CN110987431B - 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 - Google Patents
一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 Download PDFInfo
- Publication number
- CN110987431B CN110987431B CN201911087895.6A CN201911087895A CN110987431B CN 110987431 B CN110987431 B CN 110987431B CN 201911087895 A CN201911087895 A CN 201911087895A CN 110987431 B CN110987431 B CN 110987431B
- Authority
- CN
- China
- Prior art keywords
- tqwt
- bearing
- fault
- scale
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000003070 Statistical process control Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000010355 oscillation Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000001052 transient effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,该方法的核心是TQWT具有提取轴承故障振动特性的能力。包括如下步骤:S1,将正常情况下的振动数据利用TQWT分解成不同的小波系数;S2,在状态监控中的主小波系数和剩余系数来确定两个安全指标来进行状态监测;S3,通过非参数统计和指标的单边置信限来确立控制上限;S4,建立多尺度小波系数的休哈特控制图来进行故障诊断;S5,将故障的信号利用反TQWT进行重建同时利用希尔伯特包络谱提升检测性能得出故障类型。该方法的创新避免了使用维纳分布而导致对数据的分布及稳定性进行过多的假设,同时该方法也能有效的分析出轴承的故障类型,是一种可以运用到工业应用中的方法。
Description
技术领域
本发明属于机械故障诊断技术领域,具体涉及一种可变Q因子小波变换的信号处理和多尺度统计过程控制的状态监控和故障诊断方法。
背景技术
在当代社会,轴承是大型机械系统中最重要,应用最广泛的部件之一。然而,轴承总是在高速,高负荷,恶劣环境下工作,这使得它们很容易出现缺陷。因此,轴承的状态监控和故障诊断是各大机械系统保证高可靠性,低成本和安全运行的关键。在多种信息来源中,振动信号包含损伤存在和故障类型的信息,所以振动信号是检测轴承故障的强有力的信号源。
先从状态监控说起,针对状态监控,统计过程控制可以构建判别指标来评估系统的健康状态。轴承的状态监控一般可分为两个阶段。在第一阶段,轴承在正常状态下工作,并得出安全指标,控制限也在正常工作下计算,并且同时检测新收集的数据;在第二阶段,一旦安全指标发生变化,就意味着轴承进入了异常状态。而建立与时域振动信号相关的安全指标是直接、便捷的方法。
接着是故障分析,近些年来,人们提出了许多机械故障诊断和信号处理的方法,在故障诊断方面,缺陷轴承的信号包括与故障相关的瞬态信号和背景噪声。因为与故障相关的瞬态和背景噪声的时频特性是不同的,所以可以提取和分析与故障相关的瞬态信号来进行轴承故障的诊断,而小波分解方法是轴承故障检测中应用最为广泛的时频方法之一。
综上所述,由于统计过程控制和小波变换在各自方向有良好的性能,所以有关于小波变换和统计过程控制相结合的状态监控和故障诊断的方法。该方法可以将被测信号按一定的类型根据小波变换分解成不同尺度的小波系数,然后为每一个量构建一个表来当作健康系数。然而这样不仅操作复杂,而且需要事先选择一个特殊的母波,因为不同的母波会导致不同的性能。值得注意的是,不论是与故障相关的瞬态信号,还是背景噪声,都有不同的振荡特性。这样会使得小波变换异常复杂。
发明内容
为此,这本发明使用可调Q因子的小波变换(TQWT),仅仅需要调整Q因子,来改变基函数,而不同的基函数有不同的的震荡特性,这样就会更为简便。
鉴于上述,本发明提供了基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,该方法能够更好的识别故障轴承的位置,以及分析故障轴承的故障种类,并且对数据的分布和稳定性有更少的假设,实现对轴承的状态检测和故障诊断。
本发明是通过以下技术方案实现的:一种基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,包括:
S1,将正常情况下的轴承振动数据利用可调Q因子的小波变换TQWT分解成若干个尺度的小波系数,其中TQWT可参数化为Q因子Q和冗余度r;
S2,将分解后得到的若干尺度的小波系数进行能量监测,并将其分解成若干尺度的小波系数分为主小波系数和剩余小波系数,将主小波系数和剩余小波系数所得到的能量来确定这两个安全指标,并利用这两个安全指标进行状态监测,所述两个安全指标可以标记为M和L;
S3,得出所述两个安全指标之后,设置一个显著性水平α,利用自助法分别得到M、L所对应的主小波系数控制上限和剩余小波系数控制上限这时候再收集需要检测的轴承信号,同样利用S1,S2,得到新的M、L并与之前所得到正常情况下轴承振动的控制限进行比较;
S4,通过比较结果,若发现有故障存在,可以利用多尺度统计过程控制MSSPC给每一尺度建立多尺度小波系数列表来找出哪一个尺度下的轴承信号出现了故障;
S5,将那一尺度下故障的信号利用反TQWT进行重建,同时利用希尔伯特包络谱方法提取出故障信号的特征频率得出故障类型。
进一步,所述S1中,Q因子可以定义为带通滤波器中心频率与带宽之比,而Q的数值越高,代表小波有更多的信号变化和更多的震荡周期;冗余度r可通过无穷级数计算得出,通过使用尽可能大的冗余度r,这样可以更多的进行TQWT连续小波变换,而TQWT是通过应用双通道滤波器组在其低通信道上进行迭代,然后通过低通缩放LPS和高通缩放HPS操作来实现的,TQWT线性因子Φ,小波系数wy,信号y可如下表示:
wy=Φy.
进一步,所述S2中,两个安全指标可表示为:
进一步,所述S3中,所得到被检测的轴承信号的安全指标M、L,如果或则代表至少有一个故障发生;所述的自助法为:对正常的轴承数据进行有放回的抽样,样本服从均值为μ,标准差为σ的正态分布,对于已知的α,从而得到n为总样本数。进一步,所述S4中,对建立的每一尺度的控制线因为有较大的可能被噪声干扰,这样能量频散rj可能受到较大的影响,所以对于任意来自新数据集的rj,如果在控制线之外,代表第J尺度很大可能发生了状态改变,而对于这样的rj下的控制上限和控制下限通过下式来减小误差:
进一步,所述S5中包括,如果的时候,那就代表着第j尺度包含错误信息,这时候就需要对故障信号进行重建,并得到希尔伯特包络谱,分析故障轴承的故障类型;上述重建的过程为:先通过低通缩放LPS和高通缩放,而后应用双通道滤波器组在其低通信道上进行反向迭代;所述希尔伯特包络方法为:是直接对信号进行希尔伯特变换后构造解析函数,然后依据解析函数求模值,求的模值即为包络,然后对信号包络进行快速傅里叶变换后得到的即为希尔伯特包络谱: 为解析函数,A(t)eiθ(t)为复包络,e-iωt为载波信号,A(t)为幅值,θ(t)为相位。
基于上述技术方案,本发明具有以下有益技术效果:
(1)该方法不仅可以监控过程,还可以识别故障轴承的位置,并且分析故障轴承的故障种类;
(2)该方法对数据的分布和稳定性有更少的假设;
(3)若该方法运用在铁路系统,它对铁路的单轴和多轴的轴承缺陷都可以进行状态监控和故障检测。
本方法最大的创新是提出了一种统计方法,通过构建两个统计量,一个是主导量,另一个是剩余量,与传统的基于小波变换的统计过程控制方法(SPC)总是建立数值基于阈值构建的小波系数不同,这两个统计量能够更好的监控状态,防止数据丢失。
该方法与其他方法相比的优势:首先,该方法不仅可以监控过程,还可以识别故障轴承的位置,并且分析故障轴承的故障种类;其次,该方法对数据的分布和稳定性有更少的假设;最后,若该方法运用在铁路系统,它对铁路的单轴和多轴的轴承缺陷都可以进行状态监控和故障检测。并且与维纳分布作比较,该方法在故障诊断技术领域有更强的有效性和实用性。
可见,该方法在故障诊断技术领域有良好的性能,可以应用到真实的工业应用当中。
附图说明
图1为本发明基于TQWT辅助SPC的轴承状态监测及故障诊断的方法的流程示意图;
图2为实施例中48个样本中M、L的指标;2(a)为48个样本下指标M的情况;2(b)为48个样本下指标M的情况;
图3为实施例中原始振动信号和重建振动信号;3(a)为原始振动信号;3(b)为重建后的振动信号;
图4为实施例中重建信号的希尔伯特包络图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进
行实施,给出了详细的实施方式和具体的操作过程。
本发明提供了一种基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,主要包括以下步骤:
1.一种基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,包括:
S1:将正常情况下的振动数据利用可调Q因子的小波变换TQWT分解成不同的小波系数,其中可参数化为Q因子Q和冗余度r。这里我们把Q的参数设置为3.5,r的参数设置为3;
S2,先将分解后得到的若干尺度的小波系数进行能量监测,并将分解成若干尺度的小波系数分为主小波系数和剩余小波系数,将主小波系数和剩余小波系数所得到的能量来确定这两个安全指标并利用这两个安全指标进行状态监测,这两个安全指标可以标记为M和L;
S3,得出这两个安全指标之后,设置一个显著性水平α,利用自助法分别得到M、L所对应的主小波系数控制上限和剩余小波系数控制上线这时候再收集需要检测的轴承信号,同样利用S1,S2,得到新的M、L并与之前所得到正常情况下轴承振动的控制限进行比较;
S4,通过比较结果,若发现有故障存在,可以利用多尺度统计过程控制(MSSPC)给每一尺度建立多尺度小波系数列表来找出哪一个尺度下的轴承信号出现了故障;
S5,将那一尺度下故障的信号利用反TQWT进行重建,同时利用希尔伯特包络谱方法提取出故障信号的特征频率得出故障类型。
所述S1中,Q因子Q的数值越高,代表小波有更多的信号变化和更多的震荡周期;冗余度r可通过无穷级数计算得出,通过使用尽可能大的冗余度r,这样可以更多的进行TQWT连续小波变换。而TQWT是通过在其低通信道双通道滤波器组上进行迭代,然后进行低通缩放(LPS)和高通缩放(HPS)操作来实现的。TQWT线性因子Φ,小波系数wy,信号y可如下表示:[0046]wy=Φy.
所述S2中,两个安全指标可表示为:
所述S3中,根据显著性水平α,定义上限控制(UCLs)相对应M并且相对应L,然后如果或则代表至少有一个故障发生。利用自助法分别得到M、L所对应的主小波系数控制上限和剩余小波系数控制上线该自助法为:对正常的轴承数据进行有放回的抽样,样本服从均值为μ,标准差为σ的正态分布,对于已知的α,,从而得到
表一
这里我们采用48个振动频率信号进行数据分析,如图2可以的到M、L与UCL的关系
所述S4中,因为不同的故障类型拥有不同的振动特性,因此分解的小波系数导致不同尺度的变化。根据均值控制图来检测数据来证实新数据组的异常。核心思路是对于每一尺度我们建立的控制线因为测量噪声有较大的可能封闭rj的变化,即任意来自新数据集的rj在控制线之外,代表第j尺度很大可能发生了状态改变。而关于rj的UCL和LCL和如下获得:
上述多尺度统计过程控制方式为:将分解尺度能量比率图列表,如表2,通过比较rj来得出那个尺度下存在故障。这里我们取出样本39,能量比率的分解尺度如下表:
表2
我们利用反TQWT去重建信号,如图3表示,
一旦我们获得了重建信号,应用希尔伯特包络图,得到的结果如图4,这样我们就可以得到轴承的故障在滚轴上。重建过程为:先通过低通缩放(LPS)和高通缩放,而后应用双通道滤波器组在其低通信道上进行反向迭代。希尔伯特包络为:是直接对信号进行希尔伯特变换后构造解析函数,然后依据解析函数求模值,求的模值即为包络,然后对信号包络进行快速傅里叶变换后得到的即为希尔伯特包络谱,如图4, 为解析函数,A(t)eiθ(t)为复包络,e-iωt为载波信号。
本发明上述实施例提供的基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,主要针对轴承的状态监控和故障分析提供了技术支持,本发明利用了可调Q因子的小波变换、多尺度统计过程控制、建立控制图、希尔伯特频谱图,能够对轴承实时监控,对轴承的故障位置、故障类型进行准确的判断,同时相较于利用维纳分布,避免数据丢失,是数据分布有更少的假设并更具有稳定性。
综上,本发明的一种基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,该方法的核心是TQWT具有提取轴承故障振动特性的能力。包括如下步骤:S1,将正常情况下的振动数据利用TQWT分解成不同的小波系数;S2,在状态监控中的主小波系数和剩余系数来确定两个安全指标来进行状态监测;S3,通过非参数统计和指标的单边置信限来确立控制上限;S4,建立多尺度小波系数的休哈特控制图来进行故障诊断;S5,将故障的信号利用反TQWT进行重建同时利用希尔伯特包络谱提升检测性能得出故障类型。该方法的创新避免了使用维纳分布而导致对数据的分布及稳定性进行过多的假设,同时该方法也能有效的分析出轴承的故障类型,是一种可以运用到工业应用中的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,其特征在于,包括:
S1,将正常情况下的轴承振动数据利用可调Q因子的小波变换TQWT分解成若干个尺度的小波系数,其中TQWT可参数化为Q因子Q和冗余度r;
S2,将分解后得到的若干尺度的小波系数进行能量监测,并将其分解成若干尺度的小波系数分为主小波系数和剩余小波系数,将主小波系数和剩余小波系数所得到的能量来确定这两个安全指标,并利用这两个安全指标进行状态监测,所述两个安全指标可以标记为M和L;
S3,得出所述两个安全指标之后,设置一个显著性水平α,利用自助法分别得到M、L所对应的主小波系数控制上限和剩余小波系数控制上限这时候再收集需要检测的轴承信号,同样利用S1,S2,得到新的M、L并与之前所得到正常情况下轴承振动的控制限进行比较;
S4,通过比较结果,若发现有故障存在,利用多尺度统计过程控制MSSPC给每一尺度建立多尺度小波系数列表来找出哪一个尺度下的轴承信号出现了故障;
S5,将那一尺度下故障的信号利用反TQWT进行重建,同时利用希尔伯特包络谱方法提取出故障信号的特征频率得出故障类型。
2.根据权利要求1中所述的基于TQWT辅助SPC的轴承状态监测及故障诊断的方法,其特征在于,所述S1中,将Q因子定义为带通滤波器中心频率与带宽之比,而Q的数值越高,代表小波有更多的信号变化和更多的震荡周期;冗余度r通过无穷级数计算得出,通过使用尽可能大的冗余度r,这样可以更多的进行TQWT连续小波变换,而TQWT是通过应用双通道滤波器组在其低通信道上进行迭代,然后通过低通缩放LPS和高通缩放HPS操作来实现的,TQWT线性因子Φ,小波系数wy,信号y可如下表示:
wy=Φy。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087895.6A CN110987431B (zh) | 2019-11-08 | 2019-11-08 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087895.6A CN110987431B (zh) | 2019-11-08 | 2019-11-08 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110987431A CN110987431A (zh) | 2020-04-10 |
CN110987431B true CN110987431B (zh) | 2021-11-23 |
Family
ID=70083607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911087895.6A Active CN110987431B (zh) | 2019-11-08 | 2019-11-08 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110987431B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112345238B (zh) * | 2020-10-29 | 2023-07-25 | 上海电气风电集团股份有限公司 | 齿轮箱振动监控方法及其系统及计算机可读存储介质 |
CN112345250B (zh) * | 2020-10-29 | 2023-07-25 | 上海电气风电集团股份有限公司 | 轴承振动监控方法及其系统及计算机可读存储介质 |
CN113095170B (zh) * | 2021-03-29 | 2024-04-02 | 天地(常州)自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837345A (zh) * | 2014-03-25 | 2014-06-04 | 上海电机学院 | 齿轮箱故障诊断方法及装置 |
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
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 |
CN106918452A (zh) * | 2017-03-17 | 2017-07-04 | 河海大学 | 一种基于振动的双馈异步发电机滑环装置故障诊断方法 |
CN107328560A (zh) * | 2017-05-26 | 2017-11-07 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关诊断方法及装置 |
CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014161587A1 (en) * | 2013-04-05 | 2014-10-09 | Aktiebolaget Skf | Method for processing data obtained from a condition monitoring system |
-
2019
- 2019-11-08 CN CN201911087895.6A patent/CN110987431B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
CN103837345A (zh) * | 2014-03-25 | 2014-06-04 | 上海电机学院 | 齿轮箱故障诊断方法及装置 |
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 |
CN106918452A (zh) * | 2017-03-17 | 2017-07-04 | 河海大学 | 一种基于振动的双馈异步发电机滑环装置故障诊断方法 |
CN107328560A (zh) * | 2017-05-26 | 2017-11-07 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关诊断方法及装置 |
CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于双调Q小波变换的瞬态成分提取及轴承故障诊断应用研究;项巍巍 等;《振动与冲击》;20151231;第34卷(第10期);第34-39页 * |
基于双重Q因子的稀疏分解法在滚动轴承早期故障诊断中的应用;莫代一 等;《机械工程学报》;20130531;第49卷(第9期);第37-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110987431A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
CN110987431B (zh) | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 | |
Li et al. | Extracting repetitive transients for rotating machinery diagnosis using multiscale clustered grey infogram | |
Guo et al. | A novel signal compression method based on optimal ensemble empirical mode decomposition for bearing vibration signals | |
Guo et al. | Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
He et al. | Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis | |
Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
Gao et al. | Fault diagnosis of rolling bearings using weighted horizontal visibility graph and graph Fourier transform | |
Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
CN111238816B (zh) | 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 | |
Chen et al. | Application of wavelet analysis in vibration signal processing of bridge structure | |
CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
Wang et al. | CVRgram for demodulation band determination in bearing fault diagnosis under strong gear interference | |
Chan et al. | A novel, fast, reliable data transmission algorithm for wireless machine health monitoring | |
Zhang et al. | Isolation and identification of compound faults in rotating machinery via adaptive deep filtering technique | |
CN1241721A (zh) | 基于非线性频谱分析的故障检测与诊断方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
Tse et al. | Enhanced eigenvector algorithm for recovering multiple sources of vibration signals in machine fault diagnosis | |
CN113820133B (zh) | 一种轴承振动信号的稀疏重构方法及其系统 | |
Osman et al. | A leakage-free resonance sparse decomposition technique for bearing fault detection in gearboxes | |
Yang et al. | Unknown Bearing Fault Recognition in Strong Noise Background | |
Zhong et al. | Fault feature extraction method of gear based on optimized minimum entropy deconvolution and accugram | |
CN112326248B (zh) | 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: No. 3 Chengxi 1st Road, Binjiang Town, Taixing City, Taizhou City, Jiangsu Province, 225441 Patentee after: JIANGSU JOSUN AIR CONDITIONER Co.,Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University |