CN105628380B - 一种可调式中智模型轴承故障分类器的故障分类方法 - Google Patents
一种可调式中智模型轴承故障分类器的故障分类方法 Download PDFInfo
- Publication number
- CN105628380B CN105628380B CN201510990869.XA CN201510990869A CN105628380B CN 105628380 B CN105628380 B CN 105628380B CN 201510990869 A CN201510990869 A CN 201510990869A CN 105628380 B CN105628380 B CN 105628380B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- max
- fault
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种可调式中智模型轴承故障分类器及其故障分类方法,包括数据预处理模块、中智模型生成模块、实时中智参数生成模块和故障分类模块。通过大量实验建立轴承故障特征的标准中智模型,根据检测精度实时生成被测轴承的可调中智参数,通过计算被测轴承的可调中智参数与标准中智模型之间的关联度,实现被测轴承的故障自动分类。
Description
技术领域
本发明涉及轴承检测技术领域,具体讲是一种可调式中智模型轴承故障分类器的故障分类方法。
背景技术
轴承是旋转机械设备中最重要的零件之一,它的质量往往直接影响着整台机器的性能。要生产出性能良好的滚动轴承不仅要有严格控制的生产技术,还要有有效的检测方法。现在国内的轴承企业大多采用轴承振动检测仪来查找缺陷产品,现有的轴承振动检测仪通常由拾振装置和检测电路组成。拾振装置采集振动信号,通过检测电路调理放大,在屏幕上实时显示振动值,同时通过扬声器发出声音,供员工听取判断轴承是否符合要求。该类轴承振动检测仪在轴承生产企业中被广泛使用,存在功能简单、自动化程度低、缺乏智能识别、临界判断模糊等缺点,而且人工判断对人员的经验要求严格、误判率高。此外,生产过程仅仅依赖“异音”一个指标进行判断,企业很难制造出真正意义上的低振动、低噪声的轴承,产品技术水平难以提升,更不可能与国外的知名轴承厂家竞争。研究一种高效的轴承故障检测仪器,保证轴承出厂质量显得极其重要。
发明内容
本发明的目的在于克服现有技术的不足,提供一种可调式中智模型轴承故障分类器,通过大量实验建立轴承故障特征的标准中智模型,根据检测精度实时生成被测轴承的可调中智参数,通过计算被测轴承的可调中智参数与标准中智模型之间的关联度,实现被测轴承的故障自动分类。
为了实现上述目的,本发明的技术方案如下:一种可调式中智模型轴承故障分类器,包括以下模块:
数据预处理模块:接收来自于信号采集模块的振动信号,对振动信号进行去噪,并提取信号故障特征。
中智模型生成模块:用于对提取的故障特征进行分析处理后生成每一种故障类型的中智模型。
实时中智参数生成模块:用于实时测量被测轴承的参数,并根据所测轴承的类型及精度要求,实时调节中智参数。
故障分类模块:用于分析标准故障中智模型与实时被测中智参数之间的关联度,按设定的规则对故障进行分类。
此外,本发明还提供了一种故障分类方法,包括以下步骤:
(1)轴承故障中智模型的建立:通过数据预处理模块将来自于信号采集模块的振动信号进行3层小波分解,得到8个子频段的能量信号,提取各子频段的能量信号,并进行归一化处理,构成能量特征向量:T={E1,E2,E3,E4,E5,E6,E7,E8},其中E1,…,E7,E8分别代表第1~8子频段的能量,通过大量样本获取第i频段能量特征向量的最大值Ei max和最小值Ei min,建立轴承故障中智模型如下:
Tj={<Ej 1 min,Ej 1 max-Ej 1 min,1-Ej 1 max>,<Ej 2 min,E2 jmax-Ej 2 min,1-Ej 2 max>,<Ej 3 min,Ej 3 max-E3 min,1-Ej 3 max>,<Ej 4 min,E4 jmax-Ej 4 min,1-Ej 4 max>,<Ej 5 min,Ej 5 max-Ej 5 min,1-Ej 5 max>,<Ej 6 min,Ej 6 max-Ej 6 min,1-Ej 6 max>,<Ej 7 min,Ej 7 max-Ej 7 min,1-Ej 7 max>,<Ej 8 min,Ej 8 max-Ej 8 min,1-Ej 8 max>},其中j(j=1,2,…,n)代表轴承n种故障类型中的第j种故障类型;
(2)实时生成被测轴承的可调中智参数:采集被测轴承的能量信号,构成可调中智参数模型如下:
Tt={<Et 1,M,1-Et 1>,<Et 2,M,1-Et 2>,<Et 3,M,1-Et 3>,<Et 4,M,1-Et 4>,<Et 5,M,1-Et 5>,<Et 6,M,1-Et 6>,<Et 7,M,1-Et 7>,<Et 8,M,1-Et 8>},其中Et i(i=1,2,…,8)代表被测轴承的第i个子频段的能量信号,M是根据精度要求的可调参数;
(3)计算被测轴承的可调中智参数与标准中智模型之间的关联度:
根据关联度的大小顺序,确定故障类型的顺序;
(4)根据检测精度,调节中智参数满足实际检测要求。
采用上述技术方案后,本发明与现有技术相比,具有以下优点:本发明所述的轴承故障分类器,通过建立中智模型,使该分类器在处理含有不确定性故障诊断方面具有明显的优点,能克服临界判断模糊等缺点;同时,由于采用开放式设计理念,可以满足轴承生产企业根据不同轴承类型和精度要求调节中智参数,故障诊断采用智能算法,故障检测准确率高,可以大大提高出厂轴承的产品合格率,从而进一步提高企业的竞争力。
附图说明
图1是本发明的分类器硬件示意图。
图2是本发明的故障分类流程框图。
图中所示:1、电动机 2、电动机控制器 3、主轴 4、被测轴承 5、旋转轴6、加速度传感器 7、数据采集卡 8、示波器 9、计算机。
具体实施方式
下面通过附图和实施例对本发明作进一步详细阐述。
如图1所示:一种可调式中智模型轴承故障分类器,包括旋转驱动模块、信号采集模块和计算机9。其中计算机9包括数据预处理模块、中智模型生成模块、实时中智参数生成模块和故障分类模块。旋转驱动模块负责驱动被测轴承4的旋转,从而产生振动信号。旋转驱动模块包括电动机1、电动机控制器2、主轴3和旋转轴5四部分。信号采集模块由加速度传感器6和数据采集卡7组成,加速度传感器6用于检测振动信号,数据采集卡7将加速度传感器6输出的信号传输到计算机9系统进行处理。数据预处理模块首先采用形态开-闭滤波算法可以去除振动信号噪音信号,然后利用3层小波包分解将信号分解成8个频段,提取每个频段的能量作为故障特征向量。中智模型生成模块是整个分类器的核心模块,中智模型的精确度将直接影响分类效果。通过提取大量轴承故障样本的能量特征向量,确定特征向量的区间范围,进一步生成故障类型的中智模型。实时中智参数生成模块,用于实时测量被测振动信号的能量特征向量,并根据所测轴承的类型及精度要求,实时调节中智参数。故障分类模块根据设定的智能模糊算法,计算标准故障中智模型与实时被测中智参数之间的关联度,自动对轴承故障进行分类。此外,图1的标号8为示波器8。
本发明的实现原理如下:本发明轴承故障分类器,通过大量实验采集轴承振动信号,并对采集到的信号参数进行自动分析,建立轴承故障特征的标准中智模型,然后采集被测轴承4的故障特征,根据检测精度要求实时生成被测轴承4的可调中智参数,最后通过计算被测轴承4的可调中智参数与标准中智模型之间的关联度,实现被测轴承4的故障分类。本发明采用开放式设计理念,用户可以根据不同轴承型号以及精度要求调节中智模型和参数,可以满足轴承生产企业根据所测轴承调节中智模型参数,从而可满足客户个性化要求及特殊场合的特殊需求。
如图2所示:其实现具体原理阐述如下:
(1)轴承故障中智模型的建立
通过信号采集模块采集振动信号,然后通过数据预处理模块将轴承振动信进行3层小波分解,得到8个子频段的能量信号,提取各子频段的能量信号,并进行归一化处理,构成能量特征向量:T={E1,E2,E3,E4,E5,E6,E7,E8},其中E1,…,E7,E8分别代表第1~8子频段的能量。通过大量样本获取第i频段能量特征向量的最大值Ei max和最小值Ei min,建立轴承故障中智模型如下:
Tj={<Ej 1 min,Ej 1 max-Ej 1 min,1-Ej 1 max>,<Ej 2 min,E2 jmax-Ej 2 min,1-Ej 2 max>,<Ej 3 min,Ej 3 max-E3 min,1-Ej 3 max>,<Ej 4 min,E4 jmax-Ej 4 min,1-Ej 4 max>,<Ej 5 min,Ej 5 max-Ej 5 min,1-Ej 5 max>,<Ej 6 min,Ej 6 max-Ej 6 min,1-Ej 6 max>,<Ej 7 min,Ej 7 max-Ej 7 min,1-Ej 7 max>,<Ej 8 min,Ej 8 max-Ej 8 min,1-Ej 8 max>},其中j(j=1,2,…,n)代表轴承n种故障类型中的第j种故障类型。
(2)实时生成被测轴承4的可调中智参数
采集被测轴承4的能量信号,构成可调中智参数模型如下:
Tt={<Et 1,M,1-Et 1>,<Et 2,M,1-Et 2>,<Et 3,M,1-Et 3>,<Et 4,M,1-Et 4>,<Et 5,M,1-Et 5>,<Et 6,M,1-Et 6>,<Et 7,M,1-Et 7>,<Et 8,M,1-Et 8>},其中Et i(i=1,2,…,8)代表被测轴承4的第i个子频段的能量信号,M是根据精度要求的可调参数。
(3)计算被测轴承4的可调中智参数与标准中智模型之间的关联度
根据关联度的大小顺序,确定故障类型的顺序。
(4)根据检测精度,调节中智参数满足实际检测要求。
实施案例:
以深沟球滚动轴承NSK 6202为例,选定4种类型:正常、外圈故障、滚动体故障、内圈故障。
(1)建立轴承故障类型中智模型如下:
正常轴承中智模型:T1={<0.76,0.14,0.20>,<0.95,0.05,0.00>,<0.11,0.04,0.85>,<0.64,0.07,0.29>,<0.04,0.02,0.94>,<0.00,0.02,0.98>,<0.01,0.05,0.95>,<0.00,0.03,0.97>}
外圈故障中智模型:T2={<1.00,0.01,0.00>,<0.24,0.15,0.61>,<0.02,0.01,0.97>,<0.13,0.09,0.78>,<0.00,0.01,1.00>,<0.00,0.01,0.99>,<0.01,0.01,0.99>,<0.01,0.01,0.99>}
滚动体故中智模型:T3={<0.82,0.11,0.07>,<1.00,0.01,0.00>,<0.11,0.05,0.84>,<0.65,0.10,0.20>,<0.06,0.03,0.92>,<0.00,0.04,0.96>,<0.02,0.04,0.90>,<0.00,0.01,1.00>}
内圈故中智模型:T4={<1.00,0.01,0.00>,<0.49,0.07,0.45>,<0.06,0.04,0.90>,<0.20,0.04,0.76>,<0.00,0.01,1.00>,<0.02,0.01,0.97>,<0.03,0.03,0.95>,<0.03,0.03,0.94>}
(2)实时生成被测轴承4的可调中智参数:
Tt={<1.00,0.01,0.00>,<0.51,0.01,0.49>,<0.08,0.01,0.92>,<0.24,0.01,0.76>,<0.00,0.01,1.00>,<0.03,0.01,0.97>,<0.05,0.01,0.95>,<0.06,0.01,0.94>}.
(3)计算被测轴承4的可调中智参数与标准中智模型之间的关联度:
K(T1,Tt)=0.9167,K(T2,Tt)=0.9843,
K(T3,Tt)=0.9147,K(T4,Tt)=0.9987.
(4)满足检测精度要求,根据关联度,可以诊断被测轴承4为内圈故障;实际检查发现,该轴承内圈有裂纹,诊断结果正确。
上所述依据实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书中记载的内容。
Claims (1)
1.一种可调式中智模型轴承故障分类器的故障分类方法,其特征在于:所述可调式中智模型轴承故障分类器包括以下模块:
数据预处理模块:接收来自于信号采集模块的振动信号,对振动信号进行去噪,并提取信号故障特征;
中智模型生成模块:用于对提取的故障特征进行分析处理后生成每一种故障类型的中智模型;
实时中智参数生成模块:用于实时测量被测轴承的参数,并根据所测轴承的类型及精度要求,实时调节中智参数;
故障分类模块:用于分析标准故障中智模型与实时被测中智参数之间的关联度,按设定的规则对故障进行分类;
故障分类方法包括以下步骤:
(1)轴承故障中智模型的建立:通过数据预处理模块将来自于信号采集模块的振动信号进行3层小波分解,得到8个子频段的能量信号,提取各子频段的能量信号,并进行归一化处理,构成能量特征向量:T={E1,E2,E3,E4,E5,E6,E7,E8},其中E1,…,E7,E8分别代表第1~8子频段的能量,通过大量样本获取第i频段能量特征向量的最大值Ei max和最小值Ei min,建立轴承故障中智模型如下:
Tj={<Ej 1 min,Ej 1 max-Ej 1 min,1-Ej 1 max>,<Ej 2 min,E2 jmax-Ej 2 min,1-Ej 2 max>,<Ej 3 min,Ej 3 max-E3 min,1-Ej 3 max>,<Ej 4 min,E4 jmax-Ej 4 min,1-Ej 4 max>,<Ej 5 min,Ej 5 max-Ej 5 min,1-Ej 5 max>,<Ej 6 min,Ej 6 max-Ej 6 min,1-Ej 6 max>,<Ej 7 min,Ej 7 max-Ej 7 min,1-Ej 7 max>,<Ej 8 min,Ej 8 max-Ej 8 min,1-Ej 8 max>},其中j=1,2,…,n代表轴承n种故障类型中的第j种故障类型;
(2)实时生成被测轴承的可调中智参数:采集被测轴承的能量信号,构成可调中智参数模型如下:
Tt={<Et 1,M,1-Et 1>,<Et 2,M,1-Et 2>,<Et 3,M,1-Et 3>,<Et 4,M,1-Et 4>,<Et 5,M,1-Et 5>,<Et 6,M,1-Et 6>,<Et 7,M,1-Et 7>,<Et 8,M,1-Et 8>},其中Et i,i=1,2,…,8代表被测轴承的第i个子频段的能量信号,M是根据精度要求的可调参数;
(3)计算被测轴承的可调中智参数与标准中智模型之间的关联度:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>8</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>min</mi>
</msub>
<msup>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
<mi>i</mi>
</msup>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>M</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>max</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<msub>
<msup>
<mrow></mrow>
<mi>i</mi>
</msup>
<mi>max</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>M</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<msub>
<mi>E</mi>
<mi>t</mi>
</msub>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
根据关联度的大小顺序,确定故障类型的顺序;
(4)根据检测精度,调节中智参数满足实际检测要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510990869.XA CN105628380B (zh) | 2015-12-25 | 2015-12-25 | 一种可调式中智模型轴承故障分类器的故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510990869.XA CN105628380B (zh) | 2015-12-25 | 2015-12-25 | 一种可调式中智模型轴承故障分类器的故障分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105628380A CN105628380A (zh) | 2016-06-01 |
CN105628380B true CN105628380B (zh) | 2017-12-26 |
Family
ID=56043519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510990869.XA Expired - Fee Related CN105628380B (zh) | 2015-12-25 | 2015-12-25 | 一种可调式中智模型轴承故障分类器的故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105628380B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506994B (zh) * | 2020-04-14 | 2022-02-25 | 西北工业大学 | 一种基于中智集的电机转子故障诊断方法 |
CN111506045B (zh) * | 2020-04-24 | 2022-03-01 | 西北工业大学 | 一种基于单值中智集相关系数的故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2008259861A1 (en) * | 2007-06-04 | 2008-12-11 | Eaton Corporation | System and method for bearing fault detection using stator current noise cancellation |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
CN104459388A (zh) * | 2014-11-26 | 2015-03-25 | 国家电网公司 | 一种永磁直驱风力发电系统一体化故障诊断方法 |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
-
2015
- 2015-12-25 CN CN201510990869.XA patent/CN105628380B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2008259861A1 (en) * | 2007-06-04 | 2008-12-11 | Eaton Corporation | System and method for bearing fault detection using stator current noise cancellation |
EP2455772A2 (en) * | 2007-06-04 | 2012-05-23 | Eaton Corporation | System and method for bearing fault detection using stator current noise cancellation |
CN103076177A (zh) * | 2013-01-16 | 2013-05-01 | 昆明理工大学 | 一种基于振动检测的滚动轴承故障检测方法 |
CN104459388A (zh) * | 2014-11-26 | 2015-03-25 | 国家电网公司 | 一种永磁直驱风力发电系统一体化故障诊断方法 |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于小波包能量矩阵的轴承信号特征提取;齐俊德等;《振动与冲击》;20131231;第32卷(第21期);107-111 * |
Also Published As
Publication number | Publication date |
---|---|
CN105628380A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109506921B (zh) | 一种旋转机械故障诊断与预警方法 | |
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN103868692B (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
TWI587294B (zh) | 設備異音的檢測方法及檢測裝置 | |
CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN103674234A (zh) | 一种风力发电机组振动异常的状态预警方法及系统 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN110378618A (zh) | 基于在线烟丝表面缺陷检测的质量评价方法及系统 | |
Kannan et al. | Demodulation band optimization in envelope analysis for fault diagnosis of rolling element bearings using a real-coded genetic algorithm | |
CN105628380B (zh) | 一种可调式中智模型轴承故障分类器的故障分类方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
Sousa et al. | Robust cepstral-based features for anomaly detection in ball bearings | |
Mubaraali et al. | Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications | |
CN118209830A (zh) | 一种电缆局放异常智能监测方法及系统 | |
CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
Wiβbrock et al. | Cutting through the noise: An empirical comparison of psycho-acoustic and envelope-based features for machinery fault detection | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
CN103743477A (zh) | 一种机械故障检测诊断方法及其设备 | |
CN116499742A (zh) | 一种基于集成学习的旋转机械故障监测方法 | |
Jeong et al. | Enhanced DET‐Based Fault Signature Analysis for Reliable Diagnosis of Single and Multiple‐Combined Bearing Defects | |
CN116206625A (zh) | 基于频谱与时间信息结合的自监督异常声音检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171226 Termination date: 20211225 |
|
CF01 | Termination of patent right due to non-payment of annual fee |