CN108593293B - 一种适用于提取轴承故障特征的自适应滤波方法 - Google Patents
一种适用于提取轴承故障特征的自适应滤波方法 Download PDFInfo
- Publication number
- CN108593293B CN108593293B CN201810195248.6A CN201810195248A CN108593293B CN 108593293 B CN108593293 B CN 108593293B CN 201810195248 A CN201810195248 A CN 201810195248A CN 108593293 B CN108593293 B CN 108593293B
- Authority
- CN
- China
- Prior art keywords
- band component
- filtering
- component
- filtered
- follows
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种适用于提取轴承故障特征的自适应滤波方法,步骤如下:S1,采集时域轴承振动信号;S2,对轴承振动信号进行离散傅里叶变换,得到频域轴承振动信号;S3,计算滤波分解的总次数J;S4,滤波分解,并得到时域滤波频带分量集v(n);S5,求取峭度值Kq;S6,自适应筛选反映轴承故障特征的滤波频带分量vq;S7,对筛选出的滤波频带分量进行阈值处理。首先将轴承振动信号转化至频域,再在频域进行多次滤波分解,利用振动信号本身长度自动确定滤波分解的总次数,并应用莱以特显著性判别准则筛选出峭度值显著大于3的滤波频带分量,作为提取的轴承故障特征成分,最后通过阈值处理对筛选出的故障特征成分进行降噪。本发明在提取轴承早期故障特征的自适应性和准确性有优势。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种适用于提取轴承故障特征的自适应滤波方法。
背景技术
滚动轴承是旋转机械的传动关键部件,也是极易发生故障的部件,其常见的故障类型包括:内环故障,外环故障,滚动体故障和保持架故障等,每种故障类型都对应一种理论特征频率。振动分析法是轴承故障诊断的常用方法,其诊断原理为:首先采集轴承工作时的振动信号,再利用信号处理方法提取振动信号中反映故障特征的成分,最后对提取的故障特征成分进行频谱分析,通过频谱峰值处频率与理论故障特征频率对比,最终诊断出轴承的故障类型。
如何提取故障特征是轴承故障诊断的关键。现有方法中,时域分析利用振动信号的时域参数(如峰值,均值,方差,峭度等)组成特征向量;频域分析利用傅里叶变换进行频谱分析以观察频域特征;小波分析利用多尺度小波基对振动信号进行小波分解提取特征成分;稀疏表示方法利用冗余的原子字典对振动信号进行稀疏分解提取特征成分等等。这些方法在轴承故障特征提取具体应用中取得良好效果,但受工况复杂性影响,这些方法也存在一些缺陷,如:轴承早期故障阶段,振动信号中反映故障特征的成分很微弱,往往被转频和其它谐波以及噪声所覆盖,难以从时域或频域提取故障特征,小波分析的恒品质因子性限制了提取故障特征的灵活性和自适应性,稀疏分解方法的选择对提取故障特征的准确性有一定的影响。
发明内容
针对上述现有技术中描述的不足,本发明提供一种适用于提取轴承故障特征的自适应滤波方法,本发明具有自动确定滤波分解总次数和自适应筛选滤波频带分量的特点,在提取轴承早期故障特征的自适应性方面和准确性方面具有一定的优势。
为解决上述技术问题,本发明所采用的技术方案如下:一种适用于提取轴承故障特征的自适应滤波方法,步骤如下:
S1,采集时域轴承振动信号x(n);
S2,对轴承振动信号x(n)进行离散傅里叶变换,得到频域轴承振动信号X(k);
式中:N为轴承振动信号x(n)的长度;i为虚单位,满足i2=-1。
S3,计算滤波分解的总次数J;
式中:round(·)表示取不大于·的正整数。
S4,进行J次滤波分解,并得到时域滤波频带分量集v(n)。
具体步骤为:S4.1,给循环次数j赋初值为1,并令初始输入信号V0,0(k)=X(k)。
S4.2,计算滤波分解时的低频分量长度N0,j和高频分量长度N1,j:
S4.3,计算滤波分解时的低频分量V0,j(k)和高频分量V1,j(k):
低频分量V0,j(k)的计算公式为:
高频分量V1,j(k)的计算公式为:
其中,θ(·)函数为:
V0,0(k)=X(k) (7)。
S4.4,输出高频分量V1,j(k),并将低频分量V0,j(k)作为下一次滤波分解的输入信号。
S4.5,循环步骤S4.2-S4.4,直至滤波分解次数j等于总次数J时结束,且使输出的各高频分量和最后一次滤波分解得到的低频分量构成频域频带分量集V(k),
V(k)=(V1,1(k),V1,2(k),…,V1,j(k),…,V1,J(k),V0,J(k))。
S4.6,对步骤S4.5中得到的频域频带分量集V(k)的各频带分量元素分别进行离散傅里叶逆变换,得到时域滤波频带分量集v(n),且
v(n)=(v1,1(n),v1,2(n),…,v1,j(n),…v1,J(n),v0,J(n));
离散傅里叶逆变换的通式为:
式中:Vq(k)为频域频带分量集V(k)中第q个频带分量,NVq为频带分量Vq(k)的长度,vq(n)为时域滤波频带分量集v(n)中第q个滤波频带分量;且q=1,2,...,J,J+1。
S5,对步骤S4得到的时域滤波频带分量集v(n)中的各时域滤波频带分量vq(n),分别求取峭度值Kq,通式为:
式中:vq为待求峭度值的滤波频带分量,μ为滤波频带分量vq的平均值,σ为滤波频带分量vq的标准差。
S6,从时域滤波频带分量集v(n)中利用峭度值自适应筛选出M个反映轴承故障特征的滤波频带分量vq。
具体步骤为:判断每个峭度值Kq是否显著大于3,若成立,则筛选出峭度值Kq显著大于3所对应的滤波频带分量vq;若不成立,则舍弃;
而显著性由莱以特准则判别,判别式为:
|Kq-μK|>3σK (10);
Kq为第q个峭度值,μK为J+1个峭度值的均值;σK为J+1峭度值的标准差。
S7,对步骤S6筛选出的各滤波频带分量分别进行阈值处理。
阈值处理的步骤为:
S7.1,计算其中dq,m表示筛选出的滤波频带分量vq的第m个分量值,且当m=1时,令dq,m-1=dq,m;当m=Nq时,令dq,m+1=dq,m;且Nq为筛选出的滤波频带分量vq的长度;
S7.2,判断是否成立,若成立,令dq,m=dq,m;否则,令dq,m=0;其中函数median(vq)表示取筛选出的滤波频带分量vq的中值;
S7.3,重复步骤S7.1-S7.2,直至滤波频带分量vq中的每个分量值都处理一次。
本发明首先利用离散傅里叶变换将轴承振动信号转化至频域,再在频域进行多次滤波分解,利用振动信号本身长度自动确定滤波分解的总次数,并应用莱以特显著性判别准则筛选出峭度值显著大于3的滤波频带分量,作为提取的轴承故障特征成分,最后通过阈值处理对筛选出的故障特征成分进行降噪。本发明避免了现有方法中人为选择参数的影响,根据操作步骤对时域轴承振动信号进行自适应滤波处理,提取的轴承故障特征成分时域波形的周期性明显,包络谱图上的峰值特征频率与理论特征频率匹配准确,凭借此发明可以准确诊断出滚动轴承的常见故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一部分实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的系统流程图。
图2是本发明采集的故障轴承时域振动信号波形图。
图3是本发明各滤波频带分量的峭度值柱形图。
图4是本发明筛选出的峭度值显著大于3的滤波频带分量波形图。
图5是本发明阈值处理后的滤波频带分量波形图。
图6是图5中滤波频带分量波形的包络谱分布图。
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付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。
一种适用于提取轴承故障特征的自适应滤波方法,如图1所示,步骤如下:
S1,采集时域轴承振动信号x(n)。
S2,对轴承振动信号x(n)进行离散傅里叶变换,得到频域轴承振动信号X(k);
式中:N为轴承振动信号x(n)的长度;i为虚单位,满足i2=-1。
S3,计算滤波分解的总次数J;
式中:round(·)表示取不大于·的正整数。
S4,进行J次滤波分解,并得到时域滤波频带分量集v(n)。
具体步骤为:S4.1,给循环次数j赋初值并令初始输入信号V0,0(k)=X(k)。
S4.2,计算滤波分解时的低频分量长度N0,j和高频分量长度N1,j:
S4.3,计算滤波分解时的低频分量V0,j(k)和高频分量V1,j(k):
低频分量V0,j(k)的计算公式为:
高频分量V1,j(k)的计算公式为:
其中,θ(·)函数为:
V0,0(k)=X(k) (7)。
S4.4,输出高频分量V1,j(k),并将低频分量V0,j(k)作为下一次滤波分解的输入信号。
S4.5,循环步骤S4.2-S4.4,直至滤波分解次数j等于总次数J时结束,且使输出的各高频分量和最后一次滤波分解得到的低频分量构成频域频带分量集V(k),且V(k)=(V1,1(k),V1,2(k),…,V1,j(k),…,V1,J(k),V0,J(k))。
S4.6,对步骤S4.5中得到的频域频带分量集V(k)的各频带分量元素分别进行离散傅里叶逆变换,得到时域滤波频带分量集v(n),且
v(n)=(v1,1(n),v1,2(n),…,v1,j(n),…v1,J(n),v0,J(n));
离散傅里叶逆变换的通式为:
式中:Vq(k)为频域频带分量集V(k)中第q个频带分量,NVq为频带分量Vq(k)的长度,vq(n)为时域滤波频带分量集v(n)中第q个滤波频带分量;且q=1,2,...,J,J+1。
S5,对步骤S4得到的时域滤波频带分量集v(n)中的各时域滤波频带分量vq(n),分别求取峭度值Kq,通式为:
式中:vq为待求峭度值的滤波频带分量,μ为滤波频带分量vq的平均值,σ为滤波频带分量vq的标准差。
S6,从时域滤波频带分量集v(n)中利用峭度值自适应筛选出M个反映轴承故障特征的滤波频带分量vq。
具体步骤为:判断每个峭度值Kq是否显著大于3,若成立,则筛选出峭度值Kq显著大于3所对应的滤波频带分量vq;若不成立,则舍弃;
而显著性由莱以特准则判别,判别式为:
|Kq-μK|>3σK (10);
Kq为第q个峭度值,μK为J+1个峭度值的均值;σK为J+1峭度值的标准差。
S7,对步骤S6筛选出的各滤波频带分量分别进行阈值处理。
阈值处理的步骤为:
S7.1,计算其中dq,m表示筛选出的滤波频带分量vq的第m个分量值,且当m=1时,令dq,m-1=dq,m;当m=Nq时,令dq,m+1=dq,m;且Nq为筛选出的滤波频带分量vq的长度;
S7.2,判断是否成立,若成立,令dq,m=dq,m;否则,令dq,m=0;其中函数median(vq)表示取筛选出的滤波频带分量vq的中值;
S7.3,重复步骤S7.1-S7.2,直至滤波频带分量vq中的每个分量值都处理一次。
下面以具体实例对本发明进一步说明。
采集型号为SKF6205-2RS轴承发生早期外环故障时(故障点为直径为0.007英尺,深度为0.011英尺的小凹点)的振动数据,采样频率为12KHz,图2为采样时间为1s的振动数据波形。
步骤1:对图2所示的振动数据按照公式1进行离散傅里叶变换,其中,振动数据的总点数为N=12000,得到X(k)。
步骤2:对X(k)进行滤波分解,其中滤波总次数J由公式2自适应确定,本实例中得到滤波总次数J=18。
具体滤波分解过程为:在第1次滤波分解时,即,j=1,输入X(k),先分别确定低频分量V0,1(k)的长度和高频分量V1,1(k)的长度,再分别计算出低频分量V0,1(k)和高频分量V1,1(k),计算完毕后,输出高频分量V1,1(k),低频分量V0,1(k)作为下一次滤波分解的输入;
在第2次滤波分解时,即,j=2,输入V0,1(k),先分别确定低频分量V0,2(k)和高频分量V1,2(k)的长度,再分别计算出低频分量V0,2(k)和高频分量V1,2(k),计算完毕后,输出高频分量V1,1(k),低频分量V0,2(k)作为下一次滤波分解的输入。
以此类推,直到分解到J次,即,18次结束。
分解结束,依次得到高频分量V1,1(k),V1,2(k),…,V1,18(k)和最后一次分解得到的低频分量V0,18(k)。
并对高频分量V1,1(k),V1,2(k),…,V1,18(k)和最后一次分解得到的低频分量V0,18(k)进行离散傅里叶逆变换,得到v1,1(n),v1,2(n),…,v1,18(n)和v0,18(n)。
步骤3:求v1,1(n),v1,2(n),…,v1,18(n)和v0,18(n)各自的峭度值,得到K1,K1,…,K18和K19,其中:K19为v0,18(n)的峭度值,各峭度值柱形图如图3所示。
步骤4:利用峭度值自适应筛选出反映轴承故障特征的滤波频带分量。
具体筛选过程为:首先计算K1,K1,…,K18和K19的平均值μK和标准差σK;再逐一计算|K1-μK|,|K2-μK|,…,|K18-μK|和|K19-μK|;最后利用莱以特显著性判别准则,筛选出峭度值显著大于3所对应的滤波频带分量v10和v11。
v10和v11的波形如图4所示。
步骤5:对筛选出的峭度值显著大于3所对应的滤波频带分量v10和v11进行阈值处理,具体操作步骤为:
步骤5.1:计算这里q分别取10和11;其中dq,m表示筛选出的滤波频带分量vq的第m个分量值。
特殊情况:当m=1时(即起点情况),令dq,m-1=dq,m;当m=Nq时,即末端点情况,令dq,m+1=dq,m;且Nq为滤筛选出的滤波频带分量vq的长度。
步骤5.2:判断是否成立,若成立,令dq,m=dq,m;否则,令dq,m=0。其中函数median(vq)表示取筛选出的滤波频带分量vq的中值。
步骤5.3:重复步骤S:5.1-S5.2,直至滤波频带分量vq中的每个分量值都处理一次。
阈值处理后的滤波频带分量v10和v11,就是所提取的轴承故障特征,波形如图5所示。从图5可以看出,经过本发明提取的两个滤波频带分量所含冲击成分的周期性明显体现了出来。进一步分析所提取的这两个滤波频带分量的包络谱,如图6所示。从图6中可看出,两者谱图中最大峰值处对应的频率均为105.6Hz,此值与轴承理论外环故障特征频率105.3Hz非常接近,由此可诊断该轴承存在外环故障点,这一诊断结论与事实相符。
上面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、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种适用于提取轴承故障特征的自适应滤波方法,其特征在于,步骤如下:S1,采集时域轴承振动信号x(n);
S2,对轴承振动信号x(n)进行离散傅里叶变换,得到频域轴承振动信号X(k);
式中:N为轴承振动信号x(n)的长度;i为虚单位,满足i2=-1;
S3,计算滤波分解的总次数J;
式中:round(·)表示取不大于·的正整数;
S4,进行J次滤波分解,并得到时域滤波频带分量集v(n);
S5,对步骤S4得到的时域滤波频带分量集v(n)中的各时域滤波频带分量vq(n),分别求取峭度值Kq,通式为:
式中:vq为待求峭度值的滤波频带分量,μ为滤波频带分量vq的平均值,σ为滤波频带分量vq的标准差;
S6,从时域滤波频带分量集v(n)中利用峭度值自适应筛选出M个反映轴承故障特征的滤波频带分量vq;
S7,对步骤S6筛选出的各滤波频带分量分别进行阈值处理。
2.根据权利要求1所述的适用于提取轴承故障特征的自适应滤波方法,其特征在于,在步骤S4中,具体步骤如下:S4.1,给循环次数j赋初值为1,并令初始输入信号V0,0(k)=X(k);
S4.2,计算滤波分解时的低频分量长度N0,j和高频分量长度N1,j:
S4.3,计算滤波分解时的低频分量V0,j(k)和高频分量V1,j(k):
低频分量V0,j(k)的计算公式为:
高频分量V1,j(k)的计算公式为:
其中,θ(·)函数为:
且V0,0(k)=X(k) (7);
S4.4,输出高频分量V1,j(k),并将低频分量V0,j(k)作为下一次滤波分解的输入信号;
S4.5,循环步骤S4.2-S4.4,直至滤波分解次数j等于总次数J时结束,且使输出的各高频分量和最后一次滤波分解得到的低频分量构成频域频带分量集V(k),且
V(k)=(V1,1(k),V1,2(k),…,V1,j(k),…,V1,J(k),V0,J(k));
S4.6,对步骤S4.5中得到的频域频带分量集V(k)的各频带分量元素分别进行离散傅里叶逆变换,得到时域滤波频带分量集v(n),且
v(n)=(v1,1(n),v1,2(n),…,v1,j(n),…v1,J(n),v0,J(n));
离散傅里叶逆变换的通式为:
式中:Vq(k)为频域频带分量集V(k)中第q个频带分量,NVq为频带分量Vq(k)的长度,vq(n)为时域滤波频带分量集v(n)中第q个滤波频带分量;且q=1,2,...,J,J+1。
3.根据权利要求1所述的适用于提取轴承故障特征的自适应滤波方法,其特征在于,在步骤S6中,具体步骤为:判断每个峭度值Kq是否显著大于3,若成立,则筛选出峭度值Kq显著大于3所对应的滤波频带分量vq;若不成立,则舍弃;
而显著性由莱以特准则判别,判别式为:
|Kq-μK|>3σK (10);
Kq为第q个峭度值,μK为J+1个峭度值的均值;σK为J+1峭度值的标准差。
4.根据权利要求1所述的适用于提取轴承故障特征的自适应滤波方法,其特征在于,在步骤S7中,阈值处理的步骤为:
S7.1,计算其中dq,m表示筛选出的滤波频带分量vq的第m个分量值,且当m=1时,令dq,m-1=dq,m;当m=Nq时,令dq,m+1=dq,m;且Nq为筛选出的滤波频带分量vq的长度;
S7.2,判断是否成立,若成立,令dq,m=dq,m;否则,令dq,m=0;其中函数median(vq)表示取筛选出的滤波频带分量vq的中值;S7.3,重复步骤S7.1-S7.2,直至滤波频带分量vq中的每个分量值都处理一次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810195248.6A CN108593293B (zh) | 2018-03-09 | 2018-03-09 | 一种适用于提取轴承故障特征的自适应滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810195248.6A CN108593293B (zh) | 2018-03-09 | 2018-03-09 | 一种适用于提取轴承故障特征的自适应滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108593293A CN108593293A (zh) | 2018-09-28 |
CN108593293B true CN108593293B (zh) | 2019-09-13 |
Family
ID=63625859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810195248.6A Expired - Fee Related CN108593293B (zh) | 2018-03-09 | 2018-03-09 | 一种适用于提取轴承故障特征的自适应滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108593293B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540560B (zh) * | 2018-11-30 | 2020-03-24 | 厦门大学 | 旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法 |
CN113138011A (zh) * | 2021-03-17 | 2021-07-20 | 江苏中科君达物联网股份有限公司 | 一种新型振动噪声测试方法 |
CN116861219B (zh) * | 2023-09-01 | 2023-12-15 | 华能新能源股份有限公司山西分公司 | 一种风电机组变桨故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811377A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 一种定量识别滚动轴承损伤的方法 |
KR20110110735A (ko) * | 2010-04-01 | 2011-10-07 | 주식회사 글로비즈 | 풍력발전기 모니터링 장치 |
CN102269644A (zh) * | 2010-06-07 | 2011-12-07 | 北京化工大学 | 基于最优自适应小波滤波器的滚动轴承与齿轮冲击性故障诊断方法 |
CN104468427A (zh) * | 2014-10-25 | 2015-03-25 | 哈尔滨工业大学 | 基于fri时频域综合分析的信号高效采样及信号重构方法 |
CN106908241A (zh) * | 2017-02-23 | 2017-06-30 | 北京工业大学 | 一种基于lmd与小波去噪相结合的轴承故障判别方法 |
-
2018
- 2018-03-09 CN CN201810195248.6A patent/CN108593293B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811377A (zh) * | 2006-03-03 | 2006-08-02 | 西安交通大学 | 一种定量识别滚动轴承损伤的方法 |
KR20110110735A (ko) * | 2010-04-01 | 2011-10-07 | 주식회사 글로비즈 | 풍력발전기 모니터링 장치 |
CN102269644A (zh) * | 2010-06-07 | 2011-12-07 | 北京化工大学 | 基于最优自适应小波滤波器的滚动轴承与齿轮冲击性故障诊断方法 |
CN104468427A (zh) * | 2014-10-25 | 2015-03-25 | 哈尔滨工业大学 | 基于fri时频域综合分析的信号高效采样及信号重构方法 |
CN106908241A (zh) * | 2017-02-23 | 2017-06-30 | 北京工业大学 | 一种基于lmd与小波去噪相结合的轴承故障判别方法 |
Non-Patent Citations (2)
Title |
---|
基于字典学习的轴承早期故障稀疏特征提取;余发军等;《振动与冲击》;20160630;376-398 * |
基于稀疏表示的轴承早期故障特征提取;余发军等;《北京理工大学学报》;20160430;181-186 * |
Also Published As
Publication number | Publication date |
---|---|
CN108593293A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168891B (zh) | 滚动轴承微弱故障信号特征的提取方法及设备 | |
Hramov et al. | Wavelets in neuroscience | |
CN108593293B (zh) | 一种适用于提取轴承故障特征的自适应滤波方法 | |
CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
CN104523266B (zh) | 一种心电信号自动分类方法 | |
Mishra et al. | An efficient method for analysis of EMG signals using improved empirical mode decomposition | |
CN107505135A (zh) | 一种滚动轴承复合故障提取方法及系统 | |
US20030033094A1 (en) | Empirical mode decomposition for analyzing acoustical signals | |
US7610324B2 (en) | System for detection and estimation of periodic patterns in a noisy signal | |
DE60223391T2 (de) | Tonhöhenbestimmungsverfahren und vorrichtung zur spektralanalyse | |
CN108888259A (zh) | 一种心电信号实时qrs波检测方法 | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
CN110398364A (zh) | 基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法 | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN114190944A (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
Gong et al. | Application of optimized multiscale mathematical morphology for bearing fault diagnosis | |
CN112790775A (zh) | 基于集成分类的高频振荡节律检测方法及装置 | |
CN107490477A (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 | |
CN110432891A (zh) | 一种自动化提取心电节拍的特征提取和分类方法 | |
Dai et al. | Element analysis and its application in rotating machinery fault diagnosis | |
CN115590469A (zh) | 用于转换生理信号的方法和系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 451191 No. 1 Huaihe Road, Shuang Hu Economic and Technological Development Zone, Xinzheng, Zhengzhou, Henan Applicant after: ZHONGYUAN University OF TECHNOLOGY Address before: 451191 No. 1 Huaihe Road, Shuanghu Town Economic and Technological Development Zone, Zhengzhou City, Henan Province Applicant before: Zhongyuan University of Technology |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190913 |