CN111442927B - 一种基于多尺度数学形态学的滚动轴承故障诊断方法 - Google Patents
一种基于多尺度数学形态学的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111442927B CN111442927B CN202010064316.2A CN202010064316A CN111442927B CN 111442927 B CN111442927 B CN 111442927B CN 202010064316 A CN202010064316 A CN 202010064316A CN 111442927 B CN111442927 B CN 111442927B
- Authority
- CN
- China
- Prior art keywords
- scale
- signal
- fault
- structural element
- structural elements
- 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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于多尺度数学形态学的风电机组滚动轴承故障诊断方法,本方法具体包括:(1)针对传统结构元素在故障特征提取过程中容易出现的对脉冲信号的漏查问题,提出一种新型结构元素——“山结构”,使之在数学形态学运算过程中捕获更多的特征信息;(2)针对单尺度数学形态学特征提取有限的问题,使用多尺度数学形态学分析并提出一种基于峰值能量的自适应算法来解决形态学尺度难以确定和结构元素构造困难的问题。(3)利用(1)、(2)进行多尺度数学形态学分析,并结合谱相关性分析进行轴承的故障诊断。本发明能有效提取风力发电机组滚动轴承的故障特征信息,提高故障诊断的准确率,效果强于传统方法,具有较好的工程应用价值。
Description
技术领域
本发明是一种应用于风电机组滚动轴承或大型旋转机械滚动轴承的故障诊断方法,尤其针对复杂轴承振动信号特征提取困难的问题,更精确的提取故障脉冲特征,快速实时分析诊断信号故障;属于基于数据驱动的故障诊断技术领域。
背景技术
随着经济的飞速发展,人类对能源要求不断加大,由于能源供应紧张,世界能源结构正在由矿物能源系统向以可再生能源为基础的可持续能源系统转变。与其他能源相比,风能在技术和成本上都表现出较强的优势,已经成为清洁能源的主要发展趋势。风力发电项目是一种投资时间很长的工程,其收益期也很长。风电场建成之后的维护成本直接决定着风电场的效益,长期运转的风力发电机组需要定期进行检修和维护,来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时,其维护成本就占了整体收益的10%~15%;风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20%~25%,大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化,就需要将运维成本降到最低。滚动轴承是风力发电机中最重要也是最易受到损伤的零部件之一,如果发生故障将对整个旋转机械甚至整个风机的运行状态产生重大影响。据统计显示,机械故障中约30%的故障都是由滚动轴承引起的,电机故障也有20%的故障是由滚动轴承引起的。另外实际工程中风电机组大多数是安装在风力资源比较充足的地带,比如草原、戈壁滩和荒漠等环境,机组安装的范围很广且数量也比较多,受到恶劣的自然环境的影响,这使得滚动轴承更容易发生故障。因此,对其运行工况进行实时监测和故障诊断的研究越来越受到人们的重视,如何实时、准确区分滚动轴承运行状态及故障诊断具有重大意义。
滚动轴承振动信号分析是实现风电机组滚动轴承状态检测最有效的工具之一。当轴承表面出现局部损伤时,故障信号包括一系列周期性指数衰减振荡脉冲,这些脉冲还会激发轴承结构共振。然而,实测轴承振动信号多采用加速度传感器直接从箱体上获取,导致其信噪比较低,特别是早期故障信号能量很小,故障特征信息比较微弱,难于提取出特征信息。
中国专利201610500024.2一种滚动轴承故障诊断方法,属于旋转机械故障诊断领域。该方法主要包括4个步骤:获取轴承在正常及故障状态下的振动信号样本集,然后计算样本集的典型时域统计参数,获得初始特征集;计算初始特征集中每个特征的拉普拉斯分值,按从小到大排列,选取排在最前的若干个特征组成故障特征矩阵;采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析,获得最佳聚类数和聚类中心,聚类数即样本集包含的故障类型数;计算未知样本和已知样本集的聚类中心之间的贴近度,根据贴近度的大小确定未知样本的故障类型。
中国专利201910292988.6公开了一种滚动轴承故障诊断方法及系统。其诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分,实现了自适应地确定频域区间的边界。
数学形态学变换近年来发展起来的一种非线性信号的处理办法。近年来,在大型旋转机械滚动轴承故障诊断中,数学形态学的应用越来越受到重视。而传统结构元素对故障脉冲信号的漏查以及单尺度数学形态学运算特征提取效果差的问题,尚不存在一个明确的指导方法,因此研究一种新型结构元素和基于峰值能量的自适应算法来构造多尺度结构元素进行多尺度形态学运算并与谱相关分析相结合对风电机组滚动轴承的故障进行诊断。
发明内容
本发明的目的在于针对风力发电机组中的滚动轴承工况复杂,其振动信号往往呈现非平稳,非线性的特性,其故障特征提取困难的问题,本发明提出了基于一种新型结构元素和峰值能量的自适应算法对信号进行多尺度数学形态学运算并与谱相关分析相结合对风力发电机组进行故障诊断。算法的核心思想是:提出一种新型结构元素,可以有效的提取出振动信号中的故障脉冲成分。之后,由原故障信号的自身振动特性出发,以信号筛选后的相邻正峰值最大和最小采样点间隔的差作为数学形态学的尺度变化范围,及形态学尺度,既保证了特征提取效果,有节省了大量的时间成本,然后以筛选后的信号中最大和最小的峰值能量差作为结构元素的中心点高度,使之能够遍历信号中所有的峰值信息,大大提高数学形态学的特征提取效果。该结构元素与传统结构元素相比,更好地提取信号中的故障脉冲成分,而基于峰值能量的自适应算法来构造多尺度结构元素,不仅解决了形态学尺度难以选取,造成运算量增加运算效率低的问题,同时改善了多尺度数学形态学中结构元素高度固定,特征提取效果不理想的问题,能有效的提取轴承振动信号的脉冲特征,之后,结合谱相关的方法进行故障诊断,能够很好地提高了故障检测能力。
本发明采用了如下的技术方案为一种基于多尺度数学形态学的滚动轴承故障诊断方法,该方法的实现步骤如下:
A.新型结构元素的构造:
滚动轴承振动信号中的脉冲成分呈现出一种尖峰状,但脉冲周边存在一些突变成分难以检测。基于这个特点,本方法提出一种新型结构元素,在尖峰状脉冲两端加入对称的非零元素,以达到对脉冲以及两端微弱变化进行捕捉的目的。其结构元素的矩阵形式定义为[h1 A1 A2 h2 A3 A4 h3],定义这种新型结构元素称之为“山结构”。其中,h1、h2和h3为“山结构”的顶点部分,也就是结构元素的中心高度,其中h2代表尖峰状脉冲的峰值点,h1和h3代表信号边缘的突变成份。A1、A2、A3和A4为“山结构”的山麓部分,其值为小于结构元素中心高度的任意常数,一般情况下将其设置为0,A1、A2、A3和A4代表了信号的缓变过程;其中A2和A3随着尺度的增加将扩展为矩阵变化,具体变化规则在下节“多尺度结构元素的构造”中详细介绍。
B.基于峰值能量的自适应算法:
1)形态学尺度的确定:假设滚动轴承原始振动信号y(n),搜寻y(n)中全部正峰值点P={Pi|i=1,2,…,I},其中P为正峰值点集合,Pi为其中的每个峰值点,I为峰值点的个数。根据M=kP2计算峰值点的能量M,式中k取1。然后求取峰值能量的方差m,并根据m作为阈值划分已知的I个正峰值点,保留大于m的正峰值点,剔除小于m的正峰值点,产生新的正峰值点集P′={P′j|j=1,2,...,J},其中P′为筛选后的峰值点集合,J代表正峰值点能量大于m的个数;然后计算相邻两个峰值间的间隔采样点数,确定最小间隔采样点数Lmin和最大间隔采样点数Lmax,结构元素的长度将从Lmin随形态学尺度变化到Lmax,因此多尺度数学形态学的尺度定义为λ=Lmax-Lmin。
2)多尺度结构元素的构造:对于筛选后的振动信号y(n),先搜寻滚动轴承信号中的最大和最小峰值能量,分别记作Mmax和Mmin,则中心点的高度h为从最小峰值能量Mmin随尺度逐渐增加到最大峰值能量Mmax,如公式(1)所示:
式中:λ=0,1,2,···,Lmax-Lmin。
A1=A4=0
λ={Lmin,Lmin+1,···,Lmax-1,Lmax}
根据上述方法,使结构元素在每一尺度下都有对应的长度和高度,从而更好的提取信号中不同尺度下的特征信息,从而提高故障诊断的效率,此外,合理选择形态学尺度,大大降低运算次数,提高运算效率。
C.故障诊断算法:根据已知的故障类型将训练信号分为m*类,每一类包含n个训练滚动轴承的样本信号,{xi,j}为信号集,i=1,2,…,m*;j=1,2,…n。选取新型结构元素,运用基于峰值能量的自适应算法确定形态学尺度,构造多尺度结构元素进行多尺度数学形态学运算。进行处理来提取信号的特征信息,并得到滚动轴承信号的形态谱{Pi}。对于未知故障状态的轴承振动信号,同样的方法求得该信号的形态谱P。计算待测信号形态谱和训练信号的形态谱的平均相关系数,判断故障的类型。多尺度数学形态学就是在数学形态学运算的基础上中,引入一个新的尺度变量λ,并通过λ的变化产生一系列对应不同尺度的结构元素序列,利用这些大小不同的结构元素参与运算,达到多尺度、多层次分析待处理信号的目的。基于多尺度λ的形态学运算公式如下式(2)(3)所示。其中,f为原始信号,g为结构元素,λ代表不同的尺度下的运算,Θ代表膨胀运算,代表腐蚀运算,代表开运算,·代表闭运算。
有益效果
与现有技术相比,本发明提出一种新的结构元素,该结构元素改善了传统结构元素在数学形态学运算过程中对于故障脉冲信号的漏查问题,提高特征提取效果。在传统单尺度数学形态学运算中,由于尺度固定,其从信号中提取出的特征信息十分有限,因此多尺度数学形态学开始被越来越多应用到振动信号的特征提取中,但是存在形态学尺度的选取没有一个明确的知道原则,为了能够提取更多的特征信息,一般取值越大越好,这样就造成了运算效率低的问题,以及结构元素如何随尺度进行变化的问题,本发明提出一种基于峰值能量的自适应算法,结合信号特征确定形态学尺度及结构元素的变化规律,结合形态谱相关性分析进行故障诊断,能够有效的解决上述的问题,大大提高振动信号的特征提取效果,提高故障诊断的准确性。
附图说明
图1为损伤直径为0.007的轴承内圈故障信号时域图(部分);
图2为新型结构元素示意图;
图3为新型结构元素形态学运算波形;
图4为三角型结构元素形态学运算波形;
图5为振动信号的部分细节;
图6为振动信号求峰值能量图;
图7为信号正峰值筛选示例图;
图8为故障诊断算法流程图;
图9为“山结构”内圈故障的诊断结果图;
图10为三角形结构元素内圈故障的诊断结果图;
图11为扁平形结构元素内圈故障的诊断结果图;
图12为“山结构”滚动体故障的诊断结果图;
图13为三角形结构元素滚动体故障的诊断结果图;
图14为扁平形结构元素滚动体故障的诊断结果图;
图15为“山结构”外圈@3:00故障的诊断结果图;
图16为三角形结构元素外圈@3:00故障的诊断结果图;
图17为扁平形结构元素外圈@3:00故障的诊断结果图;
图18为“山结构”外圈@6:00故障的诊断结果图;
图19为三角形结构元素外圈@6:00故障的诊断结果图;
图20为扁平形结构元素外圈@6:00故障的诊断结果图;
图21为“山结构”外圈@12:00故障的诊断结果图;
图22为三角形结构元素外圈@12:00故障的诊断结果图;
图23为扁平形结构元素外圈@12:00故障的诊断结果图;
图24为真实风机数据的“山结构”内圈的诊断结果图;
图25为真实风机数据的“山结构”外圈的诊断结果图;
图26为真实风机数据的三角形结构元素内圈的诊断结果图;
图27为真实风机数据的三角形结构元素外圈的诊断结果图;
图28为真实风机数据的扁平形结构元素内圈的诊断结果图;
图29为真实风机数据的扁平形结构元素外圈的诊断结果图;
具体实施方式
本发明主要针对传统结构元素存在对故障脉冲的漏查问题以及多尺度数学形态学运算中存在的形态学尺度确定和多尺度结构元素构造问题。本发明先后使用两种数据证明算法的有效性。第一类数据使用西储大学轴承故障;第二类数据采集风力发电场真实风电机组的轴承外圈、轴承内圈数据。以下为两种数据相关介绍:
西储大学轴承数据中心的数据,为负载3HP时所获得振动信号,此时转速为1730rpm,损伤直径选0.007mm,采样频率为12KHz。数据所对应的轴承运行状况包括正常、内圈故障、外圈故障和滚动体故障,外圈故障因故障位置不同又分为12点钟方向、3点钟方向和6点钟方向。每种运行状况下均包含25训练样本信号和10个测试样本信号,每个样本信号都包含2000个数据点,如表1所示。
表1不同类型故障的实验数据
风电场真实数据采用内蒙古某风电场采集回来的风电机组传动链轴承故障振动信号(风机型号都为阳明1.5MW风机)。使用发生外圈故障和内圈故障情况下的数据。信号采样频率为26kHz,轴承型号为6332MC3SKF深沟球轴承。详细参数如表2所示。
表2滚动轴承6332MC3 SKF基本参数
将本发明方法实现滚动轴承故障诊断,主要包括提取微弱故障特征和增强脉冲特征两个大步骤,具体实施过程如下:
A.新型结构元素构造阶段:
从图1中可以看到,普通振动信号中的脉冲成分呈现出一种尖峰状,但脉冲周边存在一些突变成分难以检测。基于这个观点,本发明提出一种新型结构元素,在尖峰状脉冲两端加入对称的非零元素,以达到对脉冲以及两端微弱变化进行捕捉的目的。其结构元素的矩阵形式定义为[h1 A1 A2 h2 A3 A4 h3],称之为“山结构”,如图2所示。
取采样频率为12KHZ的滚动体故障振动信号,分别用新型结构元素和三角形结构元素进行单尺度闭运算,图3和图4分别表示两种结构元素运算后的波形图。图中虚线表示原始信号波形,实线表示经过多尺度形态学开运算处理过后的波形。从图中可以看中新型结构元素能够提取出更多的信息。
B:基于峰值能量的自适应阶段:
步骤1:图5为实际采集的振动信号的部分细节,可以发现在高频振动信号的细节中,尽管由于噪声干扰发生变形,但是指数衰减震荡对应的频率基本没有改变。以此为出发点,在构造多尺度结构元素前,先研究信号中峰值的最大间隔采样点数来确定形态学的尺度,可以较好的减少不必要的运算,提高数学运算效率。当信号中脉冲污染严重时,参与选择的峰值必然会变多,其峰值间隔点势必会变小,而峰值的差值会增大,将使选择的形态学尺度变小,而结构元素的变化范围增大,弱化数学形态学特征提取的效果。为此,本文在构造多尺度结构元素的过程中,先求取信号的峰值能量,然后使用信号峰值能量的方差作为阈值线,如图6中的虚线所示。筛选保留大于该阈值的峰值点,剔除小于该阈值线的峰值点,从而有效的解决了干扰污染严重的问题。
本发明提出基于峰值能量的自适应算法:即以峰值能量的均值作为阈值线,筛选峰值信息,然后根据信号的所有峰值的最大采样间隔确定形态学尺度,最后根据峰值间的能量差和形态学尺度确定结构元素的变化。其示例如图7所示,给定一段信号y(n),其正峰值点为{p1,p2,p3,p4,p5,p6,p7},取所有正峰值点的方差m作为阈值,将小于m的正峰值点{p3,p4,p7}认为是混入的噪声成分,大于m的正峰值点{p1,p2,p5,p6}认为是y(n)中的故障脉冲成分,由{p1,p2,p5,p6}对应的横坐标计算相邻点间的距离{d1,d2,d3},则形态学的尺度为λ=d2-d3,而结构元素的中心点高度从p6到p2变化。
步骤2:将多尺度数学形态学分析方法与谱相关分析相结合形成滚动轴承故障诊断方法,其算法流程图如图8所示,用西储大学滚动动轴承数据进行检测,并与三角形和扁平形结构元素进行比较。图9-11分别为“山结构”、三角形和扁平形内圈故障的诊断结果,从图中可以看出,每行有10个点,每个点表示测试数据和训练数据样本之间的平均形态谱相关系数。如图9所示,代表测试数据和内圈故障训练数据之间平均频谱相关系数的值比其他值大得多。这表明所有10个测试数据集与内圈故障情况下与数据具有很高的相似性,应归类为内圈故障数据集。图10同样能够正确的确定为内圈故障,但是其他类型故障与内圈故障的相关性都大于0.5,有出现误判的可能性,而图11中几类故障的与内圈故障的相关性都很高,会很容易出现误判。
图12-14依次为三种结构元素的滚动体故障诊断结果,图12中,滚动体故障的相关性明显高于其他类故障,能够很好的确定故障类型,而图13中,滚动体故障与外圈@12:00的故障混在一起,而图14中滚动体故障与外圈@12:00和外圈@3:00的相关性都很高,造成对故障类型的误判。因此,在滚动体故障状态下,“山结构”型结构元素的故障诊断的准确正确率最高。
图15-23分别表示外圈故障在6:00、3:00和12:00方向时外圈故障的依次用三种数学形态学分析结果、归一化形态谱和故障诊断结果。从图15、18和21中可以看出,“山结构”型结构元素可以可以正确识别三类外圈故障。从图16、19和22可以看出,三角形结构元素适用于6:00的故障诊断,但在3:00和12:00时的外圈故障诊断效果较差。从图17、20和23中可以看出扁平形结构元素在外圈三个方向的故障诊断效果较差,均出现不同程度的无诊断。
图24-29分别表示三种结构元素对真实风机数据的内圈和外圈故障诊断结果,从图24、26和28中可以看出,“山结构”能够准确的确定内圈故障类型,而三角形结构元素和扁平形结构元素都存在一些误判。从图25、27和29中,三种结构元素都可以提取并确定外圈故障类型,但“山结构”的分类效果更好,可充分排除其他故障干扰,提高诊断结果可靠性,证明“山结构”在真实风电机组故障特征提取方面的有效性。
Claims (2)
1.一种基于多尺度数学形态学的风电机组滚动轴承故障诊断方法,其特征在于,该方法的实现步骤如下:
A.新型结构元素的构造:
滚动轴承振动信号中的脉冲成分呈现出一种尖峰状,但脉冲周边存在一些突变成分难以检测;基于这个特点,提出一种结构元素,在尖峰状脉冲两端加入对称的非零元素,以达到对脉冲以及两端微弱变化进行捕捉的目的;其结构元素的矩阵形式定义为[h1 A1 A2 h2A3 A4 h3],定义这种结构元素称之为“山结构”;其中,h1、h2和h3为“山结构”的顶点部分,也就是结构元素的中心高度,其中h2代表尖峰状脉冲的峰值点,h1和h3代表信号边缘的突变成份;A1、A2、A3和A4为“山结构”的山麓部分,其值为小于结构元素中心高度的任意常数,将其设置为0,A1、A2、A3和A4代表了信号的缓变过程;其中A2和A3随着尺度的增加将扩展为矩阵变化;
B.基于峰值能量的自适应算法:
1)形态学尺度的确定:假设滚动轴承原始振动信号y(n),搜寻y(n)中全部正峰值点P={Pi|i=1,2,…,I},其中P为正峰值点集合,Pi为其中的每个峰值点,I为峰值点的个数;根据M=kP2计算峰值点的能量M,式中k取1;然后求取峰值能量的方差m,并根据m作为阈值划分已知的I个正峰值点,保留大于m的正峰值点,剔除小于m的正峰值点,产生新的正峰值点集P′={P′j|j=1,2,...,J},其中P′为筛选后的峰值点集合,J代表正峰值点能量大于m的个数;然后计算相邻两个峰值间的间隔采样点数,确定最小间隔采样点数Lmin和最大间隔采样点数Lmax,结构元素的长度将从Lmin随形态学尺度变化到Lmax,因此多尺度数学形态学的尺度定义为λ=Lmax-Lmin;
2)多尺度结构元素的构造:对于筛选后的振动信号y(n),先搜寻滚动轴承信号中的最大和最小峰值能量,分别记作Mmax和Mmin,则中心点的高度h为从最小峰值能量Mmin随尺度逐渐增加到最大峰值能量Mmax,如公式(1)所示:
式中:λ=0,1,2,…,Lmax-Lmin;
A1=A4=0
λ={Lmin,Lmin+1,…,Lmax-1,Lmax}
使结构元素在每一尺度下都有对应的长度和高度,从而提取信号中不同尺度下的特征信息;
C.故障诊断算法:根据已知的故障类型将训练信号分为m*类,每一类包含n个训练滚动轴承的样本信号,{xi,j}为信号集,i=1,2,…,m*;j=1,2,…n;选取结构元素,运用基于峰值能量的自适应算法确定形态学尺度,构造多尺度结构元素进行多尺度数学形态学运算;进行处理来提取信号的特征信息,并得到滚动轴承信号的形态谱{Pi};对于未知故障状态的轴承振动信号,同样的方法求得该信号的形态谱P;计算待测信号形态谱和训练信号的形态谱的平均相关系数,判断故障的类型;多尺度数学形态学就是在数学形态学运算的基础上中,引入一个新的尺度变量λ,并通过λ的变化产生一系列对应不同尺度的结构元素序列,利用这些大小不同的结构元素参与运算,达到多尺度、多层次分析待处理信号的目的;基于多尺度λ的形态学运算公式如下式(2)(3)所示;其中,f为原始信号,g为结构元素,λ代表不同的尺度下的运算,Θ代表膨胀运算,代表腐蚀运算,代表开运算,·代表闭运算;
2.根据权利要求1所述的一种基于多尺度数学形态学的风电机组滚动轴承故障诊断方法,其特征在于:
在构造结构元素时,充分考虑故障信号都是由脉冲信号组成的特点,构造“山结构”元素;
结合信号自身形状特征自适应选取形态学尺度λ并确定不同尺度下的结构元素的长度和高度,用于指导多尺度数学形态学运算;
将训练信号分成n个训练样本,选取结构元素,运用基于峰值能量的自适应算法确定形态学尺度,构造多尺度结构元素进行多尺度数学形态学运算;求取每个训练样本的形态谱;对测试信号进行同样的处理进行多尺度数学形态学处理,求取形态谱;将训练样本与测试样本的形态谱求相关性系数,从而判断测试集样本的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064316.2A CN111442927B (zh) | 2020-01-20 | 2020-01-20 | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010064316.2A CN111442927B (zh) | 2020-01-20 | 2020-01-20 | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111442927A CN111442927A (zh) | 2020-07-24 |
CN111442927B true CN111442927B (zh) | 2022-03-25 |
Family
ID=71627045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064316.2A Active CN111442927B (zh) | 2020-01-20 | 2020-01-20 | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111442927B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112816213B (zh) * | 2021-01-06 | 2022-08-12 | 沈阳工业大学 | 一种风力机传动系统的故障诊断方法 |
CN117828518B (zh) * | 2024-03-06 | 2024-05-14 | 天津万事达物流装备有限公司 | 一种用于物流仓库的四向车智能控制管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269655A (zh) * | 2010-06-04 | 2011-12-07 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN108332955A (zh) * | 2017-12-22 | 2018-07-27 | 江苏新道格自控科技有限公司 | 一种基于振动信号的机械链接松动检测与预警方法 |
CN108645620A (zh) * | 2018-07-26 | 2018-10-12 | 北京工业大学 | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN109297712A (zh) * | 2018-11-02 | 2019-02-01 | 东南大学 | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 |
CN109871758A (zh) * | 2019-01-14 | 2019-06-11 | 南京航空航天大学 | 基于多尺度形态学优化的故障信号svd降噪方法 |
CN110595778A (zh) * | 2019-06-10 | 2019-12-20 | 内蒙古工业大学 | 一种基于mmf与igra风电机组轴承故障诊断方法 |
-
2020
- 2020-01-20 CN CN202010064316.2A patent/CN111442927B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269655A (zh) * | 2010-06-04 | 2011-12-07 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN108332955A (zh) * | 2017-12-22 | 2018-07-27 | 江苏新道格自控科技有限公司 | 一种基于振动信号的机械链接松动检测与预警方法 |
CN108645620A (zh) * | 2018-07-26 | 2018-10-12 | 北京工业大学 | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN109297712A (zh) * | 2018-11-02 | 2019-02-01 | 东南大学 | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 |
CN109871758A (zh) * | 2019-01-14 | 2019-06-11 | 南京航空航天大学 | 基于多尺度形态学优化的故障信号svd降噪方法 |
CN110595778A (zh) * | 2019-06-10 | 2019-12-20 | 内蒙古工业大学 | 一种基于mmf与igra风电机组轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
"基于多尺度形态学与奇异值分解的滚动轴承故障特征提取";刘鹏 等;《机械传动》;20151215;第39卷(第12期);121-125+143 * |
"基于改进自适应形态学方法的风电机组滚动轴承故障诊断研究";张双龙;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190115(第01期);C029-350 * |
"基于自适应数学形态学的滚动轴承故障诊断方法";齐咏生 等;《大连理工大学学报》;20180531;第58卷(第3期);238-245 * |
Also Published As
Publication number | Publication date |
---|---|
CN111442927A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sakthivel et al. | Vibration based fault diagnosis of monoblock centrifugal pump using decision tree | |
Yu et al. | An adaptive sensitive frequency band selection method for empirical wavelet transform and its application in bearing fault diagnosis | |
Attoui et al. | A new time–frequency method for identification and classification of ball bearing faults | |
Zhou et al. | Bearing fault recognition method based on neighbourhood component analysis and coupled hidden Markov model | |
Yan et al. | An efficient approach to machine health diagnosis based on harmonic wavelet packet transform | |
CN102798529B (zh) | 大型风力机组轴承故障诊断方法及系统 | |
CN206504869U (zh) | 一种滚动轴承故障诊断装置 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN111442927B (zh) | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN109255333B (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
CN105787561A (zh) | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 | |
CN110595778B (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
Joshuva et al. | Wind turbine blade fault diagnosis using vibration signals through decision tree algorithm | |
CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
CN114417924B (zh) | 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法 | |
Ye et al. | Dynamic health index extraction for incipient bearing degradation detection | |
WO2022100046A1 (zh) | 一种基于零值比例频谱特征的机械传动故障检测方法 | |
Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
Zhang et al. | Applying improved multi-scale entropy and support vector machines for bearing health condition identification | |
Yu et al. | Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 |
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 |