CN102661783B - 一种旋转机械故障趋势预测的特征提取方法 - Google Patents
一种旋转机械故障趋势预测的特征提取方法 Download PDFInfo
- Publication number
- CN102661783B CN102661783B CN201210123651.0A CN201210123651A CN102661783B CN 102661783 B CN102661783 B CN 102661783B CN 201210123651 A CN201210123651 A CN 201210123651A CN 102661783 B CN102661783 B CN 102661783B
- Authority
- CN
- China
- Prior art keywords
- signal
- source
- matrix
- vectorial
- vibration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000000926 separation method Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000000284 extract Substances 0.000 claims description 3
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 5
- 238000013480 data collection Methods 0.000 abstract 1
- PSYBGEADHLUXCS-UHFFFAOYSA-N Isocil Chemical compound CC(C)N1C(=O)NC(C)=C(Br)C1=O PSYBGEADHLUXCS-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种旋转机械故障趋势预测的特征提取方法,其步骤为:(1)利用远程在线监测诊断中心进行工业现场数据采集,通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号xj(t);(2)根据FastICA算法对振动信号xj(t)进行盲源分离,得到原始独立振动源sj(t)的近似信号源yj(t);(3)对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解,提取故障敏感特征频带。本发明由于采用独立成分分析(ICA)处理可以识别出混叠成采集信号的原始的独立信号源,对独立信号源进行基于小波包的特征频带获取,可以判断某个源信号是否在向故障的方向发展,达到提前预防故障的目的。本发明可以广泛在旋转机械故障趋势预测中应用。
Description
技术领域
本发明涉及一种机械故障趋势预测方法,特别是关于一种旋转机械故障趋势预测的特征提取方法。
背景技术
旋转机械是个复杂的非线性动力系统,设备的工况经常发生变化,负载、噪声、环境温度等都是处于动态变化中的因素,这些非故障因素会造成传感器采集到的振动信号能量发生变化。传统理论一般都把系统的非线性因素进行线性化处理,所以在进行振动信号分析来判断设备是否出现故障时,真正的设备故障信息往往被忽略。同时,复杂旋转机械设备大部分故障从发生、发展到最终以宏观形式表现出来的过程具有长历程特征,在故障出现以后的发展过程中,故障信号往往被工况信号所掩盖,表现为故障信号的信噪比很低,传统的基于能量幅值进行故障预测的方法在处理变工况的设备信号时具有很大的局限性,难于对设备状态做出有效预测。
发明内容
针对上述问题,本发明的目的是提供一种能对旋转机械故障发展变化情况进行趋势预测的旋转机械故障趋势预测的特征提取方法。
为实现上述目的,本发明采取以下技术方案:一种旋转机械故障趋势预测的特征提取方法,其包括以下步骤:(1)利用远程在线监测诊断中心进行工业现场数据采集,通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号xj(t),j=1,2,...,n,其中,j为通道个数,n为正整数;(2)根据FastICA算法对振动信号xj(t)进行盲源分离,得到原始独立振动源sj(t)的近似信号源yj(t),其中,j=1,2,...,n;(3)对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解,提取故障敏感特征频带。
所述步骤(2)中,基于所述FastICA算法对振动信号xj(t)的盲源分离方法为:①假设存在m个相互独立的振动源sj(t),其中j=1,2,...,m,得到m个振动信号xj(t),且m个振动信号xj(t)的向量形式用X′表示;②对m个振动信号xj(t)的向量X′进行中心化处理,令X′-E[X′]=X″,使其均值为0,其中,E为数学期望;③根据FastICA算法中的白化公式对向量X″进行白化处理,得到用于求解近似信号源yj(t)的向量X;④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源yj(t)的向量Y=WX,Y与原来的独立信号源si(t)近似。
所述步骤③中,所述白化处理为:(a)首先求解向量X″的协方差矩阵Cx,Cx=E[X″(X″)T];(b)根据协方差矩阵Cx,得到以协方差矩阵Cx的单位范数特征向量为列的矩阵F=(e1…en),其中,ei(i=1,2,...,n)为协方差矩阵Cx的单位范数特征向量;(c)根据协方差矩阵Cx,得到以协方差矩阵Cx的特征值为对角元素的对角矩阵D=diag(d1…dn),其中,di(i=1,2,...,n)为协方差矩阵Cx的特征值;(d)将矩阵F和对角矩阵D代入FastICA算法中的白化公式得到向量X。
所述步骤④中,所述FastICA算法中的分离矩阵W的收敛方法为:(a)首先对分离矩阵W赋予随机初始值;(b)由Hyvarinen的迭代公式W(k+1)=E{Xg[W(k)TX]}-E{g[W(k)TX]}W(k)T计算W(k+1),其中E表示求数学期望,g表示非二次函数的导数,k为迭代次数;(c)利用W(k+1)←W(k+1)/‖W(k+1)||2规范化W(k+1);(d)反复迭代直至W收敛,得到收敛后的分离矩阵W。
所述步骤(3)中,对所述近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解,包括以下步骤:①在全频带根据多分辨率分析将近似信号Y划分成Z个小波子空间wj,其中,j=1,2,...,Z,Z为正整数;②利用小波包分解公式对每一个小波子空间wj进一步分解,其中为由小波包分解得到的子空间;k=1,2,...,Z;j=1,2,...,Z;③对每一个小波子空间wj分别进行小波包变换,小波包分解第j级分解水平上第k个子频带对应的小波包变换系数为d(i,j),i代表某个子频带;④利用各个小波包系数d(i,j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j,k)为:
其中,N为子频带个数;由能量守恒定律得到频带能量和为各个小波子空间能量;⑤根据频带能量和E(0,0)以及各个小波子空间能量Ei(j,k),构造出由各频带信号相对能量组成的特征向量T=[E1,E2,…EM]T/E(0,0),即得到最终的非平稳信号故障特征量T。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于采用独立成分分析(ICA)处理可以识别出混叠成采集信号的原始的独立信号源,对独立信号源进行基于小波包的特征频带获取,可以判断某个源信号是否在向故障的方向发展,达到提前预防故障的目的。2、本发明由于采用FastICA算法对传感器采集到的信号进行盲信号分离,可以识别出原始信号中的非高斯成分,提纯能量形式故障信息,抑制干扰信息,提高对原始信号中微弱故障信号的识别能力。本发明可以广泛在旋转机械故障趋势预测中应用。
附图说明
图1是本发明的整体结构示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提供的旋转机械故障趋势预测的特征提取方法,是以故障趋势预测为目的,通过ICA处理,从各传感器采集到的由多个独立振动信号源混合生成的混叠振动信号中,识别出各个独立振动信号源,再对识别出的独立信号源进行基于小波包的特征频带获取,进而判断某个独立信号源是否在向故障的方向发展,达到提前预防故障的目的。如图1所示,本发明包括以下步骤:
(1)利用现有的远程在线监测诊断中心进行工业现场数据采集,通过布置在旋转机械设备上的多个传感器采集多个通道的振动信号xj(t),j=1,2,...,n,其中,j为通道个数(即传感器个数),n为正整数。
(2)根据FastICA算法(快速ICA算法,ICA为独立成分分析)对振动信号xj(t)进行盲源分离,得到原始独立振动源sj(t)(其中,j=1,2,...,n)的近似信号源yj(t);其中,基于FastICA算法的盲源分离方法如下:
①假设存在m个相互独立的振动源sj(t),其中j=1,2,...,m,则通过步骤(1)可以得到m个振动信号xj(t),且m个振动信号xj(t)的向量形式用X′表示;
②对m个振动信号xj(t)的向量X′进行中心化处理,即令X′-E[X′]=X″,使其均值为0,其中,E为数学期望;
③根据FastICA算法中的白化公式对向量X″进行白化处理,得到用于求解近似信号源yj(t)的向量X;白化处理如下:
a)首先求解向量X″的协方差矩阵Cx,Cx=E[X″(X″)T];
b)根据协方差矩阵Cx,得到以协方差矩阵Cx的单位范数特征向量为列的矩阵F=(e1…en),其中,ei(i=1,2,...,n)为协方差矩阵Cx的单位范数特征向量;
c)根据协方差矩阵Cx,得到以协方差矩阵Cx的特征值为对角元素的对角矩阵D=diag(d1…dn),其中,di(i=1,2,...,n)为协方差矩阵Cx的特征值;
d)将步骤b)和步骤c)中的矩阵F和对角矩阵D代入FastICA算法中的白化公式得到向量X。
④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源yj(t)的向量Y=WX,使得Y与原来的独立信号源Si(t)近似;
(3)对步骤(2)中得到的近似信号源yj(t)的向量信号Y进行时频域基于小波包(Wave Packet Transform,WPT)的特征频带分解,提取故障敏感特征频带,针对非线性和非平稳问题进行故障趋势预测分析,进而判断是否存在某个独立信号源在向故障的方向发展,达到提前预防故障的目的。
上述步骤(2)中步骤④,由于FastICA算法中的分离矩阵W初始值为随机赋予,因此用最初的分离矩阵W来求解向量Y,会影响近似信号源yj(t)与独立振动源sj(t)的近似精度较低,因此,本实施例中,采用芬兰科学家许韦里宁(Hyvarinen)的迭代公式对分离矩阵W进行收敛计算,以得到真实可靠的分离矩阵W,进而提高近似信号源yj(t)的近似精度。则分离矩阵W的收敛方法为:
a)首先对分离矩阵W赋予随机初始值;
b)利用Hyvar inen的迭代公式W(k+1)=E{Xg[W(k)TX]}-E{g[W(k)TX]}W(k)T计算W(k+1),其中E表示求数学期望,g表示非二次函数的导数,k为迭代次数;
c)利用W(k+1)←W(k+1)/‖W(k+1)||2规范化W(k+1);
d)反复迭代直至W收敛,得到收敛后的分离矩阵W。
上述步骤(3)中,对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解,包括以下步骤:
③对每一个小波子空间wj分别进行小波包变换,小波包分解第j级分解水平上第k个子频带对应的提升小波包变换系数为d(i,j),i为子频带层数;随着尺度j的增加,子空间的数目增加,频带划分愈细。在全频带对近似信号Y进行多层次的频带划分,信号被分解到相互独立的频带内,因此分解到每个频带内的信号都具有一定的能量。
④由于小波包变换系数d(i,j)的平方具有能量量纲,利用各个小波包系数d(i,j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j,k),即:
⑤根据频带能量和E(0,0)以及各个小波子空间能量Ei(j,k),构造出由各频带信号相对能量组成的特征向量T=[E1,E2,…EM]T/E(0,0),即得到最终的非平稳信号故障特征量T。
上述各实施例仅用于说明本发明,各步骤都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别步骤进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (4)
1.一种旋转机械故障趋势预测的特征提取方法,其包括以下步骤:
(1)利用远程在线监测诊断中心进行工业现场数据采集,通过布置在旋转机械上的多个传感器采集多个通道的振动信号xj(t),j=1,2,…,n,其中,j为通道个数,n为正整数;
(2)根据FastICA算法对振动信号xj(t)进行盲源分离,得到原始独立的振动源sj(t)的近似信号源yj(t),其中,j=1,2,…,n;
(3)对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解,提取故障敏感特征频带;其中,
对近似信号源yj(t)的向量信号Y进行时频域基于小波包的特征频带分解,包括以下步骤:
③对每一个小波子空间wj分别进行小波包变换,小波包分解第j级分解水平上第k个子频带对应的小波包变换系数为d(i,j),i代表某个子频带;
④利用各个小波包变换系数d(i,j)的平方计算得到提升小波包分解第j级分解水平上第k个子频带上的平均能量E(j,k)为:
其中,N为子频带个数;由能量守恒定律得到频带能量和Ei(j,k)为各个小波子空间能量;
⑤根据频带能量和E(0,0)以及各个小波子空间能量Ei(j,k),构造出由各频带信号相对能量组成的特征向量T=[E1,E2,…EM]T/E(0,0),即得到最终的非平稳信号故障特征量T。
2.如权利要求1所述的一种旋转机械故障趋势预测的特征提取方法,其特征在于:所述步骤(2)中,基于所述FastICA算法对振动信号xj(t)的盲源分离方法为:
①假设存在m个相互独立的振动源sj(t),其中j=1,2,…,m,得到m个振动信号xj(t),且m个振动信号xj(t)的向量形式用X′表示;
②对m个振动信号xj(t)的向量X′进行中心化处理,令X′-E[X′]=X″,使其均值为0,其中,E为数学期望;
③根据FastICA算法中的白化公式对向量X″进行白化处理,得到用于求解近似信号源yj(t)的向量X;
④根据FastICA算法中的分离矩阵W和向量X构造出近似信号源yj(t)的向量Y=WX,Y与原来的独立的振动源sj(t)近似。
3.如权利要求2所述的一种旋转机械故障趋势预测的特征提取方法,其特征在于:所述步骤③中,所述白化处理为:
(a)首先求解向量X″的协方差矩阵Cx,Cx=E[X″(X″)T];
(b)根据协方差矩阵Cx,得到以协方差矩阵Cx的单位范数特征向量为列的矩阵F=(e1…en),其中,ei(i=1,2,…,n)为协方差矩阵Cx的单位范数特征向量;
(c)根据协方差矩阵Cx,得到以协方差矩阵Cx的特征值为对角元素的对角矩阵D=diag(d1…dn),其中,di(i=1,2,…,n)为协方差矩阵Cx的特征值;
(d)将矩阵F和对角矩阵D代入FastICA算法中的白化公式得到向量X。
4.如权利要求2或3所述的一种旋转机械故障趋势预测的特征提取方法,其特征在于:所述步骤④中,所述FastICA算法中的分离矩阵W的收敛方法为:
(a)首先对分离矩阵W赋予随机初始值;
(b)由Hyvarinen的迭代公式W(k+1)=E{Xg[W(k)TX]}-E{g[W(k)TX]}W(k)T计算W(k+1),其中E表示数学期望,g表示非二次函数的导数,k为迭代次数;
(c)利用W(k+1)←W(k+1)/||W(k+1)||2规范化W(k+1);
(d)反复迭代直至W收敛,得到收敛后的分离矩阵W。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210123651.0A CN102661783B (zh) | 2012-04-24 | 2012-04-24 | 一种旋转机械故障趋势预测的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210123651.0A CN102661783B (zh) | 2012-04-24 | 2012-04-24 | 一种旋转机械故障趋势预测的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102661783A CN102661783A (zh) | 2012-09-12 |
CN102661783B true CN102661783B (zh) | 2014-04-02 |
Family
ID=46771317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210123651.0A Expired - Fee Related CN102661783B (zh) | 2012-04-24 | 2012-04-24 | 一种旋转机械故障趋势预测的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102661783B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855408A (zh) * | 2012-09-18 | 2013-01-02 | 福州大学 | 基于ica的改进emd过程中imf判定方法 |
CN102944435B (zh) * | 2012-10-25 | 2015-02-11 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
CN102967452B (zh) * | 2012-11-13 | 2014-12-10 | 西安交通大学 | 一种判定可拆卸盘鼓型转子装配可靠度的方法 |
CN103267947A (zh) * | 2013-04-28 | 2013-08-28 | 大连交通大学 | 一种交流电机故障诊断与预测中的特征提取方法 |
CN103424134B (zh) * | 2013-07-30 | 2016-04-06 | 北京交通大学 | 一种多参量同时测量的光纤传感方法 |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 |
CN103471703B (zh) * | 2013-09-30 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种高速叶片欠采样叶端振动信号的无混叠重构方法 |
CN103575523B (zh) * | 2013-11-14 | 2015-12-09 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN104156591B (zh) * | 2014-08-06 | 2017-02-15 | 北京信息科技大学 | 一种马尔可夫故障趋势预测方法 |
CN104634566B (zh) * | 2015-01-21 | 2018-05-11 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
CN106202977B (zh) * | 2016-08-17 | 2018-09-14 | 华南理工大学 | 一种基于盲源分离算法的低频振荡模式分析方法 |
JP6630653B2 (ja) * | 2016-10-06 | 2020-01-15 | 株式会社神戸製鋼所 | 回転機異常検出装置および該方法ならびに回転機 |
CN107219927A (zh) * | 2017-06-02 | 2017-09-29 | 辽宁工业大学 | 一种模式识别方法和脑电波信号处理方法以及基于脑电波的智能家居控制系统 |
CN109141625B (zh) * | 2018-10-24 | 2020-10-02 | 哈工大机器人(山东)智能装备研究院 | 一种滚珠丝杠副的在线状态监测方法 |
CN109459131A (zh) * | 2018-11-29 | 2019-03-12 | 郑州工程技术学院 | 一种旋转机械多通道振动信号的时频特征提取方法及装置 |
CN109900469B (zh) * | 2019-03-28 | 2020-06-19 | 西安交通大学 | 一种高压断路器螺旋弹簧应力松弛故障检测装置及方法 |
CN111291918B (zh) * | 2020-01-06 | 2023-04-18 | 东南大学 | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 |
CN112051064B (zh) * | 2020-04-20 | 2022-08-16 | 北京信息科技大学 | 一种旋转机械设备故障特征频率提取方法及系统 |
CN113155462B (zh) * | 2021-03-29 | 2023-03-24 | 温州大学 | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 |
-
2012
- 2012-04-24 CN CN201210123651.0A patent/CN102661783B/zh not_active Expired - Fee Related
Non-Patent Citations (10)
Title |
---|
基于FastICA的旋转机械故障特征盲源分离方法研究;王述伟等;《煤矿机械》;20081031;第29卷(第10期);第207-210页 * |
基于小波包能量特征的滚动轴承故障监测方法;李世玲等;《系统仿真学报》;20030131;第15卷(第1期);第76-80、83页 * |
基于独立分量分析与小波包分解的混叠声源信号波形恢复;钱苏翔等;《中国机械工程》;20101231;第21卷(第24期);第2956-2961页 * |
小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用;贺银芝等;《振动工程学报》;20010331;第14卷(第1期);第72-75页 * |
旋转机械故障特征盲源分离方法研究;王述伟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20100415(第4期);第C029-55页 * |
李世玲等.基于小波包能量特征的滚动轴承故障监测方法.《系统仿真学报》.2003,第15卷(第1期),第76-80、83页. |
王述伟.旋转机械故障特征盲源分离方法研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2010,(第4期),第C029-55页. |
王述伟等.基于FastICA的旋转机械故障特征盲源分离方法研究.《煤矿机械》.2008,第29卷(第10期),第207-210页. |
贺银芝等.小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用.《振动工程学报》.2001,第14卷(第1期),第72-75页. |
钱苏翔等.基于独立分量分析与小波包分解的混叠声源信号波形恢复.《中国机械工程》.2010,第21卷(第24期),第2956-2961页. |
Also Published As
Publication number | Publication date |
---|---|
CN102661783A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102661783B (zh) | 一种旋转机械故障趋势预测的特征提取方法 | |
Ni et al. | A fault information-guided variational mode decomposition (FIVMD) method for rolling element bearings diagnosis | |
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Liu et al. | Complex power quality disturbances classification via curvelet transform and deep learning | |
Li et al. | Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis | |
Li et al. | Health condition identification of planetary gearboxes based on variational mode decomposition and generalized composite multi-scale symbolic dynamic entropy | |
CN102607845B (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
CN103308292B (zh) | 基于振动信号分析的真空断路器机械状态检测方法 | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
CN102824172B (zh) | 一种脑电特征提取方法 | |
CN104729853A (zh) | 一种滚动轴承性能退化评估装置及方法 | |
CN103499445A (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
CN103076177A (zh) | 一种基于振动检测的滚动轴承故障检测方法 | |
CN107728018A (zh) | 一种电力电缆现场局部放电信号的降噪方法 | |
CN101949895B (zh) | 一种金属拉深件微小裂纹冲击性信号的识别方法 | |
CN103267947A (zh) | 一种交流电机故障诊断与预测中的特征提取方法 | |
CN102721537B (zh) | 基于可变空间-尺度框架的机械冲击型故障诊断方法 | |
CN103335841A (zh) | 一种采用脉冲小波能量谱分析的滚动轴承故障诊断方法 | |
CN103323228A (zh) | 一种矿用钻机故障智能识别方法 | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
CN104732076A (zh) | 一种侧信道能量迹特征提取的方法 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
Zhao et al. | Probabilistic principal component analysis assisted new optimal scale morphological top-hat filter for the fault diagnosis of rolling bearing | |
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 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140402 |
|
CF01 | Termination of patent right due to non-payment of annual fee |