CN111855211A - 一种用于故障特征增强的最优解调频带确定方法 - Google Patents
一种用于故障特征增强的最优解调频带确定方法 Download PDFInfo
- Publication number
- CN111855211A CN111855211A CN202010756037.2A CN202010756037A CN111855211A CN 111855211 A CN111855211 A CN 111855211A CN 202010756037 A CN202010756037 A CN 202010756037A CN 111855211 A CN111855211 A CN 111855211A
- Authority
- CN
- China
- Prior art keywords
- frequency
- fault
- signal
- filter
- kurtosis
- 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
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
- G01M13/045—Acoustic or vibration 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
- G01M13/02—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种用于故障特征增强的最优解调频带确定方法,其包括以下步骤:步骤一,获取原始信号x(t);步骤二,计算故障特征频率并设置滑移滤波器组;步骤三,生成故障特征置信区间FCF‑sets;步骤四:利用滑移滤波器组对x(t)进行滤波,计算每个滤波信号的峭度值Ki和滤波信号包络谱;再得到滤波信号包络谱主优频率fDFi;根据fDFi对Ki进行赋值运算,得到新的滤波信号峭度Knew;步骤五:根据Knew、fDFi以及FCF‑sets,构建靶向耦合筛查机制TCSM‑gram,将各个故障特征置信区间内的峭度极大值Knewj对应的中心频率作为最优中心频率,最终得到用于故障特征增强的最优解调频带。本发明本对于复合故障具有较强的诊断能力,鲁棒性高;采用靶向耦合筛查机制,信息展现完整、直观。
Description
技术领域
本发明涉及滚动轴承故障诊断技术领域,特别涉及一种用于故障特征增强的最优解调频带确定方法。
背景技术
滚动轴承、齿轮系等作为旋转机械的重要部件,其稳定运行对整个机械系统的正常运转至关重要。因此,对滚动轴承、齿轮系进行健康监测和故障诊断具有重要意义。共振解调作为一种有效的故障诊断方法,已经在回转机械的故障诊断方面广泛应用,如何在强背景噪声等干扰存在的情况下确定最优的解调频带,从而有效地增强故障特征,进而准确判断回转机械的健康状况,一直受到众多科研工作者的广泛研究。
近年来,基于最优解调频带的故障特征提取技术发展迅速,主要包括:盲源分析方法,如Kurtogram、Protrugram、Infogram、Autogram等;靶向分析方法,如Distcsgram、RCC、ICS2、log-cycligram等。盲源分析方法虽然对噪声具有较强的抑制能力,但容易受到信号中复杂干扰成分的影响,鲁棒性差;而现有的靶向分析方法,经常需要反复试错,计算效率低。除此之外,靶向分析方法相比盲源分析方法尽管鲁棒性更高,但是仍容易受到非故障周期干扰成分的影响,尤其是对于循环平稳信号,现有靶向分析方法的抗干扰能力有限,故障诊断的准确率不高。
发明内容
为了克服上述技术的缺点,本发明的目的在于提供一种用于故障特征增强的最优解调频带确定方法,实现滚动轴承、齿轮等回转机械故障的最优解调频带的有效确定,该方法不仅对噪声的抑制能力较强,对信号中的周期性干扰成分的鲁棒性也更高,可有效提高滚动轴承、齿轮等回转机械的故障可检测性。
为了达到上述目的,本发明提出了一种用于故障特征增强的最优解调频带确定方法,其包括以下步骤:
步骤一,将振动加速度传感器吸附于滚动轴承的轴承座上,进行高频采样,在稳定转速f0下得到振动信号,f0被称为轴转频,根据采样频率fs,截取一段时间内的振动信号作为原始信号x(t);
步骤二,根据轴承的几何参数及参考轴转频f0,计算外圈故障特征频率fout,内圈故障特征频率finn,滚动体故障特征频率fbal;
利用故障特征频率设置滑移滤波器组,滤波器的带宽为Bw:
Bw=8×max{fout,finn,fbal}
滑移频率为step:
step=min{fout,finn,fbal,Bw/20}
其中,fout为外圈故障特征频率,finn为内圈故障特征频率,fbal为滚动体故障特征频率max{}与min{}分别表示取最大值与最小值;
根据滤波器的带宽Bw和滑移频率step构成滑移滤波器组;
步骤三,利用故障特征频率生成故障特征置信区间FCF-sets,具体为:内圈、外圈、滚动体的故障特征置信区间分别表示为FCFout-sets、FCFinn-sets、FCFbal-sets,考虑到轴承运动的打滑特点,各部件的故障特征置信区间为kfx×[0.98,1.02],其中fx为fout、finn、fbal中之一,内圈、外圈、滚动体的故障特征置信区间,其中k为谐波阶次;
步骤四:利用滑移滤波器组对原始信号x(t)进行滤波,得到多个滤波信号xi(t),xi(t)表示滑移滤波器组中第i个滤波器对原始信号x(t)进行滤波后得到的滤波信号xi(t),计算滤波信号xi(t)的峭度值Ki和滤波信号包络谱Xi(f);
将滤波信号包络谱Xi(f)中幅值最大的频率作为此滤波信号的包络谱主优频率fDFi,根据滤波信号峭度Ki和滤波器组中心频率fci的对应关系,得到波信号峭度K随滤波器中心频率fc的变化关系;
在滤波信号的包络谱Xi(f)中,将m阶谐波幅值之和最大值对应的频率f定义为主优频率fDFi;根据滤波信号包络谱主优频率fDFi和滤波器组中心频率fci的对应关系,得到滤波信号包络谱主优频率fDF随滤波器中心频率fc的变化关系;
根据滤波信号包络谱主优频率fDFi与各故障特征置信区间的关系对滤波信号峭度Ki进行赋值运算,如果滤波信号的包络谱主优频率fDFi∈FCFo-sets,则该滤波信号峭度值保留真实值,否则将该滤波信号视为高斯信号,峭度值置3,对所有滤波信号峭度值赋值运算完成后得到新的滤波信号峭度Knew随中心频率的变化关系;
步骤五:利用步骤四得到的新的滤波信号峭度Knew、滤波信号包络谱主优频率fDF以及故障特征置信区间FCF-sets,利用现有技术构建靶向耦合筛查机制TCSM-gram,横轴为中心频率,纵轴为主优频率,颜色轴为峭度Knew的值,颜色轴用以显示各故障主优频带的峭度变化;将各个故障特征置信区间内的峭度极大值Knewj对应的中心频率作为最优中心频率,如果故障特征置信区间内的峭度极大值不止一个,则选择最大的局部极大值对应的中心频率为最优中心频率,根据故障的最优解调中心频率和滤波器的带宽Bw,得到用于故障特征增强的最优解调频带。
优选的,所述步骤二中,根据滤波器的带宽Bw和滑移频率step构成滑移滤波器组;需要满足要求:第i个滤波器的中心频率是fci,其中fci=Bw+(i-1)×step,i=1,2,3……,且需满足滤波器的最大中心频率fc小于奈奎斯特频率,即采样频率的一半,滤波器滤波范围从0开始,直到滤波器滤波范围可以覆盖奈奎斯特频率。
优选的,所述步骤四中,在滤波信号的包络谱Xi(f)中,将m阶谐波幅值之和最大值对应的频率f定义为主优频率fDFi的具体计算方法为:
其中,m为谐波阶数,第i个滤波信号的主优频率记为fDFi,XH(r·f)表示包络谱第r阶谐波的幅值,r为正整数。
优选的,所述步骤五中,最优中心频率的具体计算方法为:
其中,n为峭度极大值的个数,j为正整数,Knewj为峭度极大值集合,X(f)表示原始信号x(t)的傅里叶谱,t为时间,G(f)为带宽为Bw,中心频率为f窗函数,fopt为故障的最优解调中心频率,根据所选择的故障特征置信区间就得到相应故障的最优解调中心频率。
本发明相比现有技术,具有以下有益效果:
1、本发明不仅对单故障的诊断能力较强,对于复合故障也具有较强的诊断能力,且不需要反复试错,计算效率高;
2、本发明不仅对信号的噪音成分抑制能力强,对信号中的周期性干扰和随机强冲击等各种复杂干扰均具有良好的抑制能力,鲁棒性高;
3、本发明创造性地提出了靶向耦合筛查机制,能够将信号中各个频带的主优成分信息完整展现,故障冲击随频带的分布更加直观,有助于进行统计分析。
附图说明
图1为本发明方法的流程图;
图2为本发明实施例的原始信号;
图3为本发明实施例的原始信号的包络谱;
图4为本发明实施例的内圈、外圈、滚动体故障特征置信区间图;
图5为本发明实施例的滤波信号的峭度K随中心频率的变化关系图;
图6为本发明实施例的滤波信号的包络谱主优频率fDF随中心频率的变化关系图;
图7为本发明实施例根据内圈故障特征置信区间赋值后的峭度Knew随中心频率的变化关系图;
图8为本发明实施例根据内圈故障构建靶向耦合筛查机制TCSM-gram得到的关系图;
图9为本发明实施例得到的外圈故障最优解调频带的包络谱;以及
图10为本发明实施例得到的内圈故障最优解调频带的包络谱。
具体实施方式
为更好的理解本发明的技术方案,下面结合附图和实施例对本发明做详细描述。
以某车辆段的机车滚动轴承故障检测试验台为例,轴承故障位置在内圈/外圈处,故障类型均为剥离。轴承具体参数:某型滚子轴承,轴承的节径为180mm,轴承滚子个数为20,轴承滚子半径为23.775mm,接触角9°。
如图1所示,基于等角度双重采样的滚动轴承故障特征的提取方法,包括以下步骤:
步骤一,将振动加速度传感器吸附于滚动轴承的轴承座上,进行高频采样,在稳定转速f0下得到振动信号;根据采样频率fs,截取一段时间内的振动信号作为原始信号x(t),如图2所示,原始信号x(t)是时域信号;采用现用技术得到原始信号x(t)的包络谱,如图3所示为,包络谱是频域信号;根据图2和图3可以看出在没有采用本方法之前,根据原始信号x(t)的时域信号和频域信号均看不出明显的故障特征。
步骤二,采用现有技术根据轴承的几何参数及参考轴转频f0,计算外圈故障特征频率fout,内圈故障特征频率finn,滚动体故障特征频率fbal;外圈故障特征频率、内圈故障特征频率和滚动体故障特征频率统称为故障特征频率,在本实施例中转频f0,以及外圈故障特征频率fout,内圈故障特征频率finn,滚动体故障特征频率fbal的计算结果见表1,
表.1
利用故障特征频率设置滑移滤波器组,滤波器的带宽为Bw:
Bw=8×max{fout,finn,fbal}=381.4Hz
这里,为了后续计算方便,带宽Bw取380Hz,滑移频率为step:
step=min{fout,finn,fbal,Bw/20}=15.69
这里,为了后续计算方便,滑移频率step取15Hz,其中,max{}与min{}分别表示取最大值与最小值。
根据滤波器的带宽Bw和滑移频率step构成滑移滤波器组,第i个滤波器的中心频率是fci,其中fci=Bw+(i-1)×step,i=1,2,3……,且需满足滤波器的最大中心频率fc小于奈奎斯特频率,即采样频率的一半。在本实施例中滑移滤波器组中每个滤波器带宽为380Hz,滑移频率为15Hz,滤波器滤波范围从0开始,因此第一个滤波器滤波范围为0-380Hz,第二个滤波器滤波范围为15-395HZ,以此类推,直到滤波器滤波范围可以覆盖奈奎斯特频率。
步骤三,利用故障特征频率生成故障特征置信区间FCF-sets,具体为:内圈、外圈、滚动体的故障特征置信区间分别表示为FCFo-sets、FCFi-sets、FCFb-sets,考虑到轴承运动的打滑特点,各部件的故障特征置信区间为kfx×[0.98,1.02],其中fx为fout、finn、fbal中之一,内圈、外圈、滚动体的故障特征置信区间,如图4所示,以外圈故障为例,一阶谐波外圈故障特征置信区间为kfout×[0.98,1.02]=k[35.93,37.4],其中k为谐波阶次,一般k取1~2;
步骤四:利用滑移滤波器组对原始信号x(t)进行滤波,得到多个滤波信号xi(t),xi(t)表示滑移滤波器组中第i个滤波器对原始信号x(t)进行滤波后得到的滤波信号xi(t),滤波信号组成了滤波信号。计算滤波信号xi(t)的峭度值Ki和滤波信号包络谱Xi(f),将滤波信号包络谱Xi(f)中幅值最大的频率作为此滤波信号的包络谱主优频率fDFi。在带宽固定的情况下,根据滤波信号峭度Ki和滤波器组中心频率fci的对应关系,得到波信号峭度K随滤波器中心频率fc的变化关系如图5所示,滤波信号峭度K即是所有滤波信号峭度Ki的集合。在滤波信号的包络谱中,m阶谐波幅值之和最大值对应的频率f定义为主优频率fDF,因此对于滤波信号的包络谱Xi(f)中,m阶谐波幅值之和最大值对应的频率f定义为主优频率fDFi:
其中,m为谐波阶数,通常取1~4,第i个滤波信号的主优频率记为fDFi,XH(r·f)表示包络谱中第r阶谐波的幅值,r为正整数,arg max()表示函数取最大值时对应的自变量取值。根据各滤波信号包络谱主优频率fDFi和滤波器组中心频率fci的对应关系,得到滤波信号包络谱主优频率fDF随滤波器中心频率fc的变化关系如图6所示。根据滤波信号包络谱主优频率fDFi与各故障特征置信区间的关系对滤波信号峭度Ki进行赋值运算,以内圈故障特征置信区间为例说明,如果滤波信号的包络谱主优频率fDFi∈FCFo-sets,则该滤波信号峭度值保留真实值,否则将该滤波信号视为高斯信号,峭度值置3,对所有滤波信号峭度值赋值运算完成后得到新的滤波信号峭度Knew随中心频率的变化关系如图7所示;
步骤五:利用步骤四得到的新的滤波信号峭度Knew、滤波信号包络谱主优频率fDF以及故障特征置信区间FCF-sets,利用现有技术构建靶向耦合筛查机制TCSM-gram,横轴为中心频率,纵轴为主优频率,颜色轴为峭度Knew的值用以显示各故障主优频带的峭度变化,如图8所示为根据内圈故障构建靶向耦合筛查机制TCSM-gram,将各个故障特征置信区间内的峭度极大值Knewj对应的中心频率作为最优中心频率,如果某故障特征置信区间内的峭度极大值不止一个,则选择最大的局部极大值对应的中心频率为最优中心频率,即:
其中,n为峭度极大值的个数,j为正整数,Knewj为峭度极大值集合,X(f)表示原始信号x(t)的傅里叶谱,t为时间,G(f)为带宽为Bw,中心频率为f窗函数,fopt为故障的最优解调中心频率,此处i表示复数。根据所选择的故障特征置信区间就得到相应故障的最优解调中心频率。
根据故障的最优解调中心频率和滤波器的带宽Bw,得到用于故障特征增强的最优解调频带。本实施例中根据靶向耦合筛查机制TCSM-gram,外圈故障的最优解调中心为9445Hz,内圈故障的最优解调频率为10510Hz。以中心频率为9445,带宽为380Hz的滤波器对信号进行滤波并进行包络谱分析,外圈故障最优解调频带的包络谱如图9所示,包络谱中显示出明显的外圈故障特征。以中心频率为10510Hz,带宽为380Hz的滤波器对信号进行滤波并进行包络谱分析,内圈故障最优解调频带的包络谱如图10所示,包络谱中显示出明显的内圈故障特征。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种用于故障特征增强的最优解调频带确定方法,其特征在于:其包括以下步骤:
步骤一,将振动加速度传感器吸附于滚动轴承的轴承座上,进行高频采样,在稳定转速f0下得到振动信号;根据采样频率fs,截取一段时间内的振动信号作为原始信号x(t);
步骤二,根据轴承的几何参数及参考轴转频f0,计算外圈故障特征频率fout,内圈故障特征频率finn,滚动体故障特征频率fbal;
利用故障特征频率设置滑移滤波器组,滤波器的带宽为Bw:
Bw=8×max{fout,finn,fbal}
滑移频率为step:
step=min{fout,finn,fbal,Bw/20}
其中,fout为外圈故障特征频率,finn为内圈故障特征频率,fbal为滚动体故障特征频率max{}与min{}分别表示取最大值与最小值;
根据滤波器的带宽Bw和滑移频率step构成滑移滤波器组;
步骤三,利用故障特征频率生成故障特征置信区间FCF-sets,具体为:内圈、外圈、滚动体的故障特征置信区间分别表示为FCFout-sets、FCFinn-sets、FCFbal-sets,考虑到轴承运动的打滑特点,各部件的故障特征置信区间为kfx×[0.98,1.02],其中,fx为fout、finn、fbal中之一,内圈、外圈、滚动体的故障特征置信区间,其中k为谐波阶次;
步骤四:利用滑移滤波器组对原始信号x(t)进行滤波,得到多个滤波信号xi(t),xi(t)表示滑移滤波器组中第i个滤波器对原始信号x(t)进行滤波后得到的滤波信号xi(t),计算滤波信号xi(t)的峭度值Ki和滤波信号包络谱Xi(f);
将滤波信号包络谱Xi(f)中幅值最大的频率作为此滤波信号的包络谱主优频率fDFi,根据滤波信号峭度Ki和滤波器组中心频率fci的对应关系,得到波信号峭度K随滤波器中心频率fc的变化关系;
在滤波信号的包络谱Xi(f)中,将m阶谐波幅值之和最大值对应的频率f定义为主优频率fDFi;根据滤波信号包络谱主优频率fDFi和滤波器组中心频率fci的对应关系,得到滤波信号包络谱主优频率fDF随滤波器中心频率fc的变化关系;
根据滤波信号包络谱主优频率fDFi与各故障特征置信区间的关系对滤波信号峭度Ki进行赋值运算,如果滤波信号的包络谱主优频率fDFi∈FCFo-sets,则该滤波信号峭度值保留真实值,否则将该滤波信号视为高斯信号,峭度值设置为3,对所有滤波信号峭度值赋值运算完成后得到新的滤波信号峭度Knew随中心频率的变化关系;
步骤五:利用步骤四得到的新的滤波信号峭度Knew、滤波信号包络谱主优频率fDF以及故障特征置信区间FCF-sets,构建靶向耦合筛查机制TCSM-gram,横轴为中心频率,纵轴为主优频率,颜色轴为峭度Knew的值,颜色轴用以显示各故障主优频带的峭度变化;将各个故障特征置信区间内的峭度极大值Knewj对应的中心频率作为最优中心频率,如果故障特征置信区间内的峭度极大值不止一个,则选择最大的局部极大值对应的中心频率为最优中心频率,根据故障的最优解调中心频率和滤波器的带宽Bw,得到用于故障特征增强的最优解调频带。
2.根据权利要求1所述的用于故障特征增强的最优解调频带确定方法,其特征在于:
所述步骤二中,根据滤波器的带宽Bw和滑移频率step构成滑移滤波器组;需要满足要求:第i个滤波器的中心频率是fci,其中fci=Bw+(i-1)×step,i=1,2,3……,且需满足滤波器的最大中心频率fc小于奈奎斯特频率,即采样频率的一半,滤波器滤波范围从0开始,直到滤波器滤波范围可以覆盖奈奎斯特频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756037.2A CN111855211B (zh) | 2020-07-31 | 2020-07-31 | 一种用于故障特征增强的最优解调频带确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756037.2A CN111855211B (zh) | 2020-07-31 | 2020-07-31 | 一种用于故障特征增强的最优解调频带确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111855211A true CN111855211A (zh) | 2020-10-30 |
CN111855211B CN111855211B (zh) | 2021-05-07 |
Family
ID=72945827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010756037.2A Active CN111855211B (zh) | 2020-07-31 | 2020-07-31 | 一种用于故障特征增强的最优解调频带确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111855211B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358212A (zh) * | 2021-06-21 | 2021-09-07 | 重庆理工大学 | 基于相对谐阶次的机电故障诊断方法、系统及建模方法 |
CN113484019A (zh) * | 2021-07-26 | 2021-10-08 | 西南交通大学 | 一种轴承的检测方法、装置及计算机可读存储介质 |
CN113554103A (zh) * | 2021-07-28 | 2021-10-26 | 大连海天兴业科技有限公司 | 一种列车走行部滚动轴承故障诊断算法 |
CN113588268A (zh) * | 2021-07-28 | 2021-11-02 | 大连海天兴业科技有限公司 | 一种基于包络谱故障特征识别的最优滤波频带选择方法 |
CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306858A (zh) * | 2011-06-23 | 2012-01-04 | 成都赛纳赛德科技有限公司 | 一种带交叉耦合的低通滤波器 |
CN102998110A (zh) * | 2012-11-29 | 2013-03-27 | 西安交通大学 | 一种基于阶比-全息谱原理的旋转机械故障特征提取方法 |
CN104316323A (zh) * | 2014-10-24 | 2015-01-28 | 西安交通大学 | 基于周期靶向的最优共振频带确定方法 |
CN108598632A (zh) * | 2018-04-10 | 2018-09-28 | 江南大学 | 一种具有双零点宽阻带的siw-cpw超宽带滤波器 |
CN110160767A (zh) * | 2019-06-14 | 2019-08-23 | 安徽智寰科技有限公司 | 基于包络分析的冲击周期自动识别与提取方法及系统 |
CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
US20190271584A1 (en) * | 2011-07-14 | 2019-09-05 | S.P.M. Instrument Ab | Method and a system for analysing the condition of a rotating machine part |
CN110907174A (zh) * | 2019-11-18 | 2020-03-24 | 华南理工大学 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
CN111238813A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种强干扰下提取滚动轴承故障特征的方法 |
-
2020
- 2020-07-31 CN CN202010756037.2A patent/CN111855211B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306858A (zh) * | 2011-06-23 | 2012-01-04 | 成都赛纳赛德科技有限公司 | 一种带交叉耦合的低通滤波器 |
US20190271584A1 (en) * | 2011-07-14 | 2019-09-05 | S.P.M. Instrument Ab | Method and a system for analysing the condition of a rotating machine part |
CN102998110A (zh) * | 2012-11-29 | 2013-03-27 | 西安交通大学 | 一种基于阶比-全息谱原理的旋转机械故障特征提取方法 |
CN104316323A (zh) * | 2014-10-24 | 2015-01-28 | 西安交通大学 | 基于周期靶向的最优共振频带确定方法 |
CN108598632A (zh) * | 2018-04-10 | 2018-09-28 | 江南大学 | 一种具有双零点宽阻带的siw-cpw超宽带滤波器 |
CN110160767A (zh) * | 2019-06-14 | 2019-08-23 | 安徽智寰科技有限公司 | 基于包络分析的冲击周期自动识别与提取方法及系统 |
CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
CN110907174A (zh) * | 2019-11-18 | 2020-03-24 | 华南理工大学 | 基于信号冲击结构特性增强的旋转机械微弱故障诊断方法 |
CN111238813A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种强干扰下提取滚动轴承故障特征的方法 |
Non-Patent Citations (2)
Title |
---|
WADE A.SMITH: ""Optimised Spectral Kurtosis for bearing diagnostics under electromagnetic interference"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
唐贵基 等: ""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》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113358212A (zh) * | 2021-06-21 | 2021-09-07 | 重庆理工大学 | 基于相对谐阶次的机电故障诊断方法、系统及建模方法 |
CN113484019A (zh) * | 2021-07-26 | 2021-10-08 | 西南交通大学 | 一种轴承的检测方法、装置及计算机可读存储介质 |
CN113554103A (zh) * | 2021-07-28 | 2021-10-26 | 大连海天兴业科技有限公司 | 一种列车走行部滚动轴承故障诊断算法 |
CN113588268A (zh) * | 2021-07-28 | 2021-11-02 | 大连海天兴业科技有限公司 | 一种基于包络谱故障特征识别的最优滤波频带选择方法 |
CN113554103B (zh) * | 2021-07-28 | 2022-05-27 | 大连海天兴业科技有限公司 | 一种列车走行部滚动轴承故障诊断算法 |
CN114001961A (zh) * | 2021-10-29 | 2022-02-01 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
CN114001961B (zh) * | 2021-10-29 | 2024-04-23 | 苏州微著设备诊断技术有限公司 | 一种滚动轴承故障特征靶向定位及提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111855211B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855211B (zh) | 一种用于故障特征增强的最优解调频带确定方法 | |
Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
CN100507490C (zh) | 一种大型低速重载齿轮箱故障诊断的方法 | |
Randall et al. | Rolling element bearing diagnostics—A tutorial | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN111665051A (zh) | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 | |
CN107941510B (zh) | 基于等角度双重采样的滚动轴承故障特征的提取方法 | |
CN108362492B (zh) | 一种适用于低转速下行星轮系故障诊断的振动分离方法 | |
CN109946081B (zh) | 一种用于变转速下滚动轴承打滑时的故障诊断方法 | |
CN110987438B (zh) | 水轮发电机变转速过程周期性振动冲击信号检测的方法 | |
CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
Ma et al. | Early fault diagnosis of rotating machinery based on composite zoom permutation entropy | |
CN105092241A (zh) | 一种齿轮局部故障诊断方法及系统 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN109799090B (zh) | 采用频带3分区的经验小波变换的轴承特征频率提取方法 | |
Kim et al. | Cepstrum-assisted empirical wavelet transform (CEWT)-based improved demodulation analysis for fault diagnostics of planetary gearboxes | |
CN108106838B (zh) | 一种机械故障精密诊断的整周期时域回归及报警方法 | |
CN109238717A (zh) | 一种基于vmd-omeda的齿轮箱复合故障诊断方法 | |
CN112485028B (zh) | 振动信号的特征频谱提取方法及机械故障诊断分析方法 | |
CN112113767B (zh) | 一种基于比例频带选择准则的轴承故障诊断方法 | |
CN109670459A (zh) | 直升机主减速器故障样本生成方法 | |
CN106289775B (zh) | 一种列车轴承检测信号包络谱分析方法及装置 | |
CN115876471A (zh) | 基于自适应阶次分析的轧机齿轮箱故障特征提取方法 | |
Lu et al. | A noise reduction method of rolling bearing based on empirical wavelet transform and adaptive time frequency peak filtering |
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 |