CN112747925A - 一种基于复合形态学滤波的滚动轴承故障诊断方法 - Google Patents
一种基于复合形态学滤波的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112747925A CN112747925A CN202011582681.9A CN202011582681A CN112747925A CN 112747925 A CN112747925 A CN 112747925A CN 202011582681 A CN202011582681 A CN 202011582681A CN 112747925 A CN112747925 A CN 112747925A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- morphological
- fault
- composite
- signal
- 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
-
- 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
本发明公开了一种基于复合形态学滤波的滚动轴承故障诊断方法。该方法包括采集滚动轴承的振动加速度信号;构造复合形态学算子;确定扁平结构元素的长度范围;对采集的振动加速度信号进行形态滤波处理,得到形态滤波信号;从得到的形态滤波信号中选择最优形态滤波信号;对最优形态滤波信号进行包络谱分析判断滚动轴承是否存在故障及故障类型。本发明为了解决现有技术中低信噪比情况下,组合形态学算子脉冲特征提取能力和噪声消除能力不足,不利于嘈杂工业环境下滚动轴承的故障诊断的问题,提出了用于增强重复瞬态脉冲特征提取的复合形态学算子来进行滚动轴承故障诊断,具有特征提取能力强,滚动轴承故障诊断准确率高的优点。
Description
技术领域
本发明涉及一种滚动轴承故障诊断方法,尤其涉及一种基于复合形态学滤波的滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转机械中的一种关键零部件,广泛应用于高速动车组、航空发动机和风电齿轮箱等。滚动轴承的健康状态对于机械设备的正常运行具有重要影响,滚动轴承出现故障可能导致重大的经济损失或严重的人身伤害。因此,对机械设备关键部位的滚动轴承进行故障诊断具有重要意义。
形态学滤波是一种非线性信号处理技术,其基本原理是通过与结构元素的相互作用来修改信号的形态学特征,具有数学理论完善、原理简单和实施方便等特点。自从被引入到机械振动信号处理中,在旋转机械故障诊断领域得到了广泛的应用。形态学滤波功能通过具有滤波器特性的形态学算子来实现。研究表明基本形态学算子具有低通滤波的特性,不能有效提取信号中的重复瞬态脉冲特征。近年来,研究人员通过基本形态学算子的简单数学运算构造了组合形态学算子来提取机械振动信号中的故障脉冲特征。组合形态学算子虽然在提取高信噪比振动信号的故障脉冲特征时表现出较好的效果,但是在处理低信噪比振动信号时得到的滤波信号中仍残留有大量的干扰噪声,严重阻碍了故障特征的进一步识别。因此,在低信噪比情况下,组合形态学算子表现出不足的脉冲特征提取能力和噪声消除能力,不利于嘈杂工业环境下滚动轴承的故障诊断。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于复合形态学滤波的滚动轴承故障诊断方法。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于复合形态学滤波的滚动轴承故障诊断方法,包括以下步骤:
S1、采集滚动轴承的振动加速度信号;
S2、构造复合形态学算子;
S3、根据步骤S1采集的振动加速度信号确定扁平结构元素的长度范围;
S4、根据步骤S2构造的复合形态学算子和步骤S3确定的扁平结构元素长度范围,对步骤S1采集的振动加速度信号进行形态滤波处理,得到形态滤波信号;
S5、从步骤S4得到的形态滤波信号中选择最优形态滤波信号;
S6、对最优形态滤波信号进行包络谱分析判断滚动轴承是否存在故障及故障类型。
本发明具有以下有益效果:本发明提出的方法采用复合形态学算子,能够有效提取振动信号中的重复性瞬态脉冲特征和消除原始振动信号中的背景噪声及其他干扰噪声,故障特征提取能力强,故障诊断方法简单,故障诊断结果准确率高。
优选地,步骤S2具体包括选用两个具有相似的瞬态脉冲特征提取性能的形态学算子,采用在特征提取中具有理论优势的数学运算构造复合形态学算子。
该优选方案具有以下有益效果:基于上述两个准则构造的复合形态学算子不仅具有参与构造的两个形态学算子的特性,还具有参与构造的两个形态学算子不具备的特定优势。
优选地,步骤S3包括以下分步骤:
S31、识别步骤S1采集的振动加速度信号的所有局部极小值点并采用集合p={p1,p2,p3,…,pR}来表示其位置序列,其中pn为第n个局部极小值点的位置,R为局部极小值点的数量。
S32、计算相邻两个极小值点的间隔值,计算公式为:
li=pi+1-pi+1(i=1,2,…,R-1)
其中li表示第i个极小值点和第i+1个极小值点的间隔值,计算出所有间隔值后采用集合l={l1,l2,l3,…,lR-1}表示;
S33、根据步骤S32计算出的所有间隔值的集合,定义扁平型结构元素长度范围的下限和上限,表示为:
其中η为系数。
该优选方案具有以下有益效果:采用基于信号极值点的策略来确定结构元素的长度范围不需要信号的先验知识且具有广泛的适用性,在一定程度上还能提高算法的计算效率。
优选地,步骤S5具体包括计算步骤S4得到的每个形态滤波信号的包络谱幅值的特征频率强度系数,选择具有最大特征频率强度系数的形态滤波信号为最优形态滤波信号。
优选地,步骤S5中计算每个形态滤波信号的包络谱幅值的特征频率强度系数CFIC的计算公式为:
其中,S为包络谱幅值,fm为特征频率,fk为谱频率,k=1,2,…,K;f1为包络谱频率范围的下限,fK为包络谱频率范围的上限,Num为包络谱中特征频率成分的数量,K为包络谱中谱频率成分的数量。
该优选方案具有以下有益效果:采用特征频率强度系数作为最优形态滤波信号的选择标准,能够有效评估形态滤波信号中包含的滚动轴承故障特征信息,进一步提高了滚动轴承故障诊断的准确率。
优选地,步骤S6包括以下分步骤:
S61、分别计算滚动轴承的内圈、外圈、滚动体和保持架的故障特征频率,计算公式如下:
内圈故障特征频率(BPFI)计算公式为:
外圈故障特征频率(BPFO)计算公式为:
滚动体故障特征频率(BSF)计算公式为:
保持架故障特征频率(FTF)计算公式为:
S62、根据步骤S61的计算结果及其谐波成分判断滚动轴承是否存在故障及故障类型。
该优选方案具有以下有益效果:仅对最优形态滤波信号进行包络谱分析即可根据包络谱中的轴承故障特征频率及其谐波成分判断滚动轴承是否存在故障及故障类型,判断方法简单快捷。
附图说明
图1是本发明一种基于复合形态学滤波的滚动轴承故障诊断方法的流程示意图;
图2是本发明实施例中各步骤对应信号示意图;
图3是本发明实施例中滚动轴承外圈故障信号示意图,其中(a)为振动加速度信号示意图,(b)为包络谱示意图;
图4是本发明实施例中采用不同复合形态学算子处理轴承外圈故障信号得到的滤波信号及其包络谱示意图,其中(a)为MGCO1滤波信号示意图,(b)为MGCO1包络谱示意图,(c)为MHCO1滤波信号示意图,(d)为MHCO1包络谱示意图,(e)为MGCCO1滤波信号示意图,(f)为MGCCO1包络谱示意图,(g)为MHCCO1滤波信号示意图,(h)为MHCCO1包络谱示意图;
图5是本发明实施例中采用不同复合形态学算子处理轴承外圈故障信号得到的滤波信号及其包络谱示意图,其中(a)为MGCO2滤波信号示意图,(b)为MGCO2包络谱示意图,(c)为MHCO2滤波信号示意图,(d)为MHCO2包络谱示意图,(e)为MGCCO2滤波信号示意图,(f)为MGCCO2包络谱示意图,(g)为MHCCO2滤波信号示意图,(h)为MHCCO2包络谱示意图;
图6是本发明实施例中采用不同复合形态学算子处理轴承外圈故障信号得到的滤波信号及其包络谱示意图,其中(a)为MGCO3滤波信号示意图,(b)为MGCO3包络谱示意图,(c)为MHCO3滤波信号示意图,(d)为MHCO3包络谱示意图,(e)为MGCCO3滤波信号示意图,(f)为MGCCO3包络谱示意图,(g)为MHCCO3滤波信号示意图,(h)为MHCCO3包络谱示意图;
图7是本发明实施例中滚动轴承内圈故障信号示意图,其中(a)为振动加速度信号示意图,(b)为包络谱示意图;
图8是本发明实施例中采用不同复合形态学算子处理轴承内圈故障信号得到的滤波信号及其包络谱示意图,其中(a)为MGCO1滤波信号示意图,(b)为MGCO1包络谱示意图,(c)为MHCO1滤波信号示意图,(d)为MHCO1包络谱示意图,(e)为MGCCO1滤波信号示意图,(f)为MGCCO1包络谱示意图,(g)为MHCCO1滤波信号示意图,(h)为MHCCO1包络谱示意图;
图9是本发明实施例中采用不同复合形态学算子处理轴承内圈故障信号得到的滤波信号及其包络谱示意图,其中(a)为MGCO2滤波信号示意图,(b)为MGCO2包络谱示意图,(c)为MHCO2滤波信号示意图,(d)为MHCO2包络谱示意图,(e)为MGCCO2滤波信号示意图,(f)为MGCCO2包络谱示意图,(g)为MHCCO2滤波信号示意图,(h)为MHCCO2包络谱示意图;
图10是本发明实施例中采用不同复合形态学算子处理轴承内圈故障信号得到的滤波信号及其包络谱示意图,其中(a)为MGCO3滤波信号示意图,(b)为MGCO3包络谱示意图,(c)为MHCO3滤波信号示意图,(d)为MHCO3包络谱示意图,(e)为MGCCO3滤波信号示意图,(f)为MGCCO3包络谱示意图,(g)为MHCCO3滤波信号示意图,(h)为MHCCO3包络谱示意图。
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,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参照图1和图2,本发明提供了一种基于复合形态学滤波的滚动轴承故障诊断方法,包括以下步骤:
S1、采集滚动轴承的振动加速度信号;
本发明实施例中,步骤S1具体包括采用数据采集设备和振动加速度传感器采集滚动轴承的振动加速度信号。
S2、构造复合形态学算子;
本发明实施例中,步骤S2具体包括选用两个具有相似的瞬态脉冲特征提取性能的形态学算子,采用在特征提取中具有理论优势的数学运算构造复合形态学算子。
为了指导设计复合形态学算子,广义复合形态学算子(GCMO)定义为:
GCMO(n)=operation(MO1(n),MO2(n))
其中,operation(MO1(n),MO2(n))代表两个不同的形态学算子MO1(n)和MO2(n)之间的一种广义的数学运算。
进一步,基于卷积运算和互相干运算,提出两种具体的广义复合形态学算子的定义:
广义形态学卷积算子(GMCO):
其中,*代表卷积算子;
广义形态学互相关算子(GMCCO):
其中,Cov(·)为互相干算子,N为信号的长度,n=0,1,2...,N-1;
下面对本发明实施例中的复合形态学算子进行举例说明,基于六种典型的组合形态学算子,包括:形态学膨胀和腐蚀梯度算子(GD&E)、形态学开和闭梯度算子(GC&O)、形态学开-闭和闭-开梯度算子(GCO&OC)、形态学膨胀和腐蚀平均帽算子(AHD&E)、形态学开和闭平均帽算子(AHC&O)、形态学开-闭和闭-开平均帽算子(AHCO&OC),构造了12种复合形态学算子,如表1所示。
表1用于重复瞬态脉冲特征提取的典型复合形态学算子
表1中所列的复合形态学算子仅是为了方便说明而举例而已,本发明适用的复合形态学算子为根据所述的广义复合形态学算子的定义构造的所有复合形态学算子,而非仅限于表1中所列的12种复合形态学算子。
S3、根据步骤S1采集的振动加速度信号确定扁平结构元素的长度范围;
扁平型结构元素的幅值为零,因此只有一个长度参数。为了选择一个最优的结构元素长度,需先确定结构元素的长度范围。
本发明实施例中,步骤S3包括以下分步骤:
S31、识别步骤S1采集的振动加速度信号的所有局部极小值点并采用集合p={p1,p2,p3,…,pR}来表示其位置序列,其中pn为第n个局部极小值点的位置,R为局部极小值点的数量。
S32、计算相邻两个极小值点的间隔,计算公式为:
li=pi+1-pi+1(i=1,2,…,R-1)
其中li表示第i个极小值点和第i+1个极小值点的间隔值,计算出所有间隔值后采用集合l={l1,l2,l3,…,lR-1}表示;
S33、根据步骤S32计算出的所有间隔值的集合,定义扁平型结构元素长度范围的下限和上限,表示为:
其中η为系数,用于平衡形态滤波的计算时间和噪声消除效果。
S4、根据步骤S2构造的复合形态学算子和步骤S3确定的扁平结构元素长度范围,对步骤S1采集的振动加速度信号进行形态滤波处理,得到形态滤波信号,其数量与结构元素长度个数相同;
S5、从步骤S4得到的形态滤波信号中选择最优形态滤波信号;
本发明实施例中,步骤S5具体包括计算步骤S4得到的每个形态滤波信号的包络谱幅值的特征频率强度系数,选择具有最大特征频率强度系数的形态滤波信号为最优形态滤波信号。
本发明实施例中,步骤S5中计算每个形态滤波信号的包络谱幅值的特征频率强度系数CFIC的计算公式为:
其中,S为包络谱幅值,fm为特征频率,fk为谱频率,k=1,2,…,K;f1为包络谱频率范围的下限,fK为包络谱频率范围的上限,Num为包络谱中特征频率成分的数量,K为包络谱中谱频率成分的数量,另外,±0.01fm主要用于消除轻微速度波动造成的影响。
S6、对最优形态滤波信号进行包络谱分析判断滚动轴承是否存在故障及故障类型。
本发明实施例中,步骤S6包括以下分步骤:
S61、分别计算滚动轴承的内圈、外圈、滚动体和保持架的故障特征频率,计算公式如下:
内圈故障特征频率(BPFI)计算公式为:
外圈故障特征频率(BPFO)计算公式为:
滚动体故障特征频率(BSF)计算公式为:
保持架故障特征频率(FTF)计算公式为:
S62、根据步骤S61的计算结果及其谐波成分判断滚动轴承是否存在故障及故障类型。
接下来采用两个具体的滚动轴承故障诊断实例对本发明进行进一步的阐述说明。
实例1:滚动轴承外圈故障诊断。
图3为滚动轴承外圈故障信号及其包络谱。轴承振动信号的采样频率为12.8kHz,分析的信号长度为8192个采样点。确定结构元素的长度范围时设置系数η=3,计算形态滤波信号的特征频率强度系数时设置fK=700Hz和Num=8。根据确定的扁平型结构元素的长度范围,分别采用表1所示的12种复合形态学算子对轴承外圈故障信号进行处理,计算所有形态滤波信号的特征频率强度系数,并基于特征频率强度系数最大准则选择最优的形态滤波信号及其包络谱,分别如图4、图5和图6所示。在图4、图5和图6左侧的滤波信号中,可以清晰地观测到重复性的瞬态脉冲特征;在图4、图5和图6右侧的包络谱中,轴承外圈故障特征频率及其谐波呈现出明显的谱线,大量干扰成分已被消除。这些结果表明了滚动轴承存在外圈故障。因此,此实例证明了本发明提出方法在诊断滚动轴承外圈故障时的有效性。
实例2:滚动轴承内圈故障诊断。
图7是滚动轴承内圈故障信号及其包络谱。轴承振动信号的采样频率为12kHz,分析的信号长度为8192个采样点。确定结构元素的长度范围时设置系数η=3,计算形态滤波信号的特征频率强度系数时设置fK=800Hz和Num=4。根据确定的扁平型结构元素的长度范围,分别采用表1所示的12种复合形态学算子对轴承内圈故障信号进行处理,计算所有形态滤波信号的特征频率强度系数,并基于特征频率强度系数最大准则选择最优的形态滤波信号及其包络谱,分别如图8、图9和图10所示。在图8、图9和图10左侧的滤波信号中,可以观测到重复性的瞬态脉冲特征;在图8、图9和图10右侧的包络谱中,轴承内圈故障特征频率及其谐波呈现出明显的谱线,大量干扰成分已被消除。这些结果表明了滚动轴承存在内圈故障。因此,此实例证明了本发明提出方法在诊断滚动轴承内圈故障时的有效性。
本领域的普通技术人员将会意识到,这里所描述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于复合形态学滤波的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
S1、采集滚动轴承的振动加速度信号;
S2、构造复合形态学算子;
S3、根据所述步骤S1采集的振动加速度信号确定扁平结构元素的长度范围;
S4、根据所述步骤S2构造的复合形态学算子和所述步骤S3确定的扁平结构元素长度范围,对所述步骤S1采集的振动加速度信号进行形态滤波处理,得到形态滤波信号;
S5、从所述步骤S4得到的形态滤波信号中选择最优形态滤波信号;
S6、对最优形态滤波信号进行包络谱分析判断滚动轴承是否存在故障及故障类型。
2.如权利要求1所述的一种基于复合形态学滤波的滚动轴承故障诊断方法,其特征在于:所述步骤S2具体包括选用两个具有相似的瞬态脉冲特征提取性能的形态学算子,采用在特征提取中具有理论优势的数学运算构造复合形态学算子。
3.如权利要求2所述的一种基于复合形态学滤波的滚动轴承故障诊断方法,其特征在于,所述步骤S3包括以下分步骤:
S31、识别所述步骤S1采集的振动加速度信号的所有局部极小值点并采用集合p={p1,p2,p3,…,pR}来表示其位置序列,其中pn为第n个局部极小值点的位置,R为局部极小值点的数量。
S32、计算相邻两个极小值点的间隔值,计算公式为:
li=pi+1-pi+1 (i=1,2,…,R-1)
其中li表示第i个极小值点和第i+1个极小值点的间隔值,计算出所有间隔值后采用集合l={l1,l2,l3,…,lR-1}表示;
S33、基于所述步骤S32计算出的所有间隔值的集合,定义扁平型结构元素长度范围的下限和上限,表示为:
其中η为系数。
4.如权利要求3所述的一种基于复合形态学滤波的滚动轴承故障诊断方法,其特征在于:所述步骤S5具体包括计算所述步骤S4得到的每个形态滤波信号的包络谱幅值的特征频率强度系数,选择具有最大特征频率强度系数的形态滤波信号为最优形态滤波信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011582681.9A CN112747925B (zh) | 2020-12-28 | 2020-12-28 | 一种基于复合形态学滤波的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011582681.9A CN112747925B (zh) | 2020-12-28 | 2020-12-28 | 一种基于复合形态学滤波的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112747925A true CN112747925A (zh) | 2021-05-04 |
CN112747925B CN112747925B (zh) | 2022-10-21 |
Family
ID=75646459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011582681.9A Active CN112747925B (zh) | 2020-12-28 | 2020-12-28 | 一种基于复合形态学滤波的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112747925B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257857A (zh) * | 2022-09-28 | 2022-11-01 | 西南交通大学 | 一种基于惯性原理的轨面三角坑识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2108273A (en) * | 1981-09-09 | 1983-05-11 | Autoipari Kutato Intezet | A process for the advance indication of breakdowns or faults in a tribological (lubrication) system |
CN102269655A (zh) * | 2010-06-04 | 2011-12-07 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN103940597A (zh) * | 2014-04-08 | 2014-07-23 | 昆明理工大学 | 一种基于广义极值形态滤波的机械故障检测方法 |
CN106092015A (zh) * | 2016-05-27 | 2016-11-09 | 南京理工大学 | 一种轨道表面凹陷长度检测方法 |
CN108875279A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 基于emd和形态滤波的轴承声发射信号特征提取方法 |
CN109297712A (zh) * | 2018-11-02 | 2019-02-01 | 东南大学 | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 |
CN110929586A (zh) * | 2019-10-29 | 2020-03-27 | 国电大渡河检修安装有限公司 | 一种故障信号特征提取方法 |
-
2020
- 2020-12-28 CN CN202011582681.9A patent/CN112747925B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2108273A (en) * | 1981-09-09 | 1983-05-11 | Autoipari Kutato Intezet | A process for the advance indication of breakdowns or faults in a tribological (lubrication) system |
CN102269655A (zh) * | 2010-06-04 | 2011-12-07 | 北京化工大学 | 一种轴承故障的诊断方法 |
CN103940597A (zh) * | 2014-04-08 | 2014-07-23 | 昆明理工大学 | 一种基于广义极值形态滤波的机械故障检测方法 |
CN106092015A (zh) * | 2016-05-27 | 2016-11-09 | 南京理工大学 | 一种轨道表面凹陷长度检测方法 |
CN108875279A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 基于emd和形态滤波的轴承声发射信号特征提取方法 |
CN109297712A (zh) * | 2018-11-02 | 2019-02-01 | 东南大学 | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 |
CN110929586A (zh) * | 2019-10-29 | 2020-03-27 | 国电大渡河检修安装有限公司 | 一种故障信号特征提取方法 |
Non-Patent Citations (2)
Title |
---|
YIFAN LI 等: "development of a morphological convolution operator for bearing fault detection", 《JOURNAL OF SOUND AND VIBRATION》 * |
YIFAN LI等: "wheelset bearing fault detection using morphological signal and image analysis", 《STRUCTURAL CONTROL AND HEALTH MONITORING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257857A (zh) * | 2022-09-28 | 2022-11-01 | 西南交通大学 | 一种基于惯性原理的轨面三角坑识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112747925B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
CN110046476B (zh) | 滚动轴承故障的三元二进分形小波稀疏诊断方法 | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN105092241A (zh) | 一种齿轮局部故障诊断方法及系统 | |
CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
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 | |
CN112487882B (zh) | 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法 | |
CN112747925B (zh) | 一种基于复合形态学滤波的滚动轴承故障诊断方法 | |
CN109682600A (zh) | 一种用于发动机主轴轴承故障诊断的改进变分模态分解诊断方法 | |
CN103940597A (zh) | 一种基于广义极值形态滤波的机械故障检测方法 | |
CN111896260B (zh) | NGAs同步优化小波滤波器与MCKD的轴承故障诊断方法 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
Zhao et al. | Vold-Kalman generalized demodulation for multi-faults detection of gear and bearing under variable speeds | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN113899548A (zh) | 一种基于谐波峭度谱的滚动轴承故障诊断方法 | |
CN112597969B (zh) | 一种滚动轴承故障诊断方法、系统及介质 | |
CN102680080B (zh) | 一种基于改进的自适应形态滤波的非稳态信号检测方法 | |
CN116625681A (zh) | 一种基于短时傅里叶变换的谱幅值调制滚动轴承故障诊断方法 | |
CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
Yang et al. | Research on fault feature extraction method based on FDM-robustICA and MOMEDA | |
CN116361733A (zh) | 一种故障诊断方法、装置、系统以及存储介质 | |
CN115876471A (zh) | 基于自适应阶次分析的轧机齿轮箱故障特征提取方法 | |
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 |
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 |