CN103115668A - 轧机振痕振动信号的故障特征提取方法及识别方法 - Google Patents

轧机振痕振动信号的故障特征提取方法及识别方法 Download PDF

Info

Publication number
CN103115668A
CN103115668A CN2013100232061A CN201310023206A CN103115668A CN 103115668 A CN103115668 A CN 103115668A CN 2013100232061 A CN2013100232061 A CN 2013100232061A CN 201310023206 A CN201310023206 A CN 201310023206A CN 103115668 A CN103115668 A CN 103115668A
Authority
CN
China
Prior art keywords
vibration signal
oscillation mark
milling train
frequency
time domain
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
Application number
CN2013100232061A
Other languages
English (en)
Other versions
CN103115668B (zh
Inventor
邵毅敏
余文念
吴胜利
邓潇
王利明
丁岩
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN201310023206.1A priority Critical patent/CN103115668B/zh
Publication of CN103115668A publication Critical patent/CN103115668A/zh
Application granted granted Critical
Publication of CN103115668B publication Critical patent/CN103115668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提出了一种轧机振痕振动信号的故障特征提取方法及识别方法,属于轧机故障监测领域。本发明采用基于二阶循环自相关的解调方法对振痕振动信号进行解调分析,可以有效地对非平稳的振痕振动信号进行频率解调,并且对解调后的二阶循环自相关函数进行时域切片,完整地保留了振痕振动信号的调制信息,由此提高了振痕振动信号故障特征提取的准确度;本发明还采用功率谱信息熵的形式来识别轧机是否存在故障,无需考虑轧机速度波动的影响,识别方法简单且准确度高。

Description

轧机振痕振动信号的故障特征提取方法及识别方法
技术领域
本发明涉及一种轧机振痕振动信号的故障特征提取方法及识别方法,尤其涉及一种基于二阶循环自相关函数的轧机振痕振动信号的故障特征提取方法以及一种基于功率谱信息熵的轧机振痕振动信号的故障识别方法。
背景技术
轧机的振动及振痕振动的在线控制一直是一个世界范围内的技术难题,世界上大多数钢铁公司的轧机或多或少都存在着轧机振动问题。轧机的振动问题,不仅使轧机的机械性能和精度受到严重影响,而且强烈的轧机振动会严重影响产品的表面质量,给企业带来巨大经济损失。为了研究不锈钢带钢产生振痕产生的原因,监测和控制二十辊轧机的振痕振动,进一步提高产品的合格率,有必要在轧机振动测试和振动数据分析的基础上,通过对轧机正常和异常运行振动特征的对比分析,提取轧机振痕振动的有效监测方法,识别轧机振痕振动时的信号特征,从而获取判断轧机是否产生振痕的依据,最终建立一套在线监测二十辊轧机振动与振痕特征识别系统。
世界各国的专家和研究人员都致力于振痕的研究,试图合理的解释振痕产生的可能原因及减少振痕的措施。Paton D L,Chritchley等研究人员针对加拿大Dofasco两套冷连轧机的垂直振动现象进行现场测试与理论分析后认为,轧制过程中张力的波动会诱发轧机的自激振动。日本学者Yarita I提出,工作辊和轧件间润滑不良也是造成轧机的振动重要原因。John J.GasParic针对轧件表面的振纹现象,认为振动的激励可能源于轧辊在磨床上加工时在表面上形成的振痕,当该振痕的波长与振动波长接近时,可能激发轧机的振动。进一步的,Roberts在研究美国某钢铁公司带钢表面明暗相间的振纹时发现,在特定的轧制速度下,当工作辊和支撑辊表面振纹的数目都是整数时,轧件表面更容易形成振纹,该速度为容易引发振纹的“诱导速度”。他还认为振纹的产生是由工作辊和支承辊之间的冲击造成的。Nessler等人通过有限元法研究了辊系弯曲振动特性,认为振纹的产生与上下支承辊的直径差有关,避开“诱导速度”能有效防止振动。
轧机振痕与振动研究已经持续40余年,大多数研究都集中在轧机振痕产生的机理和振动控制方面,关于轧机振痕振动监测的研究很少,事实上关于轧机振动监测其实是一个很重要和热门的课题。目前,通过监测轧机振动信号,识别其振动信号特征,从而判断监测轧机是否正常工作是最有效地途径。然而,轧机在轧制过程中存在着不可避免的速度波动情况,导致测取的振动信号为非平稳随机信号,同时也很可能带来频率调制现象,从而掩盖了轧机振痕振动的信号信息。而现有的大多数解调方法如包络解调,平方解调,绝对值解调主要针对平稳随机的幅值调制信号。
故亟需一种针对轧机振动信号的频率解调算法,揭示轧机振痕振动的故障特征信息;同时也需要提出针对轧机振痕振动的监测方法,及其振动信号特征的有效识别方法,以便为判断轧机在正常生产过程中是否产生振痕提供依据,从而增强轧机系统的产能发挥,提高轧机的生产效率。
发明内容
本发明旨在解决现有技术中存在的技术问题,创新地提出了一种轧机振痕振动信号的故障特征提取方法,采用基于二阶循环自相关函数的解调方法,可以有效地对非平稳的振痕振动信号进行频率解调,并且对解调后的二阶循环自相关函数进行时域切片,完整地保留了振痕振动信号的调制信息,由此提高了振痕振动信号故障特征提取的准确度。
本发明还提出了一种轧机振痕振动信号的故障识别方法,采用功率谱信息熵的形式来识别轧机是否存在故障,无需考虑轧机速度波动的影响,识别方法简单且准确度高。
为了实现本发明的上述目的,本发明提供了一种轧机振痕振动信号的故障特征提取方法,其特征在于由以下步骤组成:
A1、采集轧机的振痕振动信号,并且对该振痕振动信号进行频谱分析,确定该振痕振动信号的共振峰频带;
A2、对该共振峰频带下的振痕振动信号进行带通滤波,滤除将会影响下一步中解调分析过程的频率成分;
A3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析,获得二阶循环自相关函数;
A4、对该二阶循环自相关函数进行时域切片,获得时域切片信号,从而提取出该振痕振动信号的故障特征信息。
所述步骤A4中在对该二阶循环自相关函数进行时域切片的过程中:当切片频率为低频时,该时域切片信号为以载波频率fz为调制中心,以调制频率fn及其倍频成分为调制边频带的调制波形;当切片频率为高频时,该时域切片信号为频谱为调制频率fn的调制波形。
轧机在轧制过程中存在着不可避免的速度波动情况,导致测取的振动信号一般为非平稳的随机信号,同时也可能带来频率调制现象,从而掩盖了真实的轧机振痕振动信号。本发明采用基于二阶循环自相关的解调方法,可以有效地对非平稳的振痕振动信号进行频率解调,并且对解调后的二阶循环自相关函数进行时域切片,完整地保留了振痕振动信号的调制信息,由此提高了振痕振动信号故障特征提取的准确度。
本发明还提供了一种轧机振痕振动信号的故障识别方法,其特征在于由以下步骤组成:
B1、按照权利要求1所述的轧机振痕振动信号的故障特征提取方法,获得时域切片信号;
B2、根据公式
Figure BDA00002762450800041
计算出该时域切片信号的功率谱S(ω),其中X(ω)表示该时域切片信号的傅里叶变换,N表示该时域切片信号的长度;
B3、根据公式计算出该时域切片信号的功率谱信息熵H(ω),并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较:如果H(ω)小于H则表示该轧机存在振痕振动,否则表示该轧机不存在振痕振动。
传统的振痕振动信号故障识别方法通过监测故障特征频率成分谱值来判断轧机是否出现故障,存在一个很大的弊端,即轧机轧制速度的波动致使监测频率不固定,加大了故障诊断和识别的难度。本发明对时域切片信号求功率谱信息熵并通过该功率谱信息熵来识别轧机是否存在故障,无需考虑速度波动的影响,能定量的反映解调信号中故障特征,识别方法简单且准确度高。
所述步骤B3对于正常的振痕振动信号,功率谱信息熵H(ω)较大;对于异常的振痕振动信号,功率谱信息熵H(ω)较小。
所述步骤B3中将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3,并且将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较,其中为H1、H2和H3大于零的任意数值且H1<H2<H3:
当H(ω)≤严重报警阈值H1时,报警灯为红灯,实现严重报警;
当H(ω)≤轻微报警阈值H2时,报警灯为橙灯,实现轻微报警;
当H(ω)≤预警阈值H3时,报警灯为黄灯,实现预警;
否则报警灯为绿灯,表示运行正常。
本发明采用多重报警的形式,设计更加人性化。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明采用基于二阶循环自相关的解调方法,可以有效地对非平稳的振痕振动信号进行频率解调,并且对解调后的二阶循环自相关函数进行时域切片,完整地保留了振痕振动信号的调制信息,由此提高了振痕振动信号故障特征提取的准确度;
2、采用功率谱信息熵的形式来识别轧机是否存在故障,无需考虑轧机速度波动的影响,识别方法简单且准确度高;
3、本发明采用多重报警的形式,设计更加人性化。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是轧机振痕振动信号的故障提取方法的流程图;
图2是二阶循环自相关函数的波形图;
图3是切片频率为低频时,该时域切片信号的波形图;
图4是切片频率为高频时,该时域切片信号的波形图;
图5是在本发明的第一实施例中,该轧机振痕振动信号的故障识别方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,该轧机振痕振动信号的故障提取方法由以下步骤组成:
S1、采集轧机的振痕振动信号,并对该振痕振动信号进行频谱分析,确定该振痕振动信号的共振峰频带。由于在共振峰频带范围内最容易出现调制现象,因此提高了振痕振动信号故障提取的准确度。
S2、对该共振峰频带下的振痕振动信号进行带通滤波,滤除将会影响下一步中解调分析过程的频率成分。
S3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析,获得二阶循环自相关函数,如图2所示。轧机在轧制过程中不可避免地存在速度波动情况,使得采集到的振痕振动信号为非平稳的随机信号,同时可能会带来了频率调制现象,从而掩盖了轧机实际的振痕振动信号,本发明采用基于二阶循环自相关的解调方法可以有效地对非平稳的随机信号进行频率解调,从而准确地获得轧机实际的振痕振动信号,提高振痕振动信号故障提取的准确度。
S4、对该二阶循环自相关函数进行时域切片,获得时域切片信号,从而提取出该振痕振动信号的故障特征。
在本步骤中设定x(t)为一个频率调制信号:x(t)=Acos[2πfzt+βsin(2πfnt)],其中A表示信号幅值;fz为载波频率,fn为调制频率,β为调制指数。
将x(t)=Acos[2πfzt+βsin(2πfnt)]代入二阶循环自相关函数的计算公式 R x n ( t ) = 1 im 1 T T &RightArrow; &infin; &Integral; - T / 2 T / 2 x ( t ) x * ( t - &tau; ) e - j 2 &pi;&alpha;t dt = < x ( t ) x * ( t - &tau; ) e - j 2 &pi;&alpha;t > t 中,获得:
Figure BDA00002762450800076
(t)=<Acos[2πfzt+βsin2πfnt]Acos[2πfz(t-τ)+βsin2πfn(t-τ)]e-j2παt>t
根据欧拉公式 cos ( &omega;t ) = 1 2 ( e j&omega;t + e - j&omega;t ) 和恒等式
Figure BDA00002762450800073
二阶循环自相关函数
Figure BDA00002762450800074
可整理为:
其中Jm(β)为变元β的第一类m阶Bessel函数。
从上式中可以看出二阶循环自相关函数的非零值只存在于循环频率等于调制频率及其各倍频处、2倍载波频率、2倍载波频率与调至频率及其各倍频的和差等地方,而在其他地方均为零。
在对该二阶循环自相函数进行时域切片(时延τ为自变量)的过程中,当切片频率为低频(一般为调制频率fn)时,该时域切片信号是以载波频率fz为调制中心,以调制频率fn及其倍频成分为调制边频带的调制波形,如图3所示。当切片频率为高频(一般为二倍载波频率fz)时,该时域切片信号几乎完整展现出调制波形,其频谱即为调制频率,如图4所示。
由此可见,该时域切片信号完整地保留了振痕振动信号的调制信息,提高了振痕振动信号故障提取的准确度。
本发明中该轧机振痕振动信号的识别方法,由以下步骤组成:
步骤一、按照上述步骤S1~S4提取出轧机振痕振动信号的故障特征,获得时域切片信号。
步骤二、根据公式
Figure BDA00002762450800081
计算出该时域切片信号的功率谱,其中X(ω)表示该时域切片信号的傅里叶变换,N表示该时域切片信号的长度。
步骤三、根据公式计算出该时域切片信号的功率谱信息熵H(ω),并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较:
如果H(ω)小于H则表示该轧机存在振痕振动,否则表示该轧机不存在振痕振动。
公式
Figure BDA00002762450800083
中对数底可取任何值,一般取10为底或e。任何一个随机变量的信息熵必然在[0,log n]区间内。随机变量的概率分布越均匀,则其熵越大。特别的,当随机变量为均匀分布时,其熵达到最大值log n;当随机变量取某个特定值时概率为1,取其他任何值时概率为0,则该随机变量的熵达到最小值0。
本发明将功率谱的横坐标频率视为随机变量,功率谱的纵坐标密度视为该随机变量的概率分布,因此,通过计算轧机振动信号功率谱密度函数的信息熵,可判断轧机振动信号各频率成分的分布情况。对于正常的振动信号,可以看成为随机信号,因此其信息熵较大;对于异常的振动信号,一般在其功率谱中存在集中的频率成分,因而其信息熵较小。
在本发明的第一实施例中,本发明还将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3,如图5所示,将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较,其中为H1、H2和H3大于零的任意数值且H1<H2<H3:
当H(ω)≤严重报警阈值H1时,报警灯为红灯,实现严重报警;
当H(ω)≤轻微报警阈值H2时,报警灯为橙灯,实现轻微报警;
当H(ω)≤预警阈值H3时,报警灯为黄灯,实现预警;
否则报警灯为绿灯,表示运行正常。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种轧机振痕振动信号的故障特征提取方法,其特征在于由以下步骤组成:
A1、采集轧机的振痕振动信号,并且对该振痕振动信号进行频谱分析,确定该振痕振动信号的共振峰频带;
A2、对该共振峰频带下的振痕振动信号进行带通滤波,滤除将会影响下一步中解调分析过程的频率成分;
A3、采用基于二阶循环自相关的解调方法对带通滤波后的振痕振动信号进行解调分析,获得二阶循环自相关函数;
A4、对该二阶循环自相关函数进行时域切片,获得时域切片信号,从而提取出该振痕振动信号的故障特征信息。
2.根据权利要求1所述的轧机振痕振动信号的故障特征提取方法,其特征在于所述步骤A4中在对该二阶循环自相关函数进行时域切片的过程中:当切片频率为低频时,该时域切片信号为以载波频率fz为调制中心,以调制频率fn及其倍频成分为调制边频带的调制波形;当切片频率为高频时,该时域切片信号为频谱为调制频率fn的调制波形。
3.一种轧机振痕振动信号的故障识别方法,其特征在于由以下步骤组成:
B1、按照权利要求1所述的轧机振痕振动信号的故障特征提取方法,获得时域切片信号;
B2、根据公式
Figure FDA00002762450700011
计算出该时域切片信号的功率谱S(ω),其中X(ω)表示该时域切片信号的傅里叶变换,N表示该时域切片信号的长度;
B3、根据公式
Figure FDA00002762450700012
计算出该时域切片信号的功率谱信息熵H(ω),并将该功率谱信息熵H(ω)与功率谱信息熵阈值H进行比较:如果H(ω)小于H则表示该轧机存在振痕振动,否则表示该轧机不存在振痕振动。
4.根据权利要求3所述的轧机振痕振动信号的故障识别方法,其特征在于所述步骤B3对于正常的振痕振动信号,功率谱信息熵H(ω)较大;对于异常的振痕振动信号,功率谱信息熵H(ω)较小。
5.根据权利要求3所述的轧机振痕振动信号的故障识别方法,其特征在于所述步骤B3中将该功率谱信息熵阈值H划分为严重报警阈值H1、轻微报警阈值H2和预警阈值H3,并且将该功率谱信息熵H(ω)依次与严重报警阈值H1、轻微报警阈值H2和预警阈值H3进行比较,其中为H1、H2和H3大于零的任意数值且H1<H2<H3:
当H(ω)≤严重报警阈值H1时,报警灯为红灯,实现严重报警;
当H(ω)≤轻微报警阈值H2时,报警灯为橙灯,实现轻微报警;
当H(ω)≤预警阈值H3时,报警灯为黄灯,实现预警;
否则报警灯为绿灯,表示运行正常。
CN201310023206.1A 2013-01-22 2013-01-22 轧机振痕振动信号的故障特征提取方法及识别方法 Active CN103115668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310023206.1A CN103115668B (zh) 2013-01-22 2013-01-22 轧机振痕振动信号的故障特征提取方法及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310023206.1A CN103115668B (zh) 2013-01-22 2013-01-22 轧机振痕振动信号的故障特征提取方法及识别方法

Publications (2)

Publication Number Publication Date
CN103115668A true CN103115668A (zh) 2013-05-22
CN103115668B CN103115668B (zh) 2016-08-17

Family

ID=48414088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310023206.1A Active CN103115668B (zh) 2013-01-22 2013-01-22 轧机振痕振动信号的故障特征提取方法及识别方法

Country Status (1)

Country Link
CN (1) CN103115668B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104457968A (zh) * 2013-09-13 2015-03-25 宁波宝新不锈钢有限公司 一种基于峭度时变信号轧机振痕识别方法
CN104669114A (zh) * 2013-12-02 2015-06-03 宁波宝新不锈钢有限公司 磨床颤振监测系统及其磨削故障信号的提取和诊断方法
CN105092466A (zh) * 2015-06-23 2015-11-25 南车戚墅堰机车有限公司 一种磨削振痕的快速无损检测方法
CN105510812A (zh) * 2015-10-12 2016-04-20 国家电网公司 一种换流变分接开关状态监测系统及非平稳信号频谱估计方法
CN105521997A (zh) * 2014-09-30 2016-04-27 宝山钢铁股份有限公司 一种基于振动信号诊断轧机辊系故障的方法
CN106527169A (zh) * 2017-01-20 2017-03-22 深圳大图科创技术开发有限公司 基于蓝牙的智能家居控制系统
CN106552824A (zh) * 2015-09-28 2017-04-05 宝山钢铁股份有限公司 基于信号自相关性的轧机辊系故障自动判断方法及系统
CN106769031A (zh) * 2016-11-14 2017-05-31 西安交通大学 一种基于自相关零点计数的风机轴承阶变信号识别方法
CN107461342A (zh) * 2017-08-16 2017-12-12 江苏大学 一种离心泵故障在线诊断方法及系统
CN111476220A (zh) * 2020-06-03 2020-07-31 中国南方电网有限责任公司超高压输电公司大理局 一种换流阀空冷器故障定位方法
CN113828746A (zh) * 2021-09-22 2021-12-24 日照钢铁控股集团有限公司 一种利用铸坯振痕分布对结晶器流场进行评估的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102179413A (zh) * 2009-12-18 2011-09-14 Posco公司 检测冷轧过程中的质量异常的方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102179413A (zh) * 2009-12-18 2011-09-14 Posco公司 检测冷轧过程中的质量异常的方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE RUYING ET AL.: "HE Ruying et al.", 《INTERNATIONAL JOURNAL OF DESIGN ENGINEERING》 *
周福昌等: "循环自相关函数的解调特性分析及其在故障诊断中的应用", 《振动工程学报》 *
申弢等: "旋转机械振动信号的信息熵特征", 《机械工程学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104457968B (zh) * 2013-09-13 2017-11-24 宁波宝新不锈钢有限公司 一种基于峭度时变信号轧机振痕识别方法
CN104457968A (zh) * 2013-09-13 2015-03-25 宁波宝新不锈钢有限公司 一种基于峭度时变信号轧机振痕识别方法
CN104669114A (zh) * 2013-12-02 2015-06-03 宁波宝新不锈钢有限公司 磨床颤振监测系统及其磨削故障信号的提取和诊断方法
CN105521997A (zh) * 2014-09-30 2016-04-27 宝山钢铁股份有限公司 一种基于振动信号诊断轧机辊系故障的方法
CN105092466B (zh) * 2015-06-23 2017-09-12 南车戚墅堰机车有限公司 一种磨削振痕的快速无损检测方法
CN105092466A (zh) * 2015-06-23 2015-11-25 南车戚墅堰机车有限公司 一种磨削振痕的快速无损检测方法
CN106552824A (zh) * 2015-09-28 2017-04-05 宝山钢铁股份有限公司 基于信号自相关性的轧机辊系故障自动判断方法及系统
CN106552824B (zh) * 2015-09-28 2018-12-07 宝山钢铁股份有限公司 基于信号自相关性的轧机辊系故障自动判断方法及系统
CN105510812A (zh) * 2015-10-12 2016-04-20 国家电网公司 一种换流变分接开关状态监测系统及非平稳信号频谱估计方法
CN106769031A (zh) * 2016-11-14 2017-05-31 西安交通大学 一种基于自相关零点计数的风机轴承阶变信号识别方法
CN106769031B (zh) * 2016-11-14 2019-03-26 西安交通大学 一种基于自相关零点计数的风机轴承阶变信号识别方法
CN106527169A (zh) * 2017-01-20 2017-03-22 深圳大图科创技术开发有限公司 基于蓝牙的智能家居控制系统
CN107461342A (zh) * 2017-08-16 2017-12-12 江苏大学 一种离心泵故障在线诊断方法及系统
CN107461342B (zh) * 2017-08-16 2019-05-31 江苏大学 一种离心泵故障在线诊断方法及系统
CN111476220A (zh) * 2020-06-03 2020-07-31 中国南方电网有限责任公司超高压输电公司大理局 一种换流阀空冷器故障定位方法
CN113828746A (zh) * 2021-09-22 2021-12-24 日照钢铁控股集团有限公司 一种利用铸坯振痕分布对结晶器流场进行评估的方法
CN113828746B (zh) * 2021-09-22 2023-05-23 日照钢铁控股集团有限公司 一种利用铸坯振痕分布对结晶器流场进行评估的方法

Also Published As

Publication number Publication date
CN103115668B (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN103115668A (zh) 轧机振痕振动信号的故障特征提取方法及识别方法
CN103914617B (zh) 地铁车辆转向架轴承的故障诊断方法
Cui et al. Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv
CN103575523B (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN102765010B (zh) 刀具破磨损状态检测方法及其检测系统
CN103175897B (zh) 一种基于振动信号端点检测的高速道岔伤损识别方法
CN105092467B (zh) 一种高速铁路车轮踏面擦伤快速监测装置及方法
CN106597136B (zh) 一种基于变电站巡检机器人的异常设备智能巡检方法
CN104807640A (zh) 基于振动敏感时频特征的空间滚动轴承寿命状态检测方法
CN103940611B (zh) 一种风电机组变工况下滚动轴承自适应异常检测方法
CN103698699A (zh) 一种基于模型的异步电动机故障监测诊断方法
CN105203936A (zh) 一种基于频谱分析的电力电缆局部放电缺陷类型判别方法
CN102175768A (zh) 一种基于振动信号的高铁钢轨伤损探测方法及装置
CN101666677B (zh) 一种用于提取低速重载设备微弱故障特征信息的方法
CN103048593A (zh) 一种气体绝缘开关设备绝缘缺陷种类的识别方法
CN102937522A (zh) 一种齿轮箱复合故障诊断方法及系统
CN102798798A (zh) 一种基于振动分析的电力变压器绕组变形检测方法
CN104268883A (zh) 一种基于边缘检测的时频谱曲线提取方法
CN103471848A (zh) 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
CN104390697A (zh) 一种基于c0复杂度与相关系数的铣削颤振检测方法
CN108022325B (zh) 一种汽车发动机数据采集与故障隐患分析预警模型
CN107403139A (zh) 一种城轨列车车轮扁疤故障检测方法
CN105478491B (zh) 一种带钢振动纹缺陷位置的定位方法
Wang et al. Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum
Wu et al. Envelope harmonic noise ratio based adaptive kurtogram and its application in bearing compound fault identification

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