CN111896260A - NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 - Google Patents
NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111896260A CN111896260A CN202010763787.2A CN202010763787A CN111896260A CN 111896260 A CN111896260 A CN 111896260A CN 202010763787 A CN202010763787 A CN 202010763787A CN 111896260 A CN111896260 A CN 111896260A
- Authority
- CN
- China
- Prior art keywords
- mckd
- band
- signal
- ngas
- fault
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法。首先,用传感器采集原始振动信号并输入,设置小生境遗传算法(NGAs)初始条件,使用NGAs对Morlet小波滤波器中心频率和带宽、最大相关峭度解卷积(MCKD)滤波器长度和周期进行同步联合优化,以轴承故障冲击周期发生特点的相关峭度(CK)为优化指标,实现前后两个处理步骤的参数自适应同步优化,采用Morlet带通滤波预处理,MCKD对滤波信号进行带内降噪处理,最后利用MCKD带内降噪后信号的包络谱判断是否有故障及故障类型。仿真信号、实验室信号、东方所实验数据分析表明本文所提的方法能有效排除外界偶然性干扰冲击影响并降低信号传递路径和噪声影响,保证了轴承故障诊断的有效性。
Description
技术领域
本发明涉及一种NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,属于滚动轴承故障诊断技术领域。
背景技术
在滚动轴承作为旋转机械最主要的零部件之一被广泛应用于机械、交通、航空航天等重要领域,同时由于工作坏境恶劣也是最易发生故障的部件。滚动轴承一旦发生故障且未及时发现,则可能引起不可估量的后果。因此如何准确判断滚动轴承健康状态对于提高机械设备的可靠性、可用性和保障设备安全运行至关重要。然而振动信号常常会淹没在强背景噪声以及高幅值偶然性干扰冲击中,导致故障特征信息难以提取。因此准确判断滚动轴承故障的关键是在复合干扰因素下从振动信号中提取出周期性的故障冲击成分,因此有效的信号处理方法很重要;目前滚动轴承故障诊断中,调制影响、干扰冲击以及背景噪声是主要的阻碍。共振解调是提取滚动轴承故障冲击特征的主要方法,其通过带通滤波器在共振频率附近进行带通滤波以尽可能消除噪声等干扰成分,进而对滤波后信号进行包络解调得到轴承的故障特征频率。由于Morlet小波与轴承的故障冲击响应更为相似,因此近年来Morlet小波滤波器被广泛应用于提取淹没在噪声中的故障特征。Su等利用山农熵为指标优化Morlet小波滤波器对原始信号进行带通滤波处理,然后采用自相关增强进行带内噪声二次消除。然而当信号中存在强噪声干扰时,山农熵难以有效衡量周期性发生的故障脉冲。Jiang等以改进的山农熵为优化指标对Morlet小波参数进行优化,对滤波后信号进一步采用SVD分解完成带内噪声二次消除。然而其前后处理是基于不同优化指标分别进行优化,难以达到最优效果。He等以最优Morlet小波滤波器与稀疏编码收缩分别进行带通滤波和带内噪声消除。上述文献对带内噪声做了进一步处理,改善了特征提取效果,但如下问题值得进一步研究。首先,上述方法的前后两个处理步骤所采用的优化指标没有考虑轴承瞬态故障冲击的周期性发生特点,从而易受偶然性干扰冲击的影响。其次,前后处理步骤采用各自独立优化,难于保证诊断的总体效果。
发明内容
在针对带通滤波和带内噪声消除处理中采用的优化指标没有考虑轴承瞬态故障冲击的周期性发生特点导致易受偶然性干扰冲击的影响和两个处理步骤都采用各自独立优化,难于保证诊断的总体效果的问题,本发明提出一种Morlet小波滤波与最大相关峭度解卷积(MCKD)参数同步优化的轴承故障诊断方法。采用小生境遗传算法(NGAs)对Morlet小波滤波器中心频率f0和带宽β、MCKD滤波器长度L和周期T进行同步联合优化,以考虑轴承故障冲击特征周期特点的相关峭度(CK)为优化指标,实现前后两个步骤参数的自适应同步优化。基于最优参数组合,利用Morlet小波进行共振带通滤波消除偶然性冲击等强噪声干扰,MCKD进行带内残留噪声、传递路径的二次消除,最后通过包络谱进行轴承故障识别,完成故障诊断。
本发明的目的在于提供一种Morlet NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,提高了信号处理的有效性,保证了机械故障诊断的准确性和有效性。
Morlet NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,其具体步骤:
(1)NGAs参数同步优化:用传感器采集原始振动信号数据并输入,设置小生境遗传算法(NGAs)初始条件,Morlet小波滤波器的中心频率f0和带宽参数β以及MCKD的滤波器长度L和故障冲击周期T分别表示种群中个体位置的四个坐标,设定β、f0、L、T的初始寻优范围, 以Morlet带通滤波预处理,进一步对预处理信号进行MCKD带内去噪后得到信号的CK最大作为衡量指标,采用NGAs同步优化Morlet小波及MCKD参数;
(2)带通滤波和带内降噪:Morlet小波带通滤波,MCKD带内降噪处理;
(3)最优结果处理与分析:用MCKD带内降噪后信号的包络谱判断是否有故障及故障类型。
优选的,所述NGAs参数同步优化的具体内容:
用传感器采集并输入原始振动信号数据,为了使所采集的振动信号更加真实的接近轴承在复杂工况下的振动信号,在所采集的信号基础上添加高幅值的高斯随机噪声,在信号中人为添加一段高幅值偶然性冲击,设置小生境遗传算法(NGAs)初始条件。Morlet小波滤波器的中心频率f0和带宽参数β以及MCKD的滤波器长度L和故障冲击周期T分别表示种群中个体位置的四个坐标,Morlet小波滤波器和MCKD的滤波器参数β、f0、L、T的初始寻优范围,以Morlet带通滤波预处理,进一步对预处理信号进行MCKD带内去噪后得到信号的CK最大作为衡量指标,采用NGAs同步优化Morlet小波及MCKD参数, 优化步骤如下:
步骤1:随机生成M个初始染色体组成初始群体P(t),并求出各个个体的适应度;
步骤2:依据各个个体的适应度CK对其进行降序排序,保存前N个染色体(N<M);
步骤3:进行选择、交叉、变异运算,得到P1(t);
步骤5:依据新适应度值对各个个体进行降序排序,记忆前N个染色体;
步骤 6:终止条件判断。若不满足终止条件,则更新进化代数计数器 t=t+1,并将第5步排序中的前M个染色体作为新的下一代群体 P(t),然后转到第3步;若满足终止条件,则输出计算结果,算法结束。
优选的,所述带通滤波和带内降噪的具体内容:
经过NGAs优化后的Morlet小波滤波器和MCKD的参数达到最优值,用最优参数进行Morlet小波带通滤波和MCKD带内降噪处理。
优选的,所述参数Morlet带通滤波的具体内容:
优选的,所述MCKD带内去噪的具体内容:
步骤1:输入振动信号x,确定故障周期T;
步骤3:设置初始滤波器系数f=[0 0…1 -1…0 0]T;
步骤4:计算滤波后的输出信号y;
步骤6:计算新的滤波器系数f;
优选的,所述最优结果处理与分析的具体内容:
对MCKD带内降噪后信号进行希尔伯特变换取包络,用包络谱判断是否有故障及故障类型。
优选的,所述的NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法的结果对比和验证具体内容:
(a)利用Morlet-MED方法对同一组信号进行分析,MED带内去噪后的时域波形中发现去噪后信号已无明显的冲击成分。包络谱中没有明显的故障特征频率成分,无法判断滚动轴承是否存在故障。故此方法诊断失败,更加印证了本发明所提方法的正确性;
(b)本发明所提方法在INV-1618型传动系统典型故障模拟实验台采集的数据处理中减小了信号传输路径和噪声干扰,保证了故障诊断的有效性,所以该方法在信号分析中具有可行性。
有益效果:
(1)对带通滤波及带内二次消噪参数进行同步优化,以二次滤波信号的相关峭度最大为准则,可以有效消除外界高幅值偶然性冲击影响并减小信号传输路径和噪声干扰,保证了故障诊断的有效性;
(2)合理设置Morlet小波的中心频率、带宽及MCKD周期T、滤波器长度L的取值范围,采用NGAs优化算法有效解决了滤波器共振频带难以确定、MCKD存在重要参数故障周期需要预先设置的问题,使前后处理算法的效果得到了保障;
(3)小生境遗传算法可以保持解的多样性,避免陷入局部最优解,且同时具有很高的全局寻优能力和收敛速度、鲁棒性高,为快速实现滚动轴承故障诊断提供有益参考及方法补充。为突出本方法的优越性,将本方法与谱峭度、Morlet-MED诊断方法作对比分析,结果表明所提方法诊断效果更具优势。
附图说明:
下面结合附图和实施例对本发明进一步说明;
图1是NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法流程图;
图2是转子-轴承故障模拟试验台图;
图3(a)是采集的原始加速度信号图、(b)是加噪后的加速度信号图、(c)是加入噪声和干扰冲击后的加速度信号图;
图4(a)是原始信号频谱及滤波窗口图、(b)是滤波后的信号图、(c)是本文方法处理后的包络谱图;
图5(a)是Morlet小波滤波后信号图、(b)是MED带内滤波后的信号图、(c)是对比方法(Morlet-MED)处理后的包络谱图;
图6是COINV-1618型传动系统典型故障模拟实验台图;
图7(a)是滤波后的信号图、(b)是原始信号频谱及滤波器窗口图、(c)是滤波后的信号图、(d)是本文方法处理后的包络谱图。
具体实施方式
下面通过具体实施案例结合附图对本发明内容进一步阐述:
实施案例的原始数据来自图2所示自制转子-轴承故障模拟试验台,为了模拟轴承实际剥落故障,采用线切割技术在轴承外圈加工出宽度为0.5 mm的凹槽。通过公式计算出此时试验轴承外圈故障特征频率为BPFO=87.51 Hz,内圈故障特征频率为BPFI=129.15 Hz。。
实施例1:
(1)NGAs参数同步优化:用传感器采集原始振动信号数据,轴承外圈故障信号时域波形如图3(a)所示,时域波形中故障冲击成分较为明显,因为人工加工凹槽较为标准,导致故障冲击幅值较大。为了使所采集的振动信号更加真实的接近轴承在复杂工况下的振动信号,在所采集的信号基础上添加幅值为4的高斯随机噪声,加入噪声后信号如图3(b)。信号中2281到2 360点范围内人为添加一段幅值为60的高幅值偶然性冲击如图3(c)所示,设置小生境遗传算法(NGAs)初始条件:群体规模M=20、生长代数G=100、精英个数N=10、交叉概率Pc=0.8,变异概率Pm=0.1,罚函数P=10(-10),小生境距离C=1.5。Morlet小波滤波器的中心频率f0和带宽参数β以及MCKD的滤波器长度L和故障冲击周期T分别表示种群中个体位置的四个坐标,根据内、外圈以及滚动体故障特征频率设置MCKD参数T的寻优范围为[75,150],并设置参数L、f0、β的寻优范围。以Morlet带通滤波预处理,进一步对预处理信号进行MCKD带内去噪后得到信号的CK最大作为衡量指标,采用NGAs同步优化Morlet小波及MCKD参数;
(2)带通滤波和带内降噪:带宽β=800 Hz,周期T=137,滤波器长度L=1301。Morlet滤波器窗口如图4(a)红色曲线所示。进而利用该组参数对原始信号进行滤波以消除干扰脉冲的影响,并对滤波后信号进行MCKD带内解卷积以进一步突出周期性故障冲击,得到图4(b)最终滤波信号中存在明显的周期性冲击脉冲;
(3) 最优结果处理与分析:经过带通滤波和带内降噪的信号包络谱图4(c)中88 Hz频率成分与外圈故障特征频率87.51 Hz非常接近,且存在176 Hz、263 Hz等明显倍频成分,可以判断此时轴承发生了外圈故障。背景噪声以及干扰冲击得到有效抑制,所产生的偏差可能是由于转速波动及轴承内部元件打滑造成。实验信号分析表明本文所提方法在自制转子-轴承故障模拟试验台信号分析中具有可行性;
(4)方法对比和验证评估结果:
1) 为了进一步证明本发明提出方法的优势,利用Morlet-MED方法对图3(c)信号进行分析,如图5所示。经过如图5(a)所示的Morlet小波滤波和如图5(b)所示的MED带内去噪后的时域波形中发现去噪后信号已无明显的冲击成分。包络谱图5(c)中没有明显的故障特征频率成分,无法判断滚动轴承是否存在故障。故此方法诊断失败,更加印证了本发明所提方法的正确性;
2)为了验证本发明方法的有效性,使用来自于东方所的图6所示COINV-1618型传动系统典型故障模拟实验台采集的信号,故障形式为轴承内圈有一处断裂。转轴转速为1000rpm。加速度传感器安装在轴承座正上方,采样频率为19692.3 Hz。根据轴承各元件故障频率计算公式计算得到此时试验轴承内圈故障特征频率为BPFI=75 Hz。采用本发明所提方法所得分析结果如图6所示,设置NGAs算法迭代次数为90,种群规模20。根据内、外圈以及滚动体故障特征频率设置MCKD参数T的寻优范围为[230,300]。原始信号如图7(a)所示,最优个体对应的Morlet小波滤波器的中心频率f0 =7200 Hz,带宽β=500 Hz,周期T=262,滤波器长度L=1220。滤波器窗口如图7(b)红色曲线所示。利用该组参数对原始信号进行滤波,并对滤波后信号进行MCKD带内二次去噪,结果如图7(c)所示,可以看到存在明显周期性冲击脉冲。图7(d)的包络谱中可以看到75.4 Hz的频率成分与外圈故障特征频率75 Hz非常接近,且存在154.3 Hz、229.7 Hz等明显倍频成分,可以判断此时轴承发生了外圈故障,背景噪声得到有效抑制。因此本文所提方法在INV-1618型传动系统典型故障模拟实验台的信号分析中具有可行性。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,其特征为,其具体步骤:
1)NGAs同步优化:采用传感器采集原始轴承振动信号数据,设置小生境遗传算法(NGAs)初始条件,Morlet小波滤波器的中心频率f0和带宽参数β以及MCKD的滤波器长度L和故障冲击周期T分别表示种群中个体位置的四个坐标,设定Morlet小波滤波器和MCKD的滤波器参数β、f0、L、T的初始寻优范围,采用Morlet带通滤波对原始信号进行预处理,进一步对预处理信号进行MCKD带内去噪,以最终信号的CK最大作为衡量指标选取Morlet小波及MCKD参数。
2)带通滤波和带内降噪:Morlet小波带通滤波,MCKD带内降噪处理。
3)最优结果处理与分析:用MCKD带内降噪后信号的包络谱判断是否有故障及故障类型。
2.如权利要求1所述的NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,其特征为,所述NGAs参数同步优化的具体内容:
用传感器采集并输入原始振动信号数据,为了使所采集的振动信号更加真实的接近轴承在复杂工况下的振动信号,在所采集的信号基础上添加高幅值的高斯随机噪声,在信号中人为添加一段高幅值偶然性冲击,设置小生境遗传算法(NGAs)初始条件,Morlet小波滤波器的中心频率f0和带宽参数β以及MCKD的滤波器长度L和故障冲击周期T分别表示种群中个体位置的四个坐标,Morlet小波滤波器和MCKD的滤波器参数β、f0、L、T的初始寻优范围,以Morlet带通滤波预处理,进一步对预处理信号进行MCKD带内去噪后得到信号的CK最大作为衡量指标,采用NGAs同步优化Morlet小波及MCKD参数,优化步骤如下:
步骤1:随机生成M个初始染色体组成初始群体P(t),并求出各个个体的适应度。
步骤2:依据各个个体的适应度CK对其进行降序排序,保存前N个染色体(N<M)。
步骤3:进行选择、交叉、变异运算,得到P1(t)。
步骤5:依据新适应度值对各个个体进行降序排序,记忆前N个染色体。
步骤6:终止条件判断。若不满足终止条件,则更新进化代数计数器t=t+1,并将第5步排序中的前M个染色体作为新的下一代群体P(t),然后转到第3步;若满足终止条件,则输出计算结果,算法结束。
3.如权利要求1所述的NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,其特征为,所述带通滤波和带内降噪的具体内容:
经过NGAs优化后的Morlet小波滤波器和MCKD的参数达到最优值,用最优参数进行Morlet小波带通滤波和MCKD带内降噪处理。
4.如权利要求3所述的NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,其特征为,所述参数Morlet带通滤波的具体内容:
6.如权利要求1所述的NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法,其特征为,所述最优结果处理与分析的具体内容:
对MCKD带内降噪后信号进行希尔伯特变换取包络,用包络谱判断是否有故障及故障类型。
7.如权利要求1至6所述的NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法的结果对比和验证,其特征为,所述以下的具体内容:
(a)利用Morlet-MED方法对同一组信号进行分析,MED带内去噪后的时域波形中发现去噪后信号已无明显的冲击成分。包络谱中没有明显的故障特征频率成分,无法判断滚动轴承是否存在故障。故此方法诊断失败,更加印证了本发明所提方法的正确性。
(b)本发明所提方法在INV-1618型传动系统典型故障模拟实验台采集的数据处理中减小了信号传输路径和噪声干扰,保证了故障诊断的有效性,所以该方法在信号分析中具有可行性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763787.2A CN111896260B (zh) | 2020-08-01 | 2020-08-01 | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763787.2A CN111896260B (zh) | 2020-08-01 | 2020-08-01 | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111896260A true CN111896260A (zh) | 2020-11-06 |
CN111896260B CN111896260B (zh) | 2022-05-13 |
Family
ID=73183179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010763787.2A Active CN111896260B (zh) | 2020-08-01 | 2020-08-01 | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896260B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444395A (zh) * | 2020-11-15 | 2021-03-05 | 华东交通大学 | 基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法 |
CN113418704A (zh) * | 2021-06-18 | 2021-09-21 | 北京控制工程研究所 | 一种基于微振动峭度改进的轴承故障判定方法 |
CN114061746A (zh) * | 2021-11-23 | 2022-02-18 | 洛阳师范学院 | 旋转机械故障诊断中的重复瞬变信号提取方法 |
CN114330417A (zh) * | 2021-11-27 | 2022-04-12 | 北京工业大学 | 一种基于sapso-mckd的轴承故障诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012220713A1 (de) * | 2011-11-28 | 2013-05-29 | International Business Machines Corporation | Verhindern von durch Störungen verursachte Ausfällen in einem Computersystem |
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
CN107917806A (zh) * | 2017-12-03 | 2018-04-17 | 中国直升机设计研究所 | 一种基于mckd和lmd的滚动轴承早期故障诊断方法 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN109063672A (zh) * | 2018-08-21 | 2018-12-21 | 北京工业大学 | 一种基于自适应mckd的早期轴承外圈故障诊断方法 |
JP6731562B1 (ja) * | 2020-02-07 | 2020-07-29 | 株式会社高田工業所 | 流体回転機械の流体系異常監視診断方法 |
-
2020
- 2020-08-01 CN CN202010763787.2A patent/CN111896260B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012220713A1 (de) * | 2011-11-28 | 2013-05-29 | International Business Machines Corporation | Verhindern von durch Störungen verursachte Ausfällen in einem Computersystem |
CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN107657088A (zh) * | 2017-09-07 | 2018-02-02 | 南京工业大学 | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 |
CN107917806A (zh) * | 2017-12-03 | 2018-04-17 | 中国直升机设计研究所 | 一种基于mckd和lmd的滚动轴承早期故障诊断方法 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN109063672A (zh) * | 2018-08-21 | 2018-12-21 | 北京工业大学 | 一种基于自适应mckd的早期轴承外圈故障诊断方法 |
JP6731562B1 (ja) * | 2020-02-07 | 2020-07-29 | 株式会社高田工業所 | 流体回転機械の流体系異常監視診断方法 |
Non-Patent Citations (3)
Title |
---|
ADAM DOCEKAL 等: "Detecting dominant resonant modes of rolling bearing faults using the niching genetic algorithm", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
张龙等: "滚动轴承故障特征自适应增强的相关峭度联合降噪方法", 《机械设计与研究》 * |
王栋悦 等: "基于机电信号融合的DFIG定子绕组匝间短路故障诊断", 《电力系统自动化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444395A (zh) * | 2020-11-15 | 2021-03-05 | 华东交通大学 | 基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法 |
CN113418704A (zh) * | 2021-06-18 | 2021-09-21 | 北京控制工程研究所 | 一种基于微振动峭度改进的轴承故障判定方法 |
CN113418704B (zh) * | 2021-06-18 | 2023-04-07 | 北京控制工程研究所 | 一种基于微振动峭度改进的轴承故障判定方法 |
CN114061746A (zh) * | 2021-11-23 | 2022-02-18 | 洛阳师范学院 | 旋转机械故障诊断中的重复瞬变信号提取方法 |
CN114061746B (zh) * | 2021-11-23 | 2023-06-27 | 洛阳师范学院 | 旋转机械故障诊断中的重复瞬变信号提取方法 |
CN114330417A (zh) * | 2021-11-27 | 2022-04-12 | 北京工业大学 | 一种基于sapso-mckd的轴承故障诊断方法 |
CN114330417B (zh) * | 2021-11-27 | 2024-05-28 | 北京工业大学 | 一种基于sapso-mckd的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111896260B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN110470475B (zh) | 一种航空发动机中介轴承早期微弱故障诊断方法 | |
CN107356432B (zh) | 基于频域窗经验小波共振解调的滚动轴承故障诊断方法 | |
CN102539150B (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
Zhang et al. | Energy operator demodulating of optimal resonance components for the compound faults diagnosis of gearboxes | |
CN109781412B (zh) | 一种基于eemd的滚动轴承自适应共振解调方法 | |
CN106096313B (zh) | 一种基于奇异谱分解和谱峭度的包络分析方法 | |
CN106771905B (zh) | 一种适用于高频电流局部放电检测的脉冲提取方法 | |
CN107957566A (zh) | 基于频率选择奇异谱分析的磁共振测深信号提取方法 | |
CN110806315B (zh) | 一种基于倒位编辑的齿轮箱复合故障诊断方法 | |
CN106096200B (zh) | 一种基于小波分解和谱峭度的包络分析方法 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
CN109540560B (zh) | 旋转机械结构复谐动态过程的绝对抗混叠多尺度滤波方法 | |
CN106153339A (zh) | 一种基于变分模式分解滤波的包络分析方法 | |
CN112945546A (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN112082793A (zh) | 一种基于SCA和FastICA的旋转机械耦合故障诊断方法 | |
CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN105954031A (zh) | 一种基于奇异谱分解滤波的包络分析方法 | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN106096199B (zh) | 一种滚动轴承的wt、谱峭度和平滑迭代包络分析方法 | |
CN116304648A (zh) | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 | |
CN115014765B (zh) | 一种通过声信号提取滚动轴承保持架故障特征的方法 |
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 |