CN108152025A - 自适应变分模式分解的机械微弱故障诊断方法 - Google Patents
自适应变分模式分解的机械微弱故障诊断方法 Download PDFInfo
- Publication number
- CN108152025A CN108152025A CN201711376491.XA CN201711376491A CN108152025A CN 108152025 A CN108152025 A CN 108152025A CN 201711376491 A CN201711376491 A CN 201711376491A CN 108152025 A CN108152025 A CN 108152025A
- Authority
- CN
- China
- Prior art keywords
- component
- variation mode
- mode decomposition
- fault
- decomposition method
- 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
Abstract
本发明公开了一种自适应变分模式分解的机械微弱故障诊断方法。首先利用振动信号传感器收集机械设备动态信号;然后给定一个初始平衡参数以及设定变分模式分解方法提取分量的个数为一个;然后,利用变分模式分解方法对设备动态信号进行迭代分解,并以峭度或稀疏度等故障特征敏感参数为衡量指标计算分解出的模式分量,直到确定变分模式分解方法分解出含有故障信息的分量停止迭代分解;其次,将迭代分解出的干扰分量从原始设备动态信号中剔除。该发明克服了传统变分模式分解方法中最优平衡参数以及合理的分解模式分量的数目自适应选择的难题,能够自适应地提取出机械设备动态信号中的故障成分,且易操作,具有广泛应用的前景。
Description
技术领域
本发明涉及机械故障诊断的技术领域,具体涉及一种自适应变分模式分解的机械微弱故障诊断方法。
背景技术
机械零部件的状态直接影响到机械设备的运行状态及其安全状况。因此,对机械设备关键部件的健康状态进行检测极为重要。机械在局部缺陷故障激励下的振动往往以瞬态周期特征的形式存在,对周期的瞬态冲击特征有效提取能够准确评估机械运行状况,也是机械设备故障诊断的关键。
目前已发展了许多机械故障诊断方法,例如谱峭度方法、经验模式分解、小波变换等传统微弱故障诊断方法。可是,这些传统方法因为其自身的局限性,如自适应性较差或抗噪性弱等问题,导致其应用范围有限。变分模式分解方法是最近提出的一种新的信号处理技术,具有较强的抗噪性,采用非筛选分解方式分解信号减少传递误差。近年来,逐渐有学者将变分模式分解方法引入到机械信号处理领域,发展出了基于变分模式分解方法和多核支持向量机的智能故障诊断方法;利用变模式分解方法分析了转速大波动工况下风力机轴承故障信号;综合变模式分解方法和优化光谱回归技术对采煤机的齿轮箱复合故障进行诊断。考虑到在实际利用变分模式分解方法处理机械信号时,难以预知原始设备动态信号中存在的具有物理意义分量的个数以及完整提取出相应目标分量的应用使用的最佳平衡参数值。
发明内容
基于此,有必要针对上述技术问题,提供一种自适应变分模式分解的机械微弱故障诊断方法。
一种自适应变分模式分解的机械微弱故障诊断方法,包括:
步骤1,利用振动信号传感器收集旋转机械设备动态信号X0;
步骤2,设置变分模式分解方法输入的分解参数的初始值,所述分解参数包括平衡参数α和模式分量个数K;
步骤3,利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解,得到待优化的目标分量XI;
步骤4,以初始平衡参数为中心,通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析,以获取包含最丰富故障信息的成分
步骤5,对提取的包含最丰富故障信息的成分进行包络分析,得到其包络谱F;
步骤6,比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率,最终确定旋转机械的健康状态。
本发明的有益效果在于:
本发明提出了一种自适应变分模式分解的机械微弱故障诊断方法,克服了传统变分模式分解方法参数选择的难题,能够对采集的设备动态信号自适应地分析,降低了技术人员使用变分模式分解方法进行机械故障诊断的难度;
在提出的方法中使用了迭代分解方式且每次提取一个模式分量,避免了现有一次分解方式中因设置的分解模式分量数量过多导致的无任何物理意义的成分被提取出来或因设置的分解模式分量数量过少而导致的目标故障分量被遗漏掉
在提出的方法中,使用双向优化技术调整平衡参数值,可以使得最终得到分量的带宽最大限度的匹配实际故障分量的带宽,同时减少计算量。
在另外的一个实施例中,所述变分模式分解方法为:采用交替乘子法求解变分约束模型:
其中,x(t)代表输入的信号,*代表卷积算子,表示对时间t求偏导数,δ(t) 是狄利克雷分布函数,指数调节项用于平移各分量频谱,信号x(t)被分解为K 个模式分量uk(k=1,…,K),每个模式分量uk都紧密围绕其中心频率ωk。
在另外的一个实施例中,所述机械设备动态信号X0迭代分解过程为:
步骤1:利用设定初始分解参数的变分模式分解方法对信号Xi(i=0)进行分解,提取模式分量Ui;
步骤2:判断上一步中提取的分量Ui是否为包含故障信息的分量;
步骤3:若分量Ui不是故障分量,则令i=i+1,并将提取分量Ui-1从Xi-1中剔除,即Xi=Xi-1-Ui-1,然后返回上一步;若Ui为故障分量,则迭代停止,令XI=Xi,输出XI为待优化的目标分量。
在另外的一个实施例中,所述判断提取的分量Ui是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度等故障特征敏感的特征指标来确定,其中,对于峭度值而言,一般其值小于3的分量为干扰成分。
在另外的一个实施例中,所述的对待优化的目标分量XI进行双向优化分析包括:
步骤1:给定平衡参数α=α0+Δα,Δα为平衡参数α变化的步长,模式分量个数K=1;α=α0-Δα,模式分量个数K=1两组变分模式分解方法使用的分解参数;
步骤2:利用上一步中两组不同分解参数的变分模式分解方法处理待优化的目标分量XI,分别得到模式分量Vr1、Vl1;
步骤3:分别计算模式分量Vr1、Vl1的峭度值Kur1、Kul1;
步骤4:如果Kur1>Kul1那么执行右向优化策略,否则执行左向优化策略。
在另外的一个实施例中,所述右向优化策略为:
步骤1:令变分模式分解方法使用的分解参数:平衡参数α=α0+iΔα(i=2),模式分量个数K取值为1;
步骤2:利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI,得到模式分量Vri,并计算模式分量Vri的峭度值Kuri;
步骤3:如果Kuri>Kuri-1,那么令i=i+1,返回步骤1;否则令输入作为包含最丰富故障信息的成分。
在另外的一个实施例中,所述左向优化策略为:
步骤1:令变分模式分解方法使用的分解参数:平衡参数α=α0-iΔα(i=2),模式分量个数K取值为1;
步骤2:利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI,得到模式分量Vli,并计算模式分量Vli的峭度值Kuli;
步骤3:如果Kuli>Kuli-1,那么令i=i+1,返回步骤1;否则令输入作为包含最丰富故障信息的成分。
在另外的一个实施例中,所述平衡参数初始值在区间[1000,4000]中任取一个值,模式分量个数取值为1。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现任意一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现任意一项所述方法的步骤。
附图说明
图1自适应变分模式分解的机械微弱故障诊断方法的流程图;
图2模拟信号波形;
图3迭代分解出的各个分量:(a)第一次分解;(b)第二次分解;(c)第三次分解;(d)第四次分解;
图4迭代分解出的各个分量的峭度值;
图5本发明方法分析结果(a)包含最丰富故障信息分量的波形及其(b)包络谱;
图6经验模式分解方法分解出最佳分量的包络谱。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种自适应变分模式分解的机械微弱故障诊断方法,包括:
步骤1,利用振动信号传感器收集旋转机械设备动态信号X0;
步骤2,设置变分模式分解方法输入的分解参数的初始值,所述分解参数包括平衡参数α和模式分量个数K;
步骤3,利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解,得到待优化的目标分量XI;
步骤4,以初始平衡参数为中心,通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析,以获取包含最丰富故障信息的成分
步骤5,对提取的包含最丰富故障信息的成分进行包络分析,得到其包络谱F;
步骤6,比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率,最终确定旋转机械的健康状态。
本发明的有益效果在于:
本发明提出了一种自适应变分模式分解的机械微弱故障诊断方法,克服了传统变分模式分解方法参数选择的难题,能够对采集的设备动态信号自适应地分析,降低了技术人员使用变分模式分解方法进行机械故障诊断的难度;
在提出的方法中使用了迭代分解方式且每次提取一个模式分量,避免了现有一次分解方式中因设置的分解模式分量数量过多导致的无任何物理意义的成分被提取出来或因设置的分解模式分量数量过少而导致的目标故障分量被遗漏掉
在提出的方法中,使用双向优化技术调整平衡参数值,可以使得最终得到分量的带宽最大限度的匹配实际故障分量的带宽,同时减少计算量。
在另外的一个实施例中,所述变分模式分解方法为:采用交替乘子法求解变分约束模型:
其中,x(t)代表输入的信号,*代表卷积算子,表示对时间t求偏导数,δ(t) 是狄利克雷分布函数,指数调节项用于平移各分量频谱,信号x(t)被分解为K 个模式分量uk(k=1,…,K),每个模式分量uk都紧密围绕其中心频率ωk。
在另外的一个实施例中,所述机械设备动态信号X0迭代分解过程为:
步骤1:利用设定初始分解参数的变分模式分解方法对信号Xi(i=0)进行分解,提取模式分量Ui;
步骤2:判断上一步中提取的分量Ui是否为包含故障信息的分量;
步骤3:若分量Ui不是故障分量,则令i=i+1,并将提取分量Ui-1从Xi-1中剔除,即Xi=Xi-1-Ui-1,然后返回上一步;若Ui为故障分量,则迭代停止,令XI=Xi,输出XI为待优化的目标分量。
在另外的一个实施例中,所述判断提取的分量Ui是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度等故障特征敏感的特征指标来确定,其中,对于峭度值而言,一般其值小于3的分量为干扰成分。
在另外的一个实施例中,所述的对待优化的目标分量XI进行双向优化分析包括:
步骤1:给定平衡参数α=α0+Δα,Δα为平衡参数α变化的步长,模式分量个数K=1;α=α0-Δα,模式分量个数K=1两组变分模式分解方法使用的分解参数;
步骤2:利用上一步中两组不同分解参数的变分模式分解方法处理待优化的目标分量XI,分别得到模式分量Vr1、Vl1;
步骤3:分别计算模式分量Vr1、Vl1的峭度值Kur1、Kul1;
步骤4:如果Kur1>Kul1那么执行右向优化策略,否则执行左向优化策略。
在另外的一个实施例中,所述右向优化策略为:
步骤1:令变分模式分解方法使用的分解参数:平衡参数α=α0+iΔα(i=2),模式分量个数K取值为1;
步骤2:利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI,得到模式分量Vri,并计算模式分量Vri的峭度值Kuri;
步骤3:如果Kuri>Kuri-1,那么令i=i+1,返回步骤1;否则令输入作为包含最丰富故障信息的成分。
在另外的一个实施例中,所述左向优化策略为:
步骤1:令变分模式分解方法使用的分解参数:平衡参数α=α0-iΔα(i=2),模式分量个数K取值为1;
步骤2:利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI,得到模式分量Vli,并计算模式分量Vli的峭度值Kuli;
步骤3:如果Kuli>Kuli-1,那么令i=i+1,返回步骤1;否则令输入作为包含最丰富故障信息的成分。
在另外的一个实施例中,所述平衡参数初始值在区间[1000,4000]中任取一个值,模式分量个数取值为1。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现任意一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现任意一项所述方法的步骤。
下面介绍一个具体的应用场景:
图1显示了本发明的具体实施步骤,该方法在设置变分模式分解方法的平衡参数的初值和分解模式分量的数目后,以峭度或稀疏度为衡量指标,用变分模式分解方法对设备动态信号进行迭代分解,直到确定含有故障信息的故障分量,然后通过改变平衡参数对去除干扰分量的剩余信号进行优化,获取包含最丰富故障信息的分量,最后对提取的包含最丰富故障信息的分量进行包络谱分析,比对旋转机械设备关键部件理论故障特征频率与包络谱中显著特征频率确定机械设备的健康状态。
由于传感器收集的实际机械设备动态信号往往包含机械系统的各个运动部件所产生的激励,例如包含旋转轴的转频、齿轮啮合频率、异常冲击成分以及随机噪声。当机械设备出现局部缺陷后,局部缺陷激励的故障特征会蕴藏在上述成分中,并表现的十分微弱,提取微弱故障特征对于判断机械健康状态是十分必要的,下面构建模拟信号来说明本发明的处理效果。模拟信号由五种组成模式构成:
其中,第一项表示转轴的旋转分量;第二项表示齿轮啮合频率成分,包含啮合频率的一倍频、二倍频成分;第三项表示周期瞬态故障冲击成分,其中S(t)=e-αtsin(2πfREt)表示单边冲击形式;第四项表示采集信号过程中机械设备受到的异常冲击干扰成分,异常冲击出现的位置用随机变量表示;第五项表示模拟信号中添加的随机背景噪声,利用MATLAB软件中的函数AWGN(X,SNR,‘measured’)加入高斯白噪声来得到信噪比(SNR=0),X表示初始信号部分。以上各项物理量的数值如下表1所示。
表1模拟信号各物理量的值
图2所示为模拟信号的时域波形。变分模式分解方法迭代分解过程中提取的各分量的波形如图3(a)-(d)所示,各分量的峭度值如图4所示。根据峭度值可以判定第四次分解得到的分量为故障分量。再利用双向优化技术处理原始模拟信号中剔除前三次迭次分解出的分量之后的剩余信号,得到如图5(a)所示包含最丰富故障信息的成分。对得到图5(a)所示包含最丰富故障信息成分进行包络分析,其包络谱如图5(b)所示,从中可以观察到清晰的故障特征频40Hz及其倍频成分与实际设置的理论故障特征频率相一致。由上可知,本发明方法能够有效地提取出强干扰分量下的设备动态信号中微弱故障特征成分。
运用现有经验模式分解方法分析相同的模拟信号来与本发明进行比较。图6中给出了经验模式分解方法分解出最佳分量的包络谱。图6与图5(b)可以看出,经验模式分解方法得出的包络谱虽然也可以观察到故障特征频率,但是其强度明显弱于本发明方法得到的结果。此外,经验模式分解方法得出的包络谱中倍频成分没有清楚的出现,说明经验模式分解方法识别故障特征的能力弱于本发明方法。
本发明具有自适应机械设备动态信号处理能力,无需人为干预其运行,提取结果精度高,抗干扰能力强、鲁棒性好。
本发明提供了一种自适应变分模式分解的机械微弱故障诊断方法。该方法是在变分模式分解方法的基础上,采用迭代分解的方式以及优化平衡参数的技术自适应地实现变分模式分解方法的分解参数选取,克服了现有变分模式分解方法存在的难题。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种自适应变分模式分解的机械微弱故障诊断方法,其特征在于,包括:
步骤1,利用振动信号传感器收集旋转机械设备动态信号X0;
步骤2,设置变分模式分解方法输入的分解参数的初始值,所述分解参数包括平衡参数α和模式分量个数K;
步骤3,利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解,得到待优化的目标分量XI;
步骤4,以初始平衡参数为中心,通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析,以获取包含最丰富故障信息的成分
步骤5,对提取的包含最丰富故障信息的成分进行包络分析,得到其包络谱F;
步骤6,比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率,最终确定旋转机械的健康状态。
2.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述变分模式分解方法为:采用交替乘子法求解变分约束模型:
其中,x(t)代表输入的信号,*代表卷积算子,表示对时间t求偏导数,δ(t)是狄利克雷分布函数,指数调节项用于平移各分量频谱,信号x(t)被分解为K个模式分量uk(k=1,…,K),每个模式分量uk都紧密围绕其中心频率ωk。
3.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述机械设备动态信号X0迭代分解过程为:
步骤1:利用设定初始分解参数的变分模式分解方法对信号Xi(i=0)进行分解,提取模式分量Ui;
步骤2:判断上一步中提取的分量Ui是否为包含故障信息的分量;
步骤3:若分量Ui不是故障分量,则令i=i+1,并将提取分量Ui-1从Xi-1中剔除,即Xi=Xi-1-Ui-1,然后返回上一步;若Ui为故障分量,则迭代停止,令XI=Xi,输出XI为待优化的目标分量。
4.根据权利要求3所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述判断提取的分量Ui是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度等故障特征敏感的特征指标来确定,其中,对于峭度值而言,一般其值小于3的分量为干扰成分。
5.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述的对待优化的目标分量XI进行双向优化分析包括:
步骤1:给定平衡参数α=α0+Δα,Δα为平衡参数α变化的步长,模式分量个数K=1;α=α0-Δα,模式分量个数K=1两组变分模式分解方法使用的分解参数;
步骤2:利用上一步中两组不同分解参数的变分模式分解方法处理待优化的目标分量XI,分别得到模式分量Vr1、Vl1;
步骤3:分别计算模式分量Vr1、Vl1的峭度值Kur1、Kul1;
步骤4:如果Kur1>Kul1那么执行右向优化策略,否则执行左向优化策略。
6.根据权利要求5所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述右向优化策略为:
步骤1:令变分模式分解方法使用的分解参数:平衡参数α=α0+iΔα(i=2),模式分量个数K取值为1;
步骤2:利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI,得到模式分量Vri,并计算模式分量Vri的峭度值Kuri;
步骤3:如果Kuri>Kuri-1,那么令i=i+1,返回步骤1;否则令输入作为包含最丰富故障信息的成分。
7.根据权利要求5所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述左向优化策略为:
步骤1:令变分模式分解方法使用的分解参数:平衡参数α=α0-iΔα(i=2),模式分量个数K取值为1;
步骤2:利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI,得到模式分量Vli,并计算模式分量Vli的峭度值Kuli;
步骤3:如果Kuli>Kuli-1,那么令i=i+1,返回步骤1;否则令输入作为包含最丰富故障信息的成分。
8.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法,其特征在于,所述平衡参数初始值在区间[1000,4000]中任取一个值,模式分量个数取值为1。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-8中任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711376491.XA CN108152025B (zh) | 2017-12-19 | 2017-12-19 | 自适应变分模式分解的机械微弱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711376491.XA CN108152025B (zh) | 2017-12-19 | 2017-12-19 | 自适应变分模式分解的机械微弱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108152025A true CN108152025A (zh) | 2018-06-12 |
CN108152025B CN108152025B (zh) | 2019-08-06 |
Family
ID=62463931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711376491.XA Active CN108152025B (zh) | 2017-12-19 | 2017-12-19 | 自适应变分模式分解的机械微弱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108152025B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668733A (zh) * | 2018-12-21 | 2019-04-23 | 苏州大学 | 变分非线性模式分解变转速轴承故障诊断方法 |
CN110427916A (zh) * | 2019-08-14 | 2019-11-08 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
CN110907174A (zh) * | 2019-11-18 | 2020-03-24 | 华南理工大学 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575523B (zh) * | 2013-11-14 | 2015-12-09 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN106407944A (zh) * | 2016-09-28 | 2017-02-15 | 三峡大学 | 一种基于多模态回归分析的水电机组空蚀信号特征提取方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
-
2017
- 2017-12-19 CN CN201711376491.XA patent/CN108152025B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103575523B (zh) * | 2013-11-14 | 2015-12-09 | 哈尔滨工程大学 | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 |
CN106407944A (zh) * | 2016-09-28 | 2017-02-15 | 三峡大学 | 一种基于多模态回归分析的水电机组空蚀信号特征提取方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
唐贵基 等: ""参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用"", 《西安交通大学学报》 * |
潘海洋 等: ""基于稀疏带宽模态分解的变转速滚动轴承故障诊断"", 《振动与冲击》 * |
马增强 等: ""基于变分模态分解和谱峭度法的滚动轴承故障特征提取"", 《电子测量与仪器学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668733A (zh) * | 2018-12-21 | 2019-04-23 | 苏州大学 | 变分非线性模式分解变转速轴承故障诊断方法 |
CN110427916A (zh) * | 2019-08-14 | 2019-11-08 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
WO2021027579A1 (zh) * | 2019-08-14 | 2021-02-18 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
US11644391B2 (en) | 2019-08-14 | 2023-05-09 | Soochow University | Fault diagnosis method under convergence trend of center frequency |
CN110907174A (zh) * | 2019-11-18 | 2020-03-24 | 华南理工大学 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108152025B (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ai et al. | Fusion information entropy method of rolling bearing fault diagnosis based on n-dimensional characteristic parameter distance | |
CN105445022B (zh) | 一种基于双树复小波变换‑熵特征融合的行星齿轮故障诊断方法 | |
CN108152025B (zh) | 自适应变分模式分解的机械微弱故障诊断方法 | |
CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
CN106644467B (zh) | 一种齿轮箱非平稳信号故障特征提取方法 | |
CN105716857A (zh) | 一种行星齿轮箱健康状态评估方法 | |
CN110470475A (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
CN102269655B (zh) | 一种轴承故障的诊断方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN107167318A (zh) | 一种轴承智能快捷故障诊断仪及诊断方法 | |
CN108760316A (zh) | 变分模态分解的变参信息融合方法 | |
CN105277362B (zh) | 基于编码器多位转角信号的齿轮故障检测方法 | |
CN109101768A (zh) | 基于压缩感知的叶端定时传感器布局优化设计方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN112326236B (zh) | 一种齿轮箱运行状态在线监测方法、系统及存储介质 | |
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
CN104142219A (zh) | 一种基于多点脉冲激励的主轴系统运行模态分析方法 | |
CN109605128A (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN110398362A (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
Jiang et al. | 911. A quantitative diagnosis method for rolling element bearing using signal complexity and morphology filtering | |
Marsick et al. | Restoring cyclostationarity of rolling element bearing signals from the instantaneous phase of their envelope | |
CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |