CN102721545A - 一种基于多特征参量的滚动轴承故障诊断方法 - Google Patents
一种基于多特征参量的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN102721545A CN102721545A CN2012101677477A CN201210167747A CN102721545A CN 102721545 A CN102721545 A CN 102721545A CN 2012101677477 A CN2012101677477 A CN 2012101677477A CN 201210167747 A CN201210167747 A CN 201210167747A CN 102721545 A CN102721545 A CN 102721545A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- intrinsic mode
- characteristic parameters
- fault
- fault diagnosis
- 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
Landscapes
- 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多特征参量的滚动轴承故障诊断方法,包括以下步骤:(1)对采集到的振动信号进行预处理,消除噪声及其它振动源的干扰;(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数;(3)求出预处理后振动信号的包络信号,采用改进的经验模态分解方法对包络信号进行分解,得到一系列的固有模态函数;(4)选取集中大部分能量的几个固有模态函数,计算能量矩;(5)对分解得到的第一个固有模态函数进行包络谱分析,计算故障特征幅值比;(6)将以上步骤提取的多个特征参量作为BP神经网络的输入向量,由网络输出诊断结果。本发明能够全面地反映滚动轴承的运行状况,提高了诊断准确率,易于实现滚动轴承的在线监测。
Description
技术领域
本发明涉及机械故障诊断技术领域,尤其涉及一种基于多特征参量的滚动轴承故障诊断方法。
背景技术
振动诊断是复杂机电系统诊断的基本方法,振动测试手段及振动分析理论成熟,易于实现在线监测与诊断,是目前滚动轴承故障诊断中使用最广泛的方法之一。传统傅里叶变换作为平稳信号处理中最常用的分析工具,不适用于非线性、非平稳信号。为克服傅里叶变换的局限性,时频分析方法得到了快速发展。
短时傅里叶变换是最早提出的一种时频分析方法,但它是基于信号在时间窗内是平稳信号的假设,只适于分析一些缓变的非平稳信号。小波变换克服了短时傅里叶变换的时频窗大小固定不变的缺陷,采用可变时频窗的方法,使得在时域和频域都能得到较好的局部化性质。但是小波变换的结果依赖小波基函数的选择,对于不同的情况需要不断地调整小波基函数。然而在信号消噪领域,小波变换仍然是最常用的工具之一。经验模态分解(EMD)最早由美国国家宇航局的美籍华人Norden E.Huang于1996年提出,是一种自适应的高效的非线性、非平稳信号分析方法,在振动工程领域得到了广泛的研究和应用。
滚动轴承是一个复杂的非线性系统,BP神经网络能够实现这一复杂的非线性映射关系。经过学习训练的BP神经网络,具备对多参数、多特征信息的滚动轴承进行故障诊断的能力,可以用来对滚动轴承进行故障识别。目前人工神经网络在滚动轴承的故障诊断中得到了广泛的应用,虽然取得了良好的诊断效果,但是大多数都是将单一的特征参量作为神经网络的输入向量,无法全面地反映滚动轴承的故障状态,而且诊断的正确率还有待进一步提高。另外,对于滚动轴承特征参数的提取算法,目前常用的方法是振动信号经过小波或小波包变换后,提取分解所得信号的能量或能量熵,但是对于非线性、非稳态的滚动轴承振动信号,能量或能量熵无法更好的反映信号的本质。
发明内容
本发明解决的技术问题在于全面地反映滚动轴承的故障状态、提高诊断的准确率。
为了解决以上问题,一种基于多特征参量的滚动轴承故障诊断方法,包括以下步骤:
(1)对采集到的振动信号进行预处理,消除噪声及其它振动源的干扰;
(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数;
(3)求出预处理后振动信号的包络信号,采用改进的经验模态分解方法对包络信号进行分解,得到一系列的固有模态函数;
(4)选取集中大部分能量的几个固有模态函数,计算能量矩;
(5)对分解得到的第一个固有模态函数进行包络谱分析,计算故障特征幅值比;
(6)将步骤(2)、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量,由网络输出诊断结果。
其中:经验模态分解方法缩写为EMD;固有模态函数缩写为IMF。
进一步,作为一种优选,在所述的步骤(1)中,预处理方法采用小波消噪-盲源分离-小波消噪联合方法,去除噪声的同时也去除了其它振动源的影响。
进一步,作为一种优选,所述步骤(2)中的时域统计参数包括:峭度指标、峰值指标、裕度指标、脉冲指标和波形指标。
进一步,作为一种优选,所述步骤(3)中改进的经验模态分解方法采用了相关系数法。
进一步,作为一种优选,在所述步骤(4)中固有模态函数为前5个固有模态函数。
进一步,作为一种优选,在所述的步骤(5)中,求取第一个固有模态函数的包络谱,计算故障特征幅值比。
进一步,作为一种优选,在所述的步骤(6)中,BP神经网络的输入层节点个数为12个,分别为5个时域统计参数、5个固有模态函数能量矩以及2个故障特征幅值比;输出层节点个数为4个,对应正常、外圈故障、内圈故障及滚动体故障;隐含层节点个数为16个。
本发明有益效果在于,将多特征参量作为故障分类器的输入向量,与单一类型的特征参量相比,能够更好的反映滚动轴承的工作状况,得到更高的诊断正确率。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整更好地理解本发明以及容易得知其中许多伴随的优点,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,其中:
图1是滚动轴承故障诊断的流程图;
图2是具有外圈故障的滚动轴承的原始振动信号;
图3是经过预处理后的外圈故障信号;
图4是经过预处理后振动信号的包络信号;
图5是外圈故障信号经过EMD分解后得到的各个固有模态函数及一个残余项;
图6是外圈故障信号的第一个固有模态函数的包络信号;
图7是外圈故障信号的第一个固有模态函数的包络谱;
图8是BP神经网络的故障诊断模型。
具体实施方式
以下参照图1-8对本发明的实施例进行说明。
为使上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于多特征参量的滚动轴承故障诊断方法,包括以下步骤:
(1)振动信号预处理步骤
包括:数据采集步骤S1和消噪处理步骤S2。滚动轴承在运行中往往受到附近设备振动以及其它外界因素的影响,在实际应用中,需要对信号进行消噪处理,去除背景噪声,提高故障诊断的可靠性。采集到的具有外圈故障的滚动轴承的原始振动信号x(t)如图2所示。采用小波消噪-盲源分离-小波消噪联合方法对信号进行消噪处理,得到消噪后的振动信号y(t)如图3所示。经过处理后,消除了噪声及其它振动源的干扰。
(2)提取时域统计参数步骤S4
本方法选择峭度指标、峰值指标、裕度指标、脉冲指标、波形指标五个无量纲参数作为要提取的时域统计特征参数,计算公式如下:
峰值指标(Crest Factor):
其中,峰值xpeak=max{|xi|},均方根值方根幅值 绝对平均幅值
(3)对消噪后的振动信号进行EMD分解步骤S3
由消噪后的振动信号y(t)提取时域统计参数后,通过Hilbert变换法计算消噪后的振动信号的包络信号p(t)。对y(t)进行Hilbert变换:
其中P为柯西主值,通常取1。进一步得到包络信号p(t)的表达式:
所得包络信号p(t)如图4所示。
由于EMD算法存在端点效应,分解过程会产生虚假固有模态函数分量。为了减少虚假分量对后续分析的影响,本发明采用相关系数法来剔除EMD算法产生的虚假分量。可以根据实际情况设置一个阀值:
其中max(ui)为相关系数的最大值,n为EMD分解得到的固有模态函数的个数。相关系数大于阀值的固有模态函数保留,小于阀值的固有模态函数纳入残余项中。经过相关系数法筛选后得到8个固有模态函数ci(i=1,…8)和1个残余项,如图5所示。
(4)提取固有模态函数能量矩S6
由于前5个固有模态函数集中了信号的大部分能量,因此提取前5个固有模态函数的能量矩作为故障特征参量。能量矩的计算公式如下:
其中m为总的采样点数,k为采样点,Δt为采样周期。对所选固有模态函数依据上式计算能量矩得到E1,E2,…,E5。再对能量矩归一化处理,得到
[E′1 E′2…E′5]=[E1/E E2/E …E5/E]
其中
计算固有模态函数能量的公式为
对比能量的计算公式和能量矩的计算公式可以看出,能量矩同时考虑了能量的大小和能量随时间参数的分布状况,可以更好的揭示能量的分布特征。
(5)提取故障特征幅值比步骤S8
对步骤(3)得到的固有模态函数分量进行Hilbert变换
然后构造解析信号
其中幅值函数ai(t)的表达式即为包络信号的表达式,即
相位函数的表达式为
根据解析信号的表达式可以将每个固有模态函数分量表示成如下形式
ci(t)=ai(t)cos[θi(t)]
由上式可以看出,每一个固有模态函数分量都是一个单分量的调制信号,可以是幅度或频率调制的。因此可以对固有模态函数进行包络谱分析,进一步提取故障特征。由于滚动轴承的故障信息主要包含在高频带,选取第一个固有模态函数进行包络谱分析S5,计算得到其包络信号如图6所示,对包络信号进行快速傅里叶变换得到包络谱S7如图7所示。经过计算滚动轴承外圈故障特征频率为106.93Hz,从图7中可以看到包络谱在对应外圈故障特征频率及其倍频处有明显的谱峰。对于内圈及滚动体故障,在其固有模态函数的包络谱中,相应的故障频率处也分别会有明显的谱峰。据此可以定义在固有模态函数包络谱中,滚动轴承外圈、内圈故障特征频率处对应的幅值与滚动体故障特征频率处的幅值比作为故障特征参量,两个特征幅值比分别为
式中,A(ford)表示外圈故障频率处的幅值,A(fird)表示内圈故障频率处的幅值,A(fbd )表示滚动体故障频率处的幅值。
经过以上特征参量的提取,共得到12个故障特征参量。
(6)设计BP神经网络进行故障分类步骤S9
应用BP神经网络进行故障分类时,需要将提取的滚动轴承故障特征向量分为两组,一组作为训练样本,用来对BP神经网络进行训练,一组作为待诊断样本,用来对已训练好的BP神经网络进行测试,以检验网络的分类能力。BP神经网络的故障诊断模型如图8所示。
BP神经网络的输入向量包含12个特征参量,输出为4种工作状态,因此BP神经网络输入层神经元节点个数为12,输出层神经元节点个数为4。对于隐含层神经元节点个数,可以参考如下经验公式:
l=2n+1
l=log2n
其中l为隐含层神经元节点个数,n为输入层神经元节点个数,m为输出层的神经元节点个数,a为介于1到10之间的常数。参考经验公式计算出来的只是粗略的估计值,可以设置一个区间并从中选取节点个数,然后通过试凑法确定最佳的节点数。
隐含层传递函数选为正切S型传递函数tansig,输出层传递函数选为线性传递函数purelin,学习训练函数选为共轭梯度法trainscg。相关网络训练参数,最大训练次数选为1000,学习速率选为0.05,目标误差选为0.001。
如上所述,对本发明的实施例进行了详细地说明,但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形,这对本领域的技术人员来说是显而易见的。因此,这样的变形例也全部包含在本发明的保护范围之内。
Claims (7)
1.一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
(1)对采集到的振动信号进行预处理,消除噪声及其它振动源的干扰;
(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数;
(3)求出预处理后振动信号的包络信号,采用改进的经验模态分解方法对包络信号进行分解,得到一系列的固有模态函数;
(4)选取集中大部分能量的几个固有模态函数,计算能量矩;
(5)对分解得到的第一个固有模态函数进行包络谱分析,计算故障特征幅值比;
(6)将步骤(2)、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量,由网络输出诊断结果。
2.根据权利要求1所述的一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,在所述的步骤(1)中,预处理方法采用小波消噪-盲源分离-小波消噪联合方法,去除噪声的同时也去除了它振动源的影响。
3.根据权利要求1所述的一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,所述步骤(2)中的时域统计参数包括:峭度指标、峰值指标、裕度指标、脉冲指标和波形指标。
4.根据权利要求书1所述的一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,所述步骤(3)中改进的经验模态分解方法采用了相关系数法。
5.根据权利要求书1所述的一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,在所述步骤(4)中固有模态函数为前5个固有模态函数。
6.根据权利要求书1所述的一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,在所述的步骤(5)中,求取第一个固有模态函数的包络谱,计算故障特征幅值比。
7.根据权利要求书1所述的一种基于多特征参量的滚动轴承故障诊断方法,其特征在于,在所述的步骤(6)中,BP神经网络的输入层节点个数为12个,分别为5个时域统计参数、5个固有模态函数能量矩以及2个故障特征幅值比;输出层节点个数为4个,对应正常、外圈故障、内圈故障及滚动体故障;隐含层节点个数为16个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210167747.7A CN102721545B (zh) | 2012-05-25 | 2012-05-25 | 一种基于多特征参量的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210167747.7A CN102721545B (zh) | 2012-05-25 | 2012-05-25 | 一种基于多特征参量的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102721545A true CN102721545A (zh) | 2012-10-10 |
CN102721545B CN102721545B (zh) | 2015-05-20 |
Family
ID=46947370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210167747.7A Active CN102721545B (zh) | 2012-05-25 | 2012-05-25 | 一种基于多特征参量的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102721545B (zh) |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103048383A (zh) * | 2012-11-30 | 2013-04-17 | 大连理工大学 | 三元叶轮粗加工过程中牛鼻铣刀破损检测系统 |
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 |
CN103175687A (zh) * | 2013-03-07 | 2013-06-26 | 温州大学 | 一种活齿减速器故障定位方法 |
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 |
CN103499445A (zh) * | 2013-09-28 | 2014-01-08 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104048165A (zh) * | 2013-08-16 | 2014-09-17 | 北京化工大学 | 管道泄漏诊断的方法 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104697767A (zh) * | 2014-12-17 | 2015-06-10 | 天津大学 | 一种基于振动分析的转子系统故障诊断方法及装置 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105424365A (zh) * | 2015-11-23 | 2016-03-23 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN105510010A (zh) * | 2015-11-26 | 2016-04-20 | 江南大学 | 一种针对旋转机械构造异常为不对中的特征参量模型 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 |
CN105738107A (zh) * | 2016-01-28 | 2016-07-06 | 西安交通大学 | 基于近似完备可变模式分解的机车轮对轴承故障诊断方法 |
CN105928666A (zh) * | 2016-04-20 | 2016-09-07 | 中国石油大学(华东) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 |
CN106053871A (zh) * | 2016-07-25 | 2016-10-26 | 昆明理工大学 | 一种通过滚动轴承滚道剥落故障对应冲击特征提取转速的方法 |
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 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN106441896A (zh) * | 2016-10-14 | 2017-02-22 | 石家庄铁道大学 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
CN107024352A (zh) * | 2017-05-03 | 2017-08-08 | 哈尔滨理工大学 | 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法 |
CN107063681A (zh) * | 2017-03-21 | 2017-08-18 | 昆明理工大学 | 一种行星齿轮箱时变振动传递路径下的故障特征包络提取方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
CN108520234A (zh) * | 2018-04-08 | 2018-09-11 | 哈尔滨工业大学 | 一种基于多种特征量约束的钢轨裂纹信号盲源提取方法 |
CN109000926A (zh) * | 2018-10-25 | 2018-12-14 | 中国计量大学 | 基于emd和近似熵的滚动轴承声发射信号特征提取方法 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109116224A (zh) * | 2018-08-03 | 2019-01-01 | 罗孚电气(厦门)有限公司 | 低压框架断路器故障诊断方法、装置及计算设备 |
CN109520611A (zh) * | 2018-11-08 | 2019-03-26 | 温州大学 | 一种地震模拟振动台工况的监测方法 |
CN109828227A (zh) * | 2019-01-24 | 2019-05-31 | 东南大学 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
CN110320038A (zh) * | 2018-03-30 | 2019-10-11 | 大隈株式会社 | 滚动轴承的异常诊断方法以及异常诊断装置 |
CN110441081A (zh) * | 2019-07-08 | 2019-11-12 | 天津工业大学 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
CN111443334A (zh) * | 2020-03-17 | 2020-07-24 | 中山大学 | 基于ieemd的目标微动参数估计方法、系统、装置及存储介质 |
CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
CN113029569A (zh) * | 2021-03-11 | 2021-06-25 | 北京交通大学 | 一种基于循环强度指数的列车轴承自主故障识别方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及系统 |
CN113432876A (zh) * | 2021-06-24 | 2021-09-24 | 西安电子科技大学 | 基于共轭梯度法的航发主轴轴承故障信号盲提取方法 |
CN115327373A (zh) * | 2022-04-20 | 2022-11-11 | 岱特智能科技(上海)有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN117970105A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大学 | 基于信号融合的电机轴承早期故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
-
2012
- 2012-05-25 CN CN201210167747.7A patent/CN102721545B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06186136A (ja) * | 1992-12-18 | 1994-07-08 | Ono Sokki Co Ltd | 転がり軸受故障診断装置 |
CN102053016A (zh) * | 2010-11-08 | 2011-05-11 | 江苏大学 | 旋转机械滚动轴承的无线振动监测系统 |
Non-Patent Citations (8)
Title |
---|
YU YANG,DEJIE YU,JUNSHENG CHENG: "A fault diagnosis approach for roller bearing based on IMF envelope spectrum and SVM", 《MEASUREMENT》, vol. 40, no. 910, 31 December 2007 (2007-12-31), pages 943 - 950 * |
于婷婷: "基于BP神经网络的滚动轴承故障诊断方法", 《中国优秀硕士学位论文全文数据库•信息科技辑》, no. 05, 15 May 2009 (2009-05-15) * |
刘畅,周川等: "基于广义形态滤波和相关系数的Hilbert-Huang变换方法", 《机械科学与技术》, vol. 30, no. 1, 31 January 2011 (2011-01-31), pages 71 - 75 * |
李志农,郝伟等: "噪声环境下机械故障源的盲分离", 《农业机械学报》, vol. 37, no. 11, 25 November 2006 (2006-11-25), pages 110 - 113 * |
杨宇,于德介,程军圣: "基于EMD与神经网络的滚动轴承故障诊断方法", 《振动与冲击》, vol. 24, no. 1, 28 February 2005 (2005-02-28), pages 85 - 88 * |
林丽 等: ""基于相关系数的EMD改进算法"", 《计算机与数字工程》, no. 12, 31 December 2008 (2008-12-31) * |
滕建方: ""基于EMD的时变系统参数辨识"", 《中国优秀硕士学位论文全文数据库•工程科技Ⅱ辑》, no. 2, 15 December 2011 (2011-12-15) * |
褚福磊 著: ""第七章 机械故障诊断中的盲源分离技术"", 《机械设备故障诊断技术及应用》, 31 October 2009 (2009-10-31) * |
Cited By (62)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048383A (zh) * | 2012-11-30 | 2013-04-17 | 大连理工大学 | 三元叶轮粗加工过程中牛鼻铣刀破损检测系统 |
CN103048137B (zh) * | 2012-12-20 | 2015-05-06 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
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 |
CN103175687A (zh) * | 2013-03-07 | 2013-06-26 | 温州大学 | 一种活齿减速器故障定位方法 |
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 |
CN104048165B (zh) * | 2013-08-16 | 2016-10-05 | 北京化工大学 | 管道泄漏诊断的方法 |
CN104048165A (zh) * | 2013-08-16 | 2014-09-17 | 北京化工大学 | 管道泄漏诊断的方法 |
CN103499445A (zh) * | 2013-09-28 | 2014-01-08 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN103499445B (zh) * | 2013-09-28 | 2015-11-18 | 长安大学 | 一种基于时频切片分析的滚动轴承故障诊断方法 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN104655423B (zh) * | 2013-11-19 | 2017-09-15 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN104155108B (zh) * | 2014-07-21 | 2017-07-07 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
CN104697767A (zh) * | 2014-12-17 | 2015-06-10 | 天津大学 | 一种基于振动分析的转子系统故障诊断方法及装置 |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN104729853B (zh) * | 2015-04-10 | 2017-06-06 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105424365A (zh) * | 2015-11-23 | 2016-03-23 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
CN105424365B (zh) * | 2015-11-23 | 2017-10-27 | 北京信息科技大学 | 一种滚动轴承故障迁移轨迹可视化的方法 |
CN105606360A (zh) * | 2015-11-24 | 2016-05-25 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法 |
CN105510010A (zh) * | 2015-11-26 | 2016-04-20 | 江南大学 | 一种针对旋转机械构造异常为不对中的特征参量模型 |
CN105424366A (zh) * | 2015-12-14 | 2016-03-23 | 长春工业大学 | 基于eemd自适应消噪的轴承故障诊断方法 |
CN105738107B (zh) * | 2016-01-28 | 2019-07-23 | 西安交通大学 | 基于近似完备可变模式分解的机车轮对轴承故障诊断方法 |
CN105738107A (zh) * | 2016-01-28 | 2016-07-06 | 西安交通大学 | 基于近似完备可变模式分解的机车轮对轴承故障诊断方法 |
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 |
CN105928666A (zh) * | 2016-04-20 | 2016-09-07 | 中国石油大学(华东) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 |
CN105928666B (zh) * | 2016-04-20 | 2018-12-21 | 中国石油大学(华东) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 |
CN106053871A (zh) * | 2016-07-25 | 2016-10-26 | 昆明理工大学 | 一种通过滚动轴承滚道剥落故障对应冲击特征提取转速的方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN106441896A (zh) * | 2016-10-14 | 2017-02-22 | 石家庄铁道大学 | 滚动轴承故障模式识别及状态监测的特征向量提取方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN107144428B (zh) * | 2017-03-17 | 2019-02-22 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN107063681A (zh) * | 2017-03-21 | 2017-08-18 | 昆明理工大学 | 一种行星齿轮箱时变振动传递路径下的故障特征包络提取方法 |
CN107024352A (zh) * | 2017-05-03 | 2017-08-08 | 哈尔滨理工大学 | 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法 |
CN107480787B (zh) * | 2017-08-10 | 2020-12-11 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN108036940A (zh) * | 2017-12-04 | 2018-05-15 | 中国水利水电科学研究院 | 一种轴承故障诊断方法 |
CN110320038A (zh) * | 2018-03-30 | 2019-10-11 | 大隈株式会社 | 滚动轴承的异常诊断方法以及异常诊断装置 |
CN108520234B (zh) * | 2018-04-08 | 2021-04-06 | 哈尔滨工业大学 | 一种基于多种特征量约束的钢轨裂纹信号盲源提取方法 |
CN108520234A (zh) * | 2018-04-08 | 2018-09-11 | 哈尔滨工业大学 | 一种基于多种特征量约束的钢轨裂纹信号盲源提取方法 |
CN109116224A (zh) * | 2018-08-03 | 2019-01-01 | 罗孚电气(厦门)有限公司 | 低压框架断路器故障诊断方法、装置及计算设备 |
CN109084980A (zh) * | 2018-10-10 | 2018-12-25 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109084980B (zh) * | 2018-10-10 | 2019-11-05 | 北京交通大学 | 基于均等分割的轴承故障预测方法及装置 |
CN109000926A (zh) * | 2018-10-25 | 2018-12-14 | 中国计量大学 | 基于emd和近似熵的滚动轴承声发射信号特征提取方法 |
CN109520611A (zh) * | 2018-11-08 | 2019-03-26 | 温州大学 | 一种地震模拟振动台工况的监测方法 |
CN109828227A (zh) * | 2019-01-24 | 2019-05-31 | 东南大学 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
CN110441081A (zh) * | 2019-07-08 | 2019-11-12 | 天津工业大学 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN110441081B (zh) * | 2019-07-08 | 2021-07-09 | 大连圣力来监测技术有限公司 | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
CN110488754A (zh) * | 2019-08-09 | 2019-11-22 | 大连理工大学 | 一种基于ga-bp神经网络算法的机床自适应控制方法 |
CN111443334A (zh) * | 2020-03-17 | 2020-07-24 | 中山大学 | 基于ieemd的目标微动参数估计方法、系统、装置及存储介质 |
CN111443334B (zh) * | 2020-03-17 | 2022-06-17 | 中山大学 | 基于ieemd的目标微动参数估计方法、系统、装置及存储介质 |
CN111665050A (zh) * | 2020-06-04 | 2020-09-15 | 燕山大学 | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及系统 |
CN113029569A (zh) * | 2021-03-11 | 2021-06-25 | 北京交通大学 | 一种基于循环强度指数的列车轴承自主故障识别方法 |
CN113432876A (zh) * | 2021-06-24 | 2021-09-24 | 西安电子科技大学 | 基于共轭梯度法的航发主轴轴承故障信号盲提取方法 |
CN113432876B (zh) * | 2021-06-24 | 2022-04-19 | 西安电子科技大学 | 基于共轭梯度法的航发主轴轴承故障信号盲提取方法 |
WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN115327373A (zh) * | 2022-04-20 | 2022-11-11 | 岱特智能科技(上海)有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
CN117970105A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大学 | 基于信号融合的电机轴承早期故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102721545B (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102721545A (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN103902844A (zh) | 基于eemd峰度阈值的变压器振动信号降噪方法 | |
CN104655423A (zh) | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN101949895B (zh) | 一种金属拉深件微小裂纹冲击性信号的识别方法 | |
CN106650071A (zh) | 用于滚动轴承智能故障诊断的方法 | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
CN104714925A (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 | |
CN102866027A (zh) | 基于lmd和局域时频熵的旋转机械故障特征提取方法 | |
CN113176092A (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
CN104215456A (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
CN105258940A (zh) | 机械故障定量提取的标准化多小波与多小波包变换方法 | |
CN104634603A (zh) | 一种复杂设备早期故障诊断方法 | |
CN105043767A (zh) | 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 | |
CN102736070A (zh) | 一种基于希尔伯特黄变换的风廓线雷达去噪方法 | |
CN107886078A (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN104374575A (zh) | 一种基于盲源分离的风力机主轴承故障诊断方法 | |
CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
CN106404386A (zh) | 一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法 | |
CN113158984A (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 |
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 |