CN102620928A - 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 - Google Patents

基于小波半软阈值和emd的风电齿轮箱故障诊断方法 Download PDF

Info

Publication number
CN102620928A
CN102620928A CN2012100530954A CN201210053095A CN102620928A CN 102620928 A CN102620928 A CN 102620928A CN 2012100530954 A CN2012100530954 A CN 2012100530954A CN 201210053095 A CN201210053095 A CN 201210053095A CN 102620928 A CN102620928 A CN 102620928A
Authority
CN
China
Prior art keywords
signal
imf
emd
wavelet
wind
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
Application number
CN2012100530954A
Other languages
English (en)
Inventor
孟宗
李姗姗
顾海燕
付立元
梁智
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN2012100530954A priority Critical patent/CN102620928A/zh
Publication of CN102620928A publication Critical patent/CN102620928A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，包括：A、利用加速度传感器对风电齿轮箱进行测量，获得振动加速度信号；B、对信号进行小波分解，采用小波半软阈值法进行消噪预处理，消除干扰噪声，得到降噪信号；C、对降噪信号进行EMD分解，得到各IMF分量；D、根据各IMF分量与原信号的相关系数，判断IMF分量的真伪，剔除IMF伪分量，对IMF真分量进行分析，选出含有故障特征的分量；E、获取含有故障特征分量的包络谱，从中提取故障特征。本发明采用小波半软阈值降噪与EMD方法相结合，是一种有效的故障特征信息提取方法。

Description

基于小波半软阈值和EMD的风电齿轮箱故障诊断方法
技术领域
本发明涉及机械工程技术领域，特别涉及一种基于小波半软阈值和EMD（Empirical Mode Decomposition，经验模态分解）的风电齿轮箱故障诊断方法。
背景技术
面对当前不可再生能源短缺的境况，许多国家都发展清洁能源，主要有风能、太阳能等，但规模最大的是风力发电。风能是一种清洁的永续能源，与传统能源相比，其具有使用便捷、可再生、成本低、无污染等特点，因此风力发电逐渐成为许多国家可持续发展战略的重要组成部分，发展潜力巨大。随着风电机组的广泛安装使用，风力发电机的故障也成为一个不容忽视的问题。近几年对风电机组主要部件的故障统计中，由齿轮箱、发电机、叶片引起的故障是风电机组故障的主要原因，其中齿轮箱的故障发生率在逐年增高，故障百分比已达到40%~50%，齿轮箱的状态监测与故障诊断已迫在眉睫。在齿轮箱故障诊断方面，由于风电场齿轮箱的工作环境一般比较恶劣，易受变载荷、强阵风的冲击以及环境温度变化的影响，涉及问题比较复杂，因素比较多，虽然近年来国内外学者取得了一定的研究成果，但对于齿轮箱的故障机理和特征提取研究仍然不够深入，需要进一步的完善和研究。
在传动过程中，齿轮箱的主要部件轴承、齿轮和轴受弯曲载荷、振动载荷等的作用，所以极易发生故障。齿轮箱的故障诊断即从振动信号中提取故障特征，若齿轮箱发生故障，其振动信号的能量分布就会发生变化，对该振动信号进行时频分析，提取故障特征，由此提出行之有效的诊断方法。在振动信号的时频分析方法中，较典型的方法有短时傅里叶变换、Wigner分布、小波变换等，尽管它们对非平稳信号的分析做出了较大的贡献，但是它们都是以傅里叶变换为其最终的理论依据，采用其分析非平稳信号容易产生虚假信号和假频等矛盾现象。
发明内容
（一）要解决的技术问题
本发明所要解决的问题是提供一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，以克服现有技术在故障诊断过程中容易产生虚假信号和假频的缺陷。
（二）技术方案
为达到上述目的，本发明提供一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，所述方法包括以下步骤：
A、利用加速度传感器对风电齿轮箱进行测量，获得振动加速度信号                                                
Figure 394261DEST_PATH_IMAGE001
；
B、对所述信号
Figure 997281DEST_PATH_IMAGE001
进行小波分解，采用小波半软阈值法进行消噪预处理，消除干扰噪声，得到降噪信号
Figure 640752DEST_PATH_IMAGE002
； 
C、对所述降噪信号
Figure 52884DEST_PATH_IMAGE002
进行EMD分解，得到各IMF（Intrinsic Mode Function，本征模函数）分量；
D、根据所述各IMF分量与原信号的相关系数，判断IMF分量的真伪，剔除IMF伪分量，对IMF真分量进行分析，选出含有故障特征的分量；
E、获取含有故障特征分量的包络谱，从中提取故障特征。
优选的，所述步骤B具体包括：
B1、选择一种小波基并确定小波分解层数
Figure 844122DEST_PATH_IMAGE003
，根据公式
Figure 922937DEST_PATH_IMAGE004
 
Figure 483231DEST_PATH_IMAGE005
对含噪声信号
Figure 51616DEST_PATH_IMAGE001
进行
Figure 267833DEST_PATH_IMAGE003
层分解，得到相应的小波分解系数；
其中，
Figure 212656DEST_PATH_IMAGE006
为逼近系数、
Figure 627456DEST_PATH_IMAGE007
为细节系数，
Figure 632321DEST_PATH_IMAGE008
和
Figure 132573DEST_PATH_IMAGE009
为滤波器脉冲响应，
Figure 553190DEST_PATH_IMAGE010
为分解尺度；
B2、对各个分解尺度下的细节系数选择一个阈值进行阈值量化处理，并采用小波半软阈值降噪方法处理小波系数，其中半软阈值函数为：
Figure 91006DEST_PATH_IMAGE011
  
Figure 1193DEST_PATH_IMAGE012
其中，
Figure 926424DEST_PATH_IMAGE013
、
Figure 213049DEST_PATH_IMAGE014
为上、下阈值。
B3、根据小波分解的逼近系数和经过量化处理后的第1层到第
Figure 602442DEST_PATH_IMAGE003
层的细节系数，根据公式进行信号的小波重构，通过重构算法获取降噪后的信号。
优选的，在所述步骤C中，各IMF分量满足过零点条件和均值条件；所述过零点条件为：在整个数据序列中，极值点数目和零交叉点数目之差的绝对值为0或1；所述均值条件为：在任意一点处，由局部极大值点构成的上包络线和由局部极小值点构成的下包络线对时间轴对称。
优选的，所述步骤C具体包括：
C1、确定降噪信号
Figure 186373DEST_PATH_IMAGE002
所有的局部极值点，用三次样条线将所有的局部极大值点连接起来形成上包络线，用三次样条线将所有的局部极小值点连接起来形成下包络线，使两条包络线间包含所有的信号数据；
C2、计算所述上包络线、下包络线的平均值
Figure 367956DEST_PATH_IMAGE016
；
C3、从信号
Figure 885525DEST_PATH_IMAGE002
中减去
Figure 847664DEST_PATH_IMAGE016
，得
Figure 413775DEST_PATH_IMAGE017
；
C4、判断
Figure 577428DEST_PATH_IMAGE017
是否满足IMF的条件，如果是，则
Figure 203581DEST_PATH_IMAGE017
为信号的第1个IMF分量；否则，将
Figure 819556DEST_PATH_IMAGE017
作为待分解信号重复步骤C1、C2和C3，直到满足IMF的条件，记该值为
Figure 38048DEST_PATH_IMAGE018
，则
Figure 897419DEST_PATH_IMAGE018
为信号
Figure 568572DEST_PATH_IMAGE002
的第1个IMF分量；
C5、从
Figure 742064DEST_PATH_IMAGE002
中减去，得到；将作为待分解信号重复步骤C1至 C4，得到信号
Figure 452739DEST_PATH_IMAGE002
的第2个IMF分量
Figure 708140DEST_PATH_IMAGE020
，重复循环
Figure 846997DEST_PATH_IMAGE021
次，得到信号
Figure 492742DEST_PATH_IMAGE002
的
Figure 804775DEST_PATH_IMAGE021
个IMF分量；当
Figure 852365DEST_PATH_IMAGE022
成为单调函数时，停止循环，得到被分解为
Figure 224441DEST_PATH_IMAGE021
个本征模函数和一个趋势项的信号
Figure 348693DEST_PATH_IMAGE023
。
（三）有益效果
1、本发明采用小波半软阈值与EMD方法相结合，提出了一种解决风电齿轮箱的状态监测与故障诊断问题的新方法；
2、采用小波半软阈值方法降噪，解决了硬阈值和软阈值这两种方法其本身的缺陷；
3、解决了EMD受噪声干扰影响较大的不足；
4、解决了IMF伪分量对EMD分解结果的影响；
5、可提高信噪比和抗干扰能力，增强故障诊断的精度。
附图说明
图1为本发明实施例的一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法的流程图；
图2为本发明实施例轴承内圈故障振动信号时域波形图；
图3为本发明实施例轴承内圈故障振动信号的包络谱图；
图4为本发明实施例轴承内圈故障振动信号小波半软阈值降噪结果图；
图5为本发明实施例轴承内圈故障振动信号降噪后的EMD分解结果（前三个IMF）图；
图6为本发明实施例轴承内圈故障振动信号降噪后的EMD分解结果（前三个IMF）包络谱图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在齿轮故障诊断过程中首先需要利用加速度传感器对齿轮箱进行测量，获得振动加速度信号
Figure 402099DEST_PATH_IMAGE001
，再对振动加速度信号进行分解，提取特征值。本发明利用EMD方法对振动加速度信号进行分解。
本发明实施例的一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法如图1所示，包括以下步骤：
步骤s101，利用加速度传感器对风电齿轮箱进行测量，获得振动加速度信号
Figure 304196DEST_PATH_IMAGE001
。
步骤s102，对所述信号
Figure 784856DEST_PATH_IMAGE001
进行小波分解，采用小波半软阈值法进行消噪预处理，消除干扰噪声，得到降噪信号
Figure 139614DEST_PATH_IMAGE002
。本实施例中，采用小波半软阈值法进行消噪预处理，包括以下步骤：
（1）选择一种小波基并确定小波分解层数
Figure 996712DEST_PATH_IMAGE003
，然后对含噪声信号
Figure 753315DEST_PATH_IMAGE001
进行
Figure 467193DEST_PATH_IMAGE003
层分解，得到相应的小波分解系数，公式如下：
Figure 512510DEST_PATH_IMAGE004
 
Figure 970036DEST_PATH_IMAGE005
            （1）
式中
Figure 518829DEST_PATH_IMAGE024
和
Figure 669187DEST_PATH_IMAGE007
分别表示逼近系数和细节系数，
Figure 998538DEST_PATH_IMAGE008
和
Figure 931859DEST_PATH_IMAGE009
分别表示滤波器脉冲响应，
Figure 728301DEST_PATH_IMAGE010
为分解尺度。
（2）对各个分解尺度下的细节系数选择一个阈值进行阈值量化处理。本发明采用半软阈值降噪方法处理小波系数，半软阈值函数选择合适的阈值——上阈值
Figure 987244DEST_PATH_IMAGE025
和下阈值
Figure 538311DEST_PATH_IMAGE014
，对于大于
Figure 540902DEST_PATH_IMAGE025
的小波系数与硬阈值函数的处理方法相同，即予以保留；小于或等于
Figure 126604DEST_PATH_IMAGE014
的小波系数置零；介于上、下阈值之间的小波系数则进行线性变换。半软阈值函数为：
Figure 290869DEST_PATH_IMAGE011
  
Figure 594811DEST_PATH_IMAGE012
           （2）
其中，
Figure 197831DEST_PATH_IMAGE013
、
Figure 575723DEST_PATH_IMAGE014
为上、下阈值。
（3）根据小波分解的逼近系数和经过量化处理后的第1层到第
Figure 238785DEST_PATH_IMAGE003
层的细节系数，进行信号的小波重构，即
Figure 764445DEST_PATH_IMAGE015
              （3）
通过重构算法获取降噪后的信号
Figure 108838DEST_PATH_IMAGE002
。
步骤s103，对降噪信号
Figure 672062DEST_PATH_IMAGE002
进行EMD分解，得到各IMF分量
Figure 240447DEST_PATH_IMAGE018
~
Figure 456665DEST_PATH_IMAGE026
。其中，各IMF分量满足过零点条件和均值条件；所述过零点条件为：在整个数据序列中，极值点数目和零交叉点数目之差的绝对值为0或1；所述均值条件为：在任意一点处，由局部极大值点构成的上包络线和由局部极小值点构成的下包络线对时间轴对称。本实施例具体包括：
（1）确定降噪信号
Figure 401487DEST_PATH_IMAGE002
所有的局部极值点，将所有极大值点及所有极小值点分别用三次样条线连接起来形成上包络线
Figure 816288DEST_PATH_IMAGE027
和下包络线
Figure 493257DEST_PATH_IMAGE028
，使两条包络线间包含所有的信号数据；
（2）计算和
Figure 679704DEST_PATH_IMAGE028
的平均值，得
Figure 949012DEST_PATH_IMAGE029
                        （4）
（3）从信号
Figure 124778DEST_PATH_IMAGE002
中减去
Figure 50009DEST_PATH_IMAGE016
，得
Figure 336634DEST_PATH_IMAGE030
                               （5）
（4）如果
Figure 663710DEST_PATH_IMAGE017
满足本征模函数的条件，那么
Figure 13307DEST_PATH_IMAGE017
为一个本征模函数；否则，将作为待分解信号重复（1）~（3），直到满足本征模函数的条件，记，则
Figure 949722DEST_PATH_IMAGE018
为信号
Figure 911862DEST_PATH_IMAGE002
的第一个IMF分量。
（5）从
Figure 540289DEST_PATH_IMAGE002
中减去
Figure 638695DEST_PATH_IMAGE018
，得到
Figure 264849DEST_PATH_IMAGE032
                              （6）
将
Figure 448705DEST_PATH_IMAGE019
作为待分解信号重复（1）~（4），依次得到
Figure 880824DEST_PATH_IMAGE002
的第二个分量
Figure 36999DEST_PATH_IMAGE020
，…，第个分量，有
Figure 490085DEST_PATH_IMAGE033
                            （7）
当满足筛选过程终止准则（即
Figure 563083DEST_PATH_IMAGE022
成为一个单调函数不能再从中提取满足本征模函数条件的分量）时，停止循环。这样由式（6）和式（7）得到
Figure 531039DEST_PATH_IMAGE034
                           （8）
其中，分量
Figure 689488DEST_PATH_IMAGE018
~
Figure 463409DEST_PATH_IMAGE026
分别代表了原始信号中不同时间尺度上的特征信号，并且都是窄带信号，这使得信号分解有了物理意义。而则表示了信号
Figure 857667DEST_PATH_IMAGE002
的中心趋势。
步骤s104，根据各IMF分量与原信号的相关系数，判断IMF分量的真伪，剔除IMF伪分量，对IMF真分量进行分析，选出含有故障特征的分量。本实施例中，由各IMF分量与原信号的相关系数鉴别IMF的真伪：若分解得到的IMF分量与原信号的相关系数很小，则可判断该分量为伪分量，剔除IMF分量中非原信号组成成分的分量——IMF伪分量。对IMF的真分量进行分析，选出含有故障特征的分量
Figure 175516DEST_PATH_IMAGE018
~
Figure 753128DEST_PATH_IMAGE035
。
步骤s105，获取含有故障特征分量的包络谱，从中提取故障特征。本实施例中，求出分量
Figure 738401DEST_PATH_IMAGE018
~
Figure 175723DEST_PATH_IMAGE035
的包络谱
Figure 980868DEST_PATH_IMAGE036
，从中提取故障特征。
参照图2，为轴承内圈故障振动信号时域波形图。本实施例中，转子转速是1748r/min，采样频率为12kHz，轴承内圈故障特征频率为157.93Hz。图3为轴承内圈故障振动信号的包络谱。显然，从轴承信号的时域波形与频域波形中，无法确定轴承内圈故障的特征信息。
本发明中采用小波半软阈值对振动信号进行降噪，然后对降噪的信号进行EMD分解，根据相关系数伪分量判据判断分解后各IMF分量的真伪，提取含有故障特征的前三个IMF分量
Figure 998689DEST_PATH_IMAGE037
~
Figure 479349DEST_PATH_IMAGE038
。本实施例轴承内圈故障振动信号小波半软阈值降噪结果如图4所示，轴承内圈故障振动信号降噪后的EMD分解结果（前三个IMF）如图5 所示，小波半软阈值降噪预处理后，信号的EMD分析结果更能凸显原信号的特征。
图6 是轴承内圈故障振动信号降噪后的EMD分解结果（前三个IMF）包络谱图，从前三个IMF分量都能找到明显的故障频率谱线，分别为156.7Hz、156.7Hz和158.2Hz，对应着轴承内圈故障特征频率157.93Hz，因此，可以判断轴承发生了内圈故障。
比较图3和图6可以看出，本发明提出的方法是一种十分有效的故障特征信息提取方法。
本发明实施例公开的基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，属于机械工程领域。EMD是一种自适应分解算法，通过分析振动信号的EMD分解结果，发现信号中包含的噪声对分解结果影响较大，基于此，提出用小波阈值去噪法与经验模式分解相结合的信号分析方法。由于硬阈值和软阈值这两种常用的小波阈值去噪方法都有其本身的缺陷，本发明采用半软阈值去噪方法。针对EMD 分解过程中插值误差和边界效应的影响、终止筛分标准的不严格等，使得分解后产生的分量个数比原信号组成分量多，即产生了IMF伪分量，本发明采用相关系数法进行了伪IMF分量的剔除。实验结果表明，本发明效果良好。
本发明实施例的基于小波半软阈值和EMD的风电齿轮箱故障诊断方法具有以下优点：
1、本发明采用小波半软阈值与EMD方法相结合，提出了一种解决风电齿轮箱的状态监测与故障诊断问题的新方法；
2、采用小波半软阈值方法降噪，解决了硬阈值和软阈值这两种方法其本身的缺陷；
3、解决了EMD受噪声干扰影响较大的不足；
4、解决了IMF伪分量对EMD分解结果的影响；
5、可提高信噪比和抗干扰能力，增强故障诊断的精度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (4)

1.一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，其特征在于，所述方法包括以下步骤：
A、利用加速度传感器对风电齿轮箱进行测量，获得振动加速度信号                                                
Figure 486099DEST_PATH_IMAGE001
；
B、对所述信号
Figure 77618DEST_PATH_IMAGE001
进行小波分解，采用小波半软阈值法进行消噪预处理，消除干扰噪声，得到降噪信号
Figure 99800DEST_PATH_IMAGE002
； 
C、对所述降噪信号
Figure 813678DEST_PATH_IMAGE002
进行EMD分解，得到各IMF分量；
D、根据所述各IMF分量与原信号的相关系数，判断IMF分量的真伪，剔除IMF伪分量，对IMF真分量进行分析，选出含有故障特征的分量；
E、获取含有故障特征分量的包络谱，从中提取故障特征。
2.根据权利要求1所述的基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，其特征在于，所述步骤B具体包括：
B1、选择一种小波基并确定小波分解层数
Figure 593416DEST_PATH_IMAGE003
，根据公式
 
对含噪声信号
Figure 750093DEST_PATH_IMAGE001
进行
Figure 17127DEST_PATH_IMAGE003
层分解，得到相应的小波分解系数；
其中，
Figure 343590DEST_PATH_IMAGE006
为逼近系数、
Figure 12469DEST_PATH_IMAGE007
为细节系数，和
Figure 884796DEST_PATH_IMAGE009
为滤波器脉冲响应，为分解尺度；
B2、对各个分解尺度下的细节系数选择一个阈值进行阈值量化处理，并采用小波半软阈值降噪方法处理小波系数，其中半软阈值函数为：
Figure 473089DEST_PATH_IMAGE011
  
Figure 637354DEST_PATH_IMAGE012
其中，
Figure 941297DEST_PATH_IMAGE013
、
Figure 481999DEST_PATH_IMAGE014
为上、下阈值；
B3、根据小波分解的逼近系数和经过量化处理后的第1层到第
Figure 922208DEST_PATH_IMAGE003
层的细节系数，根据公式
Figure 585271DEST_PATH_IMAGE015
进行信号的小波重构，通过重构算法获取降噪后的信号
Figure 48613DEST_PATH_IMAGE002
。
3.根据权利要求2所述的基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，其特征在于，在所述步骤C中，各IMF分量满足过零点条件和均值条件；所述过零点条件为：在整个数据序列中，极值点数目和零交叉点数目之差的绝对值为0或1；所述均值条件为：在任意一点处，由局部极大值点构成的上包络线和由局部极小值点构成的下包络线对时间轴对称。
4.根据权利要求3所述的基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，其特征在于，所述步骤C具体包括：
C1、确定降噪信号
Figure 469972DEST_PATH_IMAGE002
所有的局部极值点，用三次样条线将所有的局部极大值点连接起来形成上包络线，用三次样条线将所有的局部极小值点连接起来形成下包络线，使两条包络线间包含所有的信号数据；
C2、计算所述上包络线、下包络线的平均值
Figure 702370DEST_PATH_IMAGE016
；
C3、从信号
Figure 536334DEST_PATH_IMAGE002
中减去
Figure 486972DEST_PATH_IMAGE016
，得
Figure 431795DEST_PATH_IMAGE017
；
C4、判断
Figure 846595DEST_PATH_IMAGE017
是否满足IMF的条件，如果是，则
Figure 789144DEST_PATH_IMAGE017
为信号
Figure 289395DEST_PATH_IMAGE002
的第1个IMF分量；否则，将
Figure 975591DEST_PATH_IMAGE017
作为待分解信号重复步骤C1、C2和C3，直到满足IMF的条件，记该值为
Figure 244899DEST_PATH_IMAGE018
，则
Figure 358348DEST_PATH_IMAGE018
为信号
Figure 345896DEST_PATH_IMAGE002
的第1个IMF分量；
C5、从
Figure 632521DEST_PATH_IMAGE002
中减去
Figure 24843DEST_PATH_IMAGE018
，得到；将作为待分解信号重复步骤C1至 C4，得到信号
Figure 546458DEST_PATH_IMAGE002
的第2个IMF分量
Figure 790357DEST_PATH_IMAGE020
，重复循环
Figure 307926DEST_PATH_IMAGE021
次，得到信号的个IMF分量；当
Figure 872266DEST_PATH_IMAGE022
成为单调函数时，停止循环，得到被分解为
Figure 560736DEST_PATH_IMAGE021
个本征模函数和一个趋势项的信号
Figure 682276DEST_PATH_IMAGE023
。
CN2012100530954A 2012-03-02 2012-03-02 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 Pending CN102620928A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100530954A CN102620928A (zh) 2012-03-02 2012-03-02 基于小波半软阈值和emd的风电齿轮箱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100530954A CN102620928A (zh) 2012-03-02 2012-03-02 基于小波半软阈值和emd的风电齿轮箱故障诊断方法

Publications (1)

Publication Number Publication Date
CN102620928A true CN102620928A (zh) 2012-08-01

Family

ID=46560978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100530954A Pending CN102620928A (zh) 2012-03-02 2012-03-02 基于小波半软阈值和emd的风电齿轮箱故障诊断方法

Country Status (1)

Country Link
CN (1) CN102620928A (zh)

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879196A (zh) * 2012-09-25 2013-01-16 西安交通大学 利用矩阵小波变换的行星齿轮箱复合故障诊断方法
CN102879195A (zh) * 2012-09-25 2013-01-16 西安交通大学 齿轮箱损伤的多小波自适应分块阈值降噪时域诊断方法
CN102928072A (zh) * 2012-11-07 2013-02-13 昆山北极光电子科技有限公司 一种信号处理的特征提取方法
CN103091096A (zh) * 2013-01-23 2013-05-08 北京信息科技大学 基于eemd和小波包变换的早期故障敏感特征提取方法
CN103226649A (zh) * 2013-03-25 2013-07-31 西安交通大学 机械早期及复合故障的集成噪声重构经验模式分解方法
CN103336895A (zh) * 2013-06-14 2013-10-02 西安交通大学 总体平均经验模式分解协助噪声确定方法
CN103674511A (zh) * 2013-03-18 2014-03-26 北京航空航天大学 一种基于emd-svd与mts的机械磨损件性能评估与预测方法
CN103873830A (zh) * 2014-03-20 2014-06-18 郑州赛福特电子设备有限公司 电子内窥镜影像系统及电子内窥镜图像处理方法
CN103902844A (zh) * 2014-04-24 2014-07-02 国家电网公司 基于eemd峰度阈值的变压器振动信号降噪方法
CN103982241A (zh) * 2014-05-05 2014-08-13 山东科技大学 一种煤矿井下低信噪比微震信号消噪滤波方法
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
CN104345049A (zh) * 2013-08-09 2015-02-11 中国科学院沈阳自动化研究所 激光诱导击穿光谱的小波阈值降噪的阈值校正方法
CN105043767A (zh) * 2015-06-29 2015-11-11 昆明理工大学 一种滚动球轴承外圈剥落故障双冲击特征提取方法及系统
CN105354587A (zh) * 2015-09-25 2016-02-24 国网甘肃省电力公司电力科学研究院 一种风力发电机组齿轮箱的故障诊断方法
CN105893673A (zh) * 2016-03-31 2016-08-24 山东大学 一种基于振动加速度特征点辨识燃烧特征参数的方法
CN105928701A (zh) * 2016-04-29 2016-09-07 石家庄铁道大学 基于相关分析的emd过程中有效imf的判定方法
CN106096200A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种基于小波分解和谱峭度的包络分析方法
CN106096198A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种基于变分模式分解和谱峭度的包络分析方法
CN106096199A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种滚动轴承的wt、谱峭度和平滑迭代包络分析方法
CN106289775A (zh) * 2016-04-07 2017-01-04 成都铁安科技有限责任公司 一种列车轴承检测信号包络谱分析方法及装置
CN106709414A (zh) * 2015-11-18 2017-05-24 财团法人交大思源基金会 生理信号量测系统及其方法
CN106897663A (zh) * 2017-01-06 2017-06-27 重庆邮电大学 主成分分析改进小波算法的超声波消噪方法
CN107247933A (zh) * 2017-05-27 2017-10-13 北京理工大学 一种烟雾环境中fmcw激光定距系统差频信号提取方法
CN107886078A (zh) * 2017-11-20 2018-04-06 北京工业大学 一种基于分层自适应阈值函数的小波阈值降噪方法
CN108776031A (zh) * 2018-03-21 2018-11-09 南京航空航天大学 一种基于改进的同步挤压变换的旋转机械故障诊断方法
CN109270345A (zh) * 2018-07-20 2019-01-25 国网江苏省电力有限公司常州供电分公司 一种电网谐波信号的检测方法
CN109297705A (zh) * 2018-08-16 2019-02-01 东南大学 基于med和模糊熵的行星齿轮箱振动信号故障诊断方法
CN109682958A (zh) * 2018-09-21 2019-04-26 深圳沃德生命科技有限公司 一种用于血栓弹力图仪的加速度传感器信号补偿方法
CN110057586A (zh) * 2019-04-25 2019-07-26 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法
CN110807349A (zh) * 2019-08-02 2020-02-18 邯郸钢铁集团有限责任公司 基于emd分解和小波阈值的自适应降噪方法
CN111024569A (zh) * 2019-10-18 2020-04-17 重庆邮电大学 一种磨粒检测传感器的标定方法及其存储介质
CN111414808A (zh) * 2020-02-28 2020-07-14 电子科技大学 基于平移不变分数阶小波稀疏表示的机械故障诊断方法
CN112037500A (zh) * 2020-07-21 2020-12-04 江苏国茂减速机股份有限公司 自动判别故障的减速机、提升机及故障自动判别方法
CN112326283A (zh) * 2020-10-16 2021-02-05 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于小波分析的浓密机底流堵塞故障诊断方法
CN113281042A (zh) * 2021-06-28 2021-08-20 江苏大学 一种联合收割机行走变速箱早期故障诊断系统及方法
CN113311356A (zh) * 2021-04-15 2021-08-27 西安交通大学 基于时频特征关联的高压并联电抗器故障在线监测方法
CN113553960A (zh) * 2021-07-27 2021-10-26 湘潭大学 一种基于小波包方差熵的风电爬坡不确定性评估方法
CN113780056A (zh) * 2021-07-22 2021-12-10 山东科技大学 基于振动信号的滚动轴承故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1811367A (zh) * 2006-03-03 2006-08-02 西安交通大学 机械故障的集成支持向量机混合智能诊断方法
CN1996190A (zh) * 2006-11-23 2007-07-11 浙江大学 一种基于小波分析的工业生产过程故障诊断系统及方法
CN101634605A (zh) * 2009-04-10 2010-01-27 北京工业大学 基于混合推理和神经网络的齿轮箱故障智能诊断方法
CN101644623A (zh) * 2009-06-19 2010-02-10 湖南大学 基于多尺度形态学分析的齿轮故障诊断方法
CN101726413A (zh) * 2009-12-18 2010-06-09 北京工业大学 通过综合分析对炼钢转炉耳轴轴承进行故障诊断的方法
CN101832471A (zh) * 2010-04-19 2010-09-15 哈尔滨工程大学 一种信号识别分类方法
CN101858778A (zh) * 2010-05-28 2010-10-13 浙江大学 基于振动监测的风力发电机组故障自动诊断方法
KR101109540B1 (ko) * 2011-06-01 2012-01-31 한국기계연구원 토크 가변 기능이 구비된 기어박스 시험장치 및 이를 이용한 토크 가변 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1811367A (zh) * 2006-03-03 2006-08-02 西安交通大学 机械故障的集成支持向量机混合智能诊断方法
CN1996190A (zh) * 2006-11-23 2007-07-11 浙江大学 一种基于小波分析的工业生产过程故障诊断系统及方法
CN101634605A (zh) * 2009-04-10 2010-01-27 北京工业大学 基于混合推理和神经网络的齿轮箱故障智能诊断方法
CN101644623A (zh) * 2009-06-19 2010-02-10 湖南大学 基于多尺度形态学分析的齿轮故障诊断方法
CN101726413A (zh) * 2009-12-18 2010-06-09 北京工业大学 通过综合分析对炼钢转炉耳轴轴承进行故障诊断的方法
CN101832471A (zh) * 2010-04-19 2010-09-15 哈尔滨工程大学 一种信号识别分类方法
CN101858778A (zh) * 2010-05-28 2010-10-13 浙江大学 基于振动监测的风力发电机组故障自动诊断方法
KR101109540B1 (ko) * 2011-06-01 2012-01-31 한국기계연구원 토크 가변 기능이 구비된 기어박스 시험장치 및 이를 이용한 토크 가변 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孟宗等: "基于EMD分形维数的轧机主传动系统故障诊断方法研究", 《电子器件》 *
文莉等: "平移不变量小波去噪法在齿轮故障诊断中的应用", 《农业机械学报》 *
王其等: "平移不变离散小波变换在光纤陀螺信号处理中的应用", 《传感技术学报》 *

Cited By (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879195A (zh) * 2012-09-25 2013-01-16 西安交通大学 齿轮箱损伤的多小波自适应分块阈值降噪时域诊断方法
CN102879196A (zh) * 2012-09-25 2013-01-16 西安交通大学 利用矩阵小波变换的行星齿轮箱复合故障诊断方法
CN102879196B (zh) * 2012-09-25 2014-03-12 西安交通大学 利用矩阵小波变换的行星齿轮箱复合故障诊断方法
CN102879195B (zh) * 2012-09-25 2014-03-12 西安交通大学 齿轮箱损伤的多小波自适应分块阈值降噪时域诊断方法
CN102928072A (zh) * 2012-11-07 2013-02-13 昆山北极光电子科技有限公司 一种信号处理的特征提取方法
CN103091096A (zh) * 2013-01-23 2013-05-08 北京信息科技大学 基于eemd和小波包变换的早期故障敏感特征提取方法
CN103674511B (zh) * 2013-03-18 2016-06-22 北京航空航天大学 一种基于emd-svd与mts的机械磨损件性能评估与预测方法
CN103674511A (zh) * 2013-03-18 2014-03-26 北京航空航天大学 一种基于emd-svd与mts的机械磨损件性能评估与预测方法
CN103226649A (zh) * 2013-03-25 2013-07-31 西安交通大学 机械早期及复合故障的集成噪声重构经验模式分解方法
CN103226649B (zh) * 2013-03-25 2016-08-17 西安交通大学 机械早期及复合故障的集成噪声重构经验模式分解方法
CN103336895B (zh) * 2013-06-14 2016-05-04 西安交通大学 总体平均经验模式分解协助噪声确定方法
CN103336895A (zh) * 2013-06-14 2013-10-02 西安交通大学 总体平均经验模式分解协助噪声确定方法
CN104345049A (zh) * 2013-08-09 2015-02-11 中国科学院沈阳自动化研究所 激光诱导击穿光谱的小波阈值降噪的阈值校正方法
CN104345049B (zh) * 2013-08-09 2017-02-08 中国科学院沈阳自动化研究所 激光诱导击穿光谱的小波阈值降噪的阈值校正方法
CN103873830B (zh) * 2014-03-20 2017-12-08 郑州赛福特电子设备有限公司 电子内窥镜影像系统及电子内窥镜图像处理方法
CN103873830A (zh) * 2014-03-20 2014-06-18 郑州赛福特电子设备有限公司 电子内窥镜影像系统及电子内窥镜图像处理方法
CN103902844A (zh) * 2014-04-24 2014-07-02 国家电网公司 基于eemd峰度阈值的变压器振动信号降噪方法
CN103982241A (zh) * 2014-05-05 2014-08-13 山东科技大学 一种煤矿井下低信噪比微震信号消噪滤波方法
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
CN105043767A (zh) * 2015-06-29 2015-11-11 昆明理工大学 一种滚动球轴承外圈剥落故障双冲击特征提取方法及系统
CN105354587A (zh) * 2015-09-25 2016-02-24 国网甘肃省电力公司电力科学研究院 一种风力发电机组齿轮箱的故障诊断方法
CN106709414B (zh) * 2015-11-18 2020-06-12 财团法人交大思源基金会 生理信号量测系统及其方法
CN106709414A (zh) * 2015-11-18 2017-05-24 财团法人交大思源基金会 生理信号量测系统及其方法
CN105893673B (zh) * 2016-03-31 2019-07-05 山东大学 一种基于振动加速度特征点辨识燃烧特征参数的方法
CN105893673A (zh) * 2016-03-31 2016-08-24 山东大学 一种基于振动加速度特征点辨识燃烧特征参数的方法
CN106289775A (zh) * 2016-04-07 2017-01-04 成都铁安科技有限责任公司 一种列车轴承检测信号包络谱分析方法及装置
CN105928701A (zh) * 2016-04-29 2016-09-07 石家庄铁道大学 基于相关分析的emd过程中有效imf的判定方法
CN106096200B (zh) * 2016-06-29 2019-02-22 潍坊学院 一种基于小波分解和谱峭度的包络分析方法
CN106096199A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种滚动轴承的wt、谱峭度和平滑迭代包络分析方法
CN106096198A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种基于变分模式分解和谱峭度的包络分析方法
CN106096200A (zh) * 2016-06-29 2016-11-09 潍坊学院 一种基于小波分解和谱峭度的包络分析方法
CN106096199B (zh) * 2016-06-29 2019-02-22 潍坊学院 一种滚动轴承的wt、谱峭度和平滑迭代包络分析方法
CN106096198B (zh) * 2016-06-29 2019-02-22 潍坊学院 一种基于变分模式分解和谱峭度的包络分析方法
CN106897663A (zh) * 2017-01-06 2017-06-27 重庆邮电大学 主成分分析改进小波算法的超声波消噪方法
CN107247933A (zh) * 2017-05-27 2017-10-13 北京理工大学 一种烟雾环境中fmcw激光定距系统差频信号提取方法
CN107886078A (zh) * 2017-11-20 2018-04-06 北京工业大学 一种基于分层自适应阈值函数的小波阈值降噪方法
CN107886078B (zh) * 2017-11-20 2021-03-16 北京工业大学 一种基于分层自适应阈值函数的小波阈值降噪方法
CN108776031A (zh) * 2018-03-21 2018-11-09 南京航空航天大学 一种基于改进的同步挤压变换的旋转机械故障诊断方法
CN109270345A (zh) * 2018-07-20 2019-01-25 国网江苏省电力有限公司常州供电分公司 一种电网谐波信号的检测方法
CN109297705A (zh) * 2018-08-16 2019-02-01 东南大学 基于med和模糊熵的行星齿轮箱振动信号故障诊断方法
CN109682958A (zh) * 2018-09-21 2019-04-26 深圳沃德生命科技有限公司 一种用于血栓弹力图仪的加速度传感器信号补偿方法
CN110057586B (zh) * 2019-04-25 2020-10-30 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法
CN110057586A (zh) * 2019-04-25 2019-07-26 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法
CN110807349A (zh) * 2019-08-02 2020-02-18 邯郸钢铁集团有限责任公司 基于emd分解和小波阈值的自适应降噪方法
CN111024569A (zh) * 2019-10-18 2020-04-17 重庆邮电大学 一种磨粒检测传感器的标定方法及其存储介质
CN111024569B (zh) * 2019-10-18 2022-07-01 重庆邮电大学 一种磨粒检测传感器的标定方法及其存储介质
CN111414808B (zh) * 2020-02-28 2022-03-11 电子科技大学 基于平移不变分数阶小波稀疏表示的机械故障诊断方法
CN111414808A (zh) * 2020-02-28 2020-07-14 电子科技大学 基于平移不变分数阶小波稀疏表示的机械故障诊断方法
CN112037500A (zh) * 2020-07-21 2020-12-04 江苏国茂减速机股份有限公司 自动判别故障的减速机、提升机及故障自动判别方法
CN112326283A (zh) * 2020-10-16 2021-02-05 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于小波分析的浓密机底流堵塞故障诊断方法
CN113311356A (zh) * 2021-04-15 2021-08-27 西安交通大学 基于时频特征关联的高压并联电抗器故障在线监测方法
CN113281042A (zh) * 2021-06-28 2021-08-20 江苏大学 一种联合收割机行走变速箱早期故障诊断系统及方法
CN113281042B (zh) * 2021-06-28 2022-09-16 江苏大学 一种联合收割机行走变速箱早期故障诊断系统及方法
CN113780056A (zh) * 2021-07-22 2021-12-10 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN113780056B (zh) * 2021-07-22 2024-01-05 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN113553960A (zh) * 2021-07-27 2021-10-26 湘潭大学 一种基于小波包方差熵的风电爬坡不确定性评估方法
CN113553960B (zh) * 2021-07-27 2022-07-05 湘潭大学 一种基于小波包方差熵的风电爬坡不确定性评估方法

Similar Documents

Publication Publication Date Title
CN102620928A (zh) 基于小波半软阈值和emd的风电齿轮箱故障诊断方法
Sedaghat et al. Determination of rated wind speed for maximum annual energy production of variable speed wind turbines
WO2022261805A1 (zh) 一种柴油机齿轮箱故障诊断方法
CN102798529B (zh) 大型风力机组轴承故障诊断方法及系统
CN109297713B (zh) 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法
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
CN102866027B (zh) 基于lmd和局域时频熵的旋转机械故障特征提取方法
Pan et al. Nonlinear sparse mode decomposition and its application in planetary gearbox fault diagnosis
CN105136454A (zh) 一种风电机组齿轮箱故障识别方法
CN109763944B (zh) 一种海上风机叶片故障非接触式监测系统及监测方法
CN105784353A (zh) 一种风力发电机齿轮箱故障诊断方法
CN112229633A (zh) 一种基于多元特征融合的风机轴承故障诊断方法
Liu et al. Acoustic emission analysis for wind turbine blade bearing fault detection under time-varying low-speed and heavy blade load conditions
Zhang et al. Time–frequency analysis via complementary ensemble adaptive local iterative filtering and enhanced maximum correlation kurtosis deconvolution for wind turbine fault diagnosis
CN110006652A (zh) 一种滚动轴承故障诊断方法及系统
CN106404399B (zh) 基于自适应冗余提升小波包分解树的轴承故障诊断方法
CN111077386A (zh) 一种电气设备早期故障信号降噪方法
CN109000921A (zh) 一种风电机组主轴故障的诊断方法
CN105065212A (zh) 一种风电场风电机组校验方法及系统
CN108197073B (zh) 一种改进的电动汽车充电电能信号特征分析方法
CN108278184B (zh) 基于经验模态分解的风电机组叶轮不平衡监测方法
CN116451454A (zh) 一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法
Zhu et al. Complex disturbances identification: A novel PQDs decomposition and modeling method
Yu et al. Adaptive multiple second-order synchrosqueezing wavelet transform and its application in wind turbine gearbox fault diagnosis
Wei et al. Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120801