CN103837345A - 齿轮箱故障诊断方法及装置 - Google Patents
齿轮箱故障诊断方法及装置 Download PDFInfo
- Publication number
- CN103837345A CN103837345A CN201410111726.2A CN201410111726A CN103837345A CN 103837345 A CN103837345 A CN 103837345A CN 201410111726 A CN201410111726 A CN 201410111726A CN 103837345 A CN103837345 A CN 103837345A
- Authority
- CN
- China
- Prior art keywords
- module
- wavelet
- signal
- denoising
- frequency reconstruction
- 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)
Abstract
本发明提供了一种齿轮箱故障诊断方法及装置，方法包括：1）采用小波降噪法对齿轮箱的振动信号数据进行去噪处理；2）对去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形；3）进行多尺度小波重构，分别得到低频重构信号和高频重构信号；4）将所述低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势。本发明简单、有效的实现面向多故障的齿轮箱故障诊断，提高整台风机的可靠性，降低整机的运行维护成本，延长风机的盈利时间。
Description
技术领域
本发明涉及风电技术领域，特别是涉及一种基于多尺度小波分析和希尔伯特变换的面向多故障的新型齿轮箱故障诊断方法及装置。
背景技术
近年来，风力发电技术在新能源领域得到了迅速发展。由于风电机组的运行环境恶劣，当机组发生故障时设备维修工作困难，因此平时要加强对风电机组的主动维护，避免被动维修带来的困难。而齿轮箱是风电机组中的重要部件之一，众所周知，齿轮箱故障在整个风电机组机械故障中占有很大比例，是一种常见故障，因此对齿轮箱的故障检测显得极为重要。在现有风电机组维修体系中，大多数仍然采用事后维修和定期维修的方式，这容易造成大量人力物力的浪费。
为了提高整台风机的可靠性，降低整机的运行维护成本，延长风机的盈利时间，需要提供一种面向多故障且能及时有效判断出故障类型的齿轮箱故障诊断方法。
发明内容
本发明的目的在于，提供一种齿轮箱故障诊断方法，基于多尺度小波分析和希尔伯特变换，利用故障发生前期微弱的故障征兆，用小波降噪技术滤除齿轮箱振动信号中的噪声，然后对信号进行多尺度小波分解，通过分析低频重构信号，来预测是否将要产生故障，如果确定故障将要发生，再对高频重构信号进行希尔伯特变换，通过分析能量包络谱相应的波形参数值来判定预测故障的类型，实现简单、有效的对齿轮箱故障进行诊断。
为达到上述目的，本发明提供了一种齿轮箱故障诊断方法，包括以下步骤：（1）采用小波降噪法对齿轮箱的振动信号数据进行去噪处理；（2）对去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形；（3）进行多尺度小波重构，分别得到低频重构信号和高频重构信号；（4）将所述低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势。
进一步，步骤（1）中小波降噪法的小波函数选为sym5，采用极大极小软阈值去噪。
步骤（2）中进一步对去噪后的振动信号进行以db5为小波函数的5层小波分解。
所述方法在步骤（4）判定有发生故障的趋势之后进一步包括：（5）对所述高频重构信号进行希尔伯特变换得到相应包络谱；（6）将所述包络谱与预先获取的同一尺度无故障状态下的高频重构信号的希尔伯特变换包络谱比较，判断将要产生的故障的类型。
为达到上述目的，本发明还提供了一种齿轮箱故障诊断装置，包括：去噪模块、小波分解模块、小波重构模块以及第一比较模块；所述去噪模块采用小波降噪法对齿轮箱的振动信号数据进行去噪处理；所述小波分解模块与所述去噪模块相连，用于对经过所述去噪模块去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形；所述小波重构模块与所述小波分解模块相连，用于对所述小波分解模块获取的分解图形进行多尺度小波重构，分别得到低频重构信号和高频重构信号；所述第一比较模块与所述小波重构模块相连，用于将所述小波重构模块重构的低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势。
进一步，所述去噪模块中小波降噪法的小波函数选为sym5，采用极大极小软阈值去噪。
所述小波分解模块进一步对去噪后的振动信号进行以db5为小波函数的5层小波分解。
所述装置进一步包括变换模块以及第二比较模块；所述变换模块分别与所述第一比较模块以及小波重构模块相连，用于在所述第一比较模块判定有发生故障的趋势后，对所述小波重构模块重构的高频重构信号进行希尔伯特变换得到相应包络谱；所述第二比较模块与所述变换模块相连，用于将所述变换模块获取的包络谱与预先获取的同一尺度无故障状态下的高频重构信号的希尔伯特变换包络谱比较，判断将要产生的故障的类型。
本发明齿轮箱故障诊断方法及装置的优点是：利用故障发生前期微弱的故障征兆，首先用小波降噪技术滤除齿轮箱振动信号中的噪声，然后对信号进行多尺度小波分解，通过分析低频重构信号，来预测是否将要产生故障，如果确定故障将要发生，再对高频重构信号进行希尔伯特变换，通过分析能量包络谱相应的波形参数值来判定预测故障的类型。简单、有效的实现面向多故障的齿轮箱故障诊断，提高整台风机的可靠性，降低整机的运行维护成本，延长风机的盈利时间。
附图说明
图1是本发明齿轮箱故障诊断方法的流程图；
图2是本发明齿轮箱故障诊断装置的架构示意图。
具体实施方式
以下结合附图对本发明齿轮箱故障诊断方法及装置进行详细说明，但是应当指出，本发明的实施方式是为了解释目的的优选方案，并不是对本发明范围的限制。本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
参见图1，本发明所述的齿轮箱故障诊断方法的流程图，接下来对该方法所述步骤做详细说明。
S11：采用小波降噪法对齿轮箱的振动信号数据进行去噪处理。
优选的，小波降噪法的小波函数选为sym5，采用极大极小软阈值去噪，将所测得的振动信号处理成纯净的振动信号。
S12：对去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形。
优选的，本发明所述方法对去噪后的振动信号进行以db5为小波函数的5层小波分解。
S13：进行多尺度小波重构，分别得到低频重构信号和高频重构信号。
低频重构信号反映信号的发展趋势，高频重构信号反映信号的细节特征。
S14：将所述低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势；否则，即可判定齿轮箱无故障。
无故障状态下的低频重构信号可以通过对获取的正常状态下的振动信号进行步骤S11-S13的处理预先获得；以便在后续获取的振动信号经处理后与之比较，进而判断是否有发生故障的趋势。
本发明所述方法在步骤S14判定有发生故障的趋势之后进一步包括：
S15：对所述高频重构信号进行希尔伯特变换得到相应包络谱。
当多尺度小波重构出的低频重构信号反映出有发生故障的发展趋势后，对重构出的高频重构信号进行处理，进一步获取信号的细节特征。
S16：将所述包络谱与预先获取的同一尺度无故障状态下的高频重构信号的希尔伯特变换包络谱比较，判断将要产生的故障的类型。
无故障状态下的高频重构信号可以通过对获取的正常状态下的振动信号进行步骤S11-S13的处理预先获得；以便在后续获取的振动信号经处理后与之比较，进而判断将要产生的故障的类型。
参见图2，本发明齿轮箱故障诊断装置的架构示意图，所述装置包括：去噪模块21、小波分解模块22、小波重构模块23、第一比较模块24、变换模块25以及第二比较模块26。
所述去噪模块21采用小波降噪法对齿轮箱的振动信号数据进行去噪处理。优选的，小波降噪法的小波函数选为sym5，采用极大极小软阈值去噪，将所测得的振动信号处理成纯净的振动信号。
所述小波分解模块22与所述去噪模块21相连，用于对经过所述去噪模块21去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形。优选的，对去噪后的振动信号进行以db5为小波函数的5层小波分解。
所述小波重构模块23与所述小波分解模块22相连，用于对所述小波分解模块22获取的分解图形进行多尺度小波重构，分别得到低频重构信号和高频重构信号。低频重构信号反映信号的发展趋势，高频重构信号反映信号的细节特征。
所述第一比较模块24与所述小波重构模块23相连，用于将所述小波重构模块23重构的低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势。无故障状态下的低频重构信号可以通过对获取的正常状态下的振动信号通过去噪模块21、小波分解模块22以及小波重构模块23的处理预先获得；以便在后续获取的振动信号经处理后与之比较，进而判断是否有发生故障的趋势。
作为优选的实施方式，本发明在当多尺度小波重构出的低频重构信号反映出有发生故障的发展趋势后，对重构出的高频重构信号进行处理，进一步获取信号的细节特征。具体为：所述装置进一步包括变换模块25以及第二比较模块26。所述变换模块25分别与所述第一比较模块24以及小波重构模块23相连，用于在所述第一比较模块24判定有发生故障的趋势后，对所述小波重构模块23重构的高频重构信号进行希尔伯特变换得到相应包络谱。所述第二比较模块26与所述变换模块25相连，用于将所述变换模块25获取的包络谱与预先获取的同一尺度无故障状态下的高频重构信号的希尔伯特变换包络谱比较，判断将要产生的故障的类型。无故障状态下的高频重构信号可以通过对获取的正常状态下的振动信号进行步骤S11-S13的处理预先获得；以便在后续获取的振动信号经处理后与之比较，进而判断将要产生的故障的类型。
接下来给出上述技术方案的一实施例，对本发明所述齿轮箱故障诊断方法及装置的工作原理作进一步说明。本实施例中由基于QPZZ-II.旋转机械振动分析及故障诊断试验平台系统实验得到实验数据。采样频率定为2000*2.56hz。
首先在系统正常工作、加载电流为0.2A、实测转速为800r/min的条件下得到齿轮箱的振动信号数据；然后换上有断齿故障的齿轮，在加载电流为0.2A、实测转速840r/min的条件下测得齿轮箱断齿故障振动信号数据；在小齿轮有磨损故障、加载电流为0.2A、实测转速830r/min的条件下得到齿轮箱磨损故障振动信号数据；在大齿轮点蚀、加载电流为0.2A、转速为834r/min的条件下得到齿轮箱点蚀故障振动信号数据。
通过多次试验仿真设定各种故障类型所对应的波形指标参数值的范围得到表1，即可将不同故障类型的特征区别开来。实际运行中将所有参数乘以相应的比例因子即可得到实际运行状态下的风力发电机齿轮箱不同故障类型所对应的参数范围。
| 信号类型 | 峰值 | 有效值 | 均值 | 峭度 |
| 正常 | 2000-3000 | 320-520 | 40-55 | 1000-3300 |
| 断齿 | 1200-1400 | 190-210 | 22-25 | |
| 点蚀 | 1400-2000 | 210-290 | 3300-3700 | |
| 磨损 | 4000-6000 | 750-900 | 55-75 | 2600-3300 |
表1 故障特征参数及取值范围。
将表1所示范围分别用以下三种故障数据进行验证：1，大齿轮断齿故障，加载电流为0.1A，实测转速 860 n/min；2，大齿轮点蚀故障，加载电流为0.1A，实测转速850n/min；3，小齿轮磨损故障，加载电流为0.05A，实测转速868 n/min；得到的对应参数如表2所示。由实验结果可以发现三种类型的相应参数值均在表1所对应范围内，也即本发明所述方法可有效诊断齿轮箱故障。
| 信号类型 | 峰值 | 有效值 | 均值 | 峭度 |
| 大齿轮断齿，0.1A， 860 n/min | 12698 | 192.6596 | 24.1872 | |
| 大齿轮点蚀，0.2A，834n/min | 19108 | 286.668 | 3350.9 | |
| 小齿轮磨损，0.05A，868 n/min | 50406 | 796.6544 | 50.5093 |
表2 实验验证结果。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种齿轮箱故障诊断方法，其特征在于，包括以下步骤：
（1）采用小波降噪法对齿轮箱的振动信号数据进行去噪处理；
（2）对去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形；
（3）进行多尺度小波重构，分别得到低频重构信号和高频重构信号；
（4）将所述低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势。
2.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，步骤（1）中小波降噪法的小波函数选为sym5，采用极大极小软阈值去噪。
3.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，步骤（2）中进一步对去噪后的振动信号进行以db5为小波函数的5层小波分解。
4.根据权利要求1所述的齿轮箱故障诊断方法，其特征在于，所述方法在步骤（4）判定有发生故障的趋势之后进一步包括：
（5）对所述高频重构信号进行希尔伯特变换得到相应包络谱；
（6）将所述包络谱与预先获取的同一尺度无故障状态下的高频重构信号的希尔伯特变换包络谱比较，判断将要产生的故障的类型。
5.一种齿轮箱故障诊断装置，其特征在于，包括：去噪模块、小波分解模块、小波重构模块以及第一比较模块；
所述去噪模块采用小波降噪法对齿轮箱的振动信号数据进行去噪处理；
所述小波分解模块与所述去噪模块相连，用于对经过所述去噪模块去噪后的振动信号进行多尺度小波分解，得到不同分解尺度信号的分解图形；
所述小波重构模块与所述小波分解模块相连，用于对所述小波分解模块获取的分解图形进行多尺度小波重构，分别得到低频重构信号和高频重构信号；
所述第一比较模块与所述小波重构模块相连，用于将所述小波重构模块重构的低频重构信号与预先获取的同一尺度无故障状态下的低频重构信号比较，若有差异且差异有增大趋势，则判定有发生故障的趋势。
6.根据权利要求5所述的齿轮箱故障诊断装置，其特征在于，所述去噪模块中小波降噪法的小波函数选为sym5，采用极大极小软阈值去噪。
7.根据权利要求5所述的齿轮箱故障诊断装置，其特征在于，所述小波分解模块进一步对去噪后的振动信号进行以db5为小波函数的5层小波分解。
8.根据权利要求5所述的齿轮箱故障诊断装置，其特征在于，所述装置进一步包括变换模块以及第二比较模块；
所述变换模块分别与所述第一比较模块以及小波重构模块相连，用于在所述第一比较模块判定有发生故障的趋势后，对所述小波重构模块重构的高频重构信号进行希尔伯特变换得到相应包络谱；
所述第二比较模块与所述变换模块相连，用于将所述变换模块获取的包络谱与预先获取的同一尺度无故障状态下的高频重构信号的希尔伯特变换包络谱比较，判断将要产生的故障的类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410111726.2A CN103837345B (zh) | 2014-03-25 | 2014-03-25 | 齿轮箱故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410111726.2A CN103837345B (zh) | 2014-03-25 | 2014-03-25 | 齿轮箱故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103837345A true CN103837345A (zh) | 2014-06-04 |
| CN103837345B CN103837345B (zh) | 2016-06-22 |
Family
ID=50801064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410111726.2A Expired - Fee Related CN103837345B (zh) | 2014-03-25 | 2014-03-25 | 齿轮箱故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103837345B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104458250A (zh) * | 2014-12-02 | 2015-03-25 | 上海电机学院 | 智能化齿轮箱故障诊断方法 |
| CN104502099A (zh) * | 2015-01-20 | 2015-04-08 | 中国人民解放军军事交通学院 | 齿轮箱瞬变工况特征分量循频提取方法 |
| CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
| 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 |
| 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 |
| CN106089754A (zh) * | 2016-07-04 | 2016-11-09 | 宁波巨神制泵实业有限公司 | 基于“互联网+”的潜水泵实时故障诊断与维修方法 |
| CN106404399A (zh) * | 2016-11-03 | 2017-02-15 | 北京印刷学院 | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 |
| CN107714037A (zh) * | 2017-10-12 | 2018-02-23 | 西安科技大学 | 一种基于脑机接口矿用头盔的矿工疲劳识别方法 |
| CN108090427A (zh) * | 2017-12-07 | 2018-05-29 | 上海电机学院 | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 |
| CN109738168A (zh) * | 2018-11-22 | 2019-05-10 | 国网宁夏电力有限公司检修公司 | 比较有载调压开关各阶段时间进行故障诊断的方法 |
| CN110717472A (zh) * | 2019-10-17 | 2020-01-21 | 齐鲁工业大学 | 基于改进的小波阈值去噪的故障诊断方法及系统 |
| CN110987431A (zh) * | 2019-11-08 | 2020-04-10 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
| CN110987433A (zh) * | 2019-12-13 | 2020-04-10 | 华中科技大学 | 一种基于高频信号特征幅值的轴承故障预警方法 |
| CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
| CN115420499A (zh) * | 2022-11-04 | 2022-12-02 | 北谷电子有限公司 | 基于李雅普诺夫指数的齿轮箱故障诊断方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI628037B (zh) * | 2016-12-15 | 2018-07-01 | 財團法人金屬工業研究發展中心 | 設備振動分析裝置及其分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3673689B2 (ja) * | 2000-02-29 | 2005-07-20 | 独立行政法人科学技術振興機構 | 歯車動的性能の評価システム及び評価方法 |
| JP2008292288A (ja) * | 2007-05-24 | 2008-12-04 | Mitsubishi Electric Engineering Co Ltd | 減速機の軸受診断装置 |
| 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 |
-
2014
- 2014-03-25 CN CN201410111726.2A patent/CN103837345B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3673689B2 (ja) * | 2000-02-29 | 2005-07-20 | 独立行政法人科学技術振興機構 | 歯車動的性能の評価システム及び評価方法 |
| JP2008292288A (ja) * | 2007-05-24 | 2008-12-04 | Mitsubishi Electric Engineering Co Ltd | 減速機の軸受診断装置 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张德祥等: "Hilbert-小波变换的齿轮箱故障诊断", 《计算机应用研究》, vol. 28, no. 11, 30 November 2011 (2011-11-30) * |
| 王江萍等: "基于小波包能量谱齿轮振动信号的分析与故障诊断", 《机械传动》, vol. 35, no. 1, 31 December 2011 (2011-12-31) * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104458250A (zh) * | 2014-12-02 | 2015-03-25 | 上海电机学院 | 智能化齿轮箱故障诊断方法 |
| CN104502099A (zh) * | 2015-01-20 | 2015-04-08 | 中国人民解放军军事交通学院 | 齿轮箱瞬变工况特征分量循频提取方法 |
| CN104502099B (zh) * | 2015-01-20 | 2017-05-17 | 中国人民解放军军事交通学院 | 齿轮箱瞬变工况特征分量循频提取方法 |
| CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN106089754A (zh) * | 2016-07-04 | 2016-11-09 | 宁波巨神制泵实业有限公司 | 基于“互联网+”的潜水泵实时故障诊断与维修方法 |
| CN106404399A (zh) * | 2016-11-03 | 2017-02-15 | 北京印刷学院 | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 |
| CN106404399B (zh) * | 2016-11-03 | 2019-03-26 | 北京印刷学院 | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 |
| CN107714037A (zh) * | 2017-10-12 | 2018-02-23 | 西安科技大学 | 一种基于脑机接口矿用头盔的矿工疲劳识别方法 |
| CN108090427A (zh) * | 2017-12-07 | 2018-05-29 | 上海电机学院 | 基于鸟群算法和隐马尔科夫模型的齿轮箱故障诊断方法 |
| CN109738168A (zh) * | 2018-11-22 | 2019-05-10 | 国网宁夏电力有限公司检修公司 | 比较有载调压开关各阶段时间进行故障诊断的方法 |
| CN110717472A (zh) * | 2019-10-17 | 2020-01-21 | 齐鲁工业大学 | 基于改进的小波阈值去噪的故障诊断方法及系统 |
| CN110987431A (zh) * | 2019-11-08 | 2020-04-10 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
| CN110987431B (zh) * | 2019-11-08 | 2021-11-23 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
| CN110987433A (zh) * | 2019-12-13 | 2020-04-10 | 华中科技大学 | 一种基于高频信号特征幅值的轴承故障预警方法 |
| CN110987433B (zh) * | 2019-12-13 | 2021-05-18 | 华中科技大学 | 一种基于高频信号特征幅值的轴承故障预警方法 |
| CN111444893A (zh) * | 2020-05-06 | 2020-07-24 | 南昌航空大学 | 一种矿井提升机主轴装置的故障诊断方法 |
| CN115420499A (zh) * | 2022-11-04 | 2022-12-02 | 北谷电子有限公司 | 基于李雅普诺夫指数的齿轮箱故障诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103837345B (zh) | 2016-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103837345B (zh) | 齿轮箱故障诊断方法及装置 | |
| Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
| Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
| Yin et al. | Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising | |
| Han et al. | Fault feature extraction of low speed roller bearing based on Teager energy operator and CEEMD | |
| Liu et al. | Vibration analysis for large-scale wind turbine blade bearing fault detection with an empirical wavelet thresholding method | |
| Sharma et al. | Extraction of weak fault transients using variational mode decomposition for fault diagnosis of gearbox under varying speed | |
| Salameh et al. | Gearbox condition monitoring in wind turbines: A review | |
| Kong et al. | Meshing frequency modulation assisted empirical wavelet transform for fault diagnosis of wind turbine planetary ring gear | |
| Feng et al. | Fault diagnosis of wind turbine planetary gearbox under nonstationary conditions via adaptive optimal kernel time–frequency analysis | |
| EP3631205B1 (en) | Wind turbine fault detection using acoustic, vibration, and electrical signals | |
| US9541606B2 (en) | Fault detection system and associated method | |
| CN106092565A (zh) | 一种振动故障分析方法及其系统 | |
| Shanbr et al. | Detection of natural crack in wind turbine gearbox | |
| Dybała | Diagnosing of rolling-element bearings using amplitude level-based decomposition of machine vibration signal | |
| CN101435799A (zh) | 基于声发射技术的水轮机故障诊断方法及装置 | |
| EP3788328B1 (en) | System and process for pattern matching bearing vibration diagnostics | |
| CN105092239A (zh) | 一种齿轮早期故障检测方法 | |
| CN108489719A (zh) | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 | |
| Mo et al. | Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis | |
| CN108036940A (zh) | 一种轴承故障诊断方法 | |
| Singh et al. | A review of vibration analysis techniques for rotating machines | |
| CN107448362A (zh) | 回转支承轴承的状态监测方法、装置及风力发电机组 | |
| Xu et al. | Caputo-Fabrizio fractional order derivative stochastic resonance enhanced by ADOF and its application in fault diagnosis of wind turbine drivetrain | |
| CN103278324B (zh) | 一种风力发电机组主传动系统故障诊断模拟装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160622 Termination date: 20190325 |