位偏移,Kimp为归一化系数。
对上述基元函数进行参数化,每一组参数对应一个原子,原子的集合构成字典;
(3)将待分析信号赋给初始残差信号r0=x(t);
(4)残差信号rm(m=0,1,2,...,M-1,M为迭代次数)在子特征字典D1和D2中各寻求一个最佳匹配原子dm1和dm2满足|<rm,dmi>|=sup|<rm,di>|,i=1,2。
采用遗传算法寻求最佳匹配原子,具体步骤为:首先对构造特征字典所需的参数组进行联合编码,随机产生一个具有一定规模N的初始种群;每组参数对应一个个体,按一定的概率进行交叉、变异;计算每个个体的适应值;选择适应值最大的最佳个体直接进入下一代,再用随机遍历法从母代中抽选N-1一个个体进入下一代,所有下一代个体组成新种群;新种群重复交叉、变异、计算适应值、选择等操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应值最大的个体作为最优参数组,解码代入基元函数形成最佳匹配原子;
(5)求残差信号在子特征字典D1和D2上的投影系数cm1和cm2,投影系数通过计算残差信号与匹配原子的内积实现,即:cmi=<rm,dmi>,信号rm在原子dmi上的投影可表示为投影系数cmi与原子dmi的乘积,各投影的加权平均作为总投影,即:
其中ai为各特征字典的加权系数且
(6)残差信号减去总投影,得到新的残差信号:rm+1=rm-pm;
(7)查看是否满足迭代终止条件(如:迭代达到一定次数,残差信号能量小到一定阈值,残差信号与初始信号能量比小到一定阈值等)。如果满足,转到步骤(8),否则返回步骤(4);
(8)分解结束,得到各阶匹配系数cmi和各阶匹配原子dmi。
重构算法是分解算法的逆过程,计算公式如下:
对上式进行阈值降噪处理,在每一次重构计算中,如果对于低于某一组阈值Ti的投影系数cmi,将其置零,而大于或等于阈值的投影系数,保持不变,即:
那么阈值降噪处理后的重构算法计算公式为:
阈值降噪处理后,若令所有基于冲击时频字典的匹配系数cm2=0,重构,即:可得到只由Fourier原子重构的分量,称之为谐波分量,体现了齿轮运动的旋转和啮合效应;若令所有基于Fourier字典的匹配系数cm1=0,重构,即:可得到只由冲击时频原子重构的分量,称之为冲击分量,体现了故障齿轮运动的冲击效应。
将降噪后的冲击分量进行解调处理即可提取出故障特征。图2为本发明提出的齿轮故障诊断方法其整体流程图。
图3模拟一个染噪后的含有裂纹局部故障的齿轮振动信号x(t)时域波形及频谱图,齿数为25,转频为60Hz。采样频率为15360Hz,采样点数为2048点。可以看出,在噪声影响下,周期性冲击特征并不明显。采用基于信号多特征匹配的信号稀疏分解算法分解信号,得到各阶Fourier原子dm1及其匹配系数cm1和各阶冲击时频原子dm2及其匹配系数cm2。
然后重构冲击分量,即:
图4为硬阈值处理后重构的冲击分量波形及频谱图。
图5为冲击分量解调谱,可以看出,故障特征频率60Hz(即转频)及谐频清晰可见,从而实现故障特征提取。
Claims (6)
1.一种基于信号多特征匹配的齿轮故障诊断方法,其特征在于包括以下步骤:
(1)利用加速度振动传感器对齿轮箱进行测量,采集加速度振动信号作为待分析信号;
(2)对待分析信号进行基于多特征字典的信号多特征匹配追踪算法稀疏分解,得到基于各子特征字典的各阶匹配原子和匹配系数;
(3)对各阶匹配系数进行阈值降噪处理;
(4)重构冲击分量;
(5)对冲击分量进行解调处理得到故障特征。
2.根据权利要求1所述的基于信号多特征匹配的齿轮故障诊断方法,其特征在于所述步骤(2)中多特征字典由Fourier字典D1和冲击时频字典D2构成;
Fourier字典的基元函数是正弦函数,为:
φfou(f,γ)=Kfousin(2πft+γ)
其中f为频率参数,γ为相位参数,Kfou为归一化系数,为保证每个原子具有单位能量,即||φfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,为:
其中p为冲击响应的阻尼衰减特性,u为冲击响应事件发生的初始时刻,f对应于系统的阻尼固有频率,Φ为相位偏移,Kimp为归一化系数。
3.根据权利要求1所述的基于信号多特征匹配的齿轮故障诊断方法,其特征在于所述步骤(2)中多特征匹配追踪稀疏分解算法包括以下步骤:
(2.1)根据齿轮振动信号的结构特点构造Fourier字典D1和冲击时频字典D2构成多特征字典D;
(2.2)将原始信号x(t)赋给残差信号,得到初始残差r0=x(t);
(2.3)残差信号rm,m=0,1,2,...,M-1,M为迭代次数,在各特征字典Di中各寻求一个最佳匹配原子dmi满足|<rm,dmi>|=sup|<rm,di>|,i=1,2,求出各投影系数cmi,投影系数通过计算残差信号与匹配原子的内积实现,即:cmi=〈rm,dmi〉,信号rm在原子dmi上的投影可表示为投影系数cmi与原子dmi的乘积,各投影的加权平均作为总投影,即:
(2.4)残差信号减去总投影,得到新的残差信号:rm+1=rm-pm;
(2.5)查看是否满足迭代终止条件,即残差信号能量小于设定阈值,或残差信号与初始信号能量比小于设定阈值;如果满足,转到步骤(2.6),否则返回步骤(2.3);
(2.6)稀疏分解结束,得到各阶匹配系数cmi和各阶匹配原子dmi。
6.根据权利要求3所述的基于信号多特征匹配追踪稀疏分解算法,其特征在于所述步骤(2.3)中寻求最佳匹配原子采用遗传算法,其具体步骤为:首先对构造特征字典所需的参数组进行联合编码,随机产生一个具有一定规模N的初始种群;每组参数对应一个个体,按一定的概率进行交叉、变异;计算每个个体的适应值;选择适应值最大的最佳个体直接进入下一代,再用随机遍历法从母代中抽选N-1一个个体进入下一代,所有下一代个体组成新种群;新种群重复交叉、变异、计算适应值、选择操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应值最大的个体作为最优参数组,解码代入基元函数形成最佳匹配原子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100657448A CN102156042B (zh) | 2011-03-18 | 2011-03-18 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100657448A CN102156042B (zh) | 2011-03-18 | 2011-03-18 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102156042A CN102156042A (zh) | 2011-08-17 |
CN102156042B true CN102156042B (zh) | 2012-11-21 |
Family
ID=44437622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100657448A Expired - Fee Related CN102156042B (zh) | 2011-03-18 | 2011-03-18 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156042B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8963733B2 (en) * | 2012-02-13 | 2015-02-24 | Honeywell International Inc. | System and method for blind fault detection for rotating machinery |
CN102901630A (zh) * | 2012-10-29 | 2013-01-30 | 宣化钢铁集团有限责任公司 | 基于自适应冗余提升小波降噪分析的轴承故障识别方法 |
CN103018044B (zh) * | 2012-11-22 | 2015-06-03 | 北京工业大学 | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 |
CN103076084A (zh) * | 2012-12-07 | 2013-05-01 | 北京物资学院 | 一种基于FrDT-CWT的匹配追踪微弱信号的提取方法 |
CN103267652B (zh) * | 2013-05-24 | 2015-05-20 | 北京工业大学 | 一种智能早期设备故障在线诊断方法 |
CN103728130B (zh) * | 2013-10-10 | 2015-05-27 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN103927761A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于稀疏表示的故障微弱信号特征提取方法 |
CN104111172B (zh) * | 2014-07-17 | 2017-04-05 | 北京工业大学 | 一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法 |
CN104089774B (zh) * | 2014-07-25 | 2016-05-25 | 北京工业大学 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
CN104316317A (zh) * | 2014-10-08 | 2015-01-28 | 西北工业大学 | 一种基于com组件的齿轮系统多故障诊断方法 |
CN104792520A (zh) * | 2015-04-09 | 2015-07-22 | 中山火炬职业技术学院 | 风力发电机组齿轮箱故障诊断方法 |
CN105004523B (zh) * | 2015-08-04 | 2017-07-21 | 潍坊学院 | 基于加权相似性测度的滚动轴承状态监测方法 |
CN105116208B (zh) * | 2015-08-18 | 2018-03-06 | 昆明理工大学 | 一种特高压直流输电系统换相失败故障诊断方法 |
CN105606205B (zh) * | 2015-12-23 | 2018-06-08 | 南京南瑞继保电气有限公司 | 一种旋转设备的振动越限判别装置及方法 |
CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
CN106599775A (zh) * | 2016-11-01 | 2017-04-26 | 合肥工业大学 | 一种改进的正交匹配特征提取方法 |
CN109765051A (zh) * | 2017-11-09 | 2019-05-17 | 核工业理化工程研究院 | 旋转机械偏摆量的测量装置及测量方法 |
CN109682892B (zh) * | 2018-12-26 | 2021-07-09 | 西安科技大学 | 一种基于时频分析的信号去噪方法 |
KR20220075322A (ko) * | 2019-10-09 | 2022-06-08 | 더 글리슨 웍스 | 기어 테스트를 위한 분석 시스템 및 방법 |
CN110907174B (zh) * | 2019-11-18 | 2021-09-21 | 华南理工大学 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
CN111323219B (zh) * | 2020-01-07 | 2022-03-29 | 中国人民解放军国防科技大学 | 利用振动信号对行星齿轮箱损伤进行早期检测的方法 |
CN111291491B (zh) * | 2020-02-19 | 2023-03-24 | 中南大学 | 面齿轮同轴分扭传动系统振动特性分析方法及系统 |
CN113775414B (zh) * | 2020-06-09 | 2022-12-23 | 广州汽车集团股份有限公司 | 车辆急踩油门工况下的冲击信号的提取方法、装置及介质 |
CN113281047A (zh) * | 2021-03-09 | 2021-08-20 | 北京工业大学 | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 |
CN114954587A (zh) * | 2022-06-28 | 2022-08-30 | 西安英特迈思信息科技有限公司 | 轨道工程车辆走行部故障分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2846089A1 (fr) * | 2002-10-22 | 2004-04-23 | Bernard Durr | Dispositif et procede de test acoustique et vibratoire de de pieces mecaniques |
CN101634589A (zh) * | 2009-08-21 | 2010-01-27 | 武汉钢铁(集团)公司 | 一种设备振动信号的处理方法 |
CN101936767A (zh) * | 2010-09-27 | 2011-01-05 | 上海交通大学 | 提取工程机械运特征信号的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19800217A1 (de) * | 1998-01-06 | 1999-07-15 | Flender Engineering & Service | Verfahren zur automatisierten Diagnose von Diagnoseobjekten |
-
2011
- 2011-03-18 CN CN2011100657448A patent/CN102156042B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2846089A1 (fr) * | 2002-10-22 | 2004-04-23 | Bernard Durr | Dispositif et procede de test acoustique et vibratoire de de pieces mecaniques |
CN101634589A (zh) * | 2009-08-21 | 2010-01-27 | 武汉钢铁(集团)公司 | 一种设备振动信号的处理方法 |
CN101936767A (zh) * | 2010-09-27 | 2011-01-05 | 上海交通大学 | 提取工程机械运特征信号的方法 |
Non-Patent Citations (2)
Title |
---|
JP特表2001-515600A 2001.09.18 |
高国华,张永忠.基于声卡的便携式齿轮箱故障诊断系统开发.《计算机工程与设计》.2004,第25卷(第3期),371-373. * |
Also Published As
Publication number | Publication date |
---|---|
CN102156042A (zh) | 2011-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102156042B (zh) | 一种基于信号多特征匹配的齿轮故障诊断方法 | |
CN104089774B (zh) | 一种基于并行多字典正交匹配的齿轮故障诊断方法 | |
Cui et al. | Matching pursuit of an adaptive impulse dictionary for bearing fault diagnosis | |
Wu et al. | Ensemble empirical mode decomposition: a noise-assisted data analysis method | |
CN102867132B (zh) | 基于分数阶小波变换的航空直流变换器在线故障组合预测方法 | |
Huang et al. | On instantaneous frequency | |
Li et al. | Enhanced generative adversarial networks for fault diagnosis of rotating machinery with imbalanced data | |
Zhou et al. | Fault feature extraction for rolling bearings based on parameter-adaptive variational mode decomposition and multi-point optimal minimum entropy deconvolution | |
CN104483127A (zh) | 一种行星齿轮微弱故障特征信息提取方法 | |
CN103226649B (zh) | 机械早期及复合故障的集成噪声重构经验模式分解方法 | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
CN104714925B (zh) | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 | |
CN104156585A (zh) | 一种基于多项指标特征的双字典匹配追踪轴承故障程度评价方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN103018044B (zh) | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
Mert et al. | Estimating the energy production of the wind turbine using artificial neural network | |
Guo et al. | Data‐driven multiscale sparse representation for bearing fault diagnosis in wind turbine | |
CN108507789A (zh) | 基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法 | |
Kaur et al. | Wind speed forecasting using hybrid wavelet transform-ARMA techniques | |
CN104573371A (zh) | 基于最优小波包变换和ar-svm的非平稳风速预测方法 | |
CN102881293A (zh) | 一种适用于语音压缩感知的过完备字典构造方法 | |
CN110119816A (zh) | 一种适用于非侵入式电力监测的负荷特征自学习方法 | |
CN108830411A (zh) | 一种基于数据处理的风电功率预测方法 | |
CN103776901A (zh) | 基于振动响应信息的粘弹夹层结构老化状态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121121 Termination date: 20130318 |