CN106441871A - 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 - Google Patents
一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN106441871A CN106441871A CN201610916137.0A CN201610916137A CN106441871A CN 106441871 A CN106441871 A CN 106441871A CN 201610916137 A CN201610916137 A CN 201610916137A CN 106441871 A CN106441871 A CN 106441871A
- Authority
- CN
- China
- Prior art keywords
- fault
- resonance
- resonant component
- vibration signal
- sparse decomposition
- 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
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Wind Motors (AREA)
Abstract
一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,本发明涉及基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法。本发明的目的是为了解决现有风电齿轮箱早期复合故障信号背景噪声强,故障特征信息微弱的问题。具体过程为:一:使用BBM噪声振动检测系统采集实验齿轮箱的振动数据,得到行星架轴承外圈剥落和行星齿轮局部剥落的故障振动信号;二:对共振稀疏分解的品质因子和比例系数同时进行优化,得到X*;三:将X*代入自适应共振稀疏分解方法中,得到故障振动信号的高、低共振分量;四:对故障振动信号的高共振分量进行包络分析,识别出故障信息和非故障振动信号。本发明用于故障诊断领域。
Description
技术领域
本发明涉及基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法。
背景技术
随着风电行业的迅猛发展,对风电机组的可靠性要求越来越高,其故障诊断技术已经成为该行业的第三产业。风电齿轮箱作为风电机组中的关键组件,加强其状态监测与故障诊断具有重要意义。由于风电齿轮箱具有复杂的传动结构,特殊的工作环境,并且其早期故障信息十分微弱,提取过程需要较高的频率分辨率,因此必须采用更加有效的信号处理方法,提取故障特征信息。
常见的风电齿轮箱故障诊断方法包括短时傅里叶变换(STFT),小波变换,经验模态分解(EMD),希尔伯特黄变换(HHT)和局部均值分解(LMD)等。但在实际诊断过程中,这些方法都存在各自的局限性。小波变换适合处理非线性,非平稳,存在突变的故障振动信号,但是小波基函数的构造需要人为确定,缺乏自适应性。EMD和LMD等新颖的信号处理方法在近几年开始应用到故障诊断领域,但它们存在的端点效应,失真现象和模式混淆等问题还没有很好地解决。在EMD基础上提出的希尔伯特—黄变换(Hilbert-Huang Transform,HHT),彻底摆脱了一直以来傅里叶变换思想体系的束缚,但是HHT受噪声的影响很大,这一点很大程度上限制了HHT在风电齿轮箱故障信息检测中的应用。一种基于共振的信号稀疏分(Resonance-based sparse signal decomposition,RSSD)于2011年被提出,用两个品质因子可调小波基函数来拟合不同的信号成分,大大提高了共振稀疏分解法的适应性和灵活性。
目前应用共振稀疏分解理论从风电齿轮箱振动信号中提取故障信息时,由于早期复合故障信息十分微弱,而对于高、低共振分量品质因子QH,QL的选取多数采用人为尝试,容易造成故障信息的流失并且无法用于复合故障的诊断。另一方面,在对风电齿轮箱早期复合故障信号的稀疏分解过程中,人为的选取比例系数矩阵KH和KL,使可以被小波基函数库SH,SL匹配的成分或多或少的被分解到两个高、低共振分量中,造成有效成分的分流,降低故障信息的准确性以及可信度。
发明内容
本发明的目的是为了解决现有风电齿轮箱早期复合故障信号背景噪声强,故障特征信息微弱的问题,提供一种基于自适应优化共振稀疏分解的风电齿轮箱复合故障诊断方法。
一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法具体过程为:
步骤一:使用BBM噪声振动检测系统采集实验齿轮箱的振动数据,得到行星架轴承外圈剥落和行星齿轮局部剥落的故障振动信号;
步骤二:根据故障振动信号的形态特征,确定与之匹配的共振分量,并利用遗传算法对共振稀疏分解的品质因子和比例系数同时进行优化,得到最佳参数矩阵X*;
步骤三:将最佳参数矩阵X*代入自适应共振稀疏分解方法中,实现故障振动信号的共振稀疏分解,得到故障振动信号的高、低共振分量;
步骤四:对故障振动信号的高共振分量进行包络分析,识别出故障信息和非故障振动信号。
本发明的有益效果为:
本发明的目的是提供一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,针对风电齿轮箱早期复合故障信号背景噪声强,故障特征微弱的特点,基于遗传算法自适应优化共振稀疏分解的参数,准确有效提取出故障特征信息,提高风电齿轮箱的早期复合故障特征的识别能力。与传统共振稀疏分解方法相比,本发明的有益效果为:
1.本发明利用遗传算法自适应优化选择品质因子QH,QL和比例系数kH,kL,较传统方法能够更好地与振动信号中的故障冲击相应成分相匹配。
2.本发明针对比例系数矩阵KH和KL中各元素相差不大,微小的区别对信号共振稀疏分解的效果影响较小的问题,分别利用比例系数kH和kL代替比例系数矩阵KH和KL,减少优化过程中的运算量,提高优化效率。
3.本发明建立品质因子和比例系数组成的优化参数矩阵X=[QH,QL,kH,kL],利用遗传算法对品质因子和比例系数同时优化,最大限度发挥共振稀疏分解法的优势。
附图说明
图1是基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法的流程图;
图2是基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法中采集故障振动信号的传感安装布局图;
图3是自适应优化选择品质因子和比例系数的算法流程图;
图4a为测点1振动信号高共振分量包络图,信号为经过共振稀疏分解后的信号;
图4b为测点2振动信号高共振分量包络图,信号为经过共振稀疏分解后的信号;
图4c为测点3振动信号高共振分量包络图,信号为经过共振稀疏分解后的信号;
图4d为测点4振动信号高共振分量包络图,信号为经过共振稀疏分解后的信号;
图4e为测点5振动信号高共振分量包络图,信号为经过共振稀疏分解后的信号。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法具体过程为:
步骤一:使用BBM噪声振动检测系统采集实验齿轮箱的振动数据,得到行星架轴承外圈剥落和行星齿轮局部剥落的故障振动信号;
步骤二:根据故障振动信号的形态特征,确定与之匹配的共振分量,并利用遗传算法对共振稀疏分解的品质因子和比例系数同时进行优化,得到最佳参数矩阵X*;
步骤三:将最佳参数矩阵X*代入自适应共振稀疏分解方法中,实现故障振动信号的共振稀疏分解,得到故障振动信号的高、低共振分量;
共振稀疏分解的目的是将需要的信息分解到高共振分量和低共振分量中(本发明中是高共振分量);
步骤四:对故障振动信号的高共振分量进行包络分析,识别出故障信息和非故障振动信号。
具体实施方式二:结合图3说明本实施方式,本实施方式与具体实施方式一不同的是:所述步骤二中根据故障振动信号的形态特征,确定与之匹配的共振分量,并利用遗传算法对共振稀疏分解的品质因子和比例系数同时进行优化,得到最佳参数矩阵X*;具体步骤为:
行星架轴承外圈剥落和行星齿轮局部剥落的故障冲击响应均为持续的振荡衰减信号,形态特征有别于正常的齿轮啮合振动、底座振动和背景噪声等成分,故应当尽可能被分解到高共振分量中。
两种故障的冲击响应信号的形态特征均有别于其他信号,故应当都分解到高共振分量中。高低共振分量的区分在于共振程度,用数值量化的话,高共振分量的品质因子在3-8之间,低共振分量的品质因子在1-1.5之间,步骤三三为分解步骤。
步骤二一、确定冗余因子rH=rL=3.5,并分别用比例系数kH和kL代替比例系数矩阵KH和KL,建立基于遗传算法的共振稀疏分解的目标函数:
式中,J(WH,WL)为目标函数;SH,SL为高、低共振分量的小波基函数库,sH,m,sL,n分别对应该库中的一级小波;jH,jL分别为SH,SL的分解级数;WH,WL为高、低共振分量的匹配系数矩阵,wH,m,wL,n分别对应各级小波的匹配系数,x为故障振动信号;
步骤二二、建立品质因子和比例系数组成的优化参数矩阵X=[QH,QL,kH,kL],设置遗传算法的基本参数,主要包括初始种群规模、遗传代数、遗传概率、交叉概率和变异概率等,产生优化参数矩阵X的初始种群中的个体;
式中,QH,QL分别为高、低共振分量品质因子,分别用于衡量高、低共振分量的共振程度,高共振分量品质因子数值大小为3-8,低共振分量品质因子数值大小为1-1.5;共振程度越高,时域上表现为波形的振荡次数越多;
步骤二三、根据目标函数J(WH,WL)和SALSA算法计算当前种群中每一个个体的适应度f;
所述每一个个体指的是优化参数矩阵X中四个参数QH,QL,kH,kL组成的二进制编码;
步骤二四、判断个体的适应度是否达到设定的品质因子的优化精度或者遗传代数是否达到设定的最大值;如果达到品质因子的优化精度或者最大遗传代数,则获得最佳的参数矩阵X*,否则,转到步骤步骤二五;
步骤二五、根据个体的适应度,采用轮盘赌的方法选择优良的个体,进行遗传计算,即对个体进行交叉、变异和选择,获得下一代种群,转到步骤二三。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二一中分解级数jH和jL为:
确定SH,SL的分解级数jH和jL,保证基函数库的频率范围能够覆盖故障振动信号频谱;对于故障振动信号长度为N的信号,jH和jL的最大值由下式确定:
1≤jH≤jHmax,1≤jL≤jLmax;
式中,αH是高共振分量低通尺度因子,αL是低共振分量低通尺度因子,βH是高共振分量高通尺度因子,βL是低共振分量高通尺度因子,jHmax为高共振分量分解级数,jLmax是低共振分量分解级数,SH、SL为高、低共振分量的小波基函数库,[]表示不超过该数的最大正整数,根据下式计算得到rH,rL为冗余因子,N为信号长度。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤二四中每一个个体指的是优化参数矩阵X中四个参数QH,QL,kH,kL组成的二进制编码。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤二四中根据目标函数J(WH,WL)和SALSA算法计算当前种群中每一个个体的适应度f;具体公式为:
取目标函数的倒数值作为适应度函数,
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述品质因子的优化精度为人为设定,考虑到比例系数对共振稀疏分解的影响,品质因子的优化精度为0.0001;最大遗传代数为200。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤三中将最佳参数矩阵X*代入自适应共振稀疏分解方法中,实现信号的共振稀疏分解,得到高共振分量和低共振分量;具体步骤为:
步骤三一、提取最佳参数矩阵X*中的参数并结合分解级数jH,jL以及冗余因子rH,rL,确定出最优小波基函数和
步骤三二、根据目标函数J(WH,WL),利用分裂增广拉格朗日收缩算法(SALSA)获取最优的高、低共振分量的匹配系数矩阵和
步骤三三、由和对故障振动信号进行重构,获得故障振动信号的高低共振分量分别为实现故障振动信号的共振稀疏分解,得到高共振分量和低共振分量。
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法具体是按照以下步骤制备的:
结合图2,图2是本发明一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法中采集故障振动信号的传感安装布局图,共安装5只传感器。测点1和5主要针对行星齿轮部分,并选择正上方和侧面作为测试点。测点2、3和4主要针对两级平行轴部分,箱体正上方布置两点,侧面布置一个测点。
在使用BBM噪声振动检测系统采集实验齿轮箱的振动数据时,采样率设置为24kHz,电机转速为f=50Hz同时液压加载器的压力为0.2MPA,得到行星架轴承外圈剥落和行星齿轮局部剥落的复合故障信号。经计算,行星齿轮故障特征频率fp=2.547f,行星架轴承外圈故障特征频率fb=4.587f。
根据上述步骤优化选择品质因子和比例系数,设定优化精度为0.0001,得到的参数如表1所示。在表1中,kH均接近0.1,kH和kL的数值大小决定了分解结果中高低共振分量的多少。kH越小,高共振分量越多;kL越小,低共振分量越多。由于实验产生的故障信号的噪声较少,所以高共振分量较多,导致kH接近0.1。
表1优化参数列表
将表1中的优化系数代入到共振稀疏分解方法中,并进行包络分析得到5处测点振动信号高共振分量的包络图,如图4a、4b、4c、4d、4e所示。从图4a、4b、4c、4d、4e可以看出,除了图4c外,其余4张包络图在行星齿轮和行星架轴承对应的故障特征频率值fp和fb及其倍频处均出现幅值占优情况,即除测点3外,其余4个测点均通过自适应共振稀疏分解方法实现了故障特征提取,有效甄别出故障信息。同时,行星架转频f及其倍频处也出现幅值占优的情况,这是因为实验台上的反装齿轮箱和实验齿轮箱在长期运行后出现了对中性误差。从实验结果可知,本发明可以在风电齿轮箱故障振动信号噪声背景强,故障特征微弱的条件下,提取出行星架轴承和行星齿轮的复合故障信息,表明方法有效。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法具体过程为:
步骤一:使用BBM噪声振动检测系统采集实验齿轮箱的振动数据,得到行星架轴承外圈剥落和行星齿轮局部剥落的故障振动信号;
步骤二:根据故障振动信号的形态特征,确定与之匹配的共振分量,并利用遗传算法对共振稀疏分解的品质因子和比例系数同时进行优化,得到最佳参数矩阵X*;
步骤三:将最佳参数矩阵X*代入自适应共振稀疏分解方法中,实现故障振动信号的共振稀疏分解,得到故障振动信号的高、低共振分量;
步骤四:对故障振动信号的高共振分量进行包络分析,识别出故障信息和非故障振动信号。
2.根据权利要求1所述一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:所述步骤二中根据故障振动信号的形态特征,确定与之匹配的共振分量,并利用遗传算法对共振稀疏分解的品质因子和比例系数同时进行优化,得到最佳参数矩阵X*;具体步骤为:
步骤二一、确定冗余因子rH=rL=3.5,并分别用比例系数kH和kL代替比例系数矩阵KH和KL,建立基于遗传算法的共振稀疏分解的目标函数:
式中,J(WH,WL)为目标函数;SH,SL为高、低共振分量的小波基函数库,sH,m,sL,n分别对应该库中的一级小波;jH,jL分别为SH,SL的分解级数;WH,WL为高、低共振分量的匹配系数矩阵,wH,m,wL,n分别对应各级小波的匹配系数,x为故障振动信号;
步骤二二、建立品质因子和比例系数组成的优化参数矩阵X=[QH,QL,kH,kL],设置遗传算法的基本参数,产生优化参数矩阵X的初始种群中的个体;
式中,QH,QL分别为高、低共振分量品质因子,分别用于衡量高、低共振分量的共振程度,高共振分量品质因子数值大小为3-8,低共振分量品质因子数值大小为1-1.5;
步骤二三、根据目标函数J(WH,WL)和SALSA算法计算当前种群中每一个个体的适应度f;
步骤二四、判断个体的适应度是否达到设定的品质因子的优化精度或者遗传代数是否达到设定的最大值;如果达到品质因子的优化精度或者最大遗传代数,则获得最佳的参数矩阵X*,否则,转到步骤步骤二五;
步骤二五、根据个体的适应度,采用轮盘赌的方法选择个体,进行遗传计算,即对个体进行交叉、变异和选择,获得下一代种群,转到步骤二三。
3.根据权利要求2所述一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:所述步骤二一中分解级数jH和jL为:
确定SH,SL的分解级数jH和jL,保证基函数库的频率范围能够覆盖故障振动信号频谱;对于故障振动信号长度为N的信号,jH和jL的最大值由下式确定:
1≤jH≤jHmax,1≤jL≤jLmax;
式中,αH是高共振分量低通尺度因子,αL是低共振分量低通尺度因子,βH是高共振分量高通尺度因子,βL是低共振分量高通尺度因子,jHmax为高共振分量分解级数,jLmax是低共振分量分解级数,SH、SL为高、低共振分量的小波基函数库,[]表示不超过该数的最大正整数,根据下式计算得到rH,rL为冗余因子,N为信号长度。
4.根据权利要求3所述一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:所述步骤二四中每一个个体指的是优化参数矩阵X中四个参数QH,QL,kH,kL组成的二进制编码。
5.根据权利要求4所述一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:所述步骤二四中根据目标函数J(WH,WL)和SALSA算法计算当前种群中每一个个体的适应度f;具体公式为:
取目标函数的倒数值作为适应度函数,
6.根据权利要求5所述一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:所述品质因子的优化精度为0.0001;最大遗传代数为200。
7.根据权利要求6所述一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法,其特征在于:所述步骤三中将最佳参数矩阵X*代入自适应共振稀疏分解方法中,实现信号的共振稀疏分解,得到高共振分量和低共振分量;具体步骤为:
步骤三一、提取最佳参数矩阵X*中的参数并结合分解级数jH,jL以及冗余因子rH,rL,确定出最优小波基函数和
步骤三二、根据目标函数J(WH,WL),利用分裂增广拉格朗日收缩算法获取最优的高、低共振分量的匹配系数矩阵和
步骤三三、由和对故障振动信号进行重构,获得故障振动信号的高低共振分量分别为实现故障振动信号的共振稀疏分解,得到高共振分量和低共振分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610916137.0A CN106441871A (zh) | 2016-10-20 | 2016-10-20 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610916137.0A CN106441871A (zh) | 2016-10-20 | 2016-10-20 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106441871A true CN106441871A (zh) | 2017-02-22 |
Family
ID=58175845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610916137.0A Pending CN106441871A (zh) | 2016-10-20 | 2016-10-20 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106441871A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
CN108805059A (zh) * | 2018-05-29 | 2018-11-13 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
CN109100144A (zh) * | 2018-08-01 | 2018-12-28 | 江苏大学 | 基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法 |
CN110398364A (zh) * | 2019-07-05 | 2019-11-01 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
CN110598593A (zh) * | 2019-08-29 | 2019-12-20 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
CN111024819A (zh) * | 2019-12-23 | 2020-04-17 | 复旦大学 | 一种珠宝与首饰声共振谱仿伪方法 |
CN111638055A (zh) * | 2020-05-18 | 2020-09-08 | 东南大学 | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 |
CN111693279A (zh) * | 2020-05-22 | 2020-09-22 | 电子科技大学 | 基于mpga参数化共振稀疏分解的机械故障诊断方法 |
CN113447267A (zh) * | 2021-06-22 | 2021-09-28 | 上海电机学院 | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
CN115434872A (zh) * | 2022-08-11 | 2022-12-06 | 兰州理工大学 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN104089774A (zh) * | 2014-07-25 | 2014-10-08 | 北京工业大学 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
CN105424359A (zh) * | 2015-11-25 | 2016-03-23 | 华南理工大学 | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 |
-
2016
- 2016-10-20 CN CN201610916137.0A patent/CN106441871A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156042A (zh) * | 2011-03-18 | 2011-08-17 | 北京工业大学 | 一种基于信号多特征匹配的齿轮故障诊断方法 |
CN103728130A (zh) * | 2013-10-10 | 2014-04-16 | 西安交通大学 | 一种基于稀疏分解的风力发电机组故障特征提取方法 |
CN104089774A (zh) * | 2014-07-25 | 2014-10-08 | 北京工业大学 | 一种基于并行多字典正交匹配的齿轮故障诊断方法 |
CN105424359A (zh) * | 2015-11-25 | 2016-03-23 | 华南理工大学 | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 |
Non-Patent Citations (4)
Title |
---|
付强: "风电齿轮箱早期复合故障信息提取技术研究", 《万方学位论文》 * |
张文义 等: "齿轮箱复合故障诊断的信号共振分量能量算子解调方法", 《振动工程学报》 * |
李肖城: "滚动轴承复合故障信号检测技术研究", 《中国优秀硕士学位论文全文数据库》 * |
陈向民 等: "基于信号共振稀疏分解的包络解调方法及其在轴承故障诊断中的应用", 《振动工程学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108152033A (zh) * | 2017-12-14 | 2018-06-12 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
CN108805059B (zh) * | 2018-05-29 | 2020-04-21 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
CN108805059A (zh) * | 2018-05-29 | 2018-11-13 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
CN109100144A (zh) * | 2018-08-01 | 2018-12-28 | 江苏大学 | 基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法 |
CN109100144B (zh) * | 2018-08-01 | 2020-06-09 | 江苏大学 | 基于最佳品质因子选取的汽车轮毂轴承故障特征提取方法 |
CN110398364A (zh) * | 2019-07-05 | 2019-11-01 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
CN110398364B (zh) * | 2019-07-05 | 2021-05-18 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
CN110598593A (zh) * | 2019-08-29 | 2019-12-20 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
CN110598593B (zh) * | 2019-08-29 | 2022-03-25 | 东南大学 | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 |
CN111024819A (zh) * | 2019-12-23 | 2020-04-17 | 复旦大学 | 一种珠宝与首饰声共振谱仿伪方法 |
CN111638055A (zh) * | 2020-05-18 | 2020-09-08 | 东南大学 | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 |
CN111638055B (zh) * | 2020-05-18 | 2021-11-16 | 东南大学 | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 |
CN111693279A (zh) * | 2020-05-22 | 2020-09-22 | 电子科技大学 | 基于mpga参数化共振稀疏分解的机械故障诊断方法 |
CN113447267A (zh) * | 2021-06-22 | 2021-09-28 | 上海电机学院 | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
CN115434872A (zh) * | 2022-08-11 | 2022-12-06 | 兰州理工大学 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106441871A (zh) | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 | |
Bafroui et al. | Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions | |
Lei et al. | Fault detection of planetary gearboxes using new diagnostic parameters | |
CN110470475A (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
Xu et al. | Repetitive transient extraction for machinery fault diagnosis using multiscale fractional order entropy infogram | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN102879196A (zh) | 利用矩阵小波变换的行星齿轮箱复合故障诊断方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
CN102721537B (zh) | 基于可变空间-尺度框架的机械冲击型故障诊断方法 | |
CN108919116B (zh) | 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 | |
Zhang et al. | Detection for weak fault in planetary gear trains based on an improved maximum correlation kurtosis deconvolution | |
CN102155988A (zh) | 设备监诊方法 | |
CN104713728A (zh) | 基于多维数据驱动的大型回转支承剩余寿命在线预测方法 | |
Li et al. | A review on the signal processing methods of rotating machinery fault diagnosis | |
CN106596105A (zh) | 一种轴承故障诊断方法、装置及系统 | |
CN105277362A (zh) | 基于编码器多位转角信号的齿轮故障检测方法 | |
CN109946076B (zh) | 一种加权多尺度字典学习框架的行星轮轴承故障辨识方法 | |
Vashishtha et al. | Adaptive MOMEDA model based variational mode decomposition for Pelton wheel fault detection | |
CN116465623A (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
Hu et al. | Identification of wind turbine gearbox weak compound fault based on optimal empirical wavelet transform | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
An et al. | A Parameter‐Optimized Variational Mode Decomposition Investigation for Fault Feature Extraction of Rolling Element Bearings | |
Singh et al. | Condition monitoring of wind turbine gearbox using electrical signatures | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |