CN108051213A - 一种滚动轴承在线故障检测方法 - Google Patents
一种滚动轴承在线故障检测方法 Download PDFInfo
- Publication number
- CN108051213A CN108051213A CN201810029778.3A CN201810029778A CN108051213A CN 108051213 A CN108051213 A CN 108051213A CN 201810029778 A CN201810029778 A CN 201810029778A CN 108051213 A CN108051213 A CN 108051213A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal
- fault
- msub
- rolling bearing
- 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
- G01M13/04—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)
Abstract
本发明涉及一种滚动轴承在线故障检测方法,首先从轴承振动信号,利用四维联合熵特征与Holder系数特征提取算法,提取任意振动信号中表征故障特征的主导特征向量,然后通过灰色关联理论算法自动地识别出轴承的故障类型及不同的严重程度。解决采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题,本发明准确有效的识别不同的滚动轴承故障类型及故障严重程度;四维联合熵特征与Holder系数特征提取算法,能够从滚动轴承的振动信号中提取出更具区分度的表征故障特征的特征向量;灰色关联算法对滚动轴承的故障识别成功率能够达到100%,而对不同故障类型及故障严重程度的总体识别成功率也能达到约97%。
Description
技术领域
本发明涉及一种故障检测技术,特别涉及一种滚动轴承在线故障检测方法。
背景技术
滚动轴承作为重要部件,被广泛应用于几乎所有类型的旋转机械中。滚动轴承故障是旋转机械失效和损坏的最主要原因之一,并带来巨大的经济损失。为确保机组运行可靠并减少经济损失,研发一种可靠有效的滚动轴承故障诊断方法是极为必要的。在众多轴承故障诊断方法中,基于振动信号的诊断方法已经在过去几十年间受到了广泛关注。
轴承的振动信号蕴含着丰富地机械健康状况信息,这也为通过信号处理技术从振动信号中提取表征机械健康状况的主导特征成为可能。当前,许多信号处理技术已经应用于轴承故障监测和诊断。然而,由于存在许多非线性因素(如,刚度、摩擦、间隙等),轴承诊断信号(特别是故障状态时)将表现为非线性和非稳态的特征。另外,实测的振动信号不仅包含与轴承本身相关的运行状况信息,还包含大量的机组设备中其他旋转部件和结构的信息(这些相较于前者属于背景噪声)。由于背景噪声通常较大,轻微的轴承故障信息容易淹没于背景噪声中,并很难被提取。因此,常规的时域和频域方法(主要针对线性振动信号),甚至更为先进的信号处理技术(如,小波变换(WT)等),不容易对轴承工作健康状况做出准确的评估。
随着非线性动力学的发展,许多非线性分析技术已经被应用于识别和预测轴承复杂的非线性动态特性。其中,较为典型的一种方法是通过一些先进的信号处理技术(如,小波包分解(WPT)、希尔伯特变换(HT)、经验模态分解(EMD)、高阶谱(HOS)等)的结合运用来从振动信号中提取故障特征频率,并进一步与理论特征频率值比较来评估轴承健康状况(需要结合专家的经验判断)。随着人工智能的发展,轴承故障诊断过程越来越多地被引入模式识别的范畴,并且其诊断的有效性和可靠性主要取却于表征故障特征的主导特征向量的选取。近来,一些基于熵的方法(如,近似熵(ApEn)、样本熵(SampEn),模糊熵(FuzzyEn)、分级熵(HE)、分级模糊熵等),已经被提出用于从轴承振动信号中提取表征故障特征的主导特征向量,并获得了一定效果。
通常,故障特征提取之后,需要一种模式识别技术来实现轴承故障的自动化诊断。现今,各种模式识别方法已经应用于机械故障诊断中,其中,应用最为广泛的当属人工神经网络(ANNs)和支持向量机(SVMs)。其中,人工神经网络(ANNs)的训练需要大量的样本,这是实际应用中很难甚至是不可能办到的,尤其是包含故障特征的样本。支持向量机(SVMs)基于统计学习理论(特别适合于小样本训练的情况),比人工神经网络(ANNs)具有更优的泛化能力,并能确保局部的最优解与全局的最优解一致。然而,支持向量机(SVMs)分类器的准确性取决于其最优参数的选择。为确保诊断准确性,往往需要融入一些优化算法和/或设计成复杂的多类结构来弥补改善支持向量机(SVMs)的有效性。
发明内容
本发明是针对传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题,提出了一种滚动轴承在线故障检测方法,基于熵特征、Holder系数特征与灰色关联理论的滚动轴承在线故障检测,能够在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。
本发明的技术方案为:一种滚动轴承在线故障检测方法,具体包括如下步骤:
1)、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样,得到轴承振动信号数据样本,其中,不同的故障模式对应不同的故障类型及严重程度,且在轴承振动信号数据样本中,不同振动信号与不同故障模式一一对应;
2)、从轴承振动信号数据样本中提取振动信号,利用四维联合熵特征与Holder系数特征提取算法,提取任意振动信号中表征故障特征的主导特征向量,并根据不同振动信号与不同故障模式的对应关系,得到各主导特征向量与相应故障模式间的对应关系;
3)、根据主导特征向量与故障模式间的对应关系建立样本知识库;
4)、实时获取当前运行状态下的待诊断滚动轴承的实时振动信号,并利用四维联合熵特征与Holder系数特征提取算法,从实时振动信号中提取实时主导特征向量,基于步骤3)建立的样本知识库,利用灰色关联算法计算实时主导特征向量与样本知识库中各主导特征向量的关联度,通过关联度得到待诊断滚动轴承所属的故障模式。
所述步骤2)利用四维联合熵特征与Holder系数特征提取算法,提取任意振动信号中表征故障特征的主导特征向量,具体步骤包括以下:
2.1)、对当前振动信号进行香农熵E1和指数熵E2计算:
设轴承振动信号为f,首先对信号进行采样,将信号离散化为离散信号序列f(n),n=1,2,...,N,N表示离散信号的点数,进行FFT变换,即:
j是复数的虚轴,k=1,2,...,N;
求得信号频谱后,计算各个点的能量:Ek=|F(k)|2;
计算各个点的总能量值:
计算各个点的能量在总能量中所占的概率比例:
对当前振动信号进行香农熵E1和指数熵E2计算:
2.2)、对当前振动信号进行Holder系数计算:
对FFT变换后的振动信号F(k),k=1,2,...,N,进行归一化处理得到Fg(k);
以矩形信号序列s1(k)和三角信号序列s2(k)作为参考序列,计算处理后的当前振动信号Fg(k)与两个参考信号序列的Holder系数值,计算之前,首先估计当前振动信号F(k)的频率范围,再设置矩形信号和三角信号的频率范围与之相匹配,其后具体计算过程如下:
首先计算处理后的当前振动信号Fg(k)与矩形信号序列s1(k)的Holder系数值H1,即:
其中,p,q是Holder不等式的参数,且p,q>1,矩形信号序列s1(k)表示为
同理求得处理后的当前振动信号Fg(k)与三角信号序列s2(k)的Holder系数值H2,即:
其中,三角信号序列s2(k)表示为
2.3)、将求得的熵特征值E1和E2与Holder系数特征值H1和H2组成四维联合特征向量,即[E1,E2,H1,H2],作为当前振动信号的主导特征向量。
本发明的有益效果在于:本发明滚动轴承在线故障检测方法,基于熵特征、Holder系数特征四维联合特征提取算法从轴承振动信号中提取表征故障特征的主导特征向量。同时解决了模式识别算法的通用性与准确性的矛盾问题,能够在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。
附图说明
图1为本发明当故障直径为7mils时通过从轴承正常状态和不同故障状态的振动信号中提取的熵特征图;
图2为本发明当故障直径为7mils时通过从轴承正常状态和不同故障状态的振动信号中提取的Holder系数特征图;
图3为本发明当故障类型为内圈故障时从轴承不同故障严重程度的振动信号中提取的熵特征图;
图4为本发明当故障类型为内圈故障时从轴承不同故障严重程度的振动信号中提取的Holder系数特征图。
具体实施方式
基于熵特征、Holder系数特征与灰色关联理论的滚动轴承在线故障检测方法,包括以下步骤:
步骤1、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样,得到轴承振动信号数据样本,其中,不同的故障模式对应不同的故障类型及严重程度,且在轴承振动信号数据样本中,不同振动信号与不同故障模式一一对应;
步骤2、从轴承振动信号数据样本中提取每个振动信号的表征故障特征的主导特征向量(四维联合熵特征与Holder系数特征),并根据不同振动信号与不同故障模式的对应关系,得到各主导特征向量与相应故障模式间的对应关系;
步骤3、根据主导特征向量与故障模式间的对应关系建立样本知识库;
步骤4、实时获取当前运行状态下的待诊断滚动轴承的实时振动信号,并从实时振动信号中提取实时主导特征向量(四维联合熵特征与Holder系数特征),基于步骤3建立的样本知识库,利用灰色关联算法计算实时主导特征向量与样本知识库中各主导特征向量的关联度,通过关联度得到待诊断滚动轴承所属的故障模式。
所述振动信号主导特征向量提取算法采用四维联合熵特征与Holder系数特征提取算法,则通过四维联合熵特征与Holder系数特征提取算法计算得到振动信号的四维联合熵特征与Holder系数特征作为该振动信号的主导特征向量。
利用四维联合熵特征与Holder系数特征提取算法,提取任意振动信号中表征故障特征的主导特征向量,具体步骤包括以下:
步骤2.1、对当前振动信号进行香农熵E1和指数熵E2计算:
设轴承振动信号为f,首先对信号进行采样,将信号离散化为离散信号序列f(n),n=1,2,...,N,N表示离散信号的点数,进行FFT变换,即:
k=1,2,...,N,j是复数的虚轴;
求得信号频谱后,计算各个点的能量:Ek=|F(k)|2;
计算各个点的总能量值:
计算各个点的能量在总能量中所占的概率比例:
对当前振动信号进行香农熵E1和指数熵E2计算:
步骤2.2、对当前振动信号进行Holder系数计算:
Holder系数算法是由Holder不等式演化而来的,对上述FFT变换后的振动信号F(k),k=1,2,...,N,进行归一化处理得到Fg(k);
以矩形信号序列s1(k)和三角信号序列s2(k)作为参考序列,计算处理后的当前振动信号Fg(k)与两个参考信号序列的Holder系数值。计算之前,首先估计当前振动信号F(k)的频率范围,再设置矩形信号和三角信号的频率范围与之相匹配,其后具体计算过程如下:
首先计算处理后的当前振动信号Fg(k)与矩形信号序列s1(k)的Holder系数值H1,即:
其中p,q是Holder不等式的参数,且p,q>1,矩形信号序列s1(k)表示为
同理求得处理后的当前振动信号Fg(k)与三角信号序列s2(k)的Holder系数值H2,即:
其中,三角信号序列s2(k)表示为
步骤2.3、将求得的熵特征值E1和E2与Holder系数特征值H1和H2组成四维联合特征向量,即[E1,E2,H1,H2],作为当前振动信号的主导特征向量,为后续的分类器识别做准备。
利用灰色关联算法计算实时主导特征向量与样本知识库中各故障模式的关联度,包括以下步骤:
步骤4.1、通过所述步骤2.1至步骤2.3提取得到的实时主导特征向量B设为
在所述样本知识库中存储有如下数据:
其中,Cj为第j个故障模式,j=1,2,…,M,M为故障模式的总数目,为与Cj对应的特征向量;
步骤4.2、计算得到实时主导特征向量B与样本知识库中各故障模式的关联度,将实时主导特征向量B对应的待诊断滚动轴承的实时振动信号分类至最大关联度所属的故障模式,其中,实时主导特征向量B与样本知识库中第j个故障模式Cj的关联度为ξ(B,Cj),式中,ξ(b(k),cj(k))为是实时主导特征向量B中第k个特征参数与第j个故障模式Cj对应的特征向量中第k个特征参数的关联系数。
所述ξ(b(k),cj(k))的计算公式为:
式中,ρ为分辨系数。
本发明提出了一种基于熵特征、Holder系数特征四维联合特征提取算法从轴承振动信号中提取表征故障特征的主导特征向量。同时,为了解决模式识别算法的通用性与准确性的矛盾问题,本发明还提出了一种灰色关联算法来实现准确的故障模式识别。
下面基于附图和实施实例对本发明的技术方案做进一步说明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明所提出的一种基于熵特征、Holder系数特征与灰色关联理论的滚动轴承在线故障检测方法的具体实施方式以美国西储大学轴承数据中心的滚动轴承故障诊断为例,具体过程如下:
该滚动轴承故障诊断实验装置由一个扭矩仪、一个功率计、一个三相感应电动机等组成,载荷功率和转速通过传感器测得。通过控制功率计可以得到期望的扭矩载荷。电动机驱动端的转子由测试轴承(即诊断对象)支撑,并在测试轴承中通过放电加工设置了单点故障,故障直径包括7mils、14mils、21mils和28mils(即故障严重程度),故障类型包括内圈故障、滚动体故障、外圈故障。电动机驱动端罩壳上安装有一个带宽高达5000Hz的加速计,并通过一个记录仪采集测试轴承在不同工作状态下的振动数据,其中采样频率为12kHz。试验中所用的深沟滚动轴承型号为6205-2RS JEM SKF。
当控制扭矩载荷调整为0马力且电动机转速为1797r/min时,开始采集测试轴承的振动数据。采集轴承正常状态和不同故障类型及故障严重程度下的振动数据用于诊断分析,如表1所示,根据不同的故障类型及故障严重程度将故障模式细分为11类。采集的测试轴承的振动数据共分为550个数据样本,每个数据样本包含2048个样本数据点,且每两个数据样本之间不重叠。在这550个数据样本中,随机选取110个数据样本用于建立样本知识库,剩余的440个数据样本作为测试样本,用于校验本发明的有效性。
表1
1)首先对轴承振动信号进行预处理
设轴承振动信号为f,首先对信号进行采样,将信号离散化为离散信号序列f(n),n=1,2,...,N,N表示离散信号的点数,进行FFT变换,即:
2)对当前振动信号进行香农熵E1和指数熵E2计算:
求得信号频谱后,计算各个点的能量:Ek=|F(k)|2;
计算各个点的总能量值:
计算各个点的能量在总能量中所占的概率比例:
对当前振动信号进行香农熵E1和指数熵E2计算:
3)对当前振动信号进行Holder系数计算
对上述FFT变换后的振动信号F(k),k=1,2,...,N,进行归一化处理得到Fg(k);
以矩形信号序列s1(k)和三角信号序列s2(k)作为参考序列,计算处理后的当前振动信号Fg(k)与两个参考信号序列的Holder系数值。计算之前,首先估计当前振动信号F(k)的频率范围,再设置矩形信号和三角信号的频率范围与之相匹配,其后具体计算过程如下:
首先计算处理后的当前振动信号Fg(k)与矩形信号序列s1(k)的Holder系数值H1,即:
其中,矩形信号序列s1(k)表示为
同理求得处理后的当前振动信号Fg(k)与三角信号序列s2(k)的Holder系数值H2,即:
其中,三角信号序列s2(k)表示为
其中且p,q>1。
4)将求得的熵特征值E1和E2与Holder系数特征值H1和H2组成四维联合特征向量,即[E1,E2,H1,H2],作为当前振动信号的主导特征向量,为后续的分类器识别做准备。
5)对提取的轴承振动信号特征向量利用灰色关联理论与数据库中的已知故障类型信号的特征向量进行关联计算,判断未知轴承振动信号的故障类型为关联度最大的信号的故障类型,即实现了对轴承振动信号的分类识别。
当故障直径为7mils时通过熵特征、Holder系数特征提取算法从轴承正常状态和不同故障状态的振动信号中提取的特征向量如图1和图2所示;当故障类型为内圈故障时通过熵特征、Holder系数特征提取算法从轴承不同故障严重程度的振动信号中提取的特征向量如图3和图4所示。
根据故障征兆(即已提取的主导特征向量)与故障模式(即已知的滚动轴承的故障类型及严重程度)关系建立样本知识库,作为灰色关联算法模型的基准知识库。将待识别的从测试样本提取的表征故障特征的主导特征向量(四维联合熵特征与Holder系数特征)输入灰色关联算法模型中,输出诊断结果(即故障类型及严重程度),如表2所示。
表2
类别标签 | 用于测试的样本数目 | 误诊的样本数目 | 诊断成功率(%) |
1 | 40 | 0 | 100 |
2 | 40 | 6 | 100 |
3 | 40 | 0 | 100 |
4 | 40 | 0 | 100 |
5 | 40 | 6 | 100 |
6 | 40 | 6 | 100 |
7 | 40 | 0 | 100 |
8 | 40 | 13 | 83.33 |
9 | 40 | 0 | 100 |
10 | 40 | 0 | 83.33 |
11 | 40 | 0 | 100 |
总计 | 440 | 31 | 96.9697 |
由图1至图4及表2可知,本发明具有如下优点:本发明能够准确有效的识别不同的滚动轴承故障类型及故障严重程度;本发明中四维联合熵特征与Holder系数特征提取算法,能够从滚动轴承的振动信号中提取出更具区分度的表征故障特征的特征向量;本发明中灰色关联算法对滚动轴承的故障识别成功率能够达到100%,而对不同故障类型及故障严重程度的总体识别成功率也能达到约97%;本发明中特征提取算法与模式识别算法简单易编程,能够用于在线实时故障检测(使用2.0GHz的双核笔记本电脑计算一个诊断算列只需不到0.0021秒)。
Claims (2)
1.一种滚动轴承在线故障检测方法,其特征在于,具体包括如下步骤:
1)、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样,得到轴承振动信号数据样本,其中,不同的故障模式对应不同的故障类型及严重程度,且在轴承振动信号数据样本中,不同振动信号与不同故障模式一一对应;
2)、从轴承振动信号数据样本中提取振动信号,利用四维联合熵特征与Holder系数特征提取算法,提取任意振动信号中表征故障特征的主导特征向量,并根据不同振动信号与不同故障模式的对应关系,得到各主导特征向量与相应故障模式间的对应关系;
3)、根据主导特征向量与故障模式间的对应关系建立样本知识库;
4)、实时获取当前运行状态下的待诊断滚动轴承的实时振动信号,并利用四维联合熵特征与Holder系数特征提取算法,从实时振动信号中提取实时主导特征向量,基于步骤3)建立的样本知识库,利用灰色关联算法计算实时主导特征向量与样本知识库中各主导特征向量的关联度,通过关联度得到待诊断滚动轴承所属的故障模式。
2.根据权利要求1所述滚动轴承在线故障检测方法,其特征在于,所述步骤2)利用四维联合熵特征与Holder系数特征提取算法,提取任意振动信号中表征故障特征的主导特征向量,具体步骤包括以下:
2.1)、对当前振动信号进行香农熵E1和指数熵E2计算:
设轴承振动信号为f,首先对信号进行采样,将信号离散化为离散信号序列f(n),n=1,2,...,N,N表示离散信号的点数,进行FFT变换,即:
j是复数的虚轴,k=1,2,...,N;
求得信号频谱后,计算各个点的能量:Ek=|F(k)|2;
计算各个点的总能量值:
计算各个点的能量在总能量中所占的概率比例:
对当前振动信号进行香农熵E1和指数熵E2计算:
<mrow>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<msub>
<mi>log</mi>
<mi>e</mi>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>E</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
</mrow>
</msup>
<mo>;</mo>
</mrow>
2.2)、对当前振动信号进行Holder系数计算:
对FFT变换后的振动信号F(k),k=1,2,...,N,进行归一化处理得到Fg(k);
以矩形信号序列s1(k)和三角信号序列s2(k)作为参考序列,计算处理后的当前振动信号Fg(k)与两个参考信号序列的Holder系数值,计算之前,首先估计当前振动信号F(k)的频率范围,再设置矩形信号和三角信号的频率范围与之相匹配,其后具体计算过程如下:
首先计算处理后的当前振动信号Fg(k)与矩形信号序列s1(k)的Holder系数值H1,即:
其中,p,q是Holder不等式的参数,且p,q>1,矩形信号序列s1(k)表示为
同理求得处理后的当前振动信号Fg(k)与三角信号序列s2(k)的Holder系数值H2,即:
其中,三角信号序列s2(k)表示为
2.3)、将求得的熵特征值E1和E2与Holder系数特征值H1和H2组成四维联合特征向量,即[E1,E2,H1,H2],作为当前振动信号的主导特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810029778.3A CN108051213A (zh) | 2018-01-12 | 2018-01-12 | 一种滚动轴承在线故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810029778.3A CN108051213A (zh) | 2018-01-12 | 2018-01-12 | 一种滚动轴承在线故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108051213A true CN108051213A (zh) | 2018-05-18 |
Family
ID=62127406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810029778.3A Pending CN108051213A (zh) | 2018-01-12 | 2018-01-12 | 一种滚动轴承在线故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108051213A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108982106A (zh) * | 2018-07-26 | 2018-12-11 | 安徽大学 | 一种快速检测复杂系统动力学突变的有效方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592548A (zh) * | 2009-05-15 | 2009-12-02 | 东南大学 | 基于参数有效性的转子碰摩声发射信号模糊综合判别方法 |
CN101865789A (zh) * | 2010-06-30 | 2010-10-20 | 上海交通大学 | 近场声全息声像模式识别故障检测装置及其检测方法 |
EP2581725A2 (en) * | 2011-10-13 | 2013-04-17 | General Electric Company | Methods and systems for automatic rolling-element bearing fault detection |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
CN106127136A (zh) * | 2016-06-21 | 2016-11-16 | 上海电机学院 | 滚动轴承故障诊断方法 |
-
2018
- 2018-01-12 CN CN201810029778.3A patent/CN108051213A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592548A (zh) * | 2009-05-15 | 2009-12-02 | 东南大学 | 基于参数有效性的转子碰摩声发射信号模糊综合判别方法 |
CN101865789A (zh) * | 2010-06-30 | 2010-10-20 | 上海交通大学 | 近场声全息声像模式识别故障检测装置及其检测方法 |
EP2581725A2 (en) * | 2011-10-13 | 2013-04-17 | General Electric Company | Methods and systems for automatic rolling-element bearing fault detection |
CN105910823A (zh) * | 2016-06-21 | 2016-08-31 | 上海电机学院 | 一种滚动轴承故障诊断方法 |
CN106127136A (zh) * | 2016-06-21 | 2016-11-16 | 上海电机学院 | 滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
YULONG YING等: "Rolling bearing vibration signal analysis based on dual-entropy, holder coefficient and gray relation theory", 《2017 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY》 * |
李学军等: "《埋弧焊质量检测的电信号时频分析与处理》", 31 December 2016 * |
蒋全胜等: "《传感器与监测技术》", 31 January 2013 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108982106A (zh) * | 2018-07-26 | 2018-12-11 | 安徽大学 | 一种快速检测复杂系统动力学突变的有效方法 |
CN108982106B (zh) * | 2018-07-26 | 2020-09-22 | 安徽大学 | 一种快速检测复杂系统动力学突变的有效方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
Kang et al. | Time-varying and multiresolution envelope analysis and discriminative feature analysis for bearing fault diagnosis | |
CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
Saidi et al. | Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CN105910823A (zh) | 一种滚动轴承故障诊断方法 | |
He et al. | Data mining based full ceramic bearing fault diagnostic system using AE sensors | |
Refaat et al. | ANN-based for detection, diagnosis the bearing fault for three phase induction motors using current signal | |
Xue et al. | Automatic diagnosis method for structural fault of rotating machinery based on distinctive frequency components and support vector machines under varied operating conditions | |
CN108051213A (zh) | 一种滚动轴承在线故障检测方法 | |
Omoregbee et al. | Fault detection in roller bearing operating at low speed and varying loads using Bayesian robust new hidden Markov model | |
CN106127136A (zh) | 滚动轴承故障诊断方法 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
Attoui et al. | Novel machinery monitoring strategy based on time–frequency domain similarity measurement with limited labeled data | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform | |
Çaliş et al. | Artificial immunity-based induction motor bearing fault diagnosis | |
Jain et al. | A review on vibration signal analysis techniques used for detection of rolling element bearing defects | |
Mendel et al. | Rolling element bearing fault diagnosis in rotating machines of oil extraction rigs | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
Sadoughi et al. | A physics-based deep learning approach for fault diagnosis of rotating machinery | |
CN107490477B (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 | |
Pazouki et al. | Fault diagnosis and condition monitoring of bearing using multisensory approach based fuzzy-logic clustering | |
EP3953580B1 (en) | A method for computer-implemented monitoring of a component of a wind turbine | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults |
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 |
Application publication date: 20180518 |
|
RJ01 | Rejection of invention patent application after publication |