CN107505135A - 一种滚动轴承复合故障提取方法及系统 - Google Patents
一种滚动轴承复合故障提取方法及系统 Download PDFInfo
- Publication number
- CN107505135A CN107505135A CN201710695127.3A CN201710695127A CN107505135A CN 107505135 A CN107505135 A CN 107505135A CN 201710695127 A CN201710695127 A CN 201710695127A CN 107505135 A CN107505135 A CN 107505135A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- combined failure
- kurtosis
- imf
- signal
- 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
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种滚动轴承复合故障提取方法及系统。首先采用加速度传感器获取轴承故障振动信号，以变分模态分解作为振动信号升维和降噪的处理方法，得到K个IMF，以快速谱峭度图共振频带作为有效IMF(SIMFi)的筛选准则，对SIMFi进行快速谱峭度频谱滤波，通过比较包络谱与轴承故障理论计算结果，诊断出原始信号中所包含的故障类型。本发明可准确有效的诊断出复合故障组合形式，避免漏诊误诊，对机械设备运行状况的精确评估有重要价值。
Description
技术领域
本发明涉及一种滚动轴承故障冲击特征提取方法，具体涉及一种基于变分模态分解与快速谱峭度图的滚动轴承故障特征提取方法及系统。
背景技术
滚动轴承是筑路机械设备中应用最广泛的零部件之一，其运行状况影响着整个系统的工作状态，滚动轴承的故障识别与诊断对于保证机械设备安全可靠运行具有重要意义。
实际工况下，滚动轴承的故障通常表现为复合故障，且受到运行环境影响，常常出现是复合故障与复合噪源相互作用，从强背景噪声中准确提取轴承复合故障成分，才能够对机械运行状况有较为可靠的判断。
传统的频谱分析、包络分析、小波分析、形态学滤波等在处理复合故障问题时，会存在故障成分提取不彻底，造成误判和漏判等情况，对机械设备运行评估不完全。
为了解决以上问题，本发明提出了一种滚动轴承复合故障提取方法及系统，采用加速度传感器获取轴承故障振动信号，以变分模态分解作为振动信号升维和降噪的处理方法，得到K个IMF，以快速谱峭度图共振频带作为有效IMF(SIMFi)的筛选准则，对SIMFi进行快速谱峭度频谱滤波，通过比较包络谱与轴承故障理论计算结果，诊断出原始信号中所包含的故障类型，可准确有效的诊断出复合故障组合形式，避免漏诊误诊，对机械设备运行状况的精确评估有重要价值。
发明内容
本发明的目的是提供一种滚动轴承复合故障提取方法及系统，通过采用加速度传感器获取轴承故障振动信号，以变分模态分解作为振动信号升维和降噪的处理方法，得到K个IMF，以快速谱峭度图共振频带作为有效IMF(SIMFi)的筛选准则，对SIMFi进行快速谱峭度频谱滤波，通过比较包络谱与轴承故障理论计算结果，诊断出原始信号中所包含的故障类型。
本发明提供了如下方案：
一种滚动轴承复合故障提取系统，包括振动信号采集装置，振动信号分解装置，振动信号分析装置，滤波装置，故障输出装置；振动信号采集装置为振动加速传感器，用于获取轴承复合故障的振动信号并传送给振动信号分解装置和振动信号分析装置，振动信号分解装置用于对振动信号通过变分模态分解进行升维及降噪，并分解为K个IMF分量，振动信号分析装置用于对振动信号通过快速谱峭度图进行分析，得到J个共振频带，其中J小于等于K；滤波装置用于对振动信号分解装置输出的IMF分量进行滤波，故障输出装置用于对滤波后的IMF分量进行包络谱分析，通过对比理论计算所得轴承故障特征频率，得出原始信号复合故障类型。
一种滚动轴承复合故障提取方法，包括步骤：
(1)获取轴承复合故障的振动信号；
(2)对振动信号通过变分模态分解进行升维及降噪，并分解为K个IMF分量；
(3)对振动信号通过快速谱峭度图进行分析，得到J个共振频带，其中J小于等于K；
(4)选取与共振频带对应的IMF分量，命名为SIMFi；
(5)对SIMFi做快速谱峭度图滤波，得到滤波后的SIMFi；
(6)对滤波后的SIMFi进行包络谱分析，通过对比理论计算所得轴承故障特征频率，得出原始信号复合故障类型。
可选的，步骤1中轴承复合故障的振动信号，既可以是单故障振动信号，也可以多种故障组合的复合故障振动信号。
可选的，步骤2中分量个数K的选取，采用中心频率相离准则，避免由于过分解或欠分解所导致的模态混叠，其过程如下，
a、对原始信号进行频谱分析，从频谱图中估计共振频带个数k；
b、设定k为信号初始分解个数对原始信号进行变分模态分解，得到各IMF的共振频带中心频率系数O；中心频率系数乘以采样频率即可得分解所得到的k个IMF的中心频率；
c、观测中心频率：若存在混叠，则减小分解个数为k＝k-1，直至中心频率不再混叠，此时k即为最优变分模态分解个数；若不存在混叠，则增加模态分解个数k＝k+1，直至出现模态混叠，此时k-1即为最优变分模态分解个数。
可选的，步骤3以快速谱峭度图作为IMF筛选准则，以快速谱峭度图确定原始信号的共振频带个数及中心频率范围，选取频谱共振区间在此范围的IMF。
可选的，步骤5以快速谱峭度图作为频谱滤波手段，设定快速谱峭度图采用短时傅立叶变换及classical峭度值算法组合，根据快速谱峭度图所提示共振中心频率滤波，得到滤波后的SIMFi。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明的一种滚动轴承复合故障提取方法及系统，采用加速度传感器获取轴承故障振动信号，以变分模态分解作为振动信号升维和降噪的处理方法，得到K个IMF，以快速谱峭度图共振频带作为有效IMF(SIMFi)的筛选准则，对SIMFi进行快速谱峭度频谱滤波，通过比较包络谱与轴承故障理论计算结果，诊断出原始信号中所包含的故障类型，可准确有效的诊断出复合故障组合形式，避免漏诊误诊，对机械设备运行状况的精确评估有重要价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种滚动轴承复合故障提取方法及系统的结构示意图；
图2为本发明一种滚动轴承复合故障提取方法及系统的流程图；
图3为本发明一种滚动轴承复合故障提取方法及系统的实施例的时域波形图；
图4为本发明一种滚动轴承复合故障提取方法及系统的实施例的变分模态分解所得信号时域波形及频谱图；
图5为本发明一种滚动轴承复合故障提取方法及系统的实施例的由快速谱峭度选择谱峭度较大频带所对应的IMF分量图；
图6为本发明一种滚动轴承复合故障提取方法及系统的实施例的IMF分量进行快速谱峭度滤波；
图7为本发明一种滚动轴承复合故障提取方法及系统的实施例的故障类型输出图；
图中，1-振动信号采集装置，2-振动信号分解装置，3-振动信号分析装置，4-滤波装置，5-故障输出装置。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种滚动轴承复合故障提取方法及系统，通过采用加速度传感器获取轴承故障振动信号，以变分模态分解作为振动信号升维和降噪的处理方法，得到K个IMF，以快速谱峭度图共振频带作为有效IMF(SIMFi)的筛选准则，对SIMFi进行快速谱峭度频谱滤波，通过比较包络谱与轴承故障理论计算结果，诊断出原始信号中所包含的故障类型，可准确有效的诊断出复合故障组合形式，避免漏诊误诊，对机械设备运行状况的精确评估有重要价值。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
一种滚动轴承复合故障提取系统，包括振动信号采集装置(1)，振动信号分解装置(2)，振动信号分析装置(3)，滤波装置(4)，故障输出装置(5)；振动信号采集装置(1)为振动加速传感器，用于获取轴承复合故障的振动信号并传送给振动信号分解装置(2)和振动信号分析装置(3)，振动信号分解装置(2)用于对振动信号通过变分模态分解进行升维及降噪，并分解为K个IMF分量，振动信号分析装置(3)用于对振动信号通过快速谱峭度图进行分析，得到J个共振频带，其中J小于等于K；滤波装置(4)用于对振动信号分解装置(2)输出的IMF分量进行滤波，故障输出装置(5)用于对滤波后的IMF分量进行包络谱分析，通过对比理论计算所得轴承故障特征频率，得出原始信号复合故障类型。
一种滚动轴承复合故障提取方法，包括步骤：
获取轴承复合故障的振动信号；轴承复合故障的振动信号，既可以是单故障振动信号，也可以多种故障组合的复合故障振动信号；
对振动信号通过变分模态分解进行升维及降噪，并分解为K个IMF分量；分量个数K的选取，采用中心频率相离准则，避免由于过分解或欠分解所导致的模态混叠，其过程如下，a、对原始信号进行频谱分析，从频谱图中估计共振频带个数k；b、设定k作为信号初始分解个数对原始信号进行变分模态分解，得到各IMF的共振频带中心频率系数O；中心频率系数乘以采样频率即可得分解所得到的k个IMF的中心频率；c、观测中心频率：若存在混叠，则减小分解个数为k＝k-1，直至中心频率不再混叠，此时k即为最优变分模态分解个数；若不存在混叠，则增加模态分解个数k＝k+1，直至出现模态混叠，此时k-1即为最优变分模态分解个数。
对振动信号通过快速谱峭度图进行分析，得到J个共振频带，其中J小于等于K；以快速谱峭度图作为IMF筛选准则，以快速谱峭度图确定原始信号的共振频带个数及中心频率范围，选取频谱共振区间在此范围的IMF；
选取与共振频带对应的IMF分量，命名为SIMFi；
对SIMFi做快速谱峭度图滤波，得到滤波后的SIMFi；以快速谱峭度图作为频谱滤波手段，设定快速谱峭度图采用短时傅立叶变换及classical峭度值算法组合，根据快速谱峭度图所提示共振中心频率滤波，得到滤波后的SIMFi；对滤波后的SIMFi进行包络谱分析，通过对比理论计算所得轴承故障特征频率，得出原始信号复合故障类型。
为了验证该方法对强背景噪声下轴承故障分离的有效性，在QPZZ轴承故障模拟实验台上完成了滚动轴承内圈、外圈复合故障故障模拟实验，试验采用6205E轴承，使用线切割机在轴承内圈、外圈上各加工出深1.5、宽0.2mm的凹槽来模拟轴承复合故障。采用数据采集卡由安装在轴承座上的加速度传感器采集振动信号。其中采样频率12800Hz，电机转速1466r/min，轴承参数尺寸如表1所示。
表1滚动轴承参数
轴承内、外圈故障特征频率计算为：
步骤1：利用振动加速度传感器获得轴承运行过程的时域信号样本集f，其时域波形如图3所示。
步骤2：对信号样本f进行变分模态分解，得到K个IMF分量，其中K值以中心频率相离准则确定，本实验K＝3。
表2不同K值各模态分量的中心频率
K的确定过程如表2，K＝4时出现中心频率相近的模态分量(3832Hz、3916Hz)，故K＝3。
对变分模态分解所得的3个IMF分别进行频谱分析，其结果如图4所示。
步骤3：对原始信号样本f进行快速谱峭度分析，从谱峭度图中可以看出两个谱峭度值较大的频带，其中心频率分别为3000Hz、6000Hz，由此选出步骤2中IMF2及IMF3为待分析样本。
步骤4：对步骤3中所选IMF2、IMF3分别进行快速谱峭度滤波，其滤波后样本定义为BIMF1、BIMF2，如图6所示。
步骤5：对步骤4中所得BIMF1、BIMF2分别进行包络谱分析，得到的特征频率与公式(1)对比，即得故障类型。
变分模态分解(variational modedecomposition，简称VMD)整体框架是约束性变分问题，与传统的递归式EMD方法不同，其运算过程摒弃了递归筛选剥离这一信号分解方式的束缚，能够将被噪声淹没的微弱冲击信号成分分离，从而实现对轴承早期故障及微弱故障进行准确诊断。VMD具有类似于小波包的频域分割特性，相较于EMD及LMD等方法，具有更优异的分解性能。
快速谱峭度图是基于短时傅立叶变换的峭度图的概念，在时频图上计算每个频率的谱峭度值，使得谱峭度最大的f和Δf就是滤波器的最佳中心频率和带宽，其原理是将信号按照二分/三分交替进行的方式不断进行分解，然后计算每层每个频段上的谱峭度值，并用颜色深浅代表谱峭度值得大小，其频率分辨率为Δf＝2-(k+1)fs，其中fs为采样频率，谱峭度值最大的中心频率f和带宽Δf就是滤波器的最佳中心频率和带宽。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种滚动轴承复合故障提取系统，其特征在于，包括振动信号采集装置，振动信号分解装置，振动信号分析装置，滤波装置，故障输出装置；所述振动信号采集装置为振动加速传感器，用于获取轴承复合故障的振动信号并传送给所述振动信号分解装置和所述振动信号分析装置，所述振动信号分解装置用于对所述振动信号通过变分模态分解进行升维及降噪，并分解为K个IMF分量，所述振动信号分析装置用于对所述振动信号通过快速谱峭度图进行分析，得到J个共振频带，其中J小于等于K；所述滤波装置用于对所述振动信号分解装置输出的IMF分量进行滤波，所述故障输出装置用于对滤波后的所述IMF分量进行包络谱分析，通过对比理论计算所得轴承故障特征频率，得出原始信号复合故障类型。
2.一种滚动轴承复合故障提取方法，其特征在于，包括步骤：
(1)获取轴承复合故障的振动信号；
(2)对所述振动信号通过变分模态分解进行升维及降噪，并分解为K个IMF分量；
(3)对所述振动信号通过快速谱峭度图进行分析，得到J个共振频带，其中J小于等于K；
(4)选取与所述共振频带对应的IMF分量，命名为SIMFi；
(5)对所述SIMFi做快速谱峭度图滤波，得到滤波后的SIMFi；
(6)对所述滤波后的SIMFi进行包络谱分析，通过对比理论计算所得轴承故障特征频率，得出原始信号复合故障类型。
3.根据权利要求2所述的一种滚动轴承复合故障提取方法，其特征在于：步骤(1)中所述轴承复合故障的振动信号为单故障振动信号或多种故障组合的复合故障振动信号。
4.如权利要求2所述的一种滚动轴承复合故障提取方法，其特征在于：步骤(2)中分量个数K的选取，采用中心频率相离准则，避免由于过分解或欠分解所导致的模态混叠，其过程如下，
a、对所述振动信号进行频谱分析，从频谱图中估计共振频带个数k；
b、设定k为信号初始分解个数对原始信号进行变分模态分解，得到各IMF的共振频带中心频率系数O；中心频率系数乘以采样频率即可得分解所得到的k个IMF的中心频率；
c、观测中心频率：若存在混叠，则减小分解个数为k＝k-1，直至中心频率不再混叠，此时k即为最优变分模态分解个数；若不存在混叠，则增加模态分解个数k＝k+1，直至出现模态混叠，此时k-1即为最优变分模态分解个数。
5.如权利要求2所述的一种滚动轴承复合故障提取方法，其特征在于：步骤(3)以快速谱峭度图作为IMF筛选准则，以快速谱峭度图确定原始信号的共振频带个数及中心频率范围，选取频谱共振区间在此范围的IMF。
6.如权利要求2所述的一种滚动轴承复合故障提取方法，其特征在于：步骤(5)以快速谱峭度图作为频谱滤波手段，设定快速谱峭度图采用短时傅立叶变换及classical峭度值算法组合，根据快速谱峭度图所提示共振中心频率滤波，得到滤波后的SIMFi。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710695127.3A CN107505135B (zh) | 2017-08-15 | 2017-08-15 | 一种滚动轴承复合故障提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710695127.3A CN107505135B (zh) | 2017-08-15 | 2017-08-15 | 一种滚动轴承复合故障提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107505135A true CN107505135A (zh) | 2017-12-22 |
| CN107505135B CN107505135B (zh) | 2020-05-01 |
Family
ID=60690739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710695127.3A Active CN107505135B (zh) | 2017-08-15 | 2017-08-15 | 一种滚动轴承复合故障提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107505135B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
| CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
| CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
| CN109580221A (zh) * | 2018-11-30 | 2019-04-05 | 电子科技大学 | 一种机械传动振动频谱去混叠技术 |
| CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
| CN109900447A (zh) * | 2019-02-19 | 2019-06-18 | 上海交通大学 | 一种基于谐波信号分解的循环冲击振动检测方法及系统 |
| CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学（保定） | 滚动轴承复合故障确定的方法及终端设备 |
| CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
| CN110146289A (zh) * | 2019-05-28 | 2019-08-20 | 昆明理工大学 | 一种滚动轴承微弱故障特征提取方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| CN110895687A (zh) * | 2019-12-24 | 2020-03-20 | 安徽工业大学 | 一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法 |
| CN110907162A (zh) * | 2019-12-13 | 2020-03-24 | 北京天泽智云科技有限公司 | 一种变转速下无转速计的旋转机械故障特征提取方法 |
| CN111238813A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种强干扰下提取滚动轴承故障特征的方法 |
| CN111476220A (zh) * | 2020-06-03 | 2020-07-31 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种换流阀空冷器故障定位方法 |
| CN111769810A (zh) * | 2020-06-29 | 2020-10-13 | 浙江大学 | 一种基于能量峭度谱的流体机械调制频率提取方法 |
| CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN112665857A (zh) * | 2020-12-18 | 2021-04-16 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN113702038A (zh) * | 2021-08-02 | 2021-11-26 | 新黎明科技股份有限公司 | 防爆电机轴承故障诊断方法及系统 |
| CN114061956A (zh) * | 2021-11-11 | 2022-02-18 | 太原理工大学 | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 |
| CN114166507A (zh) * | 2021-11-19 | 2022-03-11 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
| CN114441174A (zh) * | 2022-02-09 | 2022-05-06 | 上海电气集团股份有限公司 | 滚动轴承复合故障的诊断方法、系统、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792528A (zh) * | 2014-01-22 | 2015-07-22 | 中国人民解放军海军工程大学 | 一种自适应最优包络解调方法 |
| CN104819766A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 基于谐噪比的包络解调频带确定方法 |
| CN106441893A (zh) * | 2016-09-22 | 2017-02-22 | 北京邮电大学 | 火车滚动轴承故障与杂质振动区分方法 |
-
2017
- 2017-08-15 CN CN201710695127.3A patent/CN107505135B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792528A (zh) * | 2014-01-22 | 2015-07-22 | 中国人民解放军海军工程大学 | 一种自适应最优包络解调方法 |
| CN104819766A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 基于谐噪比的包络解调频带确定方法 |
| CN106441893A (zh) * | 2016-09-22 | 2017-02-22 | 北京邮电大学 | 火车滚动轴承故障与杂质振动区分方法 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
| CN108195587B (zh) * | 2018-02-12 | 2023-08-25 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
| CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
| CN108845250A (zh) * | 2018-06-01 | 2018-11-20 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
| CN108845250B (zh) * | 2018-06-01 | 2021-06-29 | 国网江苏省电力有限公司南京供电分公司 | 基于振动信号特征提取的有载分接开关故障识别方法 |
| CN109580221A (zh) * | 2018-11-30 | 2019-04-05 | 电子科技大学 | 一种机械传动振动频谱去混叠技术 |
| CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
| CN109900447A (zh) * | 2019-02-19 | 2019-06-18 | 上海交通大学 | 一种基于谐波信号分解的循环冲击振动检测方法及系统 |
| CN109900447B (zh) * | 2019-02-19 | 2020-07-14 | 上海交通大学 | 一种基于谐波信号分解的循环冲击振动检测方法及系统 |
| CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学（保定） | 滚动轴承复合故障确定的方法及终端设备 |
| CN110082436A (zh) * | 2019-04-25 | 2019-08-02 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
| CN110082436B (zh) * | 2019-04-25 | 2022-01-11 | 电子科技大学 | 一种基于变分模态的高提离电磁超声信号消噪方法 |
| CN110146289A (zh) * | 2019-05-28 | 2019-08-20 | 昆明理工大学 | 一种滚动轴承微弱故障特征提取方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| CN110907162A (zh) * | 2019-12-13 | 2020-03-24 | 北京天泽智云科技有限公司 | 一种变转速下无转速计的旋转机械故障特征提取方法 |
| CN110907162B (zh) * | 2019-12-13 | 2021-10-15 | 北京天泽智云科技有限公司 | 一种变转速下无转速计的旋转机械故障特征提取方法 |
| CN110895687A (zh) * | 2019-12-24 | 2020-03-20 | 安徽工业大学 | 一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法 |
| CN110895687B (zh) * | 2019-12-24 | 2023-04-07 | 安徽工业大学 | 一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法 |
| CN111238813A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种强干扰下提取滚动轴承故障特征的方法 |
| CN111238813B (zh) * | 2020-01-19 | 2021-05-07 | 西安交通大学 | 一种强干扰下提取滚动轴承故障特征的方法 |
| CN111476220A (zh) * | 2020-06-03 | 2020-07-31 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种换流阀空冷器故障定位方法 |
| CN111769810A (zh) * | 2020-06-29 | 2020-10-13 | 浙江大学 | 一种基于能量峭度谱的流体机械调制频率提取方法 |
| CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN112665857A (zh) * | 2020-12-18 | 2021-04-16 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN112665857B (zh) * | 2020-12-18 | 2024-02-06 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN113702038A (zh) * | 2021-08-02 | 2021-11-26 | 新黎明科技股份有限公司 | 防爆电机轴承故障诊断方法及系统 |
| CN114061956A (zh) * | 2021-11-11 | 2022-02-18 | 太原理工大学 | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 |
| CN114061956B (zh) * | 2021-11-11 | 2023-08-04 | 太原理工大学 | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 |
| CN114166507A (zh) * | 2021-11-19 | 2022-03-11 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
| CN114166507B (zh) * | 2021-11-19 | 2024-04-12 | 郑州恩普特科技股份有限公司 | 一种基于快速谱峭度的谐波识别方法 |
| CN114441174A (zh) * | 2022-02-09 | 2022-05-06 | 上海电气集团股份有限公司 | 滚动轴承复合故障的诊断方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107505135B (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107505135A (zh) | 一种滚动轴承复合故障提取方法及系统 | |
| Wang et al. | Feature extraction of rolling bearing’s early weak fault based on EEMD and tunable Q-factor wavelet transform | |
| Jiao et al. | Hierarchical discriminating sparse coding for weak fault feature extraction of rolling bearings | |
| Lei et al. | Application of an improved kurtogram method for fault diagnosis of rolling element bearings | |
| CN103499445B (zh) | 一种基于时频切片分析的滚动轴承故障诊断方法 | |
| 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 | |
| CN108647667B (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
| CN106908241A (zh) | 一种基于lmd与小波去噪相结合的轴承故障判别方法 | |
| CN106053080B (zh) | 基于能量切片小波变换的滚动轴承故障特征提取方法 | |
| CN104316323B (zh) | 基于周期靶向的最优共振频带确定方法 | |
| CN104931197A (zh) | 基于eemd的自动平衡机振动信号处理方法 | |
| CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
| CN109799090B (zh) | 采用频带3分区的经验小波变换的轴承特征频率提取方法 | |
| 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 | |
| CN109238717A (zh) | 一种基于vmd-omeda的齿轮箱复合故障诊断方法 | |
| Dziedziech et al. | A novel method for speed recovery from vibration signal under highly non-stationary conditions | |
| CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
| CN106383028A (zh) | 一种齿轮箱故障的诊断方法 | |
| Huang et al. | Feature extraction for rolling element bearing faults using resonance sparse signal decomposition | |
| JPH11124097A (ja) | 加速度センサを備えた乗物、特にヘリコプターの伝動組立体の監視方法 | |
| CN108593293B (zh) | 一种适用于提取轴承故障特征的自适应滤波方法 | |
| CN109596354A (zh) | 基于自适应共振频带识别的带通滤波方法 | |
| CN105910701B (zh) | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 | |
| CN105512369B (zh) | 基于阶次谱的Vold-Kalman滤波带宽优选方法 | |
| CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191114 Address after: 071000 Hebei city in Baoding province where the district distribution of Road No. 48 Applicant after: Hebei Construction Group Zhuocheng Road & Bridge Engineering Co., Ltd. Applicant after: North China Electric Power University (Baoding) Applicant after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD. Address before: 071000 Hebei city in Baoding province where the district distribution of Road No. 48 Applicant before: Hebei Construction Group Zhuocheng Road & Bridge Engineering Co., Ltd. Applicant before: North China Electric Power University (Baoding) |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |