CN111985315A - 一种轴承故障信号内禀模态函数分解与提取方法及装置 - Google Patents
一种轴承故障信号内禀模态函数分解与提取方法及装置 Download PDFInfo
- Publication number
- CN111985315A CN111985315A CN202010661262.8A CN202010661262A CN111985315A CN 111985315 A CN111985315 A CN 111985315A CN 202010661262 A CN202010661262 A CN 202010661262A CN 111985315 A CN111985315 A CN 111985315A
- Authority
- CN
- China
- Prior art keywords
- signal
- function data
- intrinsic mode
- mode function
- sensitive
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 98
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000013075 data extraction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 153
- 238000010586 diagram Methods 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000010183 spectrum analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification 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
- G06F2218/12—Classification; Matching
-
- 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
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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种轴承故障信号内禀模态函数分解与提取方法及装置,包括:利用振动传感器获取轴承运转过程中的振动信号,并将振动信号作为分析信号;通过改进的集合经验模态分解方法对分析信号进行模态分解,通过添加最优幅值的伪随机噪声并对信号进行模态分解,以获取多个内禀模态函数数据;构建敏感IMF筛选指标,实现对敏感IMF的自动选取;通过对敏感内禀模态函数数据进行分析处理,判断轴承的故障。本发明对轴承故障信号进行模态分解可以获取无模态混叠的内禀模态函数数据以及包含故障特征的敏感内禀模态函数数据,解决了故障数据经模态分解后容易出现模态混叠以及敏感内禀模态函数数据获取困难问题,使得轴承故障判断更加准确。
Description
技术领域
本发明涉及了轴承的故障诊断技术领域,具体涉及了一种轴承故障信号内禀模态函 数分解与提取方法及装置。
背景技术
滚动轴承是各种旋转机械的重要零件,广泛应用于航天、冶金、交通运输等各行业。 但是滚动轴承承受冲击的能力差,轴承受径向载荷时各滚动体承受的载荷分布不均匀, 导致滚动轴承在工作时极易受到损坏。因此,对滚动轴承的工作状态进行监测具有重要 意义。
在对滚动轴承的故障信号进行分析时,集合经验模态分解是一种重要的信号处理方 法,其根据信号的极值点分布特性将信号分解为有限个具有物理意义的内禀模态函数分 量组合,可有效处理非平稳、非线性信号,广泛应用于机械故障诊断中。但使用集合经验模态分解对轴承故障信号进行处理时也存在许多问题,例如添加伪随机噪声的幅值和总体平均次数选择不合适会导致分解结果出现模态混叠,造成获得的内禀模态函数丧失物理意义,从而无法准确的对故障进行诊断。同时分解获得的多个内禀模态函数中只有 部分包含故障信息,实际故障诊断中往往需要使用相关的信号处理方法对包含故障信息 的内禀模态函数进行人为筛选,从而获得敏感内禀模态函数,这不仅使得筛选结果受人 为主观因素影响,而且还极大的影响故障诊断的效率。因此,获取无模态混叠的内禀模 态函数以及包含故障信息的敏感内禀模态函数对于提高故障诊断的准确率以及效率具 有重要意义。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提出一种轴承故障信号内禀模态 函数分解与提取方法及装置,有效的减少故障信号经模态分解后出现的模态混叠现象,提高信号分解的准确性,同时解决现有技术中包含故障信息的内禀模态函数数据筛选困难问题。通过振动传感器采集轴承运行过程中的振动信号,并将所述振动信号作为分析 信号,再通过对所述分析信号进行模态分解,获取多个内禀模态函数数据,再对所述多 个内禀模态函数数据进行筛选,获取敏感内禀模态函数数据,再对所述敏感内禀模态函 数数据进行包络谱分析,从而判断所述轴承的故障。
本发明提出一种轴承故障信号内禀模态函数分解与提取方法,包括:
利用振动传感器获取轴承运转过程中的振动信号,并将所述振动信号作为分析信号;
通过对所述分析信号进行模态分解,以获取多个内禀模态函数数据;
通过构建敏感函数数据的筛选值,以对所述多个内禀模态函数数据进行处理,获取 所述敏感内禀模态函数数据;
通过对所述敏感内禀模态函数数据进行分析处理,判断所述轴承的故障;
其中,获取所述内禀模态函数数据的步骤包括:
输入所述分析信号,并通过对所述分析信号进行处理以获取第一信号;
通过对所述第一信号进行模态分解,以获取第二信号;
通过对所述第二信号进行数据提取,并恢复至预设采样频率,获取多个所述内禀模 态函数数据。
在本发明的一个实施例中,所述轴承设置在轴承座上,所述振动传感器设置在所述 轴承座上。
在本发明的一个实施例中,对所述分析信号进行处理的方法设置为三次样条插值处 理。
在本发明的一个实施例中,通过对所述第一信号进行经验模态分解,以获取第二信 号的步骤包括:
设定伪随机噪声信号的幅值范围,幅值增长步长以及添加所述伪随机噪声信号的次 数;
通过对所述第一信号分别添加幅值不同的所述伪随机噪声信号,并计算评价参数, 获取所述评价参数最小时对应的第一幅值和第一伪随机噪声信号;
通过对所述第一信号中分别添加正负所述第一伪随机噪声信号,获取正子信号和负 子信号,所述第一伪随机噪声信号的幅值为所述第一幅值;
通过对所述正子信号和所述负子信号进行经验模态分解,获得多个中间内禀模态函 数数据和中间残余分量数据;
将所述多个中间内禀模态函数数据和中间残余分量数据进行平均处理,获取第二信 号。
在本发明的一个实施例中,所述幅值范围设置为第一范围,所述幅值增长步长设置 为第一步长,所述添加伪随机噪声信号次数设置为两次。
在本发明的一个实施例中,所述幅值不同的伪随机噪声信号的幅值以所述第一步长 进行递增,且位于所述第一范围内。
在本发明的一个实施例中,所述伪随机噪声的上限频率设置为所述预设采样频率的 n倍。
在本发明的一个实施例中,构建敏感函数数据筛选值,以获取所述敏感内禀模态函 数数据的步骤包括:
分别获取多个所述内禀模态函数数据与所述分析信号的相关系数,以及所述多个内 禀模态函数数据的能量密度与平均周期;
通过所述相关系数,所述能量密度和所述平均周期获取所述敏感内禀模态函数数据 的所述筛选值,并取所述筛选值的平均值;
通过所述筛选值与所述平均值进行对比,当所述内禀模态函数数据的所述筛选值大 于所述平均值,则将所述内禀模态函数数据视为所述敏感内禀模态函数数据,以获取所述敏感内禀模态函数数据。
在本发明的一个实施例中,所述筛选值的计算公式如下:
其中,ri为第i个所述内禀模态函数数据与所述分析信号的相关系数,ETi为第i个所述内禀模态函数数据的能量密度与其平均周期的乘积。
本发明还提出一种轴承故障信号内禀模态函数分解与提取装置,所述装置应用了所 述轴承故障信号内禀模态函数分解与提取方法,所述装置包括:
振动传感器,用于通过振动传感器采集轴承运转过程中的振动信号,并将所述振动 信号作为分析信号;
信号模态分解模块,连接所述振动传感器,用于通过对所述分析信号进行模态分解, 以获取多个内禀模态函数数据;
敏感内禀模态函数数据筛选器,连接所述信号模态分解设备,用于通过构建敏感函 数数据的筛选值,以对所述多个内禀模态函数数据进行处理,获取所述敏感内禀模态函数数据;
故障判断器,连接所述敏感内禀模态函数数据筛选器,用于通过对所述敏感内禀模 态函数数据进行分析处理,判断所述轴承的故障;
其中,所述信号模态分解模块对所述分析信号进行模态分解,以获取多个内禀模态 函数数据的步骤包括:
输入所述分析信号,并通过对所述分析信号进行处理以获取第一信号;
通过对所述第一信号进行模态分解,以获取第二信号;
通过对所述第二信号进行数据提取,并恢复至预设采样频率,获取多个所述内禀模 态函数数据。
本发明提出一种轴承故障信号内禀模态函数分解与提取方法及装置,通过振动传感 器采集所述轴承在运转过程中的振动信号,并将所述振动信号作为分析信号,再通过信号模态分解模块对所述分析信号进行模态分解,以获取多个所述内禀模态函数数据(IMF),再通过敏感内禀模态函数数据筛选器对所述多个内禀模态函数数据进行筛选 以获取敏感内禀模态函数数据(敏感IMF),并通过故障判断器对所述敏感内禀模态函 数数据(敏感IMF)进行包络谱分析,以判断所述轴承的故障。
本发明通过对所述分析信号在所述信号模态分解模块中进行信号分解获取多个内 禀模态函数数据(IMF),实现集合经验模态分解(EEMD)过程中伪随机噪声信号幅 值的自适应选取,通过评价参数确定最优伪随机噪声信号上限频率并自适应选取伪随机 噪声信号最优幅值,解决了因幅值选取不合适导致的模态混叠问题。
本发明通过内禀模态函数数据与所述分析信号的相关系数,所述内禀模态函数数据 的能量密度及平均周期构建一种筛选值,实现对敏感IMF的准确选取,解决了包含故障信息的IMF筛选困难问题,使得轴承故障判断更加准确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附 图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他 的附图。
图1为本发明提出轴承故障信号内禀模态函数分解与提取方法的步骤流程图。
图2为本发明提出的轴承故障信号内禀模态函数分解与提取方法中获取多个内禀模 态函数数据的流程图。
图3为本发明提出的轴承故障信号内禀模态函数分解与提取装置的结构示意图。
图4为本发明实施例的电子设备的结构框图。
图5为对探究信号进行重采样后的极值点进行三次样条拟合获得的包络线图。
图6为对探究信号添加伪随机噪声信号中伪随机噪声信号频率与评价参数的关系图。
图7为CR-EEMD的流程图。
图8为仿真分析信号的时域波形图。
图9为CR-EEMD分解仿真分析信号过程中评价参数与伪随机噪声信号幅值的关系图。
图10为CR-EEMD分解仿真分析信号获取的内禀模态函数数据结果示意图。
图11为EEMD分解仿真分析信号获取的内禀模态函数数据结果示意图。
图12为本发明实施例的轴承故障诊断装置的轴承试验装置的结构框图。
图13为CR-EEMD和EEMD分解分析信号获取的内禀模态函数数据结果示意图。
图14为筛选图13中内禀模态函数数据获取的敏感内禀模态函数数据结果示意图。
图15为对图14中获取的敏感内禀模态函数数据进行包络谱分析结果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所 揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实 施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂 图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态 也可能更为复杂。
本发明提出一种轴承故障信号内禀模态函数分解与提取方法及装置,通过振动传感 器采集振动信号,并将所述振动信号作为分析信号,再通过对所述分析信号进行模态分解,获取多个内禀模态函数数据,再对所述多个内禀模态函数数据进行筛选,获取敏感 内禀模态函数数据,再对所述敏感内禀模态函数数据进行包络谱分析,从而判断所述轴 承的故障。
如图1所示,在本实施例中,本发明提出一种用于判断轴承故障的方法,包括:
S1、利用振动传感器获取轴承运转过程中的振动信号,并将所述振动信号作为分析 信号;
S2、通过对所述分析信号进行模态分解,以获取多个内禀模态函数数据;
S3、通过构建敏感函数数据的筛选值,以对所述多个内禀模态函数数据进行处理,获取所述敏感内禀模态函数数据;
S4、通过对所述敏感内禀模态函数数据进行分析处理,判断所述轴承的故障。
如图1所示,在步骤S1中,将所述振动传感器设置在所述轴承的轴承座上,用于 采集所述轴承在运转过程中的振动信号,并将所述振动信号作为分析信号。
如图1及图2所示,在步骤S2中,通过改进的集合经验模态分解的方法对所述分 析信号进行模态分解,以获取多个内禀模态函数数据,改进的集合经验模态分解的方法 记为:CR-EEMD,其获取多个所述内禀模态函数数据的步骤包括:
S2.1、输入所述分析信号,并通过对所述分析信号进行处理以获取第一信号;
S2.2、通过对所述第一信号进行模态分解,以获取第二信号;
S2.3、通过对所述第二信号进行数据提取,并恢复至预设采样频率,获取多个所述内禀模态函数数据;
如图2所示,在本实施例中,在步骤S2.1中,对所述分析信号进行处理的方法设 置为对所述分析信号进行三次样条插值处理,所述三次样条插值处理相当于对所述分析 信号以第一频率进行重采样处理,所述伪随机噪声的上限频率设置为所述预设采样频率 的n倍,在本实施例中,将所述上限频率定义为第一频率,在本实施例中,所述第一频 率设置为所述预设采样频率的20倍,对所述分析信号进行三次样条插值处理以获取第 一信号。
如图2所示,在本实施例中,在S2.2中通过对所述第一信号进行模态分解,以获 取第二信号的步骤包括:
S2.21、设定伪随机噪声信号的幅值范围,幅值增长步长以及添加所述伪随机噪声信号的次数;
S2.22、通过对所述第一信号分别添加幅值不同的所述伪随机噪声信号,并计算评价参数,获取所述评价参数最小时对应的第一幅值和第一伪随机噪声信号;
S2.23、通过对所述第一信号中分别添加正负所述第一伪随机噪声信号,获取正子信号和负子信号,所述第一伪随机噪声信号的幅值为所述第一幅值;
S2.24、通过对所述正子信号和所述负子信号进行经验模态分解,获得多个中间内禀模态函数数据和中间残余分量数据
S2.25、将所述多个中间内禀模态函数和中间残余分量进行平均处理,获取第二信号。
如图2所示,在本实施例中,在步骤S2.21中所述幅值范围设置为第一范围,所述幅值增长步长设置为第一步长,所述添加伪随机噪声信号次数设置为两次,在步骤S2.22中,所述幅值不同的伪随机噪声信号的幅值以所述第一步长进行递增,且位于所述第一 范围内,所述评价参数的计算公式为:
式中,j为信号上包络线极值点的个数,k为下包络线极值点的个数,G(q)为上 包络线的第q个极值,其对应最近位置的信号极大值为Aq,D(r)为下包络线的第r个极 值,其对应最近位置的信号极小值为Br。
如图1所示,在本实施例中,在步骤S3中,构建敏感函数数据筛选值,以获取所 述敏感内禀模态函数数据的步骤包括:
S2.31、分别获取多个所述内禀模态函数数据与所述分析信号的相关系数,以及所述多个内禀模态函数数据的能量密度与平均周期;
S2.32、以所述相关系数,所述能量密度和所述平均周期获取所述敏感内禀模态函数数据的所述筛选值,并取所述筛选值的平均值;
S2.33、将所述筛选值与所述平均值进行对比,对所述多个内禀模态函数数据进行筛选,当所述内禀模态函数数据的所述筛选值大于所述平均值,则将所述内禀模态函数 数据视为所述敏感内禀模态函数数据,以获取所述敏感内禀模态函数数据。
如图1所示,在本实施例中,相关系数是表征变量之间相关程度的量,所述相关系数r的计算公式如下:
式中,Cov(X,Y)为X与Y的协方差,Var[·]为方差,所述变量X和变量Y分别表示所述 内禀模态函数数据(IMF)和所述分析信号,内禀模态函数数据(IMF)与分析信号的 相关系数越大表示该内禀模态函数数据(IMF)包含与分析信号有关的成分越多,反之 亦然。
并且,噪声序列经EMD分解后各IMF分量的能量密度E与其平均周期T的乘积为 一常量,即
式中,N为内禀模态函数数据(IMF)的长度,Ci为第i个内禀模态函数数据(IMF)的幅值,Oi为第i个内禀模态函数数据(IMF)的极值点个数。
如图1所示,在本实施例中,本发明提出以所述相关系数,所述能量密度和所述平均周期获取所述敏感内禀模态函数数据的所述筛选值λ,其计算公式如下:
其中,ri为第i个所述内禀模态函数数据与所述分析信号的相关系数,ETi为第i个所述内禀模态函数数据的能量密度与其平均周期的乘积。
如图1所示,在本实施例中,取所述筛选值的平均值作为筛选标准,将所述筛选值与所述平均值进行对比,对所述多个内禀模态函数数据进行筛选,当所述内禀模态函数 数据的所述筛选值大于所述平均值,则将所述内禀模态函数数据视为所述敏感内禀模态 函数数据,以获取所述敏感内禀模态函数数据。
如图1所示,在本实施例中,在步骤S4中,对所述敏感内禀模态函数数据进行分 析处理,判断所述轴承的故障,在本实施例中,对所述敏感内禀模态函数数据进行分析 处理设置为包络谱分析。
如图3所示,本发明还提出一种轴承故障信号内禀模态函数分解与提取装置,所述装置应用了所述轴承故障信号内禀模态函数分解与提取方法,所述装置包括:振动传感 器10,信号模态分解模块20,敏感内禀模态函数数据筛选器30和故障判断器40。
如图3所示,在本实施例中,所述振动传感器10设置在所述轴承的轴承座上,用 于采集所述轴承在运转过程中的振动信号,并将所述振动信号作为分析信号,再将所述 分析信号输入至所述信号模态分解模块20中,所述信号模态分解模块20连接所述振动 传感器10,用于将所述分析信号进行模态分解,以获取多个内禀模态函数数据(IMF), 其获取内禀模态函数数据(IMF)的过程为:输入所述分析信号,对所述分析信号进行 插值处理,获取第一信号,再对所述第一信号进行处理,获取多个中间内禀模态函数数 据和中间残余分量数据,再对所述多个中间内禀模态函数数据和中间残余分量数据进行 平均处理,获取第二信号,最后将所述第二信号进行数据提取,并恢复至预设采样频率, 获取多个所述内禀模态函数数据。
如图3所示,在本实施例中,将获取的所述多个内禀模态函数数据(IMF)传输至 敏感内禀模态函数数据筛选器30中对所述多个内禀模态函数数据(IMF)进行筛选,以 获取所述敏感内禀模态函数数据(敏感IMF),其过程为:分别获取多个所述内禀模态 函数数据与所述分析信号的相关系数,以及所述多个内禀模态函数数据的能量密度与平 均周期,再以所述相关系数,所述能量密度和所述平均周期获取所述敏感内禀模态函数 数据的所述筛选值,并取所述筛选值的平均值,最后将所述筛选值与所述平均值进行对 比,对所述多个内禀模态函数数据进行筛选,当所述内禀模态函数数据的所述筛选值大 于所述平均值,则将所述内禀模态函数数据视为所述敏感内禀模态函数数据,以获取所 述敏感内禀模态函数数据。在本实施例中,所述敏感内禀模态函数数据筛选器30与所 述信号模态分解模块20连接,最后通过故障判断器40对所述敏感内禀模态函数数据(敏 感IMF)进行包络谱分析,以判断轴承的故障,所述故障判断器40连接所述敏感内禀 模态函数数据筛选器30。
需要说明的是,上述所述装置中的信号模态分解模块20和敏感内禀模态函数数据筛选器30,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且 这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实 现;还可以部分单元通过处理元件调用软件的形式实现,部分单元通过硬件的形式实现。 此外这些单元全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以 是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的部分或全部步骤, 或以上信号模态分解模块20和敏感内禀模态函数数据筛选器30可以通过处理器元件中 的硬件的集成逻辑电路或者软件形式的指令完成。
需要说明的是,如图4所示,本实施例的一种轴承故障信号内禀模态函数分解与提取方法及装置还可以通过一电子设备50来实现上述的信号模态分解模块20和敏感内禀 模态函数数据筛选器30的功能,所述电子设备50包括相互连接的存储器53、处理器 51及通信器52,所述存储器53存储有计算机程序,该程序被所述处理器51执行实现 判断轴承故障的方法。
上述的处理器51可以是通用处理器,包括中央处理器(Central ProcessingUnit,简 称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简 称ASIC)、现场可编程门阵列(Field-Programmable GateArray,简称FPGA)或者其他可 编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件;上述的存储器53可能包 含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储 器(Non-Volatile Memory),例如至少一个磁盘存储器。
需要说明的是,上述存储器53中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的 理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部 分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干 指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本 发明各个实施例方法的全部或部分步骤。
本发明提出一种极值点拟合评价参数,用于确定添加伪随机噪声信号的最佳上限频 率,对信号进行经验模态分解(EMD)时,“过包络”和“欠包络”现象影响分解效果, “过包络”和“欠包络”现象大多发生在包络线的极值处,其中“过包络”现象发生在 上包络线的极大值处和下包络线的极小值处,“欠包络”现象发生在上包络线的极小值 处和下包络线的极大值处。基于此,提出极值点拟合效果的评价参数:
式中,j为信号上包络线极值点的个数,k为下包络线极值点的个数,G(q)为上 包络线的第q个极值,其对应最近位置的信号极大值为Aq,D(r)为下包络线的第r个极 值,其对应最近位置的信号极小值为Br。
为探究伪随机噪声信号上限频率对“过包络”和“欠包络”现象的影响,对探究信号以采样频率f=n·fs进行重采样,向重采样后的信号中添加幅值为0.01SD(SD为信 号的标准差)的伪随机噪声信号,然后再对其极大值点和极小值点进行三次样条拟合, 结果如图5所示。可以看出,当伪随机噪声信号上限频率f=fs时,信号“过包络”和 “欠包络”现象明显,f=6fs时,“过包络”和“欠包络”现象有所减少,f=12fs时, 几乎没有出现“过包络”和“欠包络”现象,由此可见,增加伪随机噪声信号的上限频 率可以改善信号“过包络”和“欠包络”现象。为探究最佳的伪随机噪声信号上限频率, 向该探究信号中分别添加幅值为0.01SD,上限频率分别为n·fs(n=1,2,…,50)的伪随机 噪声信号,用评价参数p评价“过包络”和“欠包络”的程度,结果如图6所示,可以 看出,随着伪随机噪声信号上限频率的增加,p呈现下降的趋势,直至最终趋稳,当上 限频率达到20倍采样频率后,p值几乎不再发生变化,即信号中“过包络”和“欠包 络”程度已降到了很低的水平,因此,选择f=20fs作为最佳伪随机噪声信号上限频率。
如图7所示,在一些实施例中,通过振动传感器采集所述轴承的振动信号,并将所述振动信号作为分析信号,并将所述分析信号记为x0(t),将所述信号输入至所述信号模态分解模块20中,再通过所述信号模态分解模块20对所述分析信号x0(t)进行处理,获 取多个所述内禀模态函数数据以及残余分量。
如图7所示,在本实施例中,将所述伪随机噪声信号的幅值范围[emin,emax],即所述第一范围[emin,emax]设置为[0.001SD,0.014SD],所述幅值增长步长u,即所述第一步长u 设置为0.001SD,伪随机噪声信号的添加次数设置为两次,以及将所述伪随机噪声信号 的上限频率设置为所述预设采样频率的20倍,即:
f=20fs,
其中,f表示所述伪随机噪声信号的上限频率,fs表示所述预设采样频率。
如图7所示,在本实施例中,对所述分析信号x0(t)进行三次样条插值处理获取第一 信号x(t),在本实施例中,相当于以f=nfs对所述分析信号x0(t)进行重采样,得到第一信号x(t),在本实施例中,所述f=nfs设置为f=20fs,即以频率为所述预设采样频率 的20倍对所述分析信号x0(t)进行重采样,获得第一信号x(t),再对所述第一信号x(t)加 入幅值为ei的伪随机噪声信号ni(t),获得复合信号xi(t),并计算评价参数pi,遍历所有 ei,获取最小值pm对应的第一幅值em和第一伪随机噪声信号nm,其中ei=emin+(i-1)u, 其中,i=1,2,…,14。
如图7所示,在本实施例中,向所述第一信号x(t)中分别添加正负所述第一伪随机噪声信号nm,获取正子信号x+(t)和负子信号x-(t),所述第一伪随机噪声信号nm的幅值 为所述第一幅值em,对所述正子信号x+(t)和所述负子信号x-(t)分别进行经验模态分解(EMD)获得多个中间内禀模态函数数据(IMF)和中间残余分量数据,其中对所述正 子信号x+(t)进行经验模态分解(EMD)获得多个中间内禀模态函数数据(IMF),记为 Cs1(t),和一个中间残余分量数据,记为R1(t);所述负子信号x-(t)分别进行经验模态分 解(EMD)获得多个中间内禀模态函数数据(IMF),记为Cs2(t)和一个中间残余分量 数据,记为R2(t),其中,s=1,2,…,k,k为所述中间内禀模态函数数据(IMF)的个数。
如图7所示,在本实施例中,将对所述正子信号x+(t)和所述负子信号x-(t)分别进行经验模态分解(EMD)获得多个内禀模态函数数据(IMF)和残余分量数据进行平均 处理,获得第二信号X(t),其平均处理的计算公式如下:
再将所述第二信号X(t)进行数据提取,并恢复至所述预设采样频率,获取多个所述内禀 模态函数数据,记为Cs(s=1,2,…,k)和一个残余分量数据R。
为方便说明,以本发明中提出的对所述分析信号进行改进的集合经验模态分解以获 取所述内禀模态函数数据的方法记为CR-EEMD。
以CR-EEMD获取所述内禀模态函数数据与以集合经验模态分解(EEMD)获取所 述内禀模态函数数据进行对比为具体实施例进行说明:
构建仿真分析信号如下:
x(t)=x1(t)+x2(t)+n(t)
x1(t)=4sin(2π·40t)
x2(t)=3sin(2π·10t)
式中,n(t)为干扰噪声。
仿真分析信号采样频率fs=1000Hz,采样时间持续0.5s,其时域波形如图8所示。使用CR-EEMD进行分解过程为:确定伪随机噪声信号幅值范围,幅值增长步长,添加 所述伪随机噪声信号的次数以及伪随机噪声信号的上限频率,对所述数据进行三次样条 插值处理后的信号遍历所有幅值,确定其评价参数p最小时对应的最优伪随机噪声信号 幅值,对插值处理后的信号添加所述伪随机噪声信号并进行EMD分解得到多个中间内 禀模态函数数据,在分解过程中,遍历幅值范围,三次样条拟合效果评价参数p与各伪 随机噪声信号幅值的关系如图9所示,可以看出,当n=0.008SD时,p达到最小,因此 选择最佳伪随机噪声信号幅值为0.008SD,CR-EEMD分解结果如图10所示,从图中可 以看出,C1-C4对应于信号中的高频干扰成分,C5对应于x1,C6对应于x2,C7-C8为 低频干扰成分。将EEMD分解的伪随机噪声信号幅值设置为0.2SD,总体平均次数设置 为50,分解结果如图11所示,从图中可以看出,C3和C4对应于信号的x1和x2,但是 C2中包含有x1的成分,R中包含x2的成分,分解结果出现了模态混叠,因此,CR-EEMD 对分析信号的分解效果要优于EEMD。
下面将结合一个具体实施例来说明本发明的实施例的所述一种轴承故障信号内禀 模态函数分解与提取方法。
为了体现本发明提出方法的有效性和可行性,采用试验台现场采集的数据进行验证。数据采集来自本单位的航空发动机轴承试验台(也即轴承试验装置),如图12所 示,在本实施例中,所述轴承试验装置50主要包括轴承试验机51以及分别与轴承试验 机51连接的加载站52,润滑站53和冷却站54等配套设备。实验轴承采用NU1010型 号滚动轴承,该试验轴承的基本参数见表1。
表1
滚子直径(mm) | 节径(mm) | 滚子个数 | 接触角(度) |
7.5 | 65 | 20 | 0 |
所述轴承转速设置为2000r/min,采样频率设置为fs=20480Hz,则所述轴承转速为2000r/min时外圈故障频率为f0=294.6Hz。
利用振动传感器采集轴承的振动信号,并随机选取一段样本点个数为10240的数据 进行CR-EEMD和EEMD分解,CR-EEMD分解过程为:确定伪随机噪声信号幅值范围, 幅值增长步长,添加所述伪随机噪声信号的次数以及伪随机噪声信号的上限频率,对所 述数据进行三次样条插值处理后的信号遍历所有幅值,确定其评价参数p最小时对应的 最优伪随机噪声信号幅值为0.013SD,对插值处理后的信号添加所述伪随机噪声信号并 进行EMD分解得到多个中间内禀模态函数数据,而将EEMD分解伪随机噪声信号幅值 设置为0.2SD,总体平均次数设置为50,两种方法的分解结果如图13所示。
CR-EEMD分解结果中,各IMF对应的敏感IMF筛选值λ如表2所示,因此,确定C3、C4及C5为敏感IMF。EEMD分解结果中,各IMF对应的敏感IMF筛 选值λ如表3所示,因此,确定C1、C2及C3为敏感IMF,其对所述内禀模 态函数数据进行筛选获取的敏感内禀模态函数数据的结果如图14所示。
表2
IMF | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10~C12 |
λ | 0.01 | 0.07 | 0.80 | 0.93 | 0.39 | 0.18 | 0.07 | 0.03 | 0.02 | 0 |
表3
IMF | C1 | C2 | C3 | C4 | C5 | C6~C9 |
λ | 0.99 | 0.93 | 0.28 | 0.13 | 0.05 | 0 |
将两种分解方法获得的敏感IMF进行包络谱分析,结果如图15所示(为方便分析,只对500Hz以内的频率进行显示),从图中可以看出,二者的前两个IMF分量都有明 显的故障频率,且故障频率幅值大于干扰频率幅值,可以进行准确的故障判断。在第三 个IMF的包络谱中,CR-EEMD对应的故障频率幅值依然高于干扰频率,可以进行故障 判断,而EEMD分解的故障频率已经淹没在干扰频率中,无法进行准确的故障判断, 因此,本发明提出的CR-EEMD较EEMD在故障诊断方面更加有优势。
综上所述,本发明提出一种轴承故障信号内禀模态函数分解与提取方法及装置,通 过振动传感器采集所述轴承在运转过程中的振动信号,并将所述振动信号作为分析信号,再通过信号模态分解模块对所述分析信号进行模态分解,以获取多个所述内禀模态 函数数据(IMF),获取所述内禀模态函数数据(IMF)的过程为:将所述分析信号输 入至所述信号模态分解模块中,并对所述分析信号进行插值处理,获取第一信号,对所 述第一信号进行处理,获取多个中间内禀模态函数数据(IMF)和中间残余分量数据, 对所述多个中间内禀模态函数数据(IMF)和中间残余分量数据进行平均处理,获取第 二信号,将所述第二信号进行数据提取,并恢复至预设采样频率,获取多个所述内禀模 态函数数据(IMF),再通过敏感内禀模态函数数据筛选器对所述多个内禀模态函数数 据进行筛选以获取敏感内禀模态函数数据(敏感IMF),并通过故障判断器对所述敏感 内禀模态函数数据(敏感IMF)进行包络谱分析,以判断所述轴承的故障。
本发明通过对所述分析信号在所述信号模态分解模块中进行信号分解获取多个内 禀模态函数数据(IMF)实现在集合经验模态分解(EEMD)过程中伪随机噪声信号幅 值的自适应选取,通过评价参数确定最优伪随机噪声信号上限频率并自适应选取伪随机 噪声信号最优幅值,解决了因幅值选取不合适导致的模态混叠问题。
本发明通过内禀模态函数数据与所述分析信号的相关系数,所述内禀模态函数数据 的能量密度及平均周期构建一种筛选值,实现对敏感IMF的准确选取,解决了包含故障信息的IMF筛选困难问题,使得轴承故障判断更加准确。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明,本领域技术人员 应当理解,本申请中所涉及的范围并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案,例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外,其余技术特征为本领域技术人员的已知技术,为突出 本发明的创新特点,其余技术特征在此不再赘述。
Claims (10)
1.一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,包括:
利用振动传感器获取轴承运转过程中的振动信号,并将所述振动信号作为分析信号;
通过对所述分析信号进行模态分解,以获取多个内禀模态函数数据;
通过构建敏感函数数据的筛选值,以对所述多个内禀模态函数数据进行处理,获取所述敏感内禀模态函数数据;
通过对所述敏感内禀模态函数数据进行分析处理,判断所述轴承的故障;
其中,获取所述内禀模态函数数据的步骤包括:
输入所述分析信号,并通过对所述分析信号进行处理以获取第一信号;
通过对所述第一信号进行模态分解,以获取第二信号;
通过对所述第二信号进行数据提取,并恢复至预设采样频率,获取多个所述内禀模态函数数据。
2.根据权利要求1所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,所述轴承设置在轴承座上,所述振动传感器设置在所述轴承座上。
3.根据权利要求1所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,对所述分析信号进行处理的方法设置为三次样条插值处理。
4.根据权利要求1所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,对所述第一信号进行经验模态分解,以获取第二信号的步骤包括:
设定伪随机噪声信号的幅值范围,幅值增长步长以及添加所述伪随机噪声信号的次数;
通过对所述第一信号分别添加幅值不同的所述伪随机噪声信号,并计算评价参数,获取所述评价参数最小时对应的第一幅值和第一伪随机噪声信号;
通过对所述第一信号中分别添加正负所述第一伪随机噪声信号,获取正子信号和负子信号,所述第一伪随机噪声信号的幅值为所述第一幅值;
通过对所述正子信号和所述负子信号进行经验模态分解,获得多个中间内禀模态函数数据和中间残余分量数据;
将所述多个中间内禀模态函数数据和中间残余分量数据进行平均处理,获取第二信号。
5.根据权利要求4所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,所述幅值范围设置为第一范围,所述幅值增长步长设置为第一步长,所述添加伪随机噪声信号次数设置为两次。
6.根据权利要求5所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,所述幅值不同的伪随机噪声信号的幅值以所述第一步长进行递增,且位于所述第一范围内。
7.根据权利要求4所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,所述伪随机噪声的上限频率设置为所述预设采样频率的n倍。
8.根据权利要求1所述的一种轴承故障信号内禀模态函数分解与提取方法,其特征在于,构建敏感函数数据筛选值,以获取所述敏感内禀模态函数数据的步骤包括:
分别获取多个所述内禀模态函数数据与所述分析信号的相关系数,以及所述多个内禀模态函数数据的能量密度与平均周期;
通过所述相关系数,所述能量密度和所述平均周期获取所述敏感内禀模态函数数据的所述筛选值,并取所述筛选值的平均值;
通过所述筛选值与所述平均值进行对比,当所述内禀模态函数数据的所述筛选值大于所述平均值,则将所述内禀模态函数数据视为所述敏感内禀模态函数数据,以获取所述敏感内禀模态函数数据。
10.一种轴承故障信号内禀模态函数分解与提取装置,其特征在于,包括:
振动传感器,用于通过振动传感器采集轴承运转过程中的振动信号,并将所述振动信号作为分析信号;
信号模态分解模块,连接所述振动传感器,用于通过对所述分析信号进行模态分解,以获取多个内禀模态函数数据;
敏感内禀模态函数数据筛选器,连接所述信号模态分解设备,用于通过构建敏感函数数据的筛选值,以对所述多个内禀模态函数数据进行处理,获取所述敏感内禀模态函数数据;
故障判断器,连接所述敏感内禀模态函数数据筛选器,用于通过对所述敏感内禀模态函数数据进行分析处理,判断所述轴承的故障;
其中,所述信号模态分解模块对所述分析信号进行模态分解,以获取多个内禀模态函数数据的步骤包括:
输入所述分析信号,并通过对所述分析信号进行处理以获取第一信号;
通过对所述第一信号进行模态分解,以获取第二信号;
通过对所述第二信号进行数据提取,并恢复至预设采样频率,获取多个所述内禀模态函数数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010661262.8A CN111985315A (zh) | 2020-07-10 | 2020-07-10 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010661262.8A CN111985315A (zh) | 2020-07-10 | 2020-07-10 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985315A true CN111985315A (zh) | 2020-11-24 |
Family
ID=73438633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010661262.8A Pending CN111985315A (zh) | 2020-07-10 | 2020-07-10 | 一种轴承故障信号内禀模态函数分解与提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985315A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633132A (zh) * | 2020-12-18 | 2021-04-09 | 合肥工业大学 | 基于二维振动图像增强的轴承故障诊断方法及系统 |
CN113138322A (zh) * | 2021-05-11 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 配电网高阻接地故障的检测方法、装置、设备和存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103488882A (zh) * | 2013-09-10 | 2014-01-01 | 河海大学 | 一种水工建筑物安全自动化监测系统降噪方法 |
CN105699072A (zh) * | 2016-01-11 | 2016-06-22 | 石家庄铁道大学 | 一种基于级联经验模态分解齿轮故障诊断方法 |
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN106019102A (zh) * | 2016-06-27 | 2016-10-12 | 国网北京市电力公司 | 信号去噪方法和装置 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
CN107426026A (zh) * | 2017-07-31 | 2017-12-01 | 山东省计算中心(国家超级计算济南中心) | 一种基于eemd‑arima的云计算服务器负载短期预测方法 |
CN107832525A (zh) * | 2017-11-07 | 2018-03-23 | 昆明理工大学 | 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 |
CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
CN108596144A (zh) * | 2018-05-09 | 2018-09-28 | 大连海事大学 | 一种分解参数自适应确定的互补集成经验模态分解方法 |
CN109000921A (zh) * | 2017-06-07 | 2018-12-14 | 中国大唐集团科技工程有限公司 | 一种风电机组主轴故障的诊断方法 |
CN109000926A (zh) * | 2018-10-25 | 2018-12-14 | 中国计量大学 | 基于emd和近似熵的滚动轴承声发射信号特征提取方法 |
CN109404285A (zh) * | 2018-09-13 | 2019-03-01 | 温州大学 | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN109883704A (zh) * | 2019-03-11 | 2019-06-14 | 鲁东大学 | 一种基于eemd和k-gde的滚动轴承故障特征的提取方法 |
CN109975656A (zh) * | 2019-03-06 | 2019-07-05 | 河南理工大学 | 基于柔性直流配电网高阻接地故障检测方法 |
CN110363141A (zh) * | 2019-07-15 | 2019-10-22 | 郑州大学 | 用于诊断燃气调压器故障的方法 |
-
2020
- 2020-07-10 CN CN202010661262.8A patent/CN111985315A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
CN103488882A (zh) * | 2013-09-10 | 2014-01-01 | 河海大学 | 一种水工建筑物安全自动化监测系统降噪方法 |
CN105699072A (zh) * | 2016-01-11 | 2016-06-22 | 石家庄铁道大学 | 一种基于级联经验模态分解齿轮故障诊断方法 |
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN106019102A (zh) * | 2016-06-27 | 2016-10-12 | 国网北京市电力公司 | 信号去噪方法和装置 |
CN107036817A (zh) * | 2017-04-05 | 2017-08-11 | 哈尔滨理工大学 | 基于磷虾群算法的svr滚动轴承性能衰退预测方法 |
CN109000921A (zh) * | 2017-06-07 | 2018-12-14 | 中国大唐集团科技工程有限公司 | 一种风电机组主轴故障的诊断方法 |
CN107426026A (zh) * | 2017-07-31 | 2017-12-01 | 山东省计算中心(国家超级计算济南中心) | 一种基于eemd‑arima的云计算服务器负载短期预测方法 |
CN107832525A (zh) * | 2017-11-07 | 2018-03-23 | 昆明理工大学 | 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 |
CN108168890A (zh) * | 2018-02-10 | 2018-06-15 | 北京工业大学 | 一种滚动轴承故障诊断的方法 |
CN108303258A (zh) * | 2018-05-09 | 2018-07-20 | 大连海事大学 | 一种滚动轴承性能退化评估的特征提取方法 |
CN108596144A (zh) * | 2018-05-09 | 2018-09-28 | 大连海事大学 | 一种分解参数自适应确定的互补集成经验模态分解方法 |
CN109404285A (zh) * | 2018-09-13 | 2019-03-01 | 温州大学 | 一种螺杆式压缩机故障诊断的改进混洗蛙跳算法增强自适应带通滤波方法 |
CN109000926A (zh) * | 2018-10-25 | 2018-12-14 | 中国计量大学 | 基于emd和近似熵的滚动轴承声发射信号特征提取方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN109975656A (zh) * | 2019-03-06 | 2019-07-05 | 河南理工大学 | 基于柔性直流配电网高阻接地故障检测方法 |
CN109883704A (zh) * | 2019-03-11 | 2019-06-14 | 鲁东大学 | 一种基于eemd和k-gde的滚动轴承故障特征的提取方法 |
CN110363141A (zh) * | 2019-07-15 | 2019-10-22 | 郑州大学 | 用于诊断燃气调压器故障的方法 |
Non-Patent Citations (1)
Title |
---|
汤杰 等: "基于IVMD的单通道盲源分离方法及其应用", 《组合机床与自动化加工技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633132A (zh) * | 2020-12-18 | 2021-04-09 | 合肥工业大学 | 基于二维振动图像增强的轴承故障诊断方法及系统 |
CN113138322A (zh) * | 2021-05-11 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 配电网高阻接地故障的检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Approximate entropy as a diagnostic tool for machine health monitoring | |
JP3484665B2 (ja) | 異常判定方法および装置 | |
Robertson et al. | Singularity detection for structural health monitoring using holder exponents | |
Feng et al. | Application of regularization dimension to gear damage assessment | |
Luo et al. | On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing | |
Jiang et al. | Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis | |
CN111985315A (zh) | 一种轴承故障信号内禀模态函数分解与提取方法及装置 | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
CN114676736B (zh) | 一种滚压工件表面质量预测方法 | |
Fan et al. | Machine fault feature extraction based on intrinsic mode functions | |
CN111678698B (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
CN111751117A (zh) | 一种特种车辆健康状态评估方法及装置 | |
Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
CN112729859A (zh) | 一种电子驻车噪声品质评价系统及方法 | |
CN111337767A (zh) | 一种谐振波减速器故障分析方法 | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
Bouaouiche et al. | Detection of defects in a bearing by analysis of vibration signals | |
CN111797789B (zh) | 一种用于故障特征判读的时频脊线提取方法及装置 | |
CN112597958A (zh) | 一种滚动轴承故障自动识别方法及系统 | |
CN115310490B (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
CN108182306B (zh) | 车辆动力传动装置磨粒特征参数退化失效阈值的确定方法 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
He et al. | Signal nonstationary degree evaluation method based on moving statistics theory | |
CN113158366A (zh) | 基于运行状态声辐射信号的轴承监测方法、系统及设备 | |
Kim | Fault detection for manufacturing home air conditioners using wavelet transform |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |