CN108573193B - 一种滚动轴承多故障耦合机理与早期故障特征提取方法 - Google Patents

一种滚动轴承多故障耦合机理与早期故障特征提取方法 Download PDF

Info

Publication number
CN108573193B
CN108573193B CN201710140544.1A CN201710140544A CN108573193B CN 108573193 B CN108573193 B CN 108573193B CN 201710140544 A CN201710140544 A CN 201710140544A CN 108573193 B CN108573193 B CN 108573193B
Authority
CN
China
Prior art keywords
fault
rolling bearing
vibration
coupling
mode
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
Application number
CN201710140544.1A
Other languages
English (en)
Other versions
CN108573193A (zh
Inventor
邢婷婷
戴琨
孟宗
沈久利
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN201710140544.1A priority Critical patent/CN108573193B/zh
Publication of CN108573193A publication Critical patent/CN108573193A/zh
Application granted granted Critical
Publication of CN108573193B publication Critical patent/CN108573193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了滚动轴承研究技术领域的一种滚动轴承多故障耦合机理与早期故障特征提取方法，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：S1：基于非线性动力学的滚动轴承振动形式分析，S2：基于分岔理论的滚动轴承故障演变分析，S3：基于混沌特征量的滚动轴承故障特征提取，S4：模拟仿真分析和快速疲劳寿命试验，S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取，运用非线性动力学方法，解析疲劳寿命试验中滚动轴承多故障耦合特征，利用分岔理论分析单一故障模式演变过程中振动信号变化规律及其通向混沌的道路，利用混沌阵子系统对小参数扰动极其敏感的特点，实现滚动轴承早期故障特征提取与诊断。

Description

一种滚动轴承多故障耦合机理与早期故障特征提取方法
技术领域
本发明涉及滚动轴承研究技术领域，具体为一种滚动轴承多故障耦合机理与早期故障特征提取方法。
背景技术
滚动轴承是旋转机械设备中最常用的功能部件之一，也是最易损伤的功能部件之一，对其进行状态监测与故障诊断是国内外工程技术领域一直倍受关注的课题。据统计约有 30%的机械故障是与滚动轴承故障有关联的。在国家“十二五”规划的《装备制造业调整和振兴规划》和《机械基础零部件产业振兴实施方案》中将轴承作为基础零部件重要发展方向之一。尽管滚动轴承从设计、材料到制造都已经比较成熟，但是由于其本身寿命具有很大的离散性和不确定性，即相同的材料、加工工艺和生产设备生产出来的一批轴承，即使在载荷、转速、润滑条件相同的外部条件下，其寿命仍然相差很大。轴承的这个特点使得有的轴承虽已大大超过设计寿命仍能正常地工作，而有的轴承远未达到设计寿命就出现各种故障。所以，传统的按照设计寿命对轴承进行定时维修做法，势必会造成以下情形：“维修不足”和“维修过剩”问题。同时滚动轴承工作环境大多比较恶劣，长期高负荷工作大大增加了该部件发生故障的概率，很容易出现故障，由于其连通性和传动性，而任何一个小小的故障都可能引发连锁效应，一旦发生故障，将大大影响机械设备的整体性能，从而造成巨大的经济损失甚至是无可挽回的灾难性后果。因此，对滚动轴承进行有效的状态监控与故障诊断对于保障机械安全运转和节约开支具有重要意义，该项研究工作一直都是国内外机械故障诊断领域中的重点研究课题之一。鉴于上述提到的问题，本发明设计一种滚动轴承多故障耦合机理与早期故障特征提取方法，以解决上述提到的问题。
发明内容
本发明的目的在于提供一种滚动轴承多故障耦合机理与早期故障特征提取方法，以解决上述背景技术中提出的传统的按照设计寿命对轴承进行定时维修做法，势必会造成以下情形：“维修不足”和“维修过剩”问题，同时滚动轴承工作环境大多比较恶劣，一旦发生故障，将大大影响机械设备的整体性能，从而造成巨大的经济损失甚至是无可挽回的灾难性后果的问题。
为实现上述目的，本发明提供如下技术方案：一种滚动轴承多故障耦合机理与早期故障特征提取方法，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：
S1：基于非线性动力学的滚动轴承振动形式分析：首先研究滚动轴承正常状态和单一故障模式下的振动形式，研究在正常状态、内圈故障、外圈故障、滚动体故障和保持架故障工况下滚动轴承振动信号的运动轨迹与Poincaré映射，分析滚动轴承的振动形式，利用分岔图，Lyapunov指数参数研究滚动轴承的振动形式，研究滚动轴承振动的混沌机理，进一步研究多故障耦合作用下滚动轴承多故障模式的振动形式，将多故障模式振动信号的相图、Poincaré映射、分叉图、Lyapunov指数分别与单一故障模式信号作对比，通过对相空间重构参数的调整，确定多故障耦合模式下几何不变量随单一故障模式的变化规律，进而研究单一故障模式对多故障耦合信号的影响；
S2：基于分岔理论的滚动轴承故障演变分析：基于分岔理论，运用分岔图、Floquet指数图、最大Lyapunov指数图和Melnikov函数研究滚动轴承内圈、外圈、滚动体及保持架故障演变过程中振动信号随故障程度加剧的响应，分析故障程度发生变化时滚动轴承系统振动形式的变化，研究多故障耦合模式下滚动轴承故障演变过程，分析滚动轴承失效前的振动信号，对比单一故障模式振动信号分析，研究轴承多故障耦合演变的特性，分析耦合故障对振动信号的影响及其故障振动形式以及滚动轴承系统振动通向混沌的道路；
S3：基于混沌特征量的滚动轴承故障特征提取：通过对滚动轴承故障数据进行非线性时间序列分析预处理，分析滚动轴承振动信号的时间延迟间隔和振动信号的嵌入维数，联合信号的平均周期，利用嵌入延时定理将滚动轴承故障数据进行相空间重构，求解单一故障下的轴承振动信号的混沌特征量，分析不同故障模式下滚动轴承振动信号在混沌特征量上的表征形式，对比分析滚动轴承正常工作和单一故障模式的特征量，获取滚动轴承单一故障模式特征，进一步研究多故障耦合模式下滚动轴承振动信号在混沌特征量上的表征形式，分析多故障耦合模式下滚动轴承振动信号特征量的变化趋势，分析单一故障特征值与多故障耦合特征值的关系，研究多故障耦合情况下单一故障在振动信号中的表现和对耦合故障特征值的影响，获取滚动轴承多故障耦合模式特征；
S4：模拟仿真分析和快速疲劳寿命试验：基于步骤S3中的分岔理论，研究故障动态演变过程中滚动轴承振动信号的变化规律，滚动轴承破坏主要集中在后期某一较短的时间段，但此时已经是多故障耦合模式，因此需要从实验数据中的早期阶段数据中寻找单一故障模式的演变过程；
S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取：在滚动轴承快速疲劳寿命试验机上，以深沟球轴承为对象，开展滚动轴承多耦合故障非线性诊断实验研究，采集滚动轴承振动信号，分别获得深沟球轴承正常工作、外圈故障、内圈故障、滚动体故障、保持架故障及多故障耦合模式下故障演变过程的实验数据，运用本研究的故障特征提取方法对滚动轴承的单一故障和多故障耦合模式进行实验验证，对滚动轴承故障模式与故障特征映射关系，根据试验结果验证滚动轴承故障特征值选取的有效性和可行性。
优选的，所述步骤S1中的多故障模式振动信号处理方法为时频分析法。
优选的，所述步骤S3中混沌特征量是指确定性系统中出现的一种貌似无规则的、类似随机的现象，混沌吸引子特征量是刻画吸引子某个方面特征的量，包括李雅普诺夫指数、分数维数、熵，这些特征量用于区分滚动轴承在不同故障状态下的振动特性，从而对故障进行分类，混沌振子检测微弱信号主要是利用混沌系统对初始条件的敏感性，当被测信号输入混沌系统后就可导致系统的动力学行为发生变化，从而检测出有用特征信号。
与现有技术相比，本发明的有益效果是：该种滚动轴承多故障耦合机理与早期故障特征提取方法，运用非线性动力学方法，解析疲劳寿命试验中滚动轴承多故障耦合特征，探讨滚动轴承多故障耦合的振动形式，解析非线性耦合故障模式与单一故障模式的内在联系，揭示滚动轴承故障动态演变过程中故障特征的演变规律，利用分岔理论分析单一故障模式演变过程中振动信号变化规律及其通向混沌的道路，解析单一故障模式对多故障耦合模式振动形式的影响，提出基于混沌特征量的滚动轴承故障特征提取方法，利用混沌阵子系统对小参数扰动极其敏感的特点，以混沌特征量作为滚动轴承故障特征提取与诊断的标识，实现滚动轴承早期故障特征提取与诊断。
附图说明
图1为本发明工作流程图；
图2为本发明系统原理框图；
图3为本发明基于非线性动力学的滚动轴承振动形式分析系统原理框图；
图4为本发明基于分岔理论的滚动轴承故障演变分析系统原理框图；
图5为本发明滚动轴承快速疲劳寿命曲线图；
图6为本发明基于混沌特征量的滚动轴承故障特征提取系统原理框图。
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。
请参阅图1-6，本发明提供一种技术方案：一种滚动轴承多故障耦合机理与早期故障特征提取方法，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：
S1：基于非线性动力学的滚动轴承振动形式分析：首先研究滚动轴承正常状态和单一故障模式下的振动形式，研究在正常状态、内圈故障、外圈故障、滚动体故障和保持架故障工况下滚动轴承振动信号的运动轨迹与Poincaré映射，分析滚动轴承的振动形式，利用分岔图，Lyapunov指数参数研究滚动轴承的振动形式，研究滚动轴承振动的混沌机理，进一步研究多故障耦合作用下滚动轴承多故障模式的振动形式，将多故障模式振动信号的相图、Poincaré映射、分叉图、Lyapunov指数分别与单一故障模式信号作对比，通过对相空间重构参数的调整，确定多故障耦合模式下几何不变量随单一故障模式的变化规律，进而研究单一故障模式对多故障耦合信号的影响，多故障模式振动信号处理方法为时频分析法，时频域分析方法被广泛应用于轴承的故障诊断中，取得了较好的诊断效果，Rafieea提出了基于母小波函数的齿轮轴承故障诊断方法，研究了齿轮轴承故障特征提取算法，Jaouher研究了一种基于经验模态分解和人工神经网络的轴承故障诊断方法，以分解得到的本征模函数能量熵作为故障特征进行神经网络训练，实现轴承故障诊断，Li提出了一种自适应变步长随机共振微弱特征信号提取方法，并应用于滚动轴承故障诊断中，Hao提出了一种基于形态非抽样小波分解的滚动轴承故障诊断方法，实现了噪声环境下滚动轴承故障特征的有效提取，杨绍普运用非线性动力学参数样本熵作为特征，对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别，提高了轴承故障诊断的准确率，通过轴承故障实测信号的诊断实验，证明了该方法的可行性和有效性，申永军讨论了信号处理技术在滚动轴承故障诊断中的应用，详细比较了各种信号处理技术的特点、应用范围和研究进展，并指出了今后的若干研究方向，为轴承的故障诊断和在线监测提供了依据，郝如江利用多尺度形态学分析建立一种滚动轴承故障振动信号特征描述方法，采用多尺度形态开运算得到故障信号的形态谱，定量反映信号在不同尺度下的形态变化特征，为轴承故障信号的分析、识别和分类提供了新的思路，陈恩利针对滚动轴承早期微弱故障特征信号往往淹没于系统噪声信号中而难于识别的难题，将奇异值分解和盲信号分离相结合，成功地分离出滚动轴承实测信号的典型故障，提高了滚动轴承故障诊断的效果，李辉将双树复小波包变换和经验模态分解相结合，提出了改进双树复小波变换的轴承多故障诊断方法，提高了从强噪声环境中提取瞬态冲击特征的能力，实现了轴承故障类型的有效识别，胡爱军提出一种基于总体经验模态分解与峭度准则的包络解调方法，利用总体经验模态分解方法分解滚动轴承振动信号，根据峭度最大准则选取分解后的本征模函数进行包络解调，实现滚动轴承故障特征信息有效提取，冷永刚以一阶线性系统随机共振方法为基础，提出了一种基于线性系统调参广义随机共振的转子轴类早期微弱故障诊断方法，并通过轴承试验台早期微弱故障模拟实验验证了方法的有效性，李巍华提出了基于连续隐半马尔科夫模型的轴承性能退化评估方法，实现了轴承退化性能评估和早期故障识别，韩振南提出了基于最小熵反褶积和总体平均经验模态分解相结合的滚动轴承微弱故障特征提取方法，实现了强背景噪声多故障共存下的微弱故障特征提取，贾民平针对旋转机械振动信号的非平稳、非线性特点，提出一种基于集合经验模式分解的奇异谱熵信号分析及故障诊断方法，杨宇提出了一种基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法，实验分析结果表明，该方法能有效提取滚动轴承故障特征信息；
S2：基于分岔理论的滚动轴承故障演变分析：基于分岔理论，运用分岔图、Floquet指数图、最大Lyapunov指数图和Melnikov函数研究滚动轴承内圈、外圈、滚动体及保持架故障演变过程中振动信号随故障程度加剧的响应，分析故障程度发生变化时滚动轴承系统振动形式的变化，研究多故障耦合模式下滚动轴承故障演变过程，分析滚动轴承失效前的振动信号，对比单一故障模式振动信号分析，研究轴承多故障耦合演变的特性，分析耦合故障对振动信号的影响及其故障振动形式以及滚动轴承系统振动通向混沌的道路；
S3：基于混沌特征量的滚动轴承故障特征提取：通过对滚动轴承故障数据进行非线性时间序列分析预处理，分析滚动轴承振动信号的时间延迟间隔和振动信号的嵌入维数，联合信号的平均周期，利用嵌入延时定理将滚动轴承故障数据进行相空间重构，求解单一故障下的轴承振动信号的混沌特征量，分析不同故障模式下滚动轴承振动信号在混沌特征量上的表征形式，混沌特征量是指确定性系统中出现的一种貌似无规则的、类似随机的现象，混沌吸引子特征量是刻画吸引子某个方面特征的量，包括李雅普诺夫指数、分数维数、熵，这些特征量用于区分滚动轴承在不同故障状态下的振动特性，从而对故障进行分类，混沌振子检测微弱信号主要是利用混沌系统对初始条件的敏感性，当被测信号输入混沌系统后就可导致系统的动力学行为发生变化，从而检测出有用特征信号，许多专家学者将混沌系统应用于滚动轴承微弱信号检测中，陈予恕基于分岔和混沌理论对轴系典型故障的非线性动力学行为和早期特征进行了总结和整理，郑海起针对齿轮箱轴承振动信号具有非线性、非平稳特性，且故障信息容易被噪声淹没的问题，提出了基于经验模态分解和Duffing振子的轴承故障诊断方法，利用混沌振子输出相轨迹的变化来检测齿轮箱轴承故障信息，王太勇提出了在衡量二维时间序列复杂性方面具有普遍意义的二维近似熵，及基于混沌和二维近似熵的滚动轴承故障诊断方法，利用混沌振子对微弱周期信号的敏感性，可以直接检测低频段内滚动轴承微弱的故障特征频率，同时，以二维近似熵作为测度，从二维角度全面地量化振子的相变规律，客观、准确地识别振子状态并确定故障类型，对滚动轴承内、外圈故障的诊断实例验证了该方法的有效性，顾晓辉利用混沌吸引子特征量可以刻画滚动轴承在不同故障状态下振动特性的特点，提出一种基于关联维数、最大李雅普诺夫指数和信息熵的故障诊断方法，结合试验数据，应用支持向量机技术分析了3 类特征量对滚动轴承的故障识别能力，并对比了特征量两两组合的分类效果，通过对实测轴承数据的故障分类研究发现，与单一特征量方法相比，该方法可以有效区分不同故障类型和故障严重程度，为滚动轴承故障的超精密诊断提供了可能性，对比分析滚动轴承正常工作和单一故障模式的特征量，获取滚动轴承单一故障模式特征，进一步研究多故障耦合模式下滚动轴承振动信号在混沌特征量上的表征形式，分析多故障耦合模式下滚动轴承振动信号特征量的变化趋势，分析单一故障特征值与多故障耦合特征值的关系，研究多故障耦合情况下单一故障在振动信号中的表现和对耦合故障特征值的影响，获取滚动轴承多故障耦合模式特征；
S4：模拟仿真分析和快速疲劳寿命试验：基于步骤S3中的分岔理论，研究故障动态演变过程中滚动轴承振动信号的变化规律，滚动轴承破坏主要集中在后期某一较短的时间段，但此时已经是多故障耦合模式，因此需要从实验数据中的早期阶段数据中寻找单一故障模式的演变过程；
S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取：在滚动轴承快速疲劳寿命试验机上，以深沟球轴承为对象，开展滚动轴承多耦合故障非线性诊断实验研究，采集滚动轴承振动信号，分别获得深沟球轴承正常工作、外圈故障、内圈故障、滚动体故障、保持架故障及多故障耦合模式下故障演变过程的实验数据，运用本研究的故障特征提取方法对滚动轴承的单一故障和多故障耦合模式进行实验验证，对滚动轴承故障模式与故障特征映射关系，根据试验结果验证滚动轴承故障特征值选取的有效性和可行性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其同物限定。

Claims (3)

1.一种滚动轴承多故障耦合机理与早期故障特征提取方法，其特征在于，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：
S1：基于非线性动力学的滚动轴承振动形式分析：首先研究滚动轴承正常状态和单一故障模式下的振动形式，研究在正常状态、内圈故障、外圈故障、滚动体故障和保持架故障工况下滚动轴承振动信号的运动轨迹与Poincaré映射，分析滚动轴承的振动形式，利用分岔图，Lyapunov指数参数研究滚动轴承的振动形式，研究滚动轴承振动的混沌机理，进一步研究多故障耦合作用下滚动轴承多故障模式的振动形式，将多故障模式振动信号的相图、Poincaré映射、分叉图、Lyapunov指数分别与单一故障模式信号作对比，通过对相空间重构参数的调整，确定多故障耦合模式下几何不变量随单一故障模式的变化规律，进而研究单一故障模式对多故障耦合信号的影响；
S2：基于分岔理论的滚动轴承故障演变分析：基于分岔理论，运用分岔图、Floquet指数图、最大Lyapunov指数图和Melnikov函数研究滚动轴承内圈、外圈、滚动体及保持架故障演变过程中振动信号随故障程度加剧的响应，分析故障程度发生变化时滚动轴承系统振动形式的变化，研究多故障耦合模式下滚动轴承故障演变过程，分析滚动轴承失效前的振动信号，对比单一故障模式振动信号分析，研究轴承多故障耦合演变的特性，分析耦合故障对振动信号的影响及其故障振动形式以及滚动轴承系统振动通向混沌的道路；
S3：基于混沌特征量的滚动轴承故障特征提取：通过对滚动轴承故障数据进行非线性时间序列分析预处理，分析滚动轴承振动信号的时间延迟间隔和振动信号的嵌入维数，联合信号的平均周期，利用嵌入延时定理将滚动轴承故障数据进行相空间重构，求解单一故障下的轴承振动信号的混沌特征量，分析不同故障模式下滚动轴承振动信号在混沌特征量上的表征形式，对比分析滚动轴承正常工作和单一故障模式的特征量，获取滚动轴承单一故障模式特征，进一步研究多故障耦合模式下滚动轴承振动信号在混沌特征量上的表征形式，分析多故障耦合模式下滚动轴承振动信号特征量的变化趋势，分析单一故障特征值与多故障耦合特征值的关系，研究多故障耦合情况下单一故障在振动信号中的表现和对耦合故障特征值的影响，获取滚动轴承多故障耦合模式特征；
S4：模拟仿真分析和快速疲劳寿命试验：基于步骤S3中的分岔理论，研究故障动态演变过程中滚动轴承振动信号的变化规律，滚动轴承破坏主要集中在后期某一较短的时间段，但此时已经是多故障耦合模式，因此需要从实验数据中的早期阶段数据中寻找单一故障模式的演变过程；
S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取：在滚动轴承快速疲劳寿命试验机上，以深沟球轴承为对象，开展滚动轴承多耦合故障非线性诊断实验研究，采集滚动轴承振动信号，分别获得深沟球轴承正常工作、外圈故障、内圈故障、滚动体故障、保持架故障及多故障耦合模式下故障演变过程的实验数据，运用本研究的故障特征提取方法对滚动轴承的单一故障和多故障耦合模式进行实验验证，对滚动轴承故障模式与故障特征映射关系，根据试验结果验证滚动轴承故障特征值选取的有效性和可行性。
2.根据权利要求1所述的一种滚动轴承多故障耦合机理与早期故障特征提取方法，其特征在于：所述步骤S1中的多故障模式振动信号处理方法为时频分析法。
3.根据权利要求1所述的一种滚动轴承多故障耦合机理与早期故障特征提取方法，其特征在于：所述步骤S3中混沌特征量是指确定性系统中出现的一种貌似无规则的、类似随机的现象，混沌吸引子特征量是刻画吸引子某个方面特征的量，包括李雅普诺夫指数、分数维数、熵，这些特征量用于区分滚动轴承在不同故障状态下的振动特性，从而对故障进行分类，混沌振子检测微弱信号主要是利用混沌系统对初始条件的敏感性，当被测信号输入混沌系统后就可导致系统的动力学行为发生变化，从而检测出有用特征信号。
CN201710140544.1A 2017-03-10 2017-03-10 一种滚动轴承多故障耦合机理与早期故障特征提取方法 Active CN108573193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710140544.1A CN108573193B (zh) 2017-03-10 2017-03-10 一种滚动轴承多故障耦合机理与早期故障特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710140544.1A CN108573193B (zh) 2017-03-10 2017-03-10 一种滚动轴承多故障耦合机理与早期故障特征提取方法

Publications (2)

Publication Number Publication Date
CN108573193A CN108573193A (zh) 2018-09-25
CN108573193B true CN108573193B (zh) 2021-07-02

Family

ID=63577104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710140544.1A Active CN108573193B (zh) 2017-03-10 2017-03-10 一种滚动轴承多故障耦合机理与早期故障特征提取方法

Country Status (1)

Country Link
CN (1) CN108573193B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359791B (zh) * 2018-12-26 2020-06-05 湖南科技大学 一种机械系统退化趋势预测方法及系统
CN109934136B (zh) * 2019-02-28 2022-11-25 西安理工大学 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
CN110762081A (zh) * 2019-09-17 2020-02-07 湖州职业技术学院 基于hsmm-svm模型的大型液压机故障诊断方法与装置
CN111965424B (zh) * 2020-09-16 2021-07-13 电子科技大学 一种电力系统广域信号的预测补偿方法
CN112326248B (zh) * 2020-11-10 2022-08-23 江苏大学 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法
CN112505155B (zh) * 2020-12-09 2022-04-19 暨南大学 基于信息熵的管道导波损伤识别与定位方法、装置及系统
CN114061957A (zh) * 2021-11-18 2022-02-18 江苏科技大学 一种柴油机主轴承的健康评估方法
CN113935351B (zh) * 2021-11-22 2023-12-19 山西警察学院 一种非接触式振动频率检测与正反转识别的系统
CN114881314B (zh) * 2022-04-27 2023-04-07 广西科学院 基于多方向逼近的配方优化方法
CN115437303B (zh) * 2022-11-08 2023-03-21 壹控智创科技有限公司 一种智慧安全用电监测与控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104849050A (zh) * 2015-06-02 2015-08-19 安徽工业大学 一种基于复合多尺度排列熵的滚动轴承故障诊断方法
CN105928707A (zh) * 2016-04-27 2016-09-07 西安交通大学 一种滚动轴承-转子系统动态耦合建模方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104849050A (zh) * 2015-06-02 2015-08-19 安徽工业大学 一种基于复合多尺度排列熵的滚动轴承故障诊断方法
CN105928707A (zh) * 2016-04-27 2016-09-07 西安交通大学 一种滚动轴承-转子系统动态耦合建模方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Rolling Bearing Multi-Fault Diagnosis Based on AE Signal via ICA;Xi Jianhui, Cui Jianchi, Jiang Liying;《IEEE》;20150720;第6124-6127页 *
基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取;孟宗等;《计量学报》;20160731;第37卷(第4期);第406-410页 *

Also Published As

Publication number Publication date
CN108573193A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
CN108573193B (zh) 一种滚动轴承多故障耦合机理与早期故障特征提取方法
Zhao et al. Performance prediction using high-order differential mathematical morphology gradient spectrum entropy and extreme learning machine
Rai et al. Bearing performance degradation assessment based on a combination of empirical mode decomposition and k-medoids clustering
Zeng et al. Gearbox oil temperature anomaly detection for wind turbine based on sparse Bayesian probability estimation
CN107003663B (zh) 具有活动部分的装置的监视
Zhang et al. Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders
Caesarendra et al. An application of nonlinear feature extraction-A case study for low speed slewing bearing condition monitoring and prognosis
Yu A nonlinear probabilistic method and contribution analysis for machine condition monitoring
Ma et al. Subspace-based MVE for performance degradation assessment of aero-engine bearings with multimodal features
Cheng et al. A bearing fault diagnosis method based on VMD-SVD and Fuzzy clustering
Wu et al. Design a degradation condition monitoring system scheme for rolling bearing using EMD and PCA
Lu et al. Bearing health assessment based on chaotic characteristics
Sharma et al. Life assessment and health monitoring of rolling element bearings: an experimental study
Isham et al. A review on variational mode decomposition for rotating machinery diagnosis
Lu et al. Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph
Wang et al. Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy
Kecik et al. Diagnosis of angular contact ball bearing defects based on recurrence diagrams and quantification analysis of vibration signals
Meng et al. Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD
Chen et al. A fault diagnosis method of rotating machinery based on improved multiscale attention entropy and random forests
Zhou et al. Research on an early warning method for bearing health diagnosis based on EEMD-PCA-ANFIS
Feng et al. Residual useful life prediction of large-size low-speed slewing bearings–a data driven method
Bechhoefer et al. Techniques for large, slow bearing fault detection
Mo et al. Vibration and acoustics emission based methods in low-speed bearing condition monitoring
Jiang et al. Multiscale one-class classification network for machine health monitoring
Long et al. Early fault diagnosis technology for bearings based on quantile multiscale permutation entropy

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

Effective date of registration: 20210611

Address after: 066004 No. 438 west section of Hebei Avenue, seaport District, Hebei, Qinhuangdao

Applicant after: Yanshan University

Address before: No.25 Bohai Avenue, eco city, Caofeidian District, Tangshan City, Hebei Province 063299

Applicant before: TANGSHAN INDUSTRIAL VOCATIONAL TECHNICAL College

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant