CN111611943A - 一种基于声音分析的齿轮分类方法 - Google Patents
一种基于声音分析的齿轮分类方法 Download PDFInfo
- Publication number
- CN111611943A CN111611943A CN202010445371.6A CN202010445371A CN111611943A CN 111611943 A CN111611943 A CN 111611943A CN 202010445371 A CN202010445371 A CN 202010445371A CN 111611943 A CN111611943 A CN 111611943A
- Authority
- CN
- China
- Prior art keywords
- gear
- order
- signal
- analysis
- formula
- 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 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 238000012952 Resampling Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000001360 synchronised effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 23
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010183 spectrum analysis 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
- G06F2218/12—Classification; Matching
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Abstract
一种基于声音分析的齿轮分类方法,属于齿轮分析和评价技术领域;本发明包括如下步骤:S1、采集齿轮转动过程中的振动信号和转速信号;S2、对齿轮的振动信号和转速信号进行等角度重采样,生成所述振动信号的同步采样信号;S3、对所述重采样数据进行阶次分析,得到阶次分析数据;S4、对所述阶次分析数据采用基于支持向量机算法构建齿轮分级模型,进而实现齿轮的等级划分;本发明能够快速的对齿轮的等级做出区分。
Description
技术领域
本发明涉及齿轮检测与评价领域,特别是涉及一种基于声音分析的齿轮分类方法。
背景技术
在现代齿轮加工中,齿轮噪声控制已经成为一个重要的质量控制环节,齿轮噪声的强弱能反映出齿轮的承载能力、安全系数和齿轮的工作寿命,齿轮的质量直接影响着机械设备的质量。
在如今的工业应用中,齿轮噪声检测与分析的方法有很多种,阶次分析通过对信号进行等角度采样,可以很好的分析与转速相关的声音信号,但是缺少一种快速的对齿轮的等级做出区分的方法。支持向量机(SVM)算法是基于小样本的学习技术,且该技术具有分类精度高、结构简单和推广能力强的优点。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于声音分析的齿轮分类方法,采用基于支持向量机算法对齿轮阶次分析的数据进行分析分类从而对齿轮等级进行划分。
为实现上述目的及其他相关目的,本发明提供一种基于声音分析的齿轮分类方法,包括如下步骤:
S1、采集齿轮转动过程中的振动信号和转速信号;
S2、确定每个周期的采样点数,对齿轮的振动信号进行等角度重采样,生成所述振动信号的同步采样信号;
S3、对所述重采样数据进行阶次分析,得到阶次分析数据;
S4、对所述阶次分析数据采用基于支持向量机算法构建齿轮分级模型,进而实现齿轮的等级划分。
进一步的,S2所述等角度重采样方法包括:
S21、对所述振动信号和转速信号分别进行等时间间隔时域采样,得到振动信号的异步采样信号和转速信号的异步采样信号;
S22、我们假定参考轴以恒定角加速度运行,在这个前提下根据S21得到转速信号的异步采样信号
来确定恒定角增量,从而求出所对应的采样点的个数;
S23、根据S22求得的采样点的个数对S21所得到振动信号的异步采样信号数据进行插值,求出对应的幅值实现重采样,生成所述振动信号的同步采样信号,即角域平稳信号。
更进一步的,步骤S22具体包括:
S221、根据式(1)获取齿轮转轴的转角θ:
θ(t)=b0+b1t+b2t2 (1);
式中b0、b1、b2均为待定系数;
S222、在时域中设置一个键相脉冲对应的轴转角增量Δβ,拟合三个连续的键相脉冲到达时间t1、t2、t3,得到:
将式(2)式带入式(1)式可得:
将三个到达的脉冲时间点t1、t2、t3代入(3)式,得到待定系数b0、b1、b2的值;
S223、将得到的所述待定系数b0、b1、b2的值代入式(1)则得到恒定角增量Δθ所对应的时间t,即:
通过公式(4)可以求出重采样的时间序列,从而得到采样点的个数。
更进一步的,式(4)中的k为插值系数,其由下式决定:
θ=kΔθ (5)。
进一步的,S3所述阶次分析方法包括:
S31、对S2生成的振动信号的同步采样信号进行傅里叶变换,得到阶次谱;
S32、根据所述阶次谱得到阶次切片图数据。
更进一步的,所述阶次切片数据通获取方法为:
j表示阶次,s表示转速,b为半个阶次的宽度,x代表阶次谱数据,Orderjs表示在转速s下的j阶阶次成分。
进一步的,S4具体包括如下步骤:
S41、选择核函数;
S42、使用交叉验证方法找出最佳参数和;
S43、利用所述最佳参数和训练,得到齿轮评价模型。
更进一步的,交叉验证过程中所采用的训练样本为已知不同等级的齿轮的阶次分析数据。
如上所述,本发明的一种基于声音分析的齿轮分类方法,具有如下有益效果:
1、本申请通过对齿轮转动过程中的振动信号和转速信号进行处理得到阶次分析数据,将阶次分析数据输入支持向量机模型中,实现齿轮的等级划分;
2、本申请对齿轮质量进行自动化精确甄别,提高生产效率。
附图说明
图1为齿轮噪声分析及评价方法的流程图;
图2为阶次分析的瀑布图;
图3为阶次分析的切片图;
图4为齿轮噪声分析及评价方法的测试数据对比图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,显示为本发明具体实施例的整体流程示意图。本发明提供一种基于声音分析的齿轮分类方法,包括如下步骤:
S1、采集齿轮转动过程中的振动信号和转速信号;
S2、确定每个周期的采样点数,对齿轮的振动信号进行等角度重采样,生成所述振动信号的同步采样信号;
具体的等角度重采样方法包括:
S21、对所述振动信号和转速信号分别进行等时间间隔时域采样,得到振动信号的异步采样信号和转速信号的异步采样信号;
S22、我们假定参考轴以恒定角加速度运行,在这个前提下根据S21得到的转速信号异步采样信号0来确定恒定角增量,从而求出所对应的采样点的个数;
更进一0步的,S22具体包括:
S221、为0了获得等角度采样点的个数,首先要确定重采样的时间间隔,通常假设轴的转速为匀加速运动,轴的转角θ可通过下式来求出:
θ(t)=b0+b1t+b2t2 (1);
公式中的,b0、b1、b2为待定系数。
S222、在时域中设置一个键相脉冲对应的轴转角增量Δβ,式(1)中的待定系数b0、b1、b2可以通过拟合三个连续的键相脉冲到达时间t1、t2、t3得到,即
将式(2)式带入式(1)式可得:
S223、将三个到达的脉冲时间点t1、t2、t3代入(3)式,可以求出b0、b1、b2的值,并代入式(1)则可求出恒定角增量Δθ所对应的时间t,即:
通过公式(4)可以求出重采样的时间序列,从而得到采样点的个数。
公式中的k为插值系数,其由下式决定:
θ=kΔθ (5);
S23、根据S22求得的采样点的个数对S21所得到振动信号的异步采样信号数据进行插值,求出对应的幅值实现重采样,生成所述振动信号的同步采样信号,即角域平稳信号。
S3、对所述重采样数据进行阶次分析,得到阶次分析数据。阶次分析是一个将频谱及时间历程与旋转部件的RPM关联起来的工具,是用于分析旋转运动部件特征的重要方法,用等角度间隔采样将非平稳信号转化为不受其影响的平稳信号,结合传统的频谱分析实现对旋转部件的特征分析,用该方法对齿轮声音进行分析,能够充分体现齿轮作为一个旋转部件的特征,可以用作齿轮分类的依据;
具体的,包括如下步骤:
S31、对S2生成的振动信号的同步采样信号进行傅里叶变换,得到阶次谱;
S32、根据所述阶次谱得到阶次切片图数据;
更进一步的,所述阶次切片数据通获取方法为:
j表示阶次,s表示转速,b为半个阶次的宽度,x代表阶次谱数据,Orderjs表示在转速s下的j阶阶次成分。
S4、对所述阶次分析数据采用基于支持向量机算法构建齿轮分级模型,进而实现齿轮的等级划分,具体包括如下步骤:
S41、选择核函数;
本实施例选取的是高斯核函数,由于高斯核无论大样本还是小样本都有比较好的性能,并且相对多项式函数参数较少,其公式为:
式中:xP为输入向量(样本集);Ci为第i个高斯核函数的中心;h为隐含层神经元的个数;||xP-Ci||2为输入向量到Ci的欧氏距离,Ri(x)在Ci出服从高斯分布;σi是第i个基函数中心的宽度,其采用最小二乘损失函数表示为:
S42、使用交叉验证方法得到最佳参数,具体的实现过程为:将训练样本集随机分为n个集合,这里采用的是均分,将每个子集合数据分别做一次验证集,其余的n-1组子集合数据作为训练集,这样就会得到n个模型,用这n个模型最终的验证集的分类准确率的平均数做为此分类器的性能指标,所述n的取值一般大于等于2,使用该交叉验证的方式有效的避免过学习以及欠学习状态的发生,本实例选取的n为10,确保了分类器的准确性。
S43、根据上述步骤得到基于SVM算法的齿轮评价模型,将训练得到的模型用于测试齿轮的等级。
将经过步骤S1至步骤S3得到已知齿轮精度的阶次切片数据,与按照下述评价标准做出的评分作为样本的训练数据,分别取不同齿轮的阶次切片数据与其评分作为样本的训练集,训练集中包含所有的等级的评分情况,以保证训练出来的评价模型的准确性。
本实施例将同等工艺等级的齿轮采用百分制的评分标准总共分为10个等级,评分50分以下为在该工艺等级下齿轮的噪声较大,50分以上的按照每5分一个等级进行划分,50到55分为10级(包含50分),55到60分为9级(包含55分),以此类推共划分为10个等级。
本实施例所述等级的划分评价方法将主观评价与客观心里声学评价的综合评价作为等级划分的理论依据,所述主观评价的具体过程为:
S431、获得噪声样本去除带评价声音样本中品质较差的部分并且选定评价人员与环境。评价人员选择无听力障碍的普通人。
S432、根据客观参量的主观感受拟定评价者普遍接受的语义词,作为主管评价语义对,语义对为评价者与评价者所选的语义次组成一个语义对,选择带有极端分值样本的参考语义细分法进行主观评价实验。
S433、计算各评价结果间的相关系数,剔除与其他评价者评价结果相关系数较低的评价者,并计算提出后剩余评价结果的算术平均值,作为该语义对的评价结果,并且对所有训练样本集评价结果按照百分制进行打分。
所述客观心里声学评价具体步骤为:
S434、计算响度:Zwicker模型通过计算每个临界频带特征响度进而求得总响度值,具体计算公式为:
式中ETQ为安静听阈激励级;E0是参考声强卫I0=10-12W/m2时的激励级,N0为参考特征响度,当其值为0.08时,s=0.05,K=0.23;当其值为0.0635时,s=0.25,K=0.25.激励级E为经过外中二传递的特征频带声压级。
对特征响度在整个特征频带域内积分,得到总响度N。
S435、计算粗糙度与抖动度,粗糙度R为:
抖动度F为:
其中F为抖动度,fmod和ΔLE(z)的含义与粗糙度计算公式中相同,f0为调制基频。
将所有的训练样本集按照上述客观心里声学指标按照百分制进行打分评定。
S436、将主观评价与客观心里声学评价的综合评分取均值作为最后的评价分数,把此分数作为齿轮等级划分的依据。
如图4所示为已知齿轮按照上述等级划分标准的评分与相同齿轮采用本申请的等级评价模型给出的测试数据评分结果对比示意图,采用的训练样本集为200个,将样本随机分为10个集合,按照图1所述步骤得到基于SVM算法的齿轮评价模型,对齿轮进行测试,随机取了20个数据进行测试得到如图4,从图4中可以看出测试齿轮评分与标准齿轮评分差别不大,满足齿轮等级评价要求,有效的验证了本发明所提供的方法。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种基于声音分析的齿轮分类方法,其特征在于,包括如下步骤:
S1、采集齿轮转动过程中的振动信号和转速信号;
S2、确定每个周期的采样点数,对齿轮的振动信号进行等角度重采样,生成所述振动信号的同步采样信号;
S3、对所述重采样数据进行阶次分析,得到阶次分析数据;
S4、对所述阶次分析数据采用基于支持向量机算法构建齿轮分级模型,进而实现齿轮的等级划分。
2.根据权利要求1所述一种基于声音分析的齿轮分类方法,其特征在于,S2所述等角度重采样方法包括:
S21、对所述振动信号和转速信号分别进行等时间间隔时域采样,得到振动信号的异步采样信号和转速信号的异步采样信号;
S22、根据S21得到的转速信号来确定恒定角增量,从而求出所对应的采样点的个数;
S23、根据S22求得的采样点的个数对S21所得到振动信号的异步采样信号数据进行插值,求出对应的幅值实现重采样,生成所述振动信号的同步采样信号,即角域平稳信号。
3.根据权利要求2所述一种基于声音分析的齿轮分类方法,其特征在于,步骤S22具体包括:
S221、根据式(1)获取齿轮转轴的转角θ:
θ(t)=b0+b1t+b2t2 (1);
式中b0、b1、b2均为待定系数;
S222、在时域中设置一个键相脉冲对应的轴转角增量Δβ,拟合三个连续的键相脉冲到达时间t1、t2、t3,得到:
将式(2)式带入式(1)式可得:
将三个到达的脉冲时间点t1、t2、t3代入(3)式,得到待定系数b0、b1、b2的值;
S223、将得到的所述待定系数b0、b1、b2的值代入式(1)则得到恒定角增量Δθ所对应的时间t,即:
通过公式(4)可以求出重采样的时间序列,从而得到采样点的个数。
4.根据权利要求3所述一种基于声音分析的齿轮分类方法,其特征在于,式(4)中的k为插值系数,其由下式决定:
θ=kΔθ (5)。
5.根据权利要求1所述一种基于声音分析的齿轮分类方法,其特征在于,S3所述阶次分析方法包括:
S31、对S2生成的振动信号的同步采样信号进行傅里叶变换,得到阶次谱;
S32、根据所述阶次谱得到阶次切片图数据。
7.根据权利要求1所述一种基于声音分析的齿轮分类方法,其特征在于,S4具体包括如下步骤:
S41、选择核函数;
S42、使用交叉验证方法找出最佳参数和;
S43、利用所述最佳参数和训练,得到齿轮评价模型。
8.根据权利要求7所述一种基于声音分析的齿轮分类方法,其特征在于,交叉验证过程中所采用的训练样本为已知不同等级的齿轮的阶次分析数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445371.6A CN111611943A (zh) | 2020-05-24 | 2020-05-24 | 一种基于声音分析的齿轮分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010445371.6A CN111611943A (zh) | 2020-05-24 | 2020-05-24 | 一种基于声音分析的齿轮分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111611943A true CN111611943A (zh) | 2020-09-01 |
Family
ID=72200778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010445371.6A Pending CN111611943A (zh) | 2020-05-24 | 2020-05-24 | 一种基于声音分析的齿轮分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611943A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112461538A (zh) * | 2020-11-02 | 2021-03-09 | 伯朗特机器人股份有限公司 | 齿轮噪音评估方法 |
CN113588260A (zh) * | 2021-08-24 | 2021-11-02 | 哈尔滨理工大学 | 一种电动汽车齿轮噪声信号检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175439A (zh) * | 2011-01-25 | 2011-09-07 | 上海交通大学 | 针对旋转机械的阶次分析实现方法 |
US20120029838A1 (en) * | 2010-07-30 | 2012-02-02 | General Electric Company | System and method for monitoring a wind turbine gearbox |
CN103884502A (zh) * | 2014-04-02 | 2014-06-25 | 清华大学 | 一种变转速下风力发电机行星齿轮系统故障诊断方法 |
CN107360147A (zh) * | 2017-07-03 | 2017-11-17 | 武汉理工大学 | 基于topsis和云模型的公有云可信度评估方法及系统 |
CN107895232A (zh) * | 2017-11-07 | 2018-04-10 | 博康智能信息技术有限公司 | 一种消防队灭火救灾效能评估方法 |
CN109447442A (zh) * | 2018-10-18 | 2019-03-08 | 国网浙江省电力有限公司 | 一种市场环境下考虑不同用户需求的售电企业供电质量动态评估方法 |
-
2020
- 2020-05-24 CN CN202010445371.6A patent/CN111611943A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029838A1 (en) * | 2010-07-30 | 2012-02-02 | General Electric Company | System and method for monitoring a wind turbine gearbox |
CN102175439A (zh) * | 2011-01-25 | 2011-09-07 | 上海交通大学 | 针对旋转机械的阶次分析实现方法 |
CN103884502A (zh) * | 2014-04-02 | 2014-06-25 | 清华大学 | 一种变转速下风力发电机行星齿轮系统故障诊断方法 |
CN107360147A (zh) * | 2017-07-03 | 2017-11-17 | 武汉理工大学 | 基于topsis和云模型的公有云可信度评估方法及系统 |
CN107895232A (zh) * | 2017-11-07 | 2018-04-10 | 博康智能信息技术有限公司 | 一种消防队灭火救灾效能评估方法 |
CN109447442A (zh) * | 2018-10-18 | 2019-03-08 | 国网浙江省电力有限公司 | 一种市场环境下考虑不同用户需求的售电企业供电质量动态评估方法 |
Non-Patent Citations (4)
Title |
---|
博主微信:LINMUE: "阶次切片和Overall Level", 《HTTP://MODALSPACE.BLOG.SOHU.COM/303212911.HTML》 * |
张福来: "基于ROMAX的机车牵引齿轮传动系统动力学分析", 《中国优秀硕士学位论文全文数据库工程科技II辑(月刊)》 * |
张翔: "基于阶次分析的风机齿轮箱振动信号分析与故障诊断", 《中国优秀硕士学位论文全文数据库工程科技II辑(月刊)》 * |
徐宇东: "轿车变速箱齿轮噪声与制造误差关系的作用机理分析和试验研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112461538A (zh) * | 2020-11-02 | 2021-03-09 | 伯朗特机器人股份有限公司 | 齿轮噪音评估方法 |
CN112461538B (zh) * | 2020-11-02 | 2022-08-30 | 伯朗特机器人股份有限公司 | 齿轮噪音评估方法 |
CN113588260A (zh) * | 2021-08-24 | 2021-11-02 | 哈尔滨理工大学 | 一种电动汽车齿轮噪声信号检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111037365B (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
Wang et al. | Fuzzy diagnosis method for rotating machinery in variable rotating speed | |
Hao et al. | Application of support vector machine based on pattern spectrum entropy in fault diagnostics of rolling element bearings | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN106778694A (zh) | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 | |
CN110795843B (zh) | 一种识别滚动轴承故障的方法及装置 | |
CN111611943A (zh) | 一种基于声音分析的齿轮分类方法 | |
Eronen et al. | Music Tempo Estimation With $ k $-NN Regression | |
CN114346761B (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
Kannan et al. | Demodulation band optimization in envelope analysis for fault diagnosis of rolling element bearings using a real-coded genetic algorithm | |
Jie et al. | Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis | |
CN111736222A (zh) | 单炮数据信噪比确定方法及装置 | |
Zhao et al. | Rolling bearing fault feature extraction based on adaptive tunable Q-factor wavelet transform and spectral kurtosis | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
CN105352726A (zh) | 一种齿轮的故障诊断方法 | |
CN103852525A (zh) | 基于ar-hmm的声发射信号识别方法 | |
JP3885297B2 (ja) | 異音判定装置及び異音判定方法 | |
Li et al. | EMD-TEO based speech emotion recognition | |
Ding et al. | A fault feature extraction method of motor bearing using improved LCD | |
Li et al. | An improved multi-ridge extraction method based on differential synchro-squeezing wavelet transform | |
Sharma et al. | An approach for condition monitoring of a turning tool | |
Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
Yan et al. | A chaotic feature extraction based on SMMF and CMMFD for early fault diagnosis of rolling bearing |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |