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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005096 rolling process Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000010183 spectrum analysis Methods 0.000 claims abstract 2
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening 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
- 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
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。
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)
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)
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 |
-
2019
- 2019-12-02 CN CN201911210465.9A patent/CN111652031A/zh active Pending
Patent Citations (11)
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)
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)
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 |