CN111652031A - 一种基于改进经验小波变换的滚动轴承故障诊断方法 - Google Patents

一种基于改进经验小波变换的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN111652031A
CN111652031A CN201911210465.9A CN201911210465A CN111652031A CN 111652031 A CN111652031 A CN 111652031A CN 201911210465 A CN201911210465 A CN 201911210465A CN 111652031 A CN111652031 A CN 111652031A
Authority
CN
China
Prior art keywords
spectrum
rolling bearing
trend
fault diagnosis
frequency
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
Application number
CN201911210465.9A
Other languages
English (en)
Inventor
尹鹏
姜迪
吴建德
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201911210465.9A priority Critical patent/CN111652031A/zh
Publication of CN111652031A publication Critical patent/CN111652031A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06F2218/08—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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于机械设备故障诊断领域，具体涉及一种基于改进经验小波变换的滚动轴承故障诊断方法。本发明使用傅里叶变换及反变换计算信号频谱的趋势谱；使用小波折中阈值函数去噪方法，对趋势谱进行优化；根据优化后的趋势谱建立滤波带，使用经验小波变换方法分解振动信号，求得经验模态分量。所述频域特征提取包括：使用峭度‑相关系数准则选取、重构特征分量；计算特征分量的频谱包络；使用最小熵解卷积方法处理包络谱，突出频域特征；匹配频谱分析结果与理论特征频率。本发明能够获得更为理想的信号分解结果，突出滚动轴承的故障特征频率，有效提高了滚动轴承故障诊断的可靠性。

Description

一种基于改进经验小波变换的滚动轴承故障诊断方法
技术领域
本发明属于机械设备故障诊断领域，具体涉及一种基于改进经验小波变换的滚动轴承故 障诊断方法。
背景技术
滚动轴承被广泛应用于不同的旋转机械中，是机械设备中的关键零部件，也是易损部件。 在滚动轴承故障的初期，其振动信号中存在周期性的冲击成分，但由于故障特征微弱，噪声 干扰较多，故障特征不易提取。因此，滚动轴承故障特征的准确、有效提取是相关研究的重 点和难点。
经验小波变换(Empirical wavelet transform，EWT)是一种小波理论背景下的信号分析方 法，其将小波分析的完备理论和经验模态分解(Empirical ModeDecomposition，EMD)的适 应性相结合，解决了EMD背景下的模态混叠、虚假分量等问题，具有较高的运算效率。机 械设备的故障诊断是EWT的一个主要应用方面，EWT的相对优势在应用中得到了体现。
在EWT的应用与研究中发现，EWT分解结果理想与否的关键之一是合理划分频谱，而 待分析信号中存在的干扰成分经常导致EWT的频谱划分不合理。基本的EWT方法以相邻极 大值之间的中点确定边界位置，并通过阈值法计算边界数目。这种方法能够根据信号的频域 特性确定边界，但容易受到噪声等干扰项的影响。对于受噪声干扰的信号，其频谱中会出现 额外的极大值，从而导致频谱划分的不合理，进而造成无效分量和模态混叠。
发明内容
本发明要解决的技术问题是针对基本EWT方法存在的不足，以及快速经验小波变换 (FEWT)中使用软阈值函数造成的频谱划分不合理的问题，提出了一种基于折中阈值函数 的改进的快速经验小波变换方法。该方法能够获得更理想的信号分解结果，且能够突出滚动 轴承的故障特征频率，提高了滚动轴承故障诊断的可靠性。
本发明的技术方案是：首先，使用傅里叶变换及反变换计算信号频谱的趋势谱，并使用 小波折中阈值函数去噪方法对趋势谱进行优化；然后，根据优化后的趋势谱建立滤波带，融 合峭度准则和相关系数分量选取原则，完成EWT经验模态分量的重构和特征分量的筛选， 并对重构信号进行最小熵解卷积，进而计算频谱特征频率；最后，通过理论特征频率的匹配， 完成滚动轴承的故障诊断。
以下对本发明作进一步的说明，包括如下步骤。
Step1：对时域信号使用FFT，得到频谱Y(f)；对Y(f)再次使用FFT，得到键函数(KeyFunction)，记为K(f)。
Step2：在K(f)上取一点B，对K(f)的前B个点使用反FFT，得到Y(f)的初步趋势谱T0 (f)。 趋势谱的复杂程度与B的取值有直接关系，B值越大，趋势谱的复杂程度越高。B值的选取 需要考虑到待分析信号的特性，根据已发表论文(Xu Y,Zhang K,Ma C,et al.AnImproved Empirical Wavelet Transform and Its Applications in Rolling BearingFault Diagnosis[J].Applied Sciences,2018,8(12):2352,1-25.)可知，对于滚动轴承的振动信号，B的一个合理取值范围为 [10,60]。
Step3：对T0(f)进行基于折中阈值函数的小波阈值去噪，得到趋势谱TC(f)，以去噪后TC(f) 的极小值点为边界划分频谱。折中阈值函数的形式在相关文献(徐晨,赵瑞珍,甘小冰.小波 分析·应用算法[M].科学出版社,2004,108)中进行了说明。
Step4：根据频谱划分结果，完成原始振动信号的EWT分解，获得经验模态分量。
Step5：融合峭度准则和相关系数分量选取原则，取峭度大于3且相关系数大于0.4的分 量作为有效分量，进行重构，获得重构待处理信号x_new(t)。
Step6：为进一步突出冲击成分，引入MED对重构信号进行处理，获得高峭度值的信号 分量x_newmed(t)。
Step7：计算x_newmed(t)的傅里叶频谱，根据频谱主导特征频率与理论计算特征频率的对 比分析，判断轴承的故障类型。
本发明的有益效果是：本发明能够获得更为理想的信号分解结果，突出滚动轴承的故障 特征频率，有效提高了滚动轴承故障诊断的可靠性。
附图说明
图1是本发明内圈故障振动信号的趋势谱示意图；
图2是本发明外圈故障振动信号的趋势谱示意图；
图3是本发明内圈故障振动信号的频谱划分结果；
图4是本发明外圈故障振动信号的频谱划分结果；
图5是本发明改进FEWT分解所得内圈故障振动信号经验模态分量；
图6是本发明改进FEWT分解所得外圈故障振动信号经验模态分量；
图7是本发明内圈特征分量的包络频谱；
图8是本发明外圈特征分量的包络频谱；
图9是本发明的步骤流程图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
Step1：时域信号的选用与处理。分析滚动轴承的故障振动信号，选用美国凯斯西储大学 (CWRU)轴承数据中心的故障数据。选取的内圈数据文件编号为105，其故障位置在外圈6 点钟位置，故障部分直径为0.1778mm，深度为0.2794mm。数据采集时的转速为1797rpm， 采样频率为12KHz。另取故障部分直径、深度相同，转速与采样频率相等的编号为130的外 圈数据文件用于分析，信号分析时均取数据的前4096个点。分析外圈信号时，加入信噪比为 3dB的高斯白噪声。
Step2：信号频谱的初步趋势谱的计算。对时域信号进行FFT，得到其频谱；对频谱进行 FFT，得到键函数；取键函数的前B个点，使用反FFT处理，得到频谱的初步趋势谱。根据傅里叶变换相关知识，键函数是原时域信号关于纵轴的对称变换。初步趋势谱的求取过程是 一个低通滤波过程，对于内圈信号，B＝30；对于外圈信号，B＝45。
Step3：趋势谱的小波阈值去噪优化。对初步的趋势谱进行小波阈值去噪的目的是平滑趋 势谱曲线，减少划分边界的数量。小波阈值去噪过程中使用一种软、硬折中阈值函数。对于 内、外圈信号，小波阈值去噪时均使用db4小波为基函数，求得阈值分别为0.0013和0.0189； 折中阈值函数参数均取α＝0.5。图1、图2分别为内、外圈的趋势谱示意图，由于趋势谱幅值 较小，图上的趋势谱是按一定倍数放大并沿纵轴平移后的结果。可以看出，趋势谱能够较好 地反映信号频谱的变化趋势。
Step4：频谱划分与时域信号分解。频谱划分过程由趋势谱确定，划分边界为Step3中求 得趋势谱的极小值点。图3、图4分别为内、外圈故障振动信号的频谱划分结果；根据频谱 划分结果，对信号使用经验小波变换进行分解，分解得到的经验模态分量如图5、图6，使用 经验小波变换的处理过程是参考已发表论文(Gilles J.Empirical WaveletTransform[J].IEEE Transactions on Signal Processing,2013,61(16):3999--4010.)所述过程进行的。
Step5：特征分量的选取与重构。对于特征分量的选取，其依据是经验模态分量的峭度值以及分量与原信号的Pearson相关系数。首先计算所有分量的峭度，取其中峭度 值大于3者；然后计算这些分量与故障振动信号的Pearson相关系数，取其中相关系 数>0.4者作为有效分量；对所有的有效分量求和，即得到故障特征分量。在本实施方
Step6：频域特征提取与故障类型确定。为突出特征分量中的冲击成分，对特征分量使用 MED处理。特征分量经MED处理后，其峭度值明显增大。实验表明，对于滚动轴承故障的 振动信号，特征分量峭度值的最大峭度值通常在MED迭代次数为10次左右时取得。对处理 后的特征分量进行包络频谱，内、外圈特征分量的包络频谱如图7、图8所示。滚动轴承内、 外圈故障频率的理论计算值分别为162.1582Hz和107.3Hz；实验结果中，内、外圈特征频率 分别为161.1Hz和105.5Hz，实验结果与理论值之间的误差较小，故障类型可由实验结果确定。 以上实验结果表明了本发明在特征提取过程中有效性，具有一定的实际应用价值。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方 式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出 各种变化。

Claims (3)

1.一种基于改进经验小波变换的滚动轴承故障诊断方法，其特征在于：包括振动信号分解和频域特征提取两部分；
所述振动信号分解步骤如下：
Step1-1：计算时域振动信号频谱，通过傅里叶变换及傅里叶反变换计算振动信号频谱的趋势谱；
Step1-2：对于1-1中求得的趋势谱，使用小波折中阈值去噪方法对趋势谱进行优化；
Step1-3：对于1-2中所得优化后的趋势谱，取其极小值建立滤波边界，使用经验小波变换分解时域信号并重构，得到经验模态分量；
所述频域特征提取步骤如下：
Step2-1：根据选取准则，选取并重构特征分量；
Step2-2：对2-1中所求得特征分量求包络谱，并使用最小熵解卷积处理；
Step2-3：对2-2中处理后的包络谱进行频谱分析，比较分析结果与故障特征频率理论值。
2.根据权利要求1所述的基于改进经验小波变换的滚动轴承故障诊断方法，其特征在于，所述Step1-2中的小波折中阈值去噪方法为：以sqtwolog法为阈值确定方法，以软、硬折中阈值函数为去噪所用的阈值函数。
3.根据权利要求1所述的基于改进经验小波变换的滚动轴承故障诊断方法，其特征在于，所述Step2-1中的选取准则为：计算所有经验模态分量的峭度值，取其中峭度值大于3的经验模态分量计算Pearson相关系数，取其中Pearson相关系数绝对值大于0.4者。
CN201911210465.9A 2019-12-02 2019-12-02 一种基于改进经验小波变换的滚动轴承故障诊断方法 Pending CN111652031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911210465.9A CN111652031A (zh) 2019-12-02 2019-12-02 一种基于改进经验小波变换的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911210465.9A CN111652031A (zh) 2019-12-02 2019-12-02 一种基于改进经验小波变换的滚动轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN111652031A true CN111652031A (zh) 2020-09-11

Family

ID=72349184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911210465.9A Pending CN111652031A (zh) 2019-12-02 2019-12-02 一种基于改进经验小波变换的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111652031A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101245A (zh) * 2020-09-18 2020-12-18 丽水市特种设备检测院 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN112183400A (zh) * 2020-09-30 2021-01-05 福州大学 一种新型的配电变压器潜伏性故障特征提取方法及系统
CN112665857A (zh) * 2020-12-18 2021-04-16 中车永济电机有限公司 滚动轴承故障诊断方法、装置、设备及存储介质
CN113049252A (zh) * 2021-03-25 2021-06-29 成都天佑路航轨道交通科技有限公司 一种列车轴承箱的故障检测方法
CN113537102A (zh) * 2021-07-22 2021-10-22 深圳智微电子科技有限公司 一种微震信号的特征提取方法
CN113702042A (zh) * 2021-07-14 2021-11-26 西南交通大学 基于一种增强最小熵解卷积的机械故障诊断方法及系统
CN113780056A (zh) * 2021-07-22 2021-12-10 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN114486256A (zh) * 2021-08-22 2022-05-13 北京燃气绿源达清洁燃料有限公司 一种cng压缩机滚动轴承故障特征提取方法
CN116242612A (zh) * 2023-01-09 2023-06-09 广东海洋大学 一种故障诊断方法、装置、介质及设备

Citations (11)

* 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
CN101726413A (zh) * 2009-12-18 2010-06-09 北京工业大学 通过综合分析对炼钢转炉耳轴轴承进行故障诊断的方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN103901474A (zh) * 2014-04-18 2014-07-02 成都新核中创信息科技有限公司 一种基于折中小波阈值分析的微地震弱信号提取方法
CN107631877A (zh) * 2017-08-11 2018-01-26 南京航空航天大学 一种针对机匣振动信号的滚动轴承故障协同诊断方法
CN108375472A (zh) * 2018-02-12 2018-08-07 武汉科技大学 基于改进经验小波变换的轴承故障诊断方法及系统装置
CN108458871A (zh) * 2017-12-22 2018-08-28 浙江工业大学 一种基于改进经验小波变换的齿轮箱故障识别方法
CN109187024A (zh) * 2018-09-04 2019-01-11 温州大学激光与光电智能制造研究院 一种活塞式空压机曲轴箱滚动轴承故障诊断方法
CN109211568A (zh) * 2018-09-19 2019-01-15 四川大学 基于条件经验小波变换的滚动轴承故障诊断方法
CN109827777A (zh) * 2019-04-01 2019-05-31 哈尔滨理工大学 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
CN110501631A (zh) * 2019-08-19 2019-11-26 重庆大学 一种在线间歇故障检测与诊断方法

Patent Citations (11)

* 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
CN101726413A (zh) * 2009-12-18 2010-06-09 北京工业大学 通过综合分析对炼钢转炉耳轴轴承进行故障诊断的方法
CN103868690A (zh) * 2014-02-28 2014-06-18 中国人民解放军63680部队 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN103901474A (zh) * 2014-04-18 2014-07-02 成都新核中创信息科技有限公司 一种基于折中小波阈值分析的微地震弱信号提取方法
CN107631877A (zh) * 2017-08-11 2018-01-26 南京航空航天大学 一种针对机匣振动信号的滚动轴承故障协同诊断方法
CN108458871A (zh) * 2017-12-22 2018-08-28 浙江工业大学 一种基于改进经验小波变换的齿轮箱故障识别方法
CN108375472A (zh) * 2018-02-12 2018-08-07 武汉科技大学 基于改进经验小波变换的轴承故障诊断方法及系统装置
CN109187024A (zh) * 2018-09-04 2019-01-11 温州大学激光与光电智能制造研究院 一种活塞式空压机曲轴箱滚动轴承故障诊断方法
CN109211568A (zh) * 2018-09-19 2019-01-15 四川大学 基于条件经验小波变换的滚动轴承故障诊断方法
CN109827777A (zh) * 2019-04-01 2019-05-31 哈尔滨理工大学 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
CN110501631A (zh) * 2019-08-19 2019-11-26 重庆大学 一种在线间歇故障检测与诊断方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ROBERT B. RANDALL 等: "Rolling element bearing diagnostics—A tutorial", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
YONGGANG XU 等: "An Improved Empirical Wavelet Transform and Its Applications in Rolling Bearing Fault Diagnosis", 《APPLIED SCIENCES》 *
唐贵基，王晓龙: "自适应最大相关峭度解卷积方法及其在轴承早期故障诊断中的应用", 《中国电机工程学报》 *
梁启帆: "基于 EMD 和 SVD 的滚动轴承故障诊断研究", 《中国优秀硕士学位论文 工程科技II辑》 *
赵志宏 等: "基于独立分量分析与相关系数的机械故障特征提取", 《振动与冲击》 *
郭晓霞 等: "小波去噪中软硬阈值的一种改良折衷法", 《智能系统学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101245A (zh) * 2020-09-18 2020-12-18 丽水市特种设备检测院 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN112101245B (zh) * 2020-09-18 2024-02-02 丽水市特种设备检测院 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN112183400B (zh) * 2020-09-30 2023-04-07 福州大学 一种新型的配电变压器潜伏性故障特征提取方法及系统
CN112183400A (zh) * 2020-09-30 2021-01-05 福州大学 一种新型的配电变压器潜伏性故障特征提取方法及系统
CN112665857A (zh) * 2020-12-18 2021-04-16 中车永济电机有限公司 滚动轴承故障诊断方法、装置、设备及存储介质
CN112665857B (zh) * 2020-12-18 2024-02-06 中车永济电机有限公司 滚动轴承故障诊断方法、装置、设备及存储介质
CN113049252A (zh) * 2021-03-25 2021-06-29 成都天佑路航轨道交通科技有限公司 一种列车轴承箱的故障检测方法
CN113702042A (zh) * 2021-07-14 2021-11-26 西南交通大学 基于一种增强最小熵解卷积的机械故障诊断方法及系统
CN113537102A (zh) * 2021-07-22 2021-10-22 深圳智微电子科技有限公司 一种微震信号的特征提取方法
CN113537102B (zh) * 2021-07-22 2023-07-07 深圳智微电子科技有限公司 一种微震信号的特征提取方法
CN113780056B (zh) * 2021-07-22 2024-01-05 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN113780056A (zh) * 2021-07-22 2021-12-10 山东科技大学 基于振动信号的滚动轴承故障诊断方法
CN114486256B (zh) * 2021-08-22 2023-10-31 北京燃气绿源达清洁燃料有限公司 一种cng压缩机滚动轴承故障特征提取方法
CN114486256A (zh) * 2021-08-22 2022-05-13 北京燃气绿源达清洁燃料有限公司 一种cng压缩机滚动轴承故障特征提取方法
CN116242612A (zh) * 2023-01-09 2023-06-09 广东海洋大学 一种故障诊断方法、装置、介质及设备
CN116242612B (zh) * 2023-01-09 2023-11-21 广东海洋大学 一种故障诊断方法、装置、介质及设备

Similar Documents

Publication Publication Date Title
CN111652031A (zh) 一种基于改进经验小波变换的滚动轴承故障诊断方法
Peeters et al. A comparison of cepstral editing methods as signal pre-processing techniques for vibration-based bearing fault detection
CN109145727B (zh) 一种基于vmd参数优化的轴承故障特征提取方法
CN110659621A (zh) 一种基于变分模态分解和排列熵的联合降噪方法
CN108845250B (zh) 基于振动信号特征提取的有载分接开关故障识别方法
Li et al. An enhanced rolling bearing fault detection method combining sparse code shrinkage denoising with fast spectral correlation
CN107832525B (zh) 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用
CN108458871B (zh) 一种基于改进经验小波变换的齿轮箱故障识别方法
CN109241823B (zh) 一种基于变分模态分解和支持向量回归的信号预测方法
CN109883706B (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN110244202B (zh) 基于同步压缩小波变换域变压器局部放电去噪方法
CN111769810B (zh) 一种基于能量峭度谱的流体机械调制频率提取方法
CN103117066A (zh) 基于时频瞬时能量谱的低信噪比语音端点检测方法
CN107315991B (zh) 一种基于小波阈值去噪的ifra频响曲线去噪方法
CN109932624B (zh) 一种基于高斯尺度空间的电缆局放周期窄带干扰去噪方法
CN110909480B (zh) 一种水轮机振动信号的去噪方法与装置
CN112926014B (zh) 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法
CN105573104A (zh) 基于改进emd的手表检测降噪方法
CN110807349A (zh) 基于emd分解和小波阈值的自适应降噪方法
CN115840879A (zh) 一种增材制造构件超声检测回波信号处理方法及系统
CN111239565B (zh) 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及系统
CN106908232A (zh) 一种旋转机械的振动信号故障识别方法
CN109901224B (zh) 一种地震资料低频信号保护压制噪声方法
CN110542926A (zh) 一种地震数据尖峰噪声簇的自主检测和压制方法
CN114894478A (zh) 一种滚动轴承微弱故障特征提取方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200911

RJ01 Rejection of invention patent application after publication