CN112665851A - 一种无键相变转速齿轮箱故障诊断方法 - Google Patents
一种无键相变转速齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN112665851A CN112665851A CN202011174270.6A CN202011174270A CN112665851A CN 112665851 A CN112665851 A CN 112665851A CN 202011174270 A CN202011174270 A CN 202011174270A CN 112665851 A CN112665851 A CN 112665851A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- phase
- signal
- speed gearbox
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
一种无键相变转速齿轮箱故障诊断方法,对采集的振动信号进行分析得到解调算子,将解调算子进行分析,得到信号时频图,根据信号时频图获取新的时频脊线;重复上述过程,直至前后两次得到的瞬时频率估计值的欧氏距离小于或等于预设极限,得到精细化提取的时频脊线;根据精细化提取的时频脊线,获得转频瞬时相位;根据变转速齿轮箱振动信号构造自适应多小波,对多小波对信号进行多小波包分解,然后计算每个分解频带的谱指标值,选择谱指标值最大的分解频带作为故障敏感频带;将转频瞬时相位与故障敏感频带进行阶次变换,提取故障特征阶次。本发明充分考虑齿轮箱信号的复杂多源性与外界环境噪声的干扰,保证了较高的故障诊断准确度和工程实用性。
Description
技术领域
本发明属于机械振动信号与变转速工况机械设备故障诊断领域,具体涉及一种无健相变转速齿轮箱故障诊断方法。
背景技术
齿轮箱是机械设备的基础部件之一,为机械设备传递运动和动力,是现代工业设备中不可或缺的一环,其运行可靠性、使用寿命都直接影响机械设备的正常运行和企业的工作生产任务,也是机械故障诊断领域重点的研究对象。传统的齿轮箱故障诊断方法大多都是在恒定转速下进行的,对于变转速下的齿轮箱故障诊断方法研究较少。然而,实际工程中的齿轮箱往往是在变转速下运行的,例如风力发电机组的齿轮箱,大型军工设备如直升机齿轮箱或军舰用齿轮箱等等,其运行转速都会随着工作任务或工况环境的改变而改变。并且由于机械设备大多结构紧凑,富余空间较少,针对于这类设备无法直接利用转速传感器测量转速。因此,针对变转速工况下且无法直接获取转速信息的齿轮箱设备,研究有效的故障诊断方法,安排合理的维修计划与部件更换计划,最大限度的减少突发停机事件,对企业安全生产与成本节约具有重要意义。
无键相阶次跟踪技术是解决转速无法直接获取时的变转速振动信号分析的有效方法。目前,无键相阶次跟踪技术主要聚焦于变转速下的时频脊线提取问题,常用的方法主要对时频脊线进行泰勒分解拟合重构,然而由于泰勒分解阶次的不确定,阶次选择不当将会引入误差。同时,齿轮箱振动信号具有复杂多源性,包含齿轮振动信号、轴承振动信号与环境噪声干扰。常用的无键相阶次跟踪技术在消除噪声与故障信息有效提取方面仍缺乏研究,从而导致提取的故障特征阶次不够准确。因此,针对现有常用无键相阶次跟踪方法难以准确提取噪声干扰下复杂齿轮箱的故障特征阶次的不足,如何有效准确提取故障特征阶次是一个有待解决的问题。
发明内容
针对现有技术中存在的不足,本发明提供了一种无键相变转速齿轮箱故障诊断方法,该方法既克服了常用无键相阶次跟踪方法由于泰勒展开阶次不定导致时频脊线预测偏差的问题,又充分考虑了齿轮箱信号的复杂多源性与外界噪声干扰,提高了变转速工况下齿轮箱故障诊断的有效性与准确性。
为实现上述目的,本发明是通过以下技术方案来实现:
一种无键相变转速齿轮箱故障诊断方法,包括如下步骤:
(1)采集变转速齿轮箱振动信号;
(2)对变转速齿轮箱振动信号进行时频分析,得到信号时频图,根据信号时频图获取时频脊线;
(3)对时频脊线进行轨迹优化,得到解调算子,将解调算子进行时频分析,得到信号时频图,根据信号时频图获取新的时频脊线;
(4)重复步骤(2)至步骤(3),直至前后两次得到的瞬时频率估计值的欧氏距离小于或等于预设极限,得到精细化提取的时频脊线;
(5)根据精细化提取的时频脊线,采用Vold-Kalman滤波器对转频谐波的时域波形进行提取,获得转频瞬时相位;
(6)根据变转速齿轮箱振动信号采用自适应构造理论构造自适应多小波,并对多小波对信号进行多小波包分解,得到分解频带,然后计算每个分解频带的谱指标值,选择谱指标值最大的分解频带作为故障敏感频带;将转频瞬时相位与故障敏感频带进行阶次变换,提取故障特征阶次,完成变转速下齿轮箱故障诊断。
本发明进一步的改进在于,步骤(2)中,对变转速齿轮箱振动信号采用参数傅里叶变换进行时频分析,得到信号时频图,根据信号时频图利用峰值搜索法获取时频脊线。
本发明进一步的改进在于,参数短时傅里叶变换的公式为:
本发明进一步的改进在于,步骤(3)中,解调算子通过以下过程得到:
将时频脊线离散点作为训练数据输入高斯过程模型中,训练高斯回归模型;
将训练好的高斯回归模型重新作用于时频脊线离散点,得到瞬时频率估计结果,对瞬时频率估计结果通过积分运算得到相位函数,对相位函数求导数,得到解调算子。
本发明进一步的改进在于,步骤(4)中,欧氏距离公式如下:
其中,ε为瞬时频率估计值的欧氏距离,n为估计瞬时频率的点数,Ei,k为第k次迭代得到瞬时频率估计值的第i个点的数值,Ei,k-1为第k-1次迭代得到的瞬时频率估计值的第i个点的数值。
本发明进一步的改进在于,步骤(5)的具体过程为:将根据精细化提取的时频脊线作为Vold-Kalman滤波器的中心频率;然后采用Hilbert变换方法,通过相位解卷积,得到转频瞬时相位。
本发明进一步的改进在于,步骤(6)中分解频带通过以下过程得到:
根据变转速齿轮箱振动信号采用自适应构造理论构造多小波,采用遗传算法更新多小波参数,直至得到最优多小波参数,从而确定最优多小波;根据最优多小波,对振动信号进行多小波包分解,得到分解频带。
本发明进一步的改进在于,遗传算法的目标函数K如下:
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种无键相变转速齿轮箱故障诊断方法,无需额外加装转速传感器,无需改变设备原有结构,具有简单易行、操作简便的特点;采用采用自适应构造理论构造多小波并以此作为谱指标优选故障信息丰富的频带,更有效的刻画信号中的故障成分,充分考虑了齿轮箱信号的复杂多源性与外界环境噪声的干扰,有效提高了阶次分析的准确度,具有变转速环境下识别精度高的特点。本发明可增加变转速下齿轮箱故障诊断的可靠性与有效性,具有易行、快速、实用性强的特点,适用于实际工程环境中进行变转速齿轮箱诊断,具有很强的工程实用价值。
进一步的,采用迭代参数傅里叶变换与高斯过程轨迹优化算法精细化估计时频脊线,避免了传统基于泰勒展开的脊线估计算法由于展开阶数不确定带来的误差。
附图说明
为了更清楚的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使用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员而言,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附图。
图1为本发明提出的一种无键相变转速齿轮箱故障诊断方法流程图;
图2为本发明实施例齿轮箱变转速运行振动波形测量图;
图3为本发明实施例齿轮箱变转速运行转速波形测量图;
图4为本发明提出方法估计得到的转频信息图;其中,(a)为估计的转频,(b)为转频估计误差。
图5为短时Chirp傅里叶变换(STCFT)估计得到的转频信息图;其中,(a)为估计的转频,(b)为转频估计误差。
图6为本发明实施例多小波包分解计算谱指标结果图;
图7为本发明提出方法选择敏感频带进行阶次分析结果图;
图8为传统谱峭度方法选择敏感频带进行阶次分析结果图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参照图1所示,本发明提供了一种无键相变转速齿轮箱故障诊断方法,包括如下步骤:
(1)变转速时频分析:通过传感器采集变转速齿轮箱振动信号,采用参数傅里叶变换(PSTFT)对变转速齿轮箱振动信号进行时频分析,得到信号时频图,根据信号时频图利用峰值搜索法获取时频脊线;
(2)时频脊线精细化迭代提取:基于高斯过程方法对步骤(1)获取的时频脊线进行轨迹优化,得到解调算子;
(3)将解调算子带入步骤(1)中进行迭代,重复步骤(1)至步骤(2),直至达到收敛终止条件,得到精细化提取的时频脊线。
(4)将步骤(3)获得的精细化提取的时频脊线,采用Vold-Kalman滤波器对转频谐波的时域波形进行提取,获得转频瞬时相位;这里的提取的时频脊线即指转频的瞬时频率(转频的频率随时间变化的曲线,一般在时频分析中称之为时频脊线,或将所有的时频脊线都换成转频脊线),然后基于转频的瞬时频率,通过vold-Kalman滤波器可以从原始信号中滤出转频谐波。
(5)多小波变换提取敏感频带:根据将步骤(1)获取的变转速齿轮箱的振动信号构造自适应多小波,并对多小波对信号进行多小波包分解,得到分解频带,然后计算每个分解频带的谱指标值,选择谱指标值最大的分解频带作为故障敏感频带;
(6)将步骤(4)获得的转频瞬时相位与步骤(5)获取的故障敏感频带进行阶次变换,提取出阶次谱中的故障特征阶次,完成变转速下齿轮箱故障诊断。
本发明基于齿轮箱运行振动数据进行无键相变转速齿轮箱故障诊断按以下具体步骤实施:
(1)变转速时频分析
首先,通过传感器采集齿轮箱变转速运行下的振动信号;
然后,采用参数短时傅里叶变换进行时频分析,得到信号时频图;其中,参数短时傅里叶变换的公式为:
其中t为时间,ω为频率,为解调算子,为所分析信号的相位函数,为所分析信号在时刻t的瞬时频率,i为虚数标志,u为自变量。在初始变换计算中,解调算子设置为0,参数短时傅里叶变换退化为传统的短时傅里叶变换。
最后,根据信号时频图利用峰值搜索法获得时频脊线,即为瞬时频率估计。
(2)时频脊线精细化迭代提取
首先,选择平方指数函数作为高斯过程模型的核函数;
其次,将峰值搜索法得到的时频脊线(即瞬时频率)离散点作为训练数据输入高斯过程模型中,训练高斯回归模型;
然后,将训练好的高斯回归模型重新作用于时频脊线离散点,得到高斯回归模型修正的时频脊线估计值,实现对时频脊线估计轨迹的优化,得到瞬时频率估计结果,通过积分运算得到相位函数,对相位函数求导数,得到参数傅里叶变换的解调算子;
(3)将求得的解调算子代入步骤(1)中的参数短时傅里叶变换的公式中,再次进行步骤(1)得到新的时频脊线,对新的时频脊线进行步骤(2),得到新的协调算子,再将新的解调算子带入步骤(1)中,重复迭代步骤(1)中采用参数短时傅里叶变换至步骤(2)求得解调算子步骤,不断得到更精细的瞬时频率估计值,直至前后两次得到的瞬时频率估计值的欧氏距离ε小于或等于预设极限,即
ε为瞬时频率估计值的欧氏距离,n为估计瞬时频率的点数Ei,k为第k次迭代得到瞬时频率估计值的第i个点的数值,Ei,k-1为第k-1次迭代得到的瞬时频率估计值的第i个点的数值,预设极限是根据实际需要进行设定的。
(4)转频瞬时相位估计
以瞬时频率估计作为Vold-Kalman滤波器的中心频率,设置比例带宽为0.5;然后采用Hilbert变换方法,通过相位解卷积,得到转频瞬时相位。
(5)故障敏感频带提取
首先,根据振动信号采用自适应构造理论构造多小波,初始函数选用Hermite三次样条插值函数,初始消失矩为0;
其次,基于遗传算法更新多小波参数,直至得到最优多小波参数,从而确定最优多小波;
其中,遗传算法的目标函数K如下:
最后,根据最优多小波,对振动信号进行多小波包分解,得到分解频带,然后计算每个分解频带的谱指标值,选择谱指标值最大的分解频带作为故障敏感频带;谱指标值的计算方式与遗传算法的目标函数K一致。
(6)阶次分析
将转频瞬时相位与故障敏感频带进行角域重采样,进行阶次变换,寻找故障特征阶次,完成变转速下齿轮箱故障诊断。
以下给出一个具体应用实例过程,同时验证了本发明在工程应用中的有效性。
本实例中,利用行星齿轮箱实验台进行变转速运行实验。实验通过PCB加速度传感器采集振动加速度信号,采样频率设置为10240Hz;使用数据采集仪CoCo80进行振动传感器信号采集;调节转速控制器,转速范围在2000r/min至3000r/min;出于实验对比的需要,同时利用激光转速计测量输入轴的键相信号。行星齿轮箱结构参数如表1所示,行星齿轮箱的中心轮存在齿面点蚀与齿面划痕。
表1行星齿轮箱结构参数
截取实验数据中的5s转速升降过程中的振动数据进行实施例验证,信号振动波形如图2所示,转速波形如图3所示。
利用本发明所述方法,无键相变转速齿轮箱故障诊断方法如下:
(1)变转速时频分析
首先,得到变转速齿轮箱振动信号,利用参数短时傅里叶变换(PSTFT)进行时频分析,得到时频图像,然后利用峰值搜索法进行时频脊线粗提取,初始使用参数短时傅里叶变换时,解调算子设置为0,退化为传统短时傅里叶变换。
(2)时频脊线精细化迭代提取
首先,选择平方指数函数作为高斯过程核函数;其次,将峰值搜索法得到的时频脊线(瞬时频率)离散点作为训练数据输入高斯过程模型;然后将训练好的高斯过程模型重新应用于训练数据上实现轨迹优化,并通过积分运算得到相位函数;最后将相位函数代入步骤(1),不断进行迭代,直至前后两次迭代的瞬时频率估计值欧式距离小于预定极限,此处预定极限设置为0.001。
(3)转频瞬时相位估计
在获取精细化提取的时频脊线(转频瞬时频率估计)后,以瞬时频率估计作为Vold-Kalman滤波器的中心频率,本实施例中设置比例带宽为0.5。结合Hilbert变换方法,通过相位解卷积得到转频瞬时相位。
(4)故障敏感频带提取
基于原始振动信号,采用自适应构造理论进行多小波构造,初始函数选用Hermite三次样条插值函数,初始消失矩为0。基于遗传算法更新多小波参数,直至得到最优多小波,目标函数设置为峭度除以包络谱熵;利用已构造的多小波进行信号的多小波包分解,计算分解后每一频带的谱指标(谱指标计算与多小波构造中的目标函数一致),选择谱指标最大的频带作为故障敏感频带。
(5)阶次分析
利用步骤(3)得到的瞬时相位估计与步骤(4)得到的故障敏感频带信号进行角域重采样,进行阶次变换,寻找故障特征阶次。
为了验证本发明的有效性,在转频提取方面选择了与目前常用的短时Chirp傅里叶变换(STCFT)进行对比,本发明提出方法估计的转频信息如图4中(a)和(b)所示,从图4(a)可以看出,所提出方法估计的转频与实际转频十分接近,图4(b)中表明所提出方法转频估计误差<3%,能够很好的满足工程实际需求。短时Chirp傅里叶变换(STCFT)估计得到的转频信息如图5中(a)和(b)所示,从图5(a)可以看出,STCTF方法估计得到的转频与实际转频存在较大误差,端点效应明显,图5(b)所示STCFT方法转频估计误差>10%,误差较大。相较于短时Chirp傅里叶变换,本发明所采用的参数短时傅里叶变换估计的转速精度更高,误差更小(小于3%且端点效应较小)。在故障敏感频带提取方面选择了传统谱峭度方法进行对比,本发明中提出的基于多小波包分解计算谱指标结果如图6所示。由本发明提出方法选择敏感频带进行阶次分析结果如图7所示,由传统谱峭度方法选择敏感频带进行阶次分析结果如图8所示,由图7与图8可见,相较与传统谱峭度方法,本发明提出的基于改进谱指标的多小波包分解方法,得到的阶次分析结果更为明显与精确,故障特征阶次明显且出现清晰的二倍频与边频带,证明本方法能够有效降噪与选择故障敏感频带,提高故障诊断的准确度。
本发明基于变转速齿轮箱振动信号,采用参数傅里叶变换与高斯过程模型进行时频脊线(转频瞬时频率)的精细化迭代提取;采用Vold-Kalman滤波器估计转频瞬时相位;基于自适应多小波构造理论对信号进行多小波包分解,选取故障敏感频带;结合估计的瞬时相位与故障敏感频带进行阶次变换,提取故障特征阶次,完成变转速下齿轮箱故障诊断。相较于其他传统方法,本发明有效避免了传统基于泰勒展开的脊线估计算法由于展开阶数不确定带来的误差,能够实现转频脊线的精细化提取,充分考虑齿轮箱信号的复杂多源性与外界环境噪声的干扰,有效提取了故障敏感频带,提供了阶次分析的准确度,验证了本发明的的有效性与实用性,从而可以保证较高的故障诊断准确度和工程实用性。
Claims (8)
1.一种无键相变转速齿轮箱故障诊断方法,其特征在于,包括如下步骤:
(1)采集变转速齿轮箱振动信号;
(2)对变转速齿轮箱振动信号进行时频分析,得到信号时频图,根据信号时频图获取时频脊线;
(3)对时频脊线进行轨迹优化,得到解调算子,将解调算子进行时频分析,得到信号时频图,根据信号时频图获取新的时频脊线;
(4)重复步骤(2)至步骤(3),直至前后两次得到的瞬时频率估计值的欧氏距离小于或等于预设极限,得到精细化提取的时频脊线;
(5)根据精细化提取的时频脊线,采用Vold-Kalman滤波器对转频谐波的时域波形进行提取,获得转频瞬时相位;
(6)根据变转速齿轮箱振动信号采用自适应构造理论构造自适应多小波,并利用多小波对信号进行多小波包分解,得到分解频带,然后计算每个分解频带的谱指标值,选择谱指标值最大的分解频带作为故障敏感频带;将转频瞬时相位与故障敏感频带进行阶次变换,提取故障特征阶次,完成变转速下齿轮箱故障诊断。
2.根据权利要求1所述的一种无键相变转速齿轮箱故障诊断方法,其特征在于,步骤(2)中,对变转速齿轮箱振动信号采用参数傅里叶变换进行时频分析,得到信号时频图,根据信号时频图利用峰值搜索法获取时频脊线。
4.根据权利要求1所述的一种无键相变转速齿轮箱故障诊断方法,其特征在于,步骤(3)中,解调算子通过以下过程得到:
将时频脊线离散点作为训练数据输入高斯过程模型中,训练高斯回归模型;
将训练好的高斯回归模型重新作用于时频脊线离散点,得到瞬时频率估计结果,对瞬时频率估计结果通过积分运算得到相位函数,对相位函数求导数,得到解调算子。
6.根据权利要求1所述的一种无键相变转速齿轮箱故障诊断方法,其特征在于,步骤(5)的具体过程为:将根据精细化提取的转频脊线作为Vold-Kalman滤波器的中心频率;然后采用Hilbert变换方法,通过相位解卷积,得到转频瞬时相位。
7.根据权利要求1所述的一种无键相变转速齿轮箱故障诊断方法,其特征在于,步骤(6)中分解频带通过以下过程得到:
根据变转速齿轮箱振动信号采用自适应构造理论构造多小波,采用遗传算法更新多小波参数,直至得到最优多小波参数,从而确定最优多小波;根据最优多小波,对振动信号进行多小波包分解,得到分解频带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011174270.6A CN112665851B (zh) | 2020-10-28 | 2020-10-28 | 一种无键相变转速齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011174270.6A CN112665851B (zh) | 2020-10-28 | 2020-10-28 | 一种无键相变转速齿轮箱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112665851A true CN112665851A (zh) | 2021-04-16 |
CN112665851B CN112665851B (zh) | 2023-04-07 |
Family
ID=75402818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011174270.6A Active CN112665851B (zh) | 2020-10-28 | 2020-10-28 | 一种无键相变转速齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112665851B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984388A (zh) * | 2021-10-29 | 2022-01-28 | 台州市特种设备检验检测研究院 | 一种用于滚动轴承故障诊断的方法 |
CN113984282A (zh) * | 2021-10-12 | 2022-01-28 | 厦门大学 | 一种无键相变转速下转子动平衡故障特征提取方法 |
CN114088385A (zh) * | 2021-08-20 | 2022-02-25 | 北京工业大学 | 一种改进自适应调频模式分解时频分析方法 |
CN114593908A (zh) * | 2022-03-01 | 2022-06-07 | 西人马(深圳)科技有限责任公司 | 一种齿轮故障分析方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
CN107608936A (zh) * | 2017-09-22 | 2018-01-19 | 桂林电子科技大学 | 一种行星齿轮箱复合故障特征提取方法 |
CN108871742A (zh) * | 2018-05-03 | 2018-11-23 | 西安交通大学 | 一种改进的无键相故障特征阶次提取方法 |
US10168248B1 (en) * | 2015-03-27 | 2019-01-01 | Tensor Systems Pty Ltd | Vibration measurement and analysis |
CN109668733A (zh) * | 2018-12-21 | 2019-04-23 | 苏州大学 | 变分非线性模式分解变转速轴承故障诊断方法 |
CN110617964A (zh) * | 2019-07-29 | 2019-12-27 | 中国铁道科学研究院集团有限公司城市轨道交通中心 | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 |
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 |
CN111738068A (zh) * | 2020-05-13 | 2020-10-02 | 南京航空航天大学 | 一种转速波动工况下的传动轴故障诊断方法和系统 |
-
2020
- 2020-10-28 CN CN202011174270.6A patent/CN112665851B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10168248B1 (en) * | 2015-03-27 | 2019-01-01 | Tensor Systems Pty Ltd | Vibration measurement and analysis |
CN106769033A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 |
CN107608936A (zh) * | 2017-09-22 | 2018-01-19 | 桂林电子科技大学 | 一种行星齿轮箱复合故障特征提取方法 |
CN108871742A (zh) * | 2018-05-03 | 2018-11-23 | 西安交通大学 | 一种改进的无键相故障特征阶次提取方法 |
CN109668733A (zh) * | 2018-12-21 | 2019-04-23 | 苏州大学 | 变分非线性模式分解变转速轴承故障诊断方法 |
CN110617964A (zh) * | 2019-07-29 | 2019-12-27 | 中国铁道科学研究院集团有限公司城市轨道交通中心 | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 |
CN111738068A (zh) * | 2020-05-13 | 2020-10-02 | 南京航空航天大学 | 一种转速波动工况下的传动轴故障诊断方法和系统 |
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 |
Non-Patent Citations (6)
Title |
---|
任刚等: "一种基于VMD与欧式距离的柴油机振动信号去噪方法", 《军事交通学院学报》 * |
王友仁等: "基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断", 《中国机械工程》 * |
王晓冬等: "多小波自适应构造方法及滚动轴承复合故障诊断研究", 《振动工程学报》 * |
秦嗣峰等: "Vold-Kalman滤波和高阶能量分离在时变工况行星齿轮箱故障诊断中的应用研究", 《振动工程学报》 * |
荆双喜等: "基于cICA-Kurtogram的变转速齿轮故障特征提取", 《河南理工大学学报(自然科学版)》 * |
陈向民等: "基于阶次解调谱的变速齿轮箱复合故障诊断方法", 《振动工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088385A (zh) * | 2021-08-20 | 2022-02-25 | 北京工业大学 | 一种改进自适应调频模式分解时频分析方法 |
CN114088385B (zh) * | 2021-08-20 | 2023-11-10 | 北京工业大学 | 一种改进自适应调频模式分解时频分析方法 |
CN113984282A (zh) * | 2021-10-12 | 2022-01-28 | 厦门大学 | 一种无键相变转速下转子动平衡故障特征提取方法 |
CN113984282B (zh) * | 2021-10-12 | 2022-07-19 | 厦门大学 | 一种无键相变转速下转子动平衡故障特征提取方法 |
CN113984388A (zh) * | 2021-10-29 | 2022-01-28 | 台州市特种设备检验检测研究院 | 一种用于滚动轴承故障诊断的方法 |
CN114593908A (zh) * | 2022-03-01 | 2022-06-07 | 西人马(深圳)科技有限责任公司 | 一种齿轮故障分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112665851B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112665851B (zh) | 一种无键相变转速齿轮箱故障诊断方法 | |
Zhang et al. | An optimized time varying filtering based empirical mode decomposition method with grey wolf optimizer for machinery fault diagnosis | |
Cheng et al. | Adaptive multipoint optimal minimum entropy deconvolution adjusted and application to fault diagnosis of rolling element bearings | |
Pan et al. | Nonlinear sparse mode decomposition and its application in planetary gearbox fault diagnosis | |
CN110617964A (zh) | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 | |
CN109520738B (zh) | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 | |
CN105547698A (zh) | 滚动轴承的故障诊断方法及装置 | |
Wei et al. | Variational nonlinear component decomposition for fault diagnosis of planetary gearboxes under variable speed conditions | |
CN109374293B (zh) | 一种齿轮故障诊断方法 | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Wu et al. | A modified tacho-less order tracking method for the surveillance and diagnosis of machine under sharp speed variation | |
CN113702043A (zh) | 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法 | |
CN112362343A (zh) | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 | |
Liu et al. | Rotating machinery fault diagnosis under time-varying speeds: A review | |
Yu et al. | Adaptive multiple second-order synchrosqueezing wavelet transform and its application in wind turbine gearbox fault diagnosis | |
CN111307426A (zh) | 一种基于FrFT-EWT原理的旋转机械故障特征提取方法 | |
Li et al. | Servo axis incipient degradation assessment of CNC machine tools using the built-in encoder | |
CN116256158A (zh) | 一种基于深度信号分离的旋转机械瞬时相位自适应提取方法 | |
CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
CN113984282B (zh) | 一种无键相变转速下转子动平衡故障特征提取方法 | |
CN104459186A (zh) | 基于稀疏分段拟合与积分逼近的无转速计阶比分析方法 | |
CN110595751B (zh) | 基尼指数引导的早期故障特征小波重构方法及其应用 | |
CN115683617A (zh) | 一种改进的变工况故障诊断方法及系统 | |
Wan et al. | A fault diagnosis method for variable speed gearbox bearing based on SET improved multi-source ridge line |
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 |