CN108444704B - 一种滚动轴承早期故障诊断方法 - Google Patents
一种滚动轴承早期故障诊断方法 Download PDFInfo
- Publication number
- CN108444704B CN108444704B CN201810276729.XA CN201810276729A CN108444704B CN 108444704 B CN108444704 B CN 108444704B CN 201810276729 A CN201810276729 A CN 201810276729A CN 108444704 B CN108444704 B CN 108444704B
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- segment
- rolling element
- pretreated
- 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
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
本发明属于故障诊断方法领域,并公开了一种滚动轴承早期故障诊断方法,包括:采集到的故障信号预处理;提取预处理后的故障信号特征频率;将提取到的特征频率与已知故障特征频率相比较,识别故障类型。其中,预处理包括两个方面:降噪和减少干扰振动分量;在特征提取步骤中,首先将预处理后的故障信号作分段处理,再将预处理后的分段故障信号与无故障轴承信号作相关性分析,根据互相关系数的大小选取包含故障信息较多的信号段用于频率特征提取。本发明能够提高滚动轴承早期故障诊断的准确性和有效性,为解决滚动轴承早期故障这段提供一种新的途径,可广泛应用于化工、冶金、机械加工、航空等领域的复杂机械系统故障诊断中。
Description
技术领域
本发明属于故障诊断方法领域,更具体地,涉及一种滚动轴承早期故障诊断方法。
背景技术
滚动轴承是旋转机械中的关键部件之一,其被广泛用于化工、冶金、机械加工、航空等重要领域。滚动轴承经常处在高温、高速、重载等恶劣的工作环境中,导致滚动轴承是最易损坏的元件之一。因此,在旋转机械中,轴承故障诊断的时效性和精确性对提高加工效率和安全生产有着至关重要的作用。目前,针对滚动轴承故障诊断的方法有很多,涉及到的领域也很全面。从早期的时域分析、频域分析,到后来的时频域分析以及现在的机器学习领域。在众多故障诊断方法中,都有着各自的缺陷与限制,导致故障诊断技术应用于实际加工生产中的情况很少。一方面,由于很多机器结构紧凑,没有合适的位置安装传感器,导致采集到的故障信号无法满足实验要求,这就给后续的信号处理带来很大麻烦。另一方面,对预处理后的故障信号进行特征提取是一个难题,目前很多方法无法提取有效的特征,导致无法判断出轴承的工作状态,这也给故障诊断带来了不小麻烦。因此,针对滚动轴承的早期故障诊断变得尤为重要。在特征提取方面,频率特征最能反映出滚动轴承的工作状态。
在频率特征提取方面,首先是白噪声的影响,在实际生产加工中,由于背景噪声较大,轴承实际采集到的故障信号会淹没在背景噪声中,采用何种技术降噪、提高信噪比有待解决。采集到的故障信号中的干扰振动分量同样会影响到频率的提取,减小干扰振动分量的影响也是一直存在的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种滚动轴承早期故障诊断方法,能够提高滚动轴承早期故障诊断的准确性和有效性。
为实现上述目的,按照本发明,提供了一种滚动轴承早期故障诊断方法,其特征在于,包括以下步骤:
1)采集到的故障信号预处理:对采集到的滚动轴承故障信号进行小波处理和时域同步平均处理,以降低噪声和减少干扰振动分量;
2)特征提取:对预处理后的故障信号进行分段相关性分析,获得包含故障信息较多的信号段,然后对这些信号段进行共振解调处理来提取特征频率;
3)故障类型判别:将提取到的特征频率与滚动轴承已知的故障特征频率相比较,从而判别出故障类型。
优选地,采集到的故障信号f(t)包括轴承振动分量s0(t)、干扰振动分量s(t)和噪声分量n(t),即采集到的故障信号f(t)表示为:
f(t)=s0(t)+s(t)+n(t) (1)
步骤1)中进行时域同步平均处理的具体过程如下:
以轴承振动分量s0(t)的周期T0的整数倍周期T为截取周期去截取信号f(t),共截得M段,然后将截取后的各信号段直接相加,得到新的故障信号f(t′):
其中,t′为新的时间序列,s0(t′)、s(t′)和n(t′)分别为截取后相加的轴承振动分量、干扰振动分量和噪声分量;
C为干扰振动分量的衰减因子且C<1,然后再对新的故障信号f(t′)进行平均,得到输出信号h(t′)为:
则输出信号h(t′)中的噪声分量是采集到的故障信号f(t)中噪声分量的输出信号h(t′)中的干扰振动分量得到抑制,衰减为采集到的故障信号f(t)中的C倍,轴承振动分量的信号得到保留。
优选地,所述分段相关性分析的具体过程如下:
1)对预处理后的故障信号x(t)作分段处理,分段后的故障信号x(t)表示为:
其中,xi(ti)=[xi(ti1),xi(ti2),...,xi(tiN)],xi(ti)是分段后的第i段信号,ti是第i段信号的时间序列,i=1,2,...,p;p是分段数,即预处理后的故障信号x(t)一共分解为p段,tik是第i段信号时间序列ti的一系列时间点,k=1,2,...,N,N是每段信号的长度;
2)求取各分段信号xi(ti)与无故障轴承振动信号x0(t)的互相关系数,再根据互相关系数的大小确定所要选取的信号段,具体过程如下:
其中:是分段信号xi(ti)和无故障轴承振动信号x0(t)的互相关函数,和是无故障轴承振动信号x0(t)的均值和标准差;和分别是各分段信号xi(ti)的均值和标准差;是各分段信号xi(ti)与无故障轴承振动信号x0(t)的互相关系数,i=1,2,...,p;
3)将上面所得的各互相关系数从小到大排序,分别用ρ1,ρ2,...,ρp表示,其中:ρl≤ρl+1,l=1,2,...,p-1;ρ1,ρ2,…,ρp对应的各分段信号分别为y1(t),y2(t),…,yp(t),选择相关系数较小的q组分段信号用于后续处理,即选择y1(t),y2(t),…,yq(t)用于后续处理,其中,q为选择的分段信号数,且q<p,得到待处理的分段信号为:
其中,yd(td)=[yd(td1),yd(td2),...,yd(tdN)],yd(td)是选择的q组信号中的第d段信号,td是第d段信号的时间序列,d=1,2,...,q;q是选择的信号组数;tdk是第d段信号时间序列td的一系列时间点,k=1,2,...,N,N是每段信号的长度。
优选地,所述共振解调方法包括带通滤波和包络解调,其中,所述带通滤波采用切比雪夫滤波器进行带通滤波;所述包络解调将经过带通滤波处理后的各分段信号yi(ti)进行hilbert变换,以求取预处理后的故障信号的包络谱,从包络谱中提取特征频率,其具体过程如下:
a)先获得预处理后的故障信号经hilbert变换后的信号
其中,H[yd(td)]表示对各分段信号yd(td)进行hilbert变换而获得的变换后的信号;
b)获得预处理后的故障信号的解析信号Z(t):
其中,j为虚数单位,j2=-1;表示对各分段信号yd(td)进行hilbert变换而获得的变换后的信号;
c)得到预处理后的故障信号的包络信号z(t):
d)对该包络信号z(t)进行快速傅立叶变换处理,获得包络信号的频谱,即包络谱,在包络谱中找到相应的故障特征频率,从而识别出故障类型。
优选地,已知的故障特征频率是指根据主轴转速和轴承各参数确定的轴承内圈、外圈和滚动体的故障频率,其中,轴承各参数包括轴承节径、滚动体直径、接触角、滚动体个数。
优选地,所述干扰振动分量包括机械设备的直线进给振动分量和齿轮的旋转振动分量。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明在采集到的轴承故障信号预处理阶段利用时域同步平均技术减少机械设备的直线进给振动分量和齿轮的旋转振动分量,能够突出预处理后的轴承故障信号;在轴承故障识别阶段,提出的分段相关共振解调法可以准确、快速的识别故障类型。本专业技术人员只需要将该方法用于采集到的轴承故障数据,即可判断出轴承故障类型。
附图说明
图1为本发明的滚动轴承早期故障诊断总体流程图。
图2为本发明的分段相关共振解调法的原理图。
图3为本发明的分段相关共振解调法的执行过程图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本实施方式的滚动轴承早期故障诊断总体流程图。如图1所示,首先对采集到的故障信号进行预处理;将预处理后的信号进行分段相关共振解调法处理;根据提取到的特征频率与计算所得故障特征频率相比较,判断故障类型。
图2为本实施方式的分段相关共振解调法的原理图。如图2所示,根据采集到的故障信号,利用小波分解与重构技术对原始信号进行降噪处理,提高信噪比。接着利用时域同步平均技术去除采集到的故障信号中的其他频率,以突出采集到的轴承故障信号。时域同步平均处理过程可表示为:
采集到的故障信号f(t)包括轴承振动分量s0(t)、干扰振动分量s(t)和噪声分量n(t),即采集到的故障信号f(t)表示为:
f(t)=s0(t)+s(t)+n(t) (1)
以轴承振动分量s0(t)的周期T0的整数倍周期T为截取周期去截取信号f(t),共截得M段,然后将截取后的各信号段直接相加,得到:
其中,t′为新的时间序列,s0(t′)、s(t′)和n(t′)分别为截取后相加的轴承振动分量、干扰振动分量和噪声分量;
C为干扰振动分量的衰减因子且C<1,然后再对f(t′)进行平均,得到输出信号h(t′)为:
则输出信号h(t′)中的噪声分量是采集到的故障信号f(t)中噪声分量的输出信号h(t′)中的干扰振动分量得到抑制,衰减为采集到的故障信号f(t)中的C倍,轴承振动分量的信号得到保留。
在实施分段相关共振解调处理之前,需要先对预处理后的信号作分段处理,为了将包含故障不同的信号段分开。在进行分段相关共振解调法时,首先对截取的各信号段与轴承正常信号进行相关性分析,即确定它们的互相关系数,根据系数的大小,确定待处理信号段。
确定好待处理信号段后,对各信号段进行共振解调处理,获取各信号段的包络谱,从包络谱中提取信号的频率特征,将提取到的频率特征与计算所得的故障特征频率相比较,即可判别出故障类型,完成故障诊断。
图3为本实施方式的分段相关共振解调法的执行过程图。分段相关共振解调法是本发明的关键步骤。如图3所示,分段相关性分析首先要对采集到的故障信号x(t)作分段处理,分段后的信号表示为:
其中,xi(ti)=[xi(ti1),xi(ti2),...,xi(tiN)],xi(ti)是分段后的第i段信号,ti是第i段信号的时间序列,i=1,2,...,p;p是分段数,即预处理后的故障信号一共分解为p段;tik是第i段信号时间序列ti的一系列时间点,k=1,2,...,N,N是每段信号的长度。
相关性分析,即求取各分段信号xi(ti)与无故障轴承振动信号x0(t)的互相关系数,根据互相关系数的大小确定所要选取的信号段,相关性分析过程表示为:
其中:是分段信号xi(ti)和无故障轴承振动信号x0(t)的互相关函数;和是信号x0(t)的均值和标准差;和是分段信号xi(ti)的均值,i=1,2,...,p;是各分段信号xi(ti)与无故障轴承振动信号x0(t)的互相关系数;
将上面所得的各相关系数从小到大排序,分别用ρ1,ρ2,...,ρp表示。其中:ρl≤ρl+1,l=1,2,...,p-1;ρ1,ρ2,…,ρp对应的分段信号分别为y1(t),y2(t),…,yp(t),选择相关系数较小的q组信号用于后续处理,即:y1(t),y2(t),…,yq(t),其中,q为选择的分段数,且q<p,可得待处理的数据段为:
其中,yd(td)=[yd(td1),yd(td2),...,yd(tdN)],yd(td)是选择的q组信号中的第d段信号,td是第d段信号的时间序列,d=1,2,...,q;q是选择的信号组数;tdk是第d段信号时间序列td的一系列时间点,k=1,2,...,N,N是每段信号的长度。
包络解调方法将经过切比雪夫滤波器带通滤波器处理后的各分段信号进行hilbert变换,以获得预处理后的故障信号的包络信号,进而求取预处理后的故障信号的包络谱,从包络谱中提取特征频率。
a)先获得预处理后的故障信号经hilbert变换后的信号
其中,H[yd(td)]表示对各分段信号yd(td)进行hilbert变换而获得的变换后的信号。
b)获得预处理后的故障信号的解析信号:
其中,j是虚数单位,j2=-1;表示对各分段信号yd(td)进行hilbert变换而获得的变换后的信号。
c)得到预处理后的故障信号的包络信号z(t)为:
d)对该包络信号进行快速傅立叶变换处理,获得包络信号的频谱,即包络谱,在包络谱中可以找到相应的故障特征频率,识别故障类型。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种滚动轴承早期故障诊断方法,其特征在于,包括以下步骤:
1)采集到的故障信号预处理:对采集到的滚动轴承故障信号进行小波处理和时域同步平均处理,以降低噪声和减少干扰振动分量;
2)特征提取:对预处理后的故障信号进行分段相关性分析,获得包含故障信息较多的信号段,然后对这些信号段进行共振解调处理来提取特征频率;所述分段相关性分析的具体过程如下:
1)对预处理后的故障信号x(t)作分段处理,分段后的故障信号x(t)表示为:
其中,xi(ti)=[xi(ti1),xi(ti2),...,xi(tiN)],xi(ti)是分段后的第i段信号,ti是第i段信号的时间序列,i=1,2,...,p;p是分段数,即预处理后的故障信号x(t)一共分解为p段,tik是第i段信号时间序列ti的一系列时间点,k=1,2,...,N,N是每段信号的长度;
2)求取各分段信号xi(ti)与无故障轴承振动信号x0(t)的互相关系数,再根据互相关系数的大小确定所要选取的信号段,具体过程如下:
其中:是分段信号xi(ti)和无故障轴承振动信号x0(t)的互相关函数,和是无故障轴承振动信号x0(t)的均值和标准差;和分别是各分段信号xi(ti)的均值和标准差;是各分段信号xi(ti)与无故障轴承振动信号x0(t)的互相关系数,i=1,2,...,p;
3)将上面所得的各互相关系数从小到大排序,分别用ρ1,ρ2,...,ρp表示,其中:ρl≤ρl+1,l=1,2,...,p-1;ρ1,ρ2,…,ρp对应的各分段信号分别为y1(t),y2(t),…,yp(t),选择相关系数较小的q组分段信号用于后续处理,即选择y1(t),y2(t),…,yq(t)用于后续处理,其中,q为选择的分段信号数,且q<p,得到待处理的分段信号为:
其中,yd(td)=[yd(td1),yd(td2),...,yd(tdN)],yd(td)是选择的q组信号中的第d段信号,td是第d段信号的时间序列,d=1,2,...,q;q是选择的信号组数;tdk是第d段信号时间序列td的一系列时间点,k=1,2,...,N,N是每段信号的长度;
3)故障类型判别:将提取到的特征频率与滚动轴承已知的故障特征频率相比较,从而判别出故障类型。
2.根据权利要求1所述的一种滚动轴承早期故障诊断方法,其特征在于,采集到的故障信号f(t)包括轴承振动分量s0(t)、干扰振动分量s(t)和噪声分量n(t),即采集到的故障信号f(t)表示为:
f(t)=s0(t)+s(t)+n(t) (1)
步骤1)中进行时域同步平均处理的具体过程如下:
以轴承振动分量s0(t)的周期T0的整数倍周期T为截取周期去截取信号f(t),共截得M段,然后将截取后的各信号段直接相加,得到新的故障信号f(t′):
其中,t′为新的时间序列,s0(t′)、s(t′)和n(t′)分别为截取后相加的轴承振动分量、干扰振动分量和噪声分量;
C为干扰振动分量的衰减因子且C<1,然后再对新的故障信号f(t′)进行平均,得到输出信号h(t′)为:
则输出信号h(t′)中的噪声分量是采集到的故障信号f(t)中噪声分量的输出信号h(t′)中的干扰振动分量得到抑制,衰减为采集到的故障信号f(t)中的C倍,轴承振动分量的信号得到保留。
3.根据权利要求2所述的一种滚动轴承早期故障诊断方法,其特征在于,
所述共振解调方法包括带通滤波和包络解调,其中,所述带通滤波采用切比雪夫滤波器进行带通滤波;所述包络解调将经过带通滤波处理后的各分段信号yi(ti)进行hilbert变换,以求取预处理后的故障信号的包络谱,从包络谱中提取特征频率,其具体过程如下:
a)先获得预处理后的故障信号经hilbert变换后的信号
其中,H[yd(td)]表示对各分段信号yd(td)进行hilbert变换而获得的变换后的信号;
b)获得预处理后的故障信号的解析信号Z(t):
其中,j为虚数单位,j2=-1;表示对各分段信号yd(td)进行hilbert变换而获得的变换后的信号;
c)得到预处理后的故障信号的包络信号z(t):
d)对该包络信号z(t)进行快速傅立叶变换处理,获得包络信号的频谱,即包络谱,在包络谱中找到相应的故障特征频率,从而识别出故障类型。
4.根据权利要求1所述的一种滚动轴承早期故障诊断方法,其特征在于,已知的故障特征频率是指根据主轴转速和轴承各参数确定的轴承内圈、外圈和滚动体的故障频率,其中,轴承各参数包括轴承节径、滚动体直径、接触角、滚动体个数。
5.根据权利要求1所述的一种滚动轴承早期故障诊断方法,其特征在于,所述干扰振动分量包括机械设备的直线进给振动分量和齿轮的旋转振动分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810276729.XA CN108444704B (zh) | 2018-03-30 | 2018-03-30 | 一种滚动轴承早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810276729.XA CN108444704B (zh) | 2018-03-30 | 2018-03-30 | 一种滚动轴承早期故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108444704A CN108444704A (zh) | 2018-08-24 |
CN108444704B true CN108444704B (zh) | 2019-09-27 |
Family
ID=63198449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810276729.XA Active CN108444704B (zh) | 2018-03-30 | 2018-03-30 | 一种滚动轴承早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108444704B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948485B (zh) * | 2019-03-08 | 2023-05-12 | 浙江工业大学之江学院 | 基于振动信号相关性分析的旋转机械故障特征提取方法 |
CN109813544B (zh) * | 2019-03-26 | 2019-11-05 | 武汉众犇慧通科技有限公司 | 一种基于在线监测的旋转机械早期故障诊断方法及系统 |
CN110174269B (zh) * | 2019-05-06 | 2021-02-26 | 江苏联能电子技术有限公司 | 变分模态分解和共振解调分析核电用泵冲击特征的方法 |
CN110207967B (zh) * | 2019-06-13 | 2020-12-01 | 大连海事大学 | 一种基于小波包能量特征与互相关的状态识别方法与系统 |
CN110987432B (zh) * | 2019-11-13 | 2021-10-08 | 江苏大学 | 一种伪周期信号周期检测的扩展抗噪方法 |
CN111007281B (zh) * | 2019-12-27 | 2020-11-17 | 华中科技大学 | 基于小波函数相关性的转速传感器故障诊断方法及系统 |
CN111272428B (zh) * | 2020-02-17 | 2022-03-15 | 济南大学 | 一种基于改进切比雪夫距离的滚动轴承故障诊断方法 |
CN113654651B (zh) * | 2021-09-06 | 2022-12-27 | 江苏大学 | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2521589Y (zh) * | 2001-12-30 | 2002-11-20 | 黄采伦 | 机械旋转部在线故障诊断装置 |
CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
-
2018
- 2018-03-30 CN CN201810276729.XA patent/CN108444704B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2521589Y (zh) * | 2001-12-30 | 2002-11-20 | 黄采伦 | 机械旋转部在线故障诊断装置 |
CN107356432A (zh) * | 2017-07-12 | 2017-11-17 | 石家庄铁道大学 | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于分段线性分类器的滚动轴承的故障识别;唐贵基;《轴承》;20071030;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108444704A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444704B (zh) | 一种滚动轴承早期故障诊断方法 | |
CN108106830B (zh) | 一种基于时频谱分割的变速旋转机械故障诊断方法 | |
CN107941510B (zh) | 基于等角度双重采样的滚动轴承故障特征的提取方法 | |
CN108982107B (zh) | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 | |
CN111504645B (zh) | 一种基于频域多点峭度的滚动轴承故障诊断方法 | |
Liao et al. | Bearing fault feature enhancement and diagnosis based on statistical filtering and 1.5-dimensional symmetric difference analytic energy spectrum | |
CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
CN109946081A (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
Ding et al. | Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations | |
Du et al. | Optimum IMFs selection based envelope analysis of bearing fault diagnosis in plunger pump | |
Fong et al. | Mean shift clustering-based analysis of nonstationary vibration signals for machinery diagnostics | |
Zhao et al. | Rolling element bearing instantaneous rotational frequency estimation based on EMD soft-thresholding denoising and instantaneous fault characteristic frequency | |
Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
Wang et al. | Information interval spectrum: a novel methodology for rolling-element bearing diagnosis | |
CN106198008B (zh) | 一种电机轴承外圈故障辨识方法 | |
CN105258790A (zh) | 一种现场振动信号去噪参数优化选择方法 | |
Pang et al. | Clustering group-sparse mode decomposition and its application in rolling bearing fault diagnosis | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
Shang et al. | Rolling bearing fault diagnosis method based on MOMEDA and IEWT | |
Shi et al. | Automatic instantaneous frequency order (IFO) extraction via integration strategy and multi-demodulation for bearing fault diagnosis under variable speed operation | |
Zhao et al. | Variable step adaptive kurtogram method based on empirical wavelet transform for rolling bearing fault diagnosis | |
Xiao et al. | Fault detection and diagnosis of bearing based on local wave time-frequency feature analysis |
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 |