CN109374298B - 基于互相关奇异值的轴承故障诊断方法 - Google Patents
基于互相关奇异值的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN109374298B CN109374298B CN201811310559.9A CN201811310559A CN109374298B CN 109374298 B CN109374298 B CN 109374298B CN 201811310559 A CN201811310559 A CN 201811310559A CN 109374298 B CN109374298 B CN 109374298B
- Authority
- CN
- China
- Prior art keywords
- cross
- correlation
- signal
- singular value
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003745 diagnosis Methods 0.000 title claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000005314 correlation function Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000011430 maximum method Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于互相关奇异值的轴承故障诊断方法,涉及轴承的故障信号诊断方法技术领域。所述方法包括如下步骤:将经过相空间重构的轴承振动信号进行奇异值分解,得到轴承振动信号的奇异值分量信号;选取两个奇异值分量信号进行互相关,利用互相关函数降噪和突出同频信号的特性对信号进行降噪,并突出故障特征,得到互相关时域信号;选取互相关时域信号中冲击特征明显的区间进行包络解调,提取出轴承振动信号的故障特征频率。所述方法能够在强噪声背景下克服高倍频特征缺失问题,准确提取出轴承故障特征频率,并能精确得到高倍频。
Description
技术领域
本发明涉及轴承的故障信号诊断方法技术领域,尤其涉及一种基于互相关奇异值的轴承故障诊断方法。
背景技术
近年来奇异值分解(Singular Value Decomposition,SVD)在数据压缩、数据挖掘、信号语音编码及数字水印,机器人运动控制、滤波算法设计等很多领域都得到了广泛的应用。作为一种非线性滤波方法,在故障诊断领域SVD也是研究的热点,SVD通过矩阵的方式在高维空间中对信号进行处理,能够有效的滤除噪声和对信号特征进行提取,基于SVD的故障诊断研究也取得了大量的研究成果。
有效奇异值确定的问题是SVD的热点和难点,它决定着SVD的信号处理效果,但是这一问题从来没有很好的解决。大部分研究都集中在利用SVD得到的奇异值进行运算,将得到的一些特征点作为有效奇异值,但这些方法在实际应用中难以适应各种不同情况,存在着高倍频缺失的问题。如均值法[1]、差分谱法、相对变化率法,单边极大值等。因此有学者从其他角度对SVD进行探索,对单独的奇异值分量进行研究。华南理工大学的赵学智通过对奇异值分量的研究发现了SVD的奇异性检测效果。天津大学的冷永刚利用包络谱对奇异值分量进行分析,能够提取出故障频率,但噪声干扰问题任然存在。
发明内容
本发明所要解决的技术问题是如何提供一种能够在强噪声背景下克服高倍频特征缺失问题,准确提取出轴承故障特征频率,并能精确得到高倍频的轴承故障诊断方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于互相关奇异值的轴承故障诊断方法,其特征在于包括如下步骤:
将经过相空间重构的轴承振动信号进行奇异值分解,得到轴承振动信号的奇异值分量信号;
选取两个奇异值分量信号进行互相关,利用互相关函数降噪和突出同频信号的特性对信号进行降噪,并突出故障特征,得到互相关时域信号;
选取互相关时域信号中冲击特征明显的区间进行包络解调,提取出轴承振动信号的故障特征频率。
进一步的技术方案在于:测得含有故障信息的轴承振动信号为:x(i)(i=1,2,,…N),基于相空间重构理论,构造造出Hankel矩阵为:
式中:N为信号长度,L为矩阵行数;
对式(1)所得的Hankel矩阵进行奇异值分解,过程如下式
其中:U是m阶正交矩阵,V是n阶正交矩阵;∑=diag(σ1,σ2,…σr)是r阶对角阵,而σi是矩阵A的非零奇异值;0是零矩阵;
将式(1)中的零奇异值去除,将A的奇异值分解写成精简的向量形式
式中:ui、vi分别是U、V的第i个列向量,组成A的向量即为奇异值分量。
进一步的技术方案在于:将两个奇异值分量信号进行互相关的方法如下:
信号x(t)与y(t)的互相关函数定义为
选取的第一个奇异值分量信号为A(t)=a(t)+s(t),其中a(t)为带有故障信息的信号,s(t)为噪声;同理,选取的第二个奇异值分量信号为B(t)=b(t)+v(t),其中b(t)为带有故障信息的信号,v(t)为噪声;根据互相关函数定义式可得
噪声和信号之间无相关性,即带有故障信息的信号a(t)和噪声v(t)的互相关函数Rav(τ)=0,带有故障信息的信号b(t)和噪声s(t)的互相关函数Rsb(τ)=0;噪声信号s(t)和v(t)之间也没有相关性,即Rsv(τ)=0,因此RAB(τ)=Rab(τ);根据互相关函数的特性可知:同频率的周期信号或者包含同频率的周期成分的信号,互相关函数仍然是周期信号,其周期不变而且相位信息偏移丢失。
进一步的技术方案在于:选择奇异值分量峭度值曲线波谷两侧的峭度值对应的分量进行互相关。
进一步的技术方案在于:选择奇异值分量峭度值曲线第二个波谷两侧的峭度值对应的分量进行互相关。
采用上述技术方案所产生的有益效果在于:所述方法通过选择奇异值分量峭度值曲线波谷两侧的峭度值对应的分量进行互相关,可以实现在强噪声背景下能够克服高倍频特征缺失问题,准确提取出轴承故障特征频率,并能精确得到高倍故障特征频率。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例中峭度值为7.0391时仿真信号分量峭度值曲线图;
图2是本发明实施例中峭度值未7.1653时仿真信号分量峭度值曲线图;
图3是本发明实施例中峭度值未7.3310时仿真信号分量峭度值曲线图;
图4是本发明实施例中分解个数为8时,即第一个波谷两个分量互相关后的时域图;
图5是本发明实施例中分解个数为8时,即第一个波谷两个分量互相关后的时域局部放大图;
图6是本发明实施例中分解个数为9时,即第一个波谷两个分量互相关后的时域图;
图7是本发明实施例中分解个数为9时,即第一个波谷两个分量互相关后的时域局部放大图;
图8是本发明实施例中分解个数为8时,即第一个波谷两侧分量互相关时域信号的包络谱;
图9是本发明实施例中分解个数为9时,即第二个波谷两侧分量互相关时域信号的包络谱;
图10是本发明实施例中外圈故障振动信号波形图;
图11是本发明实施例中外圈故障振动信号频谱图;
图12是本发明实施例中不同分解个数下分量峭度曲线图;
图13是本发明实施例中第二个波谷两侧分量互相关时域波形图;
图14是本发明实施例中第二个波谷两侧分量互相关包络谱;
图15是本发明实施例中第一个波谷两侧分量互相关时域波形图;
图16是本发明实施例中第一个波谷两侧分量互相关包络谱;
图17是本发明实施例中外圈故障信号波形图;
图18是本发明实施例中外圈故障振动信号频谱;
图19是本发明实施例中不同分解个数下分量峭度值;
图20是本发明实施例中本文方法选取分量互相关时域波形;
图21是本发明实施例中本文方法选取后分量互相关包络谱;
图22是本发明实施例中单边极大值法确定的有效阶次;
图23是本发明实施例中单边极大值法重构信号包络谱;
图24是本发明实施例中3VMD分量时域及频谱图;
图25是本发明实施例中VMD法峭度值最大分量信号包络谱;
图26是本发明实施例中所述方法的精度图;
图27是本发明实施例中VMD方法精度图;
图28是本发明实施例所述方法的流程图。
具体实施方式
下面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的一部分实施例,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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
总体的,如图28所示,本发明实施例公开了一种基于互相关奇异值的轴承故障诊断方法,包括如下步骤:
首先,将经过相空间重构的轴承振动信号进行奇异值分解,得到轴承振动信号的奇异值分量信号;
然后,选取两个奇异值分量信号进行互相关,利用互相关函数降噪和突出同频信号的特性对信号进行降噪,并突出故障特征,得到互相关时域信号;
最后,选取互相关时域信号中冲击特征明显的区间进行包络解调,提取出轴承振动信号的故障特征频率。
本申请所述方法结合以下理论对上述内容进行详细说明
奇异值原理:
测得含有故障信息的轴承振动信号x(i)(i=1,2,,…N)基于相空间重构理论,能够构造出吸引子轨迹矩阵,也称为Hankel矩阵。
式中:N为信号长度,L为矩阵行数。
对式(1)所得的Hankel进行奇异值分解,过程如下式:
其中:U是m阶正交矩阵,V是n阶正交矩阵;∑=diag(σ1,σ2,…σr)是r阶对角阵,而σi是矩阵A的非零奇异值;0是零矩阵。
将式(1)中的零奇异值去除,可以把A的奇异值分解写成精简的向量形式
式中:ui、vi分别是U、V的第i个列向量,组成A的向量即为奇异值分量。
互相关理论:
信号x(t)与y(t))的互相关函数定义
选取的第一个奇异值分量信号为A(t)=a(t)+s(t),其中a(t)为带有故障信息的信号,s(t)为噪声;同理,选取的第二个奇异值分量信号为B(t)=b(t)+v(t),其中b(t)为带有故障信息的信号,v(t)为噪声。根据互相关函数定义式可得
噪声和信号之间无相关性,即带有故障信息的信号a(t)和噪声v(t)的互相关函数Rav(τ)=0,带有故障信息的信号b(t)和噪声s(t)的互相关函数Rsb(τ)=0;噪声信号s(t)和v(t)之间也没有相关性,即Rsv(τ)=0,因此RAB(τ)=Rab(τ);所以对两个分量进行互相关分析能够达到加强故障冲击且消弱噪声的目的。
基于互相关奇异值分量的轴承故障特征提取
奇异值分量选取:
在进行奇异值分解得到奇异值分量时,Hankel矩阵列数的确定以及两个奇异值分量的选择是所述方法的关键问题。所述方法利用两个奇异值分量进行互相关达到降噪目的,利用峭度值作为选择奇异值分量的标准。峭度值是无量纲参数,由于它与轴承转速、尺寸、载荷等无关,对冲击信号特别敏感通过实验研究发现,选择奇异值分量峭度值曲线波谷两侧峭度值对应的分量进行互相关,得到的降噪以及诊断效果最好。
设置仿真信号模拟轴承内圈故障,对此信号进行实验来对所述方法进行说明。仿真信号如式(8)所示,采样频率为5120Hz,采样时间为1秒。
x(t)=Ae-300tsin(2000πt)+n(t) (8)
式中:设置的冲击函数为用来模拟滚动轴承中的内圈故障,设定冲击频率为60Hz;A为冲击幅度,通过改变此数值来调节信号峭度值。n(t)为高斯白噪声,使信号信噪比为-5dBW。
在进行实验时,Hankel矩阵列数由3依次增加到9,会得到与列数相同数量的奇异值分量。求得每个列数下得到的奇异值分量的峭度值,即可得到峭度值曲线。经过实验得出,在信号峭度值大于7.1时,奇异值分量对应的峭度值曲线会出现波谷。本申请仅列出A=40、50、80,对应仿真信号x(t)峭度值分别7.0391、7.1653、7.3310时得到的峭度值曲线图,为了更清晰的显示,图1-图3中只列出了分解个数为7、8、9时的曲线。具体数值在表1-表3中列出。从图1中可以看出,信号峭度值为7.0391小于7.1时,峭度值曲线先升高后下降在第四个分量时达到最大值,并没有出现波谷。图2是信号峭度值为7.1653时的曲线,可以看出当信号峭度值大于7.1时,曲线开始出现波谷。在分解个数为9时,峭度值曲线在第五个分量处出现了波谷。因此,可以选择两侧的第四个和第六个分量进行互相关。图3是信号峭度值为7.3310时的曲线。可以看出在分解个数为8和9时,峭度值曲线在第五个分量处都出现了波谷。所以,两条曲线波谷两侧峭度值对应的第四个和第六个分量也可以作为目标分量进行互相关。
表1峭度值7.0391仿真信号不同分解个数下分量峭度值
表2峭度值7.1653仿真信号不同分解个数下分量峭度值
表3峭度值7.3310仿真信号不同分解个数下分量峭度值
二、互相关分析
所述方法选以峭度值为7.3310的仿真信号为例,对峭度值曲线波谷两侧对应分量进行互相关。图4-图5是分解个数为8时即第一个波谷两个分量互相关后时域图以及局部放大图。图6-图7是分解个数为9时两个分量互相关后时域图以及局部放大图。可以看出,互相关后信号故障冲击特征明显,并且两个波谷两侧对应的分量信号互相关后取得的效果基本相同。
三、包络分析:
对互相关后的信号进行包络分析,图8为分解个数为8时即第一个波谷两侧分量互相关时域信号包络谱,可以看出本文方法不仅能够准确的提取出故障特征(60Hz),而且提取的倍频能达到15倍频(900Hz)。图9为分解个数为9时即第二个波谷两侧分量互相关信号包络谱,可以提取到13倍频(780hz)。两个波谷的两侧分量分析出的结果基本相同,所以所述方法能够突出故障特征频率,高度保留高倍频信息,克服了高倍频信息缺失问题。
表4滚动轴承参数
轴承外圈实验:
为了进一步探究所述方法的有效性,采用QPZZ-Ⅱ旋转机械故障试验台。信号波形和频谱如图10-图11所示,采样频率为25600Hz,轴承转速为314r/min。根据滚动轴承的参数(表4)得到理论故障特征频率分别为:外圈故障特征频率28Hz。
对信号进行奇异值分解并求得各个分量的峭度值,如表5所示。将其绘制成曲线,会发现其中几条曲线出现了明显的波谷,为了清晰,文中只画出出现波谷的曲线,如图12所示。在Hankel矩阵列数为6时,曲线在第五个分量处第一次出现了波谷。在列数为8时,曲线在第七个分量处第二次出现波谷。
表5不同分解个数下分量峭度值
对出现的两个波谷两侧对应奇异值分量都进行互相关和包络分析,得到图13-图16分析结果。图13为第二个波谷两侧分量互相关时域波形,图15为第一个波谷两侧分量相关时域波形。可以看出图13中信号冲击更加明显,且噪声更小。反应在包络谱中,图14所示的第二个波谷两侧分量互相关包络谱,不仅能够准确的提取出故障特征(28Hz),而且提取的倍频能达到九倍频(252Hz)。而图16代表的第一个波谷两侧分量互相关包络谱,诊断效果在八、九倍频处不是十分明显。所以,对于实测信号,选择峭度值曲线图中第二次出现的波谷两侧分量,运用所述方法能够更有效抑制噪声,突出故障特征频率,高度保留高倍频信息,克服高倍频信息缺失问题。
轴承内圈对比实验:
为了进一步验证所述方法的效果,采用上述轴承的内圈数据进行对比实验,故障特征频率为38Hz。并与奇异值单边极大值方法和同样是对分量进行研究VMD方法对比。轴承时域以及频谱如图17-图18所示。轴承数据噪声表明,时域波形杂乱,无法看出周期性冲击成分;在频谱图中,噪声将故障信号特征掩盖,无法识别故障特征频率及其故障种类。
图19是所述方法得出的具有波谷的四条奇异值分量峭度值曲线,波谷第二次出现在分解个数为7时的第五个分量处,根据最佳方法选择第二个波谷前后两个分量即第四个和第六个分量做互相关。得到如图20所示的互相关时域图,选择冲击明显部分,截取区间为8191-12290。对截取所得信号进行包络解调,得到如图21所示包络谱。
可以看出所述方法能够清晰地提取出故障频率,凸显故障特征,并且可以得到高倍频信息,能够准确分辨提取十六倍频(608Hz)。图22-图23是奇异值单边极大值法得到的结果图,图22是奇异值差分谱,根据单边极大值原则选取19为有效奇异值阶次。图23是确定阶次后重构信号的包络谱,可以看出虽然能够看出故障特征频率,但是出现了过降噪现象,高倍频信息已经消失,出现了一定程度的信息丢失。图24是采用变分模态分解(VMD)方法得到的分量时域以及频谱图,选取峭度值最大的分量进行包络解调,得到图25所示包络图。由图可得,VND方法能够提取出故障特征频率,可以提取到四倍频(152),效果与本申请的一般方法接近,但与最佳方法还有较大差距。
为了更加精确的验证本文方法的优越性,定义故障特征频率精度为
故障特征频率精度
由上述内容可知,单边极大值法得出的包络谱诊断效果与其他两种种方法的结果有一定的差距。因此,在在精度对比时只进行另外两种方法的对比。由图可知,本申请所述方法的故障特征频率精度为如图26所示,VMD方法的的故障特征频率精为如图27所示。可以看出本申请所述方法的故障特征频率精度明显好于VMD方法,且在高倍频的提取方面也有明显优势。
利用本申请所述方法对仿真信号以及轴承内外圈信号进行实验,并与奇异值单边极大值法和VMD方法对比,证明了所述方法的有效性和准确性,得到如下论。
1)所述方法能够选出合适的两个奇异值分量信进行互相关,通过此互相关时域信号进行包络分析,相较与其他方法提取的结果噪声水平小且高倍频信息好。
2)对于实测信号,并不是任意一个波谷两侧分量都可以取得良好效果,选取第二个波谷两侧分量进行分析诊断的效果更好。
Claims (3)
1.一种基于互相关奇异值的轴承故障诊断方法,其特征在于包括如下步骤:
将经过相空间重构的轴承振动信号进行奇异值分解,得到轴承振动信号的奇异值分量信号;
选取奇异值分量峭度值曲线第二个波谷两侧的峭度值对应的分量进行互相关,利用互相关函数降噪和突出同频信号的特性对信号进行降噪,并突出故障特征,得到互相关时域信号;
选取互相关时域信号中冲击特征明显的区间进行包络解调,提取出轴承振动信号的故障特征频率。
3.如权利要求1所述的基于互相关奇异值的轴承故障诊断方法,其特征在于,将两个奇异值分量信号进行互相关的方法如下:
信号x(t)与y(t)的互相关函数定义为
选取的第一个奇异值分量信号为A(t)=a(t)+s(t),其中a(t)为带有故障信息的信号,s(t)为噪声;同理,选取的第二个奇异值分量信号为B(t)=b(t)+v(t),其中b(t)为带有故障信息的信号,v(t)为噪声;根据互相关函数定义式可得
噪声和信号之间无相关性,即带有故障信息的信号a(t)和噪声v(t)的互相关函数Rav(τ)=0,带有故障信息的信号b(t)和噪声s(t)的互相关函数Rsb(τ)=0;噪声信号s(t)和v(t)之间也没有相关性,即Rsv(τ)=0,因此RAB(τ)=Rab(τ);根据互相关函数的特性可知:同频率的周期信号或者包含同频率的周期成分的信号,互相关函数仍然是周期信号,其周期不变而且相位信息偏移丢失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811310559.9A CN109374298B (zh) | 2018-11-06 | 2018-11-06 | 基于互相关奇异值的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811310559.9A CN109374298B (zh) | 2018-11-06 | 2018-11-06 | 基于互相关奇异值的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109374298A CN109374298A (zh) | 2019-02-22 |
CN109374298B true CN109374298B (zh) | 2020-08-28 |
Family
ID=65397204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811310559.9A Active CN109374298B (zh) | 2018-11-06 | 2018-11-06 | 基于互相关奇异值的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109374298B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924175A (zh) * | 2021-01-22 | 2021-06-08 | 南京信息工程大学 | 一种基于奇异值分解的轴承故障信号降噪方法 |
CN112857804B (zh) * | 2021-02-09 | 2022-06-17 | 广东海洋大学 | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 |
CN113865867B (zh) * | 2021-08-20 | 2024-06-04 | 北京工业大学 | 一种基于幅值特性奇异值分解的轴承故障诊断方法 |
CN113762112B (zh) * | 2021-08-25 | 2024-04-09 | 西安交通大学 | 基于奇异向量包络相关峭度的轴承周期冲击特征提取方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL2006091A (en) * | 2010-03-05 | 2011-09-06 | Asml Netherlands Bv | Design rule optimization in lithographic imaging based on correlation of functions representing mask and predefined optical conditions. |
CN104729853B (zh) * | 2015-04-10 | 2017-06-06 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
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 |
CN107192553B (zh) * | 2017-06-28 | 2018-03-02 | 石家庄铁道大学 | 基于盲源分离的齿轮箱复合故障诊断方法 |
CN108152033B (zh) * | 2017-12-14 | 2019-07-23 | 东华大学 | 一种稀疏分离模型的齿轮箱复合微弱故障诊断方法 |
-
2018
- 2018-11-06 CN CN201811310559.9A patent/CN109374298B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109374298A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109374298B (zh) | 基于互相关奇异值的轴承故障诊断方法 | |
CN108469560B (zh) | 一种基于快速s变换时频空间模型的电磁干扰客观复杂度评估方法 | |
CN110186682B (zh) | 基于分数阶变分模态分解的滚动轴承故障诊断方法 | |
Wang et al. | Multiwavelet denoising with improved neighboring coefficients for application on rolling bearing fault diagnosis | |
CN104820786B (zh) | 一种瞬时加权同步挤压小波双谱分析方法 | |
CN108764073B (zh) | 一种结合频谱能量形态拟合的加速度滤噪和积分方法 | |
CN107957566A (zh) | 基于频率选择奇异谱分析的磁共振测深信号提取方法 | |
CN106771905B (zh) | 一种适用于高频电流局部放电检测的脉冲提取方法 | |
CN106053080B (zh) | 基于能量切片小波变换的滚动轴承故障特征提取方法 | |
CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
Bao et al. | EMD-based extraction of modulated cavitation noise | |
Xu et al. | Optimized LMD method and its applications in rolling bearing fault diagnosis | |
CN105445801B (zh) | 一种消除二维地震资料随机噪音的处理方法 | |
Yu et al. | STFT-like time frequency representations of nonstationary signal with arbitrary sampling schemes | |
CN104133248B (zh) | 一种高保真声波干扰压制方法 | |
Ma et al. | Noise reduction for desert seismic data using spectral kurtosis adaptive bandpass filter | |
CN114492538A (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN108287073B (zh) | 基于奇异值分量频域谱的共振带选择方法 | |
CN111159888A (zh) | 一种基于互相关函数的协方差矩阵稀疏迭代时延估计方法 | |
CN108801634A (zh) | 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN112485028B (zh) | 振动信号的特征频谱提取方法及机械故障诊断分析方法 | |
CN107329115B (zh) | 基于gcrbf网络的lfm信号参数估计方法 | |
Yan et al. | A bearing fault feature extraction method based on optimized singular spectrum decomposition and linear predictor | |
CN112082793A (zh) | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240119 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 050000 17 North East Ring Road, Shijiazhuang, Hebei Patentee before: SHIJIAZHUANG TIEDAO University |
|
TR01 | Transfer of patent right |