CN104655380B - 一种旋转机械设备故障特征提取方法 - Google Patents
一种旋转机械设备故障特征提取方法 Download PDFInfo
- Publication number
- CN104655380B CN104655380B CN201510113674.7A CN201510113674A CN104655380B CN 104655380 B CN104655380 B CN 104655380B CN 201510113674 A CN201510113674 A CN 201510113674A CN 104655380 B CN104655380 B CN 104655380B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- envelope signal
- index
- sampling
- 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
本发明提供了一种旋转机械设备的故障特征提取方法，包括：（1）对振动信号进行等时间间隔采样并进行时域处理，提取时域特征；（2）对等时间间隔采样振动信号x(n)进行包络检波处理得到等时间间隔采样包络信号，并提取包络信号特征；（3）利用等时间间隔采样包络信号和转速信息，重构等角度间隔采样包络信号y(n)；（4）对等角度间隔采样包络信号y(n)进行等角度滑动平均滤波处理得到信号z(n)；（5）求z(n)傅里叶变换并用特征频率匹配方法寻找特征频率，提取频域故障特征。该方法不但在不降低频域分别率的情况下能够压制干扰，而且在转速有偏差和机械部件有偏差的情况下也能够提取到实际的特征频率，可有效发现更微小的故障隐患。
Description
技术领域
本发明涉及机械设备故障诊断技术领域，特别是涉及一种旋转机械设备的故障特征提取方法。
背景技术
随着现代工业和科学技术的发展以及自动化程度的进一步提高，机械正朝着大型化、高速化、连续化、集中化、自动化方向发展。旋转机械设备长期处于高速运行状态(一般为每分钟3000转以上甚至高达几万转)，由于各种因素的影响，难免会出现一些故障，而且这些故障往往会引起巨大的经济损失甚至灾难性后果，因此对旋转机械设备故障诊断十分重要。
振动检测诊断法是当今旋转机械设备故障诊断技术的最常用的诊断方法。振动信号包含了丰富的机械运行状态信息，因而振动检测诊断法可以对机械设备中的大部分故障类型进行准确的诊断。目前在工程应用中采用的振动分析方法主要有时域分析法和频域分析法。时域分析法主要是在信号的时域提取故障的时域特征然后根据时域特征的变化对机械设备进行故障诊断的技术。频域分析法是通过傅里叶变换把振动信号变换到频域进行分析，提取信号频域特征然后根据频域特征的变化对机械设备进行故障诊断的技术。时域分析法算法简单、快捷，但只能判断机械设备是否有故障以及故障的严重程度，而不能判断故障部位和故障类型。频域分析法不但能判定是否有故障而且能够判定故障部位和类型，所以精细诊断多采用频域分析法。目前影响频域分析法诊断效果的因素主要有两个：一个是由于旋转机械设备转速的非匀速(如列车加速、减速、停车，风力发电机转速随着风速的变化而变化等)导致的振动信号的非平稳性，若对这些非平稳信号直接进行傅立叶分析将产生严重的频率模糊现象，从而影响故障的判断；另一个是由于旋转机械设备运动过程中受环境振动噪声、设备其他部件振动产生的噪声的影响，采集的振动信号除故障本身引起的振动信号外往往包含非故障引起的振动噪声，而这些噪声淹没了故障特征信号尤其是故障早期的特征信号使得故障不能够及时发现和误报警，延误了最佳维修时间甚至造成巨大的经济损失甚至灾难性后果。为了解决第一和第二个问题，现有技术(“基于角域平均的齿轮裂纹故障诊断”，中北大学学报(自然科学版)，2007年第28卷第1期)采用了以角位移(旋转角度)为自变量的周期平稳信号，先通过阶次跟踪技术重构角域信号，然后再在角域对信号进行分段，对分段信号进行求平均，从而实现对噪声进行压制的方法。该方法能够压制随机噪声的影响，提高信噪比，突出故障特征。然而，由于该方法采用的是把数据分段然后对不同段数据相加求平均的方法压制噪声，因此破坏了数据的连续性，无法实现状态的连续监测；此外，由于把长数据分成短数据，该方法也降低了后续傅里叶变换频域分辨率。综上所述，目前需要开发一种能够解决频域分辨率与去噪效果之间的矛盾，突出故障信号，发现更微小的故障隐患的旋转机械设备故障特征提取方法。
发明内容
针对现有方法的不足，本发明提供了一种旋转机械设备的故障特征提取方法。通过等角度滑动平均滤波压制干扰噪声，特征频率匹配方法搜寻实际特征频率进行频域特征提取。
为了达到上述目的，本发明提供如下技术方案：
一种旋转机械设备的故障诊断方法，它包括：
(1)对振动信号进行等时间间隔采样并进行时域处理，提取时域特征；
(2)对等时间间隔采样振动信号x(n)进行包络检波处理得到等时间间隔采样包络信号a(n)，并提取包络信号特征；
(3)利用等时间间隔采样包络信号a(n)和转速信息，采用计算阶次跟踪技术重构等角度间隔采样包络信号y(n)；
(4)对等角度间隔采样包络信号y(n)进行等角度滑动平均滤波处理得到信号z(n)；
(5)求z(n)傅里叶变换Z(f)并用特征频率匹配方法寻找特征频率，提取频域故障特征。
进一步的，步骤1中所述时域特征包括：有效值、方差、标准差、偏态指标、崤度指标、波形指标、峰值指标、脉冲指标、裕度指标。
进一步的，步骤2中所述的包络检波处理选自线性算子解调法、平方解调法、正交解调法、希尔伯特(Hilbert)变换解调法中的一种或多种的组合。
进一步的，步骤2中所述的包络信号特征包括：包络信号有效值、峰值、波形指标、峰值指标、脉冲指标、裕度指标。
进一步的，步骤4包括如下步骤：
1)确定滤波器参数，所述滤波器参数包括滤波取样间隔L、滤波器左侧取样长度N1、滤波器右侧取样长度N2和滤波器系数ci；确定滤波器参数的步骤如下：
a.对感兴趣频率f和转频fr在大于等于1小于等于Q的正整数中求使或取最小值的正整数q，使L＝qM，所述M为被监测的转子旋转一周的等角度采样的采样点数；
b.根据或的大小确定N1、N2，使 或所述e为允许的参与平均的采样点间的最大角度偏差；
2)对y(n)进行等角度滑动平均滤波得到z(n)：
所述N为序列y(n)的长度。
进一步的，步骤5中所述频域故障特征包括特定频率的幅值、频段能量值及其均值、频段幅值平均值、特定频率的幅值与频段能量值的比值、特定频率的幅值与频段能量平均值的比值、特定频率的幅值与频段幅值平均值的比值、频段因数；其中以如下步骤提取特定频率及其取值：
1)确定感兴趣的特定频率ft及其搜索区间
2)在区间范围内求使取最大值的fM，作为感兴趣的频率ft的实际值并提取Z(f)在频率fM及其倍频处的取值Z(fM)，Z(2fM)，Z(3fM)，…，Z(mfM)作为频域特征，或者当f≤ft在区间当f＞ft在区间求使取最大值的fM为感兴趣的频率ft的实际值，并取Z(fM)，作为频域特征，这里分别是|z(f)|当f≤ft时在区间(2fM-Δf2,1,2ft+Δf2,2)，(3fM-Δf3,1,3ft+Δf3,2)，…(mfM-Δfm,1,mft+Δfm,2)或当f＞ft时在区间(2ft-Δf2,1,2fM+Δf2,2)，(3ft-Δf3,1,3fM+Δf3,2)，…(mft-Δfm,1,mfM+Δfm,2)取最大值时对应的f。这里K,m,M为正整数，Δfi,1，Δfi,2i＝(1,2,…,max(K,m))为正实数。
本发明的有益效果：
本发明所述的故障诊断方法通过特征频率匹配方法能够找到实际的特征频率及其傅里叶变换值，从而能够克服现有方法中由于设备加工偏差、转速波动和设备磨损引起的特征频率的理论值与实际值存在的偏差，并提取到特征频率的实际值，通过等角度滑动平均滤波方法能够解决频域分辨率与去噪效果之间的矛盾，突出故障信号，可以有效发现更微小的故障隐患。
附图说明
图1是本发明的逻辑结构示意图。
具体实施方式
下面结合附图以某型风电机组的轴承故障诊断为例，说明本发明的具体实施方式。
1、对振动信号进行等时间间隔采样并进行时域处理提取时域特征。
从振动传感器和转速传感器输出模拟信号，经过调理电路的信号变换放大后，振动信号还要进行防混叠低通滤波，然后分别同步进行200kbps的数字采样。采样后的振动信号再经过剔除异常值、消除噪声、滤波、基线归一化等处理后得到等时间间隔振动信号x(n)。然后计算等时间间隔振动信号x(n)的有效值、方差、标准差、偏态指标、崤度指标、波形指标、峰值指标、脉冲指标、裕度指标等时域特征。这些指标的计算方法一般的信号处理和故障诊断的教科书或专著里都有介绍这里不再复述。
2、对等时间间隔振动信号x(n)进行包络检波处理得到等时间间隔采样包络信号a(n)，并提取包络信号特征。
为了压制低频和高频干扰，先采用4阶切比雪夫带通滤波器对等时间间隔振动信号x(n)进行通带为10KHz-30KHz的带通滤波，然后采用平方解调法对x(n)进行包络解调，平方解调法主要是先对x(n)求平方得到x2(n)然后再采用高截频为4KHz的4阶切比雪夫低通滤波器对x2(n)进行低通滤波输出序列a(n)。然后对包络信号a(n)进行特征提取，提取的主要特征包括：包络域有效值、包络域方差、包络域标准差、包络域偏态指标、包络域崤度指标、包络域波形指标、包络域峰值指标、包络域脉冲指标、包络域裕度指标等包络特征。
3、利用等时间间隔采样包络信号a(n)和转速信息采用计算阶次跟踪技术(COT)重构等角度间隔采样包络信号y(n)。
阶次跟踪技术重构等角度间隔采样包络信号的步骤包括：
1)确定角度域采样间隔Δθ，计算第n个样点的对应角度θ＝nΔθ。
本实施例采用转子转一周采样2048个点的角度采样率，也即是角度采样间隔为Δθ＝2π/2048，第n个样点对应的角度为θ＝n×2π/2048。
2)我们假设在短时间机械设备的旋转为匀加速运动，即θ(t)＝b0+b1t+b2t2，则有根据转速信息计算第n个角度采样样点转角θ对应的时域时刻把θ＝n×2π/2048代入上式得根据插值公式重构等角度间隔采样的振动信号的包络信号这里fm为等时间间隔采样频率200kbps，Δt＝0.000005为采样间隔。
4、对等角度间隔采样的包络信号y(n)进行等角度滑动平均滤波处理得到信号z(n)。
所述步骤1)确定滤波器参数的方法如下：
a.某型风电机组某轴承的故障特征频率分别是滚动体故障特征频率外圈故障特征频率为内圈故障特征频率为保持架故障特征频率转频fr，在1和Q＝1500之间的正整数中q＝1105能使取的最小值且最小值为则选滚动体故障诊断等角度滑动平均滤波器滤波取样间隔Lb＝1105×2048＝2263040，这里2048为被监测的转子旋转一周的等角度采样的采样点数。
b.根据选取e＝0.05使 因为无论N1，N2取何值0×(N1+N2+1)≤0.05都成立所以取N1＝10，N2＝10。同理可求得外圈故障诊断等角度滑动平均滤波，滤波取样间隔Li＝85×2048＝174080，内圈故障诊断等角度滑动平均滤波，滤波取样间隔Lo＝85×2048＝174080，保持架故障诊断等角度滑动平均滤波，滤波取样间隔Lc＝85×2048＝174080。由于1105能被85整除，q＝1105也能满足使内圈外圈保持架取得最小值0的，为减少计算量这里可以统一选用L＝1105×2048＝2263040，N1＝10，N2＝10作为等角度滑动平均滤波器的参数，ci＝1。
2)等角度滑动平均滤波器参数确定后，对y(n)采用下式进行等角度滑动平均滤波得到z(n)，
这里N为序列y(n)的长度，由于风电机组一般会连续不断工作所以N的取值可以很长甚至是无限大。
5、求z(n)傅里叶变换Z(f)并用特征频率匹配方法寻找特征频率、提取频域故障特征。
对y(n)进行等角度滑动平均滤波消除干扰处理得到z(n)后，便可对z(n)进行FFT变换得到z(n)的傅里叶变换Z(f)。得到Z(f)后理论上就可求取轴承各部件故障对应的特征频率处的幅度和相位值，但实际上由于在通过阶次跟踪技术重构等角度间隔采样包络信号过程中假设机械设备是匀加速运动，这与实际存在偏差加上轴承加工存在误差和使用中的磨损，轴承各部件的实际特征频率并不与理论计算的特征频率相一致，而是存在偏差，因此，为寻找实际的特征频率位置需要在附近搜索，搜索的过程如下：
1)确定感兴趣的频率f及其搜索区间
本实施例中感兴趣的频率有5个，分别是转频fr，其理论值为15Hz，滚动体特征频率fb，其理论特征频率为47.89Hz，内圈特征频率fi，其理论值为114.35Hz，外圈故障特征频率fo，其理论特征频率为155.65Hz，保持架故障特征频率fc，其理论特征频率为6.35Hz。搜索范围定为感兴趣频率的5％，也即是fr的搜索范围为fr∈[14.25,15.75]，fb∈[45.49,50.29]，fi∈[108.63,120.07]，fo∈[147.87,163.43]，fc＝[6.03,6.67]。
2)在区间范围内求使取最大值的fM，作为感兴趣的频率f的实际值。
在区间fr∈[14.25,15.75]求使取最大值的求解过程是以14.25Hz为基点以步长0.01Hz为增量逐个计算值最后找出一个最大值。比如在某个搜索过程中求得时取得最大值，则作为实际转频。同样的过程可以求得fb的实际值fi的实际值fo的实际值fc的实际值为
3)提取Z(f)在频率fM及其倍频处的取值Z(fM)，Z(2fM)，Z(3fM)，…，Z(nfM)及它们与Z(f)在某一频段内的有效值Zrms之比作为频域特征。
提取Z(f)在值Z(15.2)及其倍频Z(30.4)，Z(45.6)的值及它们与0-500H在频段的有效值Zrms之比Z(15.2)/Zrms，Z(30.4)/Zrms，Z(45.5)/Zrms，Z(f)在处及其倍频Z(96.4)的值及它们与Zrms之比Z(48.2)/Zrms，Z(96.4)/Zrms，Z(f)在其倍频Z(230.4)处的值及它们与Zrms之比Z(115.2)/Zrms，Z(230.4)/Zrms，Z(f)在及其倍频Z(312.4)处的值及它们与Zrms之比Z(156.2)/Zrms，Z(312.4)/Zrms，Z(f)在频段13KHz-17KHz内的能量值Ze等作为频域故障特征。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种旋转机械设备的故障诊断方法，它包括：
(1)对振动信号进行等时间间隔采样并进行时域处理，提取时域特征；
(2)对等时间间隔采样振动信号x(n)进行包络检波处理得到等时间间隔采样包络信号a(n)，并提取包络信号特征；
(3)利用等时间间隔采样包络信号a(n)和转速信息，采用计算阶次跟踪技术重构等角度间隔采样包络信号y(n)；
(4)对等角度间隔采样包络信号y(n)进行等角度滑动平均滤波处理得到信号z(n)；步骤(4)包括如下步骤：
1)确定滤波器参数，所述滤波器参数包括滤波取样间隔L、滤波器左侧取样长度N1、滤波器右侧取样长度N2和滤波器系数ci；确定滤波器参数的步骤如下：
a.对感兴趣频率f和转频fr在大于等于1小于等于Q的正整数中求使或取最小值的正整数q，使L＝qM，所述M为被监测的转子旋转一周的等角度采样的采样点数；
b.根据或的大小确定N1、N2，使或所述e为允许的参与平均的采样点间的最大角度偏差；
2)对y(n)进行等角度滑动平均滤波得到z(n)：
所述N为序列y(n)的长度；
(5)求z(n)傅里叶变换Z(f)并用特征频率匹配方法寻找特征频率，提取频域故障特征。
2.根据权利要求1所述的一种旋转机械设备的故障诊断方法，其特征在于：步骤(1)中所述的时域特征包括：有效值、方差、标准差、偏态指标、崤度指标、波形指标、峰值指标、脉冲指标和裕度指标。
3.根据权利要求1所述的一种旋转机械设备的故障诊断方法，其特征在于：步骤(2)中所述的包络检波处理选自线性算子解调法、平方解调法、正交解调法、希尔伯特(Hilbert)变换解调法中的一种或多种的组合。
4.根据权利要求1所述的一种旋转机械设备的故障诊断方法，其特征在于：步骤(2)中所述的包络信号特征包括：包络信号有效值、峰值、波形指标、峰值指标、脉冲指标和裕度指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510113674.7A CN104655380B (zh) | 2015-03-16 | 2015-03-16 | 一种旋转机械设备故障特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510113674.7A CN104655380B (zh) | 2015-03-16 | 2015-03-16 | 一种旋转机械设备故障特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104655380A CN104655380A (zh) | 2015-05-27 |
| CN104655380B true CN104655380B (zh) | 2017-10-24 |
Family
ID=53246770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510113674.7A Active CN104655380B (zh) | 2015-03-16 | 2015-03-16 | 一种旋转机械设备故障特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104655380B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105021276A (zh) * | 2015-07-30 | 2015-11-04 | 珠海格力电器股份有限公司 | 电器故障诊断方法和装置及电器 |
| CN105092241B (zh) * | 2015-08-10 | 2018-10-02 | 昆明理工大学 | 一种齿轮局部故障诊断方法及系统 |
| CN105388012A (zh) * | 2015-10-22 | 2016-03-09 | 兰州理工大学 | 基于非线性调频小波变换的阶次跟踪方法 |
| CN106053871A (zh) * | 2016-07-25 | 2016-10-26 | 昆明理工大学 | 一种通过滚动轴承滚道剥落故障对应冲击特征提取转速的方法 |
| CN106769031B (zh) * | 2016-11-14 | 2019-03-26 | 西安交通大学 | 一种基于自相关零点计数的风机轴承阶变信号识别方法 |
| CN106845429B (zh) * | 2017-02-06 | 2020-05-19 | 中国科学院、水利部成都山地灾害与环境研究所 | 振动信号分级判断识别方法、落石能量规模计算方法、落石危险预警方法 |
| CN107192448B (zh) * | 2017-05-17 | 2023-04-07 | 苏交科集团股份有限公司 | 一种识别柔性绳索振动频率的宽带搜峰法 |
| CN107036751B (zh) * | 2017-05-17 | 2022-09-23 | 苏交科集团股份有限公司 | 通过加权宽带搜峰识别振动频率的柔性绳索索力计算方法 |
| CN107941510B (zh) * | 2017-10-19 | 2019-07-19 | 西安交通大学 | 基于等角度双重采样的滚动轴承故障特征的提取方法 |
| CN108007548B (zh) * | 2017-12-01 | 2020-02-07 | 华能国际电力股份有限公司 | 一种通过扫频诊断设备故障的方法 |
| CN108267218A (zh) * | 2018-03-08 | 2018-07-10 | 中国石油大学(北京) | 一种机械设备振动信号监测的自适应变采样方法及装置 |
| CN109520738B (zh) * | 2018-10-25 | 2020-07-21 | 珠海市华星装备信息科技有限公司 | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 |
| CN110988676B (zh) * | 2019-11-25 | 2022-02-22 | 北京昊鹏智能技术有限公司 | 机械设备故障诊断方法、装置及存储介质 |
| CN111272428B (zh) * | 2020-02-17 | 2022-03-15 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
| CN115389190A (zh) * | 2020-09-21 | 2022-11-25 | 成都卓微科技有限公司 | 一种设备运行状态的诊断系统 |
| CN112465068A (zh) * | 2020-12-15 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于多传感器数据融合的旋转设备故障特征提取方法 |
| CN112666925B (zh) * | 2020-12-21 | 2022-09-27 | 中国北方发动机研究所(天津) | 柴油机车载诊断系统及其诊断方法 |
| CN112781709A (zh) * | 2020-12-24 | 2021-05-11 | 上海核工程研究设计院有限公司 | 变速工况下设备振动信号早期故障分析和特征提取方法 |
| CN113378678B (zh) * | 2021-06-01 | 2022-04-22 | 华中科技大学 | 一种用于机械运动系统的多域故障特征提取方法和系统 |
| CN113465913A (zh) * | 2021-06-11 | 2021-10-01 | 电子科技大学 | 一种核电阀门的故障特征提取及优选方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005233789A (ja) * | 2004-02-19 | 2005-09-02 | Nsk Ltd | 回転機械の異常診断方法、異常診断装置および異常診断システム |
| CN102840907B (zh) * | 2012-09-18 | 2014-05-14 | 河南省电力公司电力科学研究院 | 早期故障状态下滚动轴承振动信号特征提取和分析方法 |
| CN103018043A (zh) * | 2012-11-16 | 2013-04-03 | 东南大学 | 变转速轴承故障诊断方法 |
| CN103499443B (zh) * | 2013-09-12 | 2016-01-20 | 西安交通大学 | 一种齿轮故障无键相角域平均计算阶次分析方法 |
| 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 |
-
2015
- 2015-03-16 CN CN201510113674.7A patent/CN104655380B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104655380A (zh) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104655380B (zh) | 一种旋转机械设备故障特征提取方法 | |
| Liu et al. | Vibration analysis for large-scale wind turbine blade bearing fault detection with an empirical wavelet thresholding method | |
| Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
| Zhao et al. | Health assessment of rotating machinery using a rotary encoder | |
| Borghesani et al. | The relationship between kurtosis-and envelope-based indexes for the diagnostic of rolling element bearings | |
| CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
| CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
| CN104136896A (zh) | 用于获取旋转马达的振动信号的系统 | |
| Duan et al. | Adaptive morphological analysis method and its application for bearing fault diagnosis | |
| CN108195584B (zh) | 一种基于准确度谱图的滚动轴承故障诊断方法 | |
| Wu et al. | A modified tacho-less order tracking method for the surveillance and diagnosis of machine under sharp speed variation | |
| Liu et al. | Enhanced bearing fault detection using step-varying vibrational resonance based on duffing oscillator nonlinear system | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| Wang et al. | A two-stage method using spline-kernelled chirplet transform and angle synchronous averaging to detect faults at variable speed | |
| Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
| Yao et al. | A fault feature extraction method for rolling bearing based on pulse adaptive time-frequency transform | |
| Xin et al. | A new fault feature extraction method for non-stationary signal based on advanced synchrosqueezing transform | |
| Zhao et al. | Rolling element bearing fault diagnosis based on adaptive local iterative filtering decomposition and Teager–Kaiser energy operator | |
| CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
| CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
| CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
| CN116383629A (zh) | 一种变转速滚动轴承故障诊断方法 | |
| CN112665712B (zh) | 一种用于列车走行部监测的广域阶次跟踪方法及系统 | |
| CN112345248B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
| Guo et al. | Fast spectral correlation detector for periodic impulse extraction of rotating machinery |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180509 Address after: 102206 Beijing Changping District Shahe town Baisha Road youth entrepreneurship building B817 Patentee after: Zhou Xiaozhong Address before: 100085 7, information building, 28 information road, Haidian District, Beijing. Patentee before: Beijing six directions Zhi Hui technology Ltd |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200115 Address after: 100080 01-a170, floor 3, No.55 Suzhou street, Haidian District, Beijing Patentee after: Beijing haopeng Intelligent Technology Co., Ltd Address before: 102206 Beijing Changping District Shahe town Baisha Road youth entrepreneurship building B817 Patentee before: Zhou Xiaozhong |
|
| TR01 | Transfer of patent right |