CN110044620A - 一种基于振动信号分析的滚动轴承故障诊断方法 - Google Patents
一种基于振动信号分析的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN110044620A CN110044620A CN201910196899.1A CN201910196899A CN110044620A CN 110044620 A CN110044620 A CN 110044620A CN 201910196899 A CN201910196899 A CN 201910196899A CN 110044620 A CN110044620 A CN 110044620A
- Authority
- CN
- China
- Prior art keywords
- imf
- vibration signal
- component
- fault
- demd
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000005096 rolling process Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 3
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000222712 Kinetoplastida Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于振动信号分析的滚动轴承故障诊断方法，属于机械故障诊断及信号处理领域。本发明首先对轴承的振动信号进行DEMD分解，分解得到若干个具有物理意义的IMF分量；然后计算分量信号与原始振动信号之间的相关系数，通过相关系数选取富含故障特征信息的分量，计算所选分量的多尺度熵组成特征值向量；最后将特征值向量输入到支持向量机中完成对滚动轴承工作状态的识别。本发明通过DEMD分解出低能量高频信号，计算多尺度熵作为特征，利用SVM进行分类，提高轴承故障识别的正确率，有较强的实用性。
Description
技术领域
本发明涉及一种基于振动信号分析的滚动轴承故障诊断方法，属于机械故障诊断及信号处理领域。
背景技术
滚动轴承是旋转机械设备及其他机械设备的最主要零部件之一，同时由于其高频率工作运转致使其极易发生损坏。在工业实际应用中，其运行状态对整体设备运行起决定性作用，大多数机械设备发生故障都与其密切相关。据相关资料显示，30％的旋转机械故障是由滚动轴承故障引起的，在齿轮箱故障中，轴承引起的故障占比超过了20％，仅次于齿轮故障，尤其是电机故障中，电机轴承引起的故障占总故障的80％。可见，对滚动轴承故障诊断技术的研究具有重要的现实意义。
滚动轴承的故障信号具有非线性、非平稳的特点，用传统的信号处理方法无法同时兼顾信号在时域和频域的局部化特征和全貌；滚动轴承故障早期信号微弱，里面包含的低能量高频信号难分解，且所处机械系统复杂精细，故障特征信息会分布在不同的尺度上，传统的单一尺度的特征会丢失部分重要的信息，导致滚动轴承的故障难以检测和诊断。故本文提出了一种利用微分经验模态分解(DEMD)的时频域分析的方法，并将多尺度熵作为故障分类的特征向量，完美了处理了上述的问题。
发明内容
本发明解决的技术问题是：本发明提供了一种基于振动信号分析的滚动轴承故障诊断方法，用于解决滚动轴承故障特征难以提取和故障识别率较低的问题。
本发明的技术方案是：一种基于振动信号分析的滚动轴承故障诊断方法，其特征在于：包括如下步骤：
Step1：获取滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工作状态下的原始振动信号；
Step2：对每一种工作状态下的原始振动信号进行DEMD分解并得到若干个具有物理意义的本征模函数(IMF)分量；
Step2.1：将滚动轴承的原始振动信号x(t)进行n阶微分求导，
Step2.2：将xn(t)进行一阶EMD分解，xn(t)＝IMFn1(t)+rn1(t)，其中IMFn1(t)为xn(t)一阶EMD分解后得到的一个IMF分量，rn1(t)为xn(t)一阶EMD分解后的残余分量；
Step2.3：对IMFn1(t)进行一次积分，∫IMFn1(t)dt＝b(n-1)1(t)+b(n-1)1(0)，其中b(n-1)1(t)为IMFn1(t)关于t的原函数，b(n-1)1(0)为任意常数；
Step2.4：对b(n-1)1(t)进行一阶EMD分解，得到b(n-1)1(t)＝IMF(n-1)1(t)+r(n-1)1(t)，其中，IMF(n-1)1(t)为b(n-1)1(t)一阶EMD分解后得到的一个IMF分量，r(n-1)1(t)为b(n-1)1(t)一阶EMD分解后的残余分量，若n-1>0，则令n＝n-1，继续步骤Step2.3和Step2.4；若n-1＝0，则得到原始振动信号x(t)经DEMD分解后的第一个分量IMF1；
Step2.5：令x2(t)＝x(t)-IMF1，再进行步骤Step2.1-Step2.4，得到第二个分量IMF2，以此循环i次，直到Step2.4中分解不出IMF分量为止，得到原始振动信号x(t)经DEMD分解的结果其中，IMFm为x(t)经DEMD分解的第m个IMF分量，xi(t)为x(t)经DEMD分解后的残余分量。
Step3：计算IMF分量与原始振动信号之间的相关系数；
Step3.1：令x＝IMFm,y＝x(t)，故IMF分量与原始振动信号x(t)的相关系数为ρxy，计算公式如下：
其中σxy表示x,y的协方差，σx,σy分别表示x,y的标准差，mx＝E(x)，my＝E(y)分别代表x,y的平均值。
Step4：选择相关系数大于设定阈值的IMF分量，阈值设定为0.01，相关系数大于阈值的IMF分量是含有故障特征信息的主分量；
Step5：计算经筛选之后的各IMF分量的多尺度熵(MSE)；
Step5.1：对Step2.4中筛选出的任意IMF分量{xp}＝{x1,x2,…,xN}，每一个IMF分量包含N个数据，在不同的尺度因子条件下，将其进行粗粒化处理，粗粒化的过程为其中s为尺度因子，yj (s)为粗粒化序列， 表示向下取整；
Step5.2：对得到的s个粗粒序列分别求其样本熵，构造成尺度因子s的函数，由此得到时间序列的多尺度熵的表达式：其中：m为样本熵的模式维数，r为相似容忍。
Step6：将得到的多尺度熵构成高维的特征向量，输入到支持向量机SVM中进行模型训练从而用于滚动轴承故障的分类识别。
本发明的有益效果是：
1、轴承的故障信号往往存在高频部分，尤其是故障初期，故障信号的能量很小，很可能淹没于其他信号当中，不利于故障诊断。DEMD分解可以诊断出相对于主信号能量很小的故障信号的存在，而且与局部特征尺度(LCD)分解相比，具有更好的故障识别能力。
2、滚动轴承所处机械系统复杂精细，故障特征信息会分布在不同的尺度上，传统的单一尺度的特征会丢失部分重要的信息，导致滚动轴承的故障难以检测和诊断。多尺度熵可以检测信号在不同尺度上的复杂度和不规则度，在轴承的不同工作状态下的多尺度熵值区别明显，所以用多尺度熵作为故障特征进行分类，可以准确的识别出故障类型，完成滚动轴承的故障诊断。
附图说明
图1是本发明的方法流程图；
图2是以滚动轴承外圈为例的原始振动信号和经DEMD分解的结果图；
图3是轴承4种状态下单样本的多尺度熵(MSE)值；
图4是训练样本为40组的DEMD-MSE-SVM的故障识别结果图；
图5是训练样本为30组的DEMD-MSE-SVM的故障识别结果图；
图6是训练样本为30组的DEMD-SE-SVM的故障识别结果图；
图7是训练样本为30组的LCD-MSE-SVM的故障识别结果图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步说明。
实施例1：如图1所示，一种基于振动信号的滚动轴承故障诊断方法，其具体步骤如下：
Step1：获取滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工作状态下的振动信号；
Step2：对每一种工作状态下的振动信号进行微分经验模态分解(DEMD)分解并得到若干个具有物理意义的IMF分量；
Step3：计算IMF分量与原始振动信号之间的相关系数；
Step4：选择相关系数较大的IMF分量，因为相关系数较大的IMF分量是含有故障特征信息的主分量；
Step5：计算经筛选之后的各IMF分量的多尺度熵；
Step6：将得到的多尺度熵构成高维的特征向量，输入到支持向量机SVM中进行故障的分类识别；
实施例2：本实施例中通过以下工程试验所述方法对滚动轴承的故障进行诊断，具体实验如下：
步骤1、实验数据来自实验采用美国凯斯西储大学电气工程实验室数据，其中轴承型号为6205-2RS JEM SKF，负载2.237kW，转频1730r·min-1，采样频率为12kHz。为模拟轴承损伤故障，分别在轴承内、外圈上和滚动体人为增加裂纹，裂纹直径为0.1778mm，裂纹深度为0.2794mm。
步骤2、以固定采样频率分别采集滚动轴承4种不同类型的振动信号(正常、滚动体故障、内圈故障、外圈故障)，数据的长度为2400，每种状态采集50组数据用作总样本。
步骤3、任取一组数据信号，使用DEMD算法分解振动信号，得到若干具有物理意义的IMF分量，并计算各IMF分量与与原始振动信号的的相关系数，选取相关系数较大的IMF分量，因为相关系数较大的IMF分量是富含了故障特征信息的主分量。以滚动轴承的外圈故障为例，振动信号经过DEMD分解后的前5个IMF分量和原始振动信号的波形图如图2所示。
步骤4、计算滚动轴承在四种工作状态下的各IMF分量与原始振动信号的相关系数，结果建表1。设定相关系数的阈值为0.01，筛选相关系数值大于0.01的IMF分类。
表1四种工作状态下的IMF分量与各种原始振动信号的相关系数
由表1可知，正常信号的特征信息主要集中在IMF1～IMF5前五个分量中；内圈故障中，IMF2和IMF3分量与原始振动信号的相关系数均大于0.01，所以故障的特性信息主要集中在IMF2和IMF3分量中；同理可得，外圈故障的主要特征信息集中在IMF1～IMF2分量中，滚动体故障主要集中在IMF2～IMF4分量中。但为了尽可能保留故障特征信息和多尺度熵构造的特征值向量维数的一致性，在本发明中计算轴承各状态振动信号分解后的IMF1～IMF4分量的多尺度熵特征。
步骤5、计算IMF1～IMF4前4个模态分量的多尺度熵，并构造高维的特征值向量作为SVM的输入。多尺度熵算法在应用过程中，主要涉及三个参数：模式维数m、相似容忍r和尺度因子s。不同的参数选取对熵值的计算会产生影响，进而影响轴承最终的故障分类。根据已发表(杨大为,冯辅周,赵永东,江鹏程,丁闯.VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用[J].振动与冲击,2018,37(16):198-205.)的期刊论文可知，m＝2,r＝0.15Std(Std为信号的标准差)。为了尽可能的在多尺度上采集故障的特征信息以及避免因尺子因子过大而导致计算繁琐，本发明中尺度因子s＝3。
由于IMF分量的个数为4，尺度因子s＝3，故一个样本有12个熵值。轴承各状态样本的多尺度熵值如图3所示，以一个样本为例。由图可知，轴承4中状态下的多尺度熵值差异明显，可以明显区分。故用多尺度熵MSE作为特征来进行轴承的故障分类，会提高故障的分类识别率。
步骤6、按照步骤1～5，依次对40*4组训练样本进行特征提取，作为描述轴承运行状态的训练样本集；
步骤7、将剩余10*4组数据作为测试样本，用相同的特征提取方法处理此数据，作为描述轴承运行状态的测试样本集；
步骤8、将训练样本和测试样本都输入到分类器SVM中，将滚动轴承的正常、内圈故障、外圈故障、滚动体故障分别设置标签1、2、3和4，最终的故障识别的结果如图4所示。通过图4可知，对滚动轴承正常、内圈故障、外圈故障、滚动体故障的综合识别率为95％。
实施例3：为了研究不同训练样本数量对滚动轴承故障识别结果的影响，选取上述美国凯斯西储大学滚动轴承四种状态下振动数共50*4组，在正常状态、内圈故障、外圈故障和滚动体故障样本数据中随机抽取10组、20组、30组、40组数据作为训练样本数据，将剩下的样本数据作为测试样本。表2为不同训练样本数量下的分类正确时。从表中我们可以看出当训练数据为30组时，所提出方法的诊断正确率可达到96.25％。当训练样本增大时，建立的分类模型较准确，识别度较高，但增大道一定数量后，反而会降低故障识别正确率。
表2不同训练样本数量下的故障识别结果
实施例4：为了验证对多尺度熵MSE可以检测轴承振动在不同尺度上的复杂度和不规则度，在轴承的故障识别中优于单一尺度的样本熵SE。选取上述美国凯斯西储大学滚动轴承四种状态下振动数共50*4组，在正常状态、内圈故障、外圈故障和滚动体故障样本数据中随机抽取30组数据作为训练样本数据，将剩下的样本数据作为测试样本，按照实施例2中的方法和步骤，计算各样本的样本熵SE作为特征，利用SVM进行分类识别，并与多尺度熵MSE的识别结果进行对比，具体结果如图5和6所示，对比结果如表3所示。由表3可知，利用多尺度熵MSE进行轴承故障识别综合正确率为96.25％，可以很好的识别轴承的正常、内圈故障、外圈故障和滚动体故障；而利用样本熵SE进行轴承识别时，可以很好地识别轴承的正常、内圈故障和滚动体故障，但是外圈故障的识别正确率仅仅只有30％，综合正确率为78.75％，低于多尺度熵MSE。所以，在轴承故障诊断中，提取多尺度熵MSE特征的诊断方法优于提取样本熵SE特征的方法。
表3 MSE和SE的故障识别对比结果
实施例5：为了验证在轴承故障诊断过程中DEMD可以分解出相对于主信号能量很小的故障信号，将局部特征尺度(LCD)分解与微分经验模式分解(DEMD)相比，其特征提取方法和故障分类过程和实施例2一致。选取上述美国凯斯西储大学滚动轴承四种状态下振动数共50*4组，在正常状态、内圈故障、外圈故障和滚动体故障样本数据中随机抽取30组数据作为训练样本数据，将剩下的样本数据作为测试样本，DEMD分解方法和LCD分解方法的故障识别具体结果如图5和图7所示，对比结果如表4所示。由表4可知，利用DEMD分解轴承的振动信号的故障综合正确率为96.25％，利用LCD分解的综合正确率为93.75％，低于DEMD分解的方法。所以，利用DEMD分解轴承的故障振动信号可以更好地分解出相对于主信号能量很小的故障信号，对轴承的故障诊断结果由于LCD分解的方法。
表4 DEMD与LCD分解方法的故障识别对比结果
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于振动信号分析的滚动轴承故障诊断方法，其特征在于：包括如下步骤：
Step1：获取滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工作状态下的原始振动信号；
Step2：对每一种工作状态下的原始振动信号进行DEMD分解并得到若干个具有物理意义的IMF分量；
Step3：计算IMF分量与原始振动信号之间的相关系数；
Step4：选择相关系数大于设定阈值的IMF分量，阈值设定为0.01；
Step5：计算经筛选之后的各IMF分量的多尺度熵；
Step6：将得到的多尺度熵构成高维的特征向量，输入到支持向量机SVM中进行模型训练从而用于滚动轴承故障的分类识别。
2.根据权利要求1所述的基于振动信号分析的滚动轴承故障诊断方法，其特征在于：所述Step2的具体过程如下：
Step2.1：将滚动轴承的原始振动信号x(t)进行n阶微分求导，
Step2.2：将xn(t)进行一阶EMD分解，xn(t)＝IMFn1(t)+rn1(t)，其中IMFn1(t)为xn(t)一阶EMD分解后得到的一个IMF分量，rn1(t)为xn(t)一阶EMD分解后的残余分量；
Step2.3：对IMFn1(t)进行一次积分，∫IMFn1(t)dt＝b(n-1)1(t)+b(n-1)1(0)，其中b(n-1)1(t)为IMFn1(t)关于t的原函数，b(n-1)1(0)为任意常数；
Step2.4：对b(n-1)1(t)进行一阶EMD分解，得到b(n-1)1(t)＝IMF(n-1)1(t)+r(n-1)1(t)，其中，IMF(n-1)1(t)为b(n-1)1(t)一阶EMD分解后得到的一个IMF分量，r(n-1)1(t)为b(n-1)1(t)一阶EMD分解后的残余分量，若n-1>0，则令n＝n-1，继续步骤Step2.3和Step2.4；若n-1＝0，则得到原始振动信号x(t)经DEMD分解后的第一个分量IMF1；
Step2.5：令x2(t)＝x(t)-IMF1，再进行步骤Step2.1-Step2.4，得到第二个分量IMF2，以此循环i次，直到Step2.4中分解不出IMF分量为止，得到原始振动信号x(t)经DEMD分解的结果其中，IMFm为x(t)经DEMD分解的第m个IMF分量，xi(t)为x(t)经DEMD分解后的残余分量。
3.根据权利要求1所述的基于振动信号分析的滚动轴承故障诊断方法，其特征在于：所述Step3的具体过程如下：
Step3.1：令x＝IMFm,y＝x(t)，故IMF分量与原始振动信号x(t)的相关系数为ρxy，计算公式如下：
其中σxy表示x,y的协方差，σx,σy分别表示x,y的标准差，mx＝E(x)，my＝E(y)分别代表x,y的平均值。
4.根据权利要求1所述的基于振动信号分析的滚动轴承故障诊断方法，其特征在于：所述Step5的具体过程如下：
Step5.1：对Step2.4中筛选出的任意IMF分量{xp}＝{x1,x2,…,xN}，每一个IMF分量包含N个数据，在不同的尺度因子条件下，将其进行粗粒化处理，粗粒化的过程为其中s为尺度因子，yj (s)为粗粒化序列， 表示向下取整；
Step5.2：对得到的s个粗粒序列分别求其样本熵，构造成尺度因子s的函数，由此得到时间序列的多尺度熵的表达式：其中：m为样本熵的模式维数，r为相似容忍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196899.1A CN110044620A (zh) | 2019-03-15 | 2019-03-15 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196899.1A CN110044620A (zh) | 2019-03-15 | 2019-03-15 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110044620A true CN110044620A (zh) | 2019-07-23 |
Family
ID=67274821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910196899.1A Pending CN110044620A (zh) | 2019-03-15 | 2019-03-15 | 一种基于振动信号分析的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110044620A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991564A (zh) * | 2019-12-24 | 2020-04-10 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
| CN112098088A (zh) * | 2020-08-19 | 2020-12-18 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
| CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
| CN112257530A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
| CN113435314A (zh) * | 2021-06-25 | 2021-09-24 | 陈珅 | 一种滚动轴承声信号早期故障敏感特征筛选方法和系统 |
| CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
| CN114235412A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 三阶张量秩一分解方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472137A (zh) * | 2013-09-22 | 2013-12-25 | 上海电力学院 | 基于振动信号分析的传动系统齿轮故障诊断方法 |
| CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
| CN104266747A (zh) * | 2014-06-09 | 2015-01-07 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
| EP3246689A1 (en) * | 2016-05-20 | 2017-11-22 | ABB Technology Oy | Method and system for monitoring mechanical bearing |
| CN107687941A (zh) * | 2017-07-03 | 2018-02-13 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 |
| CN108982107A (zh) * | 2018-07-26 | 2018-12-11 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
| CN109374299A (zh) * | 2018-12-13 | 2019-02-22 | 西安理工大学 | 一种用于印刷单元的滚动轴承故障诊断方法 |
-
2019
- 2019-03-15 CN CN201910196899.1A patent/CN110044620A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472137A (zh) * | 2013-09-22 | 2013-12-25 | 上海电力学院 | 基于振动信号分析的传动系统齿轮故障诊断方法 |
| CN104266747A (zh) * | 2014-06-09 | 2015-01-07 | 中能电力科技开发有限公司 | 一种基于振动信号阶次分析的故障诊断方法 |
| CN104155108A (zh) * | 2014-07-21 | 2014-11-19 | 天津大学 | 一种基于振动时频分析的滚动轴承故障诊断方法 |
| EP3246689A1 (en) * | 2016-05-20 | 2017-11-22 | ABB Technology Oy | Method and system for monitoring mechanical bearing |
| CN107687941A (zh) * | 2017-07-03 | 2018-02-13 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀早期故障诊断方法 |
| CN108982107A (zh) * | 2018-07-26 | 2018-12-11 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
| CN109374299A (zh) * | 2018-12-13 | 2019-02-22 | 西安理工大学 | 一种用于印刷单元的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孟宗 等: "基于DEMD和模糊熵的滚动轴承故障诊断方法研究", 《计量学报》 * |
| 金宁德 等: "《非线性信息处理技术》", 31 January 2017 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991564A (zh) * | 2019-12-24 | 2020-04-10 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
| CN110991564B (zh) * | 2019-12-24 | 2023-05-26 | 安徽工业大学 | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 |
| CN112098088A (zh) * | 2020-08-19 | 2020-12-18 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
| CN112098088B (zh) * | 2020-08-19 | 2022-01-28 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
| CN112257530A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
| CN112257530B (zh) * | 2020-10-13 | 2023-10-20 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
| CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
| CN113435314A (zh) * | 2021-06-25 | 2021-09-24 | 陈珅 | 一种滚动轴承声信号早期故障敏感特征筛选方法和系统 |
| CN113435314B (zh) * | 2021-06-25 | 2023-02-21 | 陈珅 | 一种滚动轴承声信号早期故障敏感特征筛选方法和系统 |
| CN113591248A (zh) * | 2021-08-09 | 2021-11-02 | 兰州理工大学 | 一种矿井提升机传动部件中轴承故障诊断方法 |
| CN114235412A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 三阶张量秩一分解方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110044620A (zh) | 一种基于振动信号分析的滚动轴承故障诊断方法 | |
| Liang et al. | Intelligent fault diagnosis via semisupervised generative adversarial nets and wavelet transform | |
| CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
| CN107228766B (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
| Zhang et al. | Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks | |
| CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
| CN110674892A (zh) | 一种基于加权多特征融合和svm分类的故障特征筛选方法 | |
| Li et al. | Health condition monitoring and early fault diagnosis of bearings using SDF and intrinsic characteristic-scale decomposition | |
| CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
| CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
| CN109186964B (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
| EP2988187B1 (en) | A method for assessing the condition of rotating machinery connected to an electric motor | |
| CN108398266B (zh) | 一种基于集成迁移学习的轴承故障诊断方法 | |
| CN113486931B (zh) | 一种基于pda-wgangp的滚动轴承增强诊断方法 | |
| CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
| CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
| CN112257767B (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
| CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
| CN110333077A (zh) | 一种基于近似支持向量的滚动轴承故障诊断方法 | |
| CN112308038A (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
| Tayyab et al. | Intelligent fault diagnosis of rotating machine elements using machine learning through optimal features extraction and selection | |
| Silva et al. | Fault detection in induction motors based on artificial intelligence | |
| CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
| Rajeswari et al. | Bearing fault diagnosis using multiclass support vector machine with efficient feature selection methods |
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 |
Application publication date: 20190723 |
|
| RJ01 | Rejection of invention patent application after publication |