CN111898556A - 基于ck指标一致的轴承瞬态冲击特征提取方法 - Google Patents
基于ck指标一致的轴承瞬态冲击特征提取方法 Download PDFInfo
- Publication number
- CN111898556A CN111898556A CN202010763781.5A CN202010763781A CN111898556A CN 111898556 A CN111898556 A CN 111898556A CN 202010763781 A CN202010763781 A CN 202010763781A CN 111898556 A CN111898556 A CN 111898556A
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- bearing
- impact
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001052 transient effect Effects 0.000 title claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 230000000737 periodic effect Effects 0.000 claims abstract description 7
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 7
- 238000009661 fatigue test Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000005096 rolling process Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012805 post-processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 208000036075 Autosomal dominant tubulointerstitial kidney disease Diseases 0.000 claims 5
- 101001133056 Homo sapiens Mucin-1 Proteins 0.000 claims 5
- 102100034256 Mucin-1 Human genes 0.000 claims 5
- 238000012795 verification Methods 0.000 claims 1
- 230000008054 signal transmission Effects 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 239000002131 composite material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于CK指标一致的轴承瞬态冲击特征提取方法。首先采集信号，根据信号故障特征频率设定故障周期T的取值范围，采用考虑了瞬态冲击周期性发生的相关峭度(CK)选择最佳周期T进行最大相关峭度解卷积(MCKD)预处理。进一步设置可调品质因子小波变换(TQWT)品质因子Q的取值范围，将MCKD预处理后信号在不同Q值下进行TQWT分解，计算各重构分量的相关峭度值，得到不同品质因子下的各子带分量的相关峭度分布图。根据相关峭度最大原则选取最佳分量，对最佳分量进行包络谱分析，最后完成轴承故障诊断。实验室信号和疲劳试验数据分析表明本文所提方法能有效排除外界偶然性干扰冲击并降低信号传递路径和噪声的影响，保证了轴承故障诊断的有效性。
Description
技术领域
本发明涉及一种基于CK指标一致的轴承瞬态冲击特征提取方法，属于滚动轴承故障诊断技术领域。
背景技术
滚动轴承广泛应用于机械、交通、航空航天等领域，是旋转机械的重要零部件之一。但由于工作环境恶劣，易发生故障，若未及时发现则可能引起严重后果。因此，准确判断滚动轴承健康状态尤其是诊断早期故障，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。然而早期故障引起的冲击特征非常微弱，同时受传递路径、噪声和偶然性冲击干扰等因素的影响，早期故障诊断并非易事。传感器采集到的振动信号是轴承故障引起的冲击力与轴承和轴承座等构成的系统的传递函数卷积结果。考虑到轴承故障特征信号从冲击部位到传感器的传递路径影响，同时为了充分衡量信号中连续的周期性冲击成分，胡爱军等将谱峭度与最大相关峭度解卷积(MCKD)相结合，旨在得到周期性故障冲击信号。虽然MCKD的优化指标相关峭度(CK)可以考虑轴承故障冲击发生的周期性，但其主要缺陷在于存在其重要参数需人工预先设定，且参数的选择将会影响最终解卷积处理结果。近年来越来越多的学者开始研究将多种信号处理方法复合使用，以提高滚动轴承故障诊断效果。Shang等采用多点最优最小熵反褶积消除传递路径影响，进一步对信号进行改进经验小波变换，以时域峭度最大为指标选取IMF分量完成故障诊断。Su等利用经验模态分解(EMD)对原始信号进行分解，以互相关系数为优化指标选择最佳分量，进一步用Kurtogram进行共振滤波。Li等首先采用峭度为优化指标，首先对原始信号进行本征特征尺度分解(ICD)预处理，进一步根据特征频域比选择TQWT最佳分量进行分析。Ma等首先原始故障信号进行频率切片小波变换(FSWT)预处理，然后依据峭度最大指标采用改进的TQWT对预处理信号进行分解，对最佳分量进行故障分析。上述文献均以多种信号处理方法复合使用的方式进行滚动轴承故障诊断，虽然处理效果相比采用单一方法得到了提高，但仍存在一些问题。首先，涉及信号处理参数优化或分量选择时，大多优化指标易受偶然性干扰冲击影响，未考虑滚动轴承故障冲击特征周期性发生的特点；其次，复合诊断方法中预处理与后处理等步骤中的信号处理方法往往使用不同的优化指标，无法保证各步骤优化方向的一致性，从而影响诊断效果。
发明内容
在为了克服背景技术所述的滚动轴承周期性冲击特征易受高幅值偶然性冲击、传递路径以及背景噪声的影响，从而导致难以有效提取故障特征和复合诊断方法中预处理与后处理等步骤中的信号处理方法往往使用不同的优化指标，无法保证各步骤优化方向的一致性，从而影响诊断效果等问题。本发明提出了一种基于CK指标一致的轴承瞬态冲击特征提取方法。其中优化指标采用能够考虑轴承故障冲击周期发生特点的相关峭度CK，以有效消除偶然性干扰冲击影响。预处理阶段采用MCKD削弱信号传递路径影响，后处理阶段通过TQWT降低噪声干扰，最后通过TQWT最佳分量的包络谱分析实现滚动轴承故障诊断。
本发明的目的在于提供一种基于CK指标一致的轴承瞬态冲击特征提取方法，准确消除了偶然性干扰冲击、传输路径以及背景噪声等影响，保证了轴承故障诊断的准确性和有效性。
基于CK指标一致的轴承瞬态冲击特征提取方法，其具体步骤：
(1)预处理：采用加速度传感器采集轴承原始振动信号，将实验轴承的内、外圈以及滚动体故障对应的周期取并集，设定适当的周期区间T。在T的取值区间内以步长1依次对原始信号进行MCKD解卷积预处理，计算不同T值下解卷信号的CK值。以CK最大原则选择最佳T值用于解卷积原始信号，消除传递路径影响并初步突出故障冲击；
(2)后处理：设置TQWT中参数品质因子Q的取值范围、冗余因子r，将MCKD预处理后的信号在不同Q值下进行TQWT分解，得到相应的小波系数与一层尺度系数；由于轴承故障冲击激发的共振频率通常位于中高频率段，故不同Q值下的TQWT分解结果中只有单支重构从高频开始的前10层子带信号。计算各重构分量CK值，得到不同Q下的相关峭度分布图，根据相关峭度最大值选取最佳分量；
(3)包络谱分析：求最佳分量的包络谱并与轴承的理论故障频率进行比较，完成故障诊断。
优选的，所述预处理的具体内容：
采集原始信号数据，根据滚动轴承内圈、外圈和滚动体的故障周期设置T的取值范围,在T的取值区间内以步长1依次对原始信号进行MCKD解卷积预处理，计算不同T值下解卷信号的CK值
以CK最大原则，即
选取最佳故障周期T对原始信号进行解卷积，其中，MCKD的具体实施过程如下：
步骤1：输入振动信号x，确定故障周期T；
步骤2：根据输入信号x计算
和
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5：根据y计算αm和β；
步骤6：计算新的滤波器系数f；
步骤7：根据下式计算迭代误差
如果计算出的err比给出的迭代误差小则计算终止，否则返回步骤3继续计算。将最终的滤波器系数f代入 y＝f*x,得到实际采集信号x的解卷积信号y。
优选的，所述后处理的具体内容：
步骤1：设置TQWT中参数品质因子Q和冗余因子r的取值范围，Q要求大于等于1，r一般要求大于等于3；
其中，
fw表示振动信号的中心频率，
BW为带宽，
j表示分解层数，α、β分别为高通、低通缩放参数，
r为冗余因子，Fs为采样频率。步骤2：将MCKD预处理后的信号在不同 Q值下进行TQWT分解得到相应的小波系数与一层尺度系数；
其中，TQWT理论分解最大层数
表示向负无穷取整，N 为信号的长度；
步骤3：由于轴承故障冲击激发的共振频率通常位于中高频率段，故不同Q值下的TQWT分解结果中只有单支重构从高频开始的前10层子带信号。
步骤4：计算各重构分量CK值，得到不同Q下的相关峭度分布图，在相关峭度分布图中根据相关峭度最大值选取最佳分量。
优选的，所述包络谱分析的具体内容：
根据选取的最佳分量，对其进行希尔伯特变换并求包络谱，进一步与轴承的理论故障频率进行比较，完成故障诊断。
基于CK指标一致的轴承瞬态冲击特征提取方法的结果对比和验证，所述以下的具体内容：
(a)采用谱峭度图(Kurtogram)对信号进行分析，同本发明方法信号分析一致，设置分解层数，得到的谱峭度图，谱峭度受偶然性冲击影响严重。滤波后信号包络，可以看到明显的偶然性干扰冲击，无明显周期性故障冲击特征。包络谱中未出现明显特征频率成分，无法判断滚动轴承存在故障,故Kurtogram方法诊断失败；
(b)为了体现本文提出的前后处理采用一致的优化指标这一观点的意义，将本发明方法的TQWT后处理阶段优化指标替换为常规时域峭度，其余参数均不变。得到最佳分量时域波形，取其包络谱，分析包络谱中的频率和倍频与实际故障特征频率不符。故此方法诊断失败，印证了预处理与后处理一致采用考虑故障冲击周期发生特点的CK指标的必要性；
(c)用轴承加速疲劳试验对得到的最佳分量的包络谱与轴承的理论故障频率进行比较，判断出轴承早期微弱故障，验证了结果的正确性。
本发明与背景技术相比，具有的有益效果是：
(1)针对大多滚动轴承故障复合诊断方法中所采用的优化指标缺乏考虑滚动轴承故障冲击周期发生特点，同时各信号处理步骤采用的诊断优化指标不一致，导致轴承故障诊断效果不佳的问题，本方法的主要创新点在于预处理和后处理均一致采用考虑故障冲击特征周期发生特点的CK值最大作为优化准则的滚动轴承复合诊断方法，以减小偶然性干扰冲击、传输路径等因素对处理结果的影响，保证了特征提取效果的一致优越性;
(2)合理设置MCKD中故障周期T的取值范围并以CK最大原则对T值进行寻优，有效解决了转速波动等因素影响导致的计算故障周期与实际故障周期之间的差异问题，从而有效保障MCKD算法效果；
(3)与Kurtogram以及文中所举例的前后优化指标不一致的复合诊断方法的比较结果表明本文方法在轴承故障诊断方面更具优势。
附图说明
图1是基于CK指标一致的轴承瞬态冲击特征提取方法流程图；
图2(a)是原始滚动体故障信号图、(b)是加入干扰冲击后的滚动体故障信号图、(c)是其包络谱图；
图3(a)是原始信号及其包络谱图、(b)是各TQWT分量的相关峭度分布图、(c)是最佳分量包络分析图；
图4是各TQWT分量的相关峭度值图(凯斯西储大学数据)；
图5是对比方法谱峭度图；
图6(a)是对比方法(Kurtogram)的包络信号图、(b)是对比方法的包络谱图；
图7(a)是最佳分量时域图、(b)是对比方法(常规时域峭度)处理后的包络谱图；
图8是(辛辛那提大学)疲劳试验全寿命周期Rms演化图；
图9(a)是第534组信号时域波形、(b)是第534组信号包络谱图；
图10(a)是MCKD预处理后信号图、(b)是选取的最佳TQWT分量图、(c)是本文方法处理后的包络谱图；
图11是各TQWT分量的相关峭度值图(辛辛那提大学数据)。
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由美国凯斯西储大学轴承实验中心提供，为体现本文的方法在轴承早期微小故障的作用，选取最小直径0.007mm的数据进行分析。通过公式计算出轴承滚动体故障特征频率fb为68Hz，轴承的转频fr为15Hz。
实施例1：
(1)预处理：从原始数据中随机截取6000个采样点如图2(a)所示，可以发现冲击成分几乎都被噪声覆盖。为了验证所提方法的有效性及合理性，进一步在原始信号1000到1060点范围内人为添加一段幅值为10的高幅值偶然性冲击如图2(b)所示，可见振动信号被严重影响，且在包络谱图2(c)中无法判断轴承是否发生故障。设置T的取值范围[70, 200],在T的取值区间内以步长1依次对原始信号进行MCKD解卷积预处理，计算不同T值下解卷信号的CK值，以CK最大原则选择最佳T值用于解卷积原始信号，消除传递路径影响并初步突出故障冲击。得到最佳故障周期T=175，验证与实际滚动体周期相符。预处理后信号如图4的时域波形中冲击特征得到一定增强；
(2)后处理：设置TQWT品质因子Q的变化范围为[1.0，3.0]，步长为0.1，冗余因子r为4.0，将MCKD预处理后的信号在不同Q值下进行TQWT分解，得到相应的小波系数与一层尺度系数；由于轴承故障冲击激发的共振频率通常位于中高频率段，故不同Q值下的TQWT分解结果中只有单支重构从高频开始的前10层子带信号。计算各重构分量CK值，得到如图4所示不同Q下的相关峭度分布图，根据相关峭度最大值选取最佳分量，最佳分量对应的Q为1，层数为该Q下的第1层，其对应的滤波器为第一层的高通滤波器。其对应的滤波器频带开始于2000 Hz，覆盖信号的共振频率3500 Hz，且有效避开了加入的正弦干扰冲击频率1500 Hz，证明了该方法对偶然性冲击干扰具有较好的鲁棒性。最佳分量时域波形如图3(a)，可以看到冲击成分得到了明显的增强；
(3)包络谱分析：求最佳分量的包络谱并与轴承的理论故障频率进行比较，对应最佳滤波信号时域波形及其包络谱分别如图3(b), 图3 (c)，可见68 Hz、134Hz等倍频成分明显，可以判断此时轴承发生滚动体故障；
(4)结果对比和验证评估：
1) 为了比较所提方法的有效性和优越性，采用谱峭度图(Kurtogram)对图2(b)信号进行分析，同本发明方法信号分析一致，设置分解层数，得到的谱峭度图如图5所示，可见谱峭度受偶然性冲击影响严重。滤波后信号包络如图6(a)所示，可以看到明显的偶然性干扰冲击，无明显周期性故障冲击特征。图6(b)包络谱中未出现明显特征频率成分，无法判断滚动轴承存在故障,故Kurtogram方法诊断失败；
2) 体现本发明提出的前后处理采用一致的优化指标这一观点的意义，将本文方法的TQWT后处理阶段优化指标替换为常规时域峭度，其余参数均不变。得到最佳分量时域波形如图7(a)，其包络谱如图7(b)所示，包络谱中虽然显示出90Hz及其倍频成分，但与实际故障特征频率不符。故此方法诊断失败，印证了预处理与后处理一致采用考虑故障冲击周期发生特点的CK指标的必要性；
3)为了验证本发明方法的有效性，使用美国辛辛那提大学智能维护中心提供的轴承疲劳寿命实验数据进行分析冲击特征微弱的早期故障，疲劳试验中轴承1出现较为严重的外圈故障，计算得轴承外圈故障特征频率为236.4 Hz。984组数据的全寿命周期的均方根值(Rms)演化情况如图8所示，在其984组数据中选第534组数据，其波形图及包络谱分别如图9(a)和(b)所示。包络谱中虽然有一处明显的230.5 Hz频率成分，但在[500 Hz, 1 000 Hz]这一频率范围内也出现了其它一些与故障特征频率无关的谱峰，同时未出现明显的故障倍频成分，因此无法确切判断存在外圈故障。采用本文方法的轴承早期故障分析结果如图10和图11所示。设置T的取值范围为[65, 110], 得到最佳故障周期T=86，与实际内圈故障周期85接近。预处理后信号如图10(a)的时域波形中冲击特征有所增强。进一步进行TQWT分解重构，图11相关峭度分布图对应最佳滤波信号时域波形及其包络谱分别如图10(b)和(c)，可见232 Hz及其倍频成分明显，可以判断轴承发生外圈故障。该案例分析表明本文方法在轴承早期微弱故障特征提取中具有一定的可行性和优越性。
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 (5)
1.基于CK指标一致的轴承瞬态冲击特征提取方法,其特征为，其具体步骤：
1)预处理：采用加速度传感器采集轴承原始振动信号，将实验轴承的内、外圈以及滚动体故障对应的周期取并集，设定适当的周期区间T。在T的取值区间内以步长1依次对原始信号进行MCKD解卷积预处理，计算不同T值下解卷信号的CK值。以CK最大原则选择最佳T值用于解卷积原始信号，消除传递路径影响并初步突出故障冲击；
2)后处理：设置TQWT中参数品质因子Q的取值范围、冗余因子r，将MCKD预处理后的信号在不同Q值下进行TQWT分解，得到相应的小波系数与一层尺度系数；由于轴承故障冲击激发的共振频率通常位于中高频率段，故不同Q值下的TQWT分解结果中只有单支重构从高频开始的前10层子带信号。计算各重构分量CK值，得到不同Q下的相关峭度分布图，根据相关峭度最大值选取最佳分量；
3)包络谱分析：求最佳分量的包络谱并与轴承的理论故障频率进行比较，完成故障诊断。
2.如权利要求1所述的基于CK指标一致的轴承瞬态冲击特征提取方法，其特征为，所述预处理的具体内容：
采集原始信号数据，根据滚动轴承内圈、外圈和滚动体的故障周期设置T的取值范围,在T的取值区间内以步长1依次对原始信号进行MCKD解卷积预处理，计算不同T值下解卷信号的CK值
以CK最大原则，即
选取最佳故障周期T对原始信号进行解卷积，其中，MCKD的具体实施过程如下：
步骤1：输入振动信号x，确定故障周期T；
步骤2：根据输入信号x计算
和
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5：根据y计算αm和β；
步骤6：计算新的滤波器系数f；
步骤7：根据下式计算迭代误差
如果计算出的err比给出的迭代误差小则计算终止，否则返回步骤3继续计算。将最终的滤波器系数f代入y＝f*x,得到实际采集信号x的解卷积信号y。
3.如权利要求1所述的基于CK指标一致的轴承瞬态冲击特征提取方法，其特征为，所述后处理的具体内容：
步骤1：设置TQWT中参数品质因子Q和冗余因子r的取值范围，Q要求大于等于1，r一般要求大于等于3，其中，
fw表示振动信号的中心频率，
BW为带宽，
j表示分解层数，α、β分别为高通、低通缩放参数，
r为冗余因子，Fs为采样频率。
步骤2：将MCKD预处理后的信号在不同Q值下进行TQWT分解得到相应的小波系数与一层尺度系数，其中，TQWT理论分解最大层数
表示向负无穷取整，N为信号的长度；
步骤3：由于轴承故障冲击激发的共振频率通常位于中高频率段，故不同Q值下的TQWT分解结果中只有单支重构从高频开始的前10层子带信号；
步骤4：计算各重构分量CK值，得到不同Q下的相关峭度分布图，在相关峭度分布图中根据相关峭度最大值选取最佳分量。
4.如权利要求1所述的基于CK指标一致的轴承瞬态冲击特征提取方法，其特征为，所述包络谱分析的具体内容：
根据选取的最佳分量，对其进行希尔伯特变换并求包络谱，进一步与轴承的理论故障频率进行比较，完成故障诊断。
5.如权利要求1至4所述的基于CK指标一致的轴承瞬态冲击特征提取方法的结果对比和验证，其特征为，所述以下的具体内容：
(a)采用谱峭度图(Kurtogram)对信号进行分析，同本发明方法信号分析一致，设置分解层数，得到的谱峭度图，谱峭度受偶然性冲击影响严重。滤波后信号包络，可以看到明显的偶然性干扰冲击，无明显周期性故障冲击特征。包络谱中未出现明显特征频率成分，无法判断滚动轴承存在故障,故Kurtogram方法诊断失败；
(b)为了体现本文提出的前后处理采用一致的优化指标这一观点的意义，将本发明方法的TQWT后处理阶段优化指标替换为常规时域峭度，其余参数均不变。得到最佳分量时域波形，取其包络谱，分析包络谱中的频率和倍频与实际故障特征频率不符。故此方法诊断失败，印证了预处理与后处理一致采用考虑故障冲击周期发生特点的CK指标的必要性；
(c)用轴承加速疲劳试验对得到的最佳分量的包络谱与轴承的理论故障频率进行比较，判断出轴承早期微弱故障，验证了结果的正确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010763781.5A CN111898556B (zh) | 2020-08-01 | 2020-08-01 | 基于ck指标一致的轴承瞬态冲击特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010763781.5A CN111898556B (zh) | 2020-08-01 | 2020-08-01 | 基于ck指标一致的轴承瞬态冲击特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111898556A true CN111898556A (zh) | 2020-11-06 |
| CN111898556B CN111898556B (zh) | 2024-04-16 |
Family
ID=73183159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010763781.5A Active CN111898556B (zh) | 2020-08-01 | 2020-08-01 | 基于ck指标一致的轴承瞬态冲击特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898556B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112197964A (zh) * | 2020-12-07 | 2021-01-08 | 领伟创新智能系统(浙江)有限公司 | 一种基于谱pq-mean的局部冲击信号定位方法 |
| 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 |
| CN112945557A (zh) * | 2021-01-29 | 2021-06-11 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
| CN113095170A (zh) * | 2021-03-29 | 2021-07-09 | 天地（常州）自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
| CN113776836A (zh) * | 2021-10-25 | 2021-12-10 | 长沙理工大学 | 一种自适应同步平均的轴承故障定量诊断方法 |
| CN113865860A (zh) * | 2021-08-25 | 2021-12-31 | 浙江运达风电股份有限公司 | 一种基于转频边带rms趋势分析的齿轮断齿故障诊断方法 |
| CN114371005A (zh) * | 2021-12-17 | 2022-04-19 | 江苏核电有限公司 | 一种滚动轴承的冲击特征提取方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
| CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
| 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 |
| CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
| CN109632311A (zh) * | 2019-01-21 | 2019-04-16 | 北京化工大学 | 一种自适应声信号轴承故障诊断方法 |
| WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
-
2020
- 2020-08-01 CN CN202010763781.5A patent/CN111898556B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
| CN108168886A (zh) * | 2017-12-22 | 2018-06-15 | 合肥工业大学 | 滚动轴承故障特征提取与运行状态监测方法 |
| WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
| 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 |
| CN109632311A (zh) * | 2019-01-21 | 2019-04-16 | 北京化工大学 | 一种自适应声信号轴承故障诊断方法 |
| CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| 唐贵基等: "基于包络谱稀疏度和最大相关峭度解卷积的滚动轴承早期故障诊断方法", 中国机械工程, vol. 26, no. 11, pages 1450 - 1456 * |
| 张龙;蔡秉桓;吴佳敏;熊国良;: "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, no. 02 * |
| 张龙等: "基于包络谱带通峭度的改进谱峭度方法及在轴承诊断中的应用", 振动与冲击, vol. 37, no. 23, pages 171 - 179 * |
| 王晓龙等: "自适应可调品质因子小波变换在轴承早期故障诊断中的应用", 航空动力学报, no. 10, pages 2467 - 2475 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112197964A (zh) * | 2020-12-07 | 2021-01-08 | 领伟创新智能系统(浙江)有限公司 | 一种基于谱pq-mean的局部冲击信号定位方法 |
| 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 |
| CN112945557A (zh) * | 2021-01-29 | 2021-06-11 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
| CN113095170A (zh) * | 2021-03-29 | 2021-07-09 | 天地（常州）自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
| CN113095170B (zh) * | 2021-03-29 | 2024-04-02 | 天地（常州）自动化股份有限公司 | 一种基于可调q小波电机故障诊断方法 |
| CN113865860A (zh) * | 2021-08-25 | 2021-12-31 | 浙江运达风电股份有限公司 | 一种基于转频边带rms趋势分析的齿轮断齿故障诊断方法 |
| CN113776836A (zh) * | 2021-10-25 | 2021-12-10 | 长沙理工大学 | 一种自适应同步平均的轴承故障定量诊断方法 |
| CN113776836B (zh) * | 2021-10-25 | 2024-01-02 | 长沙理工大学 | 一种自适应同步平均的轴承故障定量诊断方法 |
| CN114371005A (zh) * | 2021-12-17 | 2022-04-19 | 江苏核电有限公司 | 一种滚动轴承的冲击特征提取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111898556B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898556A (zh) | 基于ck指标一致的轴承瞬态冲击特征提取方法 | |
| Cui et al. | Rolling element fault diagnosis based on VMD and sensitivity MCKD | |
| Li et al. | Extracting repetitive transients for rotating machinery diagnosis using multiscale clustered grey infogram | |
| CN111178318B (zh) | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 | |
| CN105716857B (zh) | 一种行星齿轮箱健康状态评估方法 | |
| CN102607845B (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
| CN107884190A (zh) | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 | |
| 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 | |
| CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
| CN113780055B (zh) | 一种momeda与压缩感知的滚动轴承故障诊断方法 | |
| CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
| CN111413089A (zh) | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 | |
| CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
| Chen et al. | Compound fault identification of rolling element bearing based on adaptive resonant frequency band extraction | |
| CN106096242A (zh) | 一种基于改进emd分解的尾水管压力脉动综合评价方法 | |
| CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
| Sun et al. | Application of a novel improved adaptive CYCBD method in gearbox compound fault diagnosis | |
| Cui et al. | Research on fault diagnosis of rolling bearing based on the MCKD-SSD-TEO with optimal parameters | |
| CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
| CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
| CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
| CN116304648B (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 | |
| CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
| CN114088387A (zh) | 一种齿轮故障诊断方法、存储介质和装置 | |
| CN114818815A (zh) | 用于叶片振动测量的叶尖定时到达时刻的获取方法及系统 |
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 |