CN104390780A - 一种基于盲源分离的齿轮箱故障诊断方法 - Google Patents
一种基于盲源分离的齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN104390780A CN104390780A CN201410682939.0A CN201410682939A CN104390780A CN 104390780 A CN104390780 A CN 104390780A CN 201410682939 A CN201410682939 A CN 201410682939A CN 104390780 A CN104390780 A CN 104390780A
- Authority
- CN
- China
- Prior art keywords
- fault
- blind source
- source separation
- signal
- objective function
- 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.)
- Pending
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000005728 strengthening Methods 0.000 abstract 4
- 239000011159 matrix material Substances 0.000 description 9
- 238000005276 aerator Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于盲源分离的齿轮箱故障诊断方法，涉及一种机械故障诊断方法，该方法应用盲源分离技术解决了齿轮箱故障诊断问题。将盲源分离技术应用到基于振动分析的齿轮箱诊断中，作为信号预处理与故障特征提取的主要工具，可极大增强故障信息，改变传统的以降噪为主的故障信息增强思想，提高诊断精度，解决实际中故障定位难、早期故障诊断率低的难题。将盲源分离技术应用到基于振动分析的齿轮箱诊断中，作为信号预处理与故障特征提取的主要工具，可极大增强故障信息。改变传统的以降噪为主的故障信息增强思想，提高诊断精度，解决实际中故障定位难、早期故障诊断率低的难题。
Description
技术领域
本发明涉及一种机械故障诊断方法，特别是涉及一种基于盲源分离的齿轮箱故障诊断方法。
背景技术
振动信号分析技术是机械设备状态检测与故障诊断的主要手段之一，已经形成了比较完备的理论与技术体系。但是在实际中状态监测与故障诊断系统中广泛采用多测点、多传感器的采集方式，在复杂的工况环境中，传感器拾取的信号往往是由不同信号源产生的混合信号，同时，与结构故障有关的振动信号常被结构振动和干扰噪声所污染，特别是早期故障信号往往十分微弱，信噪比低，这使得已有的特征提取与故障诊断方法受到了很大的影响，虚警率高，大大限制了在实际中的应用。近年来，作为一种一种新的信号处理方法，盲源分离理论具有广阔的应用前景，在机械设备故障诊断领域引入盲源分离方法，可以减小信 号采集不挡的影响，并有效分离特征源信号盲源分离是指多个独立源信号共同传播时，在不需要了解传递通道情况下，从混合信号中分离源信号的一种方法。与以往的信号处理方法不如小波分析，到频谱分析等方法都是在故障源已知故障信号确定的情况下进行相应的分析，盲源分离方法中所知道的只是混合信号，“盲”含意是指对传递通道和输入源信号均未知，仅根据源信号具有相互独立性这一已知条件，从混合信号中提取源信号，进行系统盲辨识和输入信号盲均衡。
发明内容
本发明的目的在于提供一种基于盲源分离的齿轮箱故障诊断方法，本发明利用盲源分离技术可以有效地去除外来干扰，以提高故障诊断精度，解决实际中故障定位、早期故障诊断率低的难题。为大型机械设备齿轮箱故障识别诊断提供理论依据。
本发明的目的是通过以下技术方案实现的：
一种基于盲源分离的齿轮箱故障诊断方法，所述方法将盲源分离技术应用到基于振动分析的齿轮箱诊断中，作为信号预处理与故障特征提取的工具包括以下步骤：
1） 盲源信号分离：把若干观测到的混叠信号恢复成各自分离的信号；线性瞬态混叠模型，由于有噪声存在盲源分离实现起来比较困难，所以一般不考虑噪声的影响或者把噪声当作一个源信号处理；卷积混合模型，卷积混合模型是和实际环境更为接近的混合模型。
2） 故障诊断盲源分离模型的建立：不论线性盲源分离还是非线性盲源分离，这些盲源分离的算法都是由两部分构成：目标函数和最优化算法。通过优化目标函数来获得源信号的测定；即源分离算法是目标函数和最优化算法的有机结合；常用目标函数，目标函数是盲源分离的关键。因此采用不同的目标函数，盲源分离的所获得的结果也不相同；目标函数确定以后，就需要用一定的算法将其优化，以实现相互独立的要求，优化算法分批处理算法和自适应处理算法；
3）齿轮箱故障信号盲源分离，用盲源分离方法来对齿轮箱振动信号进行处理，频谱图中具有较多的频率成分，经过盲源分离后得到的分离信号的频谱故障特征明显，可以准确的提取故障特征频率。
所述的一种基于盲源分离的齿轮箱故障诊断方法，所述盲源分离的目标函数有：微分熵目标函数、互信息目标函数、负熵目标函数、高阶累积量目标函数：
所述的一种基于盲源分离的齿轮箱故障诊断方法，所述批处理算法和自适应处理算法，批处理算法中较成熟的有两种：成对旋转法和 旋转，自适应算法一般是与神经网络相接合。
所述的一种基于盲源分离的齿轮箱故障诊断方法，所述分离信号为齿轮箱轴承故障，其频谱峰值发生在100左右，故障频率为100；分离信号为齿轮箱齿轮啮合故障，其频谱峰值发生在200，故障频率为200。
本发明的优点与效果是：
1.本发明将盲源分离技术作为信号预处理与故障特征提取的主要工具，用于齿轮箱状态检测和故障诊断中。应用盲源分离中的ICA方法解决噪声的消除、弱信号的特征提取和多故障源的分离等问题。对故障曝气机WA5的齿轮箱振动信号进行盲源分离得到准确的故障信号，并根据故障振动信号频谱诊断出故障。利用盲源分离技术可以有效地去除外来干扰，以提高故障诊断精度，解决实际中故障定位、早期故障诊断率低的难题。
2.本发明应用盲源分离中的ICA方法解决噪声的消除、弱信号的特征提取和多故障源的分离等问题。对故障曝气机WA5的齿轮箱振动信号进行盲源分离得到准确的故障信号，并根据故障振动信号频谱诊断出故障。
附图说明
图1 盲源信号分离的一般模型；
图2齿轮箱及测试点示意图；
图3 a原始混合实测信号1；
图3b原始混合实测信号2；
图3 c原始混合实测信号3；
图4 提取的活塞磨损故障特征；
图5 提取的气缸撞击故障特征。
具体实施方式
下面结合附图所示实施例，对本发明作进一步详述。
本发明具体实施如下：
1 盲源信号分离
1.1信号的盲源分离。
它可以把若干观测到的混叠信号恢复成各自分离的信号。通常观察信号由传感器的输出得到，而传感器接收到的是若干个源信号的未知混叠信号。这里的“盲”是指源信号不能直接观察到，也没有信号是怎样混叠的信息。在盲源分离中，信号混叠方法的信息缺乏由假设源信号是相互独立来补偿。图1是盲源信号分离的一般模型，假设存在个统计独立信号和至少 个观察混叠信号，且这里，其解可表达为：
（1）
其中，为一可表示为高斯或非高斯的噪声信号。
式（1）的解通常是要找到源信号的一个估计，这实际上是要找到一个未知的分离函数，满足估计的独立条件。通常可以认为来自信号源的个统计独立信和观测信号是线性的和瞬时的。
由于机械结构的振动信号通过结构传递而产生延迟，机械系统的瞬态特征不会保持不变。通常应用于机械系统的是一个线性的时间独立的混叠矩，叫卷积矩阵。但是,当考虑一个刚度很大、位移很小的结构时,其振动的传递延迟可以忽略不计,一个瞬态模型是可以保持的。
1.2 线性瞬态混叠模型
由于有噪声存在盲源分离实现起来比较困难，所以一般不考虑噪声的影响或者把噪声当作一个源信号处理。假设个来自信号源的统计独立信号经线性瞬时混合，得到个混合信号（或称观测信号）：
（2）
其中为混合系数。式（2）可用矢量表示为：
（3）
式中：为阶未知源信号矢量；为阶已知混合信号矢量；是阶未知混合矩阵。
1.3 卷积混合模型
卷积混合模型是和实际环境更为接近的混合模型。卷积混合模型的一般表达形式如下：用表示从第个源信号到第个传感器的线性变换函数，
（4）
式中，为向后位移，在变换中是复数变量[5]。
整个系统的混叠矩阵表示为
其中，各系数的取值范围通常在区间。这样，观察信号可以用源信号与混叠矩阵的卷积来表达
（5）
其目的是估计一个的稳定逆向系统，使得
（6）
2 故障诊断盲源分离模型的建立
不论线性盲源分离还是非线性盲源分离，这些盲源分离的算法都是由两部分构成：目标函数和最优化算法。通过优化目标函数来获得源信号的测定。即源分离算法是目标函数和最优化算法的有机结合。
2.1常用目标函数
目标函数是盲源分离的关键。因此采用不同的目标函数，盲源分离的所获得的结果也不相同。一般盲源分离的目标函数有：
（1）微分熵目标函数：
公式定义如下：
（8）
当变量相互独立，即时
（9）
此时，取得最大值。等式（8）适用于各分量相互独立的情况。
（2）互信息目标函数：
公式如下：
（10）
这里表示的是微分熵函数。相互信息越小就会得到越好的相互独立。从等式（10）可以看出的最小值等于的最大值。
（3）负熵目标函数：
公式如下：
（11）
和都是相同协方差的高斯随机变量。负熵是向量的微分熵与高斯分布熵之间的偏差。在单位方差（或给定方差）的条件下，高斯熵最大，因此，负熵是非负值，当且仅当的分布也为高斯分布时负熵为零。如果所估计的向量的各个分量是原始信号的估计的话，那么式（11）应该具有最大值，因为各个原始分量具有最大的非高斯性，这就是最大负熵估计原理。
（4）高阶累积量目标函数：
高阶累积量主要是指四阶累积量，其公式如下：
（12）
这里表示对变量求数学期望。对于单个高斯干扰来说，四阶累积量值为零；对于次高斯干扰，四阶累积量为负；对于超高斯干扰四阶累积量为正。因此，超高斯信号的分离所得值为四阶累积量的最大值，而次高斯信号的分离值为最小值。如果两者同时存在于混合信号当中，在选择目标函数之前必须消除信号干扰。
2.2盲源分离的优化算法
目标函数确定以后，就需要用一定的算法将其优化，以实现相互独立的要求。优化算法大致可以分为两类：批处理算法和自适应处理算法。
（1）自适应算法
自适应算法一般是与神经网络相接合。自1994年提出经验性的调节算法后，研究学者们在理论上沿着这个方向进行了深入探索。等引入了自然梯度方法，极大地提高了训练效率，显著地改善了算法的收敛性能。下面介绍几种梯度法。
一般的按照最陡下降的随机梯度算法中系数调节公式的形式为；
（13）
式中所有量都是随机的，其中为随机学习步长、随机分离矩阵的转置矩阵、随机向量的转置向量，这里在各种算法中的形式不同。观察上式可以发现存在对矩阵求逆再转置的运算，这样就增加了计算量。而自然梯度法则将原先的最陡梯度做一变换，得到下面的形式：
（14）
这样就避免了矩阵的求逆，使得计算量明显降低，加快了收敛速度。自然梯度法不仅容易计算，而且很有效，因此受到广泛的重视。
（2）批处理算法
批处理算法中较成熟的有两种：成对旋转法和旋转，成对旋转法是较早提出的一种方法，特点在于优化过程分为两个步骤：首先对混合信号进行预处理，使得到的各个分量不相关且方差为1，然后再寻找合适的正交归一化矩阵，使得各个分量独立。旋转式根据目标函数将求得中各个分量两两成对反复旋转直到收敛，这种方法的计算量较大，1999年，提出了几种改进算法，包括法、法、法等。本发明采用高阶累积量目标函数，算法。这里采用算法的主要原因是，高斯噪声三阶以上的累积量为零，因而算法对高斯背景下含噪盲源分离性能比较稳定。
3齿轮箱故障信号盲源分离
某公司曝气机WA5的齿轮箱如图2，均为电动机和增速机驱动。鼓风机为两级增压。对机器的故障诊断来说，盲源分离主要应用在机器故障源的分离，包括振源和声源的分离。由于信号源在传播过程中受到多种外来干扰，所以传感器所获得的信号为所有信号的混合信号。另外，在一个机器上有能同时发生多个故障，，混合故障问题在机器故障诊断中是比较难解决的问题。如果多故障的每个故障源能被分离出来，就可以根据每个信号的振动特征来分别诊断多个故障。盲源分离提出一种新的理论来解决上面的问题。用盲源分离方法来对曝气机WA5的齿轮箱的振动信号进行处理，来说明盲源分离在多故障诊断中的可行性，图3中可以看出，频谱图中具有较多的频率成分，不能够提取出待故障信号的特征频率成分，说明用FFT分析法无法准确得到故障信号的特征频率。经过盲源分离后得到的分离信号的频谱故障特征明显，可以准确的提取故障特征频率。
根据齿轮箱各故障经验公式得出，图4分离信号为齿轮箱轴承故障，其频谱峰值发生在100左右，故障频率为100；图5分离信号为齿轮箱齿轮啮合故障，其频谱峰值发生在200，故障频率为200。以上通过盲源分离对齿轮箱振动信号进行分析得出齿轮轴承出现故障并且存在齿轮啮合问题，导致齿轮振动较大，状态较差。
应用盲源分离技术解决了齿轮箱故障诊断问题。将盲源分离技术应用到基于振动分析的齿轮箱诊断中，作为信号预处理与故障特征提取的主要工具，可极大增强故障信息，改变传统的以降噪为主的故障信息增强思想，提高诊断精度，解决实际中故障定位难、早期故障诊断率低的难题。
Claims (4)
1.一种基于盲源分离的齿轮箱故障诊断方法.其特征在于，所述方法将盲源分离技术应用到基于振动分析的齿轮箱诊断中，作为信号预处理与故障特征提取的工具包括以下步骤：
1） 盲源信号分离：把若干观测到的混叠信号恢复成各自分离的信号；线性瞬态混叠模型，由于有噪声存在盲源分离实现起来比较困难，所以一般不考虑噪声的影响或者把噪声当作一个源信号处理；卷积混合模型，卷积混合模型是和实际环境更为接近的混合模型；
2） 故障诊断盲源分离模型的建立：不论线性盲源分离还是非线性盲源分离，这些盲源分离的算法都是由两部分构成：目标函数和最优化算法；
通过优化目标函数来获得源信号的测定；即源分离算法是目标函数和最优化算法的有机结合；常用目标函数，目标函数是盲源分离的关键；
因此采用不同的目标函数，盲源分离的所获得的结果也不相同；目标函数确定以后，就需要用一定的算法将其优化，以实现相互独立的要求，优化算法分批处理算法和自适应处理算法；
3）齿轮箱故障信号盲源分离，用盲源分离方法来对齿轮箱振动信号进行处理，频谱图中具有较多的频率成分，经过盲源分离后得到的分离信号的频谱故障特征明显，可以准确的提取故障特征频率。
2.根据权利要求1所述的一种基于盲源分离的齿轮箱故障诊断方法，其特征在于，所述盲源分离的目标函数有：微分熵目标函数、互信息目标函数、负熵目标函数、高阶累积量目标函数。
3.根据权利要求1所述的一种基于盲源分离的齿轮箱故障诊断方法，其特征在于，所述批处理算法和自适应处理算法，批处理算法中较成熟的有两种：成对旋转法和 旋转，自适应算法一般是与神经网络相接合。
4.根据权利要求1所述的一种基于盲源分离的齿轮箱故障诊断方法，其特征在于，所述分离信号为齿轮箱轴承故障，其频谱峰值发生在100左右，故障频率为100；分离信号为齿轮箱齿轮啮合故障，其频谱峰值发生在200，故障频率为200。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410682939.0A CN104390780A (zh) | 2014-11-25 | 2014-11-25 | 一种基于盲源分离的齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410682939.0A CN104390780A (zh) | 2014-11-25 | 2014-11-25 | 一种基于盲源分离的齿轮箱故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104390780A true CN104390780A (zh) | 2015-03-04 |
Family
ID=52608713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410682939.0A Pending CN104390780A (zh) | 2014-11-25 | 2014-11-25 | 一种基于盲源分离的齿轮箱故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104390780A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106769010A (zh) * | 2016-12-13 | 2017-05-31 | 南昌航空大学 | 一种欠定盲分离中的机械振源数估计方法 |
| CN107024352A (zh) * | 2017-05-03 | 2017-08-08 | 哈尔滨理工大学 | 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法 |
| CN107607342A (zh) * | 2017-09-22 | 2018-01-19 | 沈阳工业大学 | 空调机房设备群的健康能效检测方法 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110782041A (zh) * | 2019-10-18 | 2020-02-11 | 哈尔滨工业大学 | 一种基于机器学习的结构模态参数识别方法 |
| CN112179653A (zh) * | 2020-09-07 | 2021-01-05 | 神华铁路装备有限责任公司 | 滚动轴承振动信号盲源分离方法、装置及计算机设备 |
| CN112464712A (zh) * | 2020-10-20 | 2021-03-09 | 浙江大学 | 一种基于盲抽取算法的旋转机械故障诊断方法 |
| CN113074935A (zh) * | 2021-04-01 | 2021-07-06 | 西华大学 | 一种用于齿轮箱冲击故障特征的声学分离和诊断方法 |
| CN113639985A (zh) * | 2021-08-16 | 2021-11-12 | 上海交通大学 | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 |
| CN113743225A (zh) * | 2021-08-05 | 2021-12-03 | 武汉科技大学 | 基于vt-anm-swt的旋转机械异振源识别方法 |
| CN113792657A (zh) * | 2021-09-15 | 2021-12-14 | 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 |
| CN113834645A (zh) * | 2021-11-18 | 2021-12-24 | 长沙理工大学 | 基于lod-ica的旋转机械故障诊断方法 |
| CN115935153A (zh) * | 2023-01-06 | 2023-04-07 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
-
2014
- 2014-11-25 CN CN201410682939.0A patent/CN104390780A/zh active Pending
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106769010A (zh) * | 2016-12-13 | 2017-05-31 | 南昌航空大学 | 一种欠定盲分离中的机械振源数估计方法 |
| CN107024352A (zh) * | 2017-05-03 | 2017-08-08 | 哈尔滨理工大学 | 一种基于滑动熵‑ica算法的滚动轴承故障特征提取方法 |
| CN107607342A (zh) * | 2017-09-22 | 2018-01-19 | 沈阳工业大学 | 空调机房设备群的健康能效检测方法 |
| CN107607342B (zh) * | 2017-09-22 | 2020-05-26 | 沈阳工业大学 | 空调机房设备群的健康能效检测方法 |
| CN109655259A (zh) * | 2018-11-23 | 2019-04-19 | 华南理工大学 | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 |
| CN110782041A (zh) * | 2019-10-18 | 2020-02-11 | 哈尔滨工业大学 | 一种基于机器学习的结构模态参数识别方法 |
| CN110782041B (zh) * | 2019-10-18 | 2022-08-02 | 哈尔滨工业大学 | 一种基于机器学习的结构模态参数识别方法 |
| CN112179653A (zh) * | 2020-09-07 | 2021-01-05 | 神华铁路装备有限责任公司 | 滚动轴承振动信号盲源分离方法、装置及计算机设备 |
| CN112464712B (zh) * | 2020-10-20 | 2022-07-22 | 浙江大学 | 一种基于盲抽取算法的旋转机械故障诊断方法 |
| CN112464712A (zh) * | 2020-10-20 | 2021-03-09 | 浙江大学 | 一种基于盲抽取算法的旋转机械故障诊断方法 |
| CN113074935A (zh) * | 2021-04-01 | 2021-07-06 | 西华大学 | 一种用于齿轮箱冲击故障特征的声学分离和诊断方法 |
| CN113743225A (zh) * | 2021-08-05 | 2021-12-03 | 武汉科技大学 | 基于vt-anm-swt的旋转机械异振源识别方法 |
| CN113639985B (zh) * | 2021-08-16 | 2022-04-12 | 上海交通大学 | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 |
| CN113639985A (zh) * | 2021-08-16 | 2021-11-12 | 上海交通大学 | 一种基于优化故障特征频谱的机械故障诊断与状态监测方法 |
| CN113792657A (zh) * | 2021-09-15 | 2021-12-14 | 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 |
| CN113834645A (zh) * | 2021-11-18 | 2021-12-24 | 长沙理工大学 | 基于lod-ica的旋转机械故障诊断方法 |
| CN113834645B (zh) * | 2021-11-18 | 2024-07-12 | 长沙理工大学 | 基于lod-ica的旋转机械故障诊断方法 |
| CN115935153A (zh) * | 2023-01-06 | 2023-04-07 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
| CN115935153B (zh) * | 2023-01-06 | 2023-06-20 | 香港理工大学深圳研究院 | 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104390780A (zh) | 一种基于盲源分离的齿轮箱故障诊断方法 | |
| CN101561314B (zh) | 随机共振-混沌微弱信号检测方法 | |
| CN105651376B (zh) | 机械设备离线检测系统振动信号频谱分析和报警方法 | |
| CN110702411A (zh) | 一种基于时频分析的残差网络滚动轴承故障诊断方法 | |
| CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
| Chen et al. | Improved CICA algorithm used for single channel compound fault diagnosis of rolling bearings | |
| Yi et al. | Mechanical compound faults extraction based on improved frequency domain blind deconvolution algorithm | |
| CN105699080A (zh) | 一种基于振动数据的风电机组轴承故障特征提取方法 | |
| CN105527077A (zh) | 一种基于振动信号的通用旋转机械故障诊断与检测的方法 | |
| CN105303181A (zh) | 一种基于滑动窗的随机共振微弱冲击特征增强提取方法 | |
| CN115628906A (zh) | 基于ga-vmd与自适应随机共振的轴承故障诊断方法 | |
| Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
| Li et al. | Gear multi-faults diagnosis of a rotating machinery based on independent component analysis and fuzzy k-nearest neighbor | |
| CN113899548A (zh) | 一种基于谐波峭度谱的滚动轴承故障诊断方法 | |
| CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
| CN112082792A (zh) | 一种基于mf-jade的旋转机械故障诊断方法 | |
| Shijie et al. | Blind source separation of underwater acoustic signal by use of negentropy-based fast ICA algorithm | |
| CN105910701A (zh) | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 | |
| Shuangli et al. | Application of improved wavelet packet energy entropy and GA-SVM in rolling bearing fault diagnosis | |
| Zhou et al. | Method of multi-resolution and effective singular value decomposition in under-determined blind source separation and its application to the fault diagnosis of roller bearing | |
| CN114297579A (zh) | 一种基于循环平稳测度的盲源分离方法 | |
| Wang et al. | A fault diagnosis method for automaton based on morphological component analysis and ensemble empirical mode decomposition | |
| Chen et al. | Analysis of the fault diagnosis method for wind turbine generator bearing based on improved wavelet packet-bp neural network | |
| Zhou et al. | Probabilistic gear fault diagnosis using Bayesian convolutional neural network | |
| Jiang et al. | Vibration signal processing for gear fault diagnosis based on empirical mode decomposition and nonlinear blind source separation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150304 |
|
| WD01 | Invention patent application deemed withdrawn after publication |