CN104198187B - 一种机械振动故障特征时域盲提取方法 - Google Patents
一种机械振动故障特征时域盲提取方法 Download PDFInfo
- Publication number
- CN104198187B CN104198187B CN201410448210.7A CN201410448210A CN104198187B CN 104198187 B CN104198187 B CN 104198187B CN 201410448210 A CN201410448210 A CN 201410448210A CN 104198187 B CN104198187 B CN 104198187B
- Authority
- CN
- China
- Prior art keywords
- signal
- time domain
- matrix
- component
- distance
- 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.)
- Active
Links
Abstract
本发明涉及一种机械振动故障特征时域盲提取方法,属机械设备状态监测及故障诊断技术领域。本发明首先将振动观测信号张成高维信号子空间;接着获得低维信号;随后进行FastICA独立分量分析,计算各独立分量的归一化峭度并求出其最小归一化峭度值对应的分量信号,利用正交匹配追踪算法重构出周期信号;接着将各独立分量剔除重构的周期信号,进而利用改进KL距离算法计算已剔除周期信号的独立分量间的距离矩阵并进行动态粒子群聚类以获得估计信号;最终分析估计信号的包络解调谱,进行故障判断。该方法适合处理长卷积数据问题,能有效降低周期成分对盲分离结果的影响,同时可以解决盲分离结果次序不确定性问题,最终实现轴承故障特征提取。
Description
技术领域
本发明涉及一种机械振动故障特征时域盲提取方法,属于机械设备状态监测及故障诊断技术领域。
背景技术
轴承是旋转机械的通用部件,它的状态对机器的工作状况影响极大,直接影响生产系统的安全和效率。在实际工作环境中,复杂的机械结构、多个其他的干扰源和强大的背景噪声使得传感器接收到的观测信号往往是多个信号复杂混合在一起形成的卷积混合模型,使得待识别故障源信号的提取近似于一个盲解卷积的过程。
但由传感器接收到的观测信号含有大量周期成分,在对故障源信号盲提取的过程中严重影响盲分离的效果;另外,观测信号进行盲提取的分离结果会产生次序不确定性问题。针对以上存在问题,本发明提出了一种机械振动故障特征时域盲提取方法,适合处理长卷积数据问题,能有效降低周期成分对盲分离结果的影响,同时解决盲分离结果次序不确定性问题,最终实现轴承故障特征提取。
发明内容
本发明提供了一种机械振动故障特征时域盲提取方法,从机械振动信号中分离并提取轴承复合故障特征的检测方法,可在含有较强的环境噪声和其他非平稳信号及故障源很难被辨识的情况下,利用复杂机械振动信号进行故障特征提取及诊断。
本发明机械振动故障特征时域盲提取方法是这样实现的:首先将振动观测信号张成高维信号子空间;接着获得低维信号;随后进行FastICA独立分量分析,计算各独立分量的归一化峭度并求出其最小归一化峭度值对应的分量信号,利用正交匹配追踪算法重构出周期信号;接着将各独立分量剔除重构的周期信号,进而利用改进KL距离算法计算已剔除周期信号的独立分量间的距离矩阵并进行动态粒子群聚类以获得估计信号;最终分析估计信号的包络解调谱,进行故障判断。
所述机械振动故障特征时域盲提取方法的具体步骤如下:
Step1、初始化时延参数L、主分量数目npc、聚类数目ncluster;
Step2、中心化处理由加速度传感器所接收到的振动观测信号x(t)得到信号通过补零张成高维子空间信号x'(t),对高维子空间信号x'(t)进行PCA主分量分析得到低维信号x(t)pc;
Step3、对步骤Step2中得到的低维信号x(t)pc执行FastICA独立分量分析算法,得到独立分量ic(t),计算独立分量ic(t)的归一化峭度kurtic并求出kurtic中最小值对应的分量信号c(t),即最小归一化峭度值对应分量信号c(t);
Step4、根据步骤Step3中得到的最小归一化峭度值对应分量信号c(t),利用正交匹配追踪OMP算法重构出周期信号p(t),将独立分量ic(t)减去重构信号p(t)得到剔除周期信号的独立分量信号ic(t)';
Step5、再利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离,获取距离矩阵D,对D进行动态粒子群聚类,重构聚类分量获得估计源信号y(t);
Step6、对估计的源信号y(t)进行包络谱分析,最终实现故障诊断。
所述步骤Step4中所述的利用正交匹配追踪OMP算法重构出周期信号p(t)的具体步骤如下:
Step4.1、初始化迭代次数i、增量矩阵Μ、残差c(t)、机生成高斯测量矩阵Φ;
Step4.2、正交变换基为单位矩阵的傅里叶变换形成的矩阵Ψ;
Step4.3、根据步骤Step4.1和步骤Step4.2得到的矩阵计算恢复矩阵Θ=Φ×Ψ;
Step4.4、再计算恢复矩阵Θ与残差c(t)的投影系数;根据最大投影系数对应的位置来扩充增量矩阵Μ;
Step4.5、对Μ进行最小二乘法使得残差最小并更新残差c;
Step4.6、判断是否达到迭代次数i,如果没有达到迭代次数i,转到步骤Step4.4;如果达到迭代次数i,转到步骤Step4.7;
Step4.7、根据最大投影系数位置,重构频域向量,然后进行傅里叶逆变换得到重构的时域周期信号p(t)。
所述步骤Step5中,所述的利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离,获取距离矩阵D的具体步骤为:
Step5.1、将已剔除周期信号的独立分量ic(t)'转换为一维数组,并求出数组的长度l,计算一维数组中的各元素y(i)及其出现的概率q(i),并求所有元素y(i)的平方和为Q,其中i=1,2,…,l;
Step5.2、将y(i)、q(i)和Q代入公式求出概率密度函数p(i),其中i=1,2,…,l;
Step5.3、将概率密度函数p(i)代入KL距离算法公式:
获得距离矩阵D,其中i=1,2,…,l;j=1,2,…,l。
本发明的有益效果是:目前,振动诊断法已成为最有效的机械故障检测方法。本发明提出的算法通过对观测信号进行主分量分析以实现信号维数的降低,使其适合处理长卷积数据问题;经由正交匹配追踪(OMP)算法重构出周期信号,实现剔除独立分量信号中所包含的周期成分,极大的降低了周期成分对盲分离结果的影响;通过运用改进KL距离算法解决盲分离结果次序不确定性的问题。因此,本发明方法能够准确有效地从机械设备振动信号中提取出待识别的目标信号,进行机械故障诊断是完全可行的。
附图说明
图1本发明实施例2中旋转机械故障模拟实验台及加速度传感器的平面结构图;
图2本发明实施例2旋转机械故障模拟实验台运行时,由加速度传感器所接收振动信号的时域波形;
图3本发明实施例2旋转机械故障模拟实验台运行时,由加速度传感器所接收的振动信号的幅值谱;
图4本发明实施例2观测信号经改进时域盲解卷积算法,其中利用OMP算法重构出周期信号的时域波形及其幅值谱图;
图5本发明实施例2观测信号经改进时域盲解卷积算法,其中利用改进KL距离求得各独立分量间距的聚类散点图;
图6本发明实施例2观测信号经改进时域盲解卷积算法的时域波形;
图7本发明实施例2观测信号经改进时域盲解卷积算法的幅值谱;
图8本发明滚动轴承复合故障振动信号盲提取的实施框图。
图1中:1-电动机、2-齿轮箱、3-转盘、4-传动轴、5-轴承座、6-故障轴承、7-加速度传感器Ⅰ、8-加速度传感器Ⅱ。
具体实施方式
实施例1:如图1-8所示,一种机械振动故障特征时域盲提取方法,所述机械振动故障特征时域盲提取方法的具体步骤如下:
Step1、初始化时延参数L、主分量数目npc、聚类数目ncluster;
Step2、中心化处理由加速度传感器所接收到的振动观测信号x(t)得到信号x(t),通过补零张成高维子空间信号x'(t),对高维子空间信号x'(t)进行PCA主分量分析得到低维信号x(t)pc;
Step3、对步骤Step2中得到的低维信号x(t)pc执行FastICA独立分量分析算法,得到独立分量ic(t),计算独立分量ic(t)的归一化峭度kurtic并求出kurtic中最小值对应的分量信号c(t),即最小归一化峭度值对应分量信号c(t);
Step4、根据步骤Step3中得到的最小归一化峭度值对应分量信号c(t),利用正交匹配追踪OMP算法重构出周期信号p(t),将独立分量ic(t)减去重构信号p(t)得到剔除周期信号的独立分量信号ic(t)';
Step5、再利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离,获取距离矩阵D,对D进行动态粒子群聚类,重构聚类分量获得估计源信号y(t);
Step6、对估计的源信号y(t)进行包络谱分析,最终实现故障诊断。
所述步骤Step4中所述的利用正交匹配追踪OMP算法重构出周期信号p(t)的具体步骤如下:
Step4.1、初始化迭代次数i、增量矩阵Μ、残差c(t)、机生成高斯测量矩阵Φ;
Step4.2、正交变换基为单位矩阵的傅里叶变换形成的矩阵Ψ;
Step4.3、根据步骤Step4.1和步骤Step4.2得到的矩阵计算恢复矩阵Θ=Φ×Ψ;
Step4.4、再计算恢复矩阵Θ与残差c(t)的投影系数;根据最大投影系数对应的位置来扩充增量矩阵Μ;
Step4.5、对Μ进行最小二乘法使得残差最小并更新残差c;
Step4.6、判断是否达到迭代次数i,如果没有达到迭代次数i,转到步骤Step4.4;如果达到迭代次数i,转到步骤Step4.7;
Step4.7、根据最大投影系数位置,重构频域向量,然后进行傅里叶逆变换得到重构的时域周期信号p(t)。
所述步骤Step5中,所述的利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离,获取距离矩阵D的具体步骤为:
Step5.1、将已剔除周期信号的独立分量ic(t)'转换为一维数组,并求出数组的长度l,计算一维数组中的各元素y(i)及其出现的概率q(i),并求所有元素y(i)的平方和为Q,其中i=1,2,…,l;
Step5.2、将y(i)、q(i)和Q代入公式求出概率密度函数p(i),其中i=1,2,…,l;
Step5.3、将概率密度函数p(i)代入KL距离算法公式:
获得距离矩阵D,其中i=1,2,…,l;j=1,2,…,l。
实施例2:如图1-8所示,一种机械振动故障特征时域盲提取方法,本实施例与实施例1相同,不同之处在于,具体的本实施例以某旋转试验台中轴承内、外圈复合故障诊断实验为实施实例:
图1表示两个加速度传感器在试验台的安装位置,图1中看到一对PCB加速度传感器相互垂直地安装在轴承座上拾取振动信号。故障轴承相关参数为:节圆直径D=39mm,滚动体直径d=7.5mm,滚动体数目Z=12,接触角α=0°。轴承内圈主轴旋转,外圈固定。实施例2中,转速为1200r/min,即旋转频率fr为20Hz时,采样频率fs=8192Hz,采样点数N=8192,频率间隔Δf=fs/N=1Hz;根据轴承故障频率计算公式可计算出轴承外圈故障特征频率为96.92Hz,内圈故障特征频率为143.07Hz;
图2和图3是由加速度传感器拾取的两路内、外圈复合故障信号的时域波形和幅值谱。从图3的幅值谱中看到频率混杂的情况,没有明显的内圈故障特征频率和外圈故障特征频率,无法由此判断故障类型;
图4是由加速度传感器拾取的振动信号经过所述步骤Step4.1~Step4.7重构周期信号的时域波形及其幅值谱。所述步骤Step4.1中,初始化迭代次数i=5,残差c(t)为最小归一化峭度值对应分量信号,增量矩阵为空矩阵。从幅值谱图中清楚发现谱线20Hz,接近实际工况中的基频fr20Hz,有效地验证了该算法成功提取机械信号中的周期成分。
图5是由加速度传感器拾取的振动信号经过所述步骤Step5.1~Step5.3获得距离矩阵D的聚类散点图。从散点图中看到经由改进KL距离算法求出各独立分量间距的聚类散点成线性,提高程序运行速度。
图6和图7是由加速度传感器拾取的振动信号经过所述步骤Step1~Step6获得估计源信号的时域波形及其幅值谱,所述步骤Step1中,初始化时延参数L=20,主分量数目npc=20,聚类数目ncluster=2,所述步骤Step4.1中,初始化迭代次数i=5,残差c(t)为最小归一化峭度值对应分量信号,增量矩阵为空矩阵,从图6中发现背景噪声得到一定抑制,使得冲击部分更加明显,从图7中第一个分离信号的谱线中看到有20Hz和142Hz以及142Hz及倍频两侧间隔为旋转频率20Hz的边频122Hz和161Hz,与内圈故障相符,可诊断其为内圈故障。图7中第二个分离信号的谱线有97HZ及其倍频194Hz、290Hz机386Hz等,也与计算的外圈故障特征频率96.92HZ相吻合,由此可见,内圈和外圈的故障特征被分离出来。
图8是本发明算法的实施框图,由加速度传感器拾取到的两路观测信号经实施步骤所述流程后最终得到的分离估计信号,对估计信号进行包络分析,进行故障判断。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种机械振动故障特征时域盲提取方法,其特征在于:所述机械振动故障特征时域盲提取方法的具体步骤如下:
1、初始化时延参数L、主分量数目npc、聚类数目ncluster;
2、中心化处理由加速度传感器所接收到的振动观测信号x(t)得到信号通过补零张成高维子空间信号x'(t),对高维子空间信号x'(t)进行PCA主分量分析得到低维信号x(t)pc;
3、对步骤2中得到的低维信号x(t)pc执行FastICA独立分量分析算法,得到独立分量ic(t),计算独立分量ic(t)的归一化峭度kurtic并求出kurtic中最小值对应的分量信号c(t),即最小归一化峭度值对应分量信号c(t);
4、根据步骤3中得到的最小归一化峭度值对应分量信号c(t),利用正交匹配追踪OMP算法重构出周期信号p(t),将独立分量ic(t)减去重构的周期信号p(t)得到剔除周期信号的独立分量信号ic(t)';
5、再利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离,获取距离矩阵D,对D进行动态粒子群聚类,重构聚类分量获得估计源信号y(t);
6、对估计的源信号y(t)进行包络谱分析,最终实现故障诊断。
2.根据权利要求1所述的机械振动故障特征时域盲提取方法,其特征在于:所述步骤4中所述的利用正交匹配追踪OMP算法重构出周期信号p(t)的具体步骤如下:
4.1、初始化迭代次数i、增量矩阵Μ、残差c(t)、随机生成高斯测量矩阵Φ;
4.2、正交变换基为单位矩阵的傅里叶变换形成的矩阵Ψ;
4.3、根据步骤4.1和步骤4.2得到的矩阵计算恢复矩阵Θ=Φ×Ψ;
4.4、再计算恢复矩阵Θ与残差c(t)的投影系数;根据最大投影系数对应的位置来扩充增量矩阵Μ;
4.5、对Μ进行最小二乘法使得残差最小并更新残差;
4.6、判断是否达到迭代次数i,如果没有达到迭代次数i,转到步骤4.4;如果达到迭代次数i,转到步骤4.7;
4.7、根据最大投影系数位置,重构频域向量,然后进行傅里叶逆变换得到重构的时域周期信号p(t)。
3.根据权利要求1所述的机械振动故障特征时域盲提取方法,其特征在于:所述步骤5中,所述的利用改进的KL距离算法计算独立分量信号ic(t)'各分量间的距离,获取距离矩阵D的具体步骤为:
5.1、将已剔除周期信号的独立分量信号ic(t)'转换为一维数组,并求出数组的长度l,计算一维数组中的各元素y(i)及其出现的概率q(i),并求所有元素y(i)的平方和为Q,其中i=1,2,…,l;
5.2、将y(i)、q(i)和Q代入公式求出概率密度函数p(i),其中i=1,2,…,l;
5.3、将概率密度函数p(i)代入KL距离算法公式:
获得距离矩阵D,其中i=1,2,…,l;j=1,2,…,l。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448210.7A CN104198187B (zh) | 2014-09-04 | 2014-09-04 | 一种机械振动故障特征时域盲提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410448210.7A CN104198187B (zh) | 2014-09-04 | 2014-09-04 | 一种机械振动故障特征时域盲提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104198187A CN104198187A (zh) | 2014-12-10 |
CN104198187B true CN104198187B (zh) | 2017-04-12 |
Family
ID=52083514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410448210.7A Active CN104198187B (zh) | 2014-09-04 | 2014-09-04 | 一种机械振动故障特征时域盲提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104198187B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568132B (zh) * | 2014-12-11 | 2017-04-12 | 昆明理工大学 | 一种基于参考信号约束的机械特征声信号频域半盲提取方法 |
CN104634566B (zh) * | 2015-01-21 | 2018-05-11 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
CN105699082B (zh) * | 2016-01-25 | 2018-01-05 | 西安交通大学 | 一种稀疏化的最大谐噪比解卷积方法 |
CN106053070B (zh) * | 2016-06-30 | 2018-05-29 | 中国人民解放军国防科学技术大学 | 基于分离信号包络谱特征的轴承滚动体故障增强诊断方法 |
CN110220727B (zh) * | 2018-03-02 | 2021-01-29 | 华为技术有限公司 | 一种电机类设备的异常检测方法及装置 |
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 |
CN108829755B (zh) * | 2018-05-25 | 2021-04-13 | 国网山东省电力公司青岛供电公司 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN111238813B (zh) * | 2020-01-19 | 2021-05-07 | 西安交通大学 | 一种强干扰下提取滚动轴承故障特征的方法 |
CN111273367B (zh) * | 2020-03-11 | 2021-01-08 | 中南大学 | 一种大地电磁阻抗的估算方法 |
CN112179475B (zh) * | 2020-08-20 | 2021-09-07 | 电子科技大学 | 一种多源混叠的分布式光纤振动传感信号的分离方法 |
CN112561306B (zh) * | 2020-12-11 | 2023-12-08 | 领伟创新智能系统(浙江)有限公司 | 一种基于Hankel矩阵的滚动轴承健康状态评价方法 |
CN112857798B (zh) * | 2021-02-23 | 2023-03-10 | 太原理工大学 | 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置 |
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 |
CN113536226B (zh) * | 2021-07-14 | 2024-04-12 | 东南大学 | 增强旋转机械故障信号特征的盲解卷积算法 |
CN113792657B (zh) * | 2021-09-15 | 2023-06-23 | 西华大学 | 提取声学信号识别与盲解卷积算法的齿轮箱故障的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
US8544331B2 (en) * | 2008-12-04 | 2013-10-01 | University Of Ottawa | Parameter independent detection of rotating machinery faults |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 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 |
CN103575523A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN103940597A (zh) * | 2014-04-08 | 2014-07-23 | 昆明理工大学 | 一种基于广义极值形态滤波的机械故障检测方法 |
-
2014
- 2014-09-04 CN CN201410448210.7A patent/CN104198187B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8544331B2 (en) * | 2008-12-04 | 2013-10-01 | University Of Ottawa | Parameter independent detection of rotating machinery faults |
CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 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 |
CN103575523A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN103940597A (zh) * | 2014-04-08 | 2014-07-23 | 昆明理工大学 | 一种基于广义极值形态滤波的机械故障检测方法 |
Non-Patent Citations (3)
Title |
---|
基于压缩感知的分布式语音压缩与重构;孙林慧等;《信号处理》;20100630;第26卷(第6期);第825页第2节,第827页第4.1-4.2节 * |
欠定盲解卷积用于滚动轴承复合故障声学诊断;潘楠等;《振动、测试与诊断》;20130430;第33卷(第2期);第285页第1节至第2.1节,第2.3节及图3 * |
盲信号处理中的次序不确定性问题研究;赵欣等;《计算机工程与应用》;20081031;第44卷(第20期);第177页右侧第2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104198187A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104198187B (zh) | 一种机械振动故障特征时域盲提取方法 | |
Osman et al. | An enhanced Hilbert–Huang transform technique for bearing condition monitoring | |
He et al. | Time-frequency manifold as a signature for machine health diagnosis | |
Khanam et al. | Fault size estimation in the outer race of ball bearing using discrete wavelet transform of the vibration signal | |
Laha | Enhancement of fault diagnosis of rolling element bearing using maximum kurtosis fast nonlocal means denoising | |
CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
Wang et al. | Multi-scale enveloping order spectrogram for rotating machine health diagnosis | |
Yan et al. | Harmonic wavelet-based data filtering for enhanced machine defect identification | |
CN109708891B (zh) | 一种柔性椭圆轴承滚道故障诊断方法 | |
Djebala et al. | Rolling bearing fault detection using a hybrid method based on empirical mode decomposition and optimized wavelet multi-resolution analysis | |
He et al. | Sparse signal reconstruction based on time–frequency manifold for rolling element bearing fault signature enhancement | |
CN104215456B (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 | |
CN107957566A (zh) | 基于频率选择奇异谱分析的磁共振测深信号提取方法 | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
Kong et al. | Fault feature extraction of planet gear in wind turbine gearbox based on spectral kurtosis and time wavelet energy spectrum | |
Jin et al. | An image recognition method for gear fault diagnosis in the manufacturing line of short filament fibres | |
Sousa et al. | Robust cepstral-based features for anomaly detection in ball bearings | |
Ruan et al. | Exploration and effect analysis of improvement in convolution neural network for bearing fault diagnosis | |
Ou et al. | Research on rolling bearing fault diagnosis using improved majorization-minimization-based total variation and empirical wavelet transform | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
Feng et al. | Cyclostationary analysis for gearbox and bearing fault diagnosis | |
Zhou et al. | A comparative study of helicopter planetary bearing diagnosis with vibration and acoustic emission data | |
Lee et al. | A comparative study of deep learning-based diagnostics for automotive safety components using a raspberry pi | |
Natarajan | Gear box fault diagnosis using hilbert transform and study on classification of features by support vector machine | |
Vekteris et al. | An investigation into fault diagnosis in a rotor-bearing system with dampers used in centrifugal milk separators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |