CN112326245A - 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 - Google Patents
一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112326245A CN112326245A CN202011134715.8A CN202011134715A CN112326245A CN 112326245 A CN112326245 A CN 112326245A CN 202011134715 A CN202011134715 A CN 202011134715A CN 112326245 A CN112326245 A CN 112326245A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- fault
- signal
- hilbert
- variational
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Abstract
本发明公开了一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,包含以下步骤:S1将滚动轴承的测量数据使用经验模态分解进行处理,得到若干本征模态函数IMFi;S2使用敏感准则对得到的IMFi进行筛选,得到包含滚动轴承故障信息的敏感模态;S3将每个敏感模态构造为以带宽之和最小为目标的变分模型,并对变分模型进行求解,得到若干有限带宽模态;S4依据信号特性,将有限带宽模态按照规定次序进行重构,得到滚动轴承故障成分;S5使用希尔伯特黄变换对故障成分进行检测,并与理论故障特征频率进行对比,确定滚动轴承故障位置。本发明通过变分希尔伯特黄变换对滚动轴承数据进行处理,实现了滚动轴承噪声压制的效果。
Description
技术领域
本发明属于轴承故障诊断与状态识别领域,具体涉及到一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法。
背景技术
在滚动轴承的状态监测中,由于人为因素和环境因素等原因,在监测信号中常常含有大量噪声,工业界常用的去噪方法均在一定程度上存在这噪声去除不干净、有效信号丢失问题,这将导致在早期故障时信号信噪比低,故障特征被噪声掩盖难以提取。希尔伯特黄变换是一种常用且有效的滚动轴承故障诊断方法,但是由于其基于经验模态分解而必然蕴含的模态混叠以及冗余模态问题会很大程度影响滚动轴承早期故障的诊断。因此需要开发一种新的算法可以有效地区分滚动轴承故障成分和噪声,对信号进行噪声剥离,提升信号信噪比,准确提取故障特征,实现滚动轴承早期故障的精确诊断。
发明内容
本发明的目的在于提出了一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,通过该方法弥补现有滚动轴承故障诊断方法对于早期故障检测准确性不足的问题,提供了一种更有效、快速的故障诊断方法。
本发明的发明目的通过以下技术方案实现:
一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,包含以下步骤:
S1将滚动轴承的测量数据使用经验模态分解进行处理,得到若干本征模态函数IMFi;
S2使用敏感准则对得到的IMFi进行筛选,得到包含滚动轴承故障信息的敏感模态;
S3将每个敏感模态构造为以带宽之和最小为目标的变分模型,并对变分模型进行求解,分离模态中的不同频率成分,得到若干有限带宽模态;
S4依据信号特性,将有限带宽模态按照规定次序进行重构,得到滚动轴承故障成分;其中,信号特性是指滚动轴承故障状态下激发的短时瞬态响应与噪声的差异造成时域及频域的不同;
S5使用希尔伯特黄变换对故障成分进行检测,并与理论故障特征频率进行对比,确定滚动轴承故障位置。
依据上述特征,测量数据包括滚动轴承的振动信号、声信号、声发射信号。
依据上述特征,敏感准则是指将表示冲击性的峭度指标以及表示周期性的相关性指标融合而成用于表示滚动轴承故障成分周期性脉冲的敏感准则,融合过程如下:
S=Sgn(K-3)*Cμ
其中:S代表敏感准则,表明信号存在明显冲击并且信号相较于残余信号存在显著周期性,也就表明信号的周期性和脉冲性越强,说明信号包含的滚动轴承故障信息越多,该信号即为需要的敏感模态;Sgn(x)代表符号函数,当x≥0时,Sgn(x)=1,当x<0时,Sgn(x)=-1;K代表峭度,用于衡量信号冲击性,其中E(x)代表期望,μ代表均值,σ代表标准差;Cμ代表输出信号与剩余信号的能量比值,用于衡量输出信号的周期性,其中代表输出信号的自相关函数值,代表剩余信号的自相关函数值,其中Rc(τ)代表自相关函数,Ra(τ)代表周期振动信号a(t)的自相关函数,Rb(τ)代表不相关噪声b(t)的自相关函数,T为信号a(t)的周期,A为信号幅度,ω为角频率大小,τ为时间t的延迟,表示信号初相位大小。当b(t)为噪声时,Rb(τ)集中在τ=0附近,这样Rc(τ)只反映Ra(τ)的情况,因此τ较大时就可使用Rc(τ)测量出周期信号a(t)的幅度和频率。
依据上述特征,每个敏感模态通过下式构造为以带宽之和最小为目标的变
分模型:
式中min{x}代表求x最小值,代表x从k=1到K进行求和,‖x‖2代表x的二范数,代表对x求t的偏导,δ(t)表示冲击函数,uk(t)代表第k个分解模态,ωk代表uk(t)的中心频率,代表约束条件,即在最小化过程中保持各模态之和与分解函数f(t)相等。
本发明的有益效果在于:
本发明所提供的方法通过变分希尔伯特黄变换对滚动轴承数据进行处理,实现了滚动轴承噪声压制的效果;该方法能够准确提取滚动轴承故障特征频率,提升滚动轴承早期故障检测能力;处理后的信号能够准确反映滚动轴承运行状态。
附图说明
图1是根据本发明的一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法的流程图。
图2是仿真数据图。
图3是希尔伯特黄处理结果图。
图4是变分希尔伯特黄处理结果图。
图5是实际测量信号图。
图6是实际测量信号使用变分希尔伯特黄处理结果图。
具体实施方式
为了便于本领域技术人员的理解,下面结合附图对本发明作进一步的描述,并不能用来限制本发明的保护范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的各种方式可以相互组合。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。
参见图1所示,本实施例所示的一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,包括以下步骤:
S1将滚动轴承的测量数据使用经验模态分解进行处理,得到若干本征模态函数IMFi。
测量数据包括滚动轴承的振动信号、声信号、声发射信号等用于监测滚动轴承的采集数据,测量数据的工况包括定转速工况和变转速工况。
S2使用敏感准则对得到的IMFi进行筛选,得到包含滚动轴承故障信息的敏感模态。
敏感准则是指将表示冲击性的峭度指标以及表示周期性的相关性指标融合而成用于表示滚动轴承故障成分周期性脉冲的敏感准则,其具体融合过程如下:
S=Sgn(K-3)*Cμ
式中S代表敏感准则,S越大表明信号存在明显冲击并且信号相较于残余信号存在显著周期性,也就表明信号的周期性和脉冲性越强,说明信号包含的滚动轴承故障信息越多,该信号即为需要的敏感模态,通过敏感模态即可初步确定共振频带位置;Sgn(x)代表符号函数,当x≥0时,Sgn(x)=1,当x<0时,Sgn(x)=-1;K代表峭度,用于衡量信号冲击性,其中E(x)代表期望,μ代表均值,σ代表标准差;Cμ代表输出信号与剩余信号的能量比值,用于衡量输出信号的周期性,其中代表输出信号的自相关函数值,代表剩余信号的自相关函数值,其中Rc(τ)代表自相关函数,Ra(τ)代表周期振动信号a(t)的自相关函数,Rb(τ)代表不相关噪声b(t)的自相关函数,T为信号a(t)的周期,A为信号幅度,ω为角频率大小,τ为时间t的延迟,表示信号初相位大小。当b(t)为噪声时,Rb(τ)集中在τ=0附近,这样Rc(τ)只反映Ra(τ)的情况,因此τ较大时就可使用Rc(τ)测量出周期信号a(t)的幅度和频率。
S3将每个敏感模态构造为以带宽之和最小为目标的变分模型,并对变分模型进行求解,分离模态中的不同频率成分,得到若干有限带宽模态。
每个敏感模态通过下式构造为以带宽之和最小为目标的变分模型,该变分模型的解即为所要求的分离敏感模态中不同频率成分的有限带宽模型。
式中min{x}代表求x最小值,代表x从k=1到K进行求和,‖x‖2代表x的二范数,代表对x求t的偏导,δ(t)表示冲击函数,uk(t)代表第k个分解模态,ωk代表uk(t)的中心频率,代表约束条件,即在最小化过程中保持各模态之和与分解函数f(t)相等。
S4依据信号特性,将有限带宽模态按照规定次序进行重构,得到滚动轴承故障成分。
信号特性是指滚动轴承故障状态下激发的短时瞬态响应与噪声的差异造成其时域及频域的不同。根据信号特性对有限带宽模态进行重构,即可进一步将不同频带根据信号特性进行组合,进一步精细确定共振频带位置及带宽大小;
S5使用希尔伯特黄变换对故障成分进行检测,并与理论故障特征频率进行对比,确定滚动轴承故障位置。
希尔伯特变换是指在定转速工况下使用希尔伯特包络谱确定故障特征频率,在变转速工况下使用希尔伯特谱确定故障特征频率。对信号进行变分希尔伯特黄变换,能有效的压制测量数据中的噪声,提升信号中的信噪比,提高滚动轴承故障检测能力。
在本实施方式中,需要说明的是,通过计算机编程实现以上步骤,进而可以实现滚动轴承的故障诊断作用。
处理结果分析,可以参阅图2、图3、图4、图5及图6,其中,图2是仿真数据图,图3是希尔伯特黄处理结果图,图4是变分希尔伯特黄处理结果图。由图2、图3及图4对比可得经过本申请提供的滚动轴承故障诊断方法/装置的模型,能够有效区分瞬态信号和连续型信号。图5是实际测量信号图,图6是实际测量信号使用变分希尔伯特黄处理结果图。结合图5和图6的对比可以看出滚动故障特征频率及其多次谐波明显,说明该方法能够有效地提取故障特征,压制信号中的噪声。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如R0M/RAM、磁碟、光盘等,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,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请。
Claims (4)
1.一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,其特征在于包含以下步骤:
S1将滚动轴承的测量数据使用经验模态分解进行处理,得到若干本征模态函数IMFi;
S2使用敏感准则对得到的IMFi进行筛选,得到包含滚动轴承故障信息的敏感模态;
S3将每个敏感模态构造为以带宽之和最小为目标的变分模型,并对变分模型进行求解,分离模态中的不同频率成分,得到若干有限带宽模态;
S4依据信号特性,将有限带宽模态按照规定次序进行重构,得到滚动轴承故障成分;其中,信号特性是指滚动轴承故障状态下激发的短时瞬态响应与噪声的差异造成时域及频域的不同;
S5使用希尔伯特黄变换对故障成分进行检测,并与理论故障特征频率进行对比,确定滚动轴承故障位置。
2.根据权利要求1所述的一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,其特征在于测量数据包括滚动轴承的振动信号、声信号、声发射信号。
3.根据权利要求1所述的一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法,其特征在于敏感准则是指将表示冲击性的峭度指标以及表示周期性的相关性指标融合而成用于表示滚动轴承故障成分周期性脉冲的敏感准则,融合过程如下:
S=Sgn(K-3)*Cμ
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134715.8A CN112326245B (zh) | 2020-10-21 | 2020-10-21 | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134715.8A CN112326245B (zh) | 2020-10-21 | 2020-10-21 | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112326245A true CN112326245A (zh) | 2021-02-05 |
CN112326245B CN112326245B (zh) | 2023-03-10 |
Family
ID=74311259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011134715.8A Active CN112326245B (zh) | 2020-10-21 | 2020-10-21 | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112326245B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642508A (zh) * | 2021-08-27 | 2021-11-12 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
CN114235396A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
CN115586441A (zh) * | 2022-12-13 | 2023-01-10 | 湖南大学 | 基于梳状滤波的电机故障诊断方法、装置及存储介质 |
CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104964822A (zh) * | 2015-06-17 | 2015-10-07 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于主减速器齿轮箱的无转速信号时域同步平均方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106289774A (zh) * | 2016-07-26 | 2017-01-04 | 北京工业大学 | 一种滚动轴承故障识别与趋势预测方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
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 |
CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 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 |
CN111238812A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种滚动轴承保持架故障的自诊断方法 |
-
2020
- 2020-10-21 CN CN202011134715.8A patent/CN112326245B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN104964822A (zh) * | 2015-06-17 | 2015-10-07 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于主减速器齿轮箱的无转速信号时域同步平均方法 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106289774A (zh) * | 2016-07-26 | 2017-01-04 | 北京工业大学 | 一种滚动轴承故障识别与趋势预测方法 |
CN106650071A (zh) * | 2016-12-12 | 2017-05-10 | 中国航空工业集团公司上海航空测控技术研究所 | 用于滚动轴承智能故障诊断的方法 |
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 |
CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
CN107560851A (zh) * | 2017-08-28 | 2018-01-09 | 合肥工业大学 | 滚动轴承微弱故障特征早期提取方法 |
CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
CN111238812A (zh) * | 2020-01-19 | 2020-06-05 | 西安交通大学 | 一种滚动轴承保持架故障的自诊断方法 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 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 |
Non-Patent Citations (2)
Title |
---|
孙灿飞等: "基于参数自适应变分模态分解的行星齿轮箱故障诊断", 《航空动力学报》 * |
沈颉等: "基于改进希尔伯特黄的故障特征提取方法研究", 《智能计算机与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642508A (zh) * | 2021-08-27 | 2021-11-12 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
CN113642508B (zh) * | 2021-08-27 | 2024-04-09 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
CN114235396A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
CN115586441A (zh) * | 2022-12-13 | 2023-01-10 | 湖南大学 | 基于梳状滤波的电机故障诊断方法、装置及存储介质 |
CN115586441B (zh) * | 2022-12-13 | 2023-03-10 | 湖南大学 | 基于梳状滤波的电机故障诊断方法、装置及存储介质 |
CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
CN116484308B (zh) * | 2023-06-25 | 2023-09-29 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112326245B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112326245B (zh) | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 | |
Makowski et al. | Adaptive bearings vibration modelling for diagnosis | |
EP3526575B1 (en) | Detection of faulty bearings | |
Makowski et al. | A procedure for weighted summation of the derivatives of reflection coefficients in adaptive Schur filter with application to fault detection in rolling element bearings | |
Chen et al. | A sparse multivariate time series model-based fault detection method for gearboxes under variable speed condition | |
CN103792000A (zh) | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 | |
Pioldi et al. | A refined Frequency Domain Decomposition tool for structural modal monitoring in earthquake engineering | |
Elasha et al. | A comparative study of the effectiveness of adaptive filter algorithms, spectral kurtosis and linear prediction in detection of a naturally degraded bearing in a gearbox | |
Spiridonakos et al. | An FS-TAR based method for vibration-response-based fault diagnosis in stochastic time-varying structures: experimental application to a pick-and-place mechanism | |
Yan et al. | Bearing fault diagnosis via a parameter-optimized feature mode decomposition | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
Heydarzadeh et al. | Non-invasive gearbox fault diagnosis using scattering transform of acoustic emission | |
Zhang et al. | Research on the fault diagnosis method for rolling bearings based on improved VMD and automatic IMF acquisition | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
Wang | Toward dynamic model-based prognostics for transmission gears | |
Wang et al. | Cyclic correlation density decomposition based on a sparse and low-rank model for weak fault feature extraction of rolling bearings | |
US8995230B2 (en) | Method of extracting zero crossing data from full spectrum signals | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
Xia et al. | Convolutional sparse coding with periodic overlapped group sparsity for rolling element bearing fault diagnosis | |
Dackermann et al. | On the use of the cepstrum and artificial neural networks to identify structural mass changes from response-only measurements | |
Chen et al. | Wavelet based spectral kurtosis and kurtogram: a smart and sparse characterization of impulsive transient vibration | |
Hou et al. | Adaptive Maximum Cyclostationarity Blind Deconvolution and Its Application on Incipient Fault Diagnosis of Bearing | |
CN112836583B (zh) | 一种风力机故障诊断方法 | |
Govalkar et al. | Siamese Network based Pulse and Signal Attribute Identification |
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 |