CN104330257B - 一种行星齿轮传动系统故障诊断方法 - Google Patents
一种行星齿轮传动系统故障诊断方法 Download PDFInfo
- Publication number
- CN104330257B CN104330257B CN201410713143.7A CN201410713143A CN104330257B CN 104330257 B CN104330257 B CN 104330257B CN 201410713143 A CN201410713143 A CN 201410713143A CN 104330257 B CN104330257 B CN 104330257B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- signal
- mover
- transmission system
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种行星齿轮传动系统故障诊断方法及系统，属于故障诊断技术与信号处理分析技术领域。主要故障诊断步骤如下：1)利用同态滤波技术方法，对采集到的行星齿轮传动系统振动信号进行处理，分离包含故障特征的信号和外部激励背景噪声信号，降低数据的复杂性；2)采用复倒谱变换对同态滤波处理后的包含故障特征的信号进行频谱重构，提取行星齿轮传动系统振动信号中的故障特征信息；3)结合行星齿轮传动系统的振动机理，利用支持向量机SVM分类器，以不同状态下的时域统计量和频谱重构之后的峰值能量为故障特征向量，诊断行星齿轮传动系统的运行状态为正常状态或故障状态。
Description
技术领域
本发明属于机械故障诊断技术与信号处理分析技术领域，特别涉及一种行星齿轮传动系统故障诊断方法。
背景技术
行星轮系结构紧凑，体积小，传动比范围大，效率高，是应用广泛的周转齿轮传动系统。由于其大扭矩-重量比，结构紧凑，高功率效率等优点，常作为动力传递装置被广泛应用于如汽车、工业机械、风力发电、航空航天和运输船舶等领域。
行星轮系的结构较定轴齿轮系复杂，具有多点啮合、啮合位置不断变化等特点，其损伤模式和动态响应有别于定轴齿轮系统。固定在保持架上的多个行星轮沿着内齿圈绕太阳轮旋转，存在多对齿轮副间的内外啮合，造成了动力分配的不平衡，使得载荷可能集中在某一个特定的行星齿轮之上，均载性能达不到使用要求，从而造成单个行星齿轮过早的失效或是损伤。多对相互啮合齿轮的振动之间存在相互耦合与抑制作用，啮合频率成分可能会因振动的耦合与抑制及行星轮的公转而变得非常微弱，采用一些传统的特征参数往往难以检测和识别行星轮系中的典型损伤。
有大量的信号处理问题，它们的信号是由卷积组合得来的。在多途环境中，接收到的信号的就可以看成是噪声与有用信号的卷积。一般的分离信号分量(解卷积)方法是进行线性逆滤波，但由于线性系统与卷积组合的结果不匹配，采用此方法需要其中一个信号分量的先验知识。同态滤波也称为同态解卷积，是倒频谱分析的一个重要性质。对于卷积性混合的信号，如果将卷积关系转换成线性叠加关系，就可以使信号分离问题得到简化。利用倒频谱分析的同态滤波性质可以实现这种卷积性混合信号的分离。
行星齿轮运行过程中的内部激励主要由齿轮啮合和滚动轴承的运动产生，包含周期成分、随机成分及其相互之间调幅调频的复杂混合作用，在频谱中表现为由转频、啮合频率、边带成分构成复杂线谱成分和随机波动成分。而反应结构传递影响的频率响应函数只在各阶模态频率附近出现峰值，频域变化比较缓慢。即齿轮振动信号的频谱中，快变成分反映激励的影响，慢变成分反映传递途径的影响。
因此在深入分析行星轮系的结构信息和物理特性的基础上，本发明提出一种行星齿轮传动系统故障诊断方法，对于行星齿轮系的运行状态特征进行提取，确定其工作状态和存在的故障信息，对于消除振动和降低噪音以及提高设备的可靠性方面有重要的工程意义。
发明内容
针对现有技术的不足之处，本发明拟解决的技术问题是，提供一种行星齿轮系统故障诊断方法，通过对行星齿轮运行时振动信号进行分析和处理，准确地提取出行星齿轮运行工作状态和故障状态特征。当行星齿轮损伤处于初期阶段时，微弱的损伤信息会完全淹没在噪声中，直接使用实验数据或现场数据时，由于损伤信息微弱，信噪比很小，损伤信号几乎在每个频段都被噪声淹没，难以提取出微弱的损伤信息。本发明为行星齿轮的故障诊断和特征提取提供了新方法，且为其他多级复杂旋转机械故障诊断技术提供了有效借鉴。
本发明是采用以下技术手段实现的：
满足叠加原理是线性系统的一个基本特性，假如输入的两个信号是加性关系，那么输出一定是它们各自输出的和，x(n)＝x1(n)+x2(n)
此外，若输入乘以某个比例因子，那输出也乘以相同的因子。叠加原理的特性可以明确表示成：
L[x1(n)+x2(n)]＝L[x1(n)]+L[x2(n)]
L[αx(n)]＝αL[x(n)]
其中，L表示线性算子，而α表示比例因子。
叠加结果是：如果信号处于不同频带范围的，则可以用线性系统分离。
有大量的工程信号处理问题，它们的信号是由卷积组合得来的。在多途环境中，接收到的信号的就可以看成是噪声与有用信号的卷积。一般的分离信号分量(解卷积)方法是进行线性逆滤波，但由于线性系统与卷积组合的结果不匹配，采用此方法需要其中一个信号分量的先验知识。还有另一种解卷积的方法，即采用基于广义叠加原理的卷积同态技术。卷积同态滤波作为一种非线性信号处理技术，在其特征系统，将呈卷积关系的信号转换为加性关系，再通过线性滤波器将两者分离，实现有用信号的提取。下面是卷积同态将两个信号分离的过程：
对于信号x(n)，由x1(n)和x2(n)卷积而成，即：
x(n)＝x1(n)*x2(n)
对上式两边取Z变换，有
X(z)＝Z[x1(n)*x2(n)]＝X1(z)·X2(z)
对上式两边同取对数，有
对上式两边取Z反变换，可以得到下式：
式中，Z-1[lnX(z)]称为复倒谱。
可以看到，经过同态滤波的特征系统后，两个信号由卷积的关系变为相加关系，那么我们就可以按照常规线性滤波器的思路来进行两个信号的分离，这也是同态系统滤除卷积干扰的基础。
对进行倒频域滤波，如果和在倒频域占据不同的倒频带，可以通过陷波处理将和分离，去除的影响。将对做倒频域滤波处理后的倒谱记做对求傅里叶变换，进行频谱重构，得到
将取指数运算：
如果再对X(f)求傅里叶逆变换，就可以得到分离信号xs(n)。可以看出，通过求卷积信号的复数倒频谱可以实现卷积信号的分离。
任何机械结构的振动都是有激励源和传播途径共同作用的结果，由多个零部件组成，形成复杂的多自由度系统。齿轮传动系统振动响应信号是激励源与结构频率响应特性共同作用的结果在频谱中表现为由转频、啮合频率、边带成分构成复杂线谱成分和随机波动成分。而反应结构传递影响的频率响应函数只在各阶模态频率附近出现峰值，频域变化比较缓慢。
式中，M，C，K分别为质量矩阵、阻尼矩阵和刚度矩阵；F(t)为广义力列阵；x为广义坐标列阵，表示振动的位移。
对上面矩阵方程两边取拉氏变换，得到：
F(s)＝X(s)(-ω2M+jωC+K)-1
如果设Z(s)＝Ms2+Cs+K，为振动系统的位移阻抗矩阵，则
Z(s)X(s)＝F(s)
位移阻抗矩阵的逆矩阵即为系统的传递函数矩阵：
H(s)＝Z-1(s)＝(Ms2+Cs+K)-1
取s＝得到系统的频率响应函数矩阵：
频率响应函数矩阵反映多自由度系统的固有特性，多自由度系统响应信号的频谱为
X(ω)＝H(ω)F(ω)
考虑到行星轮系运行时存在强环境噪声的影响，损伤对时域信号的影响非常容易被强噪声所掩盖。
行星齿轮系统内部出现的故障(齿轮故障、轴承故障等)即对激励产生影响，也对结构传递特性产生影响，结果导致振动响应信号整体幅度的增加和频谱中快变成分(谐波、边带等)的增加。
对上式同取对数，利用倒频谱的同态滤波性质，将振动信号变换到倒频域。
对上式两边取Z反变换，有
由于振动信号中激励源频谱和结构频响函数的频谱特征存在差别，在倒频谱中激励源成分分布在高倒频率范围，而结构频响函数成分分布在低倒频率范围，很容易通过低通陷波处理，将两种成分分离，然后再经过傅里叶变换得到各自的幅值谱。
对分离后的倒频谱做频谱重构，即对再做傅里叶变换：
得到的可以视为系统频率响应函数的近似，它基本反映了振动信号中行星齿轮结构传递的影响。
选用支持向量机分类器，把提取的训练样本的故障特征向量作为SVM的输入，以不同的工作状态或故障类型作为SVM的输出，并确定SVM分类器的结构参数。支持向量机分类器的结构参数，以不同状态下的时域统计量和进行频谱重构之后的峰值能量为输入向量。确定SVM分类器的结构参数以后，把提取的测试样本的故障特征向量作为SVM的输入，以SVM分类器的输出来确定行星齿轮系统中单个齿轮的工作状态和故障类型。
附图说明
图1是一种行星齿轮系统故障诊断方法整体流程图。
图2是对行星齿轮传动系统运行过程进行采集，包含太阳轮点蚀故障和外部激励信号的长度为4s的振动时域信号图。
图3是在同态滤波前包含太阳轮点蚀故障和外部激励信号功率谱分析图。
图4是在同态滤波后将外部激励成分分离，在复数域倒频谱重构的分析图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明。
图1是一种行星齿轮传动系统故障诊断方法整体流程图。其主要故障诊断步骤如下：
1)利用同态滤波技术方法，对采集到的行星齿轮传动系统振动信号进行处理，分离包含故障特征的信号和外部激励背景噪声信号，降低数据的复杂性；
2)采用复倒谱变换对同态滤波处理后的包含故障特征的信号进行频谱重构，提取行星齿轮传动系统振动信号中的故障特征信息；
3)结合行星齿轮传动系统的振动机理，利用支持向量机SVM分类器，以不同状态下的时域统计量和频谱重构之后的峰值能量为故障特征向量，诊断行星齿轮传动系统的运行状态为正常状态或故障状态。
图2为采集到行星齿轮传动系统径向振动时域波形图，长度为4s，包含太阳轮点蚀故障和外部激励信号。
图3是在同态滤波前包含太阳轮点蚀故障和外部激励信号功率谱分析图。信号中除了具有反映有关齿轮传动本身的工作状态信息以外，还包含了大量的外部激励信息和内部结构信息，所以轻微的齿轮损伤故障的信息常常淹没在背景噪声中，通过普通的功率谱变换难以提取出来。
图4是采用同态滤波技术是对采集到的行星齿轮传动系统振动信号噪声信号和故障信号进行分离，然后再复倒谱域对特征信号进行频谱重构，获得行星齿轮传动太阳轮故障的特征信息。
齿轮传动系统振动响应信号是激励源与结构频率响应特性共同作用的结果在频谱中表现为由转频、啮合频率、边带成分构成复杂线谱成分和随机波动成分。而反应结构传递影响的频率响应函数只在各阶模态频率附近出现峰值，频域变化比较缓慢。
式中，M，C，K分别为质量矩阵、阻尼矩阵和刚度矩阵；F(t)为广义力列阵，由外部激励和内部结构激励形成；x为广义坐标列阵，表示振动的位移。
对矩阵方程两边取拉氏变换，得到
F(s)＝X(s)(-ω2M+jωC+K)-1
如果设Z(s)＝Ms2+Cs+K，为振动系统的位移阻抗矩阵，则
Z(s)X(s)＝F(s)
位移阻抗矩阵的逆矩阵即为系统的传递函数矩阵：
H(s)＝Z-1(s)＝(Ms2+Cs+K)-1
取s＝得到系统的频率响应函数矩阵：
频率响应函数矩阵反映多自由度系统的固有特性，多自由度系统响应信号的频谱为
X(ω)＝H(ω)F(ω)
考虑到行星轮系运行时存在强环境噪声的影响，损伤对时域信号的影响非常容易被强噪声所掩盖。
行星齿轮系统内部出现的故障(齿轮故障、轴承故障等)即对激励产生影响，也对结构传递特性产生影响，结果导致振动响应信号整体幅度的增加和频谱中快变成分(谐波、边带等)的增加。
对上式同取对数，利用倒频谱的同态滤波性质，将振动信号变换到倒频域。
对上式两边取Z反变换，有
由于振动信号中激励源频谱和结构频响函数的频谱特征存在差别，在倒频谱中激励源成分分布在高倒频率范围，而结构频响函数成分分布在低倒频率范围，很容易通过低通陷波处理，将两种成分分离，然后再经过傅里叶变换得到各自的幅值谱。
对分离后的倒频谱做频谱重构，即对再做傅里叶变换：
得到的可以视为系统频率响应函数的近似形式，它基本反映了振动信号中行星齿轮结构传递的影响。
选用支持向量机分类器，把提取的训练样本的故障特征向量作为SVM的输入，以不同的工作状态或故障类型作为SVM的输出，并确定SVM分类器的结构参数。支持向量机分类器的结构参数，以不同状态下的时域统计量和进行频谱重构之后的峰值能量为输入向量。确定SVM分类器的结构参数以后，把提取的测试样本的故障特征向量作为SVM的输入，以SVM分类器的输出来确定行星齿轮系统中单个齿轮的工作状态和故障类型。
Claims (1)
1.一种行星齿轮传动系统故障诊断方法，其特征是，包括以下步骤：
1)对于带有噪声干扰信号的行星齿轮传动系统振动信号x(n)，经过复数域内倒谱的同态滤波的特征系统后，将呈卷积关系的信号转换为叠加线性关系，再通过线性滤波器将特征信号和噪声干扰信号分离，其中两个信号分离的过程如下：
对于行星齿轮传动系统采集得到的振动信号x(n)，由特征信号x1(n)和噪声干扰信号x2(n)卷积而成，即：
x(n)＝x1(n)*x2(n)
对上式两边取Z变换，有：
X(z)＝Z[x1(n)*x2(n)]＝X1(z)·X2(z)
对上式两边同取对数，有：
<mrow>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>l</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<msub>
<mi>lnX</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>lnX</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
对上式两边取Z反变换，可以得到下式：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>Z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&lsqb;</mo>
<msub>
<mi>lnX</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>lnX</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msup>
<mi>Z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&lsqb;</mo>
<msub>
<mi>lnX</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msup>
<mi>Z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&lsqb;</mo>
<msub>
<mi>lnX</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
Z-1[lnX(z)]为复数域内倒谱，简称复倒谱；
2)对进行倒频域滤波，如果和在倒频域占据不同的倒频带，可以通过陷波处理将和分离，去除的影响；将对做倒频域滤波处理后的倒谱记做对求傅里叶变换，得到对取指数运算：
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<msub>
<mover>
<mi>X</mi>
<mo>^</mo>
</mover>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
如果再对X(f)求傅里叶逆变换，就可以得到分离信号xs(n)；
3)以不同状态下的时域统计量和进行频谱重构之后的峰值能量为SVM特征向量，确定SVM分类器的结构参数以后，把提取的测试样本的故障特征向量作为SVM的输入，以SVM分类器的输出，来确定行星齿轮系统中单个齿轮的工作状态和故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410713143.7A CN104330257B (zh) | 2014-11-26 | 2014-11-26 | 一种行星齿轮传动系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410713143.7A CN104330257B (zh) | 2014-11-26 | 2014-11-26 | 一种行星齿轮传动系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104330257A CN104330257A (zh) | 2015-02-04 |
| CN104330257B true CN104330257B (zh) | 2018-05-29 |
Family
ID=52405028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410713143.7A Expired - Fee Related CN104330257B (zh) | 2014-11-26 | 2014-11-26 | 一种行星齿轮传动系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104330257B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
| CN105510032B (zh) * | 2015-12-11 | 2017-12-26 | 西安交通大学 | 基于谐噪比指导的解卷积方法 |
| CN105678106A (zh) * | 2016-04-12 | 2016-06-15 | 中国北方车辆研究所 | 一种行星传动方案的选择方法 |
| CN107607316B (zh) * | 2017-08-23 | 2019-02-01 | 哈尔滨工程大学 | 一种齿轮传动系统内外部激励同步分离的装置及方法 |
| CN110836722A (zh) * | 2018-08-15 | 2020-02-25 | 博西华家用电器有限公司 | 电气设备运行状态的检测方法及系统、可读存储介质 |
| CN110441063B (zh) * | 2019-06-12 | 2021-04-27 | 祝思宁 | 一种监测诊断大型高速转子轴裂纹的方法 |
| CN110595767A (zh) * | 2019-08-30 | 2019-12-20 | 天津工业大学 | 一种快速更换零件的齿轮传动系统故障模拟实验台 |
| CN112147236A (zh) * | 2020-09-21 | 2020-12-29 | 大连理工大学 | 一种基于稀疏盲解卷积的超声信号分辨率提升方法 |
| CN112733692B (zh) * | 2021-01-04 | 2021-11-30 | 润联智慧科技(西安)有限公司 | 基于集成混合模型的故障预测方法、装置及相关设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102288398B (zh) * | 2011-05-16 | 2013-04-10 | 南京航空航天大学 | 基于支持向量机的动量轮故障检测装置及方法 |
| CN102507186B (zh) * | 2011-11-01 | 2014-04-23 | 西安交通大学 | 一种基于特色参数的行星齿轮箱状态监测与故障辨识方法 |
| CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
| CN103398843B (zh) * | 2013-07-01 | 2016-03-02 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
| CN104006962A (zh) * | 2014-05-08 | 2014-08-27 | 昆明理工大学 | 一种齿轮故障特征提取方法及系统 |
-
2014
- 2014-11-26 CN CN201410713143.7A patent/CN104330257B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN104330257A (zh) | 2015-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104330257B (zh) | 一种行星齿轮传动系统故障诊断方法 | |
| Zhao et al. | Deep convolutional neural network based planet bearing fault classification | |
| Li et al. | A fault diagnosis scheme for planetary gearboxes using adaptive multi-scale morphology filter and modified hierarchical permutation entropy | |
| Jiang et al. | A new compound faults detection method for rolling bearings based on empirical wavelet transform and chaotic oscillator | |
| Li et al. | Detection of gear cracks in a complex gearbox of wind turbines using supervised bounded component analysis of vibration signals collected from multi-channel sensors | |
| Ma et al. | Early fault diagnosis of bearing based on frequency band extraction and improved tunable Q-factor wavelet transform | |
| CN103499443B (zh) | 一种齿轮故障无键相角域平均计算阶次分析方法 | |
| Feng et al. | Ensemble empirical mode decomposition-based Teager energy spectrum for bearing fault diagnosis | |
| Osman et al. | An enhanced Hilbert–Huang transform technique for bearing condition monitoring | |
| Yuan et al. | Weak fault detection and health degradation monitoring using customized standard multiwavelets | |
| CN102879196B (zh) | 利用矩阵小波变换的行星齿轮箱复合故障诊断方法 | |
| Boudiaf et al. | A summary of vibration analysis techniques for fault detection and diagnosis in bearing | |
| CN104596756A (zh) | 用于旋转机械故障诊断的多频带包络谱阵 | |
| CN103454113A (zh) | 一种适用于工况变化情况下的旋转机械健康监测方法 | |
| CN108021871A (zh) | 一种基于主成分分析的特征频率提取方法 | |
| Wang et al. | Multiwavelet construction via an adaptive symmetric lifting scheme and its applications for rotating machinery fault diagnosis | |
| CN104006961A (zh) | 基于经验模态分解与倒频谱的摆线锥齿轮故障诊断方法 | |
| Touti et al. | An improved electromechanical spectral signature for monitoring gear-based systems driven by an induction machine | |
| Zhang et al. | Gearbox fault diagnosis using multiscale sparse frequency-frequency distributions | |
| Wang et al. | Research on gearbox composite fault diagnosis based on improved local mean decomposition | |
| Zhao et al. | Vold-Kalman generalized demodulation for multi-faults detection of gear and bearing under variable speeds | |
| Cocconcelli et al. | Kurtosis over energy distribution approach for STFT enhancement in ball bearing diagnostics | |
| Wang et al. | Tacholess order-tracking approach for wind turbine gearbox fault detection | |
| CN107505127A (zh) | 一种列车万向轴动不平衡特征谱线提取方法 | |
| Chen et al. | Sensitivity analysis and experimental research on ball bearing early fault diagnosis based on testing signal from casing |
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 | ||
| 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: 20180529 Termination date: 20201126 |