CN105973999A - 基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 - Google Patents
基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 Download PDFInfo
- Publication number
- CN105973999A CN105973999A CN201610279679.1A CN201610279679A CN105973999A CN 105973999 A CN105973999 A CN 105973999A CN 201610279679 A CN201610279679 A CN 201610279679A CN 105973999 A CN105973999 A CN 105973999A
- Authority
- CN
- China
- Prior art keywords
- phase
- frequency
- waterfall plot
- sequence
- faint
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/012—Phase angle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2696—Wheels, Gears, Bearings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,基于频率成分的相位值与能量无关的特性,利用信号频域相位谱特征实现微弱频率成分的识别。其包括如下步骤,步骤1,将待分析信号进行短时移动采样得到系列短时信号,采用快速傅里叶变换FFT获取系列短时信号分别对应的频域相位谱;步骤2,采用直线元形态滤波方法对获取的频域相位谱进行处理,得到滤波后特征增强的频域相位谱,完成相位谱的特征增强;步骤3,将增强的频域相位谱按采样时间序列依次排列成增强相位瀑布图,实现真实频率成分处的规律相位带与FFT计算误差和噪声导致的随机相位值的分离,完成转子裂纹微弱分数频率成分的识别。
Description
技术领域
本发明涉及机械振动信号处理与数据可视化领域,具体为基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法。
背景技术
以轴承-转轴-叶盘为主要结构部件的大型旋转机械是航空航天、电力及化工行业中最为关键并且应用最为广泛的一类机械设备。由于这类大型设备结构复杂,工况变化大,很容易引起设备轴承-转轴-叶盘主要结构部件的磨损或裂纹故障。为避免故障持续发展,造成机毁人亡的灾难性事故,必须实现早期故障的识别。早期故障由于其振动能量较小,其特征频率往往被噪声淹没,因此研究微弱频率成分的识别方法具有重要的学术意义和工程价值。
目前,微弱频率识别的主要方法有小波分析和经验模式分析等方法,从多尺度角度分析不同频带的信号特征,这些方法为早期微弱故障特征频率的识别提供了有效参考,但是,这些方法都是根据信号在特定频带的频域幅值或者时域特征来识别故障的,其根本原理是基于振动信号的能量。而当故障特别微弱或者噪声较大时,基于能量的方法很难将该微弱频率成分识别出。
发明内容
针对现有技术中存在的问题,本发明提供一种基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,基于频率成分的相位值与能量无关的特性,利用信号频域相位谱特征实现微弱频率成分的识别。
本发明是通过以下技术方案来实现:
基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,包括如下步骤,
步骤1,将待分析信号进行短时移动采样得到系列短时信号,采用快速傅里叶变换FFT获取系列短时信号分别对应的频域相位谱;
步骤2,采用直线元形态滤波方法对获取的频域相位谱进行处理,得到滤波后特征增强的频域相位谱,完成相位谱的特征增强;
步骤3,将增强的频域相位谱按采样时间序列依次排列成增强相位瀑布图,实现真实频率成分处的规律相位带与FFT计算误差和噪声导致的随机相位值的分离,完成转子裂纹微弱分数频率成分的识别。
优选的,步骤1中短时移动采样时,对数据长度为m采样频率为fs的离散待分析信号S=[s0 s1 … sm-1],依次移动一个数据点,获取数据长度为n的k个短时信号y0(t),y1(t),y2(t)…yk-1(t)序列,其中n、m和k为正整数,n<<m,y0(t)=[s0 s1 … sn-1],y1(t)=[s1 s2 … sn],…。
进一步,步骤1中采用FFT获取系列短时信号分别对应的频域相位谱时,对短时信号序列y0(t),y1(t),y2(t)…yk-1(t)依次做傅里叶变换,得到频域复数序列取其相角得到各短时序列的相位谱其中,分别为复数序列的虚部和实部。
再进一步,步骤2中采用直线元形态滤波方法,获取滤波后特征增强的频域相位谱时,根据短时信号的特征,选择直线元宽度参数b,对相位谱交替进行多次的腐蚀、膨胀和开闭运算,得到特征增强后的相位谱序列Y0(ω),Y1(ω),Y2(ω),…Yk-1(ω)。
再进一步,步骤3中,将增强相位谱按采样时间序列依次排列成增强相位瀑布图时,将k个n点的相位谱序列Y0(ω),Y1(ω),Y2(ω),…Yk-1(ω)的每一个序列作为一列,构成一个n行k列的二维相位矩阵,结合关系f=2πω和Δt=1/fs,将序列[1,2,…n]和[1,2,…k]分别转换为对应的频率向量[f1,f2,…fn]和时间向量[t1,t2,…tk],分别作为频率轴和时间轴作图,得到增强相位瀑布图。
再进一步,步骤3中,FFT计算误差和噪声导致的随机相位区与真实频率成分的规律相位带的分离方法如下:
通过k个相位序列的排列观察,在真实存在的频率点处,会形成一个k点的规律相位带,而随机的相位值通过排列后显示为随机的相位区;从而根据随机区和规律带在相位瀑布图中的差异,能够清晰的识别出真实存在的频率成分。
优选的,步骤1中,采集转子轴心位移振动响应信号作为待分析信号。
与现有技术相比,本发明具有以下有益的技术效果:
本发明利用了信号中频率成分的相位值与能量无关的特定,通过其频域相位谱特征,实现信号中能量较低的微弱频率成分的识别,从根本上解决了微弱故障振动能量低导致其难以识别的问题。而对FFT变换得到的复数频域信号做反正切计算得到的相位谱由于计算误差和噪声干扰,导致相位谱中各频率处均出现相位值,难以识别出真实存在的频率成分所处的频率位置。本发明通过采用增强相位瀑布图,将计算误差和噪声干扰的随机相位值与真实频率成分的规律相位带区分开,消除了因相位计算误差和噪声导致的随机相位值,实现了转子裂纹微弱分数频率成分的准确识别。
附图说明
图1为本发明实例中所述含微弱2倍频激励的转子在X和Y向轴位移信号时域波形。
图2为本发明实例中所述含微弱2倍频信号频域幅值谱。
图3为本发明实例中所述含微弱2倍频信号频域相位谱。
图4为本发明实例中所述移动短时采样过程示意图。
图5为本发明实例中所述相位谱排列过程示意图。
图6为本发明实例中所述含微弱2倍频信号滤波前相位瀑布图。
图7为本发明实例中所述含微弱2倍频信号滤波后相位瀑布图。
图8a为本发明实例中对于匀速信号的规律带相位值变化规律示意图。
图8b为本发明实例中对于加速过程信号的规律带相位值变化规律示意图。
图9a为本发明实例中裂纹转子含微弱分频成分轴位移仿真信号频谱图。
图9b为本发明实例中裂纹转子含微弱分频成分轴位移仿真信号相位谱图。
图10为本发明实例中含微弱分频成分仿真案例滤波前相位瀑布图。
图11为本发明实例中含微弱分频成分仿真案例滤波后相位瀑布图。
图12a为本发明实例中裂纹转子含微弱分频成分轴位移实验信号频谱图。
图12b为本发明实例中裂纹转子含微弱分频成分轴位移实验信号相位谱图。
图13为本发明实例中含微弱分频成分实验案例滤波后相位瀑布图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明通过对原信号也就是待分析信号进行移动短时采样得到系列短时信号,采用FFT获取其频域相位谱,采用直线元形态滤波方法,实现相位谱特征增强;将增强后相位谱按采样时间序列依次排列成相位瀑布图,实现因FFT计算和噪声导致的随机相位区与真实频率成分的规律相位带的分离,从而实现微弱频率成分的识别。该方法是一种全新的频率成分识别方法,简单可行,可为微弱机械故障信号处理提供有效支持。
本优选实例中,如图1所示,其是以工频激励为主,含有微弱2倍频激励和噪声激励的转子轴心位移X,Y两向信号的时域波形。将该信号作为待分析信号,通过本发明的方法识别其中的微弱2倍频成分。
如图2所示,其为原信号的幅值谱,其中只能识别出80Hz的工频成分,不能识别出其中的微弱2倍频成分;图3为原信号相位谱,由于噪声和计算误差,导致在各频率点处均存在相位值,不能识别出其中的2倍频。
图4为本发明实例中所述移动短时采样过程示意图,其中分别为短时信号y0(t),y1(t),y2(t)…的初相位,t0为采样起始时刻,Δt=1/fs为移动时间间隔。按照图4所示,对原信号进行短时移动采样,获取数据长度为n的k个短时信号y0(t),y1(t),y2(t)…yk-1(t)序列,其中n<<m,y0(t)=[s0 s1 … sn-1],y1(t)=[s1 s2 … sn],…。再参照相位谱求解步骤和滤波步骤得到特征增强后的相位谱。如图5所示,将k个n点的相位谱序列y0(ω),Y1(ω),y2(ω),…yk-1(ω)的每一个序列作为一列,构成一个n行k列的二维相位矩阵,结合关系f=2πω和Δt=1/fs,将序列[1,2,…n]和[1,2,…k]分别转换为对应的频率向量[f1,f2,…fn]和时间向量[t1,t2,…tk],得到相位瀑布图,其具体结果如图6和图7所示。
未滤波前如图6所示,通过相位瀑布图的色差,能显示两条规律的相位带,从而识别出工频80Hz和2倍频160Hz的频率成分。
特征增强后如图7所示,能明显找到相位值区别于随机区的两条相位带,分别对应工频80Hz和2倍频160H频率成分。
图8a和8b为规律相位带的相位值变化规律,对于匀速信号,其相位带的值变化规律如图8a所示,对于加速过程的信号,其相位带的值变化规律如图8b所示。
利用动力学模型模拟包含裂纹的转子轴心位移振动响应信号,转子存在不平衡故障,以转频3000r/min运行,其频谱和相位谱如图9所示,其中只能识别出转频1X对应的50Hz和2X对应的100Hz,然而2倍频并不能说明裂纹的存在,其他正常转子也可能存在2倍频成分。采用本发明方法处理对信号进行处理,图10为未采用形态滤波的相位瀑布图,依然只能显示1X和2X对应的2条规律的相位带。图11为形态滤波特征增强后的相位瀑布图,图中清晰的显示出了3个规律相位带,分别对应转频1X,及2X和1/2X分频。分频的成功识别,更有利于裂纹故障的诊断。
为了验证本发明所述方法的正确性,加工了疲劳裂纹转子试件。在Bently转子实验台上进行裂纹转子轴位移振动响应实验,转速为3000r/min,采样频率为4000Hz。采集轴心位移振动响应信号,其幅值谱和相位谱如图12所示,从中只能识别出转频1X和二倍频2X频率成分,不能说明裂纹的存在。采用本方法处理得到的相位谱瀑布图如图13所示,通过图中的规律相位带能识别出较多的微弱分数谐波成分,能为早期微弱裂纹故障的识别提供可靠参考。
Claims (7)
1.基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,其特征在于,包括如下步骤,
步骤1,将待分析信号进行短时移动采样得到系列短时信号,采用快速傅里叶变换FFT获取系列短时信号分别对应的频域相位谱;
步骤2,采用直线元形态滤波方法对获取的频域相位谱进行处理,得到滤波后特征增强的频域相位谱,完成相位谱的特征增强;
步骤3,将增强的频域相位谱按采样时间序列依次排列成增强相位瀑布图,实现真实频率成分处的规律相位带与FFT计算误差和噪声导致的随机相位值的分离,完成转子裂纹微弱分数频率成分的识别。
2.根据权利要求1所述的基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,其特征在于,步骤1中短时移动采样时,对数据长度为m采样频率为fs的离散待分析信号S=[s0 s1 … sm-1],依次移动一个数据点,获取数据长度为n的k个短时信号y0(t),y1(t),y2(t)…yk-1(t)序列,其中n、m和k为正整数,n<<m,y0(t)=[s0 s1 … sn-1],y1(t)=[s1 s2 … sn],...。
3.根据权利要求2所述的基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,其特征在于,步骤1中采用FFT获取系列短时信号分别对应的频域相位谱时,对短时信号序列y0(t),y1(t),y2(t)…yk-1(t)依次做傅里叶变换,得到频域复数序列取其相角得到各短时序列的相位谱其中,分别为复数序列的虚部和实部。
4.根据权利要求3所述的基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,其特征在于,步骤2中采用直线元形态滤波方法,获取滤波后特征增强的频域相位谱时,根据短时信号的特征,选择直线元宽度参数b,对相位谱交替进行多次的腐蚀、膨胀和开闭运算,得到特征增强后的相位谱序列Y0(ω),Y1(ω),Y2(ω),...Yk-1(ω)。
5.根据权利要求4所述的基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,步骤3中,将增强相位谱按采样时间序列依次排列成增强相位瀑布图时,将k个n点的相位谱序列Y0(ω),Y1(ω),Y2(ω),...Yk-1(ω)的每一个序列作为一列,构成一个n行k列的二维相位矩阵,结合关系f=2πω和Δt=1/fs,将序列[1,2,…n]和[1,2,…k]分别转换为对应的频率向量[f1,f2,…fn]和时间向量[t1,t2,…tk],分别作为频率轴和时间轴作图,得到增强相位瀑布图。
6.根据权利要求5所述的基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,步骤3中,FFT计算误差和噪声导致的随机相位区与真实频率成分的规律相位带的分离方法如下:
通过k个相位序列的排列观察,在真实存在的频率点处,会形成一个k点的规律相位带,而随机的相位值通过排列后显示为随机的相位区;从而根据随机区和规律带在相位瀑布图中的差异,能够清晰的识别出真实存在的频率成分。
7.根据权利要求1所述的基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法,步骤1中,采集转子轴心位移振动响应信号作为待分析信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610279679.1A CN105973999B (zh) | 2016-04-28 | 2016-04-28 | 基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610279679.1A CN105973999B (zh) | 2016-04-28 | 2016-04-28 | 基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105973999A true CN105973999A (zh) | 2016-09-28 |
CN105973999B CN105973999B (zh) | 2018-10-30 |
Family
ID=56994880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610279679.1A Active CN105973999B (zh) | 2016-04-28 | 2016-04-28 | 基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105973999B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471018A (zh) * | 2019-09-19 | 2019-11-19 | 中南大学 | 一种频谱校正方法 |
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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811377A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 一种定量识别滚动轴承损伤的方法 |
CN101706365A (zh) * | 2009-11-19 | 2010-05-12 | 唐秀庚 | 一种破损轴承的快速检测方法 |
WO2010127429A1 (en) * | 2009-05-08 | 2010-11-11 | University Of Toronto | Ultrasonic scanning system and ultrasound image enhancement method |
CN101995437A (zh) * | 2010-09-27 | 2011-03-30 | 江苏大学 | 一种拉深件裂纹声发射信号的特征提取方法 |
CN102156043A (zh) * | 2010-12-31 | 2011-08-17 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
CN102393299A (zh) * | 2011-08-02 | 2012-03-28 | 西安交通大学 | 一种定量计算滚动轴承运行可靠性的方法 |
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
US20130231878A1 (en) * | 2012-03-05 | 2013-09-05 | Crystal Instruments Corporation | System and method for generation and control of mehanical vibration |
CN103745085A (zh) * | 2013-12-16 | 2014-04-23 | 西安交通大学 | 一种旋转机械振动信号的数据驱动阈值降噪方法 |
CN103808810A (zh) * | 2014-03-14 | 2014-05-21 | 哈尔滨工业大学 | 一种基于小波时频图和群速度曲线的钢轨裂纹声发射特征提取方法 |
CN103984813A (zh) * | 2014-05-09 | 2014-08-13 | 西安交通大学 | 一种离心压缩机裂纹叶轮结构的振动建模与分析方法 |
CN103983697A (zh) * | 2014-05-09 | 2014-08-13 | 西安交通大学 | 一种运行状态下离心压缩机叶轮裂纹的频域定量诊断方法 |
-
2016
- 2016-04-28 CN CN201610279679.1A patent/CN105973999B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811377A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 一种定量识别滚动轴承损伤的方法 |
WO2010127429A1 (en) * | 2009-05-08 | 2010-11-11 | University Of Toronto | Ultrasonic scanning system and ultrasound image enhancement method |
CN101706365A (zh) * | 2009-11-19 | 2010-05-12 | 唐秀庚 | 一种破损轴承的快速检测方法 |
CN101995437A (zh) * | 2010-09-27 | 2011-03-30 | 江苏大学 | 一种拉深件裂纹声发射信号的特征提取方法 |
CN102156043A (zh) * | 2010-12-31 | 2011-08-17 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
CN102393299A (zh) * | 2011-08-02 | 2012-03-28 | 西安交通大学 | 一种定量计算滚动轴承运行可靠性的方法 |
US20130231878A1 (en) * | 2012-03-05 | 2013-09-05 | Crystal Instruments Corporation | System and method for generation and control of mehanical vibration |
CN103226649A (zh) * | 2013-03-25 | 2013-07-31 | 西安交通大学 | 机械早期及复合故障的集成噪声重构经验模式分解方法 |
CN103745085A (zh) * | 2013-12-16 | 2014-04-23 | 西安交通大学 | 一种旋转机械振动信号的数据驱动阈值降噪方法 |
CN103808810A (zh) * | 2014-03-14 | 2014-05-21 | 哈尔滨工业大学 | 一种基于小波时频图和群速度曲线的钢轨裂纹声发射特征提取方法 |
CN103984813A (zh) * | 2014-05-09 | 2014-08-13 | 西安交通大学 | 一种离心压缩机裂纹叶轮结构的振动建模与分析方法 |
CN103983697A (zh) * | 2014-05-09 | 2014-08-13 | 西安交通大学 | 一种运行状态下离心压缩机叶轮裂纹的频域定量诊断方法 |
Non-Patent Citations (7)
Title |
---|
JINGLONG CHEN.ET AL: "Fault Diagnosis of Demountable Disk-Drum Aero-Engine Rotor Using Customized Multiwavelet Method", 《SENSORS》 * |
JIYONGTAN.ET AL: "Study of frequency-shifted and re-scaling stochastic resonance and its application to fault diagnosis", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
WANG PENG HE.ET AL: "Automatic fault feature extraction of mechanical anomaly on induction motor bearing using ensemble super-wavelet transform", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
YAN XUE WANG.ET AL: "Enhancement of signal denoising and multiple fault signatures detecting in rotating machinery using dual-tree complex wavelet transform", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
訾艳阳等: "旋转机械复合故障的信号特征提取与识别方法研究", 《振动与冲击》 * |
钱进等: "汽轮机转子振动试验与分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
陈雪峰等: "基于区间B 样条小波有限元的转子裂纹定量识别", 《机械工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110471018A (zh) * | 2019-09-19 | 2019-11-19 | 中南大学 | 一种频谱校正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105973999B (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Feature extraction of rolling bearing’s early weak fault based on EEMD and tunable Q-factor wavelet transform | |
Ma et al. | Early fault diagnosis of bearing based on frequency band extraction and improved tunable Q-factor wavelet transform | |
Wang et al. | Transient modeling and parameter identification based on wavelet and correlation filtering for rotating machine fault diagnosis | |
Luo et al. | A kurtosis-guided adaptive demodulation technique for bearing fault detection based on tunable-Q wavelet transform | |
Osman et al. | An enhanced Hilbert–Huang transform technique for bearing condition monitoring | |
Lei et al. | Application of an improved kurtogram method for fault diagnosis of rolling element bearings | |
Ou et al. | A new rolling bearing fault diagnosis method based on GFT impulse component extraction | |
Xu et al. | An enhanced bearing fault diagnosis method based on TVF-EMD and a high-order energy operator | |
Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
CN104375111B (zh) | 对密集频谱进行快速高精度细化校正的方法 | |
Zhang et al. | Energy operator demodulating of optimal resonance components for the compound faults diagnosis of gearboxes | |
CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
CN104034412B (zh) | 一种基于分数阶全息原理的旋转机械故障特征提取方法 | |
Chen et al. | Improved spectral kurtosis with adaptive redundant multiwavelet packet and its applications for rotating machinery fault detection | |
Wang et al. | A computer-vision-based rotating speed estimation method for motor bearing fault diagnosis | |
CN109765055A (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN113468760B (zh) | 基于字典学习的电机微弱故障检测方法及系统 | |
Hou et al. | Vibration signal model of an aero-engine rotor-casing system with a transfer path effect and rubbing | |
Yang et al. | A novel weak fault signal detection approach for a rolling bearing using variational mode decomposition and phase space parallel factor analysis | |
Li et al. | Fault diagnosis of rolling element bearings with a spectrum searching method | |
CN105973999A (zh) | 基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 | |
Du et al. | Optimum IMFs selection based envelope analysis of bearing fault diagnosis in plunger pump | |
CN111307426A (zh) | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 | |
Song et al. | The MFBD: A novel weak features extraction method for 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 |