CN106338385B - 一种基于奇异谱分解的旋转机械故障诊断方法 - Google Patents
一种基于奇异谱分解的旋转机械故障诊断方法 Download PDFInfo
- Publication number
- CN106338385B CN106338385B CN201610730284.9A CN201610730284A CN106338385B CN 106338385 B CN106338385 B CN 106338385B CN 201610730284 A CN201610730284 A CN 201610730284A CN 106338385 B CN106338385 B CN 106338385B
- Authority
- CN
- China
- Prior art keywords
- unusual
- unusual spectral
- component
- spectral component
- frequency
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于奇异谱分解的旋转机械故障诊断方法,包括以下步骤:步骤1,在旋转机械的关键部件附近安装传感器进行测量,采集测量信号作为源信号;步骤2,利用奇异谱分解对源信号进行分解,得到若干个瞬时频率具有物理意义的奇异谱分量;步骤3,根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量;步骤4,对主奇异谱分量进行希尔伯特解调,获得相应的包络谱;步骤5,从包络谱中观察故障特征频率处是否存在明显峰值,从而实现旋转机械故障类型的准确判别。本发明简单易行,较其他现有技术相比能够实现更为精确的故障诊断。
Description
技术领域
本发明属于机械工程技术领域,具体涉及一种旋转机械故障诊断方法。
背景技术
工业现场中常见的零部件,如轴承、齿轮、转子等,是旋转机械设备中的重要组成构件,由于在长期高速运转、交变载荷等恶劣工况下,这些关键部件极易产生局部损伤并演化成晚期故障,极大地影响着整个旋转机械传递系统的工作性能。因此,针对旋转机械设备中的关键部件进行有效故障检测具有重要的现实意义。由于实际工程中旋转机械振动信号表现为非平稳特性,其受到部件间多传递路径耦合作用的影响,振动信号中掺杂着强烈背景噪声和多干扰源信号,致使旋转机械的故障特征提取极其复杂和困难。因此,如何从振动信号中有效地提取有用故障特征信息,是判断旋转机械设备是否发生故障需要解决的关键难题。
现有的旋转机械故障诊断方法主要包括:小波变换、经验模式分解和奇异谱分析。小波变换受海森堡测不准原理的约束,需选择基函数且缺乏自适应性,对非平稳性信号分析存在局限性。经验模式分解具备自适应性,能够对非平稳信号进行有效分析,但其采用插值拟合包络原理进行分解具备较大拟合误差,同时存在过包络、欠包络、端点效应和模态混叠等缺陷。奇异谱分析是一种基于主成分分析的非参数谱估计方法,包括嵌入维数的选取、奇异值分解及分量序列的重构等过程,能有效用于旋转机械测量信号的降噪处理,但其主要依赖经验性选取嵌入维数长度构建轨迹矩阵,并基于轨迹矩阵的主成分进行奇异值分解、特征重组及信号重构,很大程度上影响其诊断结果。
发明内容
针对上述技术存在的问题,本发明提供了一种基于奇异谱分解的旋转机械故障诊断方法,旨在提高旋转机械故障诊断的精确度。
为实现上述目的,本发明采用的技术方案为:
一种基于奇异谱分解的旋转机械故障诊断方法,包括以下步骤:
步骤1,在旋转机械的关键部件附近安装传感器进行测量,采集测量信号作为源信号;
步骤2,利用奇异谱分解对源信号进行分解,得到若干个瞬时频率具有物理意义的奇异谱分量;
步骤3,根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量;
步骤4,对主奇异谱分量进行希尔伯特解调,获得相应的包络谱;
步骤5,从包络谱中观察故障特征频率处是否存在明显峰值,从而实现旋转机械故障类型的准确判别。
步骤1中,所述的旋转机械的关键部件为轴承、齿轮和转子。
所述步骤2中利用奇异谱分解对源信号进行分解的步骤为
步骤2.1,对源信号构建一个新的轨迹矩阵表达式:以源信号x(n)={1,2,3,4,5}为例,其嵌入维数M为3,则对应的矩阵X为
式中,矩阵X的虚线部分对应于奇异谱分析中的新轨迹矩阵,且新矩阵中各对角线元素相同且数量相等;
步骤2.2,自适应选择第j次迭代所需的嵌入维数M:首先计算第j次迭代时残余分量的功率谱密度PSD,即
式中,j=2,3,4...,υj(n)表示第j次迭代时获得的残余分量,υk(n)表示第k次迭代时获得的残余分量;
随后估计功率谱密度PSD中最大峰值对应的频率fmax;在第1次迭代中,如果归一化频率fmax/Fs小于给定阈值10-3,则残余量被视为一个大趋势项,此时M设置为N/3,其中Fs是采样频率;否则,当迭代次数j>1,嵌入维数被设置为M=1.2×(Fs/fmax);
步骤2.3,按照高频到低频的顺序依次重构第j个奇异谱分量:在第1次迭代中,如果检测到一个大趋势项,只使用第1个左右特征向量去获取g(1)(n),使得且g(1)(n)从X1的对角平均中获得;否则,当迭代次数j>1,必须获得一个分量序列g(1)(n)去描述一个物理意义明确的时间尺度;在这个意义上,它的频率成分主要集中在频带[fmax-δf,fmax+δf]之间,其中δf表示残余项功率谱密度中主峰的半带宽;因此,根据左特征向量在频谱[fmax-δf,fmax+δf]范围中具有突出主频率的所有特征组和对选取模态分量的主峰能量贡献最大的一个特征组,创建一个子集Ij(Ij={i1,i2,…,i3});随后通过矩阵XIj=Xi1+…+Xip的对角平均法重构这对应的奇异谱分量;
步骤2.4,设置迭代终止条件:将迭代估计出的奇异谱分量从源信号中分离出,得到一个残余项计算所得残余项和源信号之间的归一化均方差NMSE,即
式中,表示第j次迭代时获得的奇异谱分量,υ(j+1)(n)表示第j次迭代时获得的残余项,υ(j)(n)表示第j次迭代时设定的源信号;
当归一化均方差NMSE小于给定阈值th=1%时,整个分解过程终止,否则,将残余项作为输入信号重复上述迭代过程获得最终分解结果,即
式中m是获得的奇异谱分量个数,在每次迭代后残余项υ(j+1)(n)的能量都会减小。
所述步骤3中根据特征能量因子最大准则选取蕴含最丰富故障特征信息的主奇异谱分量的步骤为:
步骤3.1,首先将源信号通过奇异谱分解得到若干个瞬时频率具有物理意义的奇异谱分量;
步骤3.2,然后计算若干个奇异谱分量的特征能量因子λ,其计算公式为
λ=E/E*
式中,E是旋转机械故障特征频率前m倍频处的幅值能量和,E*是源信号的包络谱幅值总能量;
步骤3.3,最后将最大特征能量因子λmax对应的奇异谱分量视为蕴含最丰富故障特征信息的主奇异谱分量。
步骤4的具体步骤为:
步骤4.1,对选取的主奇异谱分量进行希尔伯特变换处理得到希尔伯特变换对,即
式中x(t)为选取的主奇异谱分量;
步骤4.2,以主奇异谱分量为实部、希尔伯特变换对为虚部构成解析信号,即
z(t)=x(t)+jx(t)
步骤4.3,将解析信号进行求模运算,得到主奇异谱分量的包络信号为
步骤4.4,对包络信号作傅里叶变换得到主奇异谱分量相对应的包络谱。
步骤5中,如果存在突出故障特征频率,则诊断旋转机械发生故障,否则旋转机械运行正常。
有益效果:本发明的技术效果在于:
1)本发明运用奇异谱分解对旋转机械的测量信号进行分解,能自适应地获得若干个瞬时频率具有物理意义的奇异谱分量,克服了奇异谱分析按经验性选取嵌入维数长度的缺陷,无需小波变换基函数,避开了经验模式分解采用插值拟合包络带来的拟合误差,对测量信号中的背景噪声及干扰信号具有较好的分离能力,可初步提取测量信号的冲击波形。
2)通过计算奇异谱分量的特征能量因子选取蕴含丰富故障特征信息的主奇异谱分量进行解调分析,能有效避免工程实际中因人为主观因素选取奇异谱分量引起的错误诊断或无法诊断故障的现象,从而提高故障诊断的精确度。
3)对挑选的主奇异谱分量进行希尔伯特解调,获得相应的包络谱,能够提取明显的故障特征频率,从而实现旋转机械故障类型的准确判别。此外,本发明简单易行,适用于旋转机械的在线监测与故障诊断。
附图说明
图1是本发明的流程图;
图2是轴承外圈故障的振动加速度信号的时域波形图;
图3是经奇异谱分解获得的若干个奇异谱分量的时域波形图;
图4是奇异谱分量的特征能量因子的分布图;
图5是被选取的蕴含丰富故障特征信息的主奇异谱分量的包络谱图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
图1为本发明的流程图。下面结合流程图对本发明的步骤作详细说明。
1)首先将传感器安装在旋转机械的关键部件附近进行测量,采集测量信号作为源信号。其中,关键部件为轴承、齿轮和转子等。
2)对源信号进行奇异谱分解得到若干个瞬时频率具有物理意义的奇异谱分量。其具体过程为:
2.1)首先针对源信号构建一个新的轨迹矩阵。设源信号为x(n),其数据长度和嵌入维数分别为N和M,将其构建为一个M行N列的矩阵X,矩阵X的第i行为xi=(x(i),…,x(N),x(1),…,x(i-1))且i=1,…,M,即矩阵为了更好地理解矩阵构建的过程,以源信号x(n)={1,2,3,4,5}为例,其嵌入维数M为3,则对应的矩阵X为
式中,矩阵X的虚线部分左3行左3列对应于奇异谱分析中的轨迹矩阵。为了增强原待分析信号中的振荡成分,并使得迭代后残余分量的能量呈现出递减规律,将矩阵X中的右下角3个元素搬移至矩阵X的左上角位置,构建了一个新的矩阵表达式,即
式中,矩阵X的虚线部分对应于奇异谱分析中的新轨迹矩阵,且新矩阵中各对角线元素相同且数量相等。
2.2)自适应选择嵌入维数大小M。考虑到奇异谱分析按经验选取嵌入维数的缺陷,这里采用一种自适应法则选取第j次迭代使用的嵌入维数大小M。首先计算第j次迭代时残余分量的功率谱密度PSD,即
式中,j=2,3,4…,υj(n)表示第j次迭代时获得的残余分量,υk(n)表示第k次迭代时获得的残余分量;
随后估计PSD中最大峰值对应的频率fmax。在第1次迭代中,如果归一化频率fmax/Fs小于给定阈值10-3,则残余量被视为一个大趋势项,此时M设置为N/3,其中Fs是采样频率。否则,当迭代次数j>1,嵌入维数被设置为M=1.2×(Fs/fmax)。
2.3)按照高频到低频的顺序依次重构第j个奇异谱分量。在第1次迭代中,如果检测到一个大趋势项,只使用第1个左右特征向量去获取g(1)(n),使得且g(1)(n)可以从X1的对角平均中获得。否则,当迭代次数j>1,必须获得一个分量序列g(1)(n)去描述一个物理意义明确的时间尺度。在这个意义上,它的频率成分主要集中在频带[fmax-δf,fmax+δf]之间,其中δf表示残余项功率谱密度中主峰的半带宽。因此,根据左特征向量在频谱[fmax-δf,fmax+δf]范围中具有突出主频率的所有特征组和对选取模态分量的主峰能量贡献最大的一个特征组,创建一个子集Ij(Ij={i1,i2,…,i3})。随后通过矩阵XIj=Xi1+…+Xip的对角平均法重构这对应的奇异谱分量。
在这一过程中,为了更好地估计主峰带宽δf,构建了一个具有叠加高斯函数的谱模型用于拟合功率谱密度的轮廓,该模型定义为三个高斯函数之和,且每个高斯函数表示一个谱峰,即
式中Ai是第i个高斯函数的幅值,ui是它的位置,σi是它的带宽和θ=[Aσ]T是参数矢量,其中A=[A1,A2,A3],σ=[σ1,σ2,σ3]。第1个高斯函数记录主谱峰对应的频率fmax,第2个高斯函数记录次谱峰对应的频率f2,第3个高斯函数记录前两谱峰间任意峰值对应的频率。因此,依据此模型可得
u1=fmax,u2=f2,
通过对模型的加权最小二乘拟合可获得模型参数Ai。首先给定模型拟合的初始参数值,即
随后采用Levenberg-Marquardt法确定模型参数Ai最优值。给定σ1的估计值,则主峰带宽δf的值可由δf=2.5σ1获得。此外,为了恢复第j个分量序列开始第二次迭代,采用尺度因子调整g(j)(n)与残余时间序列υ(j)(n)的差值,即
式中满足
2.4)设置迭代停止条件。将迭代估计出的奇异谱分量从源信号中分离出,得到一个残余项将其作为输入信号重复上述迭代过程,计算所得残余项和原信号之间的归一化均方差NMSE,即
式中,表示第j次迭代时获得的奇异谱分量,υ(j+1)(n)表示第j次迭代时获得的残余项,υ(j)(n)表示第j次迭代时设定的源信号;
当归一化均方差NMSE小于给定阈值th=1%时,整个分解过程终止,获得最终分解结果,即
式中m是获得的奇异谱分量个数,在每次迭代后残余项υ(j+1)(n)的能量都会减小。
3)根据特征能量因子最大准则筛选出蕴含最丰富故障特征信息的奇异谱分量作为主奇异谱分量。其具体过程为
3.1)计算各奇异谱分量包络解调后的频谱序列为Y,其故障特征频率及其倍频处对应的幅值为Y(i),其中i=1,2,…,m,分别是故障特征频率的第i倍频,则故障特征前m倍频处的幅值能量和E为
3.2)计算故障特征前m倍频处的幅值能量和与各奇异谱分量信号包络谱幅值总能量的比值λ,即得到各奇异谱分量的特征能量因子为
λ=E/E*,E*=∑Y2
式中,E*是各奇异谱分量的包络谱幅值总能量。
3.3)将最大特征能量因子λmax对应的奇异谱分量视为主奇异谱分量进行特性提取。
4)对选取的主奇异谱分量进行希尔伯特解调,获得相应的包络谱。其具体过程为
4.1)对选取的主奇异谱分量进行希尔伯特变换处理得到希尔伯特变换对,即
式中x(t)为选取的主奇异谱分量。
4.2)以主奇异谱分量为实部、希尔伯特变换对为虚部构成解析信号,即
z(t)=x(t)+jx(t)
4.3)将解析信号进行求模运算,得到主奇异谱分量的包络信号为
4.4)对包络信号作傅里叶变换得到主奇异谱分量相对应的包络谱。
5)分析包络谱中是否存在具有明显峰值的故障特征频率,如果存在突出故障特征频率,则诊断旋转机械发生故障,否则旋转机械运行正常。
图2为设置有外圈故障的SKF6205型滚动轴承振动信号的时域波形。该振动信号通过安装在轴承座上方的压电式振动传感器进行采集。实验测试过程中,电机转速为1 470r/min,转频fr为24.5Hz,采样频率为12 800Hz,采样点数为12 800。其中外圈故障是通过电火花加工出沟槽来模拟设置的,沟槽宽为0.2mm,沟槽深为1.5mm。经理论公式计算得到轴承外圈故障特征频率fa为88Hz。
图3为轴承外圈故障振动信号经奇异谱分解后得到的奇异谱分量的时域波形图。
图4为奇异谱分量的特征能量因子的分布图,图中可清晰辨识最大特征能量因子对应于奇异谱分量1,这表明奇异谱分量1蕴含最丰富的故障特征信息,从而选取奇异谱分量1作为主奇异谱分量进行后续包络谱分析。
图5为主奇异谱分量的包络谱图,也就是奇异谱分量1的包络谱图,从图中能明显发现88Hz处的外圈故障特征频率fa及多倍频成分,进而判断轴承携带外圈故障,由此说明本文方法在旋转机械滚动轴承故障诊断中的实用性和精确性。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于奇异谱分解的旋转机械故障诊断方法,其特征在于:包括以下步骤:
步骤1,在旋转机械的关键部件附近安装传感器进行测量,采集测量信号作为源信号;
步骤2,利用奇异谱分解对源信号进行分解,得到若干个瞬时频率具有物理意义的奇异谱分量;
所述步骤2中利用奇异谱分解对源信号进行分解的步骤为
步骤2.1,对源信号构建一个新的轨迹矩阵表达式:以源信号x(n)={1,2,3,4,5}为例,其嵌入维数M为3,则对应的矩阵X为
式中,矩阵X的虚线部分对应于奇异谱分析中的新轨迹矩阵,且新矩阵中各对角线元素相同且数量相等;
步骤2.2,自适应选择第j次迭代所需的嵌入维数M:首先计算第j次迭代时残余分量的功率谱密度PSD,即
式中,j=2,3,4…,υj(n)表示第j次迭代时获得的残余分量,υk(n)表示第k次迭代时获得的残余分量;
随后估计功率谱密度PSD中最大峰值对应的频率fmax;在第1次迭代中,如果归一化频率fmax/Fs小于给定阈值10-3,则残余量被视为一个大趋势项,此时M设置为N/3,其中Fs是采样频率,N是源信号的采样长度;否则,当迭代次数j>1,嵌入维数被设置为M=1.2×(Fs/fmax);
步骤2.3,按照高频到低频的顺序依次重构第j个奇异谱分量:在第1次迭代中,如果检测到一个大趋势项,只使用第1个左右特征向量去获取g(1)(n),使得且g(1)(n)从X1的对角平均中获得,其中g(1)(n)是第1个奇异谱分量,X1是第1次迭代过程中检测到的大趋势项,σ1是X1的第1个奇异值,u1是X1的第1个左特征向量,υ1是X1的第1个右特征向量,是υ1的转置;否则,当迭代次数j>1,必须获得一个分量序列g(1)(n)去描述一个物理意义明确的时间尺度;在这个意义上,它的频率成分主要集中在频带[fmax-δf,fmax+δf]之间,其中fmax是功率谱密度PSD中最大峰值对应的频率,δf表示残余项功率谱密度中主峰的半带宽;因此,根据左特征向量在频谱[fmax-δf,fmax+δf]范围中具有突出主频率的所有特征组和对选取模态分量的主峰能量贡献最大的一个特征组,创建一个子集Ij(Ij={i1,…,ip});随后通过矩阵的对角平均法重构这对应的奇异谱分量;
步骤2.4,设置迭代终止条件:将迭代估计出的奇异谱分量从源信号中分离出,得到一个残余项计算所得残余项和源信号之间的归一化均方差NMSE,即
式中,表示第j次迭代时获得的奇异谱分量,υ(j+1)(n)表示第j次迭代时获得的残余项,υ(j)(n)表示第j次迭代时设定的源信号;
当归一化均方差NMSE小于给定阈值th=1%时,整个分解过程终止,否则,将残余项作为输入信号重复上述迭代过程获得最终分解结果,即
式中m是获得的奇异谱分量个数,在每次迭代后残余项υ(j+1)(n)的能量都会减小;
步骤3,根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量;
步骤4,对主奇异谱分量进行希尔伯特解调,获得相应的包络谱;
步骤5,从包络谱中观察故障特征频率处是否存在明显峰值,从而实现旋转机械故障类型的准确判别。
2.根据权利要求1所述的基于奇异谱分解的旋转机械故障诊断方法,其特征在于:步骤1中,所述的旋转机械的关键部件为轴承、齿轮和转子。
3.根据权利要求1所述的基于奇异谱分解的旋转机械故障诊断方法,其特征在于:所述步骤3中根据特征能量因子最大准则选取蕴含最丰富故障特征信息的主奇异谱分量的步骤为:
步骤3.1,首先将源信号通过奇异谱分解得到若干个瞬时频率具有物理意义的奇异谱分量;
步骤3.2,然后计算若干个奇异谱分量的特征能量因子λ,其计算公式为
λ=E/E*
式中,E是旋转机械故障特征频率前m倍频处的幅值能量和,E*是源信号的包络谱幅值总能量;
步骤3.3,最后将最大特征能量因子λmax对应的奇异谱分量视为蕴含最丰富故障特征信息的主奇异谱分量。
4.根据权利要求1所述的基于奇异谱分解的旋转机械故障诊断方法,其特征在于:步骤4的具体步骤为:
步骤4.1,对选取的主奇异谱分量进行希尔伯特变换处理得到希尔伯特变换对,即
式中x(t)为选取的主奇异谱分量;
步骤4.2,以主奇异谱分量为实部、希尔伯特变换对为虚部构成解析信号,即
步骤4.3,将解析信号进行求模运算,得到主奇异谱分量的包络信号为
步骤4.4,对包络信号作傅里叶变换得到主奇异谱分量相对应的包络谱。
5.根据权利要求1所述的基于奇异谱分解的旋转机械故障诊断方法,其特征在于:步骤5中,如果存在突出故障特征频率,则诊断旋转机械发生故障,否则旋转机械运行正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610730284.9A CN106338385B (zh) | 2016-08-25 | 2016-08-25 | 一种基于奇异谱分解的旋转机械故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610730284.9A CN106338385B (zh) | 2016-08-25 | 2016-08-25 | 一种基于奇异谱分解的旋转机械故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106338385A CN106338385A (zh) | 2017-01-18 |
CN106338385B true CN106338385B (zh) | 2019-03-19 |
Family
ID=57822197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610730284.9A Active CN106338385B (zh) | 2016-08-25 | 2016-08-25 | 一种基于奇异谱分解的旋转机械故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106338385B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855192A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于编码器信号去噪的奇异值分解方法 |
EP4303742A1 (en) * | 2022-07-08 | 2024-01-10 | Predict HQ Limited | Iterative singular spectrum analysis |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107246967A (zh) * | 2017-07-07 | 2017-10-13 | 武汉钢铁有限公司 | 用于齿轮箱设备故障诊断的信号处理方法和装置 |
CN107449964B (zh) * | 2017-07-20 | 2019-12-20 | 淮阴工学院 | 一种用于模式重建和预测的广义多元奇异谱分析方法 |
CN107831013B (zh) * | 2017-10-11 | 2019-11-22 | 温州大学 | 利用概率主分量分析增强循环双谱的轴承故障诊断方法 |
CN108489719B (zh) * | 2018-04-09 | 2019-11-05 | 常州湖南大学机械装备研究院 | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 |
CN110610115A (zh) * | 2018-06-14 | 2019-12-24 | 西门子(中国)有限公司 | 机械故障检测方法、装置及计算机可读存储介质 |
CN109141885B (zh) * | 2018-09-04 | 2020-04-10 | 厦门理工学院 | 基于mrsvd的轴承振动信号包络解调方法、装置及设备 |
CN109030001B (zh) * | 2018-10-08 | 2020-05-08 | 电子科技大学 | 一种基于改进hht的滚动轴承故障诊断方法 |
CN110207987B (zh) * | 2019-05-13 | 2020-12-15 | 中国民航大学 | 一种滚动轴承性能退化衰退节点的判定方法 |
CN110243590B (zh) * | 2019-06-25 | 2021-06-29 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 |
CN111503010B (zh) * | 2019-09-18 | 2022-03-18 | 山东建筑大学 | 一种离心泵宽带辐射噪声信号特征提取方法 |
CN110672327A (zh) * | 2019-10-09 | 2020-01-10 | 西南交通大学 | 一种基于多层降噪技术的异步电机轴承故障诊断方法 |
CN111289275B (zh) * | 2019-12-31 | 2021-06-01 | 北京化工大学 | 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 |
CN111089726B (zh) * | 2020-01-16 | 2021-12-03 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
CN111259992A (zh) * | 2020-03-03 | 2020-06-09 | 东北石油大学 | 基于时变奇异谱的往复压缩机气阀故障诊断方法 |
CN111881858B (zh) * | 2020-07-31 | 2024-02-13 | 中南大学 | 一种微震信号多尺度去噪方法、装置及可读存储介质 |
CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
CN112595515A (zh) * | 2020-12-04 | 2021-04-02 | 中国船舶工业综合技术经济研究院 | 一种动力轴系轴承故障检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926599A (zh) * | 2014-04-17 | 2014-07-16 | 东南大学 | 基于emd迭代阈值滤波的gnss多径效应抑制方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105488520A (zh) * | 2015-11-24 | 2016-04-13 | 昆明理工大学 | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06235682A (ja) * | 1993-02-09 | 1994-08-23 | Hitachi Ltd | 摺動状態の異常検出方法及びその装置 |
-
2016
- 2016-08-25 CN CN201610730284.9A patent/CN106338385B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926599A (zh) * | 2014-04-17 | 2014-07-16 | 东南大学 | 基于emd迭代阈值滤波的gnss多径效应抑制方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105488520A (zh) * | 2015-11-24 | 2016-04-13 | 昆明理工大学 | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855192A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 一种用于编码器信号去噪的奇异值分解方法 |
CN111855192B (zh) * | 2020-07-31 | 2021-04-23 | 北京航空航天大学 | 一种用于编码器信号去噪的奇异值分解方法 |
EP4303742A1 (en) * | 2022-07-08 | 2024-01-10 | Predict HQ Limited | Iterative singular spectrum analysis |
Also Published As
Publication number | Publication date |
---|---|
CN106338385A (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106338385B (zh) | 一种基于奇异谱分解的旋转机械故障诊断方法 | |
CN105628381B (zh) | 一种基于改进的局部均值分解的往复压缩机轴承故障诊断方法 | |
CN108489719B (zh) | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 | |
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 | |
Wang et al. | Fuzzy diagnosis method for rotating machinery in variable rotating speed | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN107357275A (zh) | 非高斯工业过程故障检测方法及系统 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN103018632B (zh) | 基于费歇信息的小电流接地系统单相接地故障选线方法 | |
CN109447187A (zh) | 电机故障诊断方法及系统 | |
CN101201386A (zh) | 一种模拟集成电路参数型故障的定位方法 | |
CN105973593A (zh) | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 | |
Corne et al. | Comparing MCSA with vibration analysis in order to detect bearing faults—A case study | |
CN105137277A (zh) | 一种变压器突发短路时绕组机械状态的诊断方法 | |
CN106198020A (zh) | 基于子空间和模糊c均值聚类的风电机组轴承故障诊断法 | |
CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
Ali et al. | Observations of changes in acoustic emission parameters for varying corrosion defect in reciprocating compressor valves | |
Delvecchio et al. | On the use of cyclostationary indicators in IC engine quality control by cold tests | |
CN111626167A (zh) | 基于叶端定时和改进多重信号分类的叶片裂纹辨识方法 | |
CN103646013A (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
Li et al. | A fault diagnosis approach for gears using multidimensional features and intelligent classifier |
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: 20200810 Address after: 214400 Lane 6, No. 149, Weishan Road, Jiangyin City, Wuxi City, Jiangsu Province Patentee after: JIANGYIN ZHONGHE ELECTRIC POWER METER Co.,Ltd. Address before: 211189 Jiangsu Road, Jiangning District, Southeast University, No. 2, No. Patentee before: SOUTHEAST University |
|
TR01 | Transfer of patent right |