CN104089774B - 一种基于并行多字典正交匹配的齿轮故障诊断方法 - Google Patents
一种基于并行多字典正交匹配的齿轮故障诊断方法 Download PDFInfo
- Publication number
- CN104089774B CN104089774B CN201410356780.3A CN201410356780A CN104089774B CN 104089774 B CN104089774 B CN 104089774B CN 201410356780 A CN201410356780 A CN 201410356780A CN 104089774 B CN104089774 B CN 104089774B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- atom
- signal
- allusion quotation
- parallel
- 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 30
- 230000008878 coupling Effects 0.000 title claims abstract description 17
- 238000010168 coupling process Methods 0.000 title claims abstract description 17
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000003116 impacting effect Effects 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000035939 shock Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000002921 genetic algorithm search Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于并行多字典正交匹配的齿轮故障诊断方法。本发明将齿轮振动信号表达成简洁、稀疏的并行多字典原子线性叠加形式。并行多字典根据齿轮振动信号特征,选取Fourier字典和冲击时频字典生成多字典,使用遗传算法在各子字典中并行选取匹配原子,比较各阶系数得出一个最匹配原子,对原子Gram-Schmidt正交化,形成一个新的原子库。将分析信号在此原子库投影,信号减去投影形成残差信号以供下次分解。满足迭代终止条件后完成分解过程,提取匹配原子及匹配系数,并将基于冲击时频字典的匹配原子重构,可得到相应的冲击成分,继而解调提取齿轮振动信号的故障信息进行故障诊断。
Description
技术领域
本发明涉及一种齿轮故障诊断方法,特别涉及一种基于并行多字典正交匹配的齿轮故障诊断方法,属于故障诊断技术领域。
背景技术
齿轮作为旋转类机械设备中一种必不可少的连接和传递动力的通用零部件,对其运转状态的检测和故障诊断具有很重要的意义。其故障振动信号是一类典型的非平稳、非线性信号,较平稳信号而言,其分布参数或者分布规律随时间发生变化,工程实际中所接触的往往也是这类信号,所以此类信号的研究对于工程应用具有极其重要的意义。
在对非平稳信号的分析中,时频分析手段表现出了一定优越性,典型的时频分析方法有短时傅里叶变化、Wigner-Ville分布、小波变换、Hilbert-Huang变换等,但一般的时频分析方法由于其分解基函数的单一对复杂信号的表达缺乏自适应性。1993年,Mallat和Zhang提出了基于过完备冗余字典对信号进行稀疏分解的匹配追踪方法,并引入了匹配追踪(MatchingPursuit,MP)算法,该算法从字典中挑选一组基元函数即原子来计算信号的一个线性展开,并通过求解信号在各原子上的正交投影对信号进行连续逼近。作为算法的改进,1993年Pati及Davis等人又提出正交MP(OrthogonalMatchingPursuit,OMP),本改进从分解效果来看,有更快的收敛速度,同时在稀疏性相同的情况下,较基本MP算法有更高的稀疏表示精度。
齿轮故障振动信号结构成分复杂,且具有大量噪声和瞬态特征,丰富的原子库信息对于实现不同结构成分分离和提取故障特征至关重要,但是这势必会增加算法的计算量也对重构精度提出更高的要求。
发明内容
本发明的目的在于提供了一种基于并行多字典正交匹配的齿轮故障诊断方法,以解决匹配追踪算法在齿轮故障诊断中的上述技术问题
为实现上述目的,本发明采用的技术方案为一种基于并行多字典正交匹配的齿轮故障诊断方法,该方法包括采集齿轮振动信号、对齿轮振动信号进行基于并行多字典正交匹配追踪稀疏分解、冲击分量重构、对冲击分量解调处理,从而得到故障特征。
S1采集齿轮振动信号;
齿轮振动信号由齿轮的啮合效应和旋转运动引起,故障齿轮振动信号中还会出现冲击和瞬态振动特征。所述振动信号的采集通过加速度传感器对齿轮箱进行采集;因此构造符合故障特征的特征原子库即字典——Fourier字典和冲击时频字典的并行多字典:
Fourier字典的基元函数是正弦函数,其函数模型为:
gfou(f,γ)=Kfousin(2πft+γ)
其中,f为频率参数,γ为相位参数,Kfou为归一化参数,为保证每个原子具有单位能量,即||gfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,其函数模型为:
其中,p为冲击响应的阻尼衰减特征,u为冲击响应发生的时刻,;f为对应于系统的阻尼固有频率,φ为相位偏移,Kimp为归一化系数;
字典的构造是对字典基函数模型中的各个参数在设定取值范围内进行离散化赋值;之所以称为并行多字典是因为在正交匹配追踪原子选择过程中,同时从以上两个字典中选取原子,再比较两原子的匹配系数,选取匹配系数大的原子为最优原子,同时进行原子选取因此称为并行多字典;
S2对齿轮振动信号进行基于并行多字典正交匹配追踪稀疏分解。其中,并行多字典正交匹配追踪稀疏分解算法包括以下步骤:
2.1振动信号采集。利用加速度传感器对齿轮箱进行测量,获得振动加速度信号作为待分析信号x;
2.2初始化处理。将待分析信号x赋给残差信号,得到初始残差信号R0=x;
2.3选取匹配原子。根据齿轮振动信号特点构造冲击时频字典 和Fourier字典 其中m为字典大小。则第k次迭代的匹配原子选取如下,
并依据下式对匹配原子进行归一化处理;
2.4Gram-Schmidt正交化。依据下式得到第k次迭代的一组正交基pk和归一化后的标准正交基uk(即Gram-Schmidt正交化后的原子);
2.5更新残差信号。将残差信号在归一化后的标准正交基uk上投影;
Rk=Rk-1-<Rk-1,uk>uk
2.6检验是否满足迭代终止条件(可选择迭代次数、残差能量、残差比阈值等终止条件),若满足则结束迭代进入步骤S3;否则重复执行步骤S2.3~S2.5;
S3冲击分量重构;
重构信号可近似表示为
冲击分量重构信号可以表示为:
其中,M为冲击分量个数。
S4对冲击分量解调处理;
对冲击分量重构信号进行解调分析,得出故障频率,与特征频率进行比对从而确定故障位置。
所述迭代的终止条件,在正交匹配追踪每次迭代过程中,采用遗传算法搜寻最匹配原子。该算法具体步骤为:首先对构造并行字典所需的参数组进行联合编码,随机产生一个规模为N的初始种群;每组参数变量对应一个个体,按照一个设定的概率进行交叉、变异;计算每个个体的适应度值;将适应度值最大的个体作为最佳个体,选择其直接进入下一代,再用随机遍历法从母代中抽选N-1个个体进入下一代,所有下一代个体组成新种群;新种群重复进行交叉、变异、计算适应度值、选择操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应值最大的个体作为最优参数组,解码代入基元函数形成最匹配原子。
与现有技术相比,本发明具有如下有益效果。
本发明将齿轮振动信号逐次迭代分解成基于并行多字典的m项原子的线性组合。信号并行多字典由Fourier字典和冲击时频字典两个子特征字典组成,子特征字典依据信号的不同结构成分特点,通过对其基函数中各个参数进行离散化赋值获得。在信号的每次迭代分解过程中,采用遗传算法在各子特征字典中并行寻求一个匹配原子及其匹配系数,通过比较系数得出一个最匹配原子和匹配系数值,对历次迭代选取的最匹配原子进行Gram-Schmidt正交化,形成一个新原子库,再将信号在其上投影,信号减去投影形成残差信号以供下次分解。并将基于冲击时频字典的匹配原子重构,可得到相应的冲击成分,继而解调提取齿轮振动信号的故障信息进行故障诊断。
附图说明
图1是本发明的基于并行多字典正交匹配的信号稀疏分解流程图。
图2是本发明的基于并行多字典正交匹配的齿轮故障诊断方法整体流程图。
图3是本发明中模拟的存在裂纹局部故障的齿轮振动信号染噪后的时域波形及频谱图。
图4是本发明中重构的冲击分量波形及频谱图。
图5是本发明中对重构后的冲击分量进行解调处理得到的解调谱。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明。
图1为本发明的基于并行多字典正交匹配的信号稀疏分解流程图。下面结合流程图对基于并行多字典正交匹配的信号稀疏分解方法原理进行详细说明。
(1)利用加速度传感器对齿轮箱进行测量,获得振动加速度信号作为待分析信号x,采样长度定为2的整数次方,根据轴承转速和齿轮齿数设定采样频率;
(2)齿轮振动信号主要由齿轮的啮合效应和旋转运动引起,故障齿轮振动信号中还会出现冲击和瞬态振动特征。针对信号的结构特点,构造Fourier子特征字典和冲击时频子特征字典,两者构成并行多字典。
Fourier字典的基元函数是正弦函数,其函数模型为:
gfou(f,γ)=Kfousin(2πft+γ)
其中,f为频率参数,γ为相位参数,Kfou为归一化参数,为保证每个原子具有单位能量,即||gfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,其函数模型为:
其中,p为冲击响应的阻尼衰减特征,u为冲击响应发生的时刻,f为对应于系统的阻尼固有频率,φ为相位偏移,Kimp为归一化系数。
对上述基元函数进行参数化,每一组参数对应一个原子,原子的集合构成字典;
(3)将待分析信号赋给初始残差信号R0=x;
(4)残差信号Rk(k=0,1,2,…,K-1,K为迭代次数)在子特征字典G1和G2中各寻求一个最佳匹配原子和满足
采用遗传算法寻求最匹配原子,具体步骤为:首先对构造特征字典所需的参数组进行联合编码,随机产生一个具有规模为N的初始种群;每组参数对应一个个体,按设定的概率进行交叉、变异步骤;计算每个个体的适应度值;选择适应度值最大的最佳个体直接进入下一代,再用随机遍历法从母代中抽选N-1个个体进入下一代,所有下一代个体组成新种群;新种群重复进行交叉、变异、计算适应度值、选择等操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应度值最大的个体作为最优参数组,解码代入基元函数形成最佳匹配原子;
(5)求残差信号在子特征字典G1和G2上第k次迭代的投影系数和投影系数通过计算残差信号与匹配原子的内积实现,即:比较和数值较大者为匹配系数ck,相应的原子为匹配原子并将原子进行归一化处理:
(6)原子Gram-Schmidt正交化。设并行多字典正交匹配追踪在第k步所选出的匹配原子为对所选的匹配原子进行正交化:
同时对新原子进行归一化处理:
(7)残差信号减去投影,得到新的残差信号:Rk=Rk-1-<Rk-1,uk>uk;
(8)查看是否满足迭代终止条件(如:迭代达到一定次数,残差信号能量小到一定阈值,残差信号与初始信号能量比小到一定阈值等)。如果满足,转到步骤(9),否则返回步骤(5);
(9)分解结束,重构信号:
重构冲击分量信号:
将降噪后的冲击分量进行解调处理即可提取出故障特征。图2为本发明提出的齿轮故障诊断方法其整体流程图。
图3模拟一个染噪后的含有裂纹局部故障的齿轮振动信号x时域波形及频谱图,齿数为25,转频为60Hz,采样频率为15360Hz,采样点数为1024点。可以看出,在噪声影响下,周期性冲击特征并不明显。采用基于并行多字典正交匹配的信号稀疏分解算法分解信号,重构冲击分量。
图4为并行多字典正交匹配后重构的冲击分量波形及频谱图。
图5为冲击分量解调谱,可以看出,故障特征频率60Hz及倍频清晰可见,该频率与转频相同,即可判别故障齿轮位置。
Claims (3)
1.一种基于并行多字典正交匹配的齿轮故障诊断方法,其特征在于:该方法包括采集齿轮振动信号、对齿轮振动信号进行基于并行多字典正交匹配追踪稀疏分解、冲击分量重构、对冲击分量解调处理,从而得到故障特征:
S1采集齿轮振动信号;
齿轮振动信号由齿轮的啮合效应和旋转运动引起,故障齿轮振动信号中还会出现冲击和瞬态振动特征;所述振动信号的采集通过加速度传感器对齿轮箱进行采集;因此构造符合故障特征的特征原子库即字典——Fourier字典和冲击时频字典的并行多字典:
Fourier字典的基元函数是正弦函数,其函数模型为:
gfou(f,γ)=Kfousin(2πft+γ)
其中,f为频率参数,γ为相位参数,Kfou为归一化参数,为保证每个原子具有单位能量,即||gfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,其函数模型为:
其中,p为冲击响应的阻尼衰减特征,u为冲击响应发生的时刻,f为对应于系统的阻尼固有频率,φ为相位偏移,Kimp为归一化系数;
字典的构造是对字典基函数模型中的各个参数在设定取值范围内进行离散化赋值;之所以称为并行多字典是因为在正交匹配追踪原子选择过程中,同时从Fourier字典和冲击时频字典中选取原子,再比较两原子的匹配系数,选取匹配系数大的原子为最优原子,同时进行原子选取因此称为并行多字典;
S2对齿轮振动信号进行基于并行多字典正交匹配追踪稀疏分解;其中,并行多字典正交匹配追踪稀疏分解算法包括以下步骤:
2.1振动信号采集;利用加速度传感器对齿轮箱进行测量,获得振动加速度信号作为待分析信号x;
2.2初始化处理;将待分析信号x赋给残差信号,得到初始残差信号R0=x;
2.3选取匹配原子;根据齿轮振动信号特点构造冲击时频字典和Fourier字典其中m为字典大小;则第k次迭代的匹配原子选取如下,
并依据下式对匹配原子进行归一化处理,
2.4Gram-Schmidt正交化;依据下式得到第k次迭代的一组正交基pk和归一化后的标准正交基uk,即Gram-Schmidt正交化后的原子;
2.5更新残差信号;将残差信号在归一化后的标准正交基uk上投影;
Rk=Rk-1-<Rk-1,uk>uk
2.6检验是否满足迭代终止条件,选择迭代次数、残差能量、残差比阈值终止条件;若满足则结束迭代进入步骤S3;否则重复执行步骤S2.3~S2.5;
S3冲击分量重构;
重构信号近似表示为
冲击分量重构信号能够表示为:
S4对冲击分量解调处理;
对冲击分量重构信号进行解调分析,得出故障频率,与特征频率进行比对从而确定故障位置。
2.根据权利要求1所述的一种基于并行多字典正交匹配的齿轮故障诊断方法,其特征在于:所述迭代的终止条件,在正交匹配追踪每次迭代过程中,采用遗传算法搜寻最匹配原子;该算法具体步骤为:首先对构造并行字典所需的参数组进行联合编码,随机产生一个规模为N的初始种群;每组参数变量对应一个个体,按照一个设定的概率进行交叉、变异;计算每个个体的适应度值;将适应度值最大的个体作为最佳个体,选择其直接进入下一代,再用随机遍历法从母代中抽选N-1个个体进入下一代,所有下一代个体组成新种群;新种群重复进行交叉、变异、计算适应度值、选择操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应值最大的个体作为最优参数组,解码代入基元函数形成最匹配原子。
3.根据权利要求1所述的一种基于并行多字典正交匹配的齿轮故障诊断方法,其特征在于:(1)利用加速度振动传感器对齿轮箱进行测量,获得振动加速度信号作为待分析信号x,采样长度定为2的整数次方,根据轴承转速和齿轮齿数设定采样频率;
(2)齿轮振动信号主要由齿轮的啮合效应和旋转运动引起,故障齿轮振动信号中还会出现冲击和瞬态振动特征;针对信号的结构特点,构造Fourier子特征字典和冲击时频子特征字典,两者构成并行多字典;
Fourier字典的基元函数是正弦函数,其函数模型为:
gfou(f,γ)=Kfousin(2πft+γ)
其中,f为频率参数,γ为相位参数,Kfou为归一化参数,为保证每个原子具有单位能量,即||gfou(f,γ)||2=1;
冲击时频字典的基元函数是指数衰减函数,其函数模型为:
其中,p为冲击响应的阻尼衰减特征,u为冲击响应发生的时刻,f为对应于系统的阻尼固有频率,φ为相位偏移,Kimp为归一化系数;
对上述基元函数进行参数化,每一组参数对应一个原子,原子的集合构成字典;
(3)将待分析信号赋给初始残差信号R0=x;
(4)残差信号Rk,其中k=0,1,2,…,K-1,K为迭代次数;在子特征字典G1和G2中各寻求一个最佳匹配原子和满足
采用遗传算法寻求最匹配原子,具体步骤为:首先对构造特征字典所需的参数组进行联合编码,随机产生一个具有规模为N的初始种群;每组参数对应一个个体,按设定的概率进行交叉、变异步骤;计算每个个体的适应度值;选择适应度值最大的最佳个体直接进入下一代,再用随机遍历法从母代中抽选N-1个个体进入下一代,所有下一代个体组成新种群;新种群重复进行交叉、变异、计算适应度值、选择操作不断进化,直到进化代数达到设定值;最后在每一代的最佳个体中选出一个适应度值最大的个体作为最优参数组,解码代入基元函数形成最佳匹配原子;
(5)求残差信号在子特征字典G1和G2上第k次迭代的投影系数和投影系数通过计算残差信号与匹配原子的内积实现,即:j=1,2;比较和数值较大者为匹配系数ck,相应的原子为匹配原子并将原子进行归一化处理:
(6)原子Gram-Schmidt正交化;设并行多字典正交匹配追踪在第k步所选出的匹配原子为对所选的匹配原子进行正交化:
同时对新原子进行归一化处理:
(7)残差信号减去投影,得到新的残差信号:Rk=Rk-1-<Rk-1,uk>uk;
(8)查看是否满足迭代终止条件;如果满足,转到步骤(9),否则返回步骤(5);
(9)分解结束,重构信号:
重构冲击分量信号:
将降噪后的冲击分量进行解调处理即可提取出故障特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410356780.3A CN104089774B (zh) | 2014-07-25 | 2014-07-25 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410356780.3A CN104089774B (zh) | 2014-07-25 | 2014-07-25 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104089774A CN104089774A (zh) | 2014-10-08 |
CN104089774B true CN104089774B (zh) | 2016-05-25 |
Family
ID=51637512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410356780.3A Expired - Fee Related CN104089774B (zh) | 2014-07-25 | 2014-07-25 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104089774B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
CN106599775A (zh) * | 2016-11-01 | 2017-04-26 | 合肥工业大学 | 一种改进的正交匹配特征提取方法 |
CN107368809B (zh) * | 2017-07-20 | 2018-05-18 | 合肥工业大学 | 一种基于稀疏表示和字典学习的轴承故障分类方法 |
WO2019239542A1 (ja) * | 2018-06-14 | 2019-12-19 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
CN109406148B (zh) * | 2018-12-11 | 2020-06-05 | 中原工学院 | 一种基于改进量子进化算法的滚动轴承故障特征提取方法 |
CN109632973B (zh) * | 2018-12-26 | 2021-07-13 | 西安科技大学 | 一种基于多尺度匹配追踪的超声回波信号提取方法 |
CN109682892B (zh) * | 2018-12-26 | 2021-07-09 | 西安科技大学 | 一种基于时频分析的信号去噪方法 |
CN110940524B (zh) * | 2019-12-06 | 2021-07-06 | 西安交通大学 | 一种基于稀疏理论的轴承故障诊断方法 |
CN111291491B (zh) * | 2020-02-19 | 2023-03-24 | 中南大学 | 面齿轮同轴分扭传动系统振动特性分析方法及系统 |
CN111582128B (zh) * | 2020-04-30 | 2022-05-03 | 电子科技大学 | 一种基于狼群参数化联合字典的机械故障稀疏表示方法 |
CN113281047A (zh) * | 2021-03-09 | 2021-08-20 | 北京工业大学 | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 |
CN113158940A (zh) * | 2021-04-29 | 2021-07-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种柔性直流变压器宽频过电压的分析方法 |
CN115015752B (zh) * | 2022-06-01 | 2024-08-20 | 淮阴工学院 | 基于稀疏分解与邻域蜂群算法的电机故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN103018044A (zh) * | 2012-11-22 | 2013-04-03 | 北京工业大学 | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 |
CN103134676A (zh) * | 2011-11-30 | 2013-06-05 | 上海宝钢工业检测公司 | 齿轮箱运行状态的在线监测预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008069829A (ja) * | 2006-09-13 | 2008-03-27 | Jatco Ltd | 自動変速機の異常判定装置 |
-
2014
- 2014-07-25 CN CN201410356780.3A patent/CN104089774B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493378A (zh) * | 2009-03-06 | 2009-07-29 | 湖南大学 | 基于多尺度线调频基稀疏信号分解的齿轮故障诊断方法 |
CN101644623A (zh) * | 2009-06-19 | 2010-02-10 | 湖南大学 | 基于多尺度形态学分析的齿轮故障诊断方法 |
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN103134676A (zh) * | 2011-11-30 | 2013-06-05 | 上海宝钢工业检测公司 | 齿轮箱运行状态的在线监测预警方法 |
CN103018044A (zh) * | 2012-11-22 | 2013-04-03 | 北京工业大学 | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
匹配追踪在齿轮故障诊断中的应用;赵发刚等;《上海交通大学学报》;20090628;第43卷(第06期);第910-913页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104089774A (zh) | 2014-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104089774B (zh) | 一种基于并行多字典正交匹配的齿轮故障诊断方法 | |
CN102156042B (zh) | 一种基于信号多特征匹配的齿轮故障诊断方法 | |
Han et al. | Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis | |
CN103778919B (zh) | 基于压缩感知和稀疏表示的语音编码方法 | |
CN105424359B (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN103900610B (zh) | 基于灰色小波神经网络的mems陀螺随机误差预测方法 | |
CN102353985B (zh) | 基于非下采样Contourlet变换的拟声波曲线构建方法 | |
CN104156585A (zh) | 一种基于多项指标特征的双字典匹配追踪轴承故障程度评价方法 | |
CN104729853A (zh) | 一种滚动轴承性能退化评估装置及方法 | |
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 | |
CN107368668A (zh) | 基于双重稀疏字典学习的地震数据去噪方法 | |
CN104748961A (zh) | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN104792522A (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
CN103268525B (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
CN103675758B (zh) | 一种双曲调频信号周期斜率和起始频率估计方法 | |
CN107783938A (zh) | 一种旋转设备瞬时转速估计方法 | |
CN103956756A (zh) | 一种电力系统低频振荡模态辨识方法 | |
CN107729289A (zh) | 一种基于遗传优化的多项式相位信号自适应时频变换方法 | |
CN106772645A (zh) | 基于一般先验信息约束的核磁共振数据反演方法和装置 | |
CN103728135A (zh) | 一种非负矩阵分解的轴承故障特征提取和诊断方法 | |
CN105406872A (zh) | 一种基于eemd的压缩感知方法 | |
CN114742325A (zh) | 一种地铁隧道台阶法施工地表沉降预测方法及系统 | |
Liu et al. | Sparse coefficient fast solution algorithm based on the circulant structure of a shift-invariant dictionary and its applications for machine fault diagnosis | |
CN104091088B (zh) | 一种基于阶跃‑冲击原子库mp算法的轴承故障定量诊断方法 |
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: 20160525 |