CN112629850B - 一种变转速行星齿轮箱故障诊断方法 - Google Patents
一种变转速行星齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112629850B CN112629850B CN202011419700.6A CN202011419700A CN112629850B CN 112629850 B CN112629850 B CN 112629850B CN 202011419700 A CN202011419700 A CN 202011419700A CN 112629850 B CN112629850 B CN 112629850B
- Authority
- CN
- China
- Prior art keywords
- signal
- resampling
- variable
- fault
- scale
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—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
- G06F2218/02—Preprocessing
Abstract
本发明公开了一种变转速行星齿轮箱故障诊断方法,该方法选取形态滤波对信号进行降噪处理,根据振动信号的任意冲击参数而自适应的选择相对应的结构元素,并且针对该冲击只需利用最佳结构元素计算一次,在滤波精确性和运算效率上都有了大幅度的提升。首先,应用转域重采样技术对原始信号进行重采样,得到仍被强噪声淹没的等角域稳态信号;其次,利用变多尺度形态滤波器对重采样信号进行滤波,获取包含故障信息的噪声干扰较小的信号;最后,对滤波信号进行故障特征提取,并和运用重采样提供的采样参数计算得到的可能故障频率进行比对,判断行星齿轮箱故障类型。通过对仿真信号和实验信号分别进行分析,该方法能够有效找出对应故障特征。
Description
技术领域
本发明涉及一种变转速行星齿轮箱故障信号角域重采样及信号降噪新方法。该方法避免了角域重采样中的等效误差问题,提高了角域重采样的精度;新提出的变多度尺度形态滤波方法选择了更加适合的结构元素,对冲击信号只计算一次,提高了计算精度和效率。本发明提出的方法是一种高精度、高效的行星齿轮箱故障诊断方法。
技术背景
行星轮系广泛应用于机械传动系统中,无论是简单机械还是复杂装备,小到微机电系统,大到海洋工程装备,其工作状态几乎无处不在,但却又各不相同。由于行星轮系工作环境恶劣,结构复杂,运行过程中时常出现轮齿裂纹、剥落等故障,进而导致系统停机。因此研究行星轮系齿轮损伤故障诊断具有重要意义。
对于定转速工况行星齿轮箱,由于受到外负载的变化等因素的影响,齿轮箱输入/出转速会随之发生波动;对于某些特定工况,要求转速必须按照预定设置变化。针对上述工况,应用常规的信号提取、故障机理与建模、信号处理与特征提取方法提取出的特征频率会发生严重的“频率模糊”现象,很难有效的判断故障所在,因此上述方法在处理变工况信号时存在一定的局限性。研究一种能够有效避免转速变化对处理结果的影响的方法就变得极为重要。考虑到行星齿轮箱为旋转设备,若能以特定旋转角度为采样间隔,则无论行星齿轮箱转速如何变化,采集到的信号相对于旋转域都是稳态信号。基于这个思想,角域重采样技术应运而生。该方法能够有效的避免“频率模糊”现象。现有研究方法在选择最大采样阶次时大多基于经验选择,重采样信号可能会出现冗余或漏掉故障特征;重采样信号总采样点数及采样频率和原始时域信号不同,传统方法并没有给定相关参数,因此在后续计算过程中存在一定的局限性;传统阶次跟踪方法在重构角域信号时采用样条插值的方法,这在重构信号中会造成一定的误差。针对上述问题,本文对现有COT方法进行了改进,能够更好的解决上述问题。
行星轮系运行过程中,一般情况下太阳轮、行星轮和行星架相互运动,齿圈静止不动。信号采集时传感器安装在箱体上。太阳轮-行星轮及行星轮-齿圈啮合点与传感器相对位置发生周期性变化;啮合信号传递到传感器路径复杂;行星轮系同时多对齿轮同时啮合。相比振源信号,采集信号多为调制信号。针对行星轮系的复杂故障信号,特别是对于早期微弱故障,极易被强噪声淹没,因此前期需要对振动信号进行降噪处理,凸显故障特征。形态滤波是一种非线性滤波方法,能够保持主要形态特征。形态滤波器算法简单有效、效果明显,在旋转设备振动信号分析和处理中广泛应用。国内外学者在滤波尺度及结构元素选择方面展开了一系列的研究并取得了一定的成果。单尺度形态滤波器在处理单一振动信号时效果明显,但对于复杂振动信号,处理效果大打折扣。多尺度形态滤波器对复杂振动信号的特征提取效果优于单一尺度形态滤波器。但多尺度形态滤波器结构元素尺度在选择时是根据多组特征冲击信号的特征进行选择,这导致在滤波时造成部分信号冲击被放大,部分信号冲击被削弱,终究造成滤波信号存在失真的可能。并且在选用多尺度形态滤波时多个尺度在计算时存在重复调用尺度的问题,计算量较大,影响了计算效率。针对上述问题,本文提出一种变多尺度形态滤波方法,本文选用切比雪夫窗作为结构元素,根据信号特征的峰峰值确定结构元素的尺度,且针对特定冲击只需要根据本身判断,选择最佳结构元素尺度计算一次,提高了计算效率。本文所提方法对行星齿轮箱故障信号在降噪效果和计算效率上都有了很大的提升。
发明内容
该方法包括以下具体步骤:
1)计算行星齿轮箱输入轴转速函数方程:
运用行星齿轮箱输入轴转速脉冲数据拟合出输入轴转频方程,考虑转速变化复杂多变,对脉冲信号进行分段拟合,得到输入轴转频分段函数方程。
2)计算振动信号重采样最大阶次:
根据振动信号中包含的故障信息特性计算最大采样阶次,并根据第一步得到的转频方程计算总采样点数。
3)振动信号转域重采样:
运用转频拟合方程分别计算出所有重采样点在原始时域信号中的位置,将其提取出并组建成新的重采样信号。
4)采用切比雪夫窗作为变多尺度形态滤波的结构元素建立结构元素尺度库:
5)针对信号情况对重采样信号进行首尾切割:
计算出重采样信号中所有的极值点,并根据极值点分布情况对重采样信号进行首尾切割。
6)对重采样信号中的所有冲击针对其参数调用尺度库中合适的尺度进行形态学滤波:
计算重采样信号中冲击信号的长度作为结构元素尺度的宽度,其峰峰值作为结构元素尺度的长度,在尺度库中调用合适的尺度对重采样信号中的冲击信号进行形态学滤波。
7)计算形态滤波信号的特征频率,判断故障;
所述步骤1)中,计算得到输入轴转频函数方程,并对其进行积分,得到任意时刻的输入轴角位移方程:其角位移方程如下所示,得到的角位移函数方程以备后用。
式中atn+btn-1+ctn-2+…+k为转频函数。
所述步骤2)中,最大采样阶次确定需根据第一步得出的转频函数方程,并求出在分析时间段内的最大转速,从而得到的最优采样阶次为:
orderopt=Fs/(nsmax/60)
所述步骤3)中,应用上述得出的输入轴角位移函数方程,计算出任一个重采样点所对应的时刻,并将对应时刻的点采集并重组为角域信号。
y(i)=x(ti)
由于时域振动信号为离散信号,由此求得的ti时刻无对应点,此时选择对应点应满足下式:
所述步骤4)中,真对行星齿轮箱振动信号的特性,选择切比雪夫窗作为变多尺度形态滤波的结构元素:
0≤n≤N-1
arcsch(β)=log(1+sqrt(1-β)^2/β)
所述步骤5)中,重采样信号中相邻两极小值点信号作为一个冲击,由于重采样信号中极值点分布情况多样,Ni和Nm分别表示极小值点和极大值点个数,主要分为如下四种情况:
①:Ni-Nm=1,重采样信号不变化,直接进行分析;
②:Ni-Nm=-1,舍弃首尾冲击信号,对剩余信号进行分析;
③:Ni=Nm&先出现极小值点,舍弃最后一个冲击信号,分析其余冲击;
④:Ni=Nm&先出现极大值点,舍弃第一个冲击信号,分析其余冲击。
所述步骤6)中,将重采样信号分割为若干个冲击,并求取出冲击的长度和峰峰值分别作为结构元素的尺度宽度和长度,采用形态开-闭和闭-开平均组合滤波器对该冲击进行形态学滤波。
附图说明
图1是本发明的工作流程图;
图2是本发明待处理的原始时域波形图和频谱图;
图3是本发明转域重采样技术采样阶次选择及重采样信号选择示意图;
图4是本发明运用转域重采样技术处理过后的波形图及阶次谱图;
图5是本发明重采样信号极值点分布情况;
图6是本发明变多尺度形态滤波结构元素尺度选择示意图;
图7是经本文处理后各步骤波形图。
具体实施方式
下面具体结合附图与实例对本发明作进一步的说明。
如图1所示,是本发明的一种基于转域重采样和变多尺度形态滤波的行星齿轮箱故障诊断方法的工作流程图。具体实施过程如下:
第一步是对时域信号进行转域重采样,其主要步骤如下:
首先确定最佳采样阶次。最佳采样阶次要保证重采样信号特征信息的完整性。
第一,采样阶次必须满足最低采样阶次。根据Shannon采样定理,需满足最低采样阶次不小于二倍的最高阶次。
式中:ordermin——最低采样阶次
ordermax——重采样信号最大阶次
Fsmin——时域信号最小采样频率
nsmax——输入轴最大转速
为保证采样信号的完整性,原始时域信号采样频率应不小于上述最低采样频率。因此为保证重采样信号中故障特征的的完整性,在对信号进行等时间间隔采样时,选择尽可能高的采样频率。
第二,为保证采样点不重复且不存在空点,需要设定最优的重采样采样阶次即输入轴每转一转的采样点数。
选择最优采样阶次,需要事先知道原始信号的转频变化函数,并依据转频函数推导出最优采样阶次的值。假设齿轮箱输入轴转速r随时间的函数为:
r(t)=a+2π*bsin(ct)
最优采样阶次orderopt设定如下式:
orderopt=Fs/(nsmax/60)
其次,设定总采样点数。根据输入轴角位移和最佳采样频率求取采样点数。
最后,制定采样规则。本文所用采样规则摒弃原有样条插值办法,而是采用最近点原则,对原始信号中相关采样时刻的振动信号进行重构,最终获得转域重采样信号。如图3所示。
第二步是对重采样信号进行变多尺度形态滤波,其主要步骤如下:
(1)选择切比雪夫窗作为本发明变多尺度形态滤波的结构元素:
(2)建立最大尺度为50的CSE尺度库,以备后续调用;
(3)找出原始信号的所有极大值点和极小值点,极值点的个数分别记为Nm和Ni,并计算出相邻两极小值之间的离散点个数;
(4)根据极大值点和极小值点的分布特点对原始信号进行相应首尾割舍。其极大值点和极小值点之间的分布特点主要分为四种类型,如图5所示:
①Ni-Nm=1,从第一个冲击开始分析,直到最后一个冲击结束;
②Ni-Nm=-1,舍弃首尾冲击,分析中间部分;
③Ni=Nm&先出现极小值点,舍弃最后一个冲击信号,分析其余冲击;
④Ni=Nm&先出现极大值点,舍弃第一个冲击信号,分析其余冲击。
(5)对于原始信号的第k个冲击,选择冲击信号所对应两极小值点之间的离散点数量作为CSE的长度,如图6所示;
切比雪夫窗结构元素(Chebyshevwindowstructuralelements,CSE)表示为:
0≤n≤N-1
arcsch(β)=log(1+sqrt(1-β)^2/β)
表1 CSE结构元素的尺度库
选择采用形态开-闭和闭-开平均组合滤波器作为本发明的形态学算法。
f(n)关于g(m)的膨胀和腐蚀分别定义为:
f(n)关于g(m)的开运算和闭运算分别表示为:
形态开-闭和闭-开滤波器分别如下式:
形态开-闭和闭-开平均组合滤波器如下式:
y(n)=[co(f(n))+oc(f(n))]/2
(6)将冲击信号极大值和极小值之间的峰峰值作为CSE的高度系数a,取冲击信号两极小值点幅值的算术平均值作为其极小值;
(7)根据第5和6步计算得出的冲击信号的特征参数调用合适的结构元素,并对其进行滤波。
(8)重复上述步骤5~7,直到所有冲击信号分析完毕,最终将所有冲击信号的滤波信号进行整合,得到原始信号的形态滤波信号。在此需要注意的是所有极小值点被相邻两个冲击信号各计算一次,为使信号更加准确,本发明求取两值的算术平均值作为该点滤波值。
第三步是对经变多尺度形态滤波降噪后的重采样信号进行FFT变换及包络谱分析,判断故障特征。
本发明提出的一种基于转域重采样和变多尺度形态滤波的行星齿轮箱故障诊断方法得出了行星齿轮箱齿轮故障等效故障特征频率,提高了变转速行星齿轮箱故障特征的精度和计算效率。
Claims (6)
1.一种变转速行星齿轮箱故障诊断方法,其特征在于:运用转域重采样技术将变转速信号转换为稳态的角域信号;运用变多尺度形态滤波对重采样角域信号进行降噪,并提取出故障特征,判断齿轮箱故障:
该方法包括以下具体步骤:
1)计算行星齿轮箱输入轴转频分段函数方程:
运用行星齿轮箱输入轴转速脉冲数据拟合出输入轴转频函数方程,考虑转速变化复杂多变,对脉冲信号进行分段拟合,得到输入轴转频分段函数方程;
2)计算振动信号重采样最大阶次:
根据振动信号中包含的故障信息特性计算最大采样阶次,并根据第一步得到的所述输入轴转频函数方程计算总采样点数;
3)振动信号转域重采样:
运用输入轴转频分段函数方程分别计算出所有重采样点在原始时域信号中的位置,将其提取出并组建成新的重采样信号;
4)采用切比雪夫窗作为变多尺度形态滤波的结构元素建立结构元素尺度库:
5)针对信号情况对所述新的重采样信号进行首尾切割:
计算出重采样信号中所有的极值点,并根据极值点分布情况对重采样信号进行首尾切割;
6)对重采样信号中的所有冲击针对其参数调用尺度库中合适的尺度进行形态学滤波:
计算重采样信号中冲击信号的长度作为结构元素尺度的宽度,其峰峰值作为结构元素尺度的长度,在尺度库中调用合适的尺度对重采样信号中的冲击信号进行形态学滤波;
7)计算形态滤波信号的特征频率,判断故障。
2.根据权利要求1所述的一种变转速行星齿轮箱故障诊断方法,其特征在于:所述步骤1)中,计算得到输入轴转频函数方程,并对其进行积分,得到任意时刻的输入轴角位移方程。
3.根据权利要求1所述的一种变转速行星齿轮箱故障诊断方法,其特征在于:所述步骤2)中,最大采样阶次的确定需根据第一步得出的所述输入轴转频函数方程,并求出在分析时间段内的最大转速,从而得到的最优采样阶次。
4.根据权利要求2所述的一种变转速行星齿轮箱故障诊断方法,其特征在于:所述步骤3)中,应用上述得出的输入轴角位移方程,计算出任一个重采样点所对应的时刻,并将对应时刻的点采集并重组为角域信号。
5.根据权利要求1所述的一种变转速行星齿轮箱故障诊断方法,其特征在于:所述步骤5)中,重采样信号中相邻两极小值点信号作为一个冲击,由于重采样信号中极值点分布情况多样,Ni和Nm分别表示极小值点和极大值点个数,主要分为如下四种情况:
①:Ni-Nm=1,重采样信号不变化,直接进行分析;
②:Ni-Nm=-1,舍弃首尾冲击信号,对剩余信号进行分析;
③:Ni=Nm&先出现极小值点,舍弃最后一个冲击信号,分析其余冲击;
④:Ni=Nm&先出现极大值点,舍弃第一个冲击信号,分析其余冲击。
6.根据权利要求1所述的一种变转速行星齿轮箱故障诊断方法,其特征在于:所述步骤6)中,将重采样信号分割为若干个冲击,并求取出冲击的长度和峰峰值分别作为结构元素的尺度宽度和长度,采用形态开-闭和闭-开平均组合滤波器对该冲击进行形态学滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419700.6A CN112629850B (zh) | 2020-12-06 | 2020-12-06 | 一种变转速行星齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419700.6A CN112629850B (zh) | 2020-12-06 | 2020-12-06 | 一种变转速行星齿轮箱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112629850A CN112629850A (zh) | 2021-04-09 |
CN112629850B true CN112629850B (zh) | 2022-04-22 |
Family
ID=75308598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011419700.6A Active CN112629850B (zh) | 2020-12-06 | 2020-12-06 | 一种变转速行星齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112629850B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5488374A (en) * | 1994-10-14 | 1996-01-30 | Hughes Aircraft Company | Multi-scale adaptive filter for interferometric SAR data |
CN104459186A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军军事交通学院 | 基于稀疏分段拟合与积分逼近的无转速计阶比分析方法 |
CN104502099A (zh) * | 2015-01-20 | 2015-04-08 | 中国人民解放军军事交通学院 | 齿轮箱瞬变工况特征分量循频提取方法 |
CN104849590A (zh) * | 2015-05-06 | 2015-08-19 | 中国人民解放军军械工程学院 | 一种混合噪声干扰下微弱脉冲信号检测方法 |
CN105162433A (zh) * | 2015-09-17 | 2015-12-16 | 广西大学 | 一种基波分量的提取方法及装置 |
CN107525671A (zh) * | 2017-07-28 | 2017-12-29 | 中国科学院电工研究所 | 一种风电传动链复合故障特征分离与辨识方法 |
CN109682601A (zh) * | 2019-03-04 | 2019-04-26 | 北京天泽智云科技有限公司 | 一种变转速工况下滚动轴承的早期故障识别方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
CN111855208A (zh) * | 2020-07-02 | 2020-10-30 | 南京航空航天大学 | 一种基于阶次分析和稀疏编码的旋转机械微弱故障信号提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10706330B2 (en) * | 2015-10-01 | 2020-07-07 | Intellivision Technologies Corp | Methods and systems for accurately recognizing vehicle license plates |
-
2020
- 2020-12-06 CN CN202011419700.6A patent/CN112629850B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5488374A (en) * | 1994-10-14 | 1996-01-30 | Hughes Aircraft Company | Multi-scale adaptive filter for interferometric SAR data |
CN104459186A (zh) * | 2014-12-08 | 2015-03-25 | 中国人民解放军军事交通学院 | 基于稀疏分段拟合与积分逼近的无转速计阶比分析方法 |
CN104502099A (zh) * | 2015-01-20 | 2015-04-08 | 中国人民解放军军事交通学院 | 齿轮箱瞬变工况特征分量循频提取方法 |
CN104849590A (zh) * | 2015-05-06 | 2015-08-19 | 中国人民解放军军械工程学院 | 一种混合噪声干扰下微弱脉冲信号检测方法 |
CN105162433A (zh) * | 2015-09-17 | 2015-12-16 | 广西大学 | 一种基波分量的提取方法及装置 |
CN107525671A (zh) * | 2017-07-28 | 2017-12-29 | 中国科学院电工研究所 | 一种风电传动链复合故障特征分离与辨识方法 |
CN109682601A (zh) * | 2019-03-04 | 2019-04-26 | 北京天泽智云科技有限公司 | 一种变转速工况下滚动轴承的早期故障识别方法 |
CN111665051A (zh) * | 2020-07-01 | 2020-09-15 | 天津大学 | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 |
CN111855208A (zh) * | 2020-07-02 | 2020-10-30 | 南京航空航天大学 | 一种基于阶次分析和稀疏编码的旋转机械微弱故障信号提取方法 |
Non-Patent Citations (3)
Title |
---|
基于变尺度形态滤波的高速列车万向轴故障辨识研究;李奕璠等;《机械工程学报》;20180228;第54卷(第04期);第278-284页 * |
基于自适应时变滤波阶比跟踪的齿轮箱故障诊断;彭富强等;《机械工程学报》;20120430;第48卷(第7期);第77-85页 * |
齿轮箱故障振动信号的阶比多尺度形态学解调;罗洁思等;《机械工程学报》;20100630;第46卷(第11期);第114-120,128页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112629850A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McFadden | A technique for calculating the time domain averages of the vibration of the individual planet gears and the sun gear in an epicyclic gearbox | |
CN108844733B (zh) | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 | |
CN104502099B (zh) | 齿轮箱瞬变工况特征分量循频提取方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN106487359B (zh) | 基于自适应多尺度AVG-Hat变换的形态学滤波器的构造方法 | |
CN101977033B (zh) | 用于井下仪器信号传输的数字滤波方法 | |
CN102980722B (zh) | 一种适用于在线动平衡的不平衡信号提取法 | |
CN104006962A (zh) | 一种齿轮故障特征提取方法及系统 | |
CN102759448B (zh) | 基于柔性时域平均的齿轮箱故障检测方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN109682597A (zh) | 一种齿轮箱振动信号处理和分析方法 | |
CN103424183B (zh) | 机械振动信号检测异常干扰消除方法 | |
CN109063668B (zh) | 一种基于峰值保留降采样的冲击信号包络解调方法 | |
CN108896303B (zh) | 一种行星齿轮或太阳轮齿根裂纹故障特征的检测方法 | |
CN105928613A (zh) | 一种旋转机械振动信号的过采样滤波处理方法 | |
Sunder et al. | A new procedure for processing strong-motion earthquake signals | |
CN112629850B (zh) | 一种变转速行星齿轮箱故障诊断方法 | |
CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
CN111896260A (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN112781709A (zh) | 变速工况下设备振动信号早期故障分析和特征提取方法 | |
CN114509159A (zh) | 阶比跟踪分析方法、系统及计算机可读存储介质 | |
CN114199364A (zh) | 一种航空发动机的振动监测系统 | |
CN101256094A (zh) | 提取特定周期信号成分的信号消噪方法 | |
CN101852586A (zh) | 齿轮的压痕检测装置及齿轮的压痕检测方法 | |
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 |
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 |