CN112648220A - 一种基于小波-近似熵的风机故障诊断方法 - Google Patents
一种基于小波-近似熵的风机故障诊断方法 Download PDFInfo
- Publication number
- CN112648220A CN112648220A CN201910960800.0A CN201910960800A CN112648220A CN 112648220 A CN112648220 A CN 112648220A CN 201910960800 A CN201910960800 A CN 201910960800A CN 112648220 A CN112648220 A CN 112648220A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- approximate entropy
- fan
- 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.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
-
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明提出的一种基于小波‑近似熵的风机故障诊断方法,目的在于达到对运转中的风机进行在线检测、故障诊断和报警。本发明首先对主风机故障机理进行研究,分析风机常见的故障类型及征兆,确定能够反映风机故障的振动信号和声音信号,完成信号采集点的布置,实现对风机故障信号的采集,然后模拟风机典型故障,采集相应故障信号,进行小波‑近似熵分析,建立风机典型故障特征表采集实际工作中风机故障信号,建立小波‑近似熵模块进行风机故障特征提取,获取当前及历史时刻故障特征向量最后采用最小二乘支持向量机对故障特征向量时间序列进行预测,依据设定故障闽值,对风机未来工作状态进行准确预测与健康评估。
Description
技术领域
本发明属于风机故障诊断领域,尤其是一种基于小波-近似熵的风机故障诊断方法。
背景技术
风机在我们日常生活中很常见,它在不同的应用环境中有着不同的职能,尤其在一些通风系统中起着至关重要的作用。如果风机不能稳定的工作甚至停止工作,那将会对整个系统产生很大的影响。因此及时的检测到风机的故障并进行诊断对整个控制系统是至关重要的。
由于类似风机的旋转机械设备日趋复杂化,并且与电力拖动和电气控制的耦合性不断增强,受刚度、摩擦力、阻尼等因素的影响,导致其信号形态的复杂性和多元化而呈现非平稳特性,有时甚至会出现混沌状态,用传统的方法和理论去刻画这种复杂性时越来越感到理论本身的局限性。目前类似风机的旋转机械故障诊断仍以振动信号的频域特征作为主要的故障征兆,包括功率谱估计、时频分析、轴心轨迹分析、全息谱分析、角域分析、分形维数分析。
分形理论作为非线性科学中的一门新理论,为此类信号分析提供了新方法。分形理论中分形维数是定量刻画混沌吸引子的一个重要参数,它广泛应用于系统非线性行为的定量描述中。如果系统发生故障,其吸引子就要发生变化,反映该吸引子复杂程度的分维数也要发生变化。20世纪90年代初由Pincus提出的近似熵(Approximate Entropy,ApEn)主要从衡量时间序列复杂性的角度来度量信号中产生新模式的概率大小,产生新模式的概率越大,序列的复杂性越大,相应的近似熵也越大。用近似熵来描述机械设备振动信号的不规则性和复杂性,通过比较同一设备在不同运行期间近似熵的相对变化,可以直接反映该设备在此期间运行状况。
本发明提出采用小波系数区域相关进行降噪,对信号进行区域系数相关处理,可得到较满意的滤噪结果,然后计算信号的近似熵。以此作为故障诊断的依据。
发明内容
本发明的目的在于目的在于达到对运转中的风机进行在线检测、故障诊断和报警,提供一种设计合理并且具有良好稳态的一种基于小波-近似熵的风机故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于小波-近似熵的风机故障诊断方法,包括以下步骤:
步骤1、首先,利用信号采集模块的振动传感器和声音传感器分别实现对风机的振动故障特征信号和声音故障特征信号的采集;
步骤2、采集相应故障信号后,然后利用小波降噪模块对所采集的信号进行降噪;
步骤3、然后将小波降噪后的信号用近似熵模块进行识别辨识处理,并依据故障类型的不同,进行处理和报警,最后将诊断结果传送到上位机中。
而且,上述的降噪处理过程为:
设有如下观测信号f(t)=s(t)+n(t),其中s(t)为原始信号,n(t)为方差为σ2的Gaussian白噪声,服从N(0,σ2)。直接从观测信号f(t)中把有用信号s(t)提取出来是十分困难的,必须借助于其他变换方法作为工具。传统的基于快速傅里叶变换(FFT)的频谱分析方法是振动信号分析中最常用的分析方法,但该方法仅适应于分析平稳信号。小波变换理论为信号的消噪提供了强有力的工具,克服了传统方法处理非平稳信号时存在的局限性,而且对白噪声的消除也表现出良好的效果。
对于一维信号f(t)来说,首先对其进行离散采样,得到N点离散信号f(n),n=0,1,…N-1,其小波变换为:
WTf(α,τ)即为小波系数。ψ(t)取Marr小波。因为Marr小波为高斯函数的二阶导数,在ω=0处,ψ(ω)有二阶零点,在时域、频域同时具有很好的局部性。
α=2j,τ=2jk (2)
在传统的相关消噪算法中,各尺度上小波系数微小的偏移会导致所求相关系数不准确,极大地影响了该算法的性能。为了克服该缺点,在计算相关系数时,引入了区域相关的概念,即考虑了每一点周围的辅助信息,削弱了小波系数平移带来的影响。
区域[k-m,k+m]上的小波系数的和:
称为局部区域和系数。
CNj,k=Nj,k·Nj+1,k (4)
CNj,k为尺度j上的区域相关系数。
因为区域相关系数用到了k点以及附近的一些信息,它对小波系数的偏移不敏感,可以真实刻画该点的相关性。
实际中,实验过程测得的信号往往含有噪声,而且当信号的非线性特性突出时,利用线性滤波等传统方法进行降噪的效果并不明显,而且容易造成信号畸变。经过区域相关算法滤波之后得到的小波系数不仅连续性好,而且更加接近于未加噪信号的小波系数,准确性高。另外,这些系数可以直接用来重构信号,不必像模极大值消噪时还存在一个由模极大值重构小波系数的问题。因此,该方法是一种实际有效的算法。
而且,上述近似熵的定义:近似熵表示某时间序列的复杂性,可以用于混沌特征的识别及其混沌程度的整体度量。随着系统的无序化程度的增加,对应的近似熵也增加。由于信息是描述系统不确定程度的物理量,信息量越大,则信息的损失速率越大,其不确定程度就越大。所以,对有序系统而言,由于它是完全可以预测的,其信息量不随事件发生任何变化,Ap En=0;对于随机系统而言,由于其状态是完全不可精确预测的,Ap En→∞。而对混沌系统而言,由于初值敏感性而导致的轨迹指数发散,任一微小的初始不确定性都将按某一确定指数增长率被放大,所以Ap En是个正数。
设采集到的原始数据为{u(i),i=0,1,,N},预先给定模式维数m和相似容限r的值,根据经验,通常取m=2,r=0.1~0.25SD(u)(SD表示序列{u(i)}的标准差,这时候近似熵具有较为合理的统计特性),近似熵可通过下式得到:
可以看出,近似熵的计算实际上是在确定一个时间序列在模式上的自相似程度有多大,即衡量了当维数变化时该时间序列中产生新模式的概率的大小。产生新模式的概率越大,序列就越复杂。因此从理论上讲,近似熵能够表征信号的不规则性(复杂性),越复杂的信号近似熵应该越大。近似熵只是希望从统计的角度来区别时间过程的复杂性,而不企图描述或重建奇异吸引子的全貌,因此只用较短的数据就可以估计出合理的近似熵。同时,当噪声的幅度低于相似容限r时,该噪声将被抑制,若时间序列中存在较大的瞬态干扰时,干扰产生的数据(即所谓的‘野点’)与相邻数据组成的矢量与X(i)的距离必定很大,因而在阈值检测中将被去除,因此,近似熵还具有很好的抗噪、抗野点能力。
而且本发明小波-近似熵的工作原理结构图如附图2所示;本发明的故障诊断系统硬件结构图如附图1所示。
本发明的优点和积极效果是:
1、采集相应故障信号后,利用小波降噪模块对所采集的信号进行降噪,增加了整个故障检测系统的准确性。
2、精确的进行实时的故障检测,有利于风机的正常运行,相比较于人工判断故障,本发明更具有准确性和实时性。
附图说明
附图1是本发明的故障诊断系统硬件结构图;
附图2是本发明的小波-近似熵的工作原理结构图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
本发明的目的在于目的在于达到对运转中的风机进行在线检测、故障诊断和报警,提供一种设计合理并且具有良好稳态的一种基于小波-近似熵的风机故障诊断方法。
一种基于小波-近似熵的风机故障诊断方法,包括以下步骤:
步骤1、首先,利用信号采集模块的振动传感器和声音传感器分别实现对风机的振动故障特征信号和声音故障特征信号的采集;
步骤2、采集相应故障信号后,然后利用小波降噪模块对所采集的信号进行降噪;
上述的降噪处理过程为:设有如下观测信号f(t)=s(t)+n(t),其中s(t)为原始信号,n(t)为方差为σ2的Gaussian白噪声,服从N(0,σ2)。直接从观测信号f(t)中把有用信号s(t)提取出来是十分困难的,必须借助于其他变换方法作为工具。传统的基于快速傅里叶变换(FFT)的频谱分析方法是振动信号分析中最常用的分析方法,但该方法仅适应于分析平稳信号。小波变换理论为信号的消噪提供了强有力的工具,克服了传统方法处理非平稳信号时存在的局限性,而且对白噪声的消除也表现出良好的效果。
对于一维信号f(t)来说,首先对其进行离散采样,得到N点离散信号f(n),n=0,1,…N-1,其小波变换为:
WTf(α,τ)即为小波系数。ψ(t)取Marr小波。因为Marr小波为高斯函数的二阶导数,在ω=0处,ψ(ω)有二阶零点,在时域、频域同时具有很好的局部性。
α=2j,τ=2jk (2)
在传统的相关消噪算法中,各尺度上小波系数微小的偏移会导致所求相关系数不准确,极大地影响了该算法的性能。为了克服该缺点,在计算相关系数时,引入了区域相关的概念,即考虑了每一点周围的辅助信息,削弱了小波系数平移带来的影响。
区域[k-m,k+m]上的小波系数的和:
称为局部区域和系数。
CNj,k=Nj,k·Nj+1,k (4)
CNj,k为尺度j上的区域相关系数。
因为区域相关系数用到了k点以及附近的一些信息,它对小波系数的偏移不敏感,可以真实刻画该点的相关性。
实际中,实验过程测得的信号往往含有噪声,而且当信号的非线性特性突出时,利用线性滤波等传统方法进行降噪的效果并不明显,而且容易造成信号畸变。经过区域相关算法滤波之后得到的小波系数不仅连续性好,而且更加接近于未加噪信号的小波系数,准确性高。另外,这些系数可以直接用来重构信号,不必像模极大值消噪时还存在一个由模极大值重构小波系数的问题。因此,该方法是一种实际有效的算法。
步骤3、然后将小波降噪后的信号用近似熵模块进行识别辨识处理,并依据故障类型的不同,进行处理和报警,最后将诊断结果传送到上位机中。
上述近似熵的定义:近似熵表示某时间序列的复杂性,可以用于混沌特征的识别及其混沌程度的整体度量。随着系统的无序化程度的增加,对应的近似熵也增加。由于信息是描述系统不确定程度的物理量,信息量越大,则信息的损失速率越大,其不确定程度就越大。所以,对有序系统而言,由于它是完全可以预测的,其信息量不随事件发生任何变化,ApEn=0;对于随机系统而言,由于其状态是完全不可精确预测的,Ap En→∞。而对混沌系统而言,由于初值敏感性而导致的轨迹指数发散,任一微小的初始不确定性都将按某一确定指数增长率被放大,所以Ap En是个正数。
设采集到的原始数据为{u(i),i=0,1,,N},预先给定模式维数m和相似容限r的值,根据经验,通常取m=2,r=0.1~0.25SD(u)(SD表示序列{u(i)}的标准差,这时候近似熵具有较为合理的统计特性),近似熵可通过下式得到:
可以看出,近似熵的计算实际上是在确定一个时间序列在模式上的自相似程度有多大,即衡量了当维数变化时该时间序列中产生新模式的概率的大小。产生新模式的概率越大,序列就越复杂。因此从理论上讲,近似熵能够表征信号的不规则性(复杂性),越复杂的信号近似熵应该越大。近似熵只是希望从统计的角度来区别时间过程的复杂性,而不企图描述或重建奇异吸引子的全貌,因此只用较短的数据就可以估计出合理的近似熵。同时,当噪声的幅度低于相似容限r时,该噪声将被抑制,若时间序列中存在较大的瞬态干扰时,干扰产生的数据(即所谓的‘野点’)与相邻数据组成的矢量与X(i)的距离必定很大,因而在阈值检测中将被去除,因此,近似熵还具有很好的抗噪、抗野点能力。
而且本发明小波-近似熵的工作原理结构图如附图2所示;本发明的故障诊断系统硬件结构图如附图1所示。
Claims (6)
1.一种基于小波-近似熵的风机故障诊断方法,包括以下步骤:
步骤1、首先,利用信号采集模块的振动传感器和声音传感器分别实现对风机的振动故障特征信号和声音故障特征信号的采集;
步骤2、采集相应故障信号后,然后利用小波降噪模块对所采集的信号进行降噪;
步骤3、然后将小波降噪后的信号用近似熵模块进行识别辨识处理,并依据故障类型的不同,进行处理和报警,最后将诊断结果传送到上位机中。
2.根据权利要求1所述降噪处理过程为:设有如下观测信号f(t)=s(t)+n(t),其中s(t)为原始信号,n(t)为方差为σ2的Gaussian白噪声,服从N(0,σ2)。直接从观测信号f(t)中把有用信号s(t)提取出来是十分困难的,必须借助于其他变换方法作为工具。传统的基于快速傅里叶变换(FFT)的频谱分析方法是振动信号分析中最常用的分析方法,但该方法仅适应于分析平稳信号。小波变换理论为信号的消噪提供了强有力的工具,克服了传统方法处理非平稳信号时存在的局限性,而且对白噪声的消除也表现出良好的效果。
3.根据权利要求2所述,降噪过程中对于一维信号f(t)来说,首先对其进行离散采样,得到N点离散信号f(n),n=0,1,…N-1,其小波变换为:
WTf(α,τ)即为小波系数。ψ(t)取Marr小波。因为Marr小波为高斯函数的二阶导数,在ω=0处,ψ(ω)有二阶零点,在时域、频域同时具有很好的局部性。
α=2j,τ=2jk (2)
在传统的相关消噪算法中,各尺度上小波系数微小的偏移会导致所求相关系数不准确,极大地影响了该算法的性能。为了克服该缺点,在计算相关系数时,引入了区域相关的概念,即考虑了每一点周围的辅助信息,削弱了小波系数平移带来的影响。
区域[k-m,k+m]上的小波系数的和:
称为局部区域和系数。
CNj,k=Nj,k·Nj+1,k (4)
CNj,k为尺度j上的区域相关系数。
因为区域相关系数用到了k点以及附近的一些信息,它对小波系数的偏移不敏感,可以真实刻画该点的相关性。
实际中,实验过程测得的信号往往含有噪声,而且当信号的非线性特性突出时,利用线性滤波等传统方法进行降噪的效果并不明显,而且容易造成信号畸变。经过区域相关算法滤波之后得到的小波系数不仅连续性好,而且更加接近于未加噪信号的小波系数,准确性高。另外,这些系数可以直接用来重构信号,不必像模极大值消噪时还存在一个由模极大值重构小波系数的问题。因此,该方法是一种实际有效的算法。
4.根据权利要求1所述,近似熵的定义:近似熵表示某时间序列的复杂性,可以用于混沌特征的识别及其混沌程度的整体度量。随着系统的无序化程度的增加,对应的近似熵也增加。由于信息是描述系统不确定程度的物理量,信息量越大,则信息的损失速率越大,其不确定程度就越大。所以,对有序系统而言,由于它是完全可以预测的,其信息量不随事件发生任何变化,Ap En=0;对于随机系统而言,由于其状态是完全不可精确预测的,Ap En→∞。而对混沌系统而言,由于初值敏感性而导致的轨迹指数发散,任一微小的初始不确定性都将按某一确定指数增长率被放大,所以Ap En是个正数。
5.根据权利要求4所述,设采集到的原始数据为{u(i),i=0,1,,N},预先给定模式维数m和相似容限r的值,根据经验,通常取m=2,r=0.1~0.25SD(u)(SD表示序列{u(i)}的标准差,这时候近似熵具有较为合理的统计特性),近似熵可通过下式得到:
可以看出,近似熵的计算实际上是在确定一个时间序列在模式上的自相似程度有多大,即衡量了当维数变化时该时间序列中产生新模式的概率的大小。产生新模式的概率越大,序列就越复杂。因此从理论上讲,近似熵能够表征信号的不规则性(复杂性),越复杂的信号近似熵应该越大。近似熵只是希望从统计的角度来区别时间过程的复杂性,而不企图描述或重建奇异吸引子的全貌,因此只用较短的数据就可以估计出合理的近似熵。同时,当噪声的幅度低于相似容限r时,该噪声将被抑制,若时间序列中存在较大的瞬态干扰时,干扰产生的数据(即所谓的‘野点’)与相邻数据组成的矢量与X(i)的距离必定很大,因而在阈值检测中将被去除,因此,近似熵还具有很好的抗噪、抗野点能力。
6.根据权利要求1所述,本发明的小波-近似熵的工作原理结构图如附图2所示;本发明的故障诊断系统硬件结构图如附图1所示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960800.0A CN112648220A (zh) | 2019-10-10 | 2019-10-10 | 一种基于小波-近似熵的风机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960800.0A CN112648220A (zh) | 2019-10-10 | 2019-10-10 | 一种基于小波-近似熵的风机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112648220A true CN112648220A (zh) | 2021-04-13 |
Family
ID=75343617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960800.0A Pending CN112648220A (zh) | 2019-10-10 | 2019-10-10 | 一种基于小波-近似熵的风机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112648220A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125886A (zh) * | 2021-04-16 | 2021-07-16 | 南京工程学院 | 一种针对电能质量扰动源的定位方法 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN117591383A (zh) * | 2024-01-19 | 2024-02-23 | 中电科申泰信息科技有限公司 | 一种基于服务器声音判定服务器工作状态的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103644938A (zh) * | 2013-12-03 | 2014-03-19 | 大连大学 | 故障预警系统 |
CN203643834U (zh) * | 2014-01-10 | 2014-06-11 | 安徽理工大学 | 一种矿用主通风机的故障诊断系统 |
CN104747485A (zh) * | 2015-02-16 | 2015-07-01 | 溧阳市超强链条制造有限公司 | 一种煤矿通风机在线监测诊断装置 |
CN105137233A (zh) * | 2015-08-26 | 2015-12-09 | 西安科技大学 | 一种矿用主通风机安全隐患监测预警系统及方法 |
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
-
2019
- 2019-10-10 CN CN201910960800.0A patent/CN112648220A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103644938A (zh) * | 2013-12-03 | 2014-03-19 | 大连大学 | 故障预警系统 |
CN203643834U (zh) * | 2014-01-10 | 2014-06-11 | 安徽理工大学 | 一种矿用主通风机的故障诊断系统 |
CN104747485A (zh) * | 2015-02-16 | 2015-07-01 | 溧阳市超强链条制造有限公司 | 一种煤矿通风机在线监测诊断装置 |
CN105137233A (zh) * | 2015-08-26 | 2015-12-09 | 西安科技大学 | 一种矿用主通风机安全隐患监测预警系统及方法 |
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
焦海锋: "基于小波―近似熵在风机故障诊断中的应用研究", 《电站系统工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125886A (zh) * | 2021-04-16 | 2021-07-16 | 南京工程学院 | 一种针对电能质量扰动源的定位方法 |
CN113125886B (zh) * | 2021-04-16 | 2023-10-27 | 南京工程学院 | 一种针对电能质量扰动源的定位方法 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN117591383A (zh) * | 2024-01-19 | 2024-02-23 | 中电科申泰信息科技有限公司 | 一种基于服务器声音判定服务器工作状态的方法 |
CN117591383B (zh) * | 2024-01-19 | 2024-03-29 | 中电科申泰信息科技有限公司 | 一种基于服务器声音判定服务器工作状态的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis | |
Wang et al. | Spectral kurtosis for fault detection, diagnosis and prognostics of rotating machines: A review with applications | |
Hu et al. | An adaptive spectral kurtosis method and its application to fault detection of rolling element bearings | |
Wang et al. | Matching demodulation transform with application to feature extraction of rotor rub-impact fault | |
He et al. | Sparse representation based on local time–frequency template matching for bearing transient fault feature extraction | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
Purarjomandlangrudi et al. | A data mining approach for fault diagnosis: An application of anomaly detection algorithm | |
Ming et al. | Weak fault feature extraction of rolling bearing based on cyclic Wiener filter and envelope spectrum | |
Yongbo et al. | Review of local mean decomposition and its application in fault diagnosis of rotating machinery | |
Popescu et al. | Fault detection of rolling element bearings using optimal segmentation of vibrating signals | |
Wang et al. | Fault identification in rotating machinery using the correlation dimension and bispectra | |
Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
CN112648220A (zh) | 一种基于小波-近似熵的风机故障诊断方法 | |
Zhang et al. | A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis | |
Zhao et al. | A data-driven monitoring scheme for rotating machinery via self-comparison approach | |
Tu et al. | Instantaneous frequency estimation for nonlinear FM signal based on modified polynomial chirplet transform | |
Li et al. | Incipient fault information determination for rolling element bearing based on synchronous averaging reassigned wavelet scalogram | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
He et al. | Local maximum synchrosqueezing chirplet transform: An effective tool for strongly nonstationary signals of gas turbine | |
Xu et al. | Generalized S-synchroextracting transform for fault diagnosis in rolling bearing | |
Sun et al. | A two-stage method for bearing fault detection using graph similarity evaluation | |
Attoui et al. | Novel machinery monitoring strategy based on time–frequency domain similarity measurement with limited labeled data | |
Schmidt et al. | Localised gear anomaly detection without historical data for reference density estimation | |
Ma et al. | An Improved Time‐Frequency Analysis Method for Instantaneous Frequency Estimation of Rolling Bearing | |
Hu et al. | Bayesian estimation of instantaneous speed for rotating machinery fault diagnosis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |
|
WD01 | Invention patent application deemed withdrawn after publication |