CN112461547B - 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 - Google Patents

一种基于多岛遗传和变分模态分解的轴承故障诊断方法 Download PDF

Info

Publication number
CN112461547B
CN112461547B CN202011526857.9A CN202011526857A CN112461547B CN 112461547 B CN112461547 B CN 112461547B CN 202011526857 A CN202011526857 A CN 202011526857A CN 112461547 B CN112461547 B CN 112461547B
Authority
CN
China
Prior art keywords
signal
fault
rolling bearing
algorithm
bearing
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
Application number
CN202011526857.9A
Other languages
English (en)
Other versions
CN112461547A (zh
Inventor
姜文
丁立斌
王建辉
郭学强
龚思远
商文霞
李涛
郭嘉
王贺伟
于媛媛
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.)
Hebei Construction Investment Group Co ltd
Hebei Jointto Energy Investment Co ltd
Original Assignee
Hebei Construction Investment Group Co ltd
Hebei Jointto Energy Investment Co ltd
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 Hebei Construction Investment Group Co ltd, Hebei Jointto Energy Investment Co ltd filed Critical Hebei Construction Investment Group Co ltd
Priority to CN202011526857.9A priority Critical patent/CN112461547B/zh
Publication of CN112461547A publication Critical patent/CN112461547A/zh
Application granted granted Critical
Publication of CN112461547B publication Critical patent/CN112461547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于多岛遗传和变分模态分解的轴承故障诊断方法，包括以下步骤：采集滚动轴承振动信号，并采用经多岛遗传算法优化的变分模态分解方法对滚动轴承振动信号进行分解，得到本征模态分量；计算各个模态分量的敏感参数SP，并选取敏感参数SP值最大的两个本征模态分量进行重构，并对重构信号进行解调得到包络谱；采用最小熵卷积MOMEDA算法对包络谱进行信号增强，得到增强后的包络谱；根据增强后的包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断。本发明能够有效将轴承信号的故障信息与噪声信息分离，抑制噪声对滚动轴承故障特征提取精度的影响，使滚动轴承故障特征的提取精度大大提高。

Description

一种基于多岛遗传和变分模态分解的轴承故障诊断方法
技术领域
本发明涉及滚动轴承检测技术领域，具体涉及一种基于多岛遗传和变分模态分解的轴承故障诊断方法。
背景技术
滚动轴承作为旋转机械设备中最常用和最重要的部件之一，其运行状态与设备系统的安全运行有着直接的关联。在实际工程应用中，更期望在故障发生阶段，即对早期故障进行有效检验，并在早期故障阶段对轴承的损伤部位进行判断，为现场工作人员提供维修决策参考。滚动轴承在早期故障阶段，往往存在冲击成分微弱、周围环境噪声干扰大等特点，这使得一方面难以识别轴承是否已经出现早期故障，另一方面增大了轴承早期故障类型诊断的难度。
因此，存在着对于能够在早期有效地识别出轴承等设备的不同类型故障的方法的需求。
发明内容
针对现有技术存在的问题，本发明提供了一种基于多岛遗传和变分模态分解的轴承故障诊断方法，能够有效将轴承信号的故障信息与噪声信息分离，抑制噪声对滚动轴承故障特征提取精度的影响，使滚动轴承故障特征的提取精度大大提高。
为达到上述目的，本发明提出如下技术方案，本发明提供一种基于多岛遗传和变分模态分解的轴承故障诊断方法，包括以下步骤：
采集滚动轴承振动信号，并采用经多岛遗传算法优化的变分模态分解方法对滚动轴承振动信号进行分解，得到本征模态分量；
计算各个模态分量的敏感参数SP，并选取敏感参数SP值最大的两个本征模态分量进行重构，并对重构信号进行解调得到包络谱；
采用最小熵卷积MOMEDA算法对包络谱进行信号增强，得到增强后的包络谱；
根据增强后的包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断。
优选地，所述本征模态分量的计算过程为：设置多岛遗传算法的参数并初始化种群，得到个体的参数组合[K,α]；将种群中不同的个体代入变分模态分解算法对振动信号进行分解，得到K个本征模态分量；计算K个本征模态分量的包络熵和Renyi熵，并以局部最小包络熵和局部最小Renyi熵的平均值作为个体的适应度值；根据每个个体的适应度值得到优化后的适应度值；当多岛遗传算法的迭代次数达到最大设定值时，输出最佳适应度值及其相应的最优参数组合[K0,α0]；将最优参数组合[K0,α0]作为变分模态分解算法的输入参数，得到滚动轴承振动信号的本征模态分量。
优选地，所述敏感参数SP的计算过程为：根据所述本征模态分量及所述滚动轴承振动信号得到Holder系数；根据所述本征模态分量得到本征模态分量的峰度；根据所述Holder系数及所述峰度得到敏感参数SP。
优选地，采用Teager能量算子对重构信号进行解调得到包络谱。
优选地，所述采用最小熵卷积MOMEDA算法对包络谱进行信号增强的过程为：根据包络谱最大峰值所在频率计算并设置最小熵卷积MOMEDA算法的解卷积周期，采用最小熵卷积MOMEDA算法增强重构信号的周期冲击成分。
优选地，所述滚动轴承振动信号包括正常信号、内圈故障信号、滚珠故障信号及外圈故障信号。
本发明公开了以下技术效果：
本发明通过采用基于多岛遗传和变分模态分解MOMIGA-VMD和最小熵解卷积MOMEDA的滚动轴承故障诊断方法成功提取了轴承的故障特征频率，本发明利用多目标多岛遗传算法优化的变分模态分解VMD算法对滚动轴承振动信号进行分解，实现了VMD算法参数的自适应选取，并且可有效将轴承信号的故障信息与噪声信息分离，同时利用敏感参数SP选取含有丰富故障信息的本征模态分量进行重构；此外本发明进一步采用最小熵解卷积MOMEDA算法对重构信号进行处理，增强信号的周期冲击成分，抑制噪声对滚动轴承故障特征提取精度的影响，对实现滚动轴承微弱故障诊断具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见的，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多岛遗传和变分模态分解的轴承故障诊断方法流程示意图；
图2为本发明实施例滚动轴承振动信号时域波形及其频谱示意图；
图3为本发明实施例滚动轴承振动信号的本征模态分量示意图，其中：图3(a)为正常信号的本征模态分量示意图，图3(b)为内圈故障信号的本征模态分量示意图，图3(c)为滚珠故障信号本征模态分量示意图，图3(d)为外圈故障信号本征模态分量示意图；
图4为本发明实施例滚动轴承振动信号的本征模态分量敏感参数SP值示意图，其中：图4(a)为正常信号本征模态分量敏感参数SP值示意图，图4(b)为内圈故障信号本征模态分量敏感参数SP值示意图，图4(c)为滚珠故障信号本征模态分量敏感参数SP值示意图，图4(d)为外圈故障信号本征模态分量敏感参数SP值示意图；
图5为本发明实施例滚动轴承正常信号、内圈故障信号、滚珠故障信号和外圈故障信号的重构信号的时域图示意图，其中：图5(a)为正常信号的重构信号的时域图，图5(b)内圈故障信号的重构信号的时域图，图5(c)为滚珠故障信号的重构信号的时域图，图5(d)为外圈故障信号的重构信号的时域图；
图6为本发明实施例滚动轴承正常信号、内圈故障信号、滚珠故障信号和外圈故障信号的重构信号的包络谱示意图，其中：图6(a)为正常信号的包络谱示意图，图6(b)为内圈故障信号的包络谱示意图，图6(c)为滚珠故障信号的包络谱示意图，图6(d)为外圈故障信号的包络谱示意图；
图7为本发明实施例得到的增强信号包络谱示意图，其中：图7(a)为内圈故障信号的增强信号包络谱示意图，图7(b)为滚珠故障信号的增强信号包络谱示意图，图7(c)为外圈故障信号的增强信号包络谱示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种汽轮机转子轴承故障诊断方法，包括以下步骤：
S1、采集滚动轴承振动信号，并对滚动轴承振动信号进行分解，得到本征模态分量；
本实施例以凯斯西储大学的轴承振动信号作为测试信号，其中轴承信号包括正常信号、内圈故障信号、滚珠故障信号和外圈故障信号，采样频率为12KHz,数据长度设置为2048；本实施例滚动轴承振动信号时域波形及其频谱如图2所示，具体表示为x(j)(j＝1,2,…,N)。
本实施例以局部最小包络熵和局部最小Renyi熵的平均值作为适应度函数，采用多目标多岛遗传算法搜索变分模态分解VMD的最优参数组合[K0,α0]，并将[K0,α0]代入变分模态分解VMD算法来分解滚动轴承振动信号，得到K0个本征模态分量，具体过程为：首先设置多岛遗传算法的初始参数，本实施例中，初始种群划分为10个岛，每个岛的种群数设为10，优化10代，交叉概率设为1，变异概率设为0.01，迁移概率设为0.01，精英个体数量设为1。变分模态分解VMD算法中的分解个数K和惩罚因子α的搜索范围分别为[2 12]和[103500],并将K和α作为种群中的一个个体；其次，将种群中的不同的个体代入变分模态分解VMD算法中，对振动信号进行分解，得到若干个本征模态分量，计算每个个体所对应的所有本征模态分量的包络熵Ee和Renyi熵Rα，具体为：
Figure BDA0002851067830000061
其中：a(j)是x(j)经Hilbert解调得到的包络信号；ej是对a(j)进行归一化得到；N为信号长度。
信号x(j)(j＝1,2,…,N)的Renyi熵Rα计算公式为：
Figure BDA0002851067830000062
其中：Ra(X)是离散随机变量X＝{xk|k＝1,2,...n}的Renyi熵；α≥0，为Renyi熵的阶数；pk为事件X＝xk的概率密度。
以局部最小包络熵和局部最小Renyi熵的平均值作为个体的适应度值；利用每个个体的适应度值更新最佳的适应度值，当迭代次数达到最大设定值时，输出最佳适应度值及其相应的最优参数组合[K0,α0]；最后，将得到的最佳参数组合[K0,α0]带入到变分模态分解VMD算法，获得对滚动轴承振动信号的最终分解结果u＝{u1,u2,...,uk}，其中uk表示第k个本征模态分量，具体分解结果如图3所示。
本实施例得到的正常信号、内圈故障信号、滚珠故障信号和外圈故障信号对应的最优参数组合分别为[11,3498]、[11,350]、[9,3241]、[7,3497]。
S2、计算各个模态分量的敏感参数SP，并选取敏感参数SP值最大的两个本征模态分量进行重构，对重构信号进行解调得到包络谱。
首先计算各本征模态分量与原始信号的Holder系数，具体为：
对于两个离散信号x(t)＝[x1,x2,...,xN]和y(t)＝[y1,y2,...,yN]，它们之间的Holder系数计算公式为：
Figure BDA0002851067830000071
其中：1/p+1/q＝1；p,q＞1；0≤H≤1。
计算各本征模态分量的峰度Kur，对于具有n个值的本征模态分量，峰度的计算公式为：
Figure BDA0002851067830000072
其中：xi是本征模态分量的第i个值，
Figure BDA0002851067830000073
是本征模态分量所有值的平均值。
计算各本征模态分量的SP参数，敏感参数SP的定义为：
SPj＝Hj·Kj (5)
其中：
Figure BDA0002851067830000081
最小-最大归一化能够使函数Kj标准化到0-1的范围内。
本实施例的正常信号、内圈故障信号、滚珠故障信号、外圈故障信号经分解后各个本征模态分量的SP值如图4所示。
选取敏感参数SP值最大的两个本征模态分量进行重构，并对重构信号进行Teager能量算子包络解调得到包络谱，本实施例的正常信号、内圈故障信号、滚珠故障信号和外圈故障信号的重构信号的时域图和包络谱如图5和图6所示。
S3、根据包络谱最大峰值所在频率计算并设置最小熵解卷积MOMEDA算法的卷积周期，并采用最小熵卷积MOMEDA算法增强重构信号的周期冲击成分，得到增强信号。
由于正常信号只有电机频率而无故障频率，因此本实施例只对内圈故障、滚珠故障和外圈故障的重构信号进行最小熵解卷积MOMEDA处理。
S4、对增强后的信号进行包络谱分析，根据包络谱得到滚动轴承信号的故障频率，其中内圈故障频率为161.1Hz、滚珠故障频率为140.6Hz、外圈故障频率为108.4Hz，由故障频率即可识别轴承信号的故障类型。
在包络谱中，可以准确识别滚动轴承的不同故障特征频率及倍频成分，且非常清晰。本实施例得到的增强信号包络谱如图7所示。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于多岛遗传和变分模态分解的轴承故障诊断方法，其特征在于，包括以下步骤：
采集滚动轴承振动信号，并采用经多岛遗传算法优化的变分模态分解方法对滚动轴承振动信号进行分解，得到本征模态分量；
计算各个模态分量的敏感参数SP，并选取敏感参数SP值最大的两个本征模态分量进行重构，并对重构信号进行解调得到包络谱；
采用最小熵卷积MOMEDA算法对包络谱进行信号增强，得到增强后的包络谱；
根据增强后的包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断。
2.根据权利要求1所述基于多岛遗传和变分模态分解的轴承故障诊断方法，其特征在于，所述本征模态分量的计算过程为：设置多岛遗传算法的参数并初始化种群，得到个体的参数组合[K,α]；将种群中不同的个体代入变分模态分解算法对振动信号进行分解，得到K个本征模态分量；计算K个本征模态分量的包络熵和Renyi熵，并以局部最小包络熵和局部最小Renyi熵的平均值作为个体的适应度值；根据每个个体的适应度值得到优化后的适应度值；当多岛遗传算法的迭代次数达到最大设定值时，输出最佳适应度值及其相应的最优参数组合[K0,α0]；将最优参数组合[K0,α0]作为变分模态分解算法的输入参数，得到滚动轴承振动信号的本征模态分量。
3.根据权利要求1所述基于多岛遗传和变分模态分解的轴承故障诊断方法，其特征在于，所述敏感参数SP的计算过程为：根据所述本征模态分量及所述滚动轴承振动信号得到Holder系数；根据所述本征模态分量得到本征模态分量的峰度；根据所述Holder系数及所述峰度得到敏感参数SP。
4.根据权利要求1所述基于多岛遗传和变分模态分解的轴承故障诊断方法，其特征在于，采用Teager能量算子对重构信号进行解调得到包络谱。
5.根据权利要求1所述基于多岛遗传和变分模态分解的轴承故障诊断方法，其特征在于，所述采用最小熵卷积MOMEDA算法对包络谱进行信号增强的过程为：根据包络谱最大峰值所在频率计算并设置最小熵卷积MOMEDA算法的解卷积周期，采用最小熵卷积MOMEDA算法增强重构信号的周期冲击成分。
6.根据权利要求1所述基于多岛遗传和变分模态分解的轴承故障诊断方法，其特征在于，所述滚动轴承振动信号包括正常信号、内圈故障信号、滚珠故障信号及外圈故障信号。
CN202011526857.9A 2020-12-22 2020-12-22 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 Active CN112461547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011526857.9A CN112461547B (zh) 2020-12-22 2020-12-22 一种基于多岛遗传和变分模态分解的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011526857.9A CN112461547B (zh) 2020-12-22 2020-12-22 一种基于多岛遗传和变分模态分解的轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN112461547A CN112461547A (zh) 2021-03-09
CN112461547B true CN112461547B (zh) 2022-06-28

Family

ID=74804672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011526857.9A Active CN112461547B (zh) 2020-12-22 2020-12-22 一种基于多岛遗传和变分模态分解的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN112461547B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114077847B (zh) * 2021-10-27 2022-08-19 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
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
CN115031967A (zh) * 2022-05-27 2022-09-09 北京天玛智控科技股份有限公司 滚动轴承的故障诊断方法、装置及电子设备
CN114754857B (zh) * 2022-06-14 2022-08-23 之江实验室 一种两段式光纤传感水声信号补偿方法和装置
CN116242612B (zh) * 2023-01-09 2023-11-21 广东海洋大学 一种故障诊断方法、装置、介质及设备
CN116304648B (zh) * 2023-05-23 2023-08-29 北京化工大学 基于优化脉冲增强与包络同步平均的齿轮故障识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323983A (zh) * 2011-09-02 2012-01-18 北京航空航天大学 一种自动提供优化的合成射流参数的方法
CA2738556A1 (en) * 2011-01-18 2012-07-18 Joseph Barash Method, system and apparatus for data processing
CN103150486A (zh) * 2013-04-03 2013-06-12 大连理工大学 一种轴压筒壳结构承载力折减因子确定方法
CN104063549A (zh) * 2014-07-02 2014-09-24 湖南大学 一种基于振动性能的动力与传动系统匹配方法
CN105718607A (zh) * 2014-12-02 2016-06-29 广州汽车集团股份有限公司 一种基于k&c特性的悬架硬点优化方法
CN110674558A (zh) * 2019-09-22 2020-01-10 华东交通大学 一种高速动车组牵引齿轮的降噪修形优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2738556A1 (en) * 2011-01-18 2012-07-18 Joseph Barash Method, system and apparatus for data processing
US20120185172A1 (en) * 2011-01-18 2012-07-19 Barash Joseph Method, system and apparatus for data processing
CN102323983A (zh) * 2011-09-02 2012-01-18 北京航空航天大学 一种自动提供优化的合成射流参数的方法
CN103150486A (zh) * 2013-04-03 2013-06-12 大连理工大学 一种轴压筒壳结构承载力折减因子确定方法
CN104063549A (zh) * 2014-07-02 2014-09-24 湖南大学 一种基于振动性能的动力与传动系统匹配方法
CN105718607A (zh) * 2014-12-02 2016-06-29 广州汽车集团股份有限公司 一种基于k&c特性的悬架硬点优化方法
CN110674558A (zh) * 2019-09-22 2020-01-10 华东交通大学 一种高速动车组牵引齿轮的降噪修形优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A novel hybrid model for short-term wind power forecasting;Pei Du等;《Applied Soft Computing Journal》;20190319;全文 *
滚动轴承振动信号处理方法综述;胡智勇等;《中国工程机械学报》;20161215;全文 *

Also Published As

Publication number Publication date
CN112461547A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112461547B (zh) 一种基于多岛遗传和变分模态分解的轴承故障诊断方法
Gao et al. Rolling bearing compound fault diagnosis based on parameter optimization MCKD and convolutional neural network
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN113176092B (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN108303253A (zh) 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN113420691A (zh) 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法
Tang et al. A robust deep learning network for low-speed machinery fault diagnosis based on multikernel and RPCA
CN113642508A (zh) 基于参数自适应vmd与优化svm的轴承故障诊断方法
Zheng et al. Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement
Liang et al. Multibranch and multiscale dynamic convolutional network for small sample fault diagnosis of rotating machinery
CN116839911A (zh) 基于阈值参数判决筛选的航空发动机主轴承故障提取方法
CN117250004A (zh) 一种基于数字信号处理的轴承故障诊断方法及系统
CN111380680A (zh) 一种基于改进排列熵的单向阀故障特征提取方法
CN114897016A (zh) 一种基于多源频谱特征的风机轴承故障智能诊断方法
CN117349615B (zh) 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法
CN110222386A (zh) 一种行星齿轮退化状态识别方法
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
CN117828447A (zh) 基于谱图小波变换和多尺度排列熵的航空发动机轴承故障诊断方法
Pan et al. Improved complete ensemble robust local mean decomposition with adaptive noise for slewing bearings performance degradation assessment
CN115326398B (zh) 一种基于模糊宽度学习模型的轴承故障诊断方法
Yang et al. Intelligent diagnosis technology of wind turbine drive system based on neural network
CN115683620A (zh) 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法
CN114136604B (zh) 一种基于改进稀疏字典的旋转设备故障诊断方法及系统
Yanqiang et al. A novel bevel gear fault diagnosis method based on ensemble empirical mode decomposition and support vector machines
CN116086807A (zh) 一种用于滚动轴承的故障判断方法和相关产品

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