CN109765055A - 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 - Google Patents
基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 Download PDFInfo
- Publication number
- CN109765055A CN109765055A CN201910096189.1A CN201910096189A CN109765055A CN 109765055 A CN109765055 A CN 109765055A CN 201910096189 A CN201910096189 A CN 201910096189A CN 109765055 A CN109765055 A CN 109765055A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- signal
- value
- virtual value
- knn
- 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.)
- Granted
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于EWT、谱有效值和KNN的滚动轴承故障检测方法,包括以下步骤:将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;对所述分量信号进行处理,确定需要重构的分量信号数目;对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。本发明的轴承故障检测方法,通过对振动信号进行经验小波变换,不仅能实现自适应的频带划分,还不会产生频带混叠、端点效应等问题;本发明使用KNN方法,能够实验未知数据的类别分类情况。
Description
技术领域
本发明涉及轴承故障检测技术领域,尤其涉及一种基于EWT、谱有效值和KNN的滚动轴承故障检测方法及系统。
背景技术
滚动轴承是旋转机械设备中的关键零件之一,起到支撑旋转体,保证回转精度的功能,在电力、航空航天、轨道交通、机械等部件中广泛应用。轴承在工作状态中,极易产生故障,从而影响整个机械设备的性能,因此对滚动轴承状态进行监测,及时诊断出轴承中存在的故障,避免事故的发生,具有一定的必要性。
滚动轴承状态存在异常情况时,在振动信号的时域特征参数指标会存在明显变化,在频域上产生故障频带。目前常用的方法是对全频带范围内的振动信号进行分析,或者从频谱图中根据频谱特征确定故障频带范围,通过带通滤波的方法提取出故障频带内的信号,自适应确定故障频带范围仍存在一定的难度。常用的信号处理方法中,经验模态分解方法存在端点效应、模态混叠及理论基础不完备等缺陷,小波变换方法不能自适应实现频带划分问题。因此,需要选择一种能够自适应实现频带划分,并能够确定故障频带范围的信号处理方法,通过对故障频带范围的振动信号进行分析,可有效提高故障诊断的准确率。
发明内容
本发明针对现有技术中的缺点,提供了一种基于EWT、谱有效值和KNN的滚动轴承故障检测方法及系统。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于EWT、谱有效值和KNN的滚动轴承故障检测方法,包括以下步骤:
将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;
对所述分量信号进行处理,确定需要重构的分量信号数目;
对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;
将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。
作为一种可实施方式,所述将采集到的滚动轴承振动信号进行经验小波变换处理,得到若干个分量信号,具体过程为:
对轴承振动信号进行傅里叶变换,得到傅里叶信号谱;
根据傅里叶信号谱中的极大值自适应地划分成N个区间,并得到频带分界点;
通过频带分界点构建正交滤波器组,得到具有紧支撑性的分量信号。
作为一种可实施方式,所述对所述分量信号进行处理,确定需要重构的分量信号数目,具体过程为:
对每个分量信号计算相应的谱有效值,并将谱有效值置于一列;
找出谱有效值的极大值点以及对应的分量信号,确定选择的极大值点个数;
确定峰值以及峰值附近的n-1个极大值点以及n个极大值点相邻的极小值;
根据极小值左右两侧的位置,确定需要重构的分量信号个数。
作为一种可实施方式,所述特征参数包括:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和谱有效值。
作为一种可实施方式,所述采用KNN方法确定测试集所属轴承故障类别,具体过程为:
计算测试集的数据与训练集的数据之间的距离;
对所述距离按照距离远近依次排序,确定在训练集的数据中与测试集的数据距离最近的K个点,K为设定值;
计算K个点在各个轴承故障类型类别中出现的概率,并根据概率的最大值对应的轴承故障类型类别确定测试集的轴承故障类型类别。
一种基于EWT、谱有效值和KNN的滚动轴承故障检测系统,包括预处理模块、处理模块、重构提取模块和故障类型确定模块;
所述预处理模块,用于将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;
所述处理模块,用于对所述分量信号进行处理,确定需要重构的分量信号数目;
所述重构提取模块,用于对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;
所述故障类型确定模块,用于将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。
作为一种可实施方式,所述预处理模块被设置为:
对轴承振动信号进行傅里叶变换,得到傅里叶信号谱;
根据傅里叶信号谱中的极大值自适应地划分成N个区间,并得到频带分界点;
通过频带分界点构建正交滤波器组,得到具有紧支撑性的分量信号。
作为一种可实施方式,所述处理模块被设置为:
对每个分量信号计算相应的谱有效值,并将谱有效值置于一列;
找出谱有效值的极大值点以及对应的分量信号,确定选择的极大值点个数;
确定峰值以及峰值附近的n-1个极大值点以及n个极大值点相邻的极小值;
根据极小值左右两侧的位置,确定需要重构的分量信号个数。
作为一种可实施方式,所述特征参数包括:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和谱有效值。
作为一种可实施方式,所述故障类型确定模块被设置为:
计算测试集的数据与训练集的数据之间的距离;
对所述距离按照距离远近依次排序,确定在训练集的数据中与测试集的数据距离最近的K个点,K为设定值;
计算K个点在各个轴承故障类型类别中出现的概率,并根据概率的最大值对应的轴承故障类型类别确定测试集的轴承故障类型类别。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明的轴承故障检测方法,通过对振动信号进行经验小波变换,不仅能实现自适应的频带划分,还不会产生频带混叠、端点效应等问题;而且根据各分量信号谱有效值极大值点确定重构信号个数,能够最大限度地凸显故障频带,消除无用信号;本发明使用KNN方法,能够实验未知数据的类别分类情况。
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些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图;
图2是本发明的整体结构示意图;
图3是为轴承振动信号的时域图;
图4是为轴承振动信号的频域图;
图5是轴承振动信号经验小波变换之后的频带划分图;
图6是21个分量信号的谱有效值图;
图7是重构后的信号的时域图;
图8是重构后的信号的频域图;
图9是经KNN方法分析之后的分类结果图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种基于EWT、谱有效值和KNN的滚动轴承故障检测方法,如图1所示,包括以下步骤:
S100、将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;
S200、对所述分量信号进行处理,确定需要重构的分量信号数目;
S300、对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;
S400、将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。
在现有技术中,对特征频带定位方法仍存在一定的难度,本申请的主要创新点在于自适应频率窗的方法,通过谱有效值的极大值和极小值位置确定重构信号,通过谱有效值的信号重构方法,能准确地定位到轴承的故障频带中,进一步地,通过KNN方法,能够实现轴承故障类型的分类。
在步骤S100中,所述将采集到的滚动轴承振动信号进行经验小波变换处理,得到若干个分量信号,具体过程为:
S110、对轴承振动信号进行傅里叶变换,得到傅里叶信号谱;
S120、根据傅里叶信号谱中的极大值自适应地划分成N个区间,并得到频带分界点;
S130、通过频带分界点构建正交滤波器组,得到具有紧支撑性的分量信号。
在步骤S200中,所述对所述分量信号进行处理,确定需要重构的分量信号数目,具体过程为:
S210、对每个分量信号计算相应的谱有效值,并将谱有效值置于一列;
S220、找出谱有效值的极大值点以及对应的分量信号,确定选择的极大值点个数;
S230、确定峰值以及峰值附近的n-1个极大值点以及n个极大值点相邻的极小值;
S240、根据极小值左右两侧的位置,确定需要重构的分量信号个数。
更加具体地,谱有效值的计算公式为:和其中,f(t)为连续周期信号,F(ω)为计算出来的频谱,Frms为谱有效值,N为谱线个数。
在步骤S300中,所述特征参数包括:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和谱有效值。在此步骤中,特征参数选择了12种特征参数,提高了后续计算的精度。
在步骤S400中,所述采用KNN方法确定测试集所属轴承故障类别,具体过程为:
S410、计算测试集的数据与训练集的数据之间的距离;
S420、对所述距离按照距离远近依次排序,确定在训练集的数据中与测试集的数据距离最近的K个点,K为设定值;
S430、计算K个点在各个轴承故障类型类别中出现的概率,并根据概率的最大值对应的轴承故障类型类别确定测试集的轴承故障类型类别。此步骤就是通过KNN方法,能够精确的实现轴承故障类型的分类。
具体实施例:
下面结合一个实施例进一步解释本发明轴承故障检测方法,以凯斯西储轴承模拟实验台上,转动速度为1797r/min状态下采集的驱动端加速度数据为例。
步骤一:对采集到的振动信号进行经验小波变换,共得到21个分量信号,其中,图3和图4为轴承振动信号的时域图和频域图,图5为轴承振动信号经验小波变换之后的频带划分图,经验小波变换采用尺度空间的方法自适应划分得到初始的频带分界点,并根据分界点构造正交带通滤波器组,得到分量信号。
步骤二:根据每个分量信号,分别计算谱有效值,图6为所有分量信号的谱有效值。谱有效值的极大值点和极小值点及对应的分量信号列于表1,选择极大值点的个数n为2,峰值位置代表的是分量信号15,分量信号15左右两侧的极小值点对应的分量信号分别为14和17,峰值位置附近的最大的极大值点代表的是分量信号13,分量信号13左右两侧的极小值点对应的分量信号分别为9和14,因此,确定重构的分量是分量信号9至分量信号17。
表1 极大值点和极小值点对应分量信号
序号 | 极大值点对应分量信号 | 极小值点对应分量信号 |
1 | 2 | 3 |
2 | 4 | 7 |
3 | 8 | 9 |
4 | 13 | 14 |
5 | 15 | 17 |
6 | 19 | 20 |
步骤三:选择分量信号9到分量信号17共9个信号,实现信号重构,得到故障频带范围内的信号,图7和图8分别是轴承振动信号重构后的时域图和频域图。对比图7和图8,经过经验小波变换和由谱有效值确定重构信号的方法,可有效地定位到轴承的故障频带,再根据重构信号,以0.25s数据为单位计算信号特征参数,其中,特征参数包含:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和峰值指标,构成12维特征。
步骤四:选择60个正常样本、30个内圈故障样本和30个滚动体故障样本作为训练集样本,并提取特征参数,组成训练集数据,根据轴承的状态确定训练集数据的类别,类别标签列于表2,对20个正常样本、10个内圈故障样本和10个滚动体故障样本构成的40组测试数据进行类别预测,计算测试数据与训练数据间的距离,并按照距离远近依次排序,确定在训练数据中与测试数据距离最近的7个点,计算这7个点在各类别中出现的概率,并根据概率最大值对应的类别确定测试数据的类别,预测结果如图9所示,与实际的类别进行对比得到预测准确率为100%。
表2 测试集样本类别标签
样本类型 | 正常样本 | 内圈故障样本 | 滚动体故障样本 |
样本标签 | 0 | 1 | 2 |
实施例2:
一种基于EWT、谱有效值和KNN的滚动轴承故障检测系统,如图2所示,包括预处理模块100、处理模块200、重构提取模块300和故障类型确定模块400;
所述预处理模块100,用于将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;
所述处理模块200,用于对所述分量信号进行处理,确定需要重构的分量信号数目;
所述重构提取模块300,用于对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;
所述故障类型确定模块400,用于将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。
所述预处理模块100被设置为:
对轴承振动信号进行傅里叶变换,得到傅里叶信号谱;
根据傅里叶信号谱中的极大值自适应地划分成N个区间,并得到频带分界点;
通过频带分界点构建正交滤波器组,得到具有紧支撑性的分量信号。
所述处理模块200被设置为:
对每个分量信号计算相应的谱有效值,并将谱有效值置于一列;
找出谱有效值的极大值点以及对应的分量信号,确定选择的极大值点个数;
确定峰值以及峰值附近的n-1个极大值点以及n个极大值点相邻的极小值;
根据极小值左右两侧的位置,确定需要重构的分量信号个数。
所述特征参数包括:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和谱有效值。
所述故障类型确定模块400被设置为:
计算测试集的数据与训练集的数据之间的距离;
对所述距离按照距离远近依次排序,确定在训练集的数据中与测试集的数据距离最近的K个点,K为设定值;
计算K个点在各个轴承故障类型类别中出现的概率,并根据概率的最大值对应的轴承故障类型类别确定测试集的轴承故障类型类别。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于EWT、谱有效值和KNN的滚动轴承故障检测方法,其特征在于,包括以下步骤:
将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;
对所述分量信号进行处理,确定需要重构的分量信号数目;
对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;
将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。
2.根据权利要求1所述的基于EWT、谱有效值和KNN的滚动轴承故障检测方法,其特征在于,所述将采集到的滚动轴承振动信号进行经验小波变换处理,得到若干个分量信号,具体过程为:
对轴承振动信号进行傅里叶变换,得到傅里叶信号谱;
根据傅里叶信号谱中的极大值自适应地划分成N个区间,并得到频带分界点;
通过频带分界点构建正交滤波器组,得到具有紧支撑性的分量信号。
3.根据权利要求1所述的基于EWT、谱有效值和KNN的滚动轴承故障检测方法,其特征在于,所述对所述分量信号进行处理,确定需要重构的分量信号数目,具体过程为:
对每个分量信号计算相应的谱有效值,并将谱有效值置于一列;
找出谱有效值的极大值点以及对应的分量信号,确定选择的极大值点个数;
确定峰值以及峰值附近的n-1个极大值点以及n个极大值点相邻的极小值;
根据极小值左右两侧的位置,确定需要重构的分量信号个数。
4.根据权利要求1所述的基于EWT、谱有效值和KNN的滚动轴承故障检测方法,其特征在于,所述特征参数包括:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和谱有效值。
5.根据权利要求1所述的基于EWT、谱有效值和KNN的滚动轴承故障检测方法,其特征在于,所述采用KNN方法确定测试集所属轴承故障类别,具体过程为:
计算测试集的数据与训练集的数据之间的距离;
对所述距离按照距离远近依次排序,确定在训练集的数据中与测试集的数据距离最近的K个点,K为设定值;
计算K个点在各个轴承故障类型类别中出现的概率,并根据概率的最大值对应的轴承故障类型类别确定测试集的轴承故障类型类别。
6.一种基于EWT、谱有效值和KNN的滚动轴承故障检测系统,其特征在于,包括预处理模块、处理模块、重构提取模块和故障类型确定模块;
所述预处理模块,用于将采集到的轴承振动信号进行经验小波变换处理,得到若干个分量信号;
所述处理模块,用于对所述分量信号进行处理,确定需要重构的分量信号数目;
所述重构提取模块,用于对确定需要重构的分量信号进行重构,得到故障频带范围内的信号,并对所述故障频带范围内的信号提取特征参数;
所述故障类型确定模块,用于将提取的特征参数分为训练集和测试集,结合轴承的状态确定训练集中样本的轴承故障类别,并采用KNN方法确定测试集所属轴承故障类别。
7.根据权利要求6所述的基于EWT、谱有效值和KNN的滚动轴承故障检测系统,其特征在于,所述预处理模块被设置为:
对轴承振动信号进行傅里叶变换,得到傅里叶信号谱;
根据傅里叶信号谱中的极大值自适应地划分成N个区间,并得到频带分界点;
通过频带分界点构建正交滤波器组,得到具有紧支撑性的分量信号。
8.根据权利要求6所述的基于EWT、谱有效值和KNN的滚动轴承故障检测系统,其特征在于,所述处理模块被设置为:
对每个分量信号计算相应的谱有效值,并将谱有效值置于一列;
找出谱有效值的极大值点以及对应的分量信号,确定选择的极大值点个数;
确定峰值以及峰值附近的n-1个极大值点以及n个极大值点相邻的极小值;
根据极小值左右两侧的位置,确定需要重构的分量信号个数。
9.根据权利要求6所述的基于EWT、谱有效值和KNN的滚动轴承故障检测系统,其特征在于,所述特征参数包括:方根幅值,有效值,峭度值,峭度指标、波形指标、裕度指标、谱均值、峰峰值、绝对均值、谱方差、中心频率和谱有效值。
10.根据权利要求6所述的基于EWT、谱有效值和KNN的滚动轴承故障检测系统,其特征在于,所述故障类型确定模块被设置为:
计算测试集的数据与训练集的数据之间的距离;
对所述距离按照距离远近依次排序,确定在训练集的数据中与测试集的数据距离最近的K个点,K为设定值;
计算K个点在各个轴承故障类型类别中出现的概率,并根据概率的最大值对应的轴承故障类型类别确定测试集的轴承故障类型类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910096189.1A CN109765055B (zh) | 2019-01-31 | 2019-01-31 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910096189.1A CN109765055B (zh) | 2019-01-31 | 2019-01-31 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765055A true CN109765055A (zh) | 2019-05-17 |
CN109765055B CN109765055B (zh) | 2020-11-10 |
Family
ID=66455851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910096189.1A Active CN109765055B (zh) | 2019-01-31 | 2019-01-31 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765055B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796303A (zh) * | 2019-10-24 | 2020-02-14 | 国网安徽省电力有限公司电力科学研究院 | 一种基于ewt和odbscan的短期电力负荷预测方法 |
CN111597225A (zh) * | 2020-04-21 | 2020-08-28 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
CN111898443A (zh) * | 2020-06-30 | 2020-11-06 | 江苏科技大学 | 一种fdm型3d打印机送丝机构流量监测方法 |
CN112051064A (zh) * | 2020-04-20 | 2020-12-08 | 北京信息科技大学 | 一种旋转机械设备故障特征频率提取方法及系统 |
CN113310684A (zh) * | 2021-04-20 | 2021-08-27 | 东南大学 | 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法 |
CN113537102A (zh) * | 2021-07-22 | 2021-10-22 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
CN114136604A (zh) * | 2021-11-30 | 2022-03-04 | 三门核电有限公司 | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
CN109211568A (zh) * | 2018-09-19 | 2019-01-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
-
2019
- 2019-01-31 CN CN201910096189.1A patent/CN109765055B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN106326929A (zh) * | 2016-08-24 | 2017-01-11 | 北京工商大学 | 轨道列车走行部滚动轴承故障的诊断方法 |
CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
CN109211568A (zh) * | 2018-09-19 | 2019-01-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
席维等: ""基于经验小波变换和峭度值的滚动轴承故障检测方法"", 《工业仪表与自动化装置》 * |
黄国荣等: ""基于PCA和KNN的电主轴故障诊断方法研究"", 《上海第二工业大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796303B (zh) * | 2019-10-24 | 2023-11-07 | 国网安徽省电力有限公司电力科学研究院 | 一种基于ewt和odbscan的短期电力负荷预测方法 |
CN110796303A (zh) * | 2019-10-24 | 2020-02-14 | 国网安徽省电力有限公司电力科学研究院 | 一种基于ewt和odbscan的短期电力负荷预测方法 |
CN112051064B (zh) * | 2020-04-20 | 2022-08-16 | 北京信息科技大学 | 一种旋转机械设备故障特征频率提取方法及系统 |
CN112051064A (zh) * | 2020-04-20 | 2020-12-08 | 北京信息科技大学 | 一种旋转机械设备故障特征频率提取方法及系统 |
CN111597225A (zh) * | 2020-04-21 | 2020-08-28 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
CN111597225B (zh) * | 2020-04-21 | 2023-10-27 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
CN111898443B (zh) * | 2020-06-30 | 2023-07-21 | 江苏科技大学 | 一种fdm型3d打印机送丝机构流量监测方法 |
CN111898443A (zh) * | 2020-06-30 | 2020-11-06 | 江苏科技大学 | 一种fdm型3d打印机送丝机构流量监测方法 |
CN113310684A (zh) * | 2021-04-20 | 2021-08-27 | 东南大学 | 基于尺度空间和改进稀疏表示的齿轮箱故障特征提取方法 |
CN113537102B (zh) * | 2021-07-22 | 2023-07-07 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
CN113537102A (zh) * | 2021-07-22 | 2021-10-22 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
CN114136604A (zh) * | 2021-11-30 | 2022-03-04 | 三门核电有限公司 | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 |
CN114136604B (zh) * | 2021-11-30 | 2023-11-28 | 三门核电有限公司 | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109765055B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765055A (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
Huang et al. | Rolling bearing fault diagnosis and performance degradation assessment under variable operation conditions based on nuisance attribute projection | |
Rajagopalan et al. | Nonstationary motor fault detection using recent quadratic time–frequency representations | |
CN110017991B (zh) | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 | |
Burdzik | Monitoring system of vibration propagation in vehicles and method of analysing vibration modes | |
CN112101245B (zh) | 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法 | |
Hong et al. | Separation of fault features from a single-channel mechanical signal mixture using wavelet decomposition | |
CN108303255A (zh) | 低速重载设备滚动轴承故障诊断方法、设备及介质 | |
CN112798280A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
CN111679654A (zh) | 基于神经网络的电力驱动系统振动信号诊断方法及装置 | |
Barbini et al. | Phase editing as a signal pre-processing step for automated bearing fault detection | |
CN112857804A (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
CN114061947B (zh) | 基于稀疏时频分析的齿轮箱变转速故障诊断方法及系统 | |
CN114611551A (zh) | 一种基于小波包能量谱熵的机电故障分类方法 | |
CN117686232A (zh) | 一种燃气轮机振动基频实时提取方法、装置及存储介质 | |
CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
CN107389367B (zh) | 一种基于最优信噪比的信号自适应解包络方法及计算设备 | |
CN105910701B (zh) | 基于短样本频谱校正旋转机械振动信号盲分离方法及装置 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 | |
CN105973999A (zh) | 基于增强相位瀑布图的转子裂纹微弱分数谐波特征识别方法 | |
Liu et al. | Multilevel Feature Extraction Method for Adaptive Fault Diagnosis of Railway Axle Box Bearing | |
Zhihao et al. | Rubbing fault diagnosis of rotary machinery based on wavelet and support vector machine | |
CN116337445B (zh) | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
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 |