CN111521396A - 基于平移不变高密度小波包变换的轴承故障诊断方法 - Google Patents

基于平移不变高密度小波包变换的轴承故障诊断方法 Download PDF

Info

Publication number
CN111521396A
CN111521396A CN202010392762.6A CN202010392762A CN111521396A CN 111521396 A CN111521396 A CN 111521396A CN 202010392762 A CN202010392762 A CN 202010392762A CN 111521396 A CN111521396 A CN 111521396A
Authority
CN
China
Prior art keywords
wavelet packet
bearing
signal
translation
fault diagnosis
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
Application number
CN202010392762.6A
Other languages
English (en)
Other versions
CN111521396B (zh
Inventor
李福生
鲁欣
刘治汶
赵彦春
张烁
曾小龙
林荣晔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010392762.6A priority Critical patent/CN111521396B/zh
Publication of CN111521396A publication Critical patent/CN111521396A/zh
Application granted granted Critical
Publication of CN111521396B publication Critical patent/CN111521396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于平移不变高密度小波包变换的轴承早期故障诊断方法，属于轴承早期故障诊断领域。本发明在利用平移不变高密度小波包变换分解输入信号的过程中基于多孔算法增加信息冗余度，解决传统高密度小波变换不具有平移不变性的问题。本发明不仅使信号的低频段得到了分解，信号的中频段分量和高频段分量也得到了进一步分解，提高了输入信号时频分析中在频域上的分辨率，利用所提小波包变换对早期滚动轴承故障信号进行分解，对小波包系数进行硬阈值降噪，然后对降噪后的信号进行重构，进而有效抑制轴承早期故障信号中噪声部分并实现微弱故障特征信号的提取。本发明适用于滚动轴承早期故障诊断。

Description

基于平移不变高密度小波包变换的轴承故障诊断方法
技术领域
本发明属于轴承早期故障诊断技术领域，具体涉及一种基于平移不变高密度小波包变换的轴承故障诊断方法。
背景技术
大型机械设备的核心部件如轴承、转子等的特征信号为早期故障诊断提供了必要的判定依据。然而在实际生产实践中由于振动，摩擦等因素不可避免在信号提取中引入背景噪声。如何在信号具有强噪声干扰下有效提取微弱特征信号成为早期故障诊断的关键性问题。
当机械设备发生故障时，采集到的往往是非平稳信号，此时传统的基于傅里叶变换的降噪方法并不适用，而小波变换由于其对信号能进行多分辨率分析在非平稳信号降噪中具有广泛的应用。
高密度小波变换相较于临界采样小波变换增加了中间尺度，具有以下优点：(1)高密度小波变换的低通滤波器、中通滤波器和高通滤波器分别输出信号的低频趋势成分，中频波动成分和高频波动成分，从而兼顾信号时域和频域的局部特征，得到信号更加全面的振动特征，因此具有更高的时频采样率；(2)高密度小波变换对于原始信号的尺度划分更加精细，能够实现间尺度分析，然后根据信号处理的要求，针对信号的各个分量特点更好的分析信号并实现原始信号的无失真重构，这样有助于更好地挖掘故障信号的波动特性。基于以上优点，高密度小波也被广泛应用于信号处理、图像处理和语音分析领域。研究热点主要集中于如何优化高密度小波的结构，提高识别故障信号的效率。
目前，针对平移不变(TI)单小波降噪研究表明，TI比非TI的单小波降噪效果更好。然而高密度小波变换不具有平移不变性，因此其在信号降噪和微弱故障信号的提取上表现不佳，难以满足现今工业生产实践的需求。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种基于平移不变高密度小波包变换的轴承故障诊断方法，来有效抑制轴承早期故障信号中噪声部分并实现微弱故障特征信号的提取。
本发明所提出的技术问题是这样解决的：
一种基于平移不变高密度小波包变换的轴承故障诊断方法，包括以下步骤：
步骤1.数据采集器采集轴承振动信号f(t)；
步骤2.确定平移不变高密度小波包的分解层数m；
步骤3.基于平移不变小波包变换，分解轴承振动信号f(t)，得到小波包系数
Figure BDA0002486229140000021
Figure BDA0002486229140000022
步骤4.确定第m分解层下第i个小波包系数
Figure BDA0002486229140000023
的整体降噪阈值Ti；
步骤5.利用硬阈值降噪方法保留属于小波包系数中幅值大于设定阈值Ti的部分，去除小波包系数中小于设定阈值Ti的部分，得到降噪后的小波包系数
Figure BDA0002486229140000024
步骤6.利用降噪后的小波包系数
Figure BDA0002486229140000025
进行重构，得到重构信号frec(t)；
步骤7.对重构信号进行频谱分析，根据频谱中突出的频率及其倍频判别轴承故障。
更具体的，步骤1中的轴承振动信号由安装在电机驱动侧轴承座上的数据采集器采集，其表达式为：
f(t)＝x(t)+n(t)
其中，t为时间，x(t)为不带噪声的特征信号，n(t)为引入的高斯白噪声，高斯白噪声的均值为0，标准差为σ。
更具体的，步骤2中，0＜m＜log2N，N为轴承振动信号f(t)的采样点数。
更具体的，步骤3的具体过程为：
当j＝1时，即平移不变高密度小波包分解层数为1时，小波包系数为：
f1 0(t)＝f(t)*h0(t)
f1 1(t)＝f(t)*h1(t)
f1 2(t)＝f(t)*h2(t)
其中，0≤i≤3j-1，*表示卷积，h0(t)、h1(t)和h2(t)分别为低通滤波器、带通滤波器和高通滤波器；
当2≤j≤m时，即平移不变高密度小波分解层数大于1时，小波包系数为：
Figure BDA0002486229140000026
Figure BDA0002486229140000027
Figure BDA0002486229140000028
其中，
Figure BDA0002486229140000031
Figure BDA0002486229140000032
表示向下取整，
Figure BDA0002486229140000033
分别为将h0(t)、h1(t)、h2(t)的每两个点之间补一个零，downsample为下采样操作。
更具体的，步骤4中，阈值Ti的具体表达式为：
Figure BDA0002486229140000034
其中，Ni为第m层第i个小波包系数的长度；
σi为第m层第i个小波包系数的噪声标准差，其表达式为：
Figure BDA0002486229140000035
其中，median为中值函数，| |表示求绝对值。
更具体的，步骤5中，
Figure BDA0002486229140000036
的表达式为：
Figure BDA0002486229140000037
更具体的，步骤6的具体过程为：
重构的第j层(1≤j≤m-1)第i个小波包系数：
Figure BDA0002486229140000038
其中，upsample为上采样操作；
重构信号frec(t)：
Figure BDA0002486229140000039
本发明的有益效果是：
本发明继承传统高密度小波变换优点，针对高密度小波变换由于不具备平移不变性而在信号降噪和微弱故障提取上表现不佳的问题提出平移不变高密度小波包变换，不仅能实现对轴承故障信号的间尺度分析和增加对信号的时频采样率，还能进一步提高信号的降噪效果，使得高密度小波变换在轴承早期微弱故障信号的提取上更具优势。而小波包的结构使中频段与高频段小波系数也得到进一步分解，提高识别故障特征的准确性,为轴承早期微弱故障特征的提取与识别提供了切实可行的手段，保证机械设备运行的安全与可靠。
附图说明
图1为本发明所述方法的流程示意图；
图2为实施例中原始振动信号的时域波形图；
图3为实施例中原始振动信号的频域图；
图4为实施例中重构信号的时域波形图；
图5为实施例中重构信号的频域波形图；
图6为基于传统高密度小波变换所得的重构信号时域波形图；
图7为基于传统高密度小波变换所得的重构信号频域图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例所述用于轴承故障振动信号的降噪与特征提取的平移不变高密度小波包变换方法，是对平移不变高密度小波变换结果中的中频段分量和高频段分量进一步细化分解，弥补了小波变换在频域分辨率不足的问题，进而实现对轴承故障振动信号频带更加精细的划分。平移不变高密度小波包变换是基于多孔算法增加小波分解过程中信息的冗余，不仅能实现间尺度分析和更高的时频采样率，还具有平移不变性使其在针对轴承故障振动信号的降噪与特征提取中更具优势。
本实施例对某滚动轴承外圈进行故障诊断，试验轴承规格如下表1所示：
表1试验滚动轴承规格
Figure BDA0002486229140000041
试验时，电机带动试验轴承旋转，振动信号以旋转频率30Hz采集，信号采样频率为20kHz，采样点数N＝4096，根据轴承规格和转动频率计算得到试验轴承滚动体故障特征频率为：f0＝59.7075Hz。
本实施例提供一种基于平移不变高密度小波包变换的轴承故障诊断方法，其流程示意图如图1所示，包括以下步骤：
步骤1.安装在电机驱动侧轴承座上的数据采集器采集试验滚动轴承振动的轴承振动信号f(t)，其时域波形图和频域图分别如图2和图3所示，原始振动信号时域波形由于噪声及其他干扰成分的存在，因此难以观察到明显的周期性冲击，同时频域图中轴承滚动体故障特征频率周围附近有很多其他频率的干扰，因此对轴承故障特征信号的准确识别带来一定的困难；
f(t)＝x(t)+n(t)
其中，t为时间，x(t)为不带噪声的特征信号，n(t)为引入的高斯白噪声，高斯白噪声的均值为0，标准差为σ；
步骤2.确定平移不变高密度小波包的分解层数m＝4，0＜m＜log2N，N为轴承振动信号f(t)的采样点数，N＝4096；
步骤3.基于平移不变小波包变换，分解输入轴承振动信号f(t)，得到小波包系数
Figure BDA0002486229140000051
Figure BDA0002486229140000052
具体过程为：
当j＝1时，即平移不变高密度小波包分解层数为1时，小波包系数为：
f1 0(t)＝f(t)*h0(t)
f1 1(t)＝f(t)*h1(t)
f1 2(t)＝f(t)*h2(t)
其中，0≤i≤3j-1，*表示卷积，h0(t)、h1(t)和h2(t)分别为低通滤波器、带通滤波器和高通滤波器；
当2≤j≤m时，即平移不变高密度小波分解层数大于1时，小波包系数为：
Figure BDA0002486229140000053
Figure BDA0002486229140000054
Figure BDA0002486229140000055
其中，
Figure BDA0002486229140000056
Figure BDA0002486229140000057
表示向下取整，
Figure BDA0002486229140000058
分别为将h0(t)、h1(t)、h2(t)的每两个点之间补一个零，downsample为下采样操作；
步骤4.确定第m分解层下第i个小波包系数
Figure BDA0002486229140000059
的整体降噪阈值Ti，Ti的具体表达式为：
Figure BDA00024862291400000510
其中，Ni为第m层第i个小波包系数的长度；
σi为第m层第i个小波包系数的噪声标准差，其表达式为：
Figure BDA0002486229140000061
其中，median为中值函数，| |表示求绝对值；
步骤5.利用硬阈值降噪方法保留属于小波包系数中幅值大于设定阈值Ti的部分，去除小波包系数中小于设定阈值Ti的部分，得到降噪后的小波包系数
Figure BDA0002486229140000062
的具体表达式为：
Figure BDA0002486229140000063
步骤6.利用降噪后的小波包系数
Figure BDA0002486229140000064
进行重构，重构的第j层(1≤j≤m-1)第i个小波包系数：
Figure BDA0002486229140000065
其中，upsample为上采样操作；
重构信号frec(t)：
Figure BDA0002486229140000066
重构信号的时域波形图如图4所示，可以看到大部分的噪声都已被成功抑制。
步骤7.对重构信号进行频谱分析，根据频谱中突出的频率及其倍频判别轴承故障。
将图4的重构信号frec(t)进行频谱分析，得到图5所示的该重构信号的频域波形，通过细节放大可以看到提取的故障频率为63.48Hz，考虑到分辨率的问题，试验结果与实际故障频率基本一致，并且较好地保留了大部分的低频信号，有效的抑制了高频噪声。从因此，可判断试验轴承滚动体存在故障，诊断结果与实验方案一致，证明了实施例的有效性。
为了进一步说明本发明方法的优越性，图6，图7给出了传统基于高密度小波变换的重构信号的时域图及其频域图。从图7中细节图中可以看到故障频率也能被提取出来，但是从信号整个频域图来看，大部分高频噪声并没有得到很好的抑制，信号能量的聚集性明显差于基于图5。因此，显然实施例在轴承故障诊断中效果更佳。

Claims (7)

1.一种基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1.数据采集器采集轴承振动信号f(t)；
步骤2.确定平移不变高密度小波包的分解层数m；
步骤3.基于平移不变小波包变换，分解轴承振动信号f(t)，得到小波包系数
Figure FDA0002486229130000011
Figure FDA0002486229130000012
步骤4.确定第m分解层下第i个小波包系数
Figure FDA0002486229130000013
的整体降噪阈值Ti；
步骤5.利用硬阈值降噪方法保留属于小波包系数中幅值大于设定阈值Ti的部分，去除小波包系数中小于设定阈值Ti的部分，得到降噪后的小波包系数
Figure FDA0002486229130000014
步骤6.利用降噪后的小波包系数
Figure FDA0002486229130000015
进行重构，得到重构信号frec(t)；
步骤7.对重构信号进行频谱分析，根据频谱中突出的频率及其倍频判别轴承故障。
2.根据权利要求1所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤1中的轴承振动信号由安装在电机驱动侧轴承座上的数据采集器采集，其表达式为：
f(t)＝x(t)+n(t)
其中，t为时间，x(t)为不带噪声的特征信号，n(t)为引入的高斯白噪声，高斯白噪声的均值为0，标准差为σ。
3.根据权利要求2所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤2中，0＜m＜log2N，N为轴承振动信号f(t)的采样点数。
4.根据权利要求3所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤3的具体过程为：
当j＝1时，即平移不变高密度小波包分解层数为1时，小波包系数为：
f1 0(t)＝f(t)*h0(t)
f1 1(t)＝f(t)*h1(t)
f1 2(t)＝f(t)*h2(t)
其中，0≤i≤3j-1，*表示卷积，h0(t)、h1(t)和h2(t)分别为低通滤波器、带通滤波器和高通滤波器；
当2≤j≤m时，即平移不变高密度小波分解层数大于1时，小波包系数为：
Figure FDA0002486229130000021
Figure FDA0002486229130000022
Figure FDA0002486229130000023
其中，
Figure FDA0002486229130000024
Figure FDA0002486229130000025
表示向下取整，
Figure FDA0002486229130000026
分别为将h0(t)h1(t)、h2(t)的每两个点之间补一个零，downsample为下采样操作。
5.根据权利要求4所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤4中，阈值Ti的具体表达式为：
Figure FDA0002486229130000027
其中，Ni为第m层第i个小波包系数的长度；
σi为第m层第i个小波包系数的噪声标准差，其表达式为：
Figure FDA0002486229130000028
其中，median为中值函数，| |表示求绝对值。
6.根据权利要求5所述的基于平移不变高密度小波包变换的轴承故障诊断方法，其特征在于，步骤5中，
Figure FDA0002486229130000029
的表达式为：
Figure FDA00024862291300000210
7.根据权利要求1所述的基于平移不变高密度小波包的轴承故障诊断方法，其特征在于，步骤6的具体过程为：
重构的第j层(1≤j≤m-1)第i个小波包系数：
Figure FDA00024862291300000211
其中，upsample为上采样操作；
重构信号frec(t)：
Figure FDA0002486229130000031
CN202010392762.6A 2020-05-11 2020-05-11 基于平移不变高密度小波包变换的轴承故障诊断方法 Active CN111521396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010392762.6A CN111521396B (zh) 2020-05-11 2020-05-11 基于平移不变高密度小波包变换的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010392762.6A CN111521396B (zh) 2020-05-11 2020-05-11 基于平移不变高密度小波包变换的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN111521396A true CN111521396A (zh) 2020-08-11
CN111521396B CN111521396B (zh) 2021-09-24

Family

ID=71908802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010392762.6A Active CN111521396B (zh) 2020-05-11 2020-05-11 基于平移不变高密度小波包变换的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111521396B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112595514A (zh) * 2020-11-26 2021-04-02 上海航天控制技术研究所 一种高速轴承组件振动信号降噪处理方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002089305A1 (en) * 2001-05-01 2002-11-07 Square D Company Motor bearing damage detection via wavelet analysis of the starting current transient
US20090185733A1 (en) * 2007-11-23 2009-07-23 General Electric Company Method and Apparatus for Processing Digital Mammographic Images
CN101779464A (zh) * 2007-06-08 2010-07-14 汤姆森特许公司 多格点基于稀疏性滤波基础上环内去伪像滤波方法和装置
CN107505127A (zh) * 2017-08-14 2017-12-22 西南交通大学 一种列车万向轴动不平衡特征谱线提取方法
CN108985188A (zh) * 2018-06-28 2018-12-11 哈尔滨工程大学 一种基于多次喷射条件下分析燃烧噪声的信号处理方法
CN109145706A (zh) * 2018-06-19 2019-01-04 徐州医科大学 一种用于振动信号分析的敏感特征选取与降维方法
CN208579937U (zh) * 2018-08-31 2019-03-05 大连柏盛源科技有限公司 一种高铁动车组车载轴箱振动监测系统
CN109916627A (zh) * 2019-03-27 2019-06-21 西南石油大学 基于主动学习的轴承故障检测与诊断
CN110057586A (zh) * 2019-04-25 2019-07-26 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002089305A1 (en) * 2001-05-01 2002-11-07 Square D Company Motor bearing damage detection via wavelet analysis of the starting current transient
CN101779464A (zh) * 2007-06-08 2010-07-14 汤姆森特许公司 多格点基于稀疏性滤波基础上环内去伪像滤波方法和装置
US20090185733A1 (en) * 2007-11-23 2009-07-23 General Electric Company Method and Apparatus for Processing Digital Mammographic Images
CN107505127A (zh) * 2017-08-14 2017-12-22 西南交通大学 一种列车万向轴动不平衡特征谱线提取方法
CN109145706A (zh) * 2018-06-19 2019-01-04 徐州医科大学 一种用于振动信号分析的敏感特征选取与降维方法
CN108985188A (zh) * 2018-06-28 2018-12-11 哈尔滨工程大学 一种基于多次喷射条件下分析燃烧噪声的信号处理方法
CN208579937U (zh) * 2018-08-31 2019-03-05 大连柏盛源科技有限公司 一种高铁动车组车载轴箱振动监测系统
CN109916627A (zh) * 2019-03-27 2019-06-21 西南石油大学 基于主动学习的轴承故障检测与诊断
CN110057586A (zh) * 2019-04-25 2019-07-26 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
G TANG: "Fault diagnosis for rolling bearing based on improved enhanced kurtogram method", 《IEEE》 *
华伟: "基于多小波变换的矿用齿轮箱故障诊断研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *
秦毅 等: "高密度小波变换在滚动轴承复合故障诊断中的应用", 《重庆大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112595514A (zh) * 2020-11-26 2021-04-02 上海航天控制技术研究所 一种高速轴承组件振动信号降噪处理方法

Also Published As

Publication number Publication date
CN111521396B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
Li et al. A bearing fault diagnosis method based on enhanced singular value decomposition
CN109883706B (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
Li et al. Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology
Hao et al. Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings
CN110426569B (zh) 一种变压器声信号降噪处理方法
Yu et al. Sparse coding shrinkage in intrinsic time-scale decomposition for weak fault feature extraction of bearings
CN112557038A (zh) 多重降噪处理的轴承早期故障诊断方法
Chebil et al. Wavelet decomposition for the detection and diagnosis of faults in rolling element bearings
CN111141520A (zh) 一种基于改进经验小波变换的滚动轴承故障诊断方法
CN115730199B (zh) 一种滚动轴承振动信号降噪和故障特征提取方法和系统
Bing et al. DeepCEDNet: an efficient deep convolutional encoder-decoder networks for ECG signal enhancement
CN113375939A (zh) 基于svd和vmd的机械件故障诊断方法
CN106908663A (zh) 一种基于小波变换的电动汽车充电谐波辨识方法
CN110909827A (zh) 一种适用于风机叶片声音信号的降噪方法
Fong et al. Mean shift clustering-based analysis of nonstationary vibration signals for machinery diagnostics
CN111521396B (zh) 基于平移不变高密度小波包变换的轴承故障诊断方法
Zheng et al. Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement
Sharma EEG signal denoising based on wavelet transform
Zhang et al. An adaptive graph morlet wavelet transform for railway wayside acoustic detection
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
CN110531420A (zh) 一种地震数据中工业干扰噪声无损分离方法
CN114486263A (zh) 一种旋转机械滚动轴承振动信号降噪解调方法
CN117571316A (zh) 一种复合故障诊断方法及系统
Wang et al. Multidimensional blind deconvolution method based on cross-sparse filtering for weak fault diagnosis
CN106872587A (zh) 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法

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