CN112345248B - 一种滚动轴承的故障诊断方法及装置 - Google Patents
一种滚动轴承的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112345248B CN112345248B CN201910735868.9A CN201910735868A CN112345248B CN 112345248 B CN112345248 B CN 112345248B CN 201910735868 A CN201910735868 A CN 201910735868A CN 112345248 B CN112345248 B CN 112345248B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- frequency
- complex envelope
- signal
- signals
- 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.)
- Active
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种滚动轴承的故障诊断方法及装置,属于滚动轴承故障诊断技术领域。该方法包括:采集滚动轴承同一截面上方向互相垂直的振动加速度信号,得到复数形式的滚动轴承振动信号;利用复局部均值分解方法将滚动轴承振动信号直接分解一组复包络信号;对高频复包络信号进行快速傅里叶变换,从而得到高频复包络信号的高频复包络谱;所述高频复包络信号是一组复包络信号中频率最高的复包络信号;计算高频复包络信号中方向互相垂直的振动加速度信号的相位差,根据相位差的大小确定特征频率段,结合特征频率段从高频复包络谱中提取滚动轴承的故障特征频率,根据滚动轴承的故障特征频率得到滚动轴承的故障类型。本发明能实现滚动轴承的早期故障诊断。
Description
技术领域
本发明涉及一种滚动轴承的故障诊断方法及装置,属于滚动轴承故障诊断技术领域。
背景技术
滚动轴承是工业旋转机械重要部件,通过振动信号监测轴承状态是常用的方法。滚动轴承故障诊断有以下特点:(1)易受背景噪声、传递路径和轴系中其他振动源的干扰,特别是故障特征频率容易被噪声淹没;(2)根据故障特征频率即可诊断故障类型,无需角度信息;(3)不同测点采集的信号差别较大,如外圈故障在不同的位置,同一测点的振动信号强度差别较大,反映在信号上,故障位置不同,同一侧点所采集的信号初相位不同,幅值差别较大。
目前滚动轴承的故障诊断方法有基于单通道信号和基于多通道信号两类,其中,由于滚动轴承故障时的各个部件之间力的传递比较复杂,分解到不同的测试方向的力也不尽相同,以致不同方向的振动信号强度不同,基于单通道信号的分析方法得到的诊断结果可能发生误判或漏判;基于多通道信号融合的滚动轴承故障诊断方法,例如运用全矢谱分析滚动轴承故障的方法,虽然能融合多个通道的振动加速度信号中的故障信息,但由于滚动轴承故障振动信号频率较高,而加速度信号形成的轨迹不具有回转特性,用全矢谱分析加速度信号失去了物理意义,导致全矢谱分析方法难以诊断出滚动轴承早期故障。
发明内容
本发明的目的是提供一种滚动轴承的故障诊断方法及装置,用以解决目前基于全矢谱的多通道信号融合的滚动轴承故障诊断方法,难以诊断出滚动轴承早期故障的问题。
为实现上述目的,本发明提供了一种滚动轴承的故障诊断方法,该方法包括以下步骤:
采集滚动轴承同一截面上方向互相垂直的振动加速度信号,得到复数形式的滚动轴承振动信号;
利用复局部均值分解方法将滚动轴承振动信号直接分解一组复包络信号;
对高频复包络信号进行快速傅里叶变换,从而得到高频复包络信号的高频复包络谱;所述高频复包络信号是一组复包络信号中频率最高的复包络信号;
计算高频复包络信号中方向互相垂直的振动加速度信号的相位差,根据相位差的大小确定特征频率段,结合特征频率段从高频复包络谱中提取滚动轴承的故障特征频率,根据滚动轴承的故障特征频率得到滚动轴承的故障类型。
本发明还提供了一种滚动轴承的故障诊断装置,包括存储器和处理器,所述处理器用于运行存储在所述存储器中的程序指令,以实现以上滚动轴承的故障诊断方法。
本发明的有益效果是:首先,用来诊断滚动轴承故障的滚动轴承振动信号由两个方向的振动加速度信号组成,则其中融合了两个方向的故障信息,那么利用该信号进行故障诊断所得的故障类型就更加全面、准确;其次,通过复局部均值分解方法将滚动轴承振动信号直接分解一组复包络信号,利用复信号的快速傅里叶变换具有幅值增强的特性,直接对复包络信号进行快速傅里叶变换,使待提取的故障特征频率更为清晰地在复包络谱中凸显出来,便于故障特征频率的提取,进而易于实现滚动轴承的早期故障诊断;最后,结合特征频率段从复包络谱中提取滚动轴承的故障特征频率,不仅能够保证所提取的是幅值得到增强后的故障特征频率,提高故障诊断的准确性,还能提高故障特征频率的提取效率;另外,由于滚动轴承故障主要在高频信号中,本发明通过对高频复包络信号进行处理以提取故障特征频率,能进一步提高故障特征频率的提取效率。
进一步地,在上述方法和装置中,所述计算高频复包络信号中方向互相垂直的振动加速度信号的相位差,根据相位差的大小确定特征频率段的步骤包括:
计算高频复包络信号的实部包络信号的初相位与其虚部包络信号的初相位的差值,该差值作为所述相位差;
当所述相位差属于0~π时,特征频率段为fs/2~fs;否则,特征频率段为0~fs/2,其中,fs是采样频率。
为了克服噪声干扰,进一步地,在上述方法和装置中,设定阀值λ,仅在abs[FFT(a(k))]/N>λ时计算所述初相位,其中,abs[]表示求绝对值,FFT()表示求快速傅里叶变换,a(k)表示高频复包络信号在第k点时的信号,N表示数据长度,k=1,2,…,N。
为了实现滚动轴承同一截面上方向互相垂直的振动加速度信号的采集,进一步地,在上述方法和装置中,利用正交采样方法采集滚动轴承同一截面上方向互相垂直的振动加速度信号。
附图说明
图1是方法实施例中滚动轴承的故障诊断方法流程图;
图2是方法实施例中复信号的傅里叶谱和全矢谱的对比图(情况①);
图3是方法实施例中复信号的傅里叶谱和全矢谱的对比图(情况②、③);
图4是方法实施例中3点钟方向的振动加速度信号x和y的时域波形图;
图5是基于本实施例方法的由图4中信号x和y组成的复信号的高频复包络信号a1=a1x+ja1y的傅里叶谱、全矢谱和a1x与a1y的相位差图;
图6是方法实施例中6点钟方向的振动加速度信号x和y的时域波形图;
图7是基于本实施例方法的由图6中信号x和y组成的复信号的高频复包络信号a1=a1x+ja1y的傅里叶谱、全矢谱和a1x与a1y的相位差图;
图8是基于本实施例方法和LMD方法的早期、晚期故障信号的傅里叶谱对比图。
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,以下结合附图及具体实施例对本发明进行进一步详细说明。
方法实施例:
本实施例提出了一种基于复局部均值分解(Complex Local MeanDecomposition,CLMD)和复信号包络谱(Complex Envelope Spectrum,CES)的滚动轴承的故障诊断方法,能够诊断出滚动轴承早期故障。
如图1所示,利用本实施例的滚动轴承的故障诊断方法(以下简称本实施例方法),进行滚动轴承故障诊断包括以下步骤:
1)利用加速度传感器通过正交采样方法采集滚动轴承同一截面上方向互相垂直的振动加速度信号x、y,然后令z=x+j*y,得到复数形式的二元信号z(简称复信号z),即复数形式的滚动轴承振动信号。
2)利用CLMD将复信号z按照旋转速度的快慢依次分解成一组CPF分量,并将分解过程中得到的每个CPF分量的实部包络信号和虚部包络信号组成相应CPF分量的复包络信号,从而将复信号z直接分解成一组复包络信号。
3)对第一个CPF分量CPF1的复包络信号a1=a1x+ja1y(即高频复包络信号)进行快速傅里叶变换,得到高频复包络谱。
本实施例中,一组CPF分量是按旋转速度的快慢依次分解得到的,即按频率的高低依次分解得到的,因此第一个CPF分量CPF1的复包络信号就是一组复包络信号中频率最高的复包络信号,当一组CPF分量不是按频率的高低依次分解得到时,高频复包络信号是一组CPF分量中频率最高的CPF分量对应的复包络信号。
4)设定阈值λ,当abs[FFT(a1(k))]/N>λ时,计算高频复包络信号a1的实部包络信号a1x的初相位与其虚部包络信号a1y的初相位的差值,该差值作为相位差当相位差在区间(0,π)时,特征频率段为(fs/2,fs);否则,特征频率段为(0,fs/2),其中,fs是采样频率,abs[]表示求绝对值,FFT()表示求快速傅里叶变换,a1(k)表示高频复包络信号a1在第k点时的信号,N表示数据长度,k=1,2,…,N。
由于计算相位时用到除法,计算结果受噪声干扰较大,为此设置阀值λ,只在abs[FFT(a1(k))]/N>λ时计算相位,以克服噪声干扰,本实施例中取λ=0.05,作为其他实施方式,λ的值可根据实际需要调整。
5)结合特征频率段从高频复包络谱中提取滚动轴承的故障特征频率,根据滚动轴承的故障特征频率得到滚动轴承的故障类型。
由于滚动轴承故障主要在高频信号中,因此本实施例中仅对高频复包络信号a1进行处理以提取故障特征频率,能够提高故障特征频率的提取效率。
其中,CLMD认为二元信号是慢速旋转信号与快速旋转信号的叠加,通过将二元信号分别投影到0和π/2方向,然后获取每一个方向的投影的包络局部均值,进而获取复包络均值,最终将两种旋转信号分离。对复数形式的二元信号z(t),其分解步骤如下:
(1)将复信号z(t)投影到0方向:
p0(t)=Re[exp(-j0)·z(t)] (1)
(2)求出p0(t)的极值,运用滑动平均算法计算p0(t)的局部均值函数m0(i,k)(t)和局部包络估计函数a0(i,k)(t)(i为PF分量的个数,k是迭代次数)。
(3)将复信号z(t)投影到π/2方向:
pπ/2(t)=Re[exp(-jπ/2)·z(t)] (2)
(4)采用同样方法计算pπ/2(t)的局部均值m(π/2)(i,k)(t)和局部包络估计函数a(π/2)(i,k)(t)。
(5)复信号z(t)的复局部均值函数mi,k(t)可通过式(3)求取:
mi,k(t)=exp(-j0)·m0(i,k)(t)+exp(-jπ/2)·m(π/2)(i,k)(t) (3)
(6)将复局部均值函数mi,k(t)从原始信号z(t)中分离:
Hi,k(t)=z(t)-mi,k(t) (4)
(7)根据局部包络估计函数,计算纯调频信号:
(8)当采用CLMD分解时,判断循环停止的条件是解调后的信号s0(i,k)(t)和s(p/2)(i,k)(t)都为纯调频信号。将迭代过程中产生的所有平滑包络估计函数相乘,便可得到复信号的实部包络信号和虚部包络信号分别为:
式中,l为直到a0(i,k)(t)和a(π/2)(i,k)(t)均为1时的最大迭代次数。
(9)CPF分量可以表示为:
CPFi(t)=a0(i)(t)·s0(i,l)(t)·exp(j0)+aπ/2(i)(t)s(π/2)(i,l)(t)·exp(j·π/2)(8)
同时,残留信号ui(t)可表示为:
ui(t)=z(t)-CPFi(t) (9)
判断残留信号ui(t)是否存在旋转模式,并通过循环处理直至残留信号不存在旋转模式,最终的残留信号用表u(t)示。将所有CPF分量和最终的残留信号相加,即得到复信号z(t)的复数局部均值分解的完整表达:
从上述分解过程可知,CLMD采用正交分解方法将二元信号按旋转速度由快到慢的顺序依次分离出各个旋转分量,是一个二元数据处理方法。CLMD在对二元信号分解过程中可得到二元信号的包络函数,无需再对分解结果进行解调。
其中,对复序列信号z(k)进行快速傅里叶变换的过程具体如下:
对于复序列信号z(k)=x(k)+j*y(k),k=1,2,...,N,N是序列长度,假设z(k)=|z(k)|*{cos(ωk/fs+θ)+j*sin(ωk/fs+θ)},其中ω是角频率,θ是初相位,arctgθ=y(k)/x(k)。
z(k)的快速傅里叶变换为Z(k),则有:
根据快速傅里叶变换的线性性质,有:
Z(k)=FFT[|z(k)|*cos(ωk/fs+θ)]+FFT[j*|z(k)|*sin(ωk/fs+θ)] (12)
Z(k)可以简写成:
Z(k)=X(k)+Y(k) (13)
式(13)中:
X(k)=FFT{|z(k)|*cos(ωk/fs+θ)} (14)
Y(k)=FFT{j*|z(k)|*[sin(ωk/fs+θ)]} (15)
实偶函数有限长序列的快速傅里叶变换,关于N/2对称,则有:
X(k)=X(N-k) (16)
纯虚数奇函数有限长序列的快速傅里叶变换,关于N/2反对称,则有:
Y(k)=-Y(N-k) (17)
则对于复序列的快速傅里叶变换结果Z(k),有:
从公式(18)可知,复序列的快速傅里叶变换不再满足对称性,在k处的快速傅里叶变换结果为其实部信号的快速傅里叶变换和虚部信号的快速傅里叶变换之和,而在关于N/2对称处(N-k)的快速傅里叶变换结果为其实部信号的快速傅里叶变换和虚部信号的快速傅里叶变换之差。如果实部信号和虚部信号幅值相等,则Z(k)=2X(k),而Z(N-k)=0。因此,较之单通道实序列的快速傅里叶变换,复序列的快速傅里叶变换是两个通道信号快速傅里叶变换的叠加,具有增强幅值的能力。
因为复序列z(k)的快速傅里叶变换的幅值和|z(k)|有关,如果用三角函数表示,可以发现|z(k)|和实部信号x、虚部信号y的初相位有关。
为便于分析,令x(t)=A1cos2πft,y(t)=A2cos(2πft+θ),其中,f=50Hz,采样频率fs=800Hz。研究以下三种情况下利用本实施例方法得到的快速傅里叶谱(即复包络谱)和利用全矢谱方法得到的全矢谱随初相位θ变化时的联系与区别:情况①A1=A2=1;情况②A1=1,A2=0.5;情况③A1=0.5,A2=1。情况①对应的复包络谱和全矢谱如图2所示;情况②和③下结果相同,所得复包络谱和全矢谱如图3所示。
从图2可知:(1)当实部信号x和虚部信号y的相位差或时,全矢谱方法和本实施例方法所得特征频率f的幅值相同;(2)当相位差时,本实施例方法所得的复包络谱中对称特征频率fs-f的幅值较大,在时,幅值增加了1倍;当时,本实施例方法所得的复包络谱中特征频率f的幅值较大,在时,幅值增加了1倍。从图3中可得与图2类似的结论。因此,可以根据相位差的大小选择特征频率段,结合特征频率段从复包络谱中提取滚动轴承的故障特征频率,保证所提取的是幅值得到增强后的故障特征频率,以提高故障诊断的准确性。
本实施例中,计算高频复包络信号a1的实部包络信号a1x与虚部包络信号a1y的相位差,当实部包络信号a1x与虚部包络信号a1y的相位差属于(0,π)时,特征频率段为(fs/2,fs),滚动轴承的故障特征频率为fs-f;否则,特征频率段为(0,fs/2),滚动轴承的故障特征频率为f。其中,f可以是滚动轴承的内圈或外圈或滚动体故障特征频率理论值。
下面通过实验验证本实施例方法可进行故障特征频率增强,进而实现滚动轴承早期故障诊断。
(1)滚动轴承不同位置的外圈故障实验分析
本实施例在滚动轴承的X轴和Y轴分别设置一个加速度传感器,利用水平方向上的加速度传感器采集水平方向的振动加速度信号x,利用垂直方向上的加速度传感器采集垂直方向的振动加速度信号y,采样频率为12.8kHz;并分别将外圈故障设置在3:00、4:30、6:00、7:30和9:00方向来模拟不同的工况。
工况1:外圈故障设置在3点钟方向。此时采集的振动加速度信号x和y如图4所示,令复数形式的滚动轴承振动信号z=x+j*y。因为滚动轴承故障在高频段,本实施例中,为提高运算速度,预置CLMD的分解层数为6,作为其他实施方式,CLMD分解层数可根据实际需要调整。
利用本实施例方法所得的由图4中信号x和y组成的复信号z的高频复包络信号a1=a1x+ja1y的傅里叶谱、全矢谱和a1x与a1y的相位差如图5所示。
工况2:外圈故障在6点钟方向。此时采集的振动加速度信号x和y以及基于本实施例方法的分析结果如图6和图7所示。
用表格的形式总结的外圈故障在不同位置的复包络谱、全矢谱以及相位差如表1所示:
表1外圈故障设置在不同方向时a1的复包络谱、全矢谱、相位差的分析结果
以表1中的第一行为例,该行数据的含义是:外圈故障设置在3点钟方向时,高频复包络信号a1的实部包络信号a1x与虚部包络信号a1y的相位差为-27.67度,不属于(0,π),此时特征频率段为(0,fs),滚动轴承的外圈故障特征频率为fo且fo的幅值为0.2625,其中,fo为滚动轴承的外圈故障特征频率理论值;利用全矢谱得到的滚动轴承的外圈故障特征频率为椭圆长轴fo且其幅值为0.1555,复包络谱相较于全矢谱所提取的故障特征频率的幅值提高率max{a/Ra|f=fo,a/Ra|f=fs-fo}为68.81%。表1中其他行数据的含义与此类似,不再赘述。
从表1可知,在外圈故障实验中本实施例方法提取的故障特征频率的幅值均比全矢谱方法提取的故障特征频率的幅值大,最大提高了68.81%,故本实施例方法更适用于诊断滚动轴承早期故障。
(2)NASA数据集案例分析
四个Rexnord ZA-2115双列轴承安装在轴上,转速为2000rpm,外圈故障特征频率fo=236Hz,采样频率为20KHz,共产生了三个数据集。数据集1在每个轴承的X轴和Y轴安装加速度传感器。数据集1的试验时间从2003年10月22日12:06:24至2003年11月25日23:39:56,每隔10分钟采集一次,在试验失败结束时,第四轴承中出现外圈缺陷。第七列、第八列是第四轴承方向互相垂直的振动加速度信号。取2003.11.14.22.48.46和2003.11.25.11.17.32的数据作为分析对象,其中一个数据离试验结束还有219.8小时,是早期的故障信号,另外一个是晚期的故障数据。令第8列、第7列的数据分别是水平方向的信号x、垂直方向的信号y,组成复数形式的滚动轴承振动信号z=x+j*y,对于早期信号,用本实施例方法分析复信号z,用LMD分别分析信号x、信号y,以及用本实施例方法分析晚期故障信号的分析结果如图8所示。
下面通过分析晚期故障来证明提取的早期故障特征频率的正确性,从图8(d)晚期故障特征频率可知,实际外圈故障特征频率fo=233.2Hz。用LMD将信号x分解成系列PF分量,仅在PF2的包络信号ax2的傅里叶谱中发现外圈故障特征频率,而且故障特征频率幅值较小,几乎被噪声淹没;用LMD分析信号y时,仅在PF1的包络信号ay1的傅里叶谱中发现外圈故障特征频率;因为故障特征不在同一层中,用LMD分别分解信号x、y时存在特征融合难题。而用本实施例方法分解信号x和y组成的复信号z时,故障特征频率在同一层中,而且所得复信号的傅里叶谱中,特征频率对应的幅值较大,2倍频故障特征频率也较为清晰,其原因是复信号的傅里叶变换具有增强幅值的特性,对应的幅值为实部信号的傅里叶变换和虚部信号的傅里叶变换的幅值之和。
综上所述,滚动轴承的早期故障特征较弱,单个振动方向信号解调出的故障特征频率的幅值较弱,而复包络信号的快速傅里叶变换具有增强幅值的功能,其提取的故障特征频率的幅值较强,验证了本实施例方法可用于提取滚动轴承的早期故障特征。
本实施例结合CLMD和复信号的傅里叶变换,提出了一种滚动轴承的故障诊断方法。主要结论如下:
1)CLMD可将复数形式的旋转的振动信号自适应地分解为一组复数形式的旋转分量之和;
2)通过CLMD可解调复信号,获取其实部包络信号和虚部包络信号;
3)复信号的快速傅里叶变换具有增强幅值特性,可用于提取滚动轴承早期故障特征,进而诊断滚动轴承早期故障;
4)较之全矢谱方法获取的特征频率的幅值,复信号快速傅里叶变换得到的特征频率的幅值或对称特征频率的幅值更大;
5)全矢谱方法还需对复信号的快速傅里叶变换进行融合,进而得到椭圆长轴,而本实施例方法无需对复信号的快速傅里叶变换进行融合,即可得到增强的幅值信息,具有更快的计算速度和更高的效率。
CLMD可以同时处理方向互相垂直上的二个通道的振动信号,将机械故障诊断上升到二元领域进行,非常适合与基于同源信息的故障诊断方法相结合,CLMD在旋转机电设备故障诊断中将有广泛的应用。
装置实施例:
本实施例提供了一种滚动轴承的故障诊断装置,包括存储器和处理器,处理器用于运行存储在存储器中的程序指令,以实现滚动轴承的故障诊断方法,该方法与方法实施例中的滚动轴承的故障诊断方法相同,此处不再赘述。
Claims (4)
1.一种滚动轴承的故障诊断方法,其特征在于,该方法包括以下步骤:
采集滚动轴承同一截面上方向互相垂直的振动加速度信号,得到复数形式的滚动轴承振动信号;
利用复局部均值分解方法将滚动轴承振动信号直接分解一组复包络信号;
对高频复包络信号进行快速傅里叶变换,从而得到高频复包络信号的高频复包络谱;所述高频复包络信号是一组复包络信号中频率最高的复包络信号;
计算高频复包络信号中方向互相垂直的振动加速度信号的相位差:即高频复包络信号的实部包络信号的初相位与其虚部包络信号的初相位的差值,该差值作为所述相位差;
根据相位差的大小确定特征频率段,当所述相位差属于0~π时,特征频率段为fs/2~fs;否则,特征频率段为0~fs/2,其中,fs是采样频率;结合特征频率段从高频复包络谱中提取滚动轴承的故障特征频率,根据滚动轴承的故障特征频率得到滚动轴承的故障类型。
2.根据权利要求1所述的滚动轴承的故障诊断方法,其特征在于,设定阈值λ,仅在abs[FFT(a(k))]/N>λ时计算所述初相位,其中,abs[]表示求绝对值,FFT()表示求快速傅里叶变换,a(k)表示高频复包络信号在第k点时的信号,N表示数据长度,k=1,2,…,N。
3.根据权利要求1所述的滚动轴承的故障诊断方法,其特征在于,利用正交采样方法采集滚动轴承同一截面上方向互相垂直的振动加速度信号。
4.一种滚动轴承的故障诊断装置,其特征在于,包括存储器和处理器,所述处理器用于运行存储在所述存储器中的程序指令,以实现权利要求1-3任一项所述的滚动轴承的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735868.9A CN112345248B (zh) | 2019-08-09 | 2019-08-09 | 一种滚动轴承的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735868.9A CN112345248B (zh) | 2019-08-09 | 2019-08-09 | 一种滚动轴承的故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345248A CN112345248A (zh) | 2021-02-09 |
CN112345248B true CN112345248B (zh) | 2022-11-25 |
Family
ID=74366964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910735868.9A Active CN112345248B (zh) | 2019-08-09 | 2019-08-09 | 一种滚动轴承的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345248B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116067657B (zh) * | 2022-12-30 | 2023-10-27 | 天地(常州)自动化股份有限公司北京分公司 | 一种滚动轴承故障诊断方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS56155872A (en) * | 1980-05-06 | 1981-12-02 | Nec Corp | Bearing calculation system of underwater acoustic signal |
CN101929917A (zh) * | 2010-03-24 | 2010-12-29 | 陈先利 | 一种旋转机械的故障诊断方法 |
CN103932705A (zh) * | 2014-04-29 | 2014-07-23 | 中国人民解放军第三军医大学 | 一种基于特征频带的非接触磁感应脑出血检测装置 |
CN104165759A (zh) * | 2014-06-17 | 2014-11-26 | 中州大学 | 一种基于复局部均值分解的转子碰摩故障特征提取方法 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN104614178A (zh) * | 2015-03-10 | 2015-05-13 | 中电投河南电力有限公司技术信息中心 | 一种基于全矢谱的故障征兆提取方法 |
CN106198017A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的lmd、谱峭度和平滑迭代包络分析方法 |
CN108051189A (zh) * | 2017-11-20 | 2018-05-18 | 郑州工程技术学院 | 一种旋转机械故障特征提取方法及装置 |
CN108716989A (zh) * | 2018-05-17 | 2018-10-30 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10852214B2 (en) * | 2017-05-19 | 2020-12-01 | Nutech Ventures | Detecting faults in wind turbines |
-
2019
- 2019-08-09 CN CN201910735868.9A patent/CN112345248B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS56155872A (en) * | 1980-05-06 | 1981-12-02 | Nec Corp | Bearing calculation system of underwater acoustic signal |
CN101929917A (zh) * | 2010-03-24 | 2010-12-29 | 陈先利 | 一种旋转机械的故障诊断方法 |
CN103932705A (zh) * | 2014-04-29 | 2014-07-23 | 中国人民解放军第三军医大学 | 一种基于特征频带的非接触磁感应脑出血检测装置 |
CN104165759A (zh) * | 2014-06-17 | 2014-11-26 | 中州大学 | 一种基于复局部均值分解的转子碰摩故障特征提取方法 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN104614178A (zh) * | 2015-03-10 | 2015-05-13 | 中电投河南电力有限公司技术信息中心 | 一种基于全矢谱的故障征兆提取方法 |
CN106198017A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的lmd、谱峭度和平滑迭代包络分析方法 |
CN108051189A (zh) * | 2017-11-20 | 2018-05-18 | 郑州工程技术学院 | 一种旋转机械故障特征提取方法及装置 |
CN108716989A (zh) * | 2018-05-17 | 2018-10-30 | 长沙理工大学 | 一种汽轮发电机组轴系扭振故障监测方法、监测器及系统 |
Non-Patent Citations (6)
Title |
---|
Micro-Doppler Analysis and Separation Based on Complex Local Mean Decomposition for Aircraft With Fast-Rotating Parts in ISAR Imaging;Bin Yuan等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20140228;第52卷(第2期);第1285-1298页 * |
压气机内部噪声特征与转子叶片声固耦合机理分析;赵奉同等;《航空学报》;20190525;第40卷(第5期);第122669-1-122669-10页 * |
基于复数局部均值分解的含旋转部件目标微多普勒分离技术;袁斌等;《电子与信息学报》;20121215(第12期);第2927-2933页 * |
局部均值分解在旋转机械复合故障诊断中的应用;徐继刚等;《噪声与振动控制》;20121031(第5期);第144-149页 * |
旋转机械故障特征提取的全矢二元经验模态分解方法研究;黄传金等;《振动与冲击》;20190515(第09期);第94-99+132页 * |
频率辅助信号结合EMD的旋转机械故障诊断;于海祥等;《半导体光电》;20170430;第38卷(第2期);第271-277页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112345248A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Synchroextracting transform | |
Li et al. | Multi-dimensional variational mode decomposition for bearing-crack detection in wind turbines with large driving-speed variations | |
Wang et al. | Subband averaging kurtogram with dual-tree complex wavelet packet transform for rotating machinery fault diagnosis | |
CN104655380B (zh) | 一种旋转机械设备故障特征提取方法 | |
Qin | A new family of model-based impulsive wavelets and their sparse representation for rolling bearing fault diagnosis | |
Wang et al. | Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis | |
CN110186682B (zh) | 基于分数阶变分模态分解的滚动轴承故障诊断方法 | |
Guo et al. | Envelope order tracking for fault detection in rolling element bearings | |
Wang et al. | Transients extraction based on averaged random orthogonal matching pursuit algorithm for machinery fault diagnosis | |
Wang et al. | Multi-scale enveloping order spectrogram for rotating machine health diagnosis | |
Li et al. | Research on test bench bearing fault diagnosis of improved EEMD based on improved adaptive resonance technology | |
Rodopoulos et al. | A parametric approach for the estimation of the instantaneous speed of rotating machinery | |
CN108572075A (zh) | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 | |
Chen et al. | An ameliorated synchroextracting transform based on upgraded local instantaneous frequency approximation | |
CN108647667B (zh) | 一种基于信号时频分解的频域幅值谱峭度图的实现方法 | |
CN110084208B (zh) | 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法 | |
CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
Xiang et al. | Comparison of Methods for Different Time-frequency Analysis of Vibration Signal. | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
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 | |
Ma et al. | An improved time-frequency analysis method for instantaneous frequency estimation of rolling bearing | |
CN112345248B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN112485028B (zh) | 振动信号的特征频谱提取方法及机械故障诊断分析方法 | |
Hua et al. | Matching and reassignment based time-frequency enhancement for rotating machinery fault diagnosis under nonstationary speed operations |
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 |