CN107025348B - 航空发动机转子早期积液故障识别方法 - Google Patents

航空发动机转子早期积液故障识别方法 Download PDF

Info

Publication number
CN107025348B
CN107025348B CN201710230773.2A CN201710230773A CN107025348B CN 107025348 B CN107025348 B CN 107025348B CN 201710230773 A CN201710230773 A CN 201710230773A CN 107025348 B CN107025348 B CN 107025348B
Authority
CN
China
Prior art keywords
rotor
amplitude
area
identified
healthy
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
Application number
CN201710230773.2A
Other languages
English (en)
Other versions
CN107025348A (zh
Inventor
王俨剀
廖明夫
史鲁杰
邓炜坤
张铮
王鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201710230773.2A priority Critical patent/CN107025348B/zh
Publication of CN107025348A publication Critical patent/CN107025348A/zh
Application granted granted Critical
Publication of CN107025348B publication Critical patent/CN107025348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/15Vehicle, aircraft or watercraft design
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种航空发动机转子早期积液故障识别方法,能够简单有效的识别航空发动机转子早期积液故障,并与不平衡故障作区分。本发明将积液故障与健康幅频特性曲线积分面积的差值作为识别特征。在峰值点前,积液故障的幅值高于健康,峰值点后,低于健康;不平衡故障在峰值点前后幅值较健康的高低关系固定,不会出现一边高于健康,一边低于健康的情况。通过积液转子幅频特性线的积分面积与健康转子的积分面积之差,在左右积分区域将有明显的符号区别的特点判定积液故障。该特征航空发动机转子积液故障独有。能有效将其与航空发动机不平衡故障区别开来。本发明能够简单有效地识别航空发动机转子积液故障,具有推广使用方便和可信度高的特点。

Description

航空发动机转子早期积液故障识别方法
技术领域
本发明涉及一种航空发动机转子早期积液故障的识别方法,属于发动机故障诊断领域。
背景技术
为追求高推重比,航空发动机的转子皆为盘腔结构,在研制与实际运转时,由于设计不当或工作不当,常有盘腔积液现象发生。滑油一旦进入盘腔,将与转子形成流固耦合。积液达到一定条件,将导致转子失稳。此时,将产生一略低于临界转速的共振频带。转子进入失稳区时振动状态难以控制,危险性极大。因此需要找寻方法在转子未进入失稳区时识别积液故障。
现有的研究大多集中于积液的黏性对于转子涡动频率,失稳区的影响及该故障模型的刻画:张文等描述了实验中部分充液转子系统在失稳过程中的动力特性,并给出了部分充液转子系统失稳的判据。Derenyaev证明了在充液转子系统中可能发生Andronf-Hopf叉。Dosaev给出了一种针对含有粘性液体的中空实体的离散动力学模型。祝长生等在积液转子振动方面也做了大量的研究工作,先后在粘性流体稳定性分析、三维流体分析、悬臂柔性转子系统稳定性分析等方面做了深入探讨,得到了二维模型下,旋转流体对转子作用力的表达式,并提出了一种简单的无粘流体三维模型,给出了旋转流体对转子作用力的详细表达式,但仅限于分析无外阻尼或外阻尼小的部分充液转子系统的稳定性问题。在如何识别积液故障方面,缺少一种简单有效的识别方法能在积液早期监测出积液故障。
困难在于,未进入失稳区时,转子积液故障与不平衡故障振动特征高度相似,都以旋转基频为主,目前尚无相关方法提出如何在非失稳区识别出转子早期积液故障。西北工业大学的张铮其2016年的硕士学位论文《航空发动机盘腔积液理论实用性研究》中,通过实验研究了在不同积液量与不同不平衡量下的转子振动特点,讨论了小积液量下转子的振动特性,但却并未对这种特点进行深入分析,并未提出用于识别转子早期积液故障的方法。
发明内容
为克服现有技术中存在的缺少一种简单有效的早期监测出积液故障方法的不足,本发明提出了一种航空发动机转子早期积液故障识别方法。
本发明的具体过程是:
步骤1,建立识别基准。
所述的识别基准是航空发动机健康转子从400rpm加速至一阶临界转速,再从一阶临界转速减速至400rpm的过程中的振动数据。
步骤2,待识别转子数据振动样本采集。
对于待识别转子,选取其从从400rpm加速至一阶临界转速,再从一阶临界转速减速至400rpm的过程中的振动数据。记录振动数据,得到1组待识别转子的振动数据。
步骤3,绘制幅频特性曲线。
根据待识别转子振动数据与健康转子振动数据,绘制待识别转子的幅频特性曲线与健康转子的幅频特性曲线。
绘制待识别转子的幅频特性曲线与健康转子的幅频特性曲线时,对待识别转子振动数据和健康转子振动数据,都进行FFT处理,提取转速与振动幅值。将所述的转速与振动幅值关系通过幅频特性曲线表示,得到待识别转子幅频特性曲线与健康转子幅频特性曲线。
步骤4,计算各个分区上待识别转子与健康转子的积分面积差。
对于待识别转子幅频特性曲线与健康转子幅频特性曲线,分区进行面积积分,并计算各个分区上待识别转子与健康转子的积分面积差。
所述分区进行面积积分时,将得到的待识别转子幅频特性曲线与健康转子幅频特性曲线以临界转速前后的两个半功率点为界,分为左半积分区域和右半积分区域两个积分区域。左半积分区域从低转速状态到临界转速前的半功率点处。右半积分区域从临界转速后的半功率点到曲线最大转速处。半功率点定义是某个频率点对应幅值等于最大幅值的0.707倍时,这个点为半功率点。此时功率比等于幅值比的平方。
在计算各个积分区域上待识别转子与健康转子的积分面积差时,分别在所述左半积分区域与所述右半积分区域上进行面积积分,分别得到待识别转子左半积分区域的积分面积与右半积分区域的积分面积,以及健康转子左半积分区域的积分面积与右半积分区域的积分面积。分别在左半积分区域与右半积分区域上,用待识别转子的积分面积减去健康转子的积分面积,得到左半积分区域的积分面积差与右半积分区域的积分面积差。
步骤5,判定积液故障。
通过对步骤4中的面积差的计算结果结果进行符号识别:对左半积分区域的面积差进行符号函数处理,若处理结果为正,记为1;反之即为-1。对右半积分区域的面积差进行符号函数处理,若处理结果为正,记为1;反之即为-1。
根据得到的处理结果进行积液识别:将左半积分区域的处理结果与右半积分区域的处理结果相乘,若乘积为1,待识别转子为不平衡故障;若该乘积=-1,待识别转子为积液故障。
至此,完成了对航空发动机转子早期积液故障的识别。
本发明能够简单有效的识别航空发动机转子早期积液故障,并与不平衡故障作区分。
步骤4中,将积液故障与健康幅频特性曲线积分面积的差值作为识别特征,见附图2。从图2中可以直观看出,在峰值点前,积液故障的幅值高于健康,峰值点后,低于健康;不平衡故障在峰值点前后幅值较健康的高低关系固定,不会出现一边高于健康,一边低于健康的情况。对其进行面积积分,则积液转子幅频特性线的积分面积与健康转子的积分面积之差,在左右积分区域将有明显的符号区别,不平衡故障不具有这一区别。该特征航空发动机转子积液故障独有。能有效将其与航空发动机不平衡故障区别开来。
本发明实际运用过程中,选用临界转速前的半功率点与临界转速后的半功率点作为面积积分的分界点,能够有效避免过临界时因为转子在临界停留时间不一致导致所取峰值点并非最大振动状态,影响面积积分结果的情况。对于每个转子而言,半功率点的振动数据是能准确采集到的。
本发明提出了一种航空发动机转子积液故障识别的流程,包括建立识别基准、待识别转子数据采集、健康转子幅频特性曲线与待识别转子样本幅频特性曲线的面积积分、对于积分面积的差值及符号识别等步骤。
本发明提出了作为航空发动机转子积液的一种识别特征——积液转子与健康转子幅频特性线积分面积差的正负性,能有效与不平衡故障做区分。以一阶临界转速为分界点,以左、右半功率点为积分边界,与健康转子在这两面积积分区域内的积分面积相比,积液转子幅频特性曲线积分面积呈现一边大于健康转子,一边小于健康转子的情况一边大于健康转子,一边小于健康转子的情况。以两边积液转子与健康转子的积分面积差的正负作为判据:对于每组振动数据,若左半积分区域的面积差符号识别结果与右半积分区域面积差符号识别结果的乘积=1,为不平衡故障;若该乘积=-1,为积液故障。
与现有技术相比较,本发明能够简单有效地识别航空发动机转子积液故障,因为:
1.一台发动机从研制、定型生产到返厂维修,本发明所述的健康幅频曲线在发动机不同寿命阶段都容易获取且记录在案。以该台发动机出厂前经过各项检测的健康转子的振动数据作为识别基准,工程上方便推广。且不用反复录入。
2.本发明所述积液故障识别特征可信度高:积分面积差,是累加项,能够有效避免局部奇异点的情况,通过面积积分,能清晰定量反映出积液故障与不平衡故障在左半积分区域和右半积分区域的差异。与易与其混淆的不平衡故障相比,本发明提出积液故障的识别规则是积液故障具有独到之处,见附图2。并且简单方便,作为工程识别的标准清楚明了,易于推广。
附图说明
附图1为该方法的识别流程。
附图2a为健康转子与盘腔积液转子故障的对比;1代表盘腔积液故障转子的幅频特性曲线,2代表无故障的健康转子的幅频特性曲线,3表示临界转速的分界线;可以看出,临界转速前,1高于3,临界转速后,1低于3。说明临界转速前后,盘腔积液故障转子的幅频特性曲线与健康转子的幅频特性曲线的幅值的高低关系是相反的。
附图2b为健康转子与不平衡故障转子的对比;1代表不平衡故障转子的幅频特性曲线,2代表无故障的健康转子的幅频特性曲线,3表示临界转速的分界线。可以看出,临界转速前,1低于3,临界转速后,1低于3。说明临界转速前后,不平衡故障转子的幅频特性曲线与健康转子的幅频特性曲线的幅值的高低关系是相同的。
附图3a为所述有益效果2的实验中,待识别转子1与健康转子幅频特性曲线图,1表示待识别转子幅频特性曲线,7代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子1的幅频特性曲线的面积积分,并计算积分面积差。
附图3b为所述有益效果2的实验中,待识别转子2与健康转子幅频特性曲线图,2表示待识别转子幅频特性曲线,7代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子2的幅频特性曲线的面积积分,并计算积分面积差。
附图3c为所述有益效果2的实验中,待识别转子3与健康转子幅频特性曲线图,3表示待识别转子幅频特性曲线,7代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子3的幅频特性曲线的面积积分,并计算积分面积差。
附图3d为所述有益效果2的实验中,待识别转子4与健康转子幅频特性曲线图,4表示待识别转子幅频特性曲线,7代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子4的幅频特性曲线的面积积分,并计算积分面积差。
附图3e为所述有益效果2的实验中,待识别转子5与健康转子幅频特性曲线图,5表示待识别转子幅频特性曲线,7代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子5的幅频特性曲线的面积积分,并计算积分面积差。
附图3f为所述有益效果2的实验中,待识别转子6与健康转子幅频特性曲线图,6表示待识别转子的幅频特性曲线,7代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子6的幅频特性曲线的面积积分,并计算积分面积差。
附图4为实施例中待识别转子与健康转子幅频特性曲线图,1表示待识别转子幅频特性曲线,2代表健康转子幅频特性曲线。根据该图计算健康转子与待识别转子的幅频特性曲线的面积积分,并计算积分面积差。
具体实施方式
本实施例是一种用于识别某型航空发动机转子早期积液故障的方法,具体过程是:
步骤1,建立识别基准。
所述的识别基准是航空发动机健康转子从400rpm加速至一阶临界转速,再从一阶临界转速减速至400rpm的过程中的振动数据。
步骤2,待识别转子数据振动样本采集。
对于待识别转子,选取其从从400rpm加速至一阶临界转速,再从一阶临界转速减速至400rpm的过程中的振动数据。记录振动数据,得到1组待识别转子的振动数据。
步骤3,绘制幅频特性曲线。
根据待识别转子振动数据与健康转子振动数据,绘制待识别转子的幅频特性曲线与健康转子的幅频特性曲线。具体做法如下:
对待识别转子振动数据和健康转子振动数据,都进行FFT处理,提取转速与振动幅值。将所述的转速与振动幅值关系通过幅频特性曲线表示,得到待识别转子幅频特性曲线与健康转子幅频特性曲线,见附图4。
步骤4,计算各个分区上待识别转子与健康转子的积分面积差。
对于待识别转子幅频特性曲线与健康转子幅频特性曲线,分区进行面积积分,并计算各个分区上待识别转子与健康转子的积分面积差。
左半积分区域与右半积分区域的分区方法如下:
以临界转速前后的两个半功率点为界,分为左半积分区域和右半积分区域两个积分区域。左半积分区域从低转速状态到临界转速前的半功率点处。右半积分区域从临界转速后的半功率点到曲线最大转速处。半功率点定义是某个频率点对应幅值等于最大幅值的0.707倍时,这个点为半功率点。此时功率比等于幅值比的平方。
根据幅频特性曲线,对待识别转子幅频特性曲线与健康转子幅频特性曲线,都分成左半积分区域与右半积分区域,然后都分别在左半积分区域与右半积分区域上进行面积积分。得到待识别转子左半积分区域的积分面积与右半积分区域的积分面积,得到健康转子左半积分区域的积分面积与右半积分区域的积分面积。并分别在左半积分区域与右半积分区域上,用待识别转子的积分面积减去健康转子的积分面积,得到左半积分区域的积分面积差与右半积分区域的积分面积差。
面积差的计算结果为:左半积分区域的积分面积差为159.0。右半积分区域的积分面积差为-194。
步骤5,判定积液故障。
通过对步骤4中面积差的计算结果结果进行符号识别,对左半积分区域的面积差取符号函数得到,左半积分区域的积分面积差159.0的符号为正,记为1。对右半积分区域的面积差取符号函数得到,右半积分区域的积分面积差-194的符号为负,记为-1。
积液的识别规则为:对于每组振动数据,若左半积分区域的面积差符号识别结果与右半积分区域面积差符号识别结果的乘积=1,为不平衡故障;若该乘积=-1,为积液故障。
按照积液的识别规则,所述待识别转子左半积分区域的面积差符号识别结果与右半积分区域面积差符号识别结果的乘积=-1,为积液故障。
至此,完成了对航空发动机转子早期积液故障的识别。
为验证判定结果是否准确,将转子进行拆卸查看,识别结果正确,待识别转子确实为积液转子。
本发明从表1所示的不同不平衡量下、转子盘腔中注入不同油液量时的待识别转子的振动数据中选出六组作为识别对象,采用本发明提出的方法进行早期积液故障的识别,分别得到各组的面积差,如表2所示。
表1待识别转子试验组别设置
Figure BDA0001266577020000071
表2面积差
Figure BDA0001266577020000072
对各组的面积差进行符号函数处理后,根据早期积液故障识别规则,得出对1~6组待识别转子的识别结果,见表3。
表3识别结果表
组别 1 2 3 4 5 6
符号函数处理结果 -1 -1 -1 1 1 1
识别结果 积液 积液 积液 不平衡 不平衡 不平衡
为验证判定结果是否准确,对各转子进行拆卸查看,识别结果正确。

Claims (3)

1.一种航空发动机转子早期积液故障识别方法,其特征在于,具体过程是:
步骤1,建立识别基准:
所述的识别基准是航空发动机健康转子从400rpm加速至一阶临界转速,再从一阶临界转速减速至400rpm的过程中的振动数据;
步骤2,待识别转子数据振动样本采集:
对于待识别转子,选取其从400rpm加速至一阶临界转速,再从一阶临界转速减速至400rpm的过程中的振动数据;记录振动数据,得到1组待识别转子的振动数据;
步骤3,绘制幅频特性曲线:
根据待识别转子振动数据与健康转子振动数据,绘制待识别转子的幅频特性曲线与健康转子的幅频特性曲线;
步骤4,计算各个分区上待识别转子与健康转子的积分面积差:
对于待识别转子幅频特性曲线与健康转子幅频特性曲线,分区进行面积积分,并计算各个分区上待识别转子与健康转子的积分面积差;
所述分区进行面积积分时,将得到的待识别转子幅频特性曲线与健康转子幅频特性曲线以临界转速前后的两个半功率点为界,分为左半积分区域和右半积分区域两个积分区域;左半积分区域从低转速状态到临界转速前的半功率点处;右半积分区域从临界转速后的半功率点到曲线最大转速处;半功率点定义是某个频率点对应幅值等于最大幅值的0.707倍时,这个点为半功率点;此时功率比等于幅值比的平方;
步骤5,判定积液故障:
通过对步骤4中的面积差的计算结果进行符号识别:对左半积分区域的面积差进行符号函数处理,若处理结果为正,记为1;反之即为-1;对右半积分区域的面积差进行符号函数处理,若处理结果为正,记为1;反之即为-1;
根据得到的处理结果进行积液识别:将左半积分区域的处理结果与右半积分区域的处理结果相乘,若乘积为1,待识别转子为不平衡故障;若该乘积=-1,待识别转子为积液故障;至此,完成了对航空发动机转子早期积液故障的识别。
2.如权利要求1所述航空发动机转子早期积液故障识别方法,其特征在于,所述绘制待识别转子的幅频特性曲线与健康转子的幅频特性曲线时,对待识别转子振动数据和健康转子振动数据,都进行FFT处理,提取转速与振动幅值;将所述的转速与振动幅值关系通过幅频特性曲线表示,得到待识别转子幅频特性曲线与健康转子幅频特性曲线。
3.如权利要求1所述航空发动机转子早期积液故障识别方法,其特征在于,在计算各个积分区域上待识别转子与健康转子的积分面积差时,分别在所述左半积分区域与所述右半积分区域上进行面积积分,分别得到待识别转子左半积分区域的积分面积与右半积分区域的积分面积,以及健康转子左半积分区域的积分面积与右半积分区域的积分面积;分别在左半积分区域与右半积分区域上,用待识别转子的积分面积减去健康转子的积分面积,得到左半积分区域的积分面积差与右半积分区域的积分面积差。
CN201710230773.2A 2017-04-11 2017-04-11 航空发动机转子早期积液故障识别方法 Active CN107025348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710230773.2A CN107025348B (zh) 2017-04-11 2017-04-11 航空发动机转子早期积液故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710230773.2A CN107025348B (zh) 2017-04-11 2017-04-11 航空发动机转子早期积液故障识别方法

Publications (2)

Publication Number Publication Date
CN107025348A CN107025348A (zh) 2017-08-08
CN107025348B true CN107025348B (zh) 2020-04-03

Family

ID=59526897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710230773.2A Active CN107025348B (zh) 2017-04-11 2017-04-11 航空发动机转子早期积液故障识别方法

Country Status (1)

Country Link
CN (1) CN107025348B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109813540B (zh) * 2019-01-30 2021-05-18 西北工业大学 避免航空发动机盘腔积液失稳转子的设计及监测运行方法
CN117609749B (zh) * 2024-01-19 2024-04-02 中国航发四川燃气涡轮研究院 一种基于过临界特征的发动机整机振动故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8561463B2 (en) * 2009-08-20 2013-10-22 Schenck Rotec Gmbh Method for the automatic detection and identification of errors in a balancing machine
CN103821567A (zh) * 2014-01-23 2014-05-28 西北工业大学 一种航空发动机高压转子结构动力学设计方法
CN103912315A (zh) * 2014-04-14 2014-07-09 西北工业大学 一种航空发动机转子结构动力学的设计方法
CN104215395A (zh) * 2014-09-09 2014-12-17 中国石油大学(北京) 一种转子不平衡故障的检测方法及装置
CN105509965A (zh) * 2015-11-26 2016-04-20 江南大学 一种针对旋转机械构造异常为不平衡的特征参量模型

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8561463B2 (en) * 2009-08-20 2013-10-22 Schenck Rotec Gmbh Method for the automatic detection and identification of errors in a balancing machine
CN103821567A (zh) * 2014-01-23 2014-05-28 西北工业大学 一种航空发动机高压转子结构动力学设计方法
CN103912315A (zh) * 2014-04-14 2014-07-09 西北工业大学 一种航空发动机转子结构动力学的设计方法
CN104215395A (zh) * 2014-09-09 2014-12-17 中国石油大学(北京) 一种转子不平衡故障的检测方法及装置
CN105509965A (zh) * 2015-11-26 2016-04-20 江南大学 一种针对旋转机械构造异常为不平衡的特征参量模型

Also Published As

Publication number Publication date
CN107025348A (zh) 2017-08-08

Similar Documents

Publication Publication Date Title
Borghesani et al. The relationship between kurtosis-and envelope-based indexes for the diagnostic of rolling element bearings
Bediaga et al. Ball bearing damage detection using traditional signal processing algorithms
CN110135492B (zh) 基于多高斯模型的设备故障诊断与异常检测方法及系统
Yan et al. Energy-based feature extraction for defect diagnosis in rotary machines
CN107631867A (zh) 一种基于深度学习的旋转机械故障智能分类方法
He et al. Data mining based full ceramic bearing fault diagnostic system using AE sensors
CN108195584B (zh) 一种基于准确度谱图的滚动轴承故障诊断方法
CN105866250B (zh) 基于振动的通风机叶片裂纹识别方法
US9657588B2 (en) Methods and systems to monitor health of rotor blades
CN101603854A (zh) 旋转机械启停阶段非平稳振动信号瞬时频率估计算法
Gowid et al. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems
CN107025348B (zh) 航空发动机转子早期积液故障识别方法
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
Drozdowski et al. Experimental and numerical investigation of the nonlinear vibrational behavior of steam turbine last stage blades with friction bolt damping elements
CN104111154A (zh) 风力发电机组的振动趋势分析方法和振动趋势分析系统
Zhao et al. Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique
CN102721462A (zh) 旋转机械启停车过程波德图/奈奎斯特图的快速计算方法
CN112541160A (zh) 一种旋转机械振动故障诊断相关特征提取方法
US20150184533A1 (en) Methods and systems to monitor health of rotor blades
CN104391046B (zh) 基于声发射的滚动轴承最优润滑脂量确定方法
Aditiya et al. Fault diagnosis system of rotating machines using Hidden Markov Model (HMM)
Hamadache et al. Improving signal-to-noise ratio (SNR) for inchoate fault detection based on principal component analysis (PCA)
Doguer et al. New time domain method for the detection of roller bearing defects
Thanagasundram et al. Autoregressive based diagnostics scheme for detection of bearing faults
Unal et al. Fault diagnosis of rolling bearing based on feature extraction and neural network algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant