CN109975025B - 基于自适应滤波解调的机车轮对轴承定量诊断方法 - Google Patents
基于自适应滤波解调的机车轮对轴承定量诊断方法 Download PDFInfo
- Publication number
- CN109975025B CN109975025B CN201910359782.0A CN201910359782A CN109975025B CN 109975025 B CN109975025 B CN 109975025B CN 201910359782 A CN201910359782 A CN 201910359782A CN 109975025 B CN109975025 B CN 109975025B
- Authority
- CN
- China
- Prior art keywords
- filter
- fault
- bearing
- denotes
- envelope
- 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
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开揭示了一种基于自适应滤波解调的机车轮对轴承定量诊断方法,包括参数训练和实时诊断两个阶段。其中,参数训练阶段遍历滤波器的长度、步长及频带等三个滤波器参数,通过迭代循环实现故障冲击特征的最优化提取,并自适应确定最佳滤波器参数及最佳包络谱,进而计算故障程度指标FSI,建立故障程度与故障程度指标FSI的对应关系并确定阈值;实时诊断阶段采用参数训练阶段得到的最佳滤波器参数及阈值,对实时采集的轮对轴承信号进行滤波,求解最佳包络谱,并对比当前故障程度指标与阈值的大小关系,实现轮对轴承的故障报警及定量诊断。
Description
技术领域
本公开涉及一种机车轮对轴承定量诊断方法,特别涉及一种基于自适应滤波解调的轮对轴承定量诊断方法。
背景技术
机车轮对轴承是机车的核心部件之一,其性能状态的优劣直接影响机车的可靠运行。准确及时的识别轴承运行过程中故障的萌生和演变,定量诊断轴承的故障程度,对保障机车安全运行、避免经济损失和灾难性事故等都具有重大意义。
然而,机车轮对轴承的振动加速度信号无法从机车轮对轴承上直接获取,通常是在轮对轴承座或者轴箱上获取,获取的过程中,振动加速度信号需要经过一定的传递路径,因此,所获取的振动加速度信号是由轮对轴承振动和其他配合零部件振动共同混合而成的,势必混入了大量的噪声和不必要的振动信号。常规的滤波方法及现代信号处理方法虽然能在一定程度上降低白噪声的影响,但无法除掉与机车轮对轴承相邻的零部件的振动干扰,从而降低了诊断的准确性。此外,由于现有的故障程度指标容易受到外界工况影响,不能有效反映实际轮对轴承的故障程度,导致不能在早期对轮对轴承故障进行定量诊断,造成很大的安全隐患。
发明内容
针对上述不足,本公开的目的在于提供一种基于自适应滤波解调的机车轮对轴承定量诊断方法,能够自动分析机车轮对轴承与其他部件的振动,突出机车轮对轴承故障信号中的冲击成分,自适应滤除无效成分,定量识别机车轮对轴承故障程度,预防重大事故的发生。
本公开通过以下技术方案实现上述目的:
一种基于自适应滤波解调的机车轮对轴承定量诊断方法,包括参数训练和实时诊断两个阶段;其中,参数训练阶段包括如下步骤:
S11:采集已知故障程度的机车轮对轴承的振动加速度信号x;
S12:设定滤波器的长度和步长范围分别为L、LΔ,以不同滤波器的长度Li、不同滤波器步长以及不同滤波器频带Bl组成滤波器数组Wi,j,l;将所述振动加速度信号x输入根据所述滤波器数组Wi,j,j确定的带通滤波器中进行滤波,输出信号定义为si,j,j;
S13:对所述输出信号si,j,j进行希尔伯特包络解调,得到包络谱Zi,j,l;
S14:计算所述包络谱Zi,j,l的噪声指标Ei,j,l,并循环执行步骤S12至步骤S14,直至得到所有包络谱Zi,j,l的噪声指标Ei,j,l;
S15:选取所有噪声指标Ei,j,l中的最小值Eopt,将该最小值所对应的滤波器的滤波器频带Bopt、滤波器长度Lopt、滤波器步长作为最佳滤波器参数,记录为最佳滤波器参数滤波后的振动加速度信号记录为sopt;
S16:对所述最佳滤波器参数滤波后的振动加速度信号sopt进行希尔伯特解调,获得自适应滤波解调后的最佳包络谱Zopt;
S17:计算步骤S16中所得最佳包络谱Zopt的故障程度指标FSI;
S18:重复步骤S11至S17,对至少三种故障程度的轴承对应的FSI指标进行二次多项式拟合,得到机车轮对轴承实际故障程度与故障程度指标FSI的对应关系,并确定不同故障程度对应的阈值范围;
实时诊断阶段包括如下步骤:
S21:采集未知故障程度的机车轮对轴承的振动加速度信号y;
S22:设置滤波器参数为步骤S15中得到最佳滤波器参数Ω;
S23:计算所述最佳滤波器参数Ω滤波后的振动加速度信号y的包络谱Zy,opt;
S24:计算所述包络谱Zy,opt的故障程度指标FSIy;
S25:根据步骤S18中所设定的故障程度的阈值范围确定机车轮对轴承的故障程度。
优选的,所述振动加速度信号x和y通过振动传感器采集。
优选的,步骤S12中,所述滤波器的长度L在10-1000内取整数值,所述滤波器的步长LΔ在10到100内取整数值。
优选的,步骤S12中,所述滤波器数组Wi,j,l为:
其中,B(l)表示滤波器频带,fs表示采样频率,floor表示向下取整运算,L表示滤波器的长度,Li表示第i种滤波器的长度,表示第j种滤波器的步长,表示l的最大值,i表示滤波器的长度L等分的小段数,j表示滤波器的步长LΔ等分的小段数,l表示滤波器的编号,且i、j、l均为正整数。
优选的,步骤S13中,所述希尔伯特包络解调如下所示:
Zi,j,l=|FFT(HSi,j,l)|
其中,i表示滤波器的长度L等分的小段数,j表示滤波器的步长LΔ等分的小段数,l表示滤波器的编号,t表示时间,τ表示积分变量,FFT表示傅里叶频谱运算,si,j,l表示以滤波器数组Wi,j,l滤波后的振动加速度信号,Hi,j,l表示滤波后的输出信号Si,j,l经过希尔伯特变换后得到的结果,HSi,j,l表示输出信号Si,j,l的包络信号,Zi,j,l表示包络谱。
优选的,步骤S14中,所述噪声指标Ei,j,l定义为:
其中,n为包络谱的点数,k为正整数,取值范围为1≤k≤n。
优选的,步骤S14中,当噪声指标Ei,j,l低时,表示频谱图的成分清晰,频谱辨识度好;当噪声指标Ei,j,l高时,表示频谱图混乱,无突出频率成分,各种频率难以辨识。
优选的,所述故障程度指标FSI的计算公式如下:
其中,Af表示故障轴承自适应滤波解调后的最佳包络谱中故障频率对应的幅值,An表示校正系数。
优选的,步骤S18中,所述阈值范围包括轻微故障阈值、中等故障阈值和严重故障阈值。
优选的,步骤S25中,机车轮对轴承的故障程度包括轻微故障、中等故障和严重故障。
与现有技术相比,本公开带来的有益效果为:
1、通过遍历滤波器的长度、步长及频带等三个滤波器参数的迭代循环提取机车轮对轴承振动加速度信号中的故障冲击成分,降低噪声含量,自适应获取能够反应机车轮对轴承故障类型的最佳包络频谱;
2、构建了一种基于滤波解调的机车轮对轴承故障程度指标FSI,相比传统指标更加敏感且准确,能在机车轮对轴承的故障早期即可发现故障,预防重大事故的发生。
附图说明
图1是本公开示出的一种基于自适应滤波解调的机车轮对轴承定量诊断方法流程图;
图2是本公开一个实施例中的铁路机车轮对轴承试验设备结构示意图;
图3(a)至图3(d)是本公开一个实施例中振动信号的原始波形示意图,其中,图3(a)为正常轮对轴承;图3(b)为轻微故障轮对轴承;图3(c)为中度故障轮对轴承;图3(d)为严重故障轮对轴承;
图4(a)至图4(d)是本公开一个实施例中振动信号的希尔伯特包络谱,其中,图4(a)为正常轮对轴承;图4(b)为轻微故障轮对轴承;图4(c)为中度故障轮对轴承;图4(d)为严重故障轮对轴承;
图5(a)至图5(d)是本公开一个实施例中振动信号的自适应滤波解调包络谱,其中,图5(a)为正常轮对轴承;图5(b)为轻微故障轮对轴承;图5(c)为中度故障轮对轴承;图5(d)为严重故障轮对轴承。
具体实施方式
下面结合附图1至附图5(d)和实施例对本公开的技术方案进行清楚、完整的描述,显然,所描述的实施例是本公开的一部分实施例,而不是全部实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开要求保护的范围。
下面通过具体的实施例并结合附图对本公开做进一步的详细描述。
参见图1,一种基于自适应滤波解调的机车轮对轴承定量诊断方法,包括参数训练和实时诊断两个阶段;其中,
参数训练阶段包括如下步骤:
S11:采集已知故障程度的机车轮对轴承的振动加速度信号x。
该步骤中,通过振动传感器采集振动加速度信号x,其中,采样频率为fs,采样点数为n。
S12:使用采集得到的振动加速度信号x进行故障诊断,其中最关键的一个步骤是滤波器的选择,但现有技术中通常无法直接给定最优的滤波器参数,因此绝大多时候无法提取出轴承的故障特征,导致故障诊断结果准确率比较低。因此,必须通过一种自适应方法自动确定最佳参数。
设定滤波器的长度和步长分别为整数L和LΔ,将滤波器长度L等分为i个小段,每段的起始值作为第i种滤波器长度,将滤波器步长LΔ等分为j个小段,每段的起始值作为第j种滤波器步长;以第i种滤波器的长度Li、第j种滤波器的步长以及不同滤波器频带Bl组成滤波器数组Wi,j,l:
其中,B(l)表示滤波器频带,fs表示采样频率,floor表示向下取整运算,L表示滤波器的长度,Li表示第i种滤波器的长度,表示第j种滤波器的步长,表示l的最大值,i表示滤波器的长度L等分的小段数,j表示滤波器的步长LΔ等分的小段数,l表示滤波器的编号,且i、j、l均为正整数。
为了减少迭代计算量,滤波器的长度L一般按照经验在10到1000内取整数值,滤波器的步长LΔ在10到100内取整数值。
生成滤波器数组Wi,j,l后,将所述振动加速度信号x输入根据所述滤波器数组Wi,j,l确定的带通滤波器中滤波后输出,并将第l个滤波器频带B(l)滤波后的输出信号定义为si,j,l,其中,i、j、l均为正整数,最大值分别表示为imax、jmax和lmax。
S13:对所述输出信号si,j,l进行希尔伯特包络解调,得到包络谱Zi,j,l,其中,希尔伯特包络解调如下所示:
Zi,j,l=|FFT(HSi,j,l)|
其中,i表示滤波器的长度L等分的小段数,j表示滤波器的步长LΔ等分的小段数,l表示滤波器的编号,t表示时间,τ表示积分变量,FFT表示傅里叶频谱运算,si,j,l表示以滤波器数组Wi,j,l滤波后的振动加速度信号,Hi,j,l表示滤波后的输出信号Si,j,l经过希尔伯特变换后得到的结果,HSi,j,l表示输出信号Si,j,l的包络信号,Zi,j,l表示包络谱。
S14:计算所述包络谱Zi,j,l的噪声指标Ei,j,l,并循环执行步骤S12至步骤S14,直至得到所有包络谱Zi,j,l的噪声指标Ei,j,l,其中,噪声指标Ei,j,l定义如下:
其中,n为包络谱的点数,k为正整数,取值范围为1≤k≤n。
需要说明的是,当噪声指标Ei,j,l低时,表示频谱图的成分清晰,频谱辨识度好;当噪声指标Ei,j,l高时,表示频谱图混乱,无突出频率成分,各种频率难以辨识。
S15:选取所有噪声指标Ei,j,l中的最小值Eopt,将该最小值所对应的滤波器的滤波器频带Bopt、滤波器长度Lopt、滤波器步长作为最佳滤波器参数,记录为最佳滤波器参数滤波后的振动信号记录为sopt。
该步骤中,最佳滤波器参数Ω根据信号的不同自适应选择,无需人工参与。
S16:对所述最佳滤波器参数滤波后的振动加速度信号sopt进行希尔伯特解调,获得自适应滤波解调后的最佳包络谱Zopt。
S17:计算步骤S16中所得包络谱Zopt的故障程度指标FSI;其中,所述故障程度指标FSI的计算公式如下:
其中,Af表示故障轴承自适应滤波解调后的最佳包络谱中故障频率对应的幅值,An表示校正系数。
需要说明的是,经过最佳滤波器参数滤波后的包络谱包含最丰富的故障冲击频率成分,根据其计算的故障程度指标FSI更能反映真实故障程度。
S18:重复步骤S11至S17,对至少三种故障程度的轴承对应的FSI指标进行二次多项式拟合,得到机车轮对轴承实际故障程度与故障程度指标FSI的对应关系;将上述不同故障程度轴承对应的最大的FSI指标与最小的FSI指标分为三段,按照从小到大的顺序依次定义为轻度故障、中度故障以及严重故障的阈值范围,所述分段点依次定义为轻度故障、中度故障以及严重故障的阈值。
该步骤中,对至少三种故障程度(轻微、中等、严重各至少一个样本)的机车轮对轴承对应的FSI指标进行二次多项式拟合,获得故障程度与FSI指标的对应关系,具体地,以故障面积为横坐标,表示故障程度的大小,以FSI指标为纵坐标,用二次多项式拟合故障面积与FSI指标的函数关系。将FSI指标范围分为三段,三个范围按照从小到大的顺序依次定义为轻度故障、中度故障以及严重故障的阈值范围,其中,无故障轴承的FSI指标范围为[0,Fslight),轻微轴承的FSI指标范围为[Fslight,Fmedium),中度故障轴承的FSI指标范围为[Fmedium,Fsevere)。当FSI指标大于严重故障阈值Fsevere时表示严重故障。通过比对当前轴承的故障程度指标FSI与设定的故障阈值范围,可以确定轴承的故障程度。
实时诊断阶段包括:
S21:采集未知故障程度的机车轮对轴承的振动加速度信号y。
S22:设置滤波器参数为步骤S15中得到最佳滤波器参数Ω。
S23:计算所述最佳滤波器参数滤波后的振动加速度信号y的包络谱Zy,opt。
S24:计算包络谱Zy,opt的故障程度指标FSIy。
S25:根据步骤S18所设定的故障程度的阈值确定机车轮对轴承的故障程度。
上述实施例构成了本公开的技术方案,与现有技术不同的是:本公开通过变更滤波器长度、步长及频带的迭代循环提取机车轮对轴承振动加速度信号中的故障冲击成分,降低噪声含量,能够有效获取真实的机车轮对轴承故障冲击特征,从而为准确的故障程度定量识别奠定基础;再者,本公开通过构建故障程度指标定量化识别轴承故障,与传统指标相比,能在轴承故障早期即可对故障进行识别。
图2是本公开一个实施例提供的铁路列车轮对轴承试验设备,在1、2、3、4四根轴上按照对角的方式分别安装正常、轻微故障、中度故障、严重故障四个测试轴承,其余部位安装正常轴承。三类轴承均为外圈故障,采用激光加工,损伤的大小对应相应的故障程度。经计算,轴承外圈故障频率为232Hz,并设置校正系数An为0.3。
图3(a)至图3(d)为四个轴承振动加速度原始信号的时域波形。图3(a)、图3(b)、图3(c)、图3(d)分别为正常、轻微故障、中度故障及严重故障轮对轴承的时域波形,随着故障的出现及加重,冲击明显增加,振动幅值也明细增大,尤其中度故障时,冲击十分明显,但是没有一个具体的指标说明故障程度。
图4(a)至图4(d)为加速度信号希尔伯特包络谱,图4(a)、图4(b)、图4(c)、图4(d)分别为正常、轻微故障、中度故障及严重故障轮对轴承的希尔伯特包络谱,随着故障的出现及加重,包络谱的整体能量有所增加,但是很难找到一个准确的指标表征故障严重程度。
在此次测试前,已进行了9组故障实验以确定包含故障信息最多的频带参数及故障阈值,其中包含三组轻微故障轴承,三组中等故障轴承,三组严重故障轴承的实验,得到的最佳滤波器的长度和步长分别为500Hz和30Hz,包含故障信息最多的频带范围为:[2400Hz,2900Hz]。根据9组故障实验确定的轻微故障阈值(Fslight)为1.2,中等故障阈值(Fmedium)为2.0,严重故障阈值(Fsevere)为3.2。将FSI指标按照上述三种程度的故障阈值划分为无故障、轻微故障、中等故障及严重故障,其中,无故障轴承的FSI指标范围为[0,1.2),轻微轴承的FSI指标范围为[1.2,2.0),中度故障轴承的FSI指标范围为[2.0,3.2),当FSI指标大于严重故障阈值3.2时表示严重故障,当FSI指标大于4.4时,立即停机。
在一个实施例中,对四种轴承信号同时采集30min的数据,采样频率为25600Hz,取其中平稳的1秒数据进行分析得到的自适应滤波解调频谱,采样间隔为20秒,得到90组数据,分别计算各组数据的故障程度指标FSI,如表1所示。
表1故障程度指标
图5(a)、图5(b)、图5(c)、图5(d)分别为1、2、3、4号轴承某组数据下的自适应滤波解调谱,根据图中的幅值0.04、0.56、0.85和1.14计算的故障程度指标分别为0.13、1.86、2.83及3.8,随着故障出现及加重,外圈故障频率对应的幅值呈现单调性递增的规律。
用90组数据的平均值作为轮对轴承的故障程度指标,如表1所示,可知,1轴、2轴、3轴和4轴的平均故障程度指标分别为0.0138、1.6001、2.8329和3.9809,比对其与无故障阈值、轻微故障阈值、中度故障阈值及严重故障阈值的大小关系可知:1号、2号、3号、4号轴承分别为无故障、轻微故障、中等故障、严重故障,与实际故障一致。
尽管以上结合附图对本公开的实施方案进行了描述,但本公开并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本公开权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本公开保护之列。
Claims (7)
1.一种基于自适应滤波解调的机车轮对轴承定量诊断方法,包括参数训练和实时诊断两个阶段;其中,
参数训练阶段包括如下步骤:
S11:采集已知故障程度的机车轮对轴承的振动加速度信号x;
其中,B(l)表示滤波器频带,fs表示采样频率,floor表示向下取整运算,L表示滤波器的长度,Li表示第i种滤波器的长度,表示第j种滤波器的步长,表示l的最大值,i表示滤波器的长度L等分的小段数,j表示滤波器的步长LΔ等分的小段数,l表示滤波器的编号,且i、j、l均为正整数;
将所述振动加速度信号x输入根据所述滤波器数组Wi,j,j确定的带通滤波器中进行滤波,输出信号定义为Si,j,l;
S13:对所述输出信号Si,j,l进行希尔伯特包络解调,得到包络谱Zi,j,l;
S14:计算所述包络谱Zi,j,l的噪声指标Ei,j,l,并循环执行步骤S12至步骤S14,直至得到所有包络谱Zi,j,l的噪声指标Ei,j,l,且
其中,n为包络谱的点数,k为正整数,取值范围为1≤k≤n;
S15:选取所有噪声指标Ei,j,l中的最小值Eopt,将该最小值所对应的滤波器的滤波器频带Bopt、滤波器长度Lopt、滤波器步长作为最佳滤波器参数,记录为最佳滤波器参数滤波后的振动加速度信号记录为sopt;
S16:对所述最佳滤波器参数滤波后的振动加速度信号sopt进行希尔伯特解调,获得自适应滤波解调后的最佳包络谱Zopt;
S17:计算步骤S16中所得最佳包络谱Zopt的故障程度指标FSI,且,
其中,Af表示故障轴承自适应滤波解调后的最佳包络谱中故障频率对应的幅值,An表示校正系数;
S18:重复步骤S11至S17,对至少三种故障程度的轴承对应的FSI指标进行二次多项式拟合,得到机车轮对轴承实际故障程度与故障程度指标FSI的对应关系,并确定不同故障程度对应的阈值范围;
实时诊断阶段包括如下步骤:
S21:采集未知故障程度的机车轮对轴承的振动加速度信号y;
S22:设置滤波器参数为步骤S15中得到最佳滤波器参数Ω;
S23:计算所述最佳滤波器参数Ω滤波后的振动加速度信号y的包络谱Zy,opt;
S24:计算所述包络谱Zy,opt的故障程度指标FSIy;
S25:根据步骤S18中所设定的故障程度的阈值范围确定机车轮对轴承的故障程度。
2.根据权利要求1所述的诊断方法,其特征在于,所述振动加速度信号x和y通过振动传感器采集。
3.根据权利要求1所述的诊断方法,其特征在于,步骤S12中,所述滤波器的长度L在10-1000内取整数值,所述滤波器的步长LΔ在10到100内取整数值。
5.根据权利要求1所述的方法,其特征在于,步骤S14中,当噪声指标Ei,j,l低时,表示频谱图的成分清晰,频谱辨识度好;当噪声指标Ei,j,l高时,表示频谱图混乱,无突出频率成分,各种频率难以辨识。
6.根据权利要求1所述的方法,其特征在于,步骤S18中,所述阈值范围包括轻微故障阈值、中等故障阈值和严重故障阈值。
7.根据权利要求1所述的方法,其特征在于,步骤S25中,机车轮对轴承的故障程度包括轻微故障、中等故障和严重故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359782.0A CN109975025B (zh) | 2019-04-29 | 2019-04-29 | 基于自适应滤波解调的机车轮对轴承定量诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359782.0A CN109975025B (zh) | 2019-04-29 | 2019-04-29 | 基于自适应滤波解调的机车轮对轴承定量诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975025A CN109975025A (zh) | 2019-07-05 |
CN109975025B true CN109975025B (zh) | 2020-06-09 |
Family
ID=67087265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359782.0A Active CN109975025B (zh) | 2019-04-29 | 2019-04-29 | 基于自适应滤波解调的机车轮对轴承定量诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975025B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358356B (zh) * | 2021-06-07 | 2022-12-27 | 苏州大学 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1456872A (zh) * | 2003-04-17 | 2003-11-19 | 西北工业大学 | 一种诊断齿轮和滚动轴承故障的方法 |
CN104819766B (zh) * | 2015-05-13 | 2018-05-18 | 西安交通大学 | 基于谐噪比的包络解调频带确定方法 |
CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
CN109682600A (zh) * | 2018-09-14 | 2019-04-26 | 温州大学 | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 |
-
2019
- 2019-04-29 CN CN201910359782.0A patent/CN109975025B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109975025A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Adaptive multipoint optimal minimum entropy deconvolution adjusted and application to fault diagnosis of rolling element bearings | |
WO2022261805A1 (zh) | 一种柴油机齿轮箱故障诊断方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra | |
Zhang et al. | A new improved kurtogram and its application to bearing fault diagnosis | |
CN110816588B (zh) | 一种机车车轮失圆检测方法、装置、设备及系统 | |
CN110987348A (zh) | 基于弓网动态响应的接触网硬点确定方法及装置 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN113776760B (zh) | 基于整轴振动分析的列车轮对失圆故障监测方法和系统 | |
WO2023138581A1 (zh) | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 | |
Cheng et al. | CFFsBD: A candidate fault frequencies-based blind deconvolution for rolling element bearings fault feature enhancement | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
Zhou et al. | A blind deconvolution approach based on spectral harmonics-to-noise ratio for rotating machinery condition monitoring | |
CN109975025B (zh) | 基于自适应滤波解调的机车轮对轴承定量诊断方法 | |
Liu et al. | Wayside Bearing Fault Diagnosis Based on Envelope Analysis Paved with Time‐Domain Interpolation Resampling and Weighted‐Correlation‐Coefficient‐Guided Stochastic Resonance | |
Liu et al. | A Rolling Bearing Fault Diagnosis‐Optimized Scale‐Space Representation for the Empirical Wavelet Transform | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
CN113358356B (zh) | 一种高速列车轮对轴承微弱故障诊断方法及系统 | |
Yi et al. | An adaptive harmonic product spectrum for rotating machinery fault diagnosis | |
CN114056381A (zh) | 一种铁道车辆车轮扁疤监测方法 | |
Xu et al. | A novel method for extracting maximum kurtosis component and its applications in rolling bearing fault diagnosis | |
CN116252820B (zh) | 改进频域积分法驱动的高速列车车轮多边形定量检测方法 | |
Wan et al. | Adaptive asymmetric real Laplace wavelet filtering and its application on rolling bearing early fault diagnosis | |
Djemili et al. | A wind turbine bearing fault detection method based on improved CEEMDAN and AR-MEDA | |
CN115931399A (zh) | 一种实时在线检测高速列车轮多边形故障的方法 | |
Ma et al. | Envelope demodulation method based on SET for fault diagnosis of rolling bearings under variable speed |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230919 Address after: No.6 Gangcheng Road, Yichang District, China (Hubei) free trade zone, Yichang City, Hubei Province Patentee after: WEITE TECHNOLOGIES Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Patentee before: XI'AN JIAOTONG University |