CN110427916A - 中心频率收敛趋势作用下的故障诊断方法 - Google Patents
中心频率收敛趋势作用下的故障诊断方法 Download PDFInfo
- Publication number
- CN110427916A CN110427916A CN201910750064.6A CN201910750064A CN110427916A CN 110427916 A CN110427916 A CN 110427916A CN 201910750064 A CN201910750064 A CN 201910750064A CN 110427916 A CN110427916 A CN 110427916A
- Authority
- CN
- China
- Prior art keywords
- centre frequency
- modal components
- frequency
- initial
- convergent tendency
- 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
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种中心频率收敛趋势作用下的故障诊断方法,包括(1)采集旋转机械设备的动态信号x(t);(2)设置变分模型的初始分解参数;(3)使用设定初始分解参数的变分模型分解动态信号x(t),在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t),得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN};(4)搜索故障相关模态mI,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量(5)包络分析最优目标分量根据包络谱诊断旋转机械设备。本发明的故障诊断方法,采用中心频率收敛趋势引导的分解方式实现诊断目标设备原始动态信号的智能分解,能够对采集的设备动态信号自适应地分析,降低了技术人员使用变分模态分解方法进行机械故障诊断的难度。
Description
技术领域
本发明属于机械微弱故障诊断技术领域,涉及一种中心频率收敛趋势作用下的故障诊断方法。
背景技术
旋转机械设备在工业生产中得到了广泛的应用,机械零部件的状态直接影响到机械设备的运行状态及其安全状况。当机械零部件出现故障时,会产生周期性的瞬态冲击响应,如何对其进行有效提取和准确评估是轴承故障诊断的关键。但是,由于实际运行环境的复杂性,从设备现场采集的动态信号是包含大量噪声的,信号的微弱故障特征往往被噪声所淹没,从而严重影响了故障特征信号的识别。因此,开展机械微弱故障瞬态特征提取与判别具有实际意义。
目前已发展了许多机械故障诊断方法,例如时频域分析方法、经验模态分解、局部均值分解等传统微弱故障诊断方法。可是,这些传统方法因为其自身的局限性,如停止准则选取困难或抗噪性能较差等问题,导致其应用范围受限。变分模态分解方法是一种基于变分模型的信号自适应分解方法,具有较强的抗噪性,采用非筛选分解方式分解信号减少传递误差。近年来,逐渐有学者将变分模态分解方法引入到机械信号处理领域,发展出了基于变分模态分解和分类模型的结合的轴承故障诊断方法;利用变分模态分解方法在多级离心泵滚动轴承故障诊断中的应用;扩展了变分模态分解在结构系统识别中的适用性。但,目前利用变分模态分解方法处理机械信号时,很难预知设备原始动态信号中的实际中心频率、模态分量的个数以及很难完整提取出相应目标分量的最佳平衡参数。
发明内容
本发明实施例提供一种中心频率收敛趋势作用下的故障诊断方法,在变分模态分解方法的基础上,采用中心频率收敛趋势引导的分解方式实现诊断目标设备原始动态信号的智能分解,克服传统变分模态分解方法初始参数设置的难题,能够对采集的设备动态信号自适应地分析,降低了技术人员使用变分模态分解方法进行机械故障诊断的难度。
为了解决上述技术问题,本发明提供了一种中心频率收敛趋势作用下的故障诊断方法,包括以下步骤,
(1)以fs为采样频率采集诊断目标的动态信号x(t);
(2)设置变分模型的初始分解参数:初始中心频率ω0为0、初始中心频率的增长步长Δω为100Hz、初始计步数z为1、平衡参数α为[1000,4000]和模态分量个数K为1;
(3)使用设定初始分解参数的变分模型对所述动态信号x(t)进行一次分解,判断中心频率的收敛趋势,在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t),得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN};
(4)从获取的优化模态{m1...mn...mN}中搜索故障相关模态mI,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量
(5)对提取的最优目标分量进行包络分析,根据其包络谱诊断所述旋转机械设备。
本发明一个较佳实施例中,进一步包括步骤(3)中,使用交替方向乘子法求解变分模型中的约束模型:
式中,x(t)为动态信号,*表示卷积算子,表示对时间t求偏导数,δ(t)为狄利克雷分布函数,指数调节项用于平移各分量的频谱;
信号x(t)被分解为K个模态分量mk(k=1,2,3......K),每个模态分量mk都围绕其中心频率ωk。
本发明一个较佳实施例中,进一步包括所述动态信号x(t)在中心频率收敛趋势引导下迭代分解过程为:
(S31)使用设定初始分解参数的变分模型对所述动态信号x(t)进行一次分解,得到更新后的中心频率ω1;
(S32)判断中心频率的收敛趋势e=ω1-ω0:
若收敛趋势e=ω1-ω0为上升趋势,则输出相应的模态分量作为优化模态mn,相应的中心频率ωn为提取的最优中心频率;
若收敛趋势e=ω1-ω0为下降趋势,则令ω0=ω0+zΔω,并同时判断是否遍历整个频带,若ω0=(ω0+zΔω)<fs/2,返回步骤(S31),否则停止迭代分解;
(S33)以提取的最优中心频率ωn更新初始中心频率ω0,若新的中心频率ω0<fs/2,返回步骤(S31),否则停止迭代分解。
本发明一个较佳实施例中,进一步包括步骤(4)中,从获取的优化模态{m1...mn...mN}中搜索故障相关模态mI时,通过计算优化模态{m1...mn...mN}的基尼指数值来确定。
本发明一个较佳实施例中,进一步包括步骤(4)中,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量的过程为:
(S51)设置两组初始分解参数:平衡参数α=α0+Δα、模态分量个数K=1、初始中心频率为ωI;平衡参数α=α0-Δα、模态分量个数K=1、初始中心频率为ωI;
其中,Δα为平衡参数α变化的步长;
(S52)分别使用步骤(S51)中设置的两组初始分解参数分解原始动态信号x(t),得到两组模态分量Ur1、Ul1;
(S53)分别计算模态分量Ur1、Ul1的基尼指数值Gnir1、Gnil1;
(S54)判断Gnir1、Gnil1的大小:
若Gnir1>Gnil1,执行递增平衡参数优化方案;
否则,执行递减平衡参数优化方案。
本发明一个较佳实施例中,进一步包括所述递增平衡参数优化方案包括,
(S61)设置分解参数:平衡参数α=α0+iΔα(i=2),模态分量个数K=1,初始中心频率为ωI;
(S62)使用步骤(S61)中设置的分解参数分解原始动态信号x(t),得到模态分量Uri,并计算模态分量Uri的基尼指数值Gniri;
(S63)判断Gniri、Gniri-1的大小,
若Gniri>Gniri-1,则令i=i+1,并返回步骤(S61);
否则,令
本发明一个较佳实施例中,进一步包括所述递减平衡参数优化方案包括,
(S71)设置分解参数:平衡参数α=α0-iΔα(i=2),模态分量个数K=1,初始中心频率为ωI;
(S72)使用步骤(S71)中设置的分解参数分解原始动态信号x(t),得到模态分量Uli,并计算模态分量Uli的基尼指数值Gnili;
(S73)判断Gnili、Gnili-1的大小,
若Gnili>Gnili-1,则令i=i+1,并返回步骤(S71);
否则,令
本发明的有益效果:
其一、本发明实施例的中心频率收敛趋势作用下的故障诊断方法,在变分模态分解方法的基础上,采用中心频率收敛趋势引导的分解方式实现诊断目标设备原始动态信号的智能分解,克服传统变分模态分解方法初始参数设置的难题,能够对采集的设备动态信号自适应地分析,降低了技术人员使用变分模态分解方法进行机械故障诊断的难度。
其二、本发明实施例的中心频率收敛趋势作用下的故障诊断方法,在变分模态分解方法的基础上,采用中心频率收敛趋势引导的分解方式,能够加速分解算法的收敛过程,同时避免了现有分解方法中因预设的不恰当分解模态分量个数而导致的模态混叠和虚假分量问题。
其三、本发明实施例的中心频率收敛趋势作用下的故障诊断方法,使用中心频率引导平衡参数自适应优化,可以使得最终得到分量的带宽最大限度的匹配实际故障分量的带宽,同时减少计算量。
附图说明
图1是本发明实施例中故障诊断方法的流程图;
图2是本发明实施例中中心频率收敛趋势引导动态信号分解过程的流程图;
图3是本发明实施例中中心频率引导参数优化提取包含故障信息的最优目标分量的流程图;
图4是采集的一组齿轮箱损伤动态信号波形图;
图5是使用本发明实施例中故障诊断方法智能分解图4动态信号的四个分量波形图;
图6是利用基尼指数判断故障相关分量的直方图;
图7是中心频率引导参数优化提取包含故障信息的最优目标分量的包络谱。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例
本实施例提供一种中心频率收敛趋势引导下的中心频率收敛趋势作用下的故障诊断方法,参照图1所示,该方法包括以下步骤,
(1)借助动态信号传感器以fs为采样频率采集一组齿轮箱的损伤动态信号x(t),其波形图参照图4所示。
(2)设置变分模型的初始分解参数:设置初始中心频率ω0为0、初始中心频率的增长步长Δω为100Hz、初始计步数z为1、平衡参数α为[1000,4000]、模态分量个数K为1。
(3)使用设定初始分解参数的变分模型对所述动态信号x(t)进行一次分解,判断中心频率的收敛趋势,在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t),得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN}。其中,信号分析频带为采样频率fs的一半。
具体的,使用交替方向乘子法求解变分模型中的约束模型:
式中,x(t)为动态信号,*表示卷积算子,表示对时间t求偏导数,δ(t)为狄利克雷分布函数,指数调节项用于平移各分量的频谱;
信号x(t)被分解为K个模态分量mk(k=1,2,3......K),每个模态分量mk都围绕其中心频率ωk。
参照图2所示,动态信号x(t)在中心频率收敛趋势引导下迭代分解过程为:
(S31)使用步骤(2)中设定的初始分解参数的变分模型对动态信号x(t)进行一次分解,得到更新后的中心频率ω1;
(S32)判断中心频率的收敛趋势e=ω1-ω0:
若收敛趋势e=ω1-ω0为上升趋势,则输出相应的模态分量作为优化模态mn,相应的中心频率ωn为提取的最优中心频率;
若收敛趋势e=ω1-ω0为下降趋势,则令ω0=ω0+zΔω,并同时判断是否遍历整个频带,若ω0=(ω0+zΔω)<fs/2,返回步骤(S31),否则停止迭代分解;
(S33)以提取的最优中心频率ωn更新初始中心频率ω0,若新的中心频率ω0<fs/2,返回步骤(S31),否则停止迭代分解。
(4)从获取的优化模态{m1...mn...mN}中搜索故障相关模态mI,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量
具体的,参照图3所示,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量的过程为:
(S51)设置两组初始分解参数:平衡参数α=α0+Δα、模态分量个数K=1、初始中心频率为ωI;平衡参数α=α0-Δα、模态分量个数K=1、初始中心频率为ωI;
其中,Δα为平衡参数α变化的步长;
(S52)分别使用步骤(S51)中设置的两组初始分解参数分解原始动态信号x(t),得到两组模态分量Ur1、Ul1;
(S53)分别计算模态分量Ur1、Ul1的基尼指数值Gnir1、Gnil1;
(S54)判断Gnir1、Gnil1的大小:
若Gnir1>Gnil1,执行递增平衡参数优化方案;
否则,执行递减平衡参数优化方案。
上述递增平衡参数优化方案包括,
(S61)设置分解参数:平衡参数α=α0+iΔα(i=2),模态分量个数K=1,初始中心频率为ωI;
(S62)使用步骤(S61)中设置的分解参数分解原始动态信号x(t),得到模态分量Uri,并计算模态分量Uri的基尼指数值Gniri;
(S63)判断Gniri、Gniri-1的大小,
若Gniri>Gniri-1,则令i=i+1,并返回步骤(S61);
否则,令
上述递减平衡参数优化方案包括,
(S71)设置分解参数:平衡参数α=α0-iΔα(i=2),模态分量个数K=1,初始中心频率为ωI;
(S72)使用步骤(S71)中设置的分解参数分解原始动态信号x(t),得到模态分量Uli,并计算模态分量Uli的基尼指数值Gnili;
(S73)判断Gnili、Gnili-1的大小,
若Gnili>Gnili-1,则令i=i+1,并返回步骤(S71);
否则,令
(5)对提取的最优目标分量进行包络分析,根据其包络谱诊断旋转机械设备的健康状态。
本实施例技术方案中,使用故障诊断方法诊断图4所示的齿轮箱损伤动态信号x(t),x(t)被分解得到参照图5所示的四个模态分量,然后利用基尼指数指示得到故障相关分量如图6所示,可以得到第二分量为故障分量。进一步利用中心频率引导参数优化提取包含故障信息的最优目标分量,最优目标分量的包络谱如图7所示,从中可以清晰地观察齿轮故障特征频率为fg。
本实施例技术方案中的故障诊断方法具有机械微弱故障信号处理能力,提取结果精度高,抗干扰能力强、鲁棒性好。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (7)
1.一种中心频率收敛趋势作用下的故障诊断方法,其特征在于:包括以下步骤,
(1)以fs为采样频率采集诊断目标的动态信号x(t);
(2)设置变分模型的初始分解参数:初始中心频率ω0为0、初始中心频率的增长步长Δω为100Hz、初始计步数z为1、平衡参数α为[1000,4000]和模态分量个数K为1;
(3)使用设定初始分解参数的变分模型对所述动态信号x(t)进行一次分解,判断中心频率的收敛趋势,在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t),得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN};
(4)从获取的优化模态{m1...mn...mN}中搜索故障相关模态mI,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量
(5)对提取的最优目标分量进行包络分析,根据其包络谱诊断所述旋转机械设备。
2.如权利要求1所述的中心频率收敛趋势作用下的故障诊断方法,其特征在于:步骤(3)中,使用交替方向乘子法求解变分模型中的约束模型:
式中,x(t)为动态信号,*表示卷积算子,表示对时间t求偏导数,δ(t)为狄利克雷分布函数,指数调节项用于平移各分量的频谱;
信号x(t)被分解为K个模态分量mk(k=1,2,3......K),每个模态分量mk都围绕其中心频率ωk。
3.如权利要求1所述的中心频率收敛趋势作用下的故障诊断方法,其特征在于:所述动态信号x(t)在中心频率收敛趋势引导下迭代分解过程为:
(S31)使用设定初始分解参数的变分模型对所述动态信号x(t)进行一次分解,得到更新后的中心频率ω1;
(S32)判断中心频率的收敛趋势e=ω1-ω0:
若收敛趋势e=ω1-ω0为上升趋势,则输出相应的模态分量作为优化模态mn,相应的中心频率ωn为提取的最优中心频率;
若收敛趋势e=ω1-ω0为下降趋势,则令ω0=ω0+zΔω,并同时判断是否遍历整个频带,若ω0=(ω0+zΔω)<fs/2,返回步骤(S31),否则停止迭代分解;
(S33)以提取的最优中心频率ωn更新初始中心频率ω0,若新的中心频率ω0<fs/2,返回步骤(S31),否则停止迭代分解。
4.如权利要求1所述的中心频率收敛趋势作用下的故障诊断方法,其特征在于:步骤(4)中,从获取的优化模态{m1...mn...mN}中搜索故障相关模态mI时,通过计算优化模态{m1...mn...mN}的基尼指数值来确定。
5.如权利要求4所述的中心频率收敛趋势作用下的故障诊断方法,其特征在于:步骤(4)中,以故障相关模态mI的中心频率ωI引导参数优化,提取包含故障信息的最优目标分量的过程为:
(S51)设置两组初始分解参数:平衡参数α=α0+Δα、模态分量个数K=1、初始中心频率为ωI;平衡参数α=α0-Δα、模态分量个数K=1、初始中心频率为ωI;
其中,Δα为平衡参数α变化的步长;
(S52)分别使用步骤(S51)中设置的两组初始分解参数分解原始动态信号x(t),得到两组模态分量Ur1、Ul1;
(S53)分别计算模态分量Ur1、Ul1的基尼指数值Gnir1、Gnil1;
(S54)判断Gnir1、Gnil1的大小:
若Gnir1>Gnil1,执行递增平衡参数优化方案;
否则,执行递减平衡参数优化方案。
6.如权利要求5所述的中心频率收敛趋势作用下的故障诊断方法,其特征在于:所述递增平衡参数优化方案包括,
(S61)设置分解参数:平衡参数α=α0+iΔα(i=2),模态分量个数K=1,初始中心频率为ωI;
(S62)使用步骤(S61)中设置的分解参数分解原始动态信号x(t),得到模态分量Uri,并计算模态分量Uri的基尼指数值Gniri;
(S63)判断Gniri、Gniri-1的大小,
若Gniri>Gniri-1,则令i=i+1,并返回步骤(S61);
否则,令
7.如权利要求5所述的中心频率收敛趋势作用下的故障诊断方法,其特征在于:所述递减平衡参数优化方案包括,
(S71)设置分解参数:平衡参数α=α0-iΔα(i=2),模态分量个数K=1,初始中心频率为ωI;
(S72)使用步骤(S71)中设置的分解参数分解原始动态信号x(t),得到模态分量Uli,并计算模态分量Uli的基尼指数值Gnili;
(S73)判断Gnili、Gnili-1的大小,
若Gnili>Gnili-1,则令i=i+1,并返回步骤(S71);
否则,令
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750064.6A CN110427916B (zh) | 2019-08-14 | 2019-08-14 | 中心频率收敛趋势作用下的故障诊断方法 |
US17/414,939 US11644391B2 (en) | 2019-08-14 | 2020-07-30 | Fault diagnosis method under convergence trend of center frequency |
PCT/CN2020/105689 WO2021027579A1 (zh) | 2019-08-14 | 2020-07-30 | 中心频率收敛趋势作用下的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750064.6A CN110427916B (zh) | 2019-08-14 | 2019-08-14 | 中心频率收敛趋势作用下的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427916A true CN110427916A (zh) | 2019-11-08 |
CN110427916B CN110427916B (zh) | 2020-05-01 |
Family
ID=68416277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750064.6A Active CN110427916B (zh) | 2019-08-14 | 2019-08-14 | 中心频率收敛趋势作用下的故障诊断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11644391B2 (zh) |
CN (1) | CN110427916B (zh) |
WO (1) | WO2021027579A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367063A (zh) * | 2020-11-13 | 2021-02-12 | 苏州大学 | 自适应中心频率模式分解方法及系统 |
WO2021027579A1 (zh) * | 2019-08-14 | 2021-02-18 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
CN113702038A (zh) * | 2021-08-02 | 2021-11-26 | 新黎明科技股份有限公司 | 防爆电机轴承故障诊断方法及系统 |
CN114216676A (zh) * | 2021-11-30 | 2022-03-22 | 上海海事大学 | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361205A (zh) * | 2021-06-23 | 2021-09-07 | 合肥工业大学 | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 |
CN114742097B (zh) * | 2022-03-23 | 2023-05-23 | 大连理工大学 | 一种基于轴承振动信号自动确定变分模态分解参数的优化方法 |
CN114742111B (zh) * | 2022-05-24 | 2023-04-07 | 南京林业大学 | 基于参数自适应特征模态分解故障诊断方法和系统 |
CN115434872A (zh) * | 2022-08-11 | 2022-12-06 | 兰州理工大学 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
CN116881676B (zh) * | 2023-09-08 | 2023-11-21 | 昆明理工大学 | 一种露天坑涌水量的预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944199A (zh) * | 2017-12-22 | 2018-04-20 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
CN108152025A (zh) * | 2017-12-19 | 2018-06-12 | 苏州大学 | 自适应变分模式分解的机械微弱故障诊断方法 |
CN108387373A (zh) * | 2017-12-06 | 2018-08-10 | 上海电力学院 | 基于相关系数改进变分模态分解的滚动轴承故障诊断方法 |
CN109100146A (zh) * | 2018-08-29 | 2018-12-28 | 北京信息科技大学 | 用于检测电机轴承故障的方法及装置 |
CN109282985A (zh) * | 2018-08-16 | 2019-01-29 | 昆明理工大学 | 一种基于VMD和Wigner-Ville的高压隔膜泵单向阀故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009289373A (ja) | 2008-05-30 | 2009-12-10 | Hitachi Global Storage Technologies Netherlands Bv | ディスク装置 |
CN108152020A (zh) * | 2017-09-19 | 2018-06-12 | 北京西门子西伯乐斯电子有限公司 | 直行程执行器的测试装置 |
CN109613399A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 一种基于vmd能量相对熵的线路故障选线方法 |
CN110427916B (zh) | 2019-08-14 | 2020-05-01 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
-
2019
- 2019-08-14 CN CN201910750064.6A patent/CN110427916B/zh active Active
-
2020
- 2020-07-30 WO PCT/CN2020/105689 patent/WO2021027579A1/zh active Application Filing
- 2020-07-30 US US17/414,939 patent/US11644391B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387373A (zh) * | 2017-12-06 | 2018-08-10 | 上海电力学院 | 基于相关系数改进变分模态分解的滚动轴承故障诊断方法 |
CN108152025A (zh) * | 2017-12-19 | 2018-06-12 | 苏州大学 | 自适应变分模式分解的机械微弱故障诊断方法 |
CN107944199A (zh) * | 2017-12-22 | 2018-04-20 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
CN109282985A (zh) * | 2018-08-16 | 2019-01-29 | 昆明理工大学 | 一种基于VMD和Wigner-Ville的高压隔膜泵单向阀故障诊断方法 |
CN109100146A (zh) * | 2018-08-29 | 2018-12-28 | 北京信息科技大学 | 用于检测电机轴承故障的方法及装置 |
Non-Patent Citations (6)
Title |
---|
DONG WANG: "Some further thoughts about spectral kurtosis, spectral L2/L1 norm, spectral smoothness index and spectral Gini index for characterizing repetitive transients", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
XINGXING JIANG等: "A Novel Method for Adaptive Multiresonance Bands Detection Based on VMD and Using MTEO to Enhance Rolling Element Bearing Fault Diagnosis", 《SHOCK AND VIBRATION》 * |
XINGXING JIANG等: "Initial center frequency-guided VMD for fault diagnosis of rotating machines", 《JOURNAL OF SOUND AND VIBRATION》 * |
YANXUE WANG等: "Research on variational mode de composition and its application in detecting rub-imp act fault of the rotor system", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
YUMEI QI等: "Stacked Sparse Autoencoder-Based Deep Network for Fault Diagnosis of Rotating Machinery", 《IEEE ACCESS》 * |
李志农等: "基于变分模态分解的机械故障诊断方法研究", 《兵工学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021027579A1 (zh) * | 2019-08-14 | 2021-02-18 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
US11644391B2 (en) | 2019-08-14 | 2023-05-09 | Soochow University | Fault diagnosis method under convergence trend of center frequency |
CN112367063A (zh) * | 2020-11-13 | 2021-02-12 | 苏州大学 | 自适应中心频率模式分解方法及系统 |
CN112367063B (zh) * | 2020-11-13 | 2022-02-01 | 苏州大学 | 自适应中心频率模式分解方法及系统 |
CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
CN113702038A (zh) * | 2021-08-02 | 2021-11-26 | 新黎明科技股份有限公司 | 防爆电机轴承故障诊断方法及系统 |
CN114216676A (zh) * | 2021-11-30 | 2022-03-22 | 上海海事大学 | 一种时变工况下无转速计的行星齿轮箱复合故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110427916B (zh) | 2020-05-01 |
WO2021027579A1 (zh) | 2021-02-18 |
US11644391B2 (en) | 2023-05-09 |
US20220050024A1 (en) | 2022-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427916A (zh) | 中心频率收敛趋势作用下的故障诊断方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
WO2022156330A1 (zh) | 一种旋转设备故障诊断方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN107255563A (zh) | 实现齿轮箱混合故障信号盲源分离方法 | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN105404280A (zh) | 基于自回归动态隐变量模型的工业过程故障检测方法 | |
CN108444709A (zh) | VMD与FastICA相结合的滚动轴承故障诊断方法 | |
CN106483847B (zh) | 一种基于自适应ica的冷水机组故障检测方法 | |
CN111931601A (zh) | 齿轮箱错误类别标签修正系统及方法 | |
CN110346130A (zh) | 一种基于经验模态分解和时频多特征的镗削颤振检测方法 | |
CN108844612A (zh) | 一种基于数理统计概率模型的变压器内部故障识别方法 | |
CN107368457B (zh) | 基于LoG算子和Grubbs检验的瞬时频率估计方法 | |
Song et al. | A new hybrid method for bearing fault diagnosis based on CEEMDAN and ACPSO-BP neural network | |
CN106770861B (zh) | 油浸式变压器在线监控数据可用性的评价方法 | |
CN108152025A (zh) | 自适应变分模式分解的机械微弱故障诊断方法 | |
CN116453544A (zh) | 一种基于声纹识别的工业设备运行状态监测方法 | |
CN113495193A (zh) | 一种基于多小波变换和聚类分析的故障诊断方法 | |
CN115356108A (zh) | 一种调制高阶水平挤压变换机械故障诊断方法与装置 | |
Geng et al. | Fault identification of rolling bearing with variable speed based on generalized broadband mode decomposition and DET | |
CN107389342A (zh) | 基于Roberts算子和Grubbs检验的瞬时频率估计方法 | |
CN114781466A (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
CN115293188A (zh) | 一种用于往复机械设备的故障诊断方法和装置 | |
CN110263711B (zh) | 一种基于改进谱峭度的耦合信号冲击特征提取方法 |
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 |