CN105303181A - 一种基于滑动窗的随机共振微弱冲击特征增强提取方法 - Google Patents
一种基于滑动窗的随机共振微弱冲击特征增强提取方法 Download PDFInfo
- Publication number
- CN105303181A CN105303181A CN201510741010.5A CN201510741010A CN105303181A CN 105303181 A CN105303181 A CN 105303181A CN 201510741010 A CN201510741010 A CN 201510741010A CN 105303181 A CN105303181 A CN 105303181A
- Authority
- CN
- China
- Prior art keywords
- sliding window
- signal
- resonance
- subsignal
- scale transformation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于滑动窗的随机共振微弱冲击特征增强提取方法,该方法首先根据被测对象的旋转频率在时域构造滑动窗,然后利用该滑动窗对信号进行时域截取;其次,将截取的每个子信号依次作为变尺度随机共振系统的输入,根据共振响应测度指标的最大化选取最优系统参数,并将其代入共振系统,得到相应子信号的最佳检测结果;最后,将各个子信号的最佳检测结果按统一标准进行归一化处理消除幅值差异,再依次首尾拼接得到最终的检测结果。该方法利用滑动窗将含有多个冲击分量的信号分割成多个含有单个冲击分量的子信号,解决微弱冲击特征难以有效提取的难题,实现不同幅值微弱冲击特征的增强提取,对机械设备早期微弱故障诊断具有重要意义。
Description
技术领域
本发明属于信号处理技术领域,涉及一种基于滑动窗的随机共振微弱冲击特征增强提取方法,可以实现信号中不同幅值冲击特征的有效提取。
背景技术
随着现代化生产的发展和科学技术的进步,机械设备的结构越来越复杂,功能越来越完善,自动化程度也越来越高,从而也使得机械设备故障率上升,在其运行过程中难以避免地会产生各种各样的损伤,以致降低或失去预定功能,甚至造成严重的以致灾难性的事故。因此机械设备运行状态的监测与故障诊断,尤其对早期微弱故障的监测与诊断具有重要的社会意义和实用价值。
机械设备通常运行在低速重载等恶劣环境下,由于复杂的内部结构、复合的振动传递路径以及强背景噪声等诸多因素的影响,使得信号中的有用特征信息微弱,增加了信息特征提取的难度。鉴于机械设备运行状态与振动信号间的内在联系,信号中周期性冲击分量的出现往往是机械部件损伤失效的一个重要征兆,但强背景噪声中微弱冲击特征的有效提取一直是机械设备故障诊断技术中的难题。传统信号处理方法主要是通过滤波或消噪的方式提取信息特征,但在消除噪声的同时,有用的信息特征也被削弱甚至破坏。实际上,噪声不仅仅是一种信号污染源,更是一种信号能量,如果合理地的加以利用,将会达到意想不到的效果。随机共振就是一种利用噪声的信号处理方法,它借助非线性系统、微弱信号和噪声三者间的协同效应,将噪声能量逐渐转移给信号,从而达到消噪和增强微弱特征的效果。因此,随机共振为微弱信号检测,尤其是与噪声同频或临频的微弱特征提取提供了有效的解决途径。
由随机共振原理可知,随机共振检测微弱信号的过程就是通过调整系统参数,使得随机共振测度指标实现最大化的过程。因此,选择有效的测度指标,合理地评价非线性系统、微弱信号和噪声三者间的协同程度,即判断随机共振是否发生,是利用随机共振实现微弱特征提取的一个关键。冲击信号作为机械设备部件损伤的一个重要表征,具有冲击分量数量多、幅值存在差异等特点。因此,冲击信号的随机共振检测,是典型的多分量信号特征提取问题,不仅振动信号中冲击分量的数量对随机共振效果有影响,而且各个冲击分量幅值的差异也会影响随机共振效果。加之随机共振系统的非线性放大,导致系统输出起始点存在畸变,而且由于噪声的影响,共振结果中可能产生伪冲击特征。这些因素使得冲击信号的随机共振检测难度增大。另一方面,传统的信噪比等经典指标主要用于度量信号中的周期分量,而不适用冲击分量的定量评价;峭度指标虽然可以定量表征信号中的冲击成分,但只适用于初期损伤,即冲击数量较少的情况,不适合多冲击分量的定量表征;互相关系数在一定程度上可以减轻起端点畸变和伪冲击现象的发生,但容易受到噪声的影响。因此,针对冲击信号随机共振检测存在的诸多问题,研究冲击信号的随机共振检测方法,构造相应的随机共振测度指标,实现多冲击分量、不同冲击幅值的微弱冲击特征的有效提取具有重要的工程意义和实用价值。
发明内容
本发明的目的在于针对目前冲击信号随机共振检测存在的问题和不足,提供一种基于滑动窗的随机共振微弱冲击特征增强提取方法。该方法针对强背景噪声下的冲击特征提取问题,利用滑动窗实现多冲击分量信号的数据分割,借助相关裕度指标实现随机共振系统参数的优化选取,进而实现微弱冲击特征的有效提取。
为了解决上述存在的技术问题,本发明是通过以下技术方案实现的:
一种基于滑动窗的随机共振微弱冲击特征增强提取方法,该方法内容包括以下步骤:
(1)根据被测对象的旋转频率在时域构造滑动窗,并利用构造的滑动窗对信号进行时域截取,将截取得到的子信号作为变尺度随机共振系统的输入;
(2)选用相关裕度指标作为随机共振检测冲击信号的测度指标,并依据共振响应测度指标的最大化选取最优的系统参数a和b,将其带入到共振系统,从而得到子信号的最佳检测结果;
(3)对各个子信号的最佳检测结果按照统一标准进行归一化处理,并对处理后的结果按照先后顺序首尾拼接,得到最终的检测结果。
在步骤(1)中:
所述的构造滑动窗主要是依据被测对象的旋转频率,设被测对象的旋转频率为fr,信号采样频率为fs,原始信号的数据长度为N,所述滑动窗的构造方法如下:
(1)根据被测对象的旋转频率设置滑动窗窗长和滑移距离的初始值w0和δ0,要求w0=δ0估算公式如下
其中,要求w0×fs和δ0×fs均为整数;
(2)计算滑动窗的滑移次数SN,并根据滑移次数对原始信号的数据长度N或滑动窗初始参数w0和δ0进行调整,从而得到新的数据长度和滑动窗最终的设计参数w和δ;
利用公式可得到滑移次数的初始估算值Num;如果Num为整数,则SN=Num,此时滑动窗的初始参数w0和δ0即为滑动窗的最终设计参数w和δ,滑动窗的构造过程结束;如果Num不是整数,首先采用四舍五入法对Num进行处理,将处理后的结果赋给SN,然后调整滑动窗的初始参数w0,使其满足关系:其中w×fs为整数且从而得到滑动窗窗长的最终设计参数w和新的数据长度,最后从原始信号中截取长度为的数据进行分析,滑动窗的构造过程结束。
所述利用构造的滑动窗对信号进行时域截取,其步骤包括:将构造的滑动窗函数与信号在时域相乘,将滑动窗范围内的信号作为子信号;然后依次将滑动窗移动相应的距离δ,将移动后的滑动窗函数再与信号相乘,得到相应的子信号;依次往复,直至滑动窗移至信号末端,从而完成对信号的全部分割,最后将这些截取后的子信号依次作为变尺度随机共振系统的输入进行共振检测。
在步骤(2)中:
所述随机共振检测冲击信号的测度指标,其构造是利用变尺度随机共振系统的输入和输出的相关系数对变尺度随机共振系统输出的裕度指标进行修正,从而构成新的测度指标,即相关裕度指标,其相应的计算公式如下:
其中,为裕度指标,xp=max{x};|C|为相关系数的绝对值,x={x1,x2,x3,...,xN}为变尺度随机共振系统的输入,y={y1,y2,y3,...,yN}为变尺度随机共振系统的输出,N为离散序列长度,和分别为离散序列x和y的均值;
将由滑动窗截取得到的子信号,依次输入到变尺度随机共振系统;针对变尺度随机共振系统输入的每个子信号,均采用网格搜索法,调整系统参数a和b,依据变尺度随机共振系统输出的相关裕度指标的最大化选取最佳的系统参数,并将其代入到共振系统,得到相应子信号的随机共振最佳检测结果。
在步骤(3)中:
所述的归一化处理就是将每个子信号的随机共振最佳检测结果yi归一化为均值为标准差为zstd的标准化数据,计算公式为:
其中,yi为第i个子信号的随机共振最佳检测结果,和分别为其均值和标准差,为其对应的归一化处理后结果;
最后,将归一化处理后结果按照滑动窗分割的先后顺序,依次首尾拼接,从而得到最终的检测结果
由于采用上述技术方案,本发明提供的一种基于滑动窗的随机共振微弱冲击特征增强提取方法,其与现有技术相比具有这样的有益效果:
(1)将相关系数与裕度指标相结合,构造了相关裕度指标,解决了现有指标难以有效评价冲击信号随机共振效果的问题,为冲击信号随机共振检测效果的定量表征提供解决途径;
(2)根据被测对象旋转频率构造合适的滑动窗,并利用滑动窗将含有多个冲击分量的信号分割成多个含有单冲击分量的子信号,将其作为变尺度随机共振系统的输入,消除了不同幅值冲击分量对共振检测效果的影响,为实现多冲击分量、不同冲击幅值的微弱冲击特征的有效提取提供解决途径。
附图说明
图1为基于滑动窗的随机共振微弱冲击特征增强提取算法流程图;
图2为原始信号时域波形;
图3为基于滑动窗的随机共振方法输出时域波形;
图4为传统随机共振方法输出时域波形。
具体实施方式
下面结合附图对本发明的具体实施过程进行进一步的描述:
一种基于滑动窗的随机共振微弱冲击特征增强提取方法,该方法内容包括以下步骤:
(1)根据被测对象的旋转频率在时域构造滑动窗,并利用构造的滑动窗对信号进行时域截取,将截取得到的子信号作为变尺度随机共振系统的输入;
(2)选用相关裕度指标作为随机共振检测冲击信号的测度指标,并依据共振响应测度指标的最大化选取最优的系统参数a和b,将其带入到共振系统,从而得到子信号的最佳检测结果;
(3)对各个子信号的最佳检测结果按照统一标准进行归一化处理,并对处理后的结果按照先后顺序首尾拼接,得到最终的检测结果。
图1为本发明基于滑动窗的随机共振微弱冲击特征增强提取算法流程图,首先对变尺度随机共振进行参数初始化设置;其次,根据被测对象的旋转频率构造滑动窗,对信号进行时域分割;再次,将分割得到的子信号作为变尺度随机共振系统的输入,采用网格搜索法对系统参数进行调整,依据相关裕度指标的最大化选取最优的系统参数,并将其代入共振系统,得到相应子信号的最优检测结果;最后,对得到的各个子信号的最优检测结果进行后处理,从而得到最终的处理结果。
对某轧机机组齿轮箱进行振动检测,检测过程中由安装在齿轮箱外部的振动加速度传感器进行信号采集,采样频率为12800Hz,数据长度为16200。齿轮箱为单级减速传动,齿轮齿数分别为20和87,输入轴转速近似为1166r/min,输出轴转速近似为268r/min。
该齿轮箱输出轴的振动原始信号如图2所示,从图中可以看出有用的特征分量被强噪声所淹没,难以分辨出有效的冲击特征,所以无法判断齿轮箱是否存在故障。
采用本发明对该信号进行处理,具体实施过程如下:
首先,对变尺度随机共振进行参数的初始化设置,即选择系统参数a和b的搜索范围、搜索步长和变尺度压缩率。在本次实例中,结合被测对象信息,选择a和b的搜索范围均为[0,20],搜索步长为0.1,变尺度压缩率为450,确保待分析信号满足随机共振的小参数要求;
其次,根据被测对象的旋转频率构造合适的滑动窗,即选择合适的窗长度和滑移距离。具体构造流程如下:
(1)根据被测对象旋转频率设置滑动窗窗长和滑移距离的初始值w0和δ0,且w0=δ0。在本次实例中,大齿轮旋转频率为268/60≈4.47Hz,因此,设定滑动窗窗长的初始值为大齿轮的旋转周期,即w0=1/4.47s;
(2)计算滑动窗的滑移次数SN。在本次实例中,原始信号的数据长度为N=16200,采样频率fs=12800Hz,结合滑动窗的窗长和滑移距离,可以估算出滑移次数因为Num不是整数,因此采用四舍五入法将Num取整,得到最终的滑移次数SN=5;
然后对滑动窗的窗长w0进行调整,使其满足关系:其中w×fs为整数且从而得到滑动窗窗长的最终设计参数w和新的数据长度在本次实例中,当SN=5时,调整滑动窗的窗长w0,可使其满足从而得到原始信号的数据长度未发生改变,即
通过上述过程,最终得到滑动窗的构造参数分别为:窗长为滑移距离为
再次,利用构造的滑动窗对原始信号进行数据分割,通过将滑动窗滑移5次,得到6个子信号,将分割得到的各个子信号依次作为变尺度随机共振系统的输入,采用网格搜索法,在系统参数a和b的搜索范围内寻求使得系统输出相关裕度指标最大maxMMC的系统参数组合(a,b),并将得到最优参数组合代入共振系统得到相应子信号的最优检测结果;
最后,对检测结果进行后处理。在本次案例中,采用的归一化处理方法为:将每个子信号的随机共振最佳检测结果yi归一化为均值为、标准差为zstd=1的标准化数据,计算公式如下:
其中,yi为第i个子信号的随机共振最佳检测结果,为其对应的均值,为其对应的标准差,为其对应的归一化处理后结果。
最后,对归一化处理得到的结果按照先后次序首尾拼接,得到最终的检测结果如图3所示。从图中可以清楚的看到明显的冲击特征,且冲击周期与大齿轮旋转周期相符,说明大齿轮存在局部损伤。图4所示给出了传统随机共振方法对该信号的处理结果,从图中可以看出,只有很少的冲击特征被提取出来,很多重要的特征依然被噪声所淹没。所以,本发明能够实现信号中冲击特征的有效提取,避免了冲击漏检现象的发生,对实现机械设备的早期微弱故障诊断具有重要意义。
Claims (5)
1.一种基于滑动窗的随机共振微弱冲击特征增强提取方法,其特征在于该方法内容包括以下步骤:
(1)根据被测对象的旋转频率在时域构造滑动窗,并利用构造的滑动窗对信号进行时域截取,将截取得到的子信号作为变尺度随机共振系统的输入;
(2)选用相关裕度指标作为随机共振检测冲击信号的测度指标,并依据共振响应测度指标的最大化选取最优的系统参数a和b,将其带入到共振系统,从而得到子信号的最佳检测结果;
(3)对各个子信号的最佳检测结果按照统一标准进行归一化处理,并对处理后的结果按照先后顺序首尾拼接,得到最终的检测结果。
2.根据权利要求1所述的一种基于滑动窗的随机共振微弱冲击特征增强提取方法,其特征在于:
所述的构造滑动窗主要是依据被测对象的旋转频率,设被测对象的旋转频率为fr,信号采样频率为fs,原始信号的数据长度为N,所述滑动窗的构造方法如下:
(1)根据被测对象的旋转频率设置滑动窗窗长和滑移距离的初始值w0和δ0,要求w0=δ0估算公式如下
其中,要求w0×fs和δ0×fs均为整数;
(2)计算滑动窗的滑移次数SN,并根据滑移次数对原始信号的数据长度N或滑动窗初始参数w0和δ0进行调整,从而得到新的数据长度和滑动窗最终的设计参数w和δ;
利用公式可得到滑移次数的初始估算值Num;如果Num为整数,则SN=Num,此时滑动窗的初始参数w0和δ0即为滑动窗的最终设计参数w和δ,滑动窗的构造过程结束;如果Num不是整数,首先采用四舍五入法对Num进行处理,将处理后的结果赋给SN,然后调整滑动窗的初始参数w0,使其满足关系:其中w×fs为整数且从而得到滑动窗窗长的最终设计参数w和新的数据长度最后从原始信号中截取长度为的数据进行分析,滑动窗的构造过程结束。
3.根据权利要求1所述的一种基于滑动窗的随机共振微弱冲击特征增强提取方法,其特征在于:
所述利用构造的滑动窗对信号进行时域截取,其步骤包括:将构造的滑动窗函数与信号在时域相乘,将滑动窗范围内的信号作为子信号;然后依次将滑动窗移动相应的距离δ,将移动后的滑动窗函数再与信号相乘,得到相应的子信号;依次往复,直至滑动窗移至信号末端,从而完成对信号的全部分割,最后将这些截取后的子信号依次作为变尺度随机共振系统的输入进行共振检测。
4.根据权利要求1所述的一种基于滑动窗的随机共振微弱冲击特征增强提取方法,其特征在于:
所述随机共振检测冲击信号的测度指标,其构造是利用变尺度随机共振系统的输入和输出的相关系数对变尺度随机共振系统输出的裕度指标进行修正,从而构成新的测度指标,即相关裕度指标,其相应的计算公式如下:
其中,为裕度指标,xp=max{x};|C|为相关系数的绝对值,x={x1,x2,x3,...,xN}为变尺度随机共振系统的输入,y={y1,y2,y3,...,yN}为变尺度随机共振系统的输出,N为离散序列长度,和分别为离散序列x和y的均值;
将由滑动窗截取得到的子信号,依次输入到变尺度随机共振系统;针对变尺度随机共振系统输入的每个子信号,均采用网格搜索法,调整系统参数a和b,依据变尺度随机共振系统输出的相关裕度指标的最大化选取最佳的系统参数,并将其代入到共振系统,得到相应子信号的随机共振最佳检测结果。
5.根据权利要求1所述的一种基于滑动窗的随机共振微弱冲击特征增强提取方法,其特征在于:
所述的归一化处理就是将每个子信号的随机共振最佳检测结果yi归一化为均值为标准差为zstd的标准化数据,计算公式为:
其中,yi为第i个子信号的随机共振最佳检测结果,和yistd分别为其均值和标准差,为其对应的归一化处理后结果;
最后,将归一化处理后结果按照滑动窗分割的先后顺序,依次首尾拼接,从而得到最终的检测结果
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510741010.5A CN105303181A (zh) | 2015-11-04 | 2015-11-04 | 一种基于滑动窗的随机共振微弱冲击特征增强提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510741010.5A CN105303181A (zh) | 2015-11-04 | 2015-11-04 | 一种基于滑动窗的随机共振微弱冲击特征增强提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105303181A true CN105303181A (zh) | 2016-02-03 |
Family
ID=55200425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510741010.5A Pending CN105303181A (zh) | 2015-11-04 | 2015-11-04 | 一种基于滑动窗的随机共振微弱冲击特征增强提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303181A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127165A (zh) * | 2016-06-30 | 2016-11-16 | 重庆邮电大学 | 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法 |
CN109855874A (zh) * | 2018-12-13 | 2019-06-07 | 安徽大学 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
CN109948485A (zh) * | 2019-03-08 | 2019-06-28 | 浙江工业大学之江学院 | 基于振动信号相关性分析的旋转机械故障特征提取方法 |
CN110160765A (zh) * | 2019-06-04 | 2019-08-23 | 安徽智寰科技有限公司 | 一种基于声音或振动信号的冲击特征识别方法及系统 |
CN111678698A (zh) * | 2020-06-17 | 2020-09-18 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN114674420A (zh) * | 2022-05-12 | 2022-06-28 | 宁波东力传动设备有限公司 | 一种齿轮箱振动的辨识方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
-
2015
- 2015-11-04 CN CN201510741010.5A patent/CN105303181A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721537A (zh) * | 2012-06-01 | 2012-10-10 | 西安交通大学 | 基于可变空间-尺度框架的机械冲击型故障诊断方法 |
CN104483127A (zh) * | 2014-10-22 | 2015-04-01 | 徐州隆安光电科技有限公司 | 一种行星齿轮微弱故障特征信息提取方法 |
Non-Patent Citations (3)
Title |
---|
JIMENG LI ET AL: "Adaptive stochastic resonance method for impact signal detection based on sliding window", 《MECHANICAL SYSTEMSANDSIGNALPROCESSING》 * |
PEIMING SHI ET AL: "Study on multi-frequency weak signal detection method based on stochastic resonance tuning by multi-scale noise", 《MEASUREMENT》 * |
谭继勇: "冲击信号的随机共振自适应检测方法", 《机械工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127165A (zh) * | 2016-06-30 | 2016-11-16 | 重庆邮电大学 | 基于自适应级联幂函数型双稳随机共振的微弱信号检测方法 |
CN109855874A (zh) * | 2018-12-13 | 2019-06-07 | 安徽大学 | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 |
CN109948485A (zh) * | 2019-03-08 | 2019-06-28 | 浙江工业大学之江学院 | 基于振动信号相关性分析的旋转机械故障特征提取方法 |
CN109948485B (zh) * | 2019-03-08 | 2023-05-12 | 浙江工业大学之江学院 | 基于振动信号相关性分析的旋转机械故障特征提取方法 |
CN110160765A (zh) * | 2019-06-04 | 2019-08-23 | 安徽智寰科技有限公司 | 一种基于声音或振动信号的冲击特征识别方法及系统 |
CN110160765B (zh) * | 2019-06-04 | 2021-01-15 | 安徽智寰科技有限公司 | 一种基于声音或振动信号的冲击特征识别方法及系统 |
CN111678698A (zh) * | 2020-06-17 | 2020-09-18 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN111678698B (zh) * | 2020-06-17 | 2022-03-04 | 沈阳建筑大学 | 一种基于声振信号融合的滚动轴承故障检测方法 |
CN114674420A (zh) * | 2022-05-12 | 2022-06-28 | 宁波东力传动设备有限公司 | 一种齿轮箱振动的辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Liang et al. | Maximum average kurtosis deconvolution and its application for the impulsive fault feature enhancement of rotating machinery | |
Li et al. | Adaptive stochastic resonance method for impact signal detection based on sliding window | |
Chen et al. | Detecting of transient vibration signatures using an improved fast spatial–spectral ensemble kurtosis kurtogram and its applications to mechanical signature analysis of short duration data from rotating machinery | |
Miao et al. | Sparse maximum harmonics-to-noise-ratio deconvolution for weak fault signature detection in bearings | |
Li et al. | A new adaptive cascaded stochastic resonance method for impact features extraction in gear fault diagnosis | |
CN105424359A (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 | |
Xiao et al. | Weak fault detection in rotating machineries by using vibrational resonance and coupled varying-stable nonlinear systems | |
Li et al. | Applications of chaotic oscillator in machinery fault diagnosis | |
Li et al. | A new rotating machinery fault diagnosis method based on improved local mean decomposition | |
CN106525426B (zh) | 一种基于互补随机共振滤波器的微弱信号增强检测方法 | |
Cong et al. | Research of singular value decomposition based on slip matrix for rolling bearing fault diagnosis | |
Obuchowski et al. | Blind equalization using combined skewness–kurtosis criterion for gearbox vibration enhancement | |
CN103956756B (zh) | 一种电力系统低频振荡模态辨识方法 | |
CN107860548B (zh) | 一种近似在线的颤振边界预测方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
Zhang et al. | Stochastic resonance in second-order underdamped system with exponential bistable potential for bearing fault diagnosis | |
CN101886977A (zh) | 一种信号中周期瞬态成分的自适应检测方法 | |
CN105938542A (zh) | 基于经验模态分解的桥梁应变信号降噪方法 | |
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 | |
Guo et al. | Multi-frequency weak signal detection based on multi-segment cascaded stochastic resonance for rolling bearings | |
Cui et al. | Spectrum-based, full-band preprocessing, and two-dimensional separation of bearing and gear compound faults diagnosis | |
Duan et al. | Minimum entropy morphological deconvolution and its application in bearing fault diagnosis | |
Zhang et al. | Research on the fault diagnosis method for rolling bearings based on improved VMD and automatic IMF acquisition | |
Liang et al. | Application of instantaneous rotational speed to detect gearbox faults based on double encoders |
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: 20160203 |
|
WD01 | Invention patent application deemed withdrawn after publication |