CN111476220A - 一种换流阀空冷器故障定位方法 - Google Patents
一种换流阀空冷器故障定位方法 Download PDFInfo
- Publication number
- CN111476220A CN111476220A CN202010496298.5A CN202010496298A CN111476220A CN 111476220 A CN111476220 A CN 111476220A CN 202010496298 A CN202010496298 A CN 202010496298A CN 111476220 A CN111476220 A CN 111476220A
- Authority
- CN
- China
- Prior art keywords
- fault
- original signal
- frequency
- kurtosis
- converter valve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000000737 periodic effect Effects 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 230000008030 elimination Effects 0.000 claims description 11
- 238000003379 elimination reaction Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 abstract description 4
- 230000017525 heat dissipation Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种换流阀空冷器故障定位方法,首先采集换流阀空冷器电机的振动信号波形作为原始信号;再计算所述原始信号的频谱图,通过特征频率对比,判断是否出现周期性故障;最后计算所述原始信号的快速谱峭度图,通过多次滤波解耦获取冲击性故障特征;本发明通过对傅里叶频谱图与快速谱峭度图分别分析检测换流阀空冷器的周期性故障特征和冲击性故障特征,可将复合故障情况下的不同故障进行分离,能够有效降低检修成本,保障换流阀空冷器电机及散热风机的故障积累,从而避免严重事故的发生。
Description
技术领域
本发明属于电力设备故障诊断技术领域,特别涉及一种换流阀空冷器故障定位方法。
背景技术
换流阀是高压直流输电的核心设备之一,需要使用冷却介质循环吸热排放到阀厅外,确保晶闸管结温保持在正常允许的范围之内不至损坏。因此,换流阀冷却系统是确保换流阀安全可靠运行的重要保障,空冷器作为外风冷系统的关键之一,承担了换流阀冷却系统的冷热交换和散热的重要功能。然而作为换流阀散热系统当中唯一的旋转部件,其在工作过程中往往更易出现各种故障,如由于锈蚀等原因导致的转子不平衡、基座松动等问题,以及冷却水渗漏导致的轴承内外圈点蚀、磨损、轴承滚珠磨损等问题。在工程实际中空冷器的运行效率与状态直接影响换流阀冷却性能,因此,换流阀空冷器故障定位对保证换流阀高效运维及检修有重要的实际指导意义,但由于换流阀空冷器易出现复合故障情况,此时对符合故障的分离与定位确定就显得尤为重要。
基于此,本发明提出了一种换流阀空冷器故障定位方法,实现复合故障情况下的故障分离与定位确定。
发明内容
本发明的目的在于克服现有技术的不足,提供能够分离、定位周期性故障特征和冲击性故障特征的一种换流阀空冷器故障定位方法
本发明的目的通过以下技术方案来实现:
一种换流阀空冷器故障定位方法,包括如下步骤:
步骤S1,采集换流阀空冷器电机的振动信号波形作为原始信号;
步骤S2,计算所述原始信号的频谱图,通过特征频率对比,判断是否出现周期性故障;
步骤S3,计算所述原始信号的快速谱峭度图,通过多次滤波解耦获取冲击性故障特征。
进一步的,所述步骤S2包括将所述原始信号进行快速傅里叶变换,获得所述原始信号的频谱图。
进一步的,所述步骤S2还包括对频谱图的低频部分进行切片分析,并将分析结果与周期性故障的特征频率表进行对比,从而判断是否出现周期性故障。
进一步的,所述步骤S3具体包括如下步骤:
步骤S31,计算原始信号得到快速谱峭度图;
步骤S32,根据快速谱峭度图构建带通滤波器;
步骤S33,使用所述带通滤波器对所述原始信号进行滤波,获取原始信号的第一冲击性故障特征;
步骤S34,根据快速谱峭度图构建带阻滤波器,
步骤S35,使用所述带阻滤波器,剔除原始信号中已经获取的第一冲击性故障特征信号;
步骤S36,计算所述原始信号带阻滤波后的快速谱峭度图,重复步骤S32-S36直到对所有的冲击性故障特征实现解耦。
进一步的,所述步骤S31具体还包括在频带[0;1/4]和[1/4;1/2]内分别构建高低通滤波器h0(n)、h1(n),将其作为二叉树结构的第一级对信号进行滤波,通过不断构建高低通滤波器h0(n)、h1(n)对信号进行类金字塔的逐层滤波分解,直至分解完成,其中每层有2k级;再通过计算整个频率中心值和频率变化范围(f,Δf)平面每一个节点的谱峭度值,构成快速谱峭度图。
进一步的,所述步骤S32中的所述带通滤波器基于快速谱峭度图中的最大谱峭度值对应的频率中心值f和频率变化范围Δf构建。
进一步的,所述步骤S34中的所述带阻滤波器基于快速谱峭度图中的最大谱峭度值对应的频率中心值f和频率变化范围Δf构建。
进一步的,所述步骤S36中所述重复步骤S32-S36直到对所有的冲击性故障特征实现解耦具体包括,判断快速谱峭度图中,是否存在新的最大峭度值色块,若存在,则重复步骤S32-S36,否则结束计算。
本发明具有以下优点:
本发明通过对傅里叶频谱图与快速谱峭度图分别分析检测换流阀空冷器的周期性故障特征和冲击性故障特征;其中通过对傅里叶频谱图中的低频部分进行分析,能够判断确定换流阀空冷器的周期性故障;以及通过对原始信号逐层逐次分解获取快速谱峭度图,再根据快速谱峭度图的信息多次构建带通滤波器和带阻滤波器不断对原始信号进行滤波,从而获取多个冲击性故障特征;可见本发明可将复合故障情况下的不同故障进行分离,能够有效降低检修成本,保障换流阀空冷器电机及散热风机的故障积累,从而避免严重事故的发生。
附图说明
图1为本发明方法的步骤示意图;
图2为本发明中换流阀空冷器故障下振动原始信号波形图;
图3本发明原始信号低频部分周期性故障波形图;
图4为本发明原始振动信号的快速谱峭度图;
图5为本发明带通滤波后分离出的相对严重的冲击性故障1的故障特征信号的频谱图;
图6为本发明带阻滤波后得到的新的原始信号波形图;
图7为本发明新的原始振动信号的快速谱峭度图;
图8为本发明带通滤波后分离出的相对较弱冲击性故障2的特征信号的频谱图。
具体实施方式
为使发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种换流阀空冷器故障定位方法,如图1所示,包括如下步骤:
步骤S1,采集换流阀空冷器电机的振动信号波形作为原始信号,记为x(t);
步骤S2,计算所述原始信号的频谱图,通过特征频率对比,判断是否出现周期性故障;
步骤S3,计算所述原始信号的快速谱峭度图,通过多次滤波解耦获取冲击性故障特征。
所述步骤S2包括将所述原始信号进行快速傅里叶变换,获得所述原始信号的频谱图;具体过程如下:
应用快速傅里叶变换(FFT)实现,设X(f)为振动信号的傅里叶变换,即:
一般情况下X(f)为一复变函数,令X(f)=U(f)+iV(f)=|X(f)|eiφ(f),
其中|X(f)|称为幅值谱或FFT频率谱,其包含信号中各频率成分的幅值大小沿频率周的分布情况,从而形成频谱图。
所述步骤S2还包括对频谱图的低频部分进行切片分析,一般周期性故障的故障特征频率表现为转频的倍频分量,通过对信号的低频部分进行细分进行频谱分析,并将分析结果与周期性故障的特征频率表进行对比,从而可判断是否出现周期性故障。
所述步骤S3具体包括如下步骤:
步骤S31,计算原始信号得到快速谱峭度图;
步骤S32,根据快速谱峭度图构建带通滤波器;
步骤S33,使用所述带通滤波器对所述原始信号进行滤波,获取原始信号的第一冲击性故障特征;
步骤S34,根据快速谱峭度图构建带阻滤波器,
步骤S35,使用所述带阻滤波器,剔除原始信号中已经获取的第一冲击性故障特征信号;
步骤S36,计算所述原始信号带阻滤波后的快速谱峭度图,重复步骤S32-S36直到对所有的冲击性故障特征实现解耦。
所述步骤S31具体还包括在频带[0;1/4]和[1/4;1/2]内分别构建高低通滤波器h0(n)、h1(n),将其作为二叉树结构的第一级对信号进行滤波,通过不断构建高低通滤波器h0(n)、h1(n)对信号进行类金字塔的逐层滤波分解,直至分解完成,其中每层有2k级;再通过计算整个频率中心值和频率变化范围(f,Δf)平面每一个节点的谱峭度值,构成快速谱峭度图。
其中
根据SK的定义每一个节点的谱峭度值即为归一化的该点的复包络的四阶谱累计量,对于各层分解后,其分解后的得到的短时傅里叶变换系数也就是在中心频率点fi=(i+2-1)2-k-1与带宽Δf=2-k-1处的复包络,记为该节点对应的中心频率,其四阶谱累计量为其中代表复包络信号的能量记为对进行归一化处理得到标准形式的金字塔型每一个节点的谱峭度值计算公式式(4)。
所述步骤S32中的所述带通滤波器基于快速谱峭度图中的最大谱峭度值对应的频率中心值f和频率变化范围Δf构建,其中滤波器的频带范围为:
所述步骤S34中的所述带阻滤波器基于快速谱峭度图中的最大谱峭度值对应的频率中心值f和频率变化范围Δf构建。
所述步骤S36中所述重复步骤S32-S36直到对所有的冲击性故障特征实现解耦具体包括,判断快速谱峭度图中,是否存在新的最大峭度值色块,若存在,则重复步骤S32-S36,否则结束计算。
实施例1
下面以换流阀空冷器电机的早期复合故障分离为例。应用磁吸式振动传感器采集振动信号,采样频率10000Hz,采样长度为8k个点,电机转频为20Hz。周期性故障的故障特征频率为其3倍转频,冲击性故障1的故障频率约为160.2Hz,冲击性故障2的故障特征频率为105.9Hz。
首先利用磁吸式振动传感器测得轴承振动信号x(t),如图2所示。利用步骤2、3计算原始信号低频部分频谱,进行频谱分析,如图3所示。
利用步骤4计算原始信号的快速谱峭度图,如图4所示。
在快速谱峭度图中选取峭度之最大的色块得到对应的中心频率和带宽,根据中心频率f和频率带宽Δf构建带通滤波器,对原始信号进行滤波得到严重的故障特征信号。对该信号进行傅里叶变换得到该信号的频谱图,如图5所示。
根据严重的故障信号的中心频率f和频率带宽Δf构建带阻滤波器,对原始信号进行滤波得到削弱强故障特征的处理信号,如图6所示。
再利用利用步骤3的原理计算处理信号的快速谱峭度图。当某一新色块的峭度值变为最大时,则认为出现了复合故障当中的微弱故障,其对应的中心频率为f和频率带宽为Δf,据此构建新的带通滤波器。当未出现新的最大峭度值时重复步骤7-8直至出现新的最大峭度值即新的色块,如图7所示。
将处理信号应用新的带通滤波器进行滤波。
对该信号进行傅里叶变换得到该信号的频谱图,如图8所示。
完成故障分离。
由此可见,本发明中的换流阀空冷器电机的复合故障分离方法可以有效实现该设备的故障分离,为换流阀空冷器乃至整个换流站的安全稳定运行提供了可依靠的基础。
Claims (8)
1.一种换流阀空冷器故障定位方法,其特征在于,包括如下步骤:
步骤S1,采集换流阀空冷器电机的振动信号波形作为原始信号;
步骤S2,计算所述原始信号的频谱图,通过特征频率对比,判断是否出现周期性故障;
步骤S3,计算所述原始信号的快速谱峭度图,通过多次滤波解耦获取冲击性故障特征。
2.根据权利要求1所述故障定位方法,其特征在于,所述步骤S2包括将所述原始信号进行快速傅里叶变换,获得所述原始信号的频谱图。
3.根据权利要求2所述故障定位方法,其特征在于,所述步骤S2还包括对频谱图的低频部分进行切片分析,并将分析结果与周期性故障的特征频率表进行对比,从而判断是否出现周期性故障。
4.根据权利要求1所述故障定位方法,其特征在于,所述步骤S3具体包括如下步骤:
步骤S31,计算原始信号得到快速谱峭度图;
步骤S32,根据快速谱峭度图构建带通滤波器;
步骤S33,使用所述带通滤波器对所述原始信号进行滤波,获取原始信号的第一冲击性故障特征;
步骤S34,根据快速谱峭度图构建带阻滤波器,
步骤S35,使用所述带阻滤波器,剔除原始信号中已经获取的第一冲击性故障特征信号;
步骤S36,计算所述原始信号带阻滤波后的快速谱峭度图,重复步骤S32-S36直到对所有的冲击性故障特征实现解耦。
5.根据权利要求4所述故障定位方法,其特征在于,所述步骤S31具体还包括在频带[0;1/4]和[1/4;1/2]内分别构建高低通滤波器h0(n)、h1(n),将其作为二叉树结构的第一级对信号进行滤波,通过不断构建高低通滤波器h0(n)、h1(n)对信号进行类金字塔的逐层滤波分解,直至分解完成,其中每层有2k级;再通过计算整个频率中心值和频率变化范围(f,Δf)平面每一个节点的谱峭度值,构成快速谱峭度图。
6.根据权利要求4所述故障定位方法,其特征在于,所述步骤S32中的所述带通滤波器基于快速谱峭度图中的最大谱峭度值对应的频率中心值f和频率变化范围Δf构建。
7.根据权利要求4所述故障定位方法,其特征在于,所述步骤S34中的所述带阻滤波器基于快速谱峭度图中的最大谱峭度值对应的频率中心值f和频率变化范围Δf构建。
8.根据权利要求4所述故障定位方法,其特征在于,所述步骤S36中所述重复步骤S32-S36直到对所有的冲击性故障特征实现解耦具体包括,判断快速谱峭度图中,是否存在新的最大峭度值色块,若存在,则重复步骤S32-S36,否则结束计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496298.5A CN111476220A (zh) | 2020-06-03 | 2020-06-03 | 一种换流阀空冷器故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496298.5A CN111476220A (zh) | 2020-06-03 | 2020-06-03 | 一种换流阀空冷器故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476220A true CN111476220A (zh) | 2020-07-31 |
Family
ID=71765251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010496298.5A Pending CN111476220A (zh) | 2020-06-03 | 2020-06-03 | 一种换流阀空冷器故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476220A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330554A1 (en) * | 2011-06-21 | 2012-12-27 | Ross Warren S | Dispersion Estimation By Nonlinear Optimization of Beam-Formed Fields |
CN102916917A (zh) * | 2012-09-25 | 2013-02-06 | 哈尔滨工程大学 | 基于切片双谱和小波变换的fsk信号个体识别方法 |
CN103115668A (zh) * | 2013-01-22 | 2013-05-22 | 重庆大学 | 轧机振痕振动信号的故障特征提取方法及识别方法 |
CN103940612A (zh) * | 2014-04-10 | 2014-07-23 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN105760347A (zh) * | 2016-02-04 | 2016-07-13 | 福建工程学院 | 一种基于数据/极值联合对称延拓的hht端点效应抑制方法 |
CN106053080A (zh) * | 2016-08-16 | 2016-10-26 | 石家庄铁道大学 | 基于能量切片小波变换的滚动轴承故障特征提取方法 |
CN107423715A (zh) * | 2017-07-31 | 2017-12-01 | 大连海事大学 | 一种基于多特征联合决策的脚印自动识别方法 |
CN107505135A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
CN107621367A (zh) * | 2017-08-21 | 2018-01-23 | 北京信息科技大学 | 一种滚动轴承损伤程度评估方法 |
CN107818366A (zh) * | 2017-10-25 | 2018-03-20 | 成都力创昆仑网络科技有限公司 | 一种基于卷积神经网络的肺音分类方法、系统及用途 |
CN108241850A (zh) * | 2017-12-08 | 2018-07-03 | 浙江工业大学 | 一种基于hht的控制阀气密性故障诊断方法 |
EP3493109A1 (en) * | 2017-12-01 | 2019-06-05 | Palantir Technologies Inc. | System and methods for faster processor comparisons of visual graph features |
CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
US20190325328A1 (en) * | 2018-04-19 | 2019-10-24 | Ptc Inc. | Detection and use of anomalies in an industrial environment |
CN110991055A (zh) * | 2019-12-08 | 2020-04-10 | 中国航空综合技术研究所 | 一种旋转类机械产品剩余寿命预测系统 |
CN114035043A (zh) * | 2021-10-18 | 2022-02-11 | 辽宁科技大学 | 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 |
CN115128455A (zh) * | 2022-05-16 | 2022-09-30 | 湖南师范大学 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
-
2020
- 2020-06-03 CN CN202010496298.5A patent/CN111476220A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330554A1 (en) * | 2011-06-21 | 2012-12-27 | Ross Warren S | Dispersion Estimation By Nonlinear Optimization of Beam-Formed Fields |
CN102916917A (zh) * | 2012-09-25 | 2013-02-06 | 哈尔滨工程大学 | 基于切片双谱和小波变换的fsk信号个体识别方法 |
CN103115668A (zh) * | 2013-01-22 | 2013-05-22 | 重庆大学 | 轧机振痕振动信号的故障特征提取方法及识别方法 |
CN103940612A (zh) * | 2014-04-10 | 2014-07-23 | 昆明理工大学 | 一种滚动轴承故障特征提取方法及系统 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN105760347A (zh) * | 2016-02-04 | 2016-07-13 | 福建工程学院 | 一种基于数据/极值联合对称延拓的hht端点效应抑制方法 |
CN106053080A (zh) * | 2016-08-16 | 2016-10-26 | 石家庄铁道大学 | 基于能量切片小波变换的滚动轴承故障特征提取方法 |
CN107423715A (zh) * | 2017-07-31 | 2017-12-01 | 大连海事大学 | 一种基于多特征联合决策的脚印自动识别方法 |
CN107505135A (zh) * | 2017-08-15 | 2017-12-22 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
CN107621367A (zh) * | 2017-08-21 | 2018-01-23 | 北京信息科技大学 | 一种滚动轴承损伤程度评估方法 |
CN107818366A (zh) * | 2017-10-25 | 2018-03-20 | 成都力创昆仑网络科技有限公司 | 一种基于卷积神经网络的肺音分类方法、系统及用途 |
EP3493109A1 (en) * | 2017-12-01 | 2019-06-05 | Palantir Technologies Inc. | System and methods for faster processor comparisons of visual graph features |
CN108241850A (zh) * | 2017-12-08 | 2018-07-03 | 浙江工业大学 | 一种基于hht的控制阀气密性故障诊断方法 |
US20190325328A1 (en) * | 2018-04-19 | 2019-10-24 | Ptc Inc. | Detection and use of anomalies in an industrial environment |
CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
CN110991055A (zh) * | 2019-12-08 | 2020-04-10 | 中国航空综合技术研究所 | 一种旋转类机械产品剩余寿命预测系统 |
CN114035043A (zh) * | 2021-10-18 | 2022-02-11 | 辽宁科技大学 | 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 |
CN115128455A (zh) * | 2022-05-16 | 2022-09-30 | 湖南师范大学 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
《冶金设备现代化管理》编辑部: "《冶金设备现代化管理》", pages: 396 - 397 * |
代士超,郭瑜,伍星,那靖: "基于子频带谱峭度平均的快速谱峭度图算法改进", 《振动与冲击》, pages 98 - 102 * |
党建: "大型旋转机械早期复合故障分离与特征提取", 《大型旋转机械振动信号分析与早期故障辨识方法研究》, no. 2018, pages 80 - 93 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
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 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN112487882B (zh) | 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法 | |
CN110940917A (zh) | 一种电动机故障预警方法及系统 | |
CN108197073B (zh) | 一种改进的电动汽车充电电能信号特征分析方法 | |
CN110987433B (zh) | 一种基于高频信号特征幅值的轴承故障预警方法 | |
CN115434872A (zh) | 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 | |
CN111476220A (zh) | 一种换流阀空冷器故障定位方法 | |
CN113138337B (zh) | 基于状态划分与频段同步校正的三相电机故障诊断方法 | |
Yang et al. | Acoustic Diagnosis of Rolling Bearings Fault of CR400 EMU Traction Motor Based on XWT and GoogleNet | |
CN113464457B (zh) | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 | |
CN113686577A (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
CN115235768A (zh) | 一种滚动轴承故障诊断方法及系统 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
CN110441081B (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
CN113049251A (zh) | 一种基于噪声的轴承故障诊断方法 | |
CN113219333A (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
Shi et al. | An auto instantaneous frequency order extraction method for bearing fault diagnosis under time-varying speed operation | |
Li et al. | Incipient fault diagnosis of the planetary gearbox based on improved variational mode decomposition and frequency-weighted energy operator | |
Ye et al. | Bearing fault diagnosis under non-stationary conditions based on a speed signal resonance component demodulation algorithm | |
CN112364762B (zh) | 一种基于阶梯误差频谱特征的机械传动故障检测方法 |
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 |