CN102243140B - 一种基于子带信号分析的机械设备状态监测方法 - Google Patents

一种基于子带信号分析的机械设备状态监测方法 Download PDF

Info

Publication number
CN102243140B
CN102243140B CN 201110053539 CN201110053539A CN102243140B CN 102243140 B CN102243140 B CN 102243140B CN 201110053539 CN201110053539 CN 201110053539 CN 201110053539 A CN201110053539 A CN 201110053539A CN 102243140 B CN102243140 B CN 102243140B
Authority
CN
China
Prior art keywords
signal
sub
mechanical equipment
analysis
state monitoring
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
Application number
CN 201110053539
Other languages
English (en)
Other versions
CN102243140A (zh
Inventor
杨彦利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DALIAN SHENGLILAI MONITORING TECHNOLOGY Co Ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN 201110053539 priority Critical patent/CN102243140B/zh
Publication of CN102243140A publication Critical patent/CN102243140A/zh
Application granted granted Critical
Publication of CN102243140B publication Critical patent/CN102243140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于子带信号分析的机械设备状态监测方法,属于机械设备状态监测领域。该方法用多级滤波器对从机械设备测取的状态信号进行多级滤波后得到一组子带信号,求取该组子带信号的包络,针对原始状态信号、子带信号及其包络信号进行信号处理,然后进行故障征兆提取,再根据提取的故障征兆信息来判断机械设备的运行状态。本方法通过子带信号分析,并结合对原始信号的分析进行故障诊断,可以更有效的监测机械设备的状态,本发明的方法可以广泛应用于石油、化工、冶金等众多行业的机械设备状态的离线和在线监测。

Description

一种基于子带信号分析的机械设备状态监测方法
技术领域
本发明涉及一种机械设备状态监测方法,具体地涉及一种基于子带信号分析的机械设备状态监测方法,属于机械设备状态监测领域。
背景技术
随着工业生产的日益现代化和安全生产意识的不断提高,机械设备的安全运行不仅是企业生产正常进行的必要条件,也是避免生产事故的前提。状态监测技术可以及时发现机械设备的故障,并且能够在一定程度上预报机械设备潜在的故障而得到了广泛应用。
机械设备状态监测用于为工程技术人员提供详细、全面的设备运行状态信息,提供设备的故障征兆信息,为设备的及时维修提供依据。机械设备的状态监测一般包括:状态信号的获取、故障征兆提取、运行状态识别及故障诊断三个步骤。故障诊断依赖于完善有效的故障征兆,也依赖于可靠的信号处理方法。因此可以说,故障征兆提取是机械设备状态监测的关键,而先进的信号处理方法是实现故障征兆提取的有力保障。
机械设备的一些故障征兆信息往往只出现某一窄带范围内,比如,齿轮故障的很多信息就以调制边频带的形式出现在齿轮啮合频率的周围。包络检波是目前提取边频带成分的一种有效方法,而通过单一的带通滤波器进行包络分析,很难全面提取隐含在不同调制频带内的故障征兆信息,甚至会在包络中引入虚假频率成分。将信号分解成若干个子带信号,通过分析子带信号有助于提取故障的特征信息。小波变换可以将信号从高频到低频分解成一组子带信号,可是子带信号的带宽与小波变换分解的层数有关,不能根据实际需要而灵活变更,况且实际应用中对众多小波基的合理选取也是一个难题。经验模态分解(EMD)虽然能够自适应的将信号分解成若干个子带信号,但EMD目前还缺乏严格的理论基础,它不能确保分解得到的每个子带信号都有明确的物理意义。因此,通过分析这些方法的子带信号来监测机械设备的状态在技术上还不够成熟。
发明内容
本发明的目的是为了解决现有子带信号分析用于机械设备状态监测不足的问题,提出一种基于子带信号分析的机械设备状态监测方法,用于机械设备运行状态的分析,以更好的监测机械设备的运行状态。
该方法的原理为:用多级滤波器对从机械设备测取的状态信号进行多级滤波后得到一组子带信号,求取该组子带信号的包络,针对原始状态信号、子带信号及其包络信号进行信号处理,然后进行特征提取以获取机械设备的故障征兆信息,再根据提取的故障征兆信息来判断机械设备的运行状态。
本发明的一种基于子带信号分析的机械设备状态监测方法,具体包括如下步骤:
步骤1.对于待监测的机械设备,利用传感器测取该机械设备运行的状态信号;
步骤2.对步骤1获取的状态信号进行预处理,得到适合计算机处理的数字信号;
步骤3.设计多级滤波器,对步骤2处理后的数字信号进行多级滤波处理,得到一组子带信号;
步骤4.对步骤3得到的子带信号进行包络分析,求取子带信号的包络;
步骤5.对步骤2预处理后的状态信号、步骤3得到的子带信号和步骤4得到的子带信号的包络信号进行信号处理;
步骤6.对步骤5的信号处理结果进行特征提取;
步骤7.利用步骤6提取的特征,对机械设备的运行状态进行分析,得到该机械设备的运行状态的分析结果。
有益效果
本发明利用多级滤波器来处理机械设备运行的状态信号,可将测取的信号分解成一组窄带子带信号,进而从子带信号中提取机械设备的状态信息。通过对子带信号的分析来诊断机械设备的故障,可以有效检测出形成边频带的低频信号,可用于轴承、齿轮箱等部件的状态监测。结合对原始信号的处理,可以更有效的监测机械设备的状态。本发明的方法既适用于机械设备状态的在线实时监测,也适用于机械设备状态的离线监测。本发明的方法可以广泛应用于石油、化工、冶金等众多行业的机械设备状态监测。
附图说明
图1为本发明的基于子带信号分析的机械设备状态监测原理图;
图2为本发明的具体实施方式中多级滤波器模块结构框图;
图3为本发明的具体实施方式中仿真信号及其频谱;
图4为本发明的具体实施方式中对图3信号多级滤波后的子带信号;
图5为图4中各子带信号的频谱;
图6为图4中各子带信号的上包络;
图7为图6中各上包络信号的频谱。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实施例对本发明作进一步的详细说明:
一种基于子带信号分析的机械设备状态监测方法,其总体技术方案如图1所示,具体包括如下步骤:
步骤1.对于待监测的机械设备,利用传感器测取该机械设备运行的状态信号;
机械设备运行的状态信号包括振动信号、噪声信号、温度信号等能够反映机械设备运行状态的信号;
步骤2.对步骤1的状态信号进行预处理,预处理过程包括功率放大、滤波、调制与解调、采样与量化处理,得到适合计算机处理的数字信号,处理后的信号记为x(n);
步骤3.设计多级滤波器,对步骤2处理后的信号进行多级滤波处理,得到一组子带信号vk(n);
本发明的多级滤波器模块如图2所示,其中HPF表示高通滤波器,多级滤波器由若干个高通滤波器组成,高通滤波器的截止频率和个数根据实际需要来设置;假设多级滤波器由i>1个高通滤波器组成,第一级到第i级高通滤波器的截止频率分别记为ω1,ω2,…ωi,那么就有ω1>ω2>…>ωi,亦即若b1=ωii-1,则有bi∈(0,1),而b1,b2,…bi的取值可以相同,也可以不同;
多级滤波器对信号x(n)的处理过程如下:
1)信号x(n)经一个高通滤波器滤波后得到一个高频信号v1(n);
2)从信号x(n)中减去高频信号v1(n),得到r1(n)=x(n)-v1(n);
3)将信号r1(n)高通滤波后得到高频信号v2(n),信号r1(n)与v2(n)相减后得到r2(n)=r1(n)-v2(n);
4)继续对信号r2(n)进行高通滤波,以得到更多的子带信号,子带信号的个数取决于多级滤波器中高通滤波器的个数;
步骤4.对步骤3得到的子带信号进行包络分析,求取子带信号的包络信号,并记为ek(n);
信号的包络可用RC网络来硬件获取;也可以用软件获取,软件获取的方法是首先找出信号的所有局部极值点,然后针对局部极大值序列进行样条插值拟合形成上包络线,针对局部极小值序列进行样条插值拟合形成下包络线;若子带信号vk(n)是窄带信号,也可以用希尔伯特(Hilbert)变换方法来提取包络信号,即ek(n)可以表示为
| e k ( n ) | = v k 2 ( n ) + v ^ k 2 ( n )
其中表示vk(n)的Hilbert变换。
步骤5.对步骤2预处理后的状态信号x(n)、步骤3得到的子带信号vk(n)和步骤4得到的子带信号的包络信号进行信号处理;
信号处理的过程包含从时域、频域、时-频域的角度对信号进行的描述,具体包括:时域波形分析、相关分析、统计分析、频谱分析、短时傅里叶变换、Wigner-Ville分布、细化谱分析、功率谱分析、倒谱分析、基于人工神经网络的专家系统等分析方法;
步骤6.对步骤5的信号处理结果进行特征提取,得到一组能够反映设备状态的信息;
步骤7.利用步骤6提取的特征,对机械设备的运行状态进行分析,得到该机械设备的运行状态的分析结果。
实施例
以一个仿真信号为例来进行说明。图3为本实施例的仿真信号及其频谱,其中上面是时域波形图,下面是频谱图,仿真信号的组成为
x ( t ) = Σ j = 1 5 x j ( t ) + ( 1 + x 6 ( t ) + x 7 ( t ) ) x 8 ( t ) + n ( t )
其中n(t)表示加性高斯白噪声信号,由频谱图上可以看到,该仿真信号中含有一些高次谐频成分,并在高频成分460Hz周围伴有一些边带信息;
对图3信号进行多级滤波器滤波后得到的子带信号如图4所示,其中多级滤波器由4个高通滤波器组成。图4中的各个子带信号的频谱如图5所示。结合图4和图5可以看到,图3的信号经多级滤波器分解后的子带信号相互之间在频谱上重叠很少,这些子带信号无论在时域还是在频域都能够更清晰的反映原始信号的局部信息。
图4中各子带信号的上包络如图6所示,而上包络的频谱图如图7所示。由图5可知,高频信号及其边带被分解到了第三个子带信号v3中,而由图7可知子带信号v3的上包络频谱中26Hz和52Hz是幅值最大的两个频率成分,结合图3原始信号的频谱图可以发现,这两个频率成分正是被460Hz频率成分调制的低频信号,也就是有效的提取了形成边频带的低频信号,从而可以更加完备的提取机械设备的故障征兆信息。另外,由图7的第四个子图和第五个子图可以看到,它们都含有60Hz的频率成分,结合图5可知,这个60Hz频率成分是高次谐频周期性出现的结果。
需要指出的是,对多级滤波器参数的不同配置,尤其是高通滤波器截止频率设置的不同,会导致子带信号的不同,得到的包络信号也就会有所差异。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于子带信号分析的机械设备状态监测方法,其特征在于:具体包括如下步骤:
步骤1.对于待监测的机械设备,利用传感器测取该机械设备运行的状态信号;
步骤2.对步骤1获取的状态信号进行预处理,得到适合计算机处理的数字信号;
步骤3.设计多级滤波器,对步骤2处理后的数字信号进行多级滤波处理,得到一组子带信号;
步骤4.对步骤3得到的子带信号进行包络分析,求取子带信号的包络;
步骤5.对步骤2预处理后的状态信号、步骤3得到的子带信号和步骤4得到的子带信号的包络信号进行信号处理;
步骤6.对步骤5的信号处理结果进行特征提取;
步骤7.利用步骤6提取的特征,对机械设备的运行状态进行分析,得到该机械设备的运行状态的分析结果。
2.根据权利要求1所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:所述步骤1中机械设备运行的状态信号包括振动信号、噪声信号、温度信号中的一种或者几种。
3.根据权利要求1所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:所述步骤2中对信号进行预处理的过程包括功率放大、滤波、调制与解调、采样与量化处理方法。
4.根据权利要求1所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:所述的步骤3中多级滤波器由若干个高通滤波器组成,高通滤波器的截止频率和个数根据实际需要来设置;若第i级高通滤波器的截止频率记为ωi,并且令bi=ωii-1,则有bi∈(0,1),亦即高通滤波器的截止频率从第一级到最后一级逐级减小;对于整个多级滤波器,b1,b2,…bi的取值可以相同,也可以不同。
5.根据权利要求1或权利要求4所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:多级滤波器对信号x(n)的多级滤波过程如下:
1)信号x(n)经一个高通滤波器滤波后得到一个高频信号v1(n);
2)从信号x(n)中减去高频信号v1(n),得到r1(n)=x(n)-v1(n);
3)将信号r1(n)高通滤波后得到高频信号v2(n),信号r1(n)与v2(n)相减后得到r2(n)=r1(n)-v2(n);
4)继续对信号r2(n)进行高通滤波,以得到更多的子带信号,子带信号的个数取决于多级滤波器中高通滤波器的个数。
6.根据权利要求1所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:所述的步骤4中子带信号的包络采用RC网络的硬件方法获取或者采用软件方法获取。
7.根据权利要求6所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:所述采用软件方法获取是首先找出子带信号的所有局部极值点,然后针对局部极大值序列进行样条插值拟合形成上包络线,针对局部极小值序列进行样条插值拟合形成下包络线。
8.根据权利要求6所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:子带信号满足窄带信号条件时可采用希尔伯特变换方法来提取包络信号。
9.根据权利要求1所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:步骤5所述的信号处理方法包含从时域、频域和时-频域角度对信号进行的描述,具体描述方法包括:时域波形分析、相关分析、统计分析、频谱分析、短时傅里叶变换、Wigner-Ville分布、细化谱分析、功率谱分析、倒谱分析和基于人工神经网络的专家系统。
10.根据权利要求1所述的一种基于子带信号分析的机械设备状态监测方法,其特征在于:步骤6所述的特征提取是指从步骤5信号处理的结果中提取一组能够反映设备的状态的信息。
CN 201110053539 2011-04-18 2011-04-18 一种基于子带信号分析的机械设备状态监测方法 Active CN102243140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110053539 CN102243140B (zh) 2011-04-18 2011-04-18 一种基于子带信号分析的机械设备状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110053539 CN102243140B (zh) 2011-04-18 2011-04-18 一种基于子带信号分析的机械设备状态监测方法

Publications (2)

Publication Number Publication Date
CN102243140A CN102243140A (zh) 2011-11-16
CN102243140B true CN102243140B (zh) 2013-01-23

Family

ID=44961308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110053539 Active CN102243140B (zh) 2011-04-18 2011-04-18 一种基于子带信号分析的机械设备状态监测方法

Country Status (1)

Country Link
CN (1) CN102243140B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102620945B (zh) * 2011-12-22 2014-08-06 中国科学技术大学苏州研究院 基于1/3-二叉树稀疏谱图的非稳态信号检测方法
CN102759448B (zh) * 2012-06-26 2014-11-05 西安瑞特快速制造工程研究有限公司 基于柔性时域平均的齿轮箱故障检测方法
CN103018046B (zh) * 2012-12-13 2015-03-25 唐山轨道客车有限责任公司 高速动车组列车转向架轴承故障监测方法、装置及系统
CN103078687A (zh) * 2012-12-20 2013-05-01 北京交通大学 一种列车车载应答器传输单元无线链路干扰监测装置
CN103944177B (zh) * 2014-03-28 2015-08-05 河海大学 混合储能微网系统滤波器截止频率确定方法及输出功率控制方法
CN103994199B (zh) * 2014-05-27 2016-06-01 中能电力科技开发有限公司 基于状态监测的齿轮箱维护时间确定方法
CN104316323B (zh) * 2014-10-24 2017-01-11 西安交通大学 基于周期靶向的最优共振频带确定方法
CN104535323B (zh) * 2015-01-12 2017-03-08 石家庄铁道大学 一种基于角域‑时域‑频域的机车轮对轴承故障诊断方法
CN105740822B (zh) * 2016-02-01 2019-02-19 杭州杰牌传动科技有限公司 一种机械故障诊断优化方法及系统
CN105606353B (zh) * 2016-02-01 2018-03-16 杭州杰牌传动科技有限公司 一种机械故障诊断方法及系统
CN105738138B (zh) * 2016-02-04 2018-09-25 安徽容知日新科技股份有限公司 一种设备数据处理方法和装置
KR102179511B1 (ko) * 2016-10-14 2020-11-16 코우리츠 다이가꾸 호우진 오사카 연하 진단 장치 및 프로그램
CN106782608B (zh) * 2016-12-10 2019-11-05 广州酷狗计算机科技有限公司 噪声检测方法及装置
FR3069668B1 (fr) * 2017-07-27 2021-02-12 Safran Procede et dispositif de recherche d'un defaut susceptible d'affecter un dispositif mecanique tournant de transmission de puissance
CN107631867B (zh) * 2017-09-07 2019-10-15 天津工业大学 一种基于深度学习的旋转机械故障智能分类方法
CN108362942B (zh) * 2018-02-11 2020-11-20 中国铁道科学研究院集团有限公司 多成分信号的时频谱获取方法及装置
CN109799090B (zh) * 2019-01-08 2020-09-18 长安大学 采用频带3分区的经验小波变换的轴承特征频率提取方法
CN114501353B (zh) * 2020-10-23 2024-01-05 维沃移动通信有限公司 通信信息的发送、接收方法及通信设备
CN112197964B (zh) * 2020-12-07 2021-03-02 领伟创新智能系统(浙江)有限公司 一种基于谱pq-mean的局部冲击信号定位方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4493042A (en) * 1979-04-16 1985-01-08 Mitsubishi Denki Kabushiki Kaisha Bearing failure judging apparatus
US4669315A (en) * 1985-07-19 1987-06-02 Hitachi, Ltd. Rotating machinery diagnosis system with acoustic emission technique
US5679900A (en) * 1992-12-08 1997-10-21 Skf Condition Monitoring Envelope enhancement system for detecting paper machine press section anomalous vibration measurements
JP3221818B2 (ja) * 1995-08-24 2001-10-22 株式会社堀場製作所 測定セル長さの変更が容易な分析計
JP2003232674A (ja) * 2002-02-08 2003-08-22 Nsk Ltd 機械設備又は機器の異常診断方法及び異常診断装置
JP2005233789A (ja) * 2004-02-19 2005-09-02 Nsk Ltd 回転機械の異常診断方法、異常診断装置および異常診断システム
JP3875981B2 (ja) * 2004-03-17 2007-01-31 新日本製鐵株式会社 ころがり軸受の異常診断方法および装置
CN1926413A (zh) * 2004-10-18 2007-03-07 日本精工株式会社 机械设备的异常诊断系统
CN101852586A (zh) * 2009-03-30 2010-10-06 加特可株式会社 齿轮的压痕检测装置及齿轮的压痕检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02130429A (ja) * 1988-11-11 1990-05-18 Hitachi Ltd 機械の異常診断方法
JPH03221818A (ja) * 1990-01-29 1991-09-30 Toshiba Corp ころがり軸受の異常診断装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4493042A (en) * 1979-04-16 1985-01-08 Mitsubishi Denki Kabushiki Kaisha Bearing failure judging apparatus
US4669315A (en) * 1985-07-19 1987-06-02 Hitachi, Ltd. Rotating machinery diagnosis system with acoustic emission technique
US5679900A (en) * 1992-12-08 1997-10-21 Skf Condition Monitoring Envelope enhancement system for detecting paper machine press section anomalous vibration measurements
JP3221818B2 (ja) * 1995-08-24 2001-10-22 株式会社堀場製作所 測定セル長さの変更が容易な分析計
JP2003232674A (ja) * 2002-02-08 2003-08-22 Nsk Ltd 機械設備又は機器の異常診断方法及び異常診断装置
JP2005233789A (ja) * 2004-02-19 2005-09-02 Nsk Ltd 回転機械の異常診断方法、異常診断装置および異常診断システム
JP3875981B2 (ja) * 2004-03-17 2007-01-31 新日本製鐵株式会社 ころがり軸受の異常診断方法および装置
CN1926413A (zh) * 2004-10-18 2007-03-07 日本精工株式会社 机械设备的异常诊断系统
CN101852586A (zh) * 2009-03-30 2010-10-06 加特可株式会社 齿轮的压痕检测装置及齿轮的压痕检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡晓依,等.基于滤波器组分解的周期性振动冲击信号解调方法及其应用.《振动与冲击》.2008,第27卷(第8期), *

Also Published As

Publication number Publication date
CN102243140A (zh) 2011-11-16

Similar Documents

Publication Publication Date Title
CN102243140B (zh) 一种基于子带信号分析的机械设备状态监测方法
Moshrefzadeh et al. The Autogram: An effective approach for selecting the optimal demodulation band in rolling element bearings diagnosis
Qin et al. M-band flexible wavelet transform and its application to the fault diagnosis of planetary gear transmission systems
Guo et al. Fault feature extraction for rolling element bearing diagnosis based on a multi-stage noise reduction method
Yan et al. Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings
Qu et al. A new acoustic emission sensor based gear fault detection approach
CN110501631B (zh) 一种在线间歇故障检测与诊断方法
Obuchowski et al. Recent developments in vibration based diagnostics of gear and bearings used in belt conveyors
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
Yan et al. A feature selection framework-based multiscale morphological analysis algorithm for fault diagnosis of rolling element bearing
CN103901330A (zh) 一种xlpe电缆局部放电在线监测方法
CN103267947A (zh) 一种交流电机故障诊断与预测中的特征提取方法
CN114993640A (zh) 一种设备状态监测方法、装置、设备及计算机存储介质
Wang et al. Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum
Wang et al. Adaptive estimation of instantaneous angular speed for wind turbine planetary gearbox fault detection
Li et al. Optimal SES selection based on SVD and its application to incipient bearing fault diagnosis
CN110553821A (zh) 一种汽轮发电机组故障可视化诊断方法及系统
Deng et al. Adaptive parametric dictionary design of sparse representation based on fault impulse matching for rotating machinery weak fault detection
Min et al. Online condition diagnosis for a two-stage gearbox machinery of an aerospace utilization system using an ensemble multi-fault features indexing approach
Lu et al. Safety detection approach in industrial equipment based on RSSD with adaptive parameter optimization algorithm
Qu et al. Development of a new acoustic emission based fault diagnosis tool for gearbox
Gu et al. Weak fault feature extraction of rolling element bearings based on ensemble tunable Q-factor wavelet transform and non-dominated negentropy
Li et al. An advanced statistical method to analyze condition monitoring data collected from nuclear plant systems
CN112857798B (zh) 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置
CN117760481A (zh) 一种采煤机截割部故障监测方法及装置

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
ASS Succession or assignment of patent right

Owner name: KANG DALI

Free format text: FORMER OWNER: YANG YANLI

Effective date: 20130329

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 300160 HEDONG, TIANJIN TO: 116000 DALIAN, LIAONING PROVINCE

TR01 Transfer of patent right

Effective date of registration: 20130329

Address after: 116000 spring B5 District, Ganjingzi District, Liaoning, Dalian 18-4

Patentee after: Gang Dali

Address before: 300160 Tianjin City Hedong District Forest Road No. 63, Tianjin University of Technology School of information and Communication Engineering

Patentee before: Yang Yanli

ASS Succession or assignment of patent right

Owner name: DALIAN SHENGLILAI MONITORING TECHNOLOGY CO., LTD.

Free format text: FORMER OWNER: KANG DALI

Effective date: 20130521

C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20130521

Address after: 116000 spring B5 District, Ganjingzi District, Liaoning, Dalian 18-4

Patentee after: Dalian Shenglilai Monitoring Technology Co., Ltd.

Address before: 116000 spring B5 District, Ganjingzi District, Liaoning, Dalian 18-4

Patentee before: Gang Dali