CN112036270A - 一种滚动轴承早期损伤状态的振动监测方法 - Google Patents

一种滚动轴承早期损伤状态的振动监测方法 Download PDF

Info

Publication number
CN112036270A
CN112036270A CN202010830897.6A CN202010830897A CN112036270A CN 112036270 A CN112036270 A CN 112036270A CN 202010830897 A CN202010830897 A CN 202010830897A CN 112036270 A CN112036270 A CN 112036270A
Authority
CN
China
Prior art keywords
vibration
rolling bearing
damage
early
state
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
Application number
CN202010830897.6A
Other languages
English (en)
Other versions
CN112036270B (zh
Inventor
邓林峰
赵荣珍
郑玉巧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University of Technology
Original Assignee
Lanzhou University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou University of Technology filed Critical Lanzhou University of Technology
Priority to CN202010830897.6A priority Critical patent/CN112036270B/zh
Publication of CN112036270A publication Critical patent/CN112036270A/zh
Application granted granted Critical
Publication of CN112036270B publication Critical patent/CN112036270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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

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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种滚动轴承早期损伤状态的振动监测方法，将滚动轴承承载区的早期损伤划分为外圈损伤、内圈损伤和滚动体损伤，模拟这3种早期损伤状态并采集相应的振动信号；利用小波消噪方法对振动信号消噪处理，提取消噪后信号的振动烈度、振动峰值、振动峭度3个时域特征；根据3个时域特征构造滚动轴承早期损伤状态的标准特征向量，采集滚动轴承实际运行状态下的振动信号并构造滚动轴承早期损伤状态的实时特征向量，并与标准特征向量进行对比，判断滚动轴承是否出现早期损伤状态。本发明的计算公式简单，算法易于实现，实时性强、准确率高、易操作，可快速准确地判断滚动轴承是否出现早期损伤，为轴承及设备的安全运行提供保障。

Description

一种滚动轴承早期损伤状态的振动监测方法
技术领域
本发明属于机械设备状态监测技术领域，尤其涉及一种滚动轴承早期损伤状态的振动监测方法。
背景技术
滚动轴承广泛应用于电力、冶金、石化、交通运输等多个领域的机械设备中，具有运行精度高、摩擦系数小、易于润滑、便于装配、可大批量制造等优点。滚动轴承对机械设备的稳定、安全、可靠起着非常重要的作用，对其损伤状态，特别是早期损伤状态进行监测与分析，可有效减少设备发生故障的概率，这对提高企业生产效率，保证生产安全具有重大意义。目前，国内外对滚动轴承损伤状态的监测方法主要是利用轴承的振动信号进行分析，通过振动信号对滚动轴承的损伤类型及原因做出识别与判断。经长期实践表明，这种状态监测方式具有一定的实用价值，但由于滚动轴承早期损伤故障振动信号携带的特征信息微弱，传统的利用振动信号进行分析的方法难以有效监测轴承早期损伤状态，只能在滚动轴承损伤程度进一步加剧时，才能发现轴承健康状况出现异常。也就是说，蕴含在轴承早期损伤振动信号中的特征信息没有被有效提取，轴承早期损伤状态没有准确及时的监测到，而这有可能导致滚动轴承完全失效甚至整台设备报废。
发明内容
针对上述背景技术中指出的不足，本发明提供了一种滚动轴承早期损伤状态的振动监测方法，通过设计恰当合理的消噪滤波器，消除原始振动信号的干扰噪声，然后计算消噪信号的3个时域统计量，提取早期损伤振动信号的敏感特征，进而构造早期损伤状态的标准特征向量，并与新的状态特征向量进行对比，实现对滚动轴承早期损伤状态的有效监测和设备故障的提前预警。
为实现上述目的，本发明采用的技术方案是：
一种滚动轴承早期损伤状态的振动监测方法，该方法包括以下步骤：
(1)将滚动轴承承载区的早期损伤划分为外圈损伤、内圈损伤和滚动体损伤，模拟滚动轴承的这3种早期损伤状态，并通过安装在滚动轴承座上方的振动加速度传感器采集相应的振动信号，形成滚动轴承早期损伤状态的原始振动信号s(n)；
(2)采用小波消噪方法对采集的原始振动信号s(n)进行处理，得到消噪信号x(n)；
(3)对消噪信号x(n)计算振动烈度T1、振动峰值T2、振动峭度T33个时域特征；
(4)使用T1、T2、T3 3个时域特征构造滚动轴承早期损伤状态标准特征向量F，构造过程为：
将外圈损伤、内圈损伤、滚动体损伤3种早期损伤状态的振动信号分别进行处理，得到3个对应的损伤状态特征向量T1、T2、T3：
Figure BDA0002637928760000021
Figure BDA0002637928760000022
Figure BDA0002637928760000023
构造滚动轴承早期损伤状态标准特征向量F，
F＝[F1,F2,F3]，
其中，
Figure BDA0002637928760000024
Figure BDA0002637928760000025
Figure BDA0002637928760000026
(5)通过安装在滚动轴承座上的振动加速度传感器采集实时运行轴承的振动信号，将采集的振动信号按照步骤(2)和步骤(3)的方法进行处理，得到滚动轴承实时运行状态的振动烈度T′1、振动峰值T′2、振动峭度T′3三个时域特征，并使用T′1、T′2、T′3构造滚动轴承早期损伤状态实时特征向量T′＝[T′1,T′2,T′3]，将T′与步骤(4)中得到的F进行对照，若(T′1≥F1)∨(T′2≥F2)∨(T′3≥F3)＝1成立，则滚动轴承出现早期损伤；若(T′1≥F1)∨(T′2≥F2)∨(T′3≥F3)＝1不成立，则滚动轴承正常。
优选地，步骤(2)中，所述小波消噪方法对原始振动信号s(n)的处理过程如下：
(a)对振动信号s(n)进行正交小波分解：
Figure BDA0002637928760000031
Figure BDA0002637928760000032
其中，j＝0,1,2,…为分解尺度，h0(m-2n)、h1(m-2n)为分析滤波器，s(0)(m)＝s(n)，d(j+1)(n)为小波系数；
(b)对小波系数d(j+1)(n)进行阈值处理：
Figure BDA0002637928760000033
其中，sgn(·)为符号函数，λ为阈值，且
Figure BDA0002637928760000034
其中，σ为噪声的标准差，N为信号的长度；
(c)进行小波重构：
Figure BDA0002637928760000035
其中，g0(m-2n)、g1(m-2n)为综合滤波器。
优选地，步骤(3)中，所述振动烈度T1、振动峰值T2、振动峭度T3三个时域特征的计算方法如下：
Figure BDA0002637928760000036
Figure BDA0002637928760000037
Figure BDA0002637928760000038
其中，N为x(n)的数据点个数，Ni为x(n)的极值点个数，xext(j)为x(n)的局部极值点，
Figure BDA0002637928760000041
Figure BDA0002637928760000042
相比于现有技术的缺点和不足，本发明具有以下有益效果：
本发明利用小波消噪法有效去除了滚动轴承早期损伤原始振动信号中的干扰成分；通过计算消噪后振动信号的振动烈度、振动峰值、振动峭度三个振动敏感指标对滚动轴承的损伤状态进行表征，保证了损伤特征准确、可靠；振动烈度、振动峰值和振动峭度三个量化指标的计算公式简单，算法及程序易于实现，可快速做出滚动轴承是否损伤的准确判断，为轴承及设备的安全运行提供了保障。
附图说明
图1是本发明实施例提供的滚动轴承早期损伤状态振动监测装置的结构示意图。
图2是本发明实施例提供的滚动轴承早期损伤状态振动监测方法的流程图。
图3是本发明实施例提供的模拟滚动轴承外圈早期损伤状态的原始振动信号和原始振动消噪信号的信号波形图。
图4是本发明实施例提供的模拟滚动轴承外圈早期损伤状态原始振动信号的三个时域特征值。
图5是本发明实施例提供的模拟滚动轴承内圈早期损伤状态原始振动信号的三个时域特征值。
图6是本发明实施例提供的模拟滚动轴承滚动体早期损伤状态原始振动信号的三个时域特征值。
图7是本发明实施例提供的滚动轴承正常状态的振动监测结果图。
图8是本发明实施例提供的滚动轴承外圈早期损伤状态的振动监测结果图。
图9是本发明实施例提供的滚动轴承内圈早期损伤状态的振动监测结果图。
图10是本发明实施例提供的滚动轴承滚动体早期损伤状态的振动监测结果图。
图中：1.电机；2.联轴器；3.基座；4.滚动轴承；5.旋转轴；6.化工离心泵；7.振动加速度传感器；8.数据采集卡；9.计算机。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明采用的滚动轴承早期损伤状态振动监测的装置如图1所示，基座3上设置电机1和轴承架，电机1的输出轴上通过联轴器2连接有旋转轴5，旋转轴5通过滚动轴承4安装于轴承架上，旋转轴5上安装有化工离心泵6，滚动轴承座上方安装振动加速度传感器7，振动加速度传感器7连接数据采集卡8，数据采集卡8连接计算机9。其中，振动加速度传感器7为东昊测试的DH185T单轴向IEPE压电加速度传感器；数据采集卡8为凌华科技的PCI-9812同步采样模拟输入卡。
本发明对一台额定功率为2.2千瓦、流量为每小时15立方米的化工离心泵6的滚动轴承早期损伤状态进行监测，流程图参照图2，振动监测方法如下：
(1)将滚动轴承承载区的早期损伤划分为外圈损伤、内圈损伤和滚动体损伤，模拟滚动轴承的这3种早期损伤状态，并通过安装在滚动轴承座上方的振动加速度传感器采集相应的振动信号，形成滚动轴承早期损伤状态的原始振动信号s(n)。
(2)采用小波消噪方法对采集的原始振动信号s(n)进行处理，得到消噪信号x(n)，采集振动加速度信号时的采样频率设为12KHz，小波消噪方法对振动信号s(n)的处理过程如下：
(a)对振动信号s(n)进行正交小波分解：
Figure BDA0002637928760000061
Figure BDA0002637928760000062
其中，j＝0,1,2,…为分解尺度，h0(m-2n)、h1(m-2n)为分析滤波器，s(0)(m)＝s(n)，d(j+1)(n)为小波系数；
(b)对小波系数d(j+1)(n)进行阈值处理：
Figure BDA0002637928760000063
其中，sgn(·)为符号函数，λ为阈值，且
Figure BDA0002637928760000064
其中，σ为噪声的标准差，N为信号的长度；
(c)进行小波重构：
Figure BDA0002637928760000065
其中，g0(m-2n)、g1(m-2n)为综合滤波器。
分析滤波器h0(m-2n)、h1(m-2n)、和综合滤波器g0(m-2n)、g1(m-2n)均采用Dmeyer小波的小波函数和尺度函数计算得到，采样长度取6s，即信号的长度取72000。
滚动轴承外圈早期损伤状态原始振动信号和经过小波消噪处理后信号的时域波形见图3所示，由该图可知，经过小波消噪处理后振动信号的噪声成分得到有效抑制，且有用的振动脉冲成分得以无失真保留。
(3)对消噪信号x(n)计算振动烈度T1、振动峰值T2、振动峭度T33个时域特征；
振动烈度T1、振动峰值T2、振动峭度T3三个时域特征的计算公式如下：
Figure BDA0002637928760000071
Figure BDA0002637928760000072
Figure BDA0002637928760000073
其中，N为x(n)的数据点个数，Ni为x(n)的极值点个数，xext(j)为x(n)的局部极值点，
Figure BDA0002637928760000074
Figure BDA0002637928760000075
模拟滚动轴承外圈早期损伤状态的外圈损伤、内圈损伤和滚动体损伤的三个时域特征计算结果如图4-6所示，由图4-6所示的计算结果可知，滚动轴承的外圈损伤、内圈损伤、滚动体损伤对应的特征值也不同。
(4)使用T1、T2、T3 3个时域特征构造滚动轴承早期损伤状态标准特征向量F，构造过程为：
将外圈损伤、内圈损伤、滚动体损伤3种早期损伤状态的振动信号分别进行处理，得到3个对应的损伤状态特征向量T1、T2、T3，上标1、2、3分别代表外圈、内圈、滚动体，T1、T2、T3的结果如下：
Figure BDA0002637928760000076
Figure BDA0002637928760000077
Figure BDA0002637928760000078
构造滚动轴承早期损伤状态标准特征向量F，
则判别特征向量F＝[F1,F2,F3]＝[0.15,0.47,3.19]；
其中，
Figure BDA0002637928760000079
Figure BDA00026379287600000710
Figure BDA00026379287600000711
(5)运动状态下，滚动轴承分别在正常状态、外圈轻微损伤状态、内圈轻微损伤状态、滚动体轻微损伤状态时，通过安装在滚动轴承座上的振动加速度传感器采集实时运行轴承的振动信号，将采集的振动信号按照步骤(2)和步骤(3)的方法进行处理，得到4种状态下的滚动轴承实时运行的振动烈度T′1、振动峰值T′2、振动峭度T′3三个时域特征，并使用T′1、T′2、T′3构造滚动轴承早期损伤状态实时特征向量T′＝[T′1,T′2,T′3]，滚动轴承分别在正常状态、外圈轻微损伤状态、内圈轻微损伤状态、滚动体轻微损伤状态时的实时特征向量T′如下：
T′(正常)＝[0.07,0.19,2.87]；
T′(外圈)＝[0.25,1.13,6.53]；
T′(内圈)＝[0.29,1.26,5.37]；
T′(滚动体)＝[0.17,0.54,3.10]；
将上述4个状态的实时特征向量T′分别与标准特征向量F进行比对，结果分别如图7、图8、图9、图10所示。由图7可知，滚动轴承在正常状态时，则有(T′1≥F1)∨(T′2≥F2)∨(T′3≥F3)＝1不成立，即可依据满足此条件时判定轴承为正常；由图8、图9、图10可知，滚动轴承在外圈轻微损伤状态、内圈轻微损伤状态或滚动体轻微损伤状态时，则(T′1≥F1)∨(T′2≥F2)∨(T′3≥F3)＝1都成立，即判定轴承有早期损伤。根据监测结果可知，本发明能够准确判断滚动轴承是否出现早期损伤，实现了滚动轴承早期损伤状态的有效监测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种滚动轴承早期损伤状态的振动监测方法，其特征在于，该方法包括以下步骤：
(1)将滚动轴承承载区的早期损伤划分为外圈损伤、内圈损伤和滚动体损伤，模拟滚动轴承的这3种早期损伤状态，并通过安装在滚动轴承座上方的振动加速度传感器采集相应的振动信号，形成滚动轴承早期损伤状态的原始振动信号s(n)；
(2)采用小波消噪方法对采集的原始振动信号s(n)进行处理，得到消噪信号x(n)；
(3)对消噪信号x(n)计算振动烈度T1、振动峰值T2、振动峭度T33个时域特征；
(4)使用T1、T2、T3 3个时域特征构造滚动轴承早期损伤状态标准特征向量F，构造过程为：
将外圈损伤、内圈损伤、滚动体损伤3种早期损伤状态的振动信号分别进行处理，得到3个对应的损伤状态特征向量T1、T2、T3：
T1＝[T1 1,T2 1,T3 1]，
Figure FDA0002637928750000011
Figure FDA0002637928750000012
构造滚动轴承早期损伤状态标准特征向量F，
F＝[F1,F2,F3]，
其中，F1＝min(T1 1,T1 2,T1 3)，
Figure FDA0002637928750000013
(5)通过安装在滚动轴承座上的振动加速度传感器采集实时运行轴承的振动信号，将采集的振动信号按照步骤(2)和步骤(3)的方法进行处理，得到滚动轴承实时运行状态的振动烈度T1′、振动峰值T2′、振动峭度T3′三个时域特征，并使用T1′、T2′、T3′构造滚动轴承早期损伤状态实时特征向量T′＝[T1′,T2′,T3′]，将T′与步骤(4)中得到的F进行对照，若(T1′≥F1)∨(T2′≥F2)∨(T3′≥F3)＝1成立，则滚动轴承出现早期损伤；若(T1′≥F1)∨(T2′≥F2)∨(T3′≥F3)＝1不成立，则滚动轴承正常。
2.如权利要求1所述的滚动轴承早期损伤状态的振动监测方法，其特征在于，步骤(2)中，所述小波消噪方法对原始振动信号s(n)的处理过程如下：
(a)对振动信号s(n)进行正交小波分解：
Figure FDA0002637928750000021
Figure FDA0002637928750000022
其中，j＝0,1,2,…为分解尺度，h0(m-2n)、h1(m-2n)为分析滤波器，s(0)(m)＝s(n)，d(j+1)(n)为小波系数；
(b)对小波系数d(j+1)(n)进行阈值处理：
Figure FDA0002637928750000023
其中，sgn(·)为符号函数，λ为阈值，且
Figure FDA0002637928750000024
其中，σ为噪声的标准差，N为信号的长度；
(c)进行小波重构：
Figure FDA0002637928750000025
其中，g0(m-2n)、g1(m-2n)为综合滤波器。
3.如权利要求2所述的滚动轴承早期损伤状态的振动监测方法，其特征在于，步骤(3)中，所述振动烈度T1、振动峰值T2、振动峭度T3三个时域特征的计算方法如下：
Figure FDA0002637928750000026
Figure FDA0002637928750000031
Figure FDA0002637928750000032
其中，N为x(n)的数据点个数，Ni为x(n)的极值点个数，xext(j)为x(n)的局部极值点，
Figure FDA0002637928750000033
Figure FDA0002637928750000034
CN202010830897.6A 2020-08-18 2020-08-18 一种滚动轴承早期损伤状态的振动监测方法 Active CN112036270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010830897.6A CN112036270B (zh) 2020-08-18 2020-08-18 一种滚动轴承早期损伤状态的振动监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010830897.6A CN112036270B (zh) 2020-08-18 2020-08-18 一种滚动轴承早期损伤状态的振动监测方法

Publications (2)

Publication Number Publication Date
CN112036270A true CN112036270A (zh) 2020-12-04
CN112036270B CN112036270B (zh) 2024-03-05

Family

ID=73577590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010830897.6A Active CN112036270B (zh) 2020-08-18 2020-08-18 一种滚动轴承早期损伤状态的振动监测方法

Country Status (1)

Country Link
CN (1) CN112036270B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569351A (zh) * 2021-07-08 2021-10-29 北京远舢智能科技有限公司 基于phm技术的工业设备故障诊断方法、装置及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010190901A (ja) * 2010-03-17 2010-09-02 Chugoku Electric Power Co Inc:The 転がり軸受の余寿命診断方法
CN103439110A (zh) * 2013-07-31 2013-12-11 哈尔滨工程大学 滚动轴承早期微弱故障诊断方法
CN106441896A (zh) * 2016-10-14 2017-02-22 石家庄铁道大学 滚动轴承故障模式识别及状态监测的特征向量提取方法
EP3309530A1 (en) * 2016-10-11 2018-04-18 ABB Schweiz AG Detection of bearing fault
CN108361207A (zh) * 2018-01-09 2018-08-03 兰州理工大学 一种用于离心泵振动监测与故障预警的装置及方法
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN110987434A (zh) * 2019-12-18 2020-04-10 中国民航大学 一种基于去噪技术的滚动轴承早期故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010190901A (ja) * 2010-03-17 2010-09-02 Chugoku Electric Power Co Inc:The 転がり軸受の余寿命診断方法
CN103439110A (zh) * 2013-07-31 2013-12-11 哈尔滨工程大学 滚动轴承早期微弱故障诊断方法
EP3309530A1 (en) * 2016-10-11 2018-04-18 ABB Schweiz AG Detection of bearing fault
CN106441896A (zh) * 2016-10-14 2017-02-22 石家庄铁道大学 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN108361207A (zh) * 2018-01-09 2018-08-03 兰州理工大学 一种用于离心泵振动监测与故障预警的装置及方法
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN110987434A (zh) * 2019-12-18 2020-04-10 中国民航大学 一种基于去噪技术的滚动轴承早期故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任学平 等: "基于多域特征及多传感器网络融合的滚动轴承故障诊断", 《轴承》, no. 02, 5 February 2015 (2015-02-05) *
袁幸 等: "基于模型辨识的滚动轴承故障诊断", 《振动.测试与诊断》, no. 01, 15 February 2013 (2013-02-15) *
邓飞跃 等: "基于时间-小波能量谱样本熵的滚动轴承智能诊断方法", 《振动与冲击》, no. 09, 15 May 2017 (2017-05-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569351A (zh) * 2021-07-08 2021-10-29 北京远舢智能科技有限公司 基于phm技术的工业设备故障诊断方法、装置及系统

Also Published As

Publication number Publication date
CN112036270B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
Yan et al. Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings
CN108168891B (zh) 滚动轴承微弱故障信号特征的提取方法及设备
Bin et al. Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network
WO2019179340A1 (zh) 基于eemd和msb的滚动轴承故障特征提取方法
Li et al. Synchro-reassigning transform for instantaneous frequency estimation and signal reconstruction
Yang et al. Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion
Hao et al. Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings
CN105784366A (zh) 一种变转速下的风电机组轴承故障诊断方法
Yan et al. Energy-based feature extraction for defect diagnosis in rotary machines
Li et al. Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology
CN102840907B (zh) 早期故障状态下滚动轴承振动信号特征提取和分析方法
Tu et al. Generalized horizontal synchrosqueezing transform: Algorithm and applications
CN102759448B (zh) 基于柔性时域平均的齿轮箱故障检测方法
Cui et al. An investigation of rolling bearing early diagnosis based on high-frequency characteristics and self-adaptive wavelet de-noising
Zheng et al. Adaptive power spectrum Fourier decomposition method with application in fault diagnosis for rolling bearing
Yan et al. A feature selection framework-based multiscale morphological analysis algorithm for fault diagnosis of rolling element bearing
CN104215456A (zh) 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法
Liu et al. Rotating machinery fault diagnosis under time-varying speeds: A review
Li et al. A VME method based on the convergent tendency of VMD and its application in multi-fault diagnosis of rolling bearings
Zheng et al. Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement
CN112036270B (zh) 一种滚动轴承早期损伤状态的振动监测方法
Duan et al. Impulsive feature extraction with improved singular spectrum decomposition and sparsity-closing morphological analysis
Cui et al. Fault diagnosis of offshore wind turbines based on component separable synchroextracting transform
Liu et al. Two-step adaptive chirp mode decomposition for time-varying bearing fault diagnosis
Wei et al. Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze 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
GR01 Patent grant
GR01 Patent grant