CN110377927B - 一种基于matlab仿真的泵站机组转子状态监控方法 - Google Patents
一种基于matlab仿真的泵站机组转子状态监控方法 Download PDFInfo
- Publication number
- CN110377927B CN110377927B CN201910369591.2A CN201910369591A CN110377927B CN 110377927 B CN110377927 B CN 110377927B CN 201910369591 A CN201910369591 A CN 201910369591A CN 110377927 B CN110377927 B CN 110377927B
- Authority
- CN
- China
- Prior art keywords
- wavelet packet
- node
- pump station
- wavelet
- signal
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 18
- 239000002184 metal Substances 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241000764238 Isis Species 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于MATLAB仿真的泵站机组转子状态监控方法,应用电涡流位移传感器对泵站机组中的转子系统进行数据采集,然后应用采集到的数据对信号进行小波包分解,根据重构的小波包节点求得每个节点矩阵的范数和标准差,从而得到特征向量,然后得到信号的功率谱与能量谱,据此对信号进行分析,最后运用MATLAB GUI设计简单的人机交互界面,为用户展示由MATLAB仿真做出的对泵站机组转子系统故障监控系统。
Description
技术领域
本发明涉及泵站自动监控技术领域,一种泵站机组转子状态监控设计方法,具体为一种基于MATLAB仿真的泵站机组转子状态监控方法。
背景技术
现有技术中的泵站自动监控系统中对信号分析多是基于Fourier变换(傅立叶变换)和 Gabor变换(伽柏变换),他们是一种全局性的分析,即全部在时域或全部在频域,但是这种特性决定了这两种信号分析的方法无法很好的处理非平稳信号,而时频特性才是表征非平稳信号的最主要的性质。
发明内容
本发明针对现有泵站自动监控系统中对信号分析中频率分解方面的缺陷,提供一种基于 MATLAB仿真的泵站机组转子状态监控方法,是一种基于MATLAB仿真的,应用电涡流位移传感器进行数据采集,依靠小波包分析方法对转子系统进行监控,从而实现的泵站机组转子系统故障监控系统的设计方法。
本发明的技术方案如下:
一种基于MATLAB仿真的泵站机组转子状态监控方法,首先应用电涡流位移传感器对泵站机组中的转子系统进行数据采集,然后应用采集到的数据对信号进行小波包分解,根据重构的小波包节点求得每个节点矩阵的范数和标准差,从而得到特征向量,然后得到信号的功率谱与能量谱,据此对信号进行分析,最后运用MATLAB GUI设计人机交互界面,为用户展示由MATLAB仿真做出的对泵站机组转子系统故障监控系统。
具体步骤如下:
步骤1:应用电涡流位移传感器对泵站转子系统在运行状态的各种信息量进行采集,并根据传感器判断出的设备运转情况将采集信息分为正常运转的原始信号和非正常运转的故障信号;
步骤2:将小波包树每个节点的信号通过低通滤波和高通滤波之后再逐级向下进行采样,用深度为3的db1小波包分解原始信号和故障信号的所有频率:
索引尺度被称为震动参数,也叫做调制参数。一般情况下将刚开始的两个小波包函数分别当成是尺度函数和小波函数。
当n=2,3,4....时,相对应的小波包函数按照以下关系:
式中的g(k)和h(k)是一组正交镜像滤波器组,与刚开始的尺度函数和母小波函数有关。对于多分辨率而言,尺度函数与小波函数共同构造了信号的分解。这里尺度函数可以由低通滤波器构造,而小波函数则由高通滤波器实现。这样的滤波器组就构成了分解的框架。而同时低通滤波器的尺度函数作为下一级的小波函数和尺度函数的母函数。也就是尺度函数表征了信号的低频特征,小波函数才是真正逼近高频的基。
我们只需要计算求得信号与特殊基本函数内乘之后的结果,我们就可以对时域信号进行细节分析。函数与小波包得相关性通过如下方法计算可得:
其中,h、g为滤波器系数;d为小波包分解系数;l,k为分解层数;j、n为小波包节号。
步骤3:将分频率加起来重构小波包第三层节点;
其中,h、g为滤波器系数;d为小波包分解系数;l,k为分解层数;j、n为小波包节号。
依据此公式进行小波包节点的重构,求得每个节点矩阵特征向量,然后得到信号的功率谱与能量谱,据此对信号进行分析。
步骤4:根据重构的小波包节点求出第三层每个节点矩阵的最大奇异值,即范数,并且算出第三层每个节点矩阵的标准差,从而组成信号的特征向量[范数,标准差];
步骤5:对各节点小波包重构系数进行傅里叶变换,求得第三层每个节点的功率谱和所占能量比,比较相同节点的功率和能量比,选取功率和能量比作为故障特征的依据;
步骤6:通过MATLAB GUI设计简单的人机交互界面,为用户展示由MATLAB仿真做出的对泵站机组转子系统故障监控系统。
电涡流位移传感器是现有技术,本发明不再赘述。电涡流位移传感器通过前端的探头都可以准确无误的检测出与被测金属导体表面的相对位移变化。电涡流位移传感器也被用来测量一些电动机、发电机等高速旋转的机械,因为它不需要与要测物体进行接触就可以准确无误的测量出一些参数,可以通过这些参数来对这些机械进行振动分析,状态监测等等,从而达到对机械的监控与诊断。
电涡流位移传感器的基本工作原理是在传感器的探头最前面的线圈中有高频振荡电流存在,从而在探头的头部形成了一个交变磁场。由于传感器与被测金属的距离发生变化,从而导致接近传感器探头的金属表面也会形成一个感应电流,该感应电流会形成一个交变磁场,但是这个交变磁场的方向与线圈中磁场的方向是相反的,因此导致线圈的有效阻抗发生变化,被测金属导体的电磁导率、线圈的形态与大小以及测量物与被测物的距离等很多因素都影响了线圈阻抗的变化。一般情况下,通过一定的技术操作可以将除了距离以外的其余所有因素在一定范围内都保持不变化,这样的话,线圈的阻抗就可以只与距离变量保持某种函数关系,通过实验表明,我们可以知道该函数形状呈“S”型,然而我们却能够利用曲线中近似直线的那一部分。在此基础上,我们可以将探头的线路进行变换,从而达到了将线圈的特性阻抗转变为线圈电压或者电流的特性函数,最后的目的就是利用探头与被测金属表面的距离决定输出电压或者电流,电涡流位移传感器就是按照以上所诉的方式来完成对金属物体的距离、振动等变量的检测。
步骤2中用深度为3的db1小波包分解电涡流位移传感器采集的原始信号和故障信号的具体过程为:
索引尺度被称为震动参数,也叫做调制参数。一般情况下将刚开始的两个小波包函数分别当成是尺度函数和小波函数。
当n=2,3,4....时相对应的小波包函数按照以下的关系给出:
式中的g(k)和h(k)是一组正交镜像滤波器组,与刚开始的尺度函数和母小波函数有关。对于多分辨率而言,尺度函数与小波函数共同构造了信号的分解。这里尺度函数可以由低通滤波器构造,而小波函数则由高通滤波器实现。这样的滤波器组就构成了分解的框架。而同时低通滤波器的尺度函数作为下一级的小波函数和尺度函数的母函数。也就是尺度函数表征了信号的低频特征,小波函数才是真正逼近高频的基。
我们只需要计算求得信号与特殊基本函数内乘之后的结果,我们就可以对时域信号进行细节分析。函数与小波包得相关性通过如下方法计算可得:
其中,h、g为滤波器系数;d为小波包分解系数;l,k为分解层数;j、n为小波包节号。
小波分析拥有优秀的灵活性能和可扩展功能,小波分析可以将信号分解成低频和高频两个部分,然后对低频信号再做分解,而高频信号不再进行分解。
在实际生活中,有时候我们要对特定的时域段或者频域段的信号进行分析,这时就需要在这些特定的时间或者频域上的信息,为了解决小波变换的这一缺陷,我们提出了小波包分析。小波包分析是在小波分析的基础上所衍生出来的,小波包分析不仅仅可以对低频的信号进行分解,也可以继续对高频的信号进行分解,它可以同时分解多个细节和近似的叙述,而小波变换仅仅可以分解出一个近似的叙述。小波包变换会保留原始信号的所有信息,所以在对信号的中高频领域进行分析时,小波包分析更能够充分发挥它的作用与优势。小波包变换能够有效的对信号进行分析特别是对一些非稳态信号进行分析处理。
用户界面实际上表达的就是用户与计算机之间的进行信息相互交流的一种方法。通过界面,计算机将要显示的图像、文字、声音、视频等信息传递给用户。用户也通过输入设备,将控制指令输送进入计算机。这样计算机就与用户之间形成了一种信息的交互,完成通信过程。为了更好的完成人机之间的交互,用户界面往往做的比较人性化,便于用户能够很好的理解计算机并完成对它的操作。
图形用户界面(GUI)是由多个组成部分所组成的一个用户界面。其中包括一个窗口,菜单,对话框,按钮,光标,图标,汉字和一些图形对象。通过这个用户界面,用户可以自由的定制所需要的功能,完成与matlab之间的互动。这种方法比通过命令窗口的方式更加的简单。
用户可以根据需要利用键盘和鼠标来选择相应的图形对象,并赋予其特定的动作和变化。实现想要的操作。在matlab中,基本的图形对象可分为两类,其中的一类是控件对象,另一类是用户界面对象。
附图说明
图1为本发明方法的流程图;
图2为电涡流位移传感器采集的时域波形;其中2a为原始信号的时域波形;2b为故障信号的时域波形;
图3为原始信号重构小波包节点;
图4为故障信号重构小波包节点;
图5为原始信号重构小波包节点的功率谱;
图6为故障信号重构小波包节点的功率谱;
图7为原始信号和故障信号的特征向量[snorm(范数),std(标准差)];
图8为原始信号能量谱;
图9为故障信号能量谱。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于MATLAB仿真的泵站机组转子状态监控方法,首先应用电涡流位移传感器对泵站机组中的转子系统进行数据采集,然后应用采集到的数据对信号进行小波包分解,根据重构的小波包节点求得每个节点矩阵的范数和标准差,从而得到特征向量,然后得到信号的功率谱与能量谱,据此对信号进行分析,最后运用MATLAB GUI设计人机交互界面,为用户展示由MATLAB仿真做出的对泵站机组转子系统故障监控系统。
具体步骤如下:
步骤1:应用电涡流位移传感器对泵站转子系统在运行状态的各种信息量进行采集,并根据传感器判断出的设备运转情况将采集信息分为正常运转的原始信号和非正常运转的故障信号;
步骤2:将小波包树每个节点的信号通过低通滤波和高通滤波之后再逐级向下进行采样,用深度为3的db1小波包分解原始信号和故障信号的所有频率;
步骤3:将分频率加起来重构小波包第三层节点;
步骤4:根据重构的小波包节点求出第三层每个节点矩阵的最大奇异值,即范数,并且算出第三层每个节点矩阵的标准差,从而组成信号的特征向量[范数,标准差];
步骤5:对各节点小波包重构系数进行傅里叶变换,求得第三层每个节点的功率谱和所占能量比,比较相同节点的功率和能量比,选取功率和能量比作为故障特征的依据;
步骤6:通过MATLAB GUI设计人机交互界面,为用户展示由MATLAB仿真做出的对泵站机组转子系统故障监控系统。
本说明所述的泵站运行状态监控系统主要包括传感器模块、CAN总线模块、液晶显示模块、D/A转换模块、报警及应急开关模块、PL2303USB转换模块和电源模块等。
其中CAN总线模块完成泵站运行状态下各电子控制设备之间的通信数据的转发。传感器模块用于实现泵站机组的转子运行状态检测数据的采集。D/A转换模块实现采集数据的数模转换。液晶显示模块用于显示车辆各方面当前的运行状态。报警及应急开关模块用于当系统检测到个运行指标超出其安全阈值之后,发出警报信号,必要时自动采取对应的应急方法。 EEPROM模块实现相关数据的存储。电源模块为整个系统的运行提供电源保障。
通过仿真实验对本说明所述方法的性能进行分析和评价。仿真实验采用Matlab软件系统编程,实现图形用户界面(GUI)设计。实验所用信号数据采用图2给出的原始信号和故障信号的时域波形。
为了说明小波包分析在泵站机组中的转子系统中频率分解方面的优势,设计对比实验:
对比原始信号和故障信号使用深度为3的db1的小波包进行分解再重构的第三层节点,如图3和图4所示;
分别实验原始信号和故障信号经过深度为3的db1的小波包分解再重构的第三层节点的各功率谱,如图5和图6所示;
分别计算原始信号和故障信号的特征向量[snorm(范数),std(标准差)],具体计算结果如图7所示;
对比原始信号和故障信号经过深度为3的db1小波包分解的第三层各节点所占的能量比,如图8和图9所示;
通过对各节点小波包重构系数进行傅里叶变换,求得第三层每个节点的功率谱和所占能量比,比较相同节点的功率和能量比,选取功率和能量比作为故障特征的依据,可以得到:
通过对比图2 的 2a、2b所给出的原始信号和故障信号的时域波形我们可以发现,很难发现信号是否正常,所以仅仅从时域波形我们不能够准确的判断出转子系统是否正常工作。
通过对比图3和图4使用深度为3的db1的小波包分解原始信号后,再重构小波包的第三层节点后的原始信号和故障信号。可以明显的观察到原始信号和故障信号在[3,3]、[3,7] 和[3,8]等几处的小波包节处存在明显的差异。
通过对比图5和图6给出的原始信号和故障信号经过深度为3的db1的小波包分解再重构的第三层节点的各功率谱。可以发现,主要是[3,7]和[3,8]处存在差异,[3,7]处的差异特别明显,而其余几个节点几乎相同。
通过对比图8和图9给出的原始信号故障信号经过深度为3的db1小波包分解的第三层各节点所占的能量比。可以更加容易的观察到在[3,3]和[3,7]处原始信号和故障信号存在明显的差异。
实验结果表明:小波包分析可以同时分解多个细节和近似的叙述,同时小波包变换会保留原始信号的所有信息,所以在对信号的中高频领域进行分析时,小波包分析更能够充分发挥它的作用与优势。小波包变换能够有效的对信号进行分析特别是对一些非稳态信号进行分析处理。
Claims (2)
1.一种基于MATLAB仿真的泵站机组转子状态监控方法,其特征在于:具体步骤如下:
步骤1:应用电涡流位移传感器对泵站转子系统在运行状态的各种信息量进行采集,并根据传感器判断出的设备运转情况将采集信息分为正常运转的原始信号和非正常运转的故障信号;
步骤2:将小波包树每个节点的信号通过低通滤波和高通滤波之后再逐级向下进行采样,用深度为3的db1小波包分解原始信号和故障信号的所有频率,具体过程为:
尺度函数和小波函数分别为:
当n=2,3,4....时,相对应的小波包函数按照以下关系:
式中的g(k)和h(k)是一组正交镜像滤波器组;
尺度函数与小波包的相关性通过如下方法计算得:
其中,h、g为滤波器系数;d为小波包分解系数;l,k为分解层数;j、n为小波包节号;
其中,h、g为滤波器系数;d为小波包分解系数;l,k为分解层数;j、n为小波包节号;
依据此公式进行小波包节点的重构,求得每个节点矩阵特征向量,然后得到信号的功率谱与能量谱,据此对信号进行分析;
步骤4:根据重构的小波包节点求出第三层每个节点矩阵的最大奇异值,即范数,并且算出第三层每个节点矩阵的标准差,从而组成信号的特征向量;
步骤5:对各节点小波包重构系数进行傅里叶变换,求得第三层每个节点的功率谱和所占能量比,比较相同节点的功率和能量比,选取功率和能量比作为故障特征的依据;
步骤6:通过MATLAB GUI设计人机交互界面,为用户展示由MATLAB仿真做出的对泵站机组转子系统故障监控系统。
2.如权利要求1所述的基于MATLAB仿真的泵站机组转子状态监控方法,其特征在于:信号的特征向量为[范数,标准差]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910369591.2A CN110377927B (zh) | 2019-05-06 | 2019-05-06 | 一种基于matlab仿真的泵站机组转子状态监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910369591.2A CN110377927B (zh) | 2019-05-06 | 2019-05-06 | 一种基于matlab仿真的泵站机组转子状态监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110377927A CN110377927A (zh) | 2019-10-25 |
CN110377927B true CN110377927B (zh) | 2022-09-23 |
Family
ID=68248699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910369591.2A Expired - Fee Related CN110377927B (zh) | 2019-05-06 | 2019-05-06 | 一种基于matlab仿真的泵站机组转子状态监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377927B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
CN112667958A (zh) * | 2020-12-25 | 2021-04-16 | 淮安市水利勘测设计研究院有限公司 | 一种基于能量特征的出水流道脉动分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404399A (zh) * | 2016-11-03 | 2017-02-15 | 北京印刷学院 | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 |
CN108303630A (zh) * | 2018-02-08 | 2018-07-20 | 国电南瑞科技股份有限公司 | 一种基于小波包分析的交直流充电设备功率器件故障诊断方法 |
CN108572075A (zh) * | 2018-04-28 | 2018-09-25 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
-
2019
- 2019-05-06 CN CN201910369591.2A patent/CN110377927B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404399A (zh) * | 2016-11-03 | 2017-02-15 | 北京印刷学院 | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 |
CN108303630A (zh) * | 2018-02-08 | 2018-07-20 | 国电南瑞科技股份有限公司 | 一种基于小波包分析的交直流充电设备功率器件故障诊断方法 |
CN108572075A (zh) * | 2018-04-28 | 2018-09-25 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
基于Matlab的某电厂汽轮机振动故障诊断系统的研究;余熳烨;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20111215;全文 * |
基于小波包分析的水轮发电机组振动的故障诊断;洪治等;《武汉大学学报(工学版)》;20020228;第35卷(第1期);全文 * |
小波包分析技术在大型电机转子故障诊断系统中的应用;于志伟等;《中国电机工程学报》;20051130;第25卷(第22期);全文 * |
小波包-神经网络在汽轮机转子故障诊断的应用;刘明利等;《发电设备》;20091231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110377927A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Camarena-Martinez et al. | Novel downsampling empirical mode decomposition approach for power quality analysis | |
Cunha et al. | A new wavelet selection method for partial discharge denoising | |
Li et al. | Continuous-scale mathematical morphology-based optimal scale band demodulation of impulsive feature for bearing defect diagnosis | |
Song et al. | Second generation wavelet transform for data denoising in PD measurement | |
Wang et al. | A new method with Hilbert transform and slip-SVD-based noise-suppression algorithm for noisy power quality monitoring | |
Chen et al. | An ameliorated synchroextracting transform based on upgraded local instantaneous frequency approximation | |
Lv et al. | High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
Perpiñán et al. | Signal analysis and feature generation for pattern identification of partial discharges in high-voltage equipment | |
CN110377927B (zh) | 一种基于matlab仿真的泵站机组转子状态监控方法 | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
He et al. | GMC sparse enhancement diagnostic method based on the tunable Q-factor wavelet transform for detecting faults in rotating machines | |
CN112083328A (zh) | 一种高压断路器故障诊断方法及系统和装置 | |
Cheng et al. | Enhanced symplectic characteristics mode decomposition method and its application in fault diagnosis of rolling bearing | |
Mitiche et al. | Classification of EMI discharge sources using time–frequency features and multi-class support vector machine | |
Wang et al. | Cyclic correlation density decomposition based on a sparse and low-rank model for weak fault feature extraction of rolling bearings | |
Gabor et al. | Non-negative tensor factorization for vibration-based local damage detection | |
Wang et al. | A novel time-frequency analysis method for fault diagnosis based on generalized S-transform and synchroextracting transform | |
Mei et al. | Wavelet packet transform and improved complete ensemble empirical mode decomposition with adaptive noise based power quality disturbance detection | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220923 |
|
CF01 | Termination of patent right due to non-payment of annual fee |