CN103076177A - 一种基于振动检测的滚动轴承故障检测方法 - Google Patents

一种基于振动检测的滚动轴承故障检测方法 Download PDF

Info

Publication number
CN103076177A
CN103076177A CN2013100156195A CN201310015619A CN103076177A CN 103076177 A CN103076177 A CN 103076177A CN 2013100156195 A CN2013100156195 A CN 2013100156195A CN 201310015619 A CN201310015619 A CN 201310015619A CN 103076177 A CN103076177 A CN 103076177A
Authority
CN
China
Prior art keywords
frequency
cepstrum
signal
energy
fault
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
CN2013100156195A
Other languages
English (en)
Inventor
吴建德
马军
张诗悦
冷婷婷
王晓东
范玉刚
黄国勇
邹金慧
邵宗凯
张光辉
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN2013100156195A priority Critical patent/CN103076177A/zh
Publication of CN103076177A publication Critical patent/CN103076177A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种故障诊断方法，尤其涉及一种基于振动检测的滚动轴承故障诊断方法。该方法先将加速度传感器采集到的滚动轴承数据进行3层小波包分解，接着求解第三层小波包系数重构信号的能量，接着根据第三层各频段能量值变化，选取能量集中的频段以重构原始信号的近似估计；利用倒频谱对重构信号进行更进一步的分析，最后与理论计算的故障特征频率以及边频特性比较以诊断故障。本发明结合小波包的多分辨率和倒频谱能较好地检测出功率谱上的周期成分、分离边频带信号和受传输路径影响小的特性。同时，方法可操作性强，实用性强。

Description

一种基于振动检测的滚动轴承故障检测方法
技术领域
本发明涉及一种基于振动检测的滚动轴承故障诊断方法，属于故障检测技术领域。
背景技术
滚动轴承是旋转机械中非常重要的零件，也是易坏设备之一。据统计，旋转机械的故障有30%是由滚动轴承故障引起的，设备运行时，磨损、疲劳、腐蚀、过载等等原因都可能造成滚动轴承的局部损伤故障，滚动轴承的缺陷会导致机器的剧烈振动和产生噪声，甚至导致整个系统的严重事故。因此，对滚动轴承故障诊断的研究具有重大的意义。
滚动轴承故障振动信号一般表现为复杂的随机和周期脉冲混叠的非平稳信号。在实际运行中，局部损伤故障往往被噪声和较大的振动信号所掩盖，因此提取相应的故障特征频率尤为关键。因此傅立叶变换、时域几频域里的常规的处理方法等对平稳信号处理具有良好效果的方法，但是对非平稳信号的处理效果不佳。
发明内容
针对上述问题，本发明提出一种基于振动检测的滚动轴承故障诊断方法，结合小波的多分辨率和倒频谱能较好地检测出功率谱上的周期成分、分离边频带信号和受传输路径影响小的优点。同时，方法可操作性强，实用性强。
本发明采用了以下方案：一种基于振动检测的滚动轴承故障诊断方法按照下面步骤进行： 
步骤(1)、将加速度传感器安装在电机轴承负载端的3点钟方向，然后利用集成了放大器和A/D的数据采集装置采集电机轴承振动数据信号，并将信号输入计算机；
步骤(2)、利用计算机中MATLAB软件自带的小波工具箱对所采集的振动信号进行3层db1小波包分解；
步骤(3)、根据能量计算公式                                                
Figure 2013100156195100002DEST_PATH_IMAGE001
计算三层小波包分解第三层所得到的8个子频带的能量值并绘制能量谱图，其中，代表小波包分解第三层8个子频段的能量值，
Figure 2013100156195100002DEST_PATH_IMAGE003
表示第3层第j个子频段信号
Figure 255000DEST_PATH_IMAGE004
的重构信号，
Figure 2013100156195100002DEST_PATH_IMAGE005
表示重构信号所对应的
Figure 934505DEST_PATH_IMAGE006
的离散点的幅值。
步骤(4)、根据能量谱图，选取能量集中子频段进行重构；
步骤(5)、选用实倒频谱计算公式
Figure 2013100156195100002DEST_PATH_IMAGE007
对重构信号进行倒频谱分析并绘制倒频谱的谱图，其中：
Figure 711968DEST_PATH_IMAGE008
为傅立叶逆变换；
Figure 2013100156195100002DEST_PATH_IMAGE009
是倒频谱的时间变量，也称倒频率，其单位通常为ms或s，
Figure 379579DEST_PATH_IMAGE010
表示倒频谱，
Figure DEST_PATH_IMAGE011
为信号的功率谱；
步骤(6)、利用绘制的倒频谱谱图，根据倒频谱谱图所呈现出的功率谱上的周期成分和分离边频带信号特性。在出现单一峰值并满足边频带特性所对应的时间点的时间的倒数即为故障频率。此时间点记为
Figure 609703DEST_PATH_IMAGE009
，即倒频率。将该故障频率与理论计算的滚动轴承的故障特征频率相比较，判断具体的故障。
本发明的有益效果：
1.本发明同时对高频和低频进行分解，能够包含比较全面的细节信息，而且结合倒频谱受传输路径影响小等优点，排除了不相关信息的干扰。
2.经过小波包分解并根据能量值选取相应的重构频段，更利于倒频谱分离边频信号，提取复杂功率谱中的周期成分以诊断滚动轴承所发生的故障。
附图说明
图1为本发明方法的流程示意图；
图2为3层小波包分解示意图；
图3为滚动轴承正常信号的时域波形；
图4为滚动轴承正常信号的频域波形；
图5为滚动轴承正常信号小波包分解第三层8个频段的能量分布；
图6为滚动轴承正常状态重构信号的倒频谱；
图7为滚动轴承外圈故障信号的时域波形；
图8为滚动轴承外圈故障信号的频域波形；
图9为滚动轴承外圈故障信号小波包分解第三层8个频段的能量分布；
图10为滚动轴承外圈故障重构信号的倒频谱；
图11为动轴承内圈故障信号的时域波形；
图12为动轴承内圈故障信号的频域波形；
图13为滚动轴承内圈故障信号小波包分解第三层8个频段的能量分布；
图14为滚动轴承内圈故障重构信号的倒频谱；
图15为动轴承滚动体故障信号的时域波形；
图16为动轴承滚动体故障信号的频域波形
图17为滚动轴承滚动体故障信号小波包分解第三层8个频段的能量分布；
图18为滚动轴承滚动体故障重构信号的倒频谱。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,以方便技术人员理解。
一种基于振动检测的滚动轴承故障诊断方法按照下面步骤进行： 
步骤(1)、将加速度传感器安装在电机轴承负载端的3点钟方向，然后利用集成了放大器和A/D的数据采集装置采集电机轴承振动数据信号，并将信号输入计算机；
步骤(2)、如图2所示，利用计算机中MATLAB软件自带的小波工具箱对所采集的振动信号进行3层db1小波包分解；
步骤(3)、根据能量计算公式计算三层小波包分解第三层所得到的8个子频带的能量值并绘制能量谱图；
Figure 787186DEST_PATH_IMAGE002
代表小波包分解第三层8个子频段的能量值，
Figure 438747DEST_PATH_IMAGE003
表示第3层第j个子频段信号
Figure 671014DEST_PATH_IMAGE004
的重构信号，
Figure 66223DEST_PATH_IMAGE005
表示重构信号所对应地
Figure 552700DEST_PATH_IMAGE006
的离散点的幅值。计算第三层8个频带的能量值，并绘制出能量特征直方图。
步骤(4)、根据能量谱图，选取能量集中子频段进行重构；选取
Figure 329157DEST_PATH_IMAGE012
明显变化和能量集中的频段的重构初始信号
Figure DEST_PATH_IMAGE013
。
从图3-图18可以看出，当滚动轴承发生故障时，从时域波形频域波形均可以看出，其幅值和频率成分发生了变化，同时，根据能量的分布情况可以看出正常和故障的能量分布的情况，也可以粗略地判断故障发生以及所在频段。
步骤(5)、选用实倒频谱计算公式对重构信号进行倒频谱分析并绘制倒频谱的谱图；
步骤(6)、利用绘制的倒频谱谱图，根据倒频谱谱图所呈现出的功率谱上的周期成分和分离边频带信号特性。在出现单一峰值并满足边频带特性所对应的时间点的时间的倒数即为故障频率。此时间点记为
Figure 732773DEST_PATH_IMAGE009
，即倒频率。将该故障频率与理论计算的滚动轴承的故障特征频率相比较，判断具体的故障。
根据《滚动轴承故障的精密诊断技术》给出的滚动轴承故障特征频率计算的理论公式，计算得到所用实验数据(驱动端)的故障特征频率与转频(每秒的实际转速，单位HZ)之间的关系如表1所示，表中表示故障频率是转频的倍数关系。
表1 故障频率之转频倍数
内圈故障 外圈故障 滚动体故障 保持架故障
5.4152 3.5848 4.7135 0.39828
下面分别对滚动轴承的外圈、内圈、滚动体故障与滚动轴承正常状态的时域、频域、倒频谱进行比较，以诊断滚动轴承的状态。
实施例1:外圈故障的诊断
在具体实施中，一种基于振动检测的滚动轴承故障诊断方法按照下面步骤进行：
步骤(1)、将加速度传感器分别安装在电机轴承负载区的3点钟方向，利用集成了放大器的数据采集装置采集滚动轴承的原始振动信号，并将经过放大和A/D转换的振动信号输入计算机，其中，采样频率为12KHZ,采样得到电机空载、转速为1797RPM滚动轴承的原始振动信号。
步骤(2)、如图2所示，利用计算机中MATLAB软件自带的小波工具箱对所采集的振动信号进行3层db1小波包分解；
步骤(3)、根据能量计算公式
Figure 323023DEST_PATH_IMAGE001
计算三层小波包分解第三层所得到的8个子频带的能量值并绘制能量谱图；
Figure 581967DEST_PATH_IMAGE002
代表小波包分解第三层8个子频段的能量值，
Figure 273979DEST_PATH_IMAGE003
表示第3层第j个子频段信号
Figure 699406DEST_PATH_IMAGE004
的重构信号，
Figure 222792DEST_PATH_IMAGE005
表示重构信号所对应地
Figure 590319DEST_PATH_IMAGE006
的离散点的幅值。计算第三层8个频带的能量值，并绘制出能量特征直方图。计算第三层8个频带的能量值，并绘制出能量特征直方图。
步骤(4)、根据能量谱图，选取能量集中子频段进行重构；选取
Figure 566365DEST_PATH_IMAGE012
明显变化和能量集中的频段的重构初始信号
Figure 294019DEST_PATH_IMAGE013
。
如图5和图9所示;由步骤（3）可知，图5所示正常信号的能量主要集中在第1、2、4频带，而图9所示故障的能量主要集中在主要集中于第3、7频带，对此，我们选取第3、7频带的重构信号还原初始信号以进行后续的分析。即：
Figure 875173DEST_PATH_IMAGE014
。利用
Figure DEST_PATH_IMAGE015
进一步做后续的分析。
步骤(5)、对重构信号进行倒频谱分析并诊断故障，具体为：结合实际的工程应用，选用的倒频谱计算式为。通过此式计算外圈故障重构信号
Figure DEST_PATH_IMAGE017
的倒频谱，并绘制其倒频谱谱图。
步骤(6)、利用绘制的倒频谱的谱图，如图10所示，相比图6滚动轴承正常信号的倒频谱谱图平稳状态，发生故障时由倒频谱谱图可以看出在0.00935s(9.35ms)处存在尖峰，并且在周围伴有其倍频和分频的出现，而此刻对应的频率为1/0.00935HZ=106.96HZ与表1中的理论计算的外圈故障频率非常相近，同时在倒频谱图中还伴有倍频等与外圈故障所表现的特性一致，可判定为滚动轴承外圈发生故障。
实施例2：内圈故障的诊断
在具体实施中，一种基于振动检测的滚动轴承故障诊断方法按照下面步骤进行：
步骤(1)、将加速度传感器分别安装在电机轴承负载区的3点钟方向，利用集成了放大器的数据采集装置采集滚动轴承的原始振动信号，并将经过放大和A/D转换的振动信号输入计算机，其中，采样频率为12KHZ,采样得到电机空载、转速为1797RPM滚动轴承的原始振动信号。
步骤(2)、如图2所示，利用计算机中MATLAB软件自带的小波工具箱对所采集的振动信号进行3层db1小波包分解；
步骤(3)、根据能量计算公式
Figure 565359DEST_PATH_IMAGE001
计算三层小波包分解第三层所得到的8个子频带的能量值并绘制能量谱图；
Figure 831125DEST_PATH_IMAGE018
代表小波包分解第三层8个子频段的能量值，表示第3层第j个子频段信号
Figure 772853DEST_PATH_IMAGE004
的重构信号，表示重构信号所对应地
Figure 571710DEST_PATH_IMAGE006
的离散点的幅值。计算第三层8个频带的能量值，并绘制出能量特征直方图。计算第三层8个频带的能量值，并绘制出能量特征直方图。
步骤(4)、根据能量谱图，选取能量集中子频段进行重构；选取明显变化和能量集中的频段的重构初始信号。
如图13所示;由步骤（3）可知，此种故障的能量主要集中在主要集中于第2、3、4、7、8频带，对此，我们选取第2、3、4、7、8频带的重构信号还原初始信号以进行后续的分析。即：
Figure DEST_PATH_IMAGE019
。利用
Figure 429311DEST_PATH_IMAGE015
进一步做后续的分析。
步骤(5)、对重构信号进行倒频谱分析并诊断故障，具体为：结合实际的工程应用，选用的倒频谱计算式为
Figure 787611DEST_PATH_IMAGE016
。通过此式计算外圈故障重构信号
Figure 948596DEST_PATH_IMAGE017
的倒频谱，并绘制其倒频谱谱图.
步骤(6)、利用绘制的倒频谱的谱图，如图14所示，相比图6滚动轴承正常信号的倒频谱谱图平稳状态，发生故障时由倒频谱谱图可以看出在0.00617s(6.17ms)处存在尖峰，并且在周围伴有其倍频和分频的出现，而此刻对应的频率为1/0.00617HZ=162.19HZ与表1中的理论计算的内圈故障频率非常相近，同时在倒频谱图中还伴有倍频等与内圈故障所表现的特性一致，可判定为滚动轴承内圈圈发生故障。
实施例3：滚动体故障的诊断
在具体实施中，一种基于振动检测的滚动轴承故障诊断方法按照下面步骤进行：
步骤(1)、将加速度传感器分别安装在电机轴承负载区的3点钟方向，利用集成了放大器的数据采集装置采集滚动轴承的原始振动信号，并将经过放大和A/D转换的振动信号输入计算机。其中，采样频率为12KHZ,采样得到电机空载、转速为1797RPM滚动轴承的原始振动信号。
步骤(2)、如图2所示，利用计算机中MATLAB软件自带的小波工具箱对所采集的振动信号进行3层db1小波包分解；
步骤(3)、根据能量计算公式
Figure 734149DEST_PATH_IMAGE001
计算三层小波包分解第三层所得到的8个子频带的能量值并绘制能量谱图；
Figure 846331DEST_PATH_IMAGE018
代表小波包分解第三层8个子频段的能量值，表示第3层第j个子频段信号
Figure 335398DEST_PATH_IMAGE004
的重构信号，
Figure 308164DEST_PATH_IMAGE005
表示重构信号所对应地
Figure 720691DEST_PATH_IMAGE006
的离散点的幅值。计算第三层8个频带的能量值，并绘制出能量特征直方图。计算第三层8个频带的能量值，并绘制出能量特征直方图。
步骤(4)、根据能量谱图，选取能量集中子频段进行重构；选取
Figure 420794DEST_PATH_IMAGE012
明显变化和能量集中的频段的重构初始信号
Figure 789327DEST_PATH_IMAGE013
。
如图17所示：由步骤（3）可知，此类故障的能量主要集中在主要集中于第1、3、4、7、8频带，对此，我们选取第1、3、4、7、8频带的重构信号还原初始信号以进行后续的分析。即：
Figure 244579DEST_PATH_IMAGE020
。利用
Figure 82085DEST_PATH_IMAGE015
进一步做后续的分析。
步骤(5)、对重构信号进行倒频谱分析并诊断故障，具体为：结合实际的工程应用，选用的倒频谱计算式为
Figure 336611DEST_PATH_IMAGE016
。通过此式计算外圈故障重构信号
Figure 372700DEST_PATH_IMAGE017
的倒频谱，并绘制其倒频谱谱图.
步骤(6)、利用绘制的倒频谱的谱图，如图18所示，相比图6滚动轴承正常信号的倒频谱的谱图平稳状态，发生故障时由倒频谱谱图可以看出在0.00708s(7.08ms)处存在尖峰，并且在周围伴有其倍频和分频的出现，而此刻对应的频率为1/0.00708HZ=141.169HZ与表1中的理论计算的滚动体故障频率非常相近，同时在倒频谱图中还伴有倍频等与滚动体故障所表现的特性一致，可判定为滚动轴承滚动体发生故障。虽然在图18中滚动体的故障特征不明显，但是仔细的分析其边频特性还是可以判断为何种故障。
以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限定了本发明的范围，本发明的保护范围由权利要求书限定，任何在本发明权利要求基础上的改动都是本发明的保护范围。

Claims (1)

1.一种基于振动检测的滚动轴承故障检测方法，其特征在于：所述的基于振动检测的滚动轴承故障诊断方法按照下面步骤进行： 
步骤(1)、将加速度传感器安装在电机轴承负载端的3点钟方向，然后利用集成了放大器和A/D转换的数据采集装置采集电机轴承振动数据信号，并将信号输入计算机；
步骤(2)、利用计算机中MATLAB软件自带的小波工具箱对所采集的振动信号进行3层db1小波包分解；
步骤(3)、根据能量计算公式                                                计算三层小波包分解第三层所得到的8个子频带的能量值并绘制能量谱图，其中，
Figure 47228DEST_PATH_IMAGE002
代表小波包分解第三层8个子频段的能量值，
Figure 89133DEST_PATH_IMAGE003
表示第3层第j个子频段信号
Figure 245308DEST_PATH_IMAGE004
的重构信号，
Figure 730778DEST_PATH_IMAGE005
表示重构信号所对应的
Figure 339614DEST_PATH_IMAGE006
的离散点的幅值；
步骤(4)、根据能量谱图，选取能量集中子频段进行重构；
步骤(5)、选用实倒频谱计算公式
Figure 450789DEST_PATH_IMAGE007
对重构信号进行倒频谱分析并绘制倒频谱谱图，其中：
Figure 648421DEST_PATH_IMAGE008
为傅立叶逆变换；是倒频谱的时间变量，即倒频率，
Figure 650193DEST_PATH_IMAGE010
表示倒频谱，
Figure 96217DEST_PATH_IMAGE011
为信号的功率谱；
步骤(6)、利用绘制的倒频谱谱图，根据倒频谱谱图所呈现出的功率谱上的周期成分和分离边频带信号特性；在出现单一峰值并满足边频带特性所对应的时间点的时间的倒数即为故障频率；此时间点记为
Figure 915400DEST_PATH_IMAGE009
，即倒频率；将该故障频率与理论计算的滚动轴承的故障特征频率相比较，判断具体的故障。
CN2013100156195A 2013-01-16 2013-01-16 一种基于振动检测的滚动轴承故障检测方法 Pending CN103076177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100156195A CN103076177A (zh) 2013-01-16 2013-01-16 一种基于振动检测的滚动轴承故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100156195A CN103076177A (zh) 2013-01-16 2013-01-16 一种基于振动检测的滚动轴承故障检测方法

Publications (1)

Publication Number Publication Date
CN103076177A true CN103076177A (zh) 2013-05-01

Family

ID=48152782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100156195A Pending CN103076177A (zh) 2013-01-16 2013-01-16 一种基于振动检测的滚动轴承故障检测方法

Country Status (1)

Country Link
CN (1) CN103076177A (zh)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439110A (zh) * 2013-07-31 2013-12-11 哈尔滨工程大学 滚动轴承早期微弱故障诊断方法
CN103473553A (zh) * 2013-08-19 2013-12-25 中国科学院上海微系统与信息技术研究所 一种基于声震复合传感器的运动目标识别方法
CN103528820A (zh) * 2013-10-10 2014-01-22 辽宁大学 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN103543026A (zh) * 2013-10-23 2014-01-29 青岛理工大学 基于振动传递率函数和支持向量机的结构损伤识别方法
CN103712680A (zh) * 2014-01-02 2014-04-09 上海理工大学 一种旋转机械滚动轴承预警方法
CN103884509A (zh) * 2014-03-13 2014-06-25 内蒙古电力勘测设计院 汽轮机轴瓦振动故障检测方法
CN103900816A (zh) * 2014-04-14 2014-07-02 上海电机学院 一种风力发电机组轴承故障诊断方法
CN104111172A (zh) * 2014-07-17 2014-10-22 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
CN104677580A (zh) * 2015-01-30 2015-06-03 燕山大学 基于解析模态分解的旋转机械故障诊断方法
CN104807639A (zh) * 2015-04-23 2015-07-29 广西大学 一种机车走行部滚动轴承故障诊断方法和装置
CN105092241A (zh) * 2015-08-10 2015-11-25 昆明理工大学 一种齿轮局部故障诊断方法及系统
CN105628380A (zh) * 2015-12-25 2016-06-01 绍兴文理学院 一种可调式中智模型轴承故障分类器及其故障分类方法
CN105758640A (zh) * 2014-12-19 2016-07-13 安徽容知日新信息技术有限公司 旋转设备特征频率计算方法
CN106021906A (zh) * 2016-05-16 2016-10-12 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106092578A (zh) * 2016-07-15 2016-11-09 西安交通大学 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CN106226049A (zh) * 2016-07-13 2016-12-14 广东石油化工学院 一种基于波形指标的旋转机械故障诊断方法
CN106404396A (zh) * 2016-08-30 2017-02-15 四川中烟工业有限责任公司 一种滚动轴承的故障诊断方法
CN106769000A (zh) * 2016-11-10 2017-05-31 哈尔滨工业大学 一种基于功率流有限元法的风电齿轮箱故障振动信号的传递路径确定方法
CN106918452A (zh) * 2017-03-17 2017-07-04 河海大学 一种基于振动的双馈异步发电机滑环装置故障诊断方法
CN107525671A (zh) * 2017-07-28 2017-12-29 中国科学院电工研究所 一种风电传动链复合故障特征分离与辨识方法
CN108593296A (zh) * 2018-04-26 2018-09-28 济南大学 一种基于倒谱伪边距的轴承单点故障诊断方法
CN108844616A (zh) * 2018-04-23 2018-11-20 中国人民解放军火箭军工程大学 一种次声事件检测方法及系统
CN108844740A (zh) * 2018-06-27 2018-11-20 中国直升机设计研究所 一种基于med和倒频谱的滚动轴承早期故障诊断方法
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN109883703A (zh) * 2019-03-08 2019-06-14 华北电力大学 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法
CN110057583A (zh) * 2019-03-01 2019-07-26 西人马(西安)测控科技有限公司 一种轴承故障识别方法、装置及计算机设备
CN111693282A (zh) * 2019-03-15 2020-09-22 计算系统有限公司 波形获取优化
CN112665704A (zh) * 2019-10-15 2021-04-16 上海数深智能科技有限公司 一种拆分动设备振动频谱峰频的方法
CN113009334A (zh) * 2021-02-18 2021-06-22 华中科技大学 一种基于小波包能量分析的电机故障检测方法及系统
CN113038516A (zh) * 2021-03-26 2021-06-25 苏州攀登者信息科技有限公司 一种应用于高铁系统的下行频段估计方法
CN113720545A (zh) * 2021-08-23 2021-11-30 国网天津市电力公司电力科学研究院 一种组合电器法兰气体泄漏故障的振动检测方法
CN114871850A (zh) * 2022-04-22 2022-08-09 浙江大学 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
CN115808236A (zh) * 2023-02-02 2023-03-17 武汉理工大学 船用涡轮增压器故障在线监测诊断方法、装置和存储介质
CN117871096A (zh) * 2024-03-11 2024-04-12 昆明理工大学 一种滚动轴承故障模拟实验装置及故障在线诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408696B1 (en) * 1999-12-06 2002-06-25 Ai Signal Research, Inc. Coherent phase line enhancer spectral analysis technique
CN102183366A (zh) * 2011-03-08 2011-09-14 上海大学 滚动轴承振动测量和故障分析装置及方法
CN102269655A (zh) * 2010-06-04 2011-12-07 北京化工大学 一种轴承故障的诊断方法
CN102539150A (zh) * 2012-01-17 2012-07-04 电子科技大学 基于连续小波变换的旋转机械部件的自适应故障诊断方法
CN102607845A (zh) * 2012-03-05 2012-07-25 北京工业大学 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
US20120253694A1 (en) * 2011-03-28 2012-10-04 Hong-Tsu Young Method and apparatus for judging status of mechanical system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408696B1 (en) * 1999-12-06 2002-06-25 Ai Signal Research, Inc. Coherent phase line enhancer spectral analysis technique
CN102269655A (zh) * 2010-06-04 2011-12-07 北京化工大学 一种轴承故障的诊断方法
CN102183366A (zh) * 2011-03-08 2011-09-14 上海大学 滚动轴承振动测量和故障分析装置及方法
US20120253694A1 (en) * 2011-03-28 2012-10-04 Hong-Tsu Young Method and apparatus for judging status of mechanical system
CN102539150A (zh) * 2012-01-17 2012-07-04 电子科技大学 基于连续小波变换的旋转机械部件的自适应故障诊断方法
CN102607845A (zh) * 2012-03-05 2012-07-25 北京工业大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李阳 等: "连续小波变换的滚动轴承故障诊断", 《机械与电子》 *
李阳: "小波分析在滚动轴承故障诊断中的研究", 《中国优秀硕士学位论文全文数据库·工程科技II辑》 *
王旭峰: "基于倒频谱分析法的滚动轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库·工程科技II辑》 *

Cited By (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439110A (zh) * 2013-07-31 2013-12-11 哈尔滨工程大学 滚动轴承早期微弱故障诊断方法
CN103439110B (zh) * 2013-07-31 2015-12-09 哈尔滨工程大学 滚动轴承早期微弱故障诊断方法
CN103473553A (zh) * 2013-08-19 2013-12-25 中国科学院上海微系统与信息技术研究所 一种基于声震复合传感器的运动目标识别方法
CN103528820B (zh) * 2013-10-10 2015-11-18 辽宁大学 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN103528820A (zh) * 2013-10-10 2014-01-22 辽宁大学 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN103543026B (zh) * 2013-10-23 2015-07-01 青岛理工大学 基于振动传递率函数和支持向量机的结构损伤识别方法
CN103543026A (zh) * 2013-10-23 2014-01-29 青岛理工大学 基于振动传递率函数和支持向量机的结构损伤识别方法
CN103712680A (zh) * 2014-01-02 2014-04-09 上海理工大学 一种旋转机械滚动轴承预警方法
CN103884509A (zh) * 2014-03-13 2014-06-25 内蒙古电力勘测设计院 汽轮机轴瓦振动故障检测方法
CN103900816A (zh) * 2014-04-14 2014-07-02 上海电机学院 一种风力发电机组轴承故障诊断方法
CN104111172A (zh) * 2014-07-17 2014-10-22 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
CN105758640A (zh) * 2014-12-19 2016-07-13 安徽容知日新信息技术有限公司 旋转设备特征频率计算方法
CN104677580A (zh) * 2015-01-30 2015-06-03 燕山大学 基于解析模态分解的旋转机械故障诊断方法
CN104807639A (zh) * 2015-04-23 2015-07-29 广西大学 一种机车走行部滚动轴承故障诊断方法和装置
CN105092241A (zh) * 2015-08-10 2015-11-25 昆明理工大学 一种齿轮局部故障诊断方法及系统
CN105628380B (zh) * 2015-12-25 2017-12-26 绍兴文理学院 一种可调式中智模型轴承故障分类器的故障分类方法
CN105628380A (zh) * 2015-12-25 2016-06-01 绍兴文理学院 一种可调式中智模型轴承故障分类器及其故障分类方法
CN106021906B (zh) * 2016-05-16 2019-03-05 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106021906A (zh) * 2016-05-16 2016-10-12 常州信息职业技术学院 基于倒频谱分析的颤振在线监测方法
CN106226049A (zh) * 2016-07-13 2016-12-14 广东石油化工学院 一种基于波形指标的旋转机械故障诊断方法
CN106226049B (zh) * 2016-07-13 2018-07-06 广东石油化工学院 一种基于波形指标的旋转机械故障诊断方法
CN106092578A (zh) * 2016-07-15 2016-11-09 西安交通大学 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CN106404396A (zh) * 2016-08-30 2017-02-15 四川中烟工业有限责任公司 一种滚动轴承的故障诊断方法
CN106769000A (zh) * 2016-11-10 2017-05-31 哈尔滨工业大学 一种基于功率流有限元法的风电齿轮箱故障振动信号的传递路径确定方法
CN106769000B (zh) * 2016-11-10 2019-03-26 哈尔滨工业大学 一种基于功率流有限元法的风电齿轮箱故障振动信号的传递路径确定方法
CN106918452A (zh) * 2017-03-17 2017-07-04 河海大学 一种基于振动的双馈异步发电机滑环装置故障诊断方法
CN107525671A (zh) * 2017-07-28 2017-12-29 中国科学院电工研究所 一种风电传动链复合故障特征分离与辨识方法
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN111094927A (zh) * 2017-09-26 2020-05-01 舍弗勒技术股份两合公司 轴承故障诊断方法及装置、可读存储介质及电子设备
CN108844616A (zh) * 2018-04-23 2018-11-20 中国人民解放军火箭军工程大学 一种次声事件检测方法及系统
CN108844616B (zh) * 2018-04-23 2020-06-30 中国人民解放军火箭军工程大学 一种次声事件检测方法及系统
CN108593296A (zh) * 2018-04-26 2018-09-28 济南大学 一种基于倒谱伪边距的轴承单点故障诊断方法
CN108593296B (zh) * 2018-04-26 2020-01-31 济南大学 一种基于倒谱伪边距的轴承单点故障诊断方法
CN108844740A (zh) * 2018-06-27 2018-11-20 中国直升机设计研究所 一种基于med和倒频谱的滚动轴承早期故障诊断方法
CN110057583A (zh) * 2019-03-01 2019-07-26 西人马(西安)测控科技有限公司 一种轴承故障识别方法、装置及计算机设备
CN109883703B (zh) * 2019-03-08 2021-04-20 华北电力大学 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法
CN109883703A (zh) * 2019-03-08 2019-06-14 华北电力大学 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法
CN111693282A (zh) * 2019-03-15 2020-09-22 计算系统有限公司 波形获取优化
CN112665704A (zh) * 2019-10-15 2021-04-16 上海数深智能科技有限公司 一种拆分动设备振动频谱峰频的方法
CN113009334A (zh) * 2021-02-18 2021-06-22 华中科技大学 一种基于小波包能量分析的电机故障检测方法及系统
CN113009334B (zh) * 2021-02-18 2022-07-01 华中科技大学 一种基于小波包能量分析的电机故障检测方法及系统
CN113038516A (zh) * 2021-03-26 2021-06-25 苏州攀登者信息科技有限公司 一种应用于高铁系统的下行频段估计方法
CN113720545A (zh) * 2021-08-23 2021-11-30 国网天津市电力公司电力科学研究院 一种组合电器法兰气体泄漏故障的振动检测方法
CN114871850A (zh) * 2022-04-22 2022-08-09 浙江大学 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
CN115808236A (zh) * 2023-02-02 2023-03-17 武汉理工大学 船用涡轮增压器故障在线监测诊断方法、装置和存储介质
CN115808236B (zh) * 2023-02-02 2023-05-05 武汉理工大学 船用涡轮增压器故障在线监测诊断方法、装置和存储介质
CN117871096A (zh) * 2024-03-11 2024-04-12 昆明理工大学 一种滚动轴承故障模拟实验装置及故障在线诊断方法

Similar Documents

Publication Publication Date Title
CN103076177A (zh) 一种基于振动检测的滚动轴承故障检测方法
Zhang et al. Feature extraction method based on adaptive and concise empirical wavelet transform and its applications in bearing fault diagnosis
Han et al. Fault feature extraction of low speed roller bearing based on Teager energy operator and CEEMD
Cui et al. Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv
CN103439110B (zh) 滚动轴承早期微弱故障诊断方法
Li et al. Multiscale slope feature extraction for rotating machinery fault diagnosis using wavelet analysis
He et al. Multiscale noise tuning of stochastic resonance for enhanced fault diagnosis in rotating machines
He et al. Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis
Ma et al. Early fault diagnosis of bearing based on frequency band extraction and improved tunable Q-factor wavelet transform
Laha Enhancement of fault diagnosis of rolling element bearing using maximum kurtosis fast nonlocal means denoising
Zhang et al. Multi-fault diagnosis of gearbox based on resonance-based signal sparse decomposition and comb filter
Fan et al. A hybrid approach for fault diagnosis of planetary bearings using an internal vibration sensor
Yan et al. Harmonic wavelet-based data filtering for enhanced machine defect identification
CN205067090U (zh) 滚动轴承故障检测与诊断系统
Zhang et al. Teager energy spectral kurtosis of wavelet packet transform and its application in locating the sound source of fault bearing of belt conveyor
CN105784366A (zh) 一种变转速下的风电机组轴承故障诊断方法
Li et al. Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology
Boudiaf et al. A summary of vibration analysis techniques for fault detection and diagnosis in bearing
Song et al. A novel demodulation method for rotating machinery based on time-frequency analysis and principal component analysis
CN108572075A (zh) 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法
Sheng et al. Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank
Han et al. Roller bearing fault diagnosis based on LMD and multi-scale symbolic dynamic information entropy
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
Kong et al. Fault feature extraction of planet gear in wind turbine gearbox based on spectral kurtosis and time wavelet energy spectrum
Wang et al. Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C05 Deemed withdrawal (patent law before 1993)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130501