CN112200015A - 一种基于改进vmd的滚动轴承故障诊断方法 - Google Patents
一种基于改进vmd的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112200015A CN112200015A CN202010973616.2A CN202010973616A CN112200015A CN 112200015 A CN112200015 A CN 112200015A CN 202010973616 A CN202010973616 A CN 202010973616A CN 112200015 A CN112200015 A CN 112200015A
- Authority
- CN
- China
- Prior art keywords
- fault
- vmd
- rolling bearing
- value
- modal
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 239000006185 dispersion Substances 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 29
- 230000010354 integration Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000010998 test method 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于改进VMD的滚动轴承故障诊断方法,属于旋转类机械故障诊断技术领域。本发明采集滚动轴承在不同工作状态下的多组原始数据;通过散布熵最小值原则对VMD参数进行优化,利用参数优化后的VMD对振动信号进行分解,得到多个模态分量;综合皮尔逊相关系数、肯德尔相关系数和峭度值得到集成指标,选取集成指标最大的模态分量,对其包络解调分析,通过包络谱提取出滚动轴承故障特征,并与理论轴承故障频率进行对比,判断轴承故障类型。本发明解决了VMD参数需人为预先设定的问题,使结果更具理论依据,可靠性更高;集成指标在选取模态分量时,可以全面评估模态分量信息,选取合适分量,提高结果的准确性和有效性。
Description
技术领域
本发明涉及一种基于改进VMD的滚动轴承故障诊断方法,属于旋转类机械故障诊断技术领域。
背景技术
滚动轴承是旋转机械中最重要的部件之一,其运行状态是否正常往往直接影响到整个机械系统的性能,如果发生故障可能会导致巨大的经济损失。因此,为保证旋转机械设备正常运行,有效提取滚动轴承故障特征以评估轴承运行状态至关重要。
近年来,基于振动信号自适应分解的故障特征提取方法得到了广泛的应用。经验模态分解(empirical mode decomposition,EMD)分解是一种典型的自适应时频分解方法,已被广泛应用于滚动轴承故障诊断及性能退化评估领域。但EMD存在模态混叠和端点效应的问题。为改进其缺陷,提高分解性能,集成经验模态分解(ensemble empirical modedecomposition,EEMD)、完备集成经验模态分解(complete ensemble empirical modedecomposition with adaptive noise,CEEMDAN)等方法相继被提出。但是,由于递归分解原理的局限性,上述方法只能在某种程度上改善模态混叠和最终分解效果,而不能从根本上解决上述问题。VMD与上述方法的递归模式不同,其引入变分模型,将信号的分解转换为约束模型最优解的寻优问题,从而避免端点效应、抑制模态混叠,并且具有较高的分解效率。但是,VMD的参数惩罚因子和模态数需人为预先设定,且分解结果对参数敏感性高,极大地限制了VMD的分解精度。
此外,筛选有效分量对后续轴承的故障特征提取至关重要,峭度、相关系数等指标被广泛应用于该步骤。但是,单一指标难以全面评估分量信息,可能导致选择的分量无法有效表征轴承故障信息。
发明内容
本发明要解决的技术问题是提供一种基于改进VMD的滚动轴承故障诊断方法,用以解决上述问题。
本发明的技术方案是:一种基于改进VMD的滚动轴承故障诊断方法,具体步骤为:
Step1:采集滚动轴承在不同工作状态下的原始数据。
Step2:通过散布熵最小值原则优化VMD中的参数模态数K和惩罚因子α,并对采集的振动信号进行VMD分解。
Step3:用综合皮尔逊相关系数(Pearson correlation coefficient,PCC)、肯德尔相关系数(Kendall correlation coefficient,KEN)和峭度值(kurtosis,KUR)作为模态分量选择集成指标,选择集成指标最大的模态分量用于后续分析。
Step4:对选取的模态分量进行包络解调分析,通过其包络谱提取出滚动轴承故障频率,并与理论轴承故障频率进行对比,判断轴承故障类型。
所述滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据及滚动体故障数据。
所述Step 2具体为:
Step2.1:优化模态数K。
初始化VMD参数,对原始振动信号进行VMD分解,计算分解得到的模态分量的散布熵值,设定K的搜索范围为K∈[2,15],搜索步长为1,更新K值对振动信号循环进行VMD分解,根据散布熵最小原则,当模态分量的散布熵最小时,对应的K值为最优值,确定模态数K。模态数K=2,惩罚因子α=2000。
Step2.2:优化惩罚因子α。
利用散布熵最小值原则对α进行优化,设定α的搜索范围为α∈[200,2000],搜索步长为50,带入步骤1计算所得的K值,更新α值对振动信号循环进行VMD分解,确定惩罚因子α。
所述散布熵的参数设置为:嵌入维数m=2,种类数c=3,时延d=1。
所述Step 3具体为:
Step3.1:分别计算皮尔逊相关系数(PCC)、肯德尔相关系数(KEN)和峭度值(KUR):
皮尔逊相关系数(PCC):
式中,x为待测的模态分量,y为原始信号,N为信号长度。
肯德尔相关系数(KEN):
式中,C为信号x、y中拥有相同元素的数量,D为信号x、y中拥有不相同元素的数量。
式中,s1为待测模态分量x中含有的小集合数,Ui为第i个小集合包含的元素数,s2为原始信号y中含有的小集合数,Vi为第i个小集合包含的元素数。
峭度值(KUR):
Step3.2:对上述指标进行归一化处理:
Step3.3:综合上述归一化后的指标,得到集成指标:
I(k)=βK(k)*βPCC(k)*βKEN(k)。
所述Step 4具体为:
Step 4.1:绘制所述模态分量的包络频谱图。
Step 4.2:判断所述频谱图中的频率范围是否包含所述外圈故障频率、内圈故障频率、滚动体故障频率及其整数倍频率。
如果是则输出故障提示信息。
如果否,则输出正常提示信息。
所述故障诊断结果包括故障提示信息和正常提示信息。
所述故障频率具体包括外圈故障频率、内圈故障频率和滚动体故障频率。
本发明的有益效果是:
1、充分发挥VMD在降噪方面的优越性,改善传统方法在微弱故障信号特征提取上的缺陷。
2、利用散布熵最小值原则实现了VMD参数的自适应选择,避免人为选择参数导致的错误诊断结果,相比试验法和网格寻优法具有更高的效率。
3、通过集成指标选择VMD分解后的模态分量可以更全面的评估分量信息,可以准确提取出含故障信息较多的分量完成信号重构,提高后续故障诊断的准确性。
附图说明
图1是本发明流程框图;
图2是本发明散布熵最小原则优化VMD参数流程框图;
图3是本发明滚动轴承实验装置示意图;
图4是本发明故障滚动轴承实验信号时域波形图;
图5是本发明模态数K与散布熵值的关系曲线图;
图6是本发明惩罚因子α与散布熵值的关系曲线图;
图7是本发明VMD分解结果图;
图8是本发明选取有效模态分量的包络谱图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
使用美国辛辛那提大学智能维护系统(IMS)的滚动轴承全寿命周期数据进行实验。图3为轴承实验平台,该平台由1个主轴、4个实验轴承、一个交流电动机和摩擦带组成。4个Rexnord ZA-2115双列轴承安装在主轴上,交流电动机通过摩擦带连接到主轴,将转速保持在2000r/min,每个轴承有16个滚动体。PCB 352B33高灵敏度石英ICP加速度计安装在每个轴承座上记录振动信号。数据集采样频率为20kHz,数据采集间隔时间为10min,数据长度为20480点。
一种基于改进VMD的滚动轴承故障诊断方法,如图1-图2所示,具体包括以下步骤:
Step1:获取发生外圈故障的滚动轴承振动信号,图4为轴承时域波形图,图中故障轴承冲击成分被噪声掩盖,无法观测出故障频率成份。
Step2:对VMD参数进行寻优,确定最优参数,其求解步骤如下:
Step2.1:初始化VMD:模态数K=2,惩罚因子α=2000,对原始振动信号进行VMD分解,计算分解得到的模态分量的散布熵值。设定K的搜索范围为K∈[2,15],搜索步长为1,更新K值对振动信号循环进行VMD分解,根据散布熵最小原则,当模态分量的散布熵最小时,对应的K值为最优值,确定模态数K。图5为模态数K与散布熵的关系,由此可知,当K=8时,取得最小的散布熵值,因此确定模态数K=8。
Step2.2:取K=8,同样利用散布熵最小值原则对α进行优化。设定α的搜索范围为α∈[200,2000],搜索步长为50,确定惩罚因子α。图6为惩罚因子α与散布熵的关系,由此可知,当α=1950时,取得最小的散布熵值,由此可得到最优参数[8,1950]。
Step3:对原始振动信号进行基于上述优化[K,α]的VMD分解,得到8个模态分量如图7所示。
Step4:计算各模态分量的集成指标值,表1为各模态分量对应的集成指标值,可知第五个模态分量集成指标值最小,故选择第五个模态分量进行后续分析。
表1:各模态分量的集成指标值
Step5:对Step 4中选取的第五个模态分量进行包络解调分析,包络谱如图8所示,从图8中可以清晰的观测出故障频率236.3Hz及其倍频。根据该故障轴承所在轴的转频,可知外圈故障频率为236.4Hz,从而判断出滚动轴承发生外圈故障。
综上,本发明能够成功提取被噪声覆盖的轴承微弱故障特征。散布熵最小值原则可以有效实现VMD参数的选择,为实验过程提供可靠的理论依据,提高结果准确性、有效性
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于改进VMD的滚动轴承故障诊断方法,其特征在于:
Step1:采集滚动轴承在不同工作状态下的原始数据;
Step2:通过散布熵最小值原则优化VMD中的参数模态数K和惩罚因子α,并对采集的振动信号进行VMD分解;
Step3:用综合皮尔逊相关系数、肯德尔相关系数和峭度值作为模态分量选择集成指标,选择集成指标最大的模态分量用于后续分析;
Step4:对选取的模态分量进行包络解调分析,通过其包络谱提取出滚动轴承故障频率,并与理论轴承故障频率进行对比,判断轴承故障类型。
2.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法,其特征在于:所述滚动轴承的原始数据包括滚动轴承正常数据、内圈故障数据、外圈故障数据及滚动体故障数据。
3.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法,其特征在于所述Step2具体为:
Step2.1:优化模态数K;
初始化VMD参数,对原始振动信号进行VMD分解,计算分解得到的模态分量的散布熵值,设定K的搜索范围为K∈[2,15],搜索步长为1,更新K值对振动信号循环进行VMD分解,根据散布熵最小原则,当模态分量的散布熵最小时,对应的K值为最优值,确定模态数K;
Step2.2:优化惩罚因子α;
利用散布熵最小值原则对α进行优化,设定α的搜索范围为α∈[200,2000],搜索步长为50,带入步骤1计算所得的K值,更新α值对振动信号循环进行VMD分解,确定惩罚因子α。
4.根据权利要求3所述的基于改进VMD的滚动轴承故障诊断方法,其特征在于所述散布熵的参数设置为:嵌入维数m=2,种类数c=3,时延d=1。
5.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法,其特征在于所述Step3具体为:
Step3.1:分别计算皮尔逊相关系数、肯德尔相关系数和峭度值:
皮尔逊相关系数:
式中,x为待测的模态分量,y为原始信号,N为信号长度;
肯德尔相关系数:
式中,C为信号x、y中拥有相同元素的数量,D为信号x、y中拥有不相同元素的数量;
式中,s1为待测模态分量x中含有的小集合数,Ui为第i个小集合包含的元素数,s2为原始信号y中含有的小集合数,Vi为第i个小集合包含的元素数;
峭度值:
Step3.2:对上述指标进行归一化处理:
Step3.3:综合上述归一化后的指标,得到集成指标:
I(k)=βK(k)*βPCC(k)*βKEN(k)。
6.根据权利要求1所述的基于改进VMD的滚动轴承故障诊断方法,其特征在于所述Step4具体为:
Step 4.1:绘制所述模态分量的包络频谱图;
Step 4.2:判断所述频谱图中的频率范围是否包含所述外圈故障频率、内圈故障频率、滚动体故障频率及其整数倍频率;
如果是则输出故障提示信息;
如果否,则输出正常提示信息;
所述故障诊断结果包括故障提示信息和正常提示信息;
所述故障频率具体包括外圈故障频率、内圈故障频率和滚动体故障频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973616.2A CN112200015B (zh) | 2020-09-16 | 2020-09-16 | 一种基于改进vmd的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973616.2A CN112200015B (zh) | 2020-09-16 | 2020-09-16 | 一种基于改进vmd的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200015A true CN112200015A (zh) | 2021-01-08 |
CN112200015B CN112200015B (zh) | 2023-02-07 |
Family
ID=74014978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973616.2A Active CN112200015B (zh) | 2020-09-16 | 2020-09-16 | 一种基于改进vmd的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200015B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158366A (zh) * | 2021-04-14 | 2021-07-23 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113358357A (zh) * | 2021-06-25 | 2021-09-07 | 上海应用技术大学 | 数控机床滚动轴承故障诊断方法 |
CN113391244A (zh) * | 2021-06-13 | 2021-09-14 | 河海大学 | 一种基于vmd的变压器合闸振动信号特征频率计算方法 |
CN113780664A (zh) * | 2021-09-15 | 2021-12-10 | 辽宁工程技术大学 | 基于tdt-ssa-bp的时间序列预测方法 |
CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
CN114152440A (zh) * | 2021-11-10 | 2022-03-08 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种滚动轴承故障特征提取方法 |
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 |
CN114964783A (zh) * | 2022-07-26 | 2022-08-30 | 江苏立达电梯有限公司 | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 |
CN115712818A (zh) * | 2022-11-07 | 2023-02-24 | 齐鲁工业大学 | 面向单通道脑电信号去除多伪迹的vmd参数优化选取方法 |
CN115855508A (zh) * | 2023-02-22 | 2023-03-28 | 南京邮电大学 | 基于算术优化变分模态分解的轴承故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050114098A1 (en) * | 2002-03-28 | 2005-05-26 | Yuichi Nagahara | Random number generation method based on multivariate non-normal distribution, parameter estimation method thereof, and application to simulation of financial field and semiconductor ion implantation |
JP2005259170A (ja) * | 2002-03-28 | 2005-09-22 | Meiji Univ | 非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |
US8682721B1 (en) * | 2013-06-13 | 2014-03-25 | Google Inc. | Methods and systems for improving bid efficiency of a content provider |
CN106596149A (zh) * | 2016-12-27 | 2017-04-26 | 广州地铁集团有限公司 | 基于vmd的轨道车辆平轮状态的监测与诊断方法 |
CN108692936A (zh) * | 2018-03-27 | 2018-10-23 | 四川大学 | 基于参数自适应vmd的机械故障诊断方法 |
CN109165396A (zh) * | 2018-06-27 | 2019-01-08 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
CN109187024A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学激光与光电智能制造研究院 | 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 |
-
2020
- 2020-09-16 CN CN202010973616.2A patent/CN112200015B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050114098A1 (en) * | 2002-03-28 | 2005-05-26 | Yuichi Nagahara | Random number generation method based on multivariate non-normal distribution, parameter estimation method thereof, and application to simulation of financial field and semiconductor ion implantation |
JP2005259170A (ja) * | 2002-03-28 | 2005-09-22 | Meiji Univ | 非正規分布に従う乱数発生方法及びそのパラメータの推定方法 |
US8682721B1 (en) * | 2013-06-13 | 2014-03-25 | Google Inc. | Methods and systems for improving bid efficiency of a content provider |
CN106596149A (zh) * | 2016-12-27 | 2017-04-26 | 广州地铁集团有限公司 | 基于vmd的轨道车辆平轮状态的监测与诊断方法 |
CN108692936A (zh) * | 2018-03-27 | 2018-10-23 | 四川大学 | 基于参数自适应vmd的机械故障诊断方法 |
CN109165396A (zh) * | 2018-06-27 | 2019-01-08 | 谭晓栋 | 一种故障演化趋势的设备剩余使用寿命预测方法 |
CN109187024A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学激光与光电智能制造研究院 | 一种活塞式空压机曲轴箱滚动轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
M. FIRDAUS ISHAM1等: "Variational mode decomposition mode determination method for rotating machinery diagnosis", 《JVE JOURNALS》 * |
张叶: "基于VMD算法的油气管道杂散电流分析与防护系统研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
张树等: "BFA优化VMD参数的轴承故障诊断", 《组合机床与自动化加工技术》 * |
张莹等: "基于改进SVD及参数优化VMD的轴承故障诊断", 《噪声与振动控制》 * |
黄绍伟: "自适应调频模式分解在轴承故障诊断中的应用", 《华电技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158366A (zh) * | 2021-04-14 | 2021-07-23 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113158366B (zh) * | 2021-04-14 | 2022-10-21 | 合肥工业大学 | 基于运行状态声辐射信号的轴承监测方法、系统及设备 |
CN113340598A (zh) * | 2021-06-01 | 2021-09-03 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113340598B (zh) * | 2021-06-01 | 2024-05-28 | 西安交通大学 | 一种基于正则化稀疏模型的滚动轴承智能故障诊断方法 |
CN113391244A (zh) * | 2021-06-13 | 2021-09-14 | 河海大学 | 一种基于vmd的变压器合闸振动信号特征频率计算方法 |
CN113391244B (zh) * | 2021-06-13 | 2024-01-12 | 河海大学 | 一种基于vmd的变压器合闸振动信号特征频率计算方法 |
CN113358357B (zh) * | 2021-06-25 | 2023-08-04 | 上海应用技术大学 | 数控机床滚动轴承故障诊断方法 |
CN113358357A (zh) * | 2021-06-25 | 2021-09-07 | 上海应用技术大学 | 数控机床滚动轴承故障诊断方法 |
CN113780664A (zh) * | 2021-09-15 | 2021-12-10 | 辽宁工程技术大学 | 基于tdt-ssa-bp的时间序列预测方法 |
CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
CN114152440A (zh) * | 2021-11-10 | 2022-03-08 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种滚动轴承故障特征提取方法 |
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 |
CN114964783A (zh) * | 2022-07-26 | 2022-08-30 | 江苏立达电梯有限公司 | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 |
CN114964783B (zh) * | 2022-07-26 | 2022-11-15 | 江苏立达电梯有限公司 | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 |
CN115712818A (zh) * | 2022-11-07 | 2023-02-24 | 齐鲁工业大学 | 面向单通道脑电信号去除多伪迹的vmd参数优化选取方法 |
CN115855508A (zh) * | 2023-02-22 | 2023-03-28 | 南京邮电大学 | 基于算术优化变分模态分解的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112200015B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200015B (zh) | 一种基于改进vmd的滚动轴承故障诊断方法 | |
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN111238808B (zh) | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 | |
CN111238812B (zh) | 一种滚动轴承保持架故障的自诊断方法 | |
CN108760316A (zh) | 变分模态分解的变参信息融合方法 | |
CN109668733A (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
Wang et al. | Fault diagnosis of wind turbine bearing based on optimized adaptive chirp mode decomposition | |
CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN112183259A (zh) | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN116304570A (zh) | 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法 | |
CN111323233B (zh) | 一种用于低速旋转机械故障诊断的局部均值分解方法 | |
CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
CN116644280A (zh) | 一种发动机主轴承故障高频振动诊断方法 | |
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 | |
CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
CN116840153A (zh) | 一种带有故障诊断功能的文物裂缝检测系统 | |
Wang et al. | Fault Diagnosis of Rolling Bearings Based on Improved Empirical Mode Decomposition and Fuzzy C-Means Algorithm. | |
CN113686577B (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240617 Address after: 653405 Jia Sa Avenue, Jia Sa Town, Xinping Yi and Dai Autonomous County, Yuxi City, Yunnan Province Patentee after: YUNNAN DAHONGSHAN PIPELINE Ltd. Country or region after: China Address before: 650093 No. 253, Xuefu Road, Wuhua District, Yunnan, Kunming Patentee before: Kunming University of Science and Technology Country or region before: China |
|
TR01 | Transfer of patent right |