CN111693283B - 一种轴承非稳态故障特征无转速提取方法 - Google Patents
一种轴承非稳态故障特征无转速提取方法 Download PDFInfo
- Publication number
- CN111693283B CN111693283B CN202010488735.9A CN202010488735A CN111693283B CN 111693283 B CN111693283 B CN 111693283B CN 202010488735 A CN202010488735 A CN 202010488735A CN 111693283 B CN111693283 B CN 111693283B
- Authority
- CN
- China
- Prior art keywords
- signal
- impact
- indi
- bearing
- lastmax
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012952 Resampling Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 27
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- 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
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出的一种轴承非稳态故障特征无转速提取方法,包括以下步骤:采集轴承的原始信号,并提取原始信号的时域冲击信息,获得有效冲击信号;通过迭代算法对有效冲击信号进行优化,获得去除误提取并补充漏提取的目标冲击信号;根据目标冲击信号,构造等角度重采样时间序列,得到新的重采样信号s(i),并对其进行相应的频谱或者包络分析,得到轴承的故障特征频率和故障信息。本发明提出的一种轴承非稳态故障特征无转速提取方法,通过冲击优化策略来优化已提出的冲击信息,去除误提取增加漏提取的冲击;再根据冲击位置计算波形的相位信息并进行重采样,分析其包络谱得到轴承的故障特征频率即相应的故障信息。
Description
技术领域
本发明涉及轴承技术领域,尤其涉及一种轴承非稳态故障特征无转速提取方法。
背景技术
滚动轴承目前被广泛应用于各种旋转机械,用来降低摩擦,比如风力发电机、水泵、电机等。然而由于轴承一般都长时间受到周期载荷,处于连续运转状态,有时候还会出现润滑不良,这些都导致轴承是旋转设备中是最容易损坏的部件,而且一旦出现问题,轻者导致设备故障、产线停工,严重时甚至出现安全事故。
因此,对于轴承的早期故障进行监测分析具有十分重要的意义,目前常用的方法是在轴承座表面安装加速度传感器采集振动数据,很多数据处理策略基于轴承是处于恒定转速的工况之下。但是在实际生产环境中,很多设备是处于变转速条件下,比如启停机阶段、由于载荷变化、供电频率波动、开环控制等引起的内在转速波动,传感器采集的振动数据实际上是非稳态信号,这样一来很多针对稳态数据的处理算法就不再适用,利用包络解调或者其他方法得到的特征频率在频谱上出现扩展和便宜的现象,导致无法进行有效的监测和诊断。
针对此类问题,也有很多专家学者提出了多种解决方案和技术路径,目前应用最广泛的就是通过在设备上加装转速传感器,通过加密采集得到的转速信息来对原始振动信号进行阶次分析(桂勇一种变转速下风力发电机行星齿轮系统故障诊断方法CN103884502B),通过重采样获得振动信号后进行包络解调得到阶次包络谱。张四聪等人(张四聪基于阶次包络时频能量谱的变转速滚动轴承故障识别方法CN 106769033B)提出了一种通过阶次包络时频能量谱来实现变速轴承故障识别,该方法主要通过低频段信号的短时傅里叶变换来估计瞬时转频,再通过快速峭度谱确定共振带参数,最终得到阶次包络时频能量谱来实现轴承故障识别。还有一类方法(林京基于等角度双重采样的滚动轴承故障特征的提取方法CN 107941510B)首先获取共振频带信号的包络波形,利用键相信号计算转速并分别对共振频带包络信号和窄带信号进行两次等角度重采样,根据双重采样得的包络阶次谱实现滚动轴承故障特征提取。西安交大的訾艳阳等人提出一种无键相的故障特征阶次提取方法(訾艳阳一种改进的无键相故障特征阶次提取方法CN 108871742A),该方法利用时频分析方法对加速度信号进行处理得到瞬时频率,对频率积分获取相位后对原始信号进行等角度重采样,最终获得设备的故障特征阶次。
上述所提及的几种以及现阶段常用的方法中,综合来看可以分为两大类:一类是通过外加转速传感器或者键相信息,来获取设备的瞬时转速并进行阶次分析;另一类是通过原始信号的时频分析,从时频谱中提取瞬时频率,从而估算信号的相位进行重采样。但是现有的方法均存在以下一个或多个缺陷与不足:
1.利用设备的转速信息进行阶次分析,需要在设备上加装转速传感器,而转速传感器需要有绝对固定点,并且能直面旋转部件,这给现场施工和安装带来了困难;再旋转设备表面加装键相会给现场带来影响,在很多设备内部也无法找到合适的键相安装位置。
2.目前再设备监测系统中,无线监测由于自身的优势越来越被广泛使用,但是在无线监测系统中,传感器采用电池供电和局域无线传输,这使得其无法像有线系统中一样实现不同传感器之间的精确同步,这样一来及时加装无线转速传感器,也难以保证转速信号和振动信号的完全同步,一旦存在相位差转速或键相信号将无法用于阶次分析。
3.基于数据驱动的转速或相位提取方法,基本上以时频分析为主,比如采样短时傅里叶变换、小波变换等,这一类时频分析方法均受到海森伯格不确定原则的限制,即时间分辨率和频率分辨率相互制约,导致无法精确提取其时频分布脊线,从而使得频率估计并不准确,给后续的重采样带来误差。
4.在进行时频分析之前,一般需要对原始信号进行滤波处理,无论是选择低频段还是共振带的包络信号进行时频分析,都需要涉及到滤波器参数的设计,大部分的滤波器参数均是根据经验来确定,这会给频率提取的结果带来一定的不确定性。
发明内容
基于背景技术存在的技术问题,本发明提出了一种轴承非稳态故障特征无转速提取方法。
本发明提出的一种轴承非稳态故障特征无转速提取方法,包括以下步骤:
S1、采集轴承的原始信号,并提取原始信号的时域冲击信息,获得有效冲击信号;
S2、通过迭代算法对有效冲击信号进行优化,获得去除误提取并补充漏提取的目标冲击信号;
S3、根据目标冲击信号,构造等角度重采样时间序列,得到新的重采样信号s(i),并对其进行相应的频谱或者包络分析,得到轴承的故障特征频率和故障信息。
优选的,步骤S2具体包括以下步骤:
S21、获取有效冲击信号的所有采样时刻iImpL,设置与相邻的采样时刻的差值正相关的冲击时刻索引间隔序列Indidif(l);
S22、设置循环终止阈值LastMax;
S23、将冲击时刻索引间隔序列Indidif(l)的最大值Indimax与循环终止阈值LastMax比较;
S24、当Indimax≤LastMax,且Indimax>0,则将最大值Indimax作为新的采样时刻补充到有效冲击信号中,然后重新设置循环终止阈值LastMax后返回步骤S23;
S25、当Indimax≤LastMax,且Indimax≤0,则将最大值Indimax从有效冲击信号的采样时刻中删除,然后重新设置循环终止阈值LastMax后返回步骤S23;
S26、当Indimax≥LastMax,则将当前获得的有效冲击信号作为目标冲击信号。
优选的,步骤S21中,冲击时刻索引间隔序列Indidif(l)为:
Indidif(l)=Indiaif0(l)-mean(Indidif0(l));
其中,Indidif0(l)=|iImpL(l)-iImpL(l-1)|,iImpL(l)表示有效冲击信号的的第l个采样时刻,mean(Indidif0(l))表示均值。
优选的,步骤S22中,LastMax=N/f,P为冲击时刻的数量,f为预设阈值,2≤f≤10。
优选的,f=4。
优选的,步骤S24和步骤S25中,重新设置循环终止阈值LastMax的方式为:将循环终止阈值LastMax更新为当前有效冲击信号中相邻冲击时刻的最大间隔值。
优选的,步骤S1中,首先对原始信号进行滤波处理,然后通过自适应的噪声阈值提取有效冲击信号。
优选的,步骤S1中,通过自适应的噪声阈值提取有效冲击信号的具体方法为:设置多个切断阈值,计算各切断阈值下原始信号的上升沿穿越次数;获取所有穿越次数中的最大值以及对应的切断阈值,并根据该切断阈值计算噪声阈值;搜索原始信号中通过噪声阈值的上升沿和下降沿坐标ire和ife,计算两个时刻中间的最大值作为当前冲击时刻,根据冲击时刻从原始信号中提取有效冲击信号。
优选的,噪声阈值的计算模型为:
NoiseThd=0.25max(C(i))+CutThdopt;
其中,C(i)为滤波处理后的原始信号,max(C(i))表示最大值,CutThdopt表示穿越次数最大值对应的切断阈值。
优选的,步骤S1中,原始信号为振动信号或者声信号。
本发明提出的一种轴承非稳态故障特征无转速提取方法,通过冲击优化策略来优化已提出的冲击信息,去除误提取增加漏提取的冲击;再根据冲击位置计算波形的相位信息并进行重采样,分析其包络谱得到轴承的故障特征频率即相应的故障信息。
本发明提出了一种用于时域冲击信息优化的迭代算法,可以实现对已提取的冲击信号的优化,提高冲击识别的准确率。本发明根据信号时域冲击的特征来模拟其键相信息,并据此计算信号的重采样时间序列,对原始信号进行重采样以恢复其中的频率成分,保证了对信号特征的精确采样,从而保证故障信息的精确提取,且避免了对转速信息的需求,较好地解决了目前轴承类的非稳态故障在无转速信息条件下的提取问题。
附图说明
图1为本发明提出的一种轴承非稳态故障特征无转速提取方法流程图;
图2为本发明提出的另一种轴承非稳态故障特征无转速提取方法流程图;
图3为原始信号时域波形和包络谱;
图4为闭运算滤波输出即噪声阈值计算结果波形图;
图5为时域冲击提取及冲击优化结果波形图;
图6为重采样后的时域波形和包络谱。
具体实施方式
参照图1、图2,本发明提出的一种轴承非稳态故障特征无转速提取方法,包括以下步骤。
S1、采集轴承的原始信号x(i)(i=1,2,...,N-1,N),并提取原始信号的时域冲击信息,获得有效冲击信号Impext(i)。
具体的,本实施方式中,原始信号为振动信号或者声信号,通过传感器采集。
步骤S1中,首先对原始信号进行滤波处理,然后通过自适应的噪声阈值提取有效冲击信号。
如此,本实施方式中,从信号时域分布特征出发,通过闭运算形态滤波来实现时域冲击位置提取的策略,相比较传统时频分析,其运算简单,效果更优。
步骤S1中,通过自适应的噪声阈值提取有效冲击信号的具体方法包括以下步骤:
第一步:设置多个切断阈值,计算各切断阈值下原始信号的上升沿穿越次数。具体的,穿越次数的计算模型为:
穿越次数CTime会随着切断阈值CutThd的改变而改变,切断阈值的搜索范围为原始信号幅值的最小值到最大值之间。
第二步:获取所有穿越次数中的最大值以及对应的切断阈值,并根据该切断阈值计算噪声阈值。
具体的,噪声阈值的计算模型为:
NoiseThd=0.25max(C(i))+CutThdopt;
其中,C(i)为滤波处理后的原始信号,max(C(i))表示最大值,CutThdopt表示穿越次数最大值对应的切断阈值。
第三步:搜索原始信号中通过噪声阈值的上升沿和下降沿坐标ire和ife,计算两个时刻中间的最大值作为当前的冲击时刻iImpL,根据冲击时刻iImpL从原始信号中提取有效冲击信号,模型如下:
iImpL:C(iImpL)=max(C(i));当ire<i<ife,且C((ire)>NoiseThd,C(ife)>NoiseThd,C((ire-1)<NoiseThd,C(ife+1)<NoiseThd。
如此,本步骤中,实现了根据噪声阈值对信号的噪声和有效成分进行区分和筛选。S21、获取有效冲击信号的所有采样时刻iimpL,设置与相邻的采样时刻的差值正相关的冲击时刻索引间隔序列Indidif(l)。
具体的,根据步骤S1获得的有效冲击信号iImpL:C(iImpL),可设置冲击集合:Impext(i),该集合中仅在冲击处值为1,其他点均为0,其计算模型如下:
本实施方式中,冲击时刻索引间隔序列为:
Indidif(l)=Indidif0(l)-mean(Indidif0(l));
其中,Indidif0(l)=|iImpL(l)-iImpL(l-1)|,iImpL(l)表示有效冲击信号的的第l个采样时刻,mean(Indidif0(l))表示均值。
S22、设置循环终止阈值LastMax。具体的,本步骤中,可设置循环终止阈值的初始值为:LastMax=N/f,f为预设阈值,2≤f≤10。具体实施时,可设置,f=4,即LastMax=N/4。
S23、将冲击时刻索引间隔序列Indidif(l)的最大值Indimax与循环终止阈值LastMax比较。
S24、当Indimax≤LastMax,且Indimax>0,则将最大值Indimax作为新的采样时刻补充到有效冲击信号中,然后重新设置循环终止阈值LastMax后返回步骤S23。
S25、当Indimax≤LastMax,且Indimax≤0,则将最大值Indimax从有效冲击信号的采样时刻中删除,然后重新设置循环终止阈值LastMax后返回步骤S23。
具体的,步骤S24和步骤S25中,重新设置循环终止阈值LastMax的方式为:将循环终止阈值LastMax更新为当前有效冲击信号中相邻冲击时刻的最大间隔值,即两个相邻冲击时刻差值的最大值。
S26、当Indimax≥LastMax,则将当前获得的有效冲击信号作为目标冲击信号。
如此,本实施方式中,结合最大值Indimax与循环终止阈值LastMax的比较结合以及最大值Indimax的正负判断采样时刻Indimax是漏识别还是误识别,如果是漏识别则补充到有效冲击信号中,反之,如果是误识别,则从有效冲击信号中删除。
本实施方式中,对冲击时刻进行补充或者删除后,更新LastMax和Impext,重新计算新冲击序列的Indimax,并进行新一轮的中止条件判断,直至获得目标冲击信号。如此,步骤S21到步骤S26,通过迭代算法对有效冲击信号进行优化,获得去除误提取并补充漏提取的目标冲击信号。
S3、根据目标冲击信号,构造等角度重采样时间序列,得到新的重采样信号s(i),并对其进行相应的频谱或者包络分析,得到轴承的故障特征频率和故障信息。
以下结合一个仿真实施例,本发明做进一步解释。
1.设置仿真的振动信号x(i),采样频率Fs=5.12kHz,采样点数N=2000,调制频率fm=1200Hz,特征频率在80Hz-140Hz之间。以图3所示的原始信号为例来进一步说明本发明的实施步骤,上图为原始信号的时域波形,从图中可以看出由于轴承局部故障所引起的冲击,由于转速不稳定,导致冲击的间隔随时间会发生变化;图3下图为原始信号对应的包络谱,可以看出原始信号中由于轴承故障所产生的冲击频率由于非稳态的影响而出现了频谱展宽,无法分辨其特征频率。
2.设计用于一维信号闭运算的滤波器结构元素,选择滤波器尺度为11(具体的形态滤波器设计方法在本发明中不作限制,可以采取不同的设计方案)。利用该结果元素对原始信号进行滤波处理,器滤波输出信号如图4中的黑实线所示。根据输出波形分别计算切断阈值CutThd和噪声阈值NoiseThd,得到的噪声阈值水平如图中水平直线所示,噪声阈值为0.8409。
3.根据噪声阈值计算结果,提取信号中明显冲击位置,提取结果如图5中上图的尖锐脉冲所示。可以看出大多数冲击被成功提取出来,但其中有一个冲击由于能量较低而被漏识别。在实际信号处理过程中,很有可能由于某些冲击能量不够而漏掉,而有些噪声能量过高导致误识别。
4.利用发明所提出的冲击优化迭代算法对初步识别的冲击进一步处理,搜索其中的误识别和漏识别冲击,并对漏识别的冲击进行添加,得到最终的冲击优化结果如图5下图所示。其中由于能量低而漏掉的冲击被成功优化补充,优化后的冲击序列将为重采样时间序列的构造提供可靠的数据来源。
5.由上一步得到冲击序列后,根据冲击时刻构造等角度重采样时间序列,并通过三次样条插值对原始信号进行二次重采样,得到的重采样波形如图6上图所示,从时域波形中可以看出冲击的时间间隔变得均匀,对重采样后的信号进行包络解调分析,110Hz的特征频率及其高倍谐波被成功复原,进一步可以定位到轴承的相应故障信息。
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种轴承非稳态故障特征无转速提取方法,其特征在于,包括以下步骤:
S1、采集轴承的原始信号,并提取原始信号的时域冲击信息,获得有效冲击信号;
S2、通过迭代算法对有效冲击信号进行优化,获得去除误提取并补充漏提取的目标冲击信号;
S3、根据目标冲击信号,构造等角度重采样时间序列,得到新的重采样信号s(i),并对其进行相应的频谱或者包络分析,得到轴承的故障特征频率和故障信息。
2.如权利要求1所述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S2具体包括以下步骤:
S21、获取有效冲击信号的所有采样时刻iImpL,设置与相邻的采样时刻的差值正相关的冲击时刻索引间隔序列Indidif(l);
S22、设置循环终止阈值LastMax;
S23、将冲击时刻索引间隔序列Indidif(l)的最大值Indimax与循环终止阈值LastMax比较;
S24、当Indimax≤LastMax,且Indimax>0,则将最大值Indimax作为新的采样时刻补充到有效冲击信号中,然后重新设置循环终止阈值LastMax后返回步骤S23;
S25、当Indimax≤LastMax,且Indimax≤0,则将最大值Indimax从有效冲击信号的采样时刻中删除,然后重新设置循环终止阈值LastMax后返回步骤S23;
S26、当Indimax≥LastMax,则将当前获得的有效冲击信号作为目标冲击信号。
3.如权利要求2述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S21中,冲击时刻索引间隔序列Indidif(l)为:
Indidif(l)=Indidif0(l)-mean(Indidif0(l));
其中,Indidif0(l)=|iImpL(l)-iImpL(l-1)|,iImpL(l)表示有效冲击信号的第l个采样时刻,mean(Indidif0(l))表示有效冲击信号的第l个采样时刻与前一个采样时刻的差值Indidif0(l)的均值。
4.如权利要求2所述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S22中,LastMax=N/f,P为冲击时刻的数量,f为预设阈值,2≤f≤10。
5.如权利要求4所述的轴承非稳态故障特征无转速提取方法,其特征在于,f=4。
6.如权利要求2所述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S24和步骤S25中,重新设置循环终止阈值LastMax的方式为:将循环终止阈值LastMax更新为当前有效冲击信号中相邻冲击时刻的最大间隔值。
7.如权利要求1所述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S1中,首先对原始信号进行滤波处理,然后通过自适应的噪声阈值提取有效冲击信号。
8.如权利要求7述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S1中,通过自适应的噪声阈值提取有效冲击信号的具体方法为:设置多个切断阈值,计算各切断阈值下原始信号的上升沿穿越次数;获取所有穿越次数中的最大值以及对应的切断阈值,并根据该切断阈值计算噪声阈值;搜索原始信号中通过噪声阈值的上升沿和下降沿坐标ire和ife,计算两个时刻中间的最大值作为当前冲击时刻,根据冲击时刻从原始信号中提取有效冲击信号。
9.如权利要求8述的轴承非稳态故障特征无转速提取方法,其特征在于,噪声阈值的计算模型为:
NoiseThd=0.25max(C(i))+CutThdopt;
其中,C(i)为滤波处理后的原始信号,max(C(i))表示滤波处理后原始信号C(i)的最大值,CutThdopt表示穿越次数最大值对应的切断阈值。
10.如权利要求1至9任一项所述的轴承非稳态故障特征无转速提取方法,其特征在于,步骤S1中,原始信号为振动信号或者声信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010488735.9A CN111693283B (zh) | 2020-06-02 | 2020-06-02 | 一种轴承非稳态故障特征无转速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010488735.9A CN111693283B (zh) | 2020-06-02 | 2020-06-02 | 一种轴承非稳态故障特征无转速提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111693283A CN111693283A (zh) | 2020-09-22 |
CN111693283B true CN111693283B (zh) | 2022-04-08 |
Family
ID=72479163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010488735.9A Active CN111693283B (zh) | 2020-06-02 | 2020-06-02 | 一种轴承非稳态故障特征无转速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693283B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557806B (zh) * | 2020-11-04 | 2022-09-13 | 昆明理工大学 | 一种基于截取冲击序列的故障柱塞定位方法 |
CN113804388B (zh) * | 2021-09-15 | 2024-04-02 | 西安因联信息科技有限公司 | 基于时域分析的机械设备旋转冲击故障检测方法及系统 |
CN115407747B (zh) * | 2022-07-26 | 2024-05-17 | 中国第一汽车股份有限公司 | 数据处理方法、装置以及一种车辆 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204422723U (zh) * | 2014-11-12 | 2015-06-24 | 南方电网科学研究院有限责任公司 | 一种风电机组故障诊断系统 |
CN105353358B (zh) * | 2015-10-28 | 2017-09-12 | 北京理工大学 | 一种基于索引差分的通用雷达脉冲信号提取方法 |
-
2020
- 2020-06-02 CN CN202010488735.9A patent/CN111693283B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111693283A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693283B (zh) | 一种轴承非稳态故障特征无转速提取方法 | |
CN101221066B (zh) | 工程非线性振动检测方法 | |
Qu et al. | A new acoustic emission sensor based gear fault detection approach | |
CN113947017B (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN110243605B (zh) | 多源时频脊线提取方法 | |
CN101561314A (zh) | 随机共振-混沌微弱信号检测方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN114235405B (zh) | 振动信号的特征提取方法、设备分析方法及装置 | |
CN111256993A (zh) | 一种风电机组主轴承故障类型诊断方法及系统 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
CN114509159B (zh) | 阶比跟踪分析方法、系统及计算机可读存储介质 | |
CN105388012A (zh) | 基于非线性调频小波变换的阶次跟踪方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
Wu et al. | Envelope harmonic noise ratio based adaptive kurtogram and its application in bearing compound fault identification | |
CN109063668A (zh) | 一种基于峰值保留降采样的冲击信号包络解调方法 | |
Zhou et al. | Multi-node feature learning network based on maximum spectral harmonics-to-noise ratio deconvolution for machine condition monitoring | |
Jiang et al. | 911. A quantitative diagnosis method for rolling element bearing using signal complexity and morphology filtering | |
CN110219816A (zh) | 用于风机故障诊断的方法和系统 | |
CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
CN106771746A (zh) | 一种电动汽车动态工况电磁骚扰快速评价方法 | |
CN111220386B (zh) | 一种自适应频移变尺度共振技术的轴承故障早期诊断方法 | |
CN112836583B (zh) | 一种风力机故障诊断方法 | |
CN114838924A (zh) | 一种基于风致振动非平稳响应的结构阻尼比识别方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230406 Address after: 230000 building D3, intelligent technology park, No. 3693 Susong Road, Hefei Economic and Technological Development Zone, Anhui Province Patentee after: Anhui Zhihuan Technology Co.,Ltd. Address before: 244000 comprehensive service building, No. 129, west section of Cuihu fifth road, Tongling Economic Development Zone, Anhui Province Patentee before: Anhui Maipu Intelligent Technology Co.,Ltd. |