CN108036940A - 一种轴承故障诊断方法 - Google Patents

一种轴承故障诊断方法 Download PDF

Info

Publication number
CN108036940A
CN108036940A CN201711261692.5A CN201711261692A CN108036940A CN 108036940 A CN108036940 A CN 108036940A CN 201711261692 A CN201711261692 A CN 201711261692A CN 108036940 A CN108036940 A CN 108036940A
Authority
CN
China
Prior art keywords
mrow
sample data
mfrac
bearing
munderover
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
Application number
CN201711261692.5A
Other languages
English (en)
Inventor
安学利
潘罗平
赵明浩
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN201711261692.5A priority Critical patent/CN108036940A/zh
Publication of CN108036940A publication Critical patent/CN108036940A/zh
Pending legal-status Critical Current

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)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种轴承故障诊断方法，其特征在于包括以下步骤：1)获取风力发电机组主轴轴承不同状态下的多组振动加速度信号数据，随机抽取若干组作为标准样本数据，其余各组作为待检测样本数据；2)对标准样本数据和待检测样本数据进行自适应分解，得到一系列固有旋转分量；3)对标准样本数据和待检测样本数据中第一个固有旋转分量的瞬时幅值和瞬时相位信息进行时域分析，并提取轴承故障特征向量；4)将提取的标准样本数据的故障特征向量输入邻近距离分类器进行训练，得到训练好的故障诊断模型；5)将提取的待检测样本数据的轴承故障特征向量输入训练好的故障诊断模型进行故障识别，得到轴承的故障状态。本发明可以广泛应用于轴承故障诊断中。

Description

一种轴承故障诊断方法
技术领域
本发明涉及设备故障诊断技术领域，特别是关于一种轴承故障诊断方法。
背景技术
风能作为最具规模开发潜力的可再生新能源，近年来发展十分迅猛。由于风电机组的运行环境较为恶劣，随着机组累计运行时间的增加，机组部件极易出现故障。因此，有必要对风力发电机组进行在线监测，以便及时地掌握机组运行状态，确保安全稳定运行。在风电机组故障中，轴承故障占很高的比例，其振动信号非常复杂。
当滚动轴承发生故障时，其振动信号具有非平稳性。由于时频分析方法能同时提供振动信号在时域和频域的局部化信息，因此可以对轴承故障信号进行分析。常用的时频分析方法包括窗口傅里叶变换、Wigner分布、小波变换和EMD等方法，但是这些方法存在一些局限性。窗口傅里叶变换的时频窗口大小是固定不变的，Wigner分布对多分量信号进行分析时会产生交叉项。小波变换虽然具有可变的时频窗口，但它不是一种自适应的信号处理方法。EMD能自适应地将复杂的多分量信号分解为若干个IMF(Intrinsic modefunction)分量之和，但该方法存在过包络、欠包络、模态混淆、端点效应及和分解速度慢等问题。
固有时间尺度分解(ITD)是Frei和Osorio提出信号处理方法，它将复杂的非平稳、非线性信号分解成若干个固有旋转分量(proper rotation component)，能够准确地提取非平稳信号的动态特性，有较高的拆解效率和频率分辨率，适合实时分析处理大量具有时变特性的非平稳信号。由于ITD没有插值和筛选过程，它获得的瞬时幅值和瞬时相位能实时反映信号的时频信息。
发明内容
针对上述问题，本发明的目的是提供一种轴承故障诊断方法，能够准确地诊断出风力发电机组轴承故障，且具有很高的计算效率。
为实现上述目的，本发明采取以下技术方案：一种轴承故障诊断方法，其特征在于包括以下步骤：1)获取风力发电机组主轴轴承不同状态下的多组振动加速度信号数据，随机抽取若干组作为标准样本数据，其余各组作为待检测样本数据；2)对标准样本数据和待检测样本数据进行自适应分解，得到一系列具有不同特征尺度的固有旋转分量；3)对标准样本数据和待检测样本数据中第一个高频固有旋转分量的瞬时幅值和瞬时相位信息进行时域分析，并提取轴承故障特征向量；4)将提取的标准样本数据的故障特征向量输入邻近距离分类器进行训练，得到训练好的故障诊断模型；5)将提取的待检测样本数据的轴承故障特征向量输入训练好的故障诊断模型进行故障识别，得到该轴承的故障状态。
所述步骤3)中，对固有旋转分量的瞬时幅值和瞬时相位信息进行时域分析，是指计算得到其瞬时幅值和瞬时相位的特征信息，其中，瞬时幅值的特征用峰峰值、峰值指标和标准偏差表示，瞬时相位的特征用峭度指标表示。
所述峰峰值、峰值指标、标准偏差和峭度指标的计算公式分别为：
峰峰值up：
峰值指标CF：
标准偏差ustd：
峭度指标Ku：
式中，u(i)为振动信号时间序列，其中i＝1～N；N为信号采样点数。
本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用固有时间尺度分解(Intrinsic Time-scale Decomposition，ITD)方法对复杂的风电机组轴承故障振动加速度信号进行有效分解，得到若干个固有旋转分量。然后，对含有明显周期性冲击成分的固有旋转分量的瞬时幅值和瞬时相位进行时域分析，得到轴承故障特征向量。最后，将特征向量输入邻近距离分类器，识别风力发电机组轴承故障。而不需要像采用小波变换方法和小波包方法那样，预先选择信号的分解层数和基函数，因此本发明能够根据轴承振动信号的自身特性对轴承故障特征进行自适应提取和高效率计算，从而有效减少提取动态特征时人为因素的干扰，提高故障特征提取的准确性。2、本发明由于采用固有时间尺度分解方法对振动信号进行分解，它能够准确地提取非平稳信号的动态特性，适合分析具有时变谱的非平稳信号；该方法不用样条插值，没有筛选过程，信号分解速度明显高于EMD方法，可以实时处理大量数据。3、本发明利用固有旋转分量的瞬时信息(瞬时幅值和瞬时相位)的时域特征的变化来反映滚动轴承运行状态的变化情况，能够识别轴承是否发生故障。基于以上优点，本发明可以广泛应用于机组设备运行保障领域。
附图说明
图1是本发明轴承故障诊断方法流程图；
图2(a)是正常运行状态下风力发电机组主轴承振动加速度信号及其前4个旋转分量示意图；
图2(b)是外圈故障状态下风力发电机组主轴承振动加速度信号及其前4个旋转分量示意图；
图2(c)是内圈故障状态下风力发电机组主轴承振动加速度信号及其前4个旋转分量示意图；
图2(d)是滚动体故障状态下风力发电机组主轴承振动加速度信号及其前4个旋转分量示意图；
图3(a)是正常运行状态下振动加速度信号第一个旋转分量的瞬时幅值、瞬时相位示意图；
图3(b)是外圈故障状态下振动加速度信号第一个旋转分量的瞬时幅值、瞬时相位示意图；
图3(c)是内圈故障状态下振动加速度信号第一个旋转分量的瞬时幅值、瞬时相位示意图；
图3(d)是滚动体故障状态下振动加速度信号第一个旋转分量的瞬时幅值、瞬时相位示意图。
具体实施方式
下面结合附图和实施例对本发明的进行详细的描述。
如图1所示，本发明提供的一种轴承故障诊断方法，包括以下步骤：
1)获取风力发电机组主轴轴承不同状态下的多组振动加速度信号数据，随机抽取若干组作为标准样本数据，其余各组作为待检测样本数据。
由于风况和滚子轴承固有特征影响，当风力发电机组滚子轴承发生故障时，其振动信号通常含有复杂的调制成分。本发明采用实际风电机组经常采用的调心滚子轴承作为主轴实验轴承，通过对直驱风力发电机组主轴轴承经常发生的故障，包括外圈、内圈和滚动体故障，并对轴承正常运行状态进行模拟实验，并选取4种状态下主轴轴承振动加速度信号作为标准样本数据和待检测样本数据。
2)采用固有时间尺度(ITD)分解方法对标准样本数据和待检测样本数据进行自适应分解，得到一系列具有不同特征尺度的固有旋转分量c1，c2，...，cn。采用ITD分解方法对信号进行自适应分解为已有技术，在此不再赘述。
3)对标准样本数据和待检测样本数据中含有明显周期性冲击成分的固有旋转分量的瞬时信息(瞬时幅值和瞬时相位)进行时域分析，并提取轴承故障特征向量。
当风力发电机组滚子轴承发生内圈、外圈或滚动体故障时，会产生冲击信号，使得固有旋转分量的瞬时幅值和瞬时相位的时域特征发生变化。而ITD分解方法是将振动加速度信号分解成若干个从高到低不同频率段的固有旋转分量，由轴承故障振动原理可知，滚子轴承故障特征主要在高频部分，也即高频部分的固有旋转分量含有明显周期性冲击成分，因此只需分析前几个旋转分量。
本发明选择第一个固有旋转分量的瞬时信息进行时域分析，得到其瞬时幅值和瞬时相位的时域特征。其中，瞬时幅值包括峰峰值、峰值指标和标准偏差，瞬时相位采用峭度指标表示，计算公式分别为：
峰峰值：
峰值指标：
标准偏差：
瞬时相位用峭度指标来表示，计算公式为：
式中，u(i)为振动信号时间序列，其中i＝1～N；N为信号采样点数。
根据得到的瞬时幅值和瞬时相位信息，对故障特征进行提取，得到故障特征向量为：APi＝[Ai(up),Ai(CF),Ai(ustd),Pi(Ku)]，其中i表示第i个固有旋转分量ci；Ai(up)，Ai(CF)，Ai(ustd)表示第i个固有旋转分量ci的瞬时幅值时域特征；Pi(Ku)表示第i个固有旋转分量ci的瞬时相位的时域特征。
4)将提取的标准样本数据的故障特征向量输入邻近距离分类器进行训练，得到训练好的故障诊断模型。采用邻近距离分类器进行训练为已有技术，在此不再赘述。
5)将提取的待检测样本数据的轴承故障特征向量输入训练好的故障诊断模型进行故障识别，得到该轴承的故障状态。
下面结合具体实施例对本发明做进一步描述，本实施例中风力发电机组实验台系统由小型风洞提供风源，主要由风轮、主轴轴承与发电机组成。主轴轴承为调心滚子轴承，主要承受径向载荷，同时也可以承受由于风对风轮作用产生的部分轴向载荷。采用联轴器连接风轮主轴和发电机。发电机输出端通过交直流转换器连接至蓄电池。采用风速传感器测量风速，光电开关转速传感器测量风轮的转速。轴承座上装有加速度传感器，用来采集轴承的振动加速度信号，实验采样频率2kHz。考虑到调心滚子轴承的局部损伤可能发生在外圈、内圈和滚动体上，分别用4个22206型的调心滚子轴承进行了实验，其中1个为正常轴承，其余3个轴承分别被设置有内圈、外圈和滚动体局部故障。采用线切割在内圈、外圈或滚动体上开槽设置故障，槽宽为0.2mm，槽深为0.3mm，故障轴承安装在靠近风轮侧。
如图2(a)～(d)所示，分别为风力发电机组实验转速为4.17Hz，在该转速下轴承在外圈、内圈、滚动体故障和正常运行时的振动加速度信号及其应用ITD方法分别对它们进行分解得到的前4个固有旋转分量。
如图3(a)～(d)所示，分别为图2(a)～图2(d)中不同状态下振动加速度信号的第一个旋转分量的瞬时幅值、瞬时相位示意图。这是由于通过分析发现，4种状态下加速度信号的第一个固有旋转分量c1包含了原始信号的主要信息，具有明显的故障性冲击特征。故分别提取4种状态下c1的瞬时幅值和瞬时相位，并对其作时域分析，为便于观察瞬时相位，图中只画出了0～0.1s的相位图。瞬时幅值和瞬时相位的直接反映了振动信号的特征，本实施例对4种状态下第一个固有旋转分量c1的瞬时幅值和瞬时相位进行特征提取，能够有效地表征原始信号的状态特征。也即选取的特征向量为：AP1＝[A1(up),A1(CF),A1(ustd),P1(Ku)]，其中A1(up),A1(CF),A1(ustd)分别表示第一个旋转分量的瞬时幅值的峰峰值、峰值指标、标准偏差；P1(Ku)表示第一个旋转分量的瞬时相位的峭度指标。
本实施例分别采集风力发电机组主轴轴承正常、外圈故障、内圈故障和滚动体故障4种状态下的轴承振动加速度信号，每种状态取30组数据，共4×30组数据。表1列出了4种状态下16组数据的特征向量，它们是采用ITD方法分解得到固有旋转分量后，提取第一个固有旋转分量c1的瞬时幅值和瞬时相位的频谱特征获取的。
表1基于ITD瞬时幅值和瞬时相位提取的风电机组轴承故障特征
在风电机组轴承4种状态下，120组振动加速度数据中随机抽取60组(每种状态取15组)作为样本数据输入邻近距离分类器进行训练，将剩下的60组数据作为待检测样本进行检验，发现所有的待检测样本都能被准确地识别。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种轴承故障诊断方法，其特征在于包括以下步骤：
1)获取风力发电机组主轴轴承不同状态下的多组振动加速度信号数据，随机抽取若干组作为标准样本数据，其余各组作为待检测样本数据；
2)对标准样本数据和待检测样本数据进行ITD自适应分解，得到一系列具有不同特征尺度的固有旋转分量；
3)对标准样本数据和待检测样本数据中第一个高频固有旋转分量的瞬时幅值和瞬时相位信息进行时域分析，并提取轴承故障特征向量；
4)将提取的标准样本数据的故障特征向量输入邻近距离分类器进行训练，得到训练好的故障诊断模型；
5)将提取的待检测样本数据的轴承故障特征向量输入训练好的故障诊断模型进行故障识别，得到该轴承的故障状态。
2.如权利要求1所述的一种轴承故障诊断方法，其特征在于：所述步骤3)中，对固有旋转分量的瞬时幅值和瞬时相位信息进行时域分析，是指计算得到其瞬时幅值和瞬时相位的特征信息，其中，瞬时幅值的特征用峰峰值、峰值指标和标准偏差表示，瞬时相位的特征用峭度指标表示。
3.如权利要求2所述的一种轴承故障诊断方法，其特征在于：所述峰峰值、峰值指标、标准偏差和峭度指标的计算公式分别为：
峰峰值up：
<mrow> <msub> <mi>u</mi> <mi>p</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>{</mo> <mi>max</mi> <mo>[</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>]</mo> <mo>-</mo> <mi>min</mi> <mo>[</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>]</mo> <mo>}</mo> <mo>;</mo> </mrow>
峰值指标CF：
<mrow> <mi>C</mi> <mi>F</mi> <mo>=</mo> <mfrac> <msub> <mi>u</mi> <mi>p</mi> </msub> <msqrt> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> <mi>N</mi> </mfrac> </msqrt> </mfrac> <mo>;</mo> </mrow>
标准偏差ustd：
<mrow> <msub> <mi>u</mi> <mrow> <mi>s</mi> <mi>t</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> </msqrt> <mo>;</mo> </mrow>
峭度指标Ku：
<mrow> <mi>K</mi> <mi>u</mi> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>3</mn> </msup> </mrow> <mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <msubsup> <mi>u</mi> <mrow> <mi>s</mi> <mi>t</mi> <mi>d</mi> </mrow> <mn>3</mn> </msubsup> </mrow> </mfrac> <mo>;</mo> </mrow>
式中，u(i)为振动信号时间序列，其中i＝1～N；N为信号采样点数。
CN201711261692.5A 2017-12-04 2017-12-04 一种轴承故障诊断方法 Pending CN108036940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711261692.5A CN108036940A (zh) 2017-12-04 2017-12-04 一种轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711261692.5A CN108036940A (zh) 2017-12-04 2017-12-04 一种轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN108036940A true CN108036940A (zh) 2018-05-15

Family

ID=62095010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711261692.5A Pending CN108036940A (zh) 2017-12-04 2017-12-04 一种轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN108036940A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109187021A (zh) * 2018-07-26 2019-01-11 河海大学 基于熵的多源风电机组轴承故障诊断方法
CN109857079A (zh) * 2018-12-05 2019-06-07 上海交通大学 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN110647871A (zh) * 2019-11-05 2020-01-03 燕山大学 一种基于时域特量增强的滚动轴承故障诊断方法及系统
CN111046790A (zh) * 2019-12-11 2020-04-21 江苏大学镇江流体工程装备技术研究院 一种泵轴承故障诊断方法
CN111401440A (zh) * 2020-03-13 2020-07-10 重庆第二师范学院 目标分类识别方法、装置、计算机设备及存储介质
CN114414245A (zh) * 2019-09-29 2022-04-29 上海联影智能医疗科技有限公司 轴承故障检测方法与计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721545A (zh) * 2012-05-25 2012-10-10 北京交通大学 一种基于多特征参量的滚动轴承故障诊断方法
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN103528820A (zh) * 2013-10-10 2014-01-22 辽宁大学 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN105527104A (zh) * 2016-02-14 2016-04-27 成都柏森松传感技术有限公司 一种轴承跑合异音检测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721545A (zh) * 2012-05-25 2012-10-10 北京交通大学 一种基于多特征参量的滚动轴承故障诊断方法
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN103528820A (zh) * 2013-10-10 2014-01-22 辽宁大学 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN105527104A (zh) * 2016-02-14 2016-04-27 成都柏森松传感技术有限公司 一种轴承跑合异音检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
安学利等: "基于ITD和LS-SVM的风力发电机组轴承故障诊断", 《电力自动化设备》 *
安学利等: "基于固有时间尺度分解的风电机组轴承故障特征提取", 《电力系统自动化》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109187021A (zh) * 2018-07-26 2019-01-11 河海大学 基于熵的多源风电机组轴承故障诊断方法
CN109857079A (zh) * 2018-12-05 2019-06-07 上海交通大学 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN109857079B (zh) * 2018-12-05 2021-09-07 上海交通大学 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN114414245A (zh) * 2019-09-29 2022-04-29 上海联影智能医疗科技有限公司 轴承故障检测方法与计算机可读存储介质
CN110647871A (zh) * 2019-11-05 2020-01-03 燕山大学 一种基于时域特量增强的滚动轴承故障诊断方法及系统
CN111046790A (zh) * 2019-12-11 2020-04-21 江苏大学镇江流体工程装备技术研究院 一种泵轴承故障诊断方法
CN111401440A (zh) * 2020-03-13 2020-07-10 重庆第二师范学院 目标分类识别方法、装置、计算机设备及存储介质
CN111401440B (zh) * 2020-03-13 2023-03-31 重庆第二师范学院 目标分类识别方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN108036940A (zh) 一种轴承故障诊断方法
Han et al. Fault feature extraction of low speed roller bearing based on Teager energy operator and CEEMD
EP3816604B1 (en) Motor bearing failure diagnosis device
Saufi et al. Low-speed bearing fault diagnosis based on ArSSAE model using acoustic emission and vibration signals
Yan et al. Harmonic wavelet-based data filtering for enhanced machine defect identification
Yang et al. Bivariate empirical mode decomposition and its contribution to wind turbine condition monitoring
Zhou et al. Application of the horizontal slice of cyclic bispectrum in rolling element bearings diagnosis
CN105784366A (zh) 一种变转速下的风电机组轴承故障诊断方法
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
CN105806613A (zh) 一种基于阶比复杂度的行星齿轮箱故障诊断方法
CN109238698A (zh) 一种基于电流信号的电机轴承故障诊断方法
CN105938468A (zh) 一种滚动轴承的故障诊断方法
Elforjani et al. Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator
CN103234702B (zh) 一种叶片不平衡故障诊断方法
CN103411774A (zh) 波动工况下的风电机组在线预警方法
Han et al. Compound faults diagnosis method for wind turbine mainshaft bearing with Teager and second-order stochastic resonance
Li et al. Quantitative evaluation on the performance and feature enhancement of stochastic resonance for bearing fault diagnosis
CN106777611A (zh) 复杂周转轮系微弱故障识别与性能退化监测系统及方法
Yi et al. Reassigned second-order synchrosqueezing transform and its application to wind turbine fault diagnosis
Ding et al. Deep time–frequency learning for interpretable weak signal enhancement of rotating machineries
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
CN116861320A (zh) 基于短时傅里叶同步压缩变换的转子故障诊断方法
Li et al. Development of a morphological convolution operator for bearing fault detection
CN105973596A (zh) 一种基于lltsa和pnn的风机故障诊断方法
Fang et al. Reciprocating compressors intelligent fault diagnosis under multiple operating conditions based on adaptive variable scale morphological filter

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180515