CN109101936A - 一种基于自适应的med滚动轴承早期故障诊断方法 - Google Patents
一种基于自适应的med滚动轴承早期故障诊断方法 Download PDFInfo
- Publication number
- CN109101936A CN109101936A CN201810956887.XA CN201810956887A CN109101936A CN 109101936 A CN109101936 A CN 109101936A CN 201810956887 A CN201810956887 A CN 201810956887A CN 109101936 A CN109101936 A CN 109101936A
- Authority
- CN
- China
- Prior art keywords
- signal
- med
- teager
- tese
- adaptive
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于自适应MED滚动轴承早期故障诊断方法,该方法为一种针对轴承外圈早期故障的诊断方法。本发明针对,MED降噪效果受滤波器阶数L影响的问题,研究了轴承的故障机理,提出了一种利用遗传算法和Teager能量算子包络谱熵(TESE)为目标函数的自适应MED降噪方法。首先提出TESE指标,衡量信号的降噪效果;再利用遗传算法优良的寻优特性,以TESE作为目标函数,对MED算法的最佳影响参数进行寻优,通过解调谱提取微弱故障特征。该方法能够对早期微弱故障中的冲击成分进行自适应增强,可有效提取滚动轴承早期故障特征频率信息。
Description
技术领域
本发明属于故障诊断技术领域,涉及一种早期轴承外圈单点故障诊断方法,特别涉及一种基于自适应MED滚动轴承早期故障诊断方法。
背景技术
滚动轴承是机械设备中最常用的零件之一,其运行状态直接影响到整台机器的性能。当轴承出现局部损伤或缺陷时,轻则使设备产生噪音、振动异常,重则损坏设备。实际工程应用中,由于存在振动传输路径复杂多变、工作环境噪声干扰严重、多振动源的激励和响应互相耦合等诸多因素的影响,使得滚动轴承早期故障诊断相对困难。
最小熵反褶积(Minimum entropy deconvolution,MED)是一种自适应系统识别的降噪方法,利用最大峭度值作为迭代终止条件,在提取信号中的冲击成分方面表现出优异的性能,非常适用于强背景噪声下滚动轴承冲击性故障的降噪处理从而突出冲击脉冲。但其降噪结果易受主观选择滤波器长度L的影响。如何选取滤波器长度L是MED降噪的关键,如果MED中滤波器长度选择不当可能会造成解卷积的结果失去意义。因此,解决MED算法参数无法自适应选取问题值得进一步研究。
发明内容
针对MED降噪效果受滤波器长度L无法自动选取的问题,提出一种基于自适应的MED滚动轴承早期故障诊断方法。该方法首先提出TESE指标来衡量信号的降噪效果;再利用遗传算法优良的寻优特性,以TESE作为目标函数,对MED算法的最佳影响参数进行寻优,能够对早期微弱故障中的冲击成分进行自适应增强。
本发明采用的技术方案为一种基于自适应的MED滚动轴承早期故障诊断方法,该方法包括以下具体步骤:
步骤(1)输入实测信号,设定遗传算法各项参数;
步骤(2)对实测信号进行MED处理,计算TESE指标,利用遗传算法搜寻函数中TESE最优解,得到最佳影响参数L0;
步骤(3)利用优化后的MED算法对故障信号进行处理,对得到的解卷积信号进一步Teager算子解调,得到解调谱,提取故障特征频率。
所述步骤(1)中,输入时间信号,设定遗传算法各项参数。
本方法设定的L的范围(1:60),步长为1,种群大小P=100,采用二进制编码,长度为10,交叉概率Pc=0.6,变异概率Pm=0.001,最大进化代数G=100。
利用遗传算法对MED的影响参数进行优化,设定遗传算法各项参数。
所述步骤(2)中,对信号进行MED处理,计算TESE指标,利用遗传算法搜寻函数中TESE最优解,得到最佳影响参数L0;
设由一个离散随机变量X={x1,x2,...,xN}所给定的信源,其出现的概率pi=p(xi),i=1,2,...,N,且则信源X的信息熵表示为:
其中,定义ln0=0。
通过对Teager能量算子解调出的包络信号进行FFT变换,即Teager包络谱TES(i)。将Teager包络谱分析与信息熵结合,即Teager包络谱熵:
式中:TES(i)为振动信号{xi,i=1,2,…,N}的Teager包络谱;TESE代表Teager包络谱熵,j=1,..,N。包络谱熵的大小只取决于包络信号的频率分布,而与信号的强弱无关。
所述步骤(3)中:利用优化后的MED算法对故障信号进行处理,对得到的解卷积信号Teager算子解调,得到解调谱,提取故障特征频率。
对一个时间信号x(t)做Teager能量算子运算后,得到其瞬时能量信号定义为:
其中,和分别为信号x(t)的一、二阶导数。Teager能量算子ψ表达信号的瞬时能量值。对于离散时间信号,近似表达为:
ψ[x(n)]=x2(n)-x(n+1)x(n-1)
时间信号x(t)经能量算子运算后得到瞬时能量信号ψ[x(t)],本质为振动瞬时幅值和瞬时频率二者的平方之积。能量算子能更为有效地突出冲击成分的瞬态特征。
本发明的有益效果是:Teager能量算子信号可以增强信号中的周期性冲击特征、抑制非冲击成分,通过与信息熵相结合计算出TESE值。将TESE作为选取最优L值的目标函数,利用遗传算法优良的寻优特性,对MED算法的最佳影响参数L进行搜寻;最后对信号进行Teager能量算子解调,提取出滚动轴承故障特征。采用本发明的自适应MED方法能对早期微弱故障中冲击成分进行自适应增强,实现轴承故障的精确诊断。
附图说明
图1是本发明的工作流程图;
图2是SNRs与TESE的关系图;
图3是本发明Teager包络谱熵与L迭代关系图;
图4是实测信号自适应MED处理前后时域图对比图;
图5是本发明自适应MED处理后瞬时Teager能量波形;
图6是本发明自适应MED处理前后的解调谱图对比;
具体实施方式
下面具体结合附图与实例对本发明作进一步的说明。
如图1所示,是本发明的一种基于自适应的MED滚动轴承早期故障诊断方法的工作流程图。具体实施过程如下:
(1)输入实测信号,设定遗传算法各项参数;
设定滤波器长度参数L的范围(1:60),步长为1;种群大小P=100,采用二进制编码,长度为10,交叉概率Pc=0.6,变异概率Pm=0.001,最大进化代数G=100。利用遗传算法对MED的影响参数进行优化,其中涉及的关键因素具体包括:
1)初始化:设定遗传算法群种大小P,终止进化代数G,交叉概率Pc和变异率Pc。
2)编码:将参数滤波器长度L进行二进制编码。
3)选择:采用轮盘选择算子。
4)交叉:采用两点交叉,对待交叉的两个个体随机选取两个位置,将两个位置间的部分进行交换,从而得到两个新个体。
5)变异:采用一点变异,对待操作的个体随机选取一个位置进行取反操作。
6)适应值函数:本文用L作为自变量,以TESE为目标函数。
(2)对信号进行MED处理,计算TESE指标,利用遗传算法搜寻函数中TESE最优解,得到最佳影响参数L0;
假设当滚动轴承发生故障时采集到的实测信号表达为:
y(n)=h(n)*x(n)+e(n)
其中,x(n)为原始激励信号,e(n)为噪声,h(n)为系统频响函数,y(n)是实测信号。解卷积问题是寻找一个逆滤波器w(n),由输出y(n)恢复输入x(n),即:
x(n)=w(n)*y(n)
设是w(n)的一个可能估值,它的最优性解卷积后得到的序列的熵值来测定,序列形状越简单,则其熵值越小,越趋于最优。MED算法将的范数作为目标函数来衡量其熵的大小],即:
最小熵解卷积的目的就是寻找最优的逆滤波器w(n)使范数最大,亦即使
因为
式中,L为逆滤波器w(n)的长度。
对上式两侧取导数,整理后可得:
结合式上式,进一步计算得出:
上式可以写成矩阵的形式
b=Aw
式中,A为序列y(n)的L×L的自相关矩阵,b=(b(l))T,而b(l)表示如下
由式b=Aw写成矩阵的形式
w=A- 1b
由以上分析归纳出最小熵递归迭代算法步骤如下:
(1)初始化w(0)中元素全为1.
(2)迭代计算x(n)=w(n)(i-1)*y(n)。
(3)计算
(4)计算w(i)=A-1b(i)。
如果小于给定阈值,则停止递归,否则令i增1,回到步骤(2)。
设由一个离散随机变量X={x1,x2,...,xN}所给定的信源,其出现的概率pi=p(xi),i=1,2,...,N,且则信源X的信息熵表示为:
其中,定义ln 0=0。
通过对Teager能量算子解调出的包络信号进行FFT变换,即Teager包络谱TES(i)。将Teager包络谱分析与信息熵结合,即Teager包络谱熵:
式中:TES(i)为振动信号{xi,i=1,2,…,N}的Teager包络谱;TESE代表Teager包络谱熵,j=1,..,N。TESE体现了信号在包络域的复杂度。包络谱熵的大小只取决于包络信号的频率分布,而与信号的强弱无关。
通过对仿真信号加入8组不同的信噪比分别为:-16、-12、-8、-4、0、4、8、12dB,图2为SNRs与TESE的关系图。
整体来看,信噪比越大,TESE值越小,即噪声成分所占比例逐渐减小,包络谱越来越集中在特征频率上,引起TESE的明显减小。
图3是本发明Teager包络谱熵与L迭代关系图;
(3)利用优化后的MED算法对故障信号进行处理,对得到的解卷积信号进一步Teager算子解调,得到解调谱,提取故障特征频率。
对一个时间信号x(t)做Teager能量算子运算后,可得到其瞬时能量信号定义为:
其中,和分别为信号x(t)的一、二阶导数。信号x(t)经能量算子运算后得到瞬时能量信号ψ[x(t)],其本质为振动瞬时幅值和瞬时频率二者的平方之积。
图4是实测信号自适应MED处理前后时域图对比;
图5是本发明自适应MED处理后瞬时Teager能量波形,冲击成分被明显被增强;
图6是本发明自适应MED处理前后的解调谱图对比,处理后发现明显的故障特征频率及其倍频;
本发明利用遗传算法及Teager包络谱峭度(TESE)指标,对MED影响参数进行了优化选取,能够自适应选取参数,对早期微弱故障中冲击成分能够进行自适应增强,有效检测出被噪声淹没的微弱故障,达到了对轴承外圈早期故障的准确诊断。
Claims (4)
1.一种基于自适应的MED滚动轴承早期故障诊断方法,其特征在于:该方法包括以下具体步骤:
步骤(1)输入实测信号,设定遗传算法各项参数;
步骤(2)对实测信号进行MED处理,计算TESE指标,利用遗传算法搜寻函数中TESE最优解,得到最佳影响参数L0;
步骤(3)利用优化后的MED算法对故障信号进行处理,对得到的解卷积信号进一步Teager算子解调,得到解调谱,提取故障特征频率。
2.根据权利要求1所述的一种基于自适应的MED滚动轴承早期故障诊断方法,其特征在于:所述步骤(1):输入实测信号,设定遗传算法各项参数;
设定的L的范围(1:60),步长为1;种群大小P=100,采用二进制编码,长度为10,交叉概率Pc=0.6,变异概率Pm=0.001,最大进化代数G=100,采用轮盘选择算子。
利用遗传算法对MED的影响参数进行优化,其中涉及的关键因素具体包括:
1)初始化:设定遗传算法群种大小P,终止进化代数G,交叉概率Pc和变异率Pc。
2)编码:将参数滤波器长度L进行二进制编码。
3)选择:采用轮盘选择算子。
4)交叉:采用两点交叉,对待交叉的两个个体随机选取两个位置,将两个位置间的部分进行交换,从而得到两个新个体。
5)变异:采用一点变异,对待操作的个体随机选取一个位置进行取反操作。
6)适应值函数:本文用L作为自变量,以TESE为目标函数。
3.根据权利要求1所述的一种基于自适应的MED滚动轴承早期故障诊断方法,其特征在于:所述步骤(2):对实测信号进行MED处理,计算TESE指标,利用遗传算法搜寻函数中TESE最优解,得到最佳影响参数L0;
通过对Teager能量算子解调出的包络信号进行FFT变换,即Teager包络谱TES(i)。将Teager包络谱分析与信息熵结合,即Teager包络谱熵:
设由一个离散随机变量X={x1,x2,…,xN}所给定的信源,其出现的概率pi=p(xi),i=1,2,...,N,且则信源X的信息熵表示为:
其中,定义ln0=0。
通过对Teager能量算子解调出的包络信号进行FFT变换,即Teager包络谱TES(i)。将Teager包络谱分析与信息熵结合,即Teager包络谱熵:
式中:TES(i)为振动信号{xi,i=1,2,…,N}的Teager包络谱;TESE代表Teager包络谱熵,j=1,..,N。包络谱熵的大小只取决于包络信号的频率分布,而与信号的强弱无关。
4.根据权利要求1所述的一种基于自适应的MED滚动轴承早期故障诊断方法,其特征在于:所述步骤(3):利用优化后的MED算法对故障信号进行处理,对得到的解卷积信号Teager算子解调,得到解调谱,提取故障特征频率。
MED方法的主要原理通过建立一个逆滤波器来抵消传输路径的影响,轴承冲击信号中混入噪声,叠加形成信号d(n)。x(n)是MED滤波器f的输出信号,通过使x(n)峭度最大化计算出滤波器系数,最终目标是让逆滤波器f恢复原始信号的脉冲。
输出信号x(n)看做是长度为L的有限脉冲滤波器f对传感器信号d(n)作用结果:
对一个时间信号x(t)做Teager能量算子运算后,可得到其瞬时能量信号定义为:
其中,和分别为信号x(t)的一、二阶导数。Teager能量算子ψ可以表达信号的瞬时能量值。对于离散时间信号,可近似表达为:
ψ[x(n)]=x2(n)-x(n+1)x(n-1)
时间信号x(t)经能量算子运算后得到瞬时能量信号ψ[x(t)],本质为振动瞬时幅值和瞬时频率二者的平方之积。能量算子能更为有效地突出冲击成分的瞬态特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810956887.XA CN109101936A (zh) | 2018-08-21 | 2018-08-21 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810956887.XA CN109101936A (zh) | 2018-08-21 | 2018-08-21 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109101936A true CN109101936A (zh) | 2018-12-28 |
Family
ID=64850598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810956887.XA Pending CN109101936A (zh) | 2018-08-21 | 2018-08-21 | 一种基于自适应的med滚动轴承早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101936A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学(保定) | 滚动轴承复合故障确定的方法及终端设备 |
CN112883521A (zh) * | 2021-01-12 | 2021-06-01 | 中国科学院声学研究所南海研究站 | 应用于海底观测网的海底光电复合缆外力入侵监测系统 |
CN110470475B (zh) * | 2019-09-04 | 2021-07-23 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113780055A (zh) * | 2021-07-19 | 2021-12-10 | 北京交通大学 | 一种momeda与压缩感知的滚动轴承故障诊断方法 |
CN114112397A (zh) * | 2021-11-24 | 2022-03-01 | 郑州恩普特科技股份有限公司 | 一种滚动轴承故障诊断方法 |
CN114330417A (zh) * | 2021-11-27 | 2022-04-12 | 北京工业大学 | 一种基于sapso-mckd的轴承故障诊断方法 |
CN114548150A (zh) * | 2022-01-11 | 2022-05-27 | 西南交通大学 | 基于参数自适应增强med的传动系统故障诊断方法 |
CN114894481A (zh) * | 2022-04-21 | 2022-08-12 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及系统 |
CN116304648A (zh) * | 2023-05-23 | 2023-06-23 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024164A1 (en) * | 2010-03-30 | 2013-01-24 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN103792086A (zh) * | 2014-02-26 | 2014-05-14 | 徐可君 | 基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 |
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN107831012A (zh) * | 2017-10-11 | 2018-03-23 | 温州大学 | 一种基于Walsh变换与Teager能量算子的轴承故障诊断方法 |
-
2018
- 2018-08-21 CN CN201810956887.XA patent/CN109101936A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130024164A1 (en) * | 2010-03-30 | 2013-01-24 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN103792086A (zh) * | 2014-02-26 | 2014-05-14 | 徐可君 | 基于谱峭度法和量子遗传算法的滚动轴承故障的诊断方法 |
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN107831012A (zh) * | 2017-10-11 | 2018-03-23 | 温州大学 | 一种基于Walsh变换与Teager能量算子的轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
刘尚坤 等: "自适应MED结合EMD诊断滚动轴承早期故障", 《噪声与振动控制》 * |
张亚洲 等: "基于谱峭度法和自适应遗传算法的轴承故障诊断", 《轴承》 * |
陈海周 等: "基于最小熵解卷积和Teager 能量算子直升机滚动轴承复合故障诊断研究", 《振动与冲击》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109916626A (zh) * | 2019-03-14 | 2019-06-21 | 华北电力大学(保定) | 滚动轴承复合故障确定的方法及终端设备 |
CN110470475B (zh) * | 2019-09-04 | 2021-07-23 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN112883521A (zh) * | 2021-01-12 | 2021-06-01 | 中国科学院声学研究所南海研究站 | 应用于海底观测网的海底光电复合缆外力入侵监测系统 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113340598B (zh) * | 2021-06-01 | 2024-05-28 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113780055B (zh) * | 2021-07-19 | 2024-02-09 | 北京交通大学 | 一种momeda与压缩感知的滚动轴承故障诊断方法 |
CN113780055A (zh) * | 2021-07-19 | 2021-12-10 | 北京交通大学 | 一种momeda与压缩感知的滚动轴承故障诊断方法 |
CN114112397A (zh) * | 2021-11-24 | 2022-03-01 | 郑州恩普特科技股份有限公司 | 一种滚动轴承故障诊断方法 |
CN114330417A (zh) * | 2021-11-27 | 2022-04-12 | 北京工业大学 | 一种基于sapso-mckd的轴承故障诊断方法 |
CN114330417B (zh) * | 2021-11-27 | 2024-05-28 | 北京工业大学 | 一种基于sapso-mckd的轴承故障诊断方法 |
CN114548150A (zh) * | 2022-01-11 | 2022-05-27 | 西南交通大学 | 基于参数自适应增强med的传动系统故障诊断方法 |
CN114548150B (zh) * | 2022-01-11 | 2023-04-28 | 西南交通大学 | 基于参数自适应增强med的传动系统故障诊断方法 |
CN114894481A (zh) * | 2022-04-21 | 2022-08-12 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及系统 |
CN114894481B (zh) * | 2022-04-21 | 2023-02-17 | 山东大学 | 基于解卷积算法的滚动轴承故障诊断方法及系统 |
CN116304648B (zh) * | 2023-05-23 | 2023-08-29 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
CN116304648A (zh) * | 2023-05-23 | 2023-06-23 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101936A (zh) | 一种基于自适应的med滚动轴承早期故障诊断方法 | |
CN107577999B (zh) | 一种基于奇异值和分形维数的雷达信号脉内调制方式识别方法 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN107560851A (zh) | 滚动轴承微弱故障特征早期提取方法 | |
CN109145727A (zh) | 一种基于vmd参数优化的轴承故障特征提取方法 | |
CN103868692A (zh) | 基于核密度估计和k-l散度的旋转机械故障诊断方法 | |
Yunlong et al. | Vibration fault diagnosis method of centrifugal pump based on EMD complexity feature and least square support vector machine | |
CN108964046B (zh) | 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法 | |
CN109063672A (zh) | 一种基于自适应mckd的早期轴承外圈故障诊断方法 | |
CN108168886A (zh) | 滚动轴承故障特征提取与运行状态监测方法 | |
He et al. | Feature extraction of acoustic signals based on complex Morlet wavelet | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
Ahmed et al. | Feature selection and fault classification of reciprocating compressors using a genetic algorithm and a probabilistic neural network | |
CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
Chen et al. | Fault identification method for planetary gear based on DT-CWT threshold denoising and LE | |
CN112557894A (zh) | 一种断路器故障诊断方法 | |
CN111042917A (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
Li et al. | A new adaptive parallel resonance system based on cascaded feedback model of vibrational resonance and stochastic resonance and its application in fault detection of rolling bearings | |
Kuo | Artificial recognition system for defective types of transformers by acoustic emission | |
CN107463872A (zh) | 一种旋转机械转轴裂纹故障诊断方法 | |
Wang et al. | Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy | |
Ghanbari et al. | Detection of faults in electro-hydrostatic actuators using feature extraction methods and an artificial neural network | |
CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
Zhang et al. | Gearbox health condition identification by neuro-fuzzy ensemble |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |