CN112906480B - 一种高速列车轴承安全状态实时监测系统 - Google Patents

一种高速列车轴承安全状态实时监测系统 Download PDF

Info

Publication number
CN112906480B
CN112906480B CN202110093751.2A CN202110093751A CN112906480B CN 112906480 B CN112906480 B CN 112906480B CN 202110093751 A CN202110093751 A CN 202110093751A CN 112906480 B CN112906480 B CN 112906480B
Authority
CN
China
Prior art keywords
bearing
judging
fault
probability density
density function
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
CN202110093751.2A
Other languages
English (en)
Other versions
CN112906480A (zh
Inventor
永远
王一斐
李盼召
梁婷
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110093751.2A priority Critical patent/CN112906480B/zh
Publication of CN112906480A publication Critical patent/CN112906480A/zh
Application granted granted Critical
Publication of CN112906480B publication Critical patent/CN112906480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

一种高速列车轴承安全状态实时监测系统，包括信号采集模块，所述信号采集模块包括用于采集轴承振动信号的加速度传感器，所述信号采集模块还包括与所述加速度传感器电连接的发射装置，用于将检测到的原始振动信号通过有线或无线方式传给快速诊断模块和损伤程度判定模块和故障类型判定模块；所述快速诊断模块通过振动信号幅值的概率密度参数快速判定轴承是否存在故障，所述概率密度参数是概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积。该系统可不仅可以防止突发性故障带来的灾难性事故，保障列车正常运行，也可对渐变性故障进行预防，保障高速列车轴承在使用寿命内的精度和效率。

Description

一种高速列车轴承安全状态实时监测系统
技术领域
本发明涉及一种高速列车轴承安全状态实时监测系统，属于轨道交通安全检测领域。
背景技术
随着我国列车营运里程的不断积累，以及对运行时速和货运量等需求的不断提升，安全作为高速列车提速的首要前提，将对我国高速列车整体的安全性和可靠性提出了更高的要求。滚动轴承作为高速列车转向架的重要构件之一，起到减少摩擦和支撑负荷的作用，对列车的高效、可靠运转极为重要，其服役状态将直接影响列车能否安全行驶。现阶段对高速列车滚动轴承的检测仍以温度监测为主，并采用定期维护的方式，当列车运行一定里程后，将列车送回整机厂进行拆分、维护或更换。采用温度对轴承运行进行监测方式，通常在轴承故障处于劣化阶段才有效，且具有一定的迟滞性。
发明内容
本发明的目的是提供一种高速列车轴承安全状态实时监测系统，该系统可不仅可以防止突发性故障带来的灾难性事故，保障列车正常运行，也可对渐变性故障进行预防，保障高速列车轴承在使用寿命内的精度和效率。
本发明实现其发明目的所采取的技术方案是：一种高速列车轴承安全状态实时监测系统，包括信号采集模块，所述信号采集模块包括用于采集轴承振动信号的加速度传感器，其特征在于：所述信号采集模块还包括与所述加速度传感器电连接的发射装置，用于将检测到的原始振动信号通过有线或无线方式传给快速诊断模块和损伤程度判定模块和故障类型判定模块；
所述快速诊断模块通过振动信号幅值的概率密度参数快速判定轴承是否存在故障，所述概率密度参数是概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积；
所述损伤程度判定模块通过振动信号的时域特征参数分析判定轴承的磨耗状态和故障损伤程度；所述时域特征参数包括有效值，波形指标、脉冲指标和裕度指标；
所述故障类型判定模块包括概率密度函数判定子模块和频谱图判定子模块；
所述概率密度函数判定子模块通过分析振动信号幅值的概率密度函数的正态分布期望和标准差判定轴承故障类型；所述频谱图判定子模块通过振动信号的功率谱判定轴承故障类别；故障类别包括轴承内圈故障、轴承外圈故障和轴承滚动体故障。
上述快速诊断模块的原理是：
申请人通过对轴承振动信号幅值的概率密度分布进行详细研究，提出概率密度参数，即概率密度函数幅值的3σ分布宽度与概率密度分布拟合峰值的乘积，正常轴承在不同载荷下，该参数均在特定范围内，而一旦轴承出现故障，不管故障类别或故障尺寸，该参数都会存在极大变化，所以采用概率密度参数进行快速诊断的诊断指标，诊断快速、准确。
进一步，本发明所述信号采集模块包括安装于齿轮箱上的三个各项参数完全一致的加速度传感器，记为传感器一、传感器二、传感器三，传感器一和加速度传感二分别安装于从动齿轮左侧和从动齿轮右侧，采集的振动信号用于判定从动轴承的运行状态；传感器三安装于主动齿轮左侧，采集的振动信号用于判定主动轴承的运行状态。
试验验证，对于主动轴承的状态判定选择采用传感器三位置采集振动信号较为准确。对于从动轴承，则采用传感器一和传感器二振动信号的加和的平均值来判定其运行状态比较准确。
更进一步，本分明所述加速度传感器通过螺纹连接安装于齿轮箱上。螺纹连接可以使得齿轮箱的冲击脉冲衰减少，能更准确检测齿轮箱的冲击情况。
进一步，本发明所述快速诊断模块通过振动信号幅值的概率密度函数分析快速判定轴承是否存在故障的具体方法是：当概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积值大于60时，判定轴承出现故障。
申请人经过大量试验，正常轴承在不同载荷下，概率密度参数均小于60，而出现故障的轴承，该参数变化极大，下表为其中一些试验数据，轴承在4种载荷与4种内圈故障尺寸下，幅值的3σ分布宽度与概率密度分布拟合峰值的乘积，正常轴承在不同载荷下的该乘积值在40-50之间，当轴承存在故障时，该乘积变化极大。
Figure BDA0002912392010000021
进一步，本发明所述损伤程度判定模块中所用的时域特征参数包括有效值，波形指标、脉冲指标和裕度指标。
更进一步，本发明所述损伤程度判定模块通过对振动信号的有效值分析判定轴承的磨耗状态，通过对振动信号的有效值，波形指标、脉冲指标和裕度指标综合分析判定轴承故障损伤程度。
有效值也称均方根值(Root Mean Square,RMS)，用来反映信号的能量大小，适用于磨损磨耗类的缓慢变化类型故障的诊断，可以反映各个滚动体在滚道上运行时由于制造精度及工作表面电蚀所产生的振动情况，轻微冲击时，有效值的变化并不明显，且相对滞后；但稳定性好，随着轴承磨损呈单调增长趋势，在轴承未出现明显故障时，可用于判定轴承表面的磨耗状态。
脉冲指标(Impluse Factor,ImpF)为峰值和平均值的比值，用于分析冲击信号，因此对轴承的划痕和点蚀类故障敏感。裕度指标(Clearance Factor,CF)作为峰值和方根幅值的比值，可用于冲击脉冲与幅值分布的分析。波形指标(Shape Factor,SF)为有效值与均值之比，较大时轴承可能出现点蚀，较小时，可能为磨损。实验证明，以上不同的时域参数在对滚动轴承故障检测过程中要么有好的敏感度，但是不一定有很好的稳定性，或者对故障较差敏感度，但是有很好的稳定性。所以结合有效值、脉冲指标、裕度指标和波形指标可以更加有效地综合判定轴承的损伤程度。
进一步，本发明所述概率密度函数判定子模块通过分析概率密度函数的正态分布期望和标准差判定轴承故障类型的具体方法是：以正常试样轴承振动信号幅值的概率密度函数的正态分布期望和标准差为标准：检测与正常试样轴承同型号待检测轴承时，如果正态分布期望变大，标准差变化不大，判定为待检测轴承滚动体故障，如果标准差变小，期望变化不大，判定为待检测轴承内外圈故障；如果正态分布期望变大，标准差变小，判定待检测轴承滚动体和内外圈均存在故障。
振动信号幅值的概率密度分布图可反映了信号取不同幅值的次数，正常滚动轴承的振动信号是各态历经过程，且振动信号幅值的概率分布为高斯分布。而当轴承出现故障时，由于点蚀、剥落、划伤等局部损伤故障时将引起冲击，其振动信号幅值的概率密度分布会发生变化。大量试验验证，当滚动体故障时，振动信号幅值的概率密度函数的正态分布期望变大，标准差变化不大，当内外圈发生故障时，振动信号幅值的概率密度函数的标准差变小，期望变化不大，所以采用上述方法对轴承故障类型进行判断，准确率高。
进一步，本发明所述频谱图判定子模块通过振动信号的功率谱判定轴承故障类别的具体方法是：将功率谱整个频域分为三个频段，高频段2000～5000Hz、中频段800～2000Hz和低频段0～800Hz，如果轴承振动信号的频谱信号分散分布在三个频段内，峰值极值出现在高频段，则判定轴承内圈故障；如果轴承振动信号的频谱信号分布在低频段和高频段，主要集中在高频段，峰值极值出现在高频段，则判定轴承滚动体故障；如果轴承振动信号的频谱信号集中在高频段，峰值极值出现在高频段，则判定轴承外圈故障。
申请人经过试验分析，轴承故障信号的频谱图中波形较多，而功率谱图则可较为清晰进行频谱分析。通过大量实验数据分析，正常轴承的频域信号主要集中在低频和中频段，并在中频段内有峰值的最大值。内圈故障的频域信号分散在三个频段内均有分布，峰值极值出现在高频段。滚动故障的频谱信号主要分布在低频和高频段，主要集中在高频段，峰值极值出现在高频段，外圈故障的频谱信号主要集中在高频段，所以通过功率谱对故障类型进行判断准确率高。
相比于现有技术，本发明的有益效果是：
本发明轴承安全状态实时监测系统通过分析时域和频域特征来诊断轴承是否故障和故障类型，比人工判定的准确性更加高，且可有效改善高速列车轴承的维护方式，防止突发性故障带来的灾难性事故，保障列车正常运行，也可对渐变性故障进行预防，保障高速列车轴承在使用寿命内的精度和效率。此外，还可避免维修中的“过剩”和“欠缺”现象，降低设备运营维护成本，提高维护效率和设备稳定性。
附图说明
图1为本发明实施例轴承安全状态实时监测系统的工作流程示意图。
图2为齿轮箱轴承三维结构示意图。
图3为本发明实施例加速度传感器布设位置示意图。
图4为本发明实施例不同故障类型的轴承振动信号功率谱图。
具体实施方式
实施例
一种高速列车轴承安全状态实时监测系统，包括信号采集模块，所述信号采集模块包括用于采集轴承振动信号的加速度传感器，所述信号采集模块还包括与所述加速度传感器电连接的发射装置，用于将检测到的原始振动信号通过有线或无线方式传给快速诊断模块和损伤程度判定模块和故障类型判定模块；
所述快速诊断模块通过振动信号幅值的概率密度参数快速判定轴承是否存在故障，所述概率密度参数是概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积；
所述损伤程度判定模块通过振动信号的时域特征参数分析判定轴承的磨耗状态和故障损伤程度；
所述故障类型判定模块包括概率密度函数判定子模块和频谱图判定子模块；
所述概率密度函数判定子模块通过分析振动信号幅值的概率密度函数的正态分布期望和标准差判定轴承故障类型；所述频谱图判定子模块通过振动信号的功率谱判定轴承故障类别；故障类别包括轴承内圈故障、轴承外圈故障和轴承滚动体故障。
图1为本实施例轴承安全状态实时监测系统的工作流程示意图，将判定结果分别通过异常数据管理和齿轮箱轴承异常状况报告记录。
本例中所述信号采集模块包括安装于齿轮箱上的三个各项参数完全一致的加速度传感器，记为传感器一、传感器二、传感器三，传感器一和传感二分别安装于从动齿轮左侧和从动齿轮右侧，采集的振动信号用于判定从动轴承的运行状态；传感器三安装于主动齿轮左侧，采集的振动信号用于判定主动轴承的运行状态；所述加速度传感器通过螺纹连接安装于齿轮箱上(紧挨轴承的齿轮箱箱体上)。图2为齿轮箱轴承三维结构示意图。图3为本实施例加速度传感器布设位置示意图。
本例中所述快速诊断模块通过振动信号幅值的概率密度函数分析快速判定轴承是否存在故障的具体方法是：当概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积值大于50时，判定轴承出现故障。
本例中所述损伤程度判定模块中所用的时域特征参数包括有效值，波形指标、脉冲指标和裕度指标；所述损伤程度判定模块通过对振动信号的有效值分析判定轴承的磨耗状态，通过对振动信号的有效值，波形指标、脉冲指标和裕度指标综合分析判定轴承故障损伤程度。
本例中所述概率密度函数判定子模块通过分析概率密度函数的正态分布期望和标准差判定轴承故障类型的具体方法是：以正常试样轴承振动信号幅值的概率密度函数的正态分布期望和标准差为标准：检测与正常试样轴承同型号待检测轴承时，如果正态分布期望变大，标准差变化不大，判定为待检测轴承滚动体故障，如果标准差变小，期望变化不大，判定为待检测轴承内外圈故障；如果正态分布期望变大，标准差变小，判定待检测轴承滚动体和内外圈均存在故障。
本例中所述频谱图判定子模块通过振动信号的功率谱判定轴承故障类别的具体方法是：将功率谱整个频域分为三个频段，高频段2000～5000Hz、中频段800～2000Hz和低频段0～800Hz，如果轴承振动信号的频谱信号分散分布在三个频段内，峰值极值出现在高频段，则判定轴承内圈故障；如果轴承振动信号的频谱信号分布在低频段和高频段，主要集中在高频段，峰值极值出现在高频段，则判定轴承滚动体故障；如果轴承振动信号的频谱信号集中在高频段，峰值极值出现在高频段，则判定轴承外圈故障。
申请人对各种型号故障都进行了试验，得到上述判断故障类型的方法，图4为其中一种型号轴承的不同故障类型的振动信号功率谱图。其中(a)为正常轴承振动信号功率谱，(b)为轴承振动信号内圈故障功率谱，(c)为轴承振动信号滚动体故障功率谱，(d)为轴承振动信号外圈故障功率谱。

Claims (8)

1.一种高速列车轴承安全状态实时监测系统，包括信号采集模块，所述信号采集模块包括用于采集轴承振动信号的加速度传感器，其特征在于：所述信号采集模块还包括与所述加速度传感器电连接的发射装置，用于将检测到的原始振动信号通过有线或无线方式传给快速诊断模块和损伤程度判定模块和故障类型判定模块；
所述快速诊断模块通过振动信号幅值的概率密度参数快速判定轴承是否存在故障，所述概率密度参数是概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积；
所述损伤程度判定模块通过振动信号的时域特征参数分析判定轴承的磨耗状态和故障损伤程度；
所述故障类型判定模块包括概率密度函数判定子模块和频谱图判定子模块；
所述概率密度函数判定子模块通过分析振动信号幅 值的概率密度函数的正态分布期望和标准差判定轴承故障类型；所述频谱图判定子模块通过振动信号的功率谱判定轴承故障类别；故障类别包括轴承内圈故障、轴承外圈故障和轴承滚动体故障。
2.根据权利要求1所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述信号采集模块包括安装于齿轮箱上的三个各项参数完全一致的加速度传感器，记为传感器一、传感器二、传感器三，传感器一和加速度传感二分别安装于从动齿轮左侧和从动齿轮右侧，采集的振动信号用于判定从动轴承的运行状态；传感器三安装于主动齿轮左侧，采集的振动信号用于判定主动轴承的运行状态。
3.根据权利要求2所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述加速度传感器通过螺纹连接安装于齿轮箱上。
4.根据权利要求1所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述快速诊断模块通过振动信号幅值的概率密度函数分析快速判定轴承是否存在故障的具体方法是：当概率密度函数幅值的3σ分布宽度与概率密度函数峰值的乘积值大于50时，判定轴承出现故障。
5.根据权利要求1所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述损伤程度判定模块中所用的时域特征参数包括有效值，波形指标、脉冲指标和裕度指标。
6.根据权利要求1所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述损伤程度判定模块通过对振动信号的有效值分析判定轴承的磨耗状态，通过对振动信号的有效值，波形指标、脉冲指标和裕度指标综合分析判定轴承故障损伤程度。
7.根据权利要求1所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述概率密度函数判定子模块通过分析概率密度函数的正态分布期望和标准差判定轴承故障类型的具体方法是：以正常试样轴承振动信号幅值的概率密度函数的正态分布期望和标准差为标准：检测与正常试样轴承同型号待检测轴承时，如果正态分布期望变大，标准差变化不大，判定为待检测轴承滚动体故障，如果标准差变小，期望变化不大，判定为待检测轴承内外圈故障；如果正态分布期望变大，标准差变小，判定待检测轴承滚动体和内外圈均存在故障。
8.根据权利要求1所述的一种高速列车轴承安全状态实时监测系统，其特征在于：所述频谱图判定子模块通过振动信号的功率谱判定轴承故障类别的具体方法是：将功率谱整个频域分为三个频段，高频段2000～5000Hz、中频段800～2000Hz和低频段0～800Hz，如果轴承振动信号的频谱信号分散分布在三个频段内，峰值极值出现在高频段，则判定轴承内圈故障；如果轴承振动信号的频谱信号分布在低频段和高频段，主要集中在高频段，峰值极值出现在高频段，则判定轴承滚动体故障；如果轴承振动信号的频谱信号集中在高频段，峰值极值出现在高频段，则判定轴承外圈故障。
CN202110093751.2A 2021-01-22 2021-01-22 一种高速列车轴承安全状态实时监测系统 Active CN112906480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093751.2A CN112906480B (zh) 2021-01-22 2021-01-22 一种高速列车轴承安全状态实时监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093751.2A CN112906480B (zh) 2021-01-22 2021-01-22 一种高速列车轴承安全状态实时监测系统

Publications (2)

Publication Number Publication Date
CN112906480A CN112906480A (zh) 2021-06-04
CN112906480B true CN112906480B (zh) 2022-10-21

Family

ID=76117202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093751.2A Active CN112906480B (zh) 2021-01-22 2021-01-22 一种高速列车轴承安全状态实时监测系统

Country Status (1)

Country Link
CN (1) CN112906480B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116026598B (zh) * 2023-03-30 2023-07-14 山东梁轴科创有限公司 一种轴承振动检测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008294A (zh) * 2014-05-30 2014-08-27 东南大学 轴承异常检测系统及其方法
CN104535323A (zh) * 2015-01-12 2015-04-22 石家庄铁道大学 一种基于角域-时域-频域的机车轮对轴承故障诊断方法
CN105910823A (zh) * 2016-06-21 2016-08-31 上海电机学院 一种滚动轴承故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106679999B (zh) * 2016-12-26 2018-11-23 合肥工大高科信息科技股份有限公司 一种车厢内置式高速列车走行部件在线故障检测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008294A (zh) * 2014-05-30 2014-08-27 东南大学 轴承异常检测系统及其方法
CN104535323A (zh) * 2015-01-12 2015-04-22 石家庄铁道大学 一种基于角域-时域-频域的机车轮对轴承故障诊断方法
CN105910823A (zh) * 2016-06-21 2016-08-31 上海电机学院 一种滚动轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Analysis of vibration and temperature on the axle box bearing of a high-speed train;Zhiwei Wang;《Vehicle system dynamics》;20190812;1605-1628 *
Failure analysis of gearbox in CRH high-speed train;Yongxu Hu;《Engineering Failure Analysis》;20191130;110-126 *
航天灵敏轴承制造缺陷特征提取方法的研究及软件开发;梁兰兰;《中国优秀硕士学位论文全文数据库》;20140615;C031-302 *
高速列车轴承安全状态实时监测系统研究;李盼召;《中国优秀硕士学位论文全文数据库》;20210715(第2021年07期);C033-378 *

Also Published As

Publication number Publication date
CN112906480A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
Crabtree et al. Detecting incipient wind turbine gearbox failure: a signal analysis method for on-line condition monitoring
Feng et al. Use of SCADA and CMS signals for failure detection and diagnosis of a wind turbine gearbox
Cui et al. An anomaly detection approach based on machine learning and scada data for condition monitoring of wind turbines
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN112665856B (zh) 一种齿轮箱在线监测系统
CN111089726A (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
CN112906480B (zh) 一种高速列车轴承安全状态实时监测系统
CN111071291B (zh) 列车轮对监测系统及列车轮对监测方法
CN112525534A (zh) 一种基于声发射技术的轴承和齿轮损伤定量化评估方法
CN102155988A (zh) 设备监诊方法
CN101725706B (zh) 一种齿轮箱嵌入式状态监测与故障诊断系统
CN113988326A (zh) 一种地铁设备维修优化方法及系统
CN104931262A (zh) 一种与轮对轴承磨合机联用的轴承故障诊断装置及其诊断方法
CN111595515B (zh) 万向轴不平衡故障的间接检测方法
CN113740063B (zh) 列车轴承监控预警方法及系统
CN109782112A (zh) 一种变压器多参量故障监测系统及检测方法
CN114813124A (zh) 一种轴承故障的监测方法及装置
CN113516159A (zh) 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统
CN113283028A (zh) 一种齿轮箱齿轮故障诊断方法
CN115165326A (zh) 通过机械传动链润滑油(脂)杂质分析的风机故障诊断方法
CN114295367A (zh) 一种风电机组齿轮箱工况在线监测方法
CN115326393A (zh) 一种基于温度信息的风电机组轴承对故障诊断方法
Ali et al. Novel Spiking Neural Network Model for Gear Fault Diagnosis
CN113686378A (zh) 一种水轮机顶盖运行状态监测方法
CN101968404A (zh) 一种用于检测间歇性低速重载设备故障隐患的方法

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