CN113033304A - 一种克服频域重叠干扰的多共振频带幅值解调分析方法 - Google Patents

一种克服频域重叠干扰的多共振频带幅值解调分析方法 Download PDF

Info

Publication number
CN113033304A
CN113033304A CN202110187803.2A CN202110187803A CN113033304A CN 113033304 A CN113033304 A CN 113033304A CN 202110187803 A CN202110187803 A CN 202110187803A CN 113033304 A CN113033304 A CN 113033304A
Authority
CN
China
Prior art keywords
frequency
band
resonance
signal
amplitude
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
Application number
CN202110187803.2A
Other languages
English (en)
Other versions
CN113033304B (zh
Inventor
陈小旺
冯志鹏
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110187803.2A priority Critical patent/CN113033304B/zh
Publication of CN113033304A publication Critical patent/CN113033304A/zh
Application granted granted Critical
Publication of CN113033304B publication Critical patent/CN113033304B/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
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种克服频域重叠干扰的多共振频带幅值解调分析方法，所述方法包括：采集时变转速工况下运行的旋转机械振动信号，并同步采集转速信号；利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率；以各个共振频率为滤波中心频率，以旋转机械最大故障频率的2倍为滤波半带宽，对所述振动信号进行带通滤波，得到多个窄带滤波信号；计算各个窄带滤波信号的幅值包络信号，并以所述转速信号为基准阶次，构造各个包络信号的阶次谱，即各个共振频带的幅值解调阶次谱；将各个共振频带的幅值解调阶次谱幅值归一化后相乘，得到原始振动信号的多共振频带幅值解调阶次谱。本发明能够提高幅值解调分析的准确性。

Description

一种克服频域重叠干扰的多共振频带幅值解调分析方法
技术领域
本发明涉及旋转机械故障诊断技术领域，特别涉及一种克服频域重叠干扰的多共振频带幅值解调分析方法。
背景技术
旋转机械状态监测与故障诊断是保障航空航天、能源动力等领域重要装备安全稳定运行的关键技术。通过采集旋转机械信号并从中提取关键特征，能够揭示目标设备的健康状态，对存在的故障进行定位与评估，从而指导整体装备的运行维护。然而，对于结构复杂、运行环境恶劣的旋转机械而言，实际采集的信号往往具有复杂的频率结构，且故障特征常常被噪声和无关信号成分掩盖。如何提高故障特征提取的准确性，一直是旋转机械状态监测与故障诊断技术的关键难点之一。
由于旋转机械故障常常对响应信号造成幅值调制作用，幅值解调分析方法被广泛用于从旋转机械信号中提取故障特征。不同于常规的傅里叶频谱分析，幅值解调分析能够将复杂的故障调制频率边带简化为故障频率本身，所构造的幅值解调谱具有结构简单、故障特征明显的优点。常用的幅值解调分析方法包含两类：一种是直接计算所采集信号的幅值包络信号，对包络信号进行傅里叶频谱分析，得到包络谱，并从包络谱的谱峰中寻找故障特征；另一种是通过滤波或信号分解手段，截取所采集信号的某一频段，对只包含该频段的信号进行幅值包络计算，并对包络信号进行傅里叶频谱分析，所得包络谱可统称为窄带幅值解调谱。中国发明专利CN 106153339 A公布了一种基于信号分解和谱峭度寻优的幅值解调分析方案。首先，对采集的旋转机械振动信号进行变分模式分解，得到一系列滤波分解信号；其次，对第一次滤波分解信号进行谱峭度分析，筛选出最优滤波器带宽和中心频率；最后，利用筛选得到的滤波器参数对第一次滤波分解信号进行再次滤波，并对得到的滤波信号进行包络分析，得到窄带幅值解调谱。
上述幅值解调分析方法的特点是能够通过信号分解和滤波方法一定程度上消除其余频带上无关成分的干扰，其本质是选择冲击特征最强的频带进行窄带幅值解调分析。然而，当旋转机械处于时变转速工况下运行，故障特征与无关成分存在频域重叠时，无论如何选择滤波带宽，均无法完全滤除无关成分而完整保留故障调制特征。当所选择的滤波带宽中包含有除调制特征外的独立成分时，所得的窄带幅值解调谱中将出现一系列与故障调制特征无关的虚假谱峰，干扰故障特征的准确识别。
发明内容
本发明的目的在于提供一种克服频域重叠干扰的多共振频带幅值解调分析方法，当时变故障频率成分与无关成分在频域重叠无法避免的情况下，从信号中定位多个共振频带进行窄带幅值解调，并将对应的多个窄带幅值解调谱归一化相乘，增强各个解调频带共有的调制特征，并抑制在各个解调频带中随机出现的由于频域重叠造成的干扰，从而得到更为准确的幅值解调谱，服务于旋转机械状态监测与故障诊断。
为解决上述技术问题，本发明的实施例提供如下方案：
一种克服频域重叠干扰的多共振频带幅值解调分析方法，包括以下步骤：
采集时变转速工况下运行的旋转机械振动信号，并同步采集转速信号；
利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率；
以各个共振频率为滤波中心频率，以旋转机械最大故障频率的2倍为滤波半带宽，对所述振动信号进行带通滤波，得到多个窄带滤波信号；
计算各个窄带滤波信号的幅值包络信号，并以所述转速信号为基准阶次，构造各个包络信号的阶次谱，即各个共振频带的幅值解调阶次谱；
将各个共振频带的幅值解调阶次谱幅值归一化后相乘，得到原始振动信号的多共振频带幅值解调阶次谱。
优选地，所述振动信号包括横向振动信号和/或扭转振动信号。
优选地，所述转速信号通过直接采集获得，或者利用脊线提取方法从所述振动信号中估计得到。
优选地，所述利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率具体包括：
构造振动信号x(t)的傅里叶频谱，从中人眼识别共振峰，将共振峰的顶点所对应的频率作为共振频率；
或者，构造振动信号x(t)的傅里叶频谱，设计判定准则，根据所述判定准则自动寻找所有满足条件的共振频率，取傅里叶系数最大的前N个共振频率作为分析频率；N个共振频率为fn,其中n＝1,2,…,N；
其中，所述判定准则包括：
该频率对应的傅里叶系数大于预设阈值；
该频率对应的傅里叶系数，大于以该频率为中心，半带宽为2倍最大故障频率的频带范围内所有频率对应的傅里叶系数。
优选地，所述利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率具体包括：
构造振动信号x(t)的时频分布，从中人眼识别水平的瞬时频率曲线或频带，取对应的中心频率值作为共振频率；
或者，构造振动信号x(t)的时频分布，利用代理测试方法，自动判断每一个时频矩阵行向量对应的是真实频率成分或噪声成分；取所有真实频率成分对应的频率值作为共振频率，取共振频率对应的行向量有效值最高的前N个共振频率作为分析频率；N个共振频率为fn,其中n＝1,2,…,N。
优选地，以各个共振频率fn为滤波中心频率，对振动信号x(t)进行带通滤波，得到多个窄带滤波信号xn(t)，n＝1,2,…,N；
其中，带通滤波的半带宽为旋转机械最大故障频率的2倍，或者预设固定值。
优选地，所述计算各个窄带滤波信号的幅值包络信号，并以所述转速信号为基准阶次，构造各个包络信号的阶次谱具体包括：
计算各个窄带滤波信号的幅值包络信号an(t)，计算公式为：
Figure BDA0002943790890000031
其中H(·)指希尔伯特变换；
以转速信号s(t)为基础阶次，对各个包络信号an(t)进行角域重采样，得到角域包络信号
Figure BDA0002943790890000033
计算各角域包络信号的傅里叶系数Fn(f)，计算公式为：
Figure BDA0002943790890000032
构造出的各个包络信号的阶次谱即为各个共振频带的幅值解调阶次谱。
优选地，所述将各个共振频带的幅值解调阶次谱幅值归一化后相乘，得到原始振动信号的多共振频带幅值解调阶次谱具体包括：
将各角域包络信号的傅里叶系数Fn(f)归一化后相乘，得到多共振频带幅值解调阶次谱，计算公式为：
Figure BDA0002943790890000041
Fx(f)中的自变量f对应转速信号的阶次，通过识别所构造的多共振频带幅值解调阶次谱Fx(f)中的阶次峰以提取故障特征。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例提出的方法充分借助共振频带中特征增强的优点、各个共振频率之间不受频域重叠影响的特点、以及频域重叠干扰的随机性特点，充分利用了振动信号中各个共振频带中的幅值调制信息，能够有效抑制由于时变特征频率成分与无关成分频域重叠造成的带通滤波错误即无关成分残存干扰，从而提高幅值解调分析的准确性，对于旋转机械的状态监测和故障诊断，具有重要应用价值。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，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的附图。
图1是本发明实施例提供的一种克服频域重叠干扰的多共振频带幅值解调分析方法的流程图；
图2是本发明实施例提供的实验台架上测得的行星齿轮箱扭转振动信号波形图；
图3是本发明实施例测得的行星齿轮箱扭转振动信号的傅里叶频谱及其低通滤波的结果示意图；
图4是传统方法构造的包络阶次谱；
图5是传统方法构造的窄带幅值解调阶次谱，解调频带为齿轮啮合频带；
图6是本发明提出方法构造的多共振频带幅值解调阶次谱。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种克服频域重叠干扰的多共振频带幅值解调分析方法，如图1所示，该方法包括以下步骤：
(1)在时变转速工况下采集旋转机械振动信号x(t)，其中，所述振动信号x(t)为横向振动信号和/或扭转振动信号，用于作为待分析信号。
如图2所示，为实验台架上测得的行星齿轮箱扭转振动信号波形，其中太阳轮存在局部故障，驱动电机的转速线性提高。
(2)同步采集转速信号s(t)；
优选地，还可以利用脊线提取方法从信号x(t)中估计转速信号s(t)。
(3)利用共振频率不随转速变化的特点，从振动信号x(t)中定位N个共振频率fn,其中n＝1,2,…,N。具体定位方法可以采用以下方法中的一种或多种：
方法一：构造振动信号x(t)的傅里叶频谱，从中人眼识别共振峰，将共振峰的顶点所对应的频率作为共振频率。
方法二：构造振动信号x(t)的傅里叶频谱，设计判定准则，自动寻找所有可能的共振频率，取对应频率的傅里叶系数最大的前N个共振频率作为分析频率；
其中，判定准则包含但不限于以下：
A、该频率对应的傅里叶系数大于一定阈值；
B、该频率对应的傅里叶系数，大于以该频率为中心，半带宽为2倍最大故障频率的频带范围内所有频率对应的傅里叶系数。
方法三：构造振动信号x(t)的时频分布，从中人眼识别水平的瞬时频率曲线或频带，取对应的中心频率值作为共振频率。
方法四：构造振动信号x(t)的时频分布，利用代理测试方法，自动判断每一个时频矩阵行向量对应的是真实频率成分或噪声成分；取所有真实频率成分对应的频率值作为共振频率，取共振频率对应的行向量有效值最高的前N个共振频率作为分析频率。
例如，图3是测得的行星齿轮箱扭转振动信号的傅里叶频谱及其低通滤波的结果，用于定位共振频率。
(4)以各个共振频率fn为滤波中心频率，2倍旋转机械最大故障频率为半带宽，对振动信号x(t)进行带通滤波，得到一系列窄带滤波信号xn(t)，n＝1,2,…,N。
优选地，针对每个带通滤波器，半带宽还可人为根据经验给定一个固定频率值。
(5)计算各个窄带滤波信号的幅值包络信号an(t)，计算公式为：
Figure BDA0002943790890000061
其中H(·)指希尔伯特变换。
(6)以转速信号s(t)为基础阶次，对各个包络信号an(t)进行角域重采样，得到角域包络信号
Figure BDA0002943790890000064
(7)计算各角域包络信号的傅里叶系数Fn(f)，计算公式为：
Figure BDA0002943790890000062
(8)将各角域包络信号的傅里叶系数Fn(f)归一化后相乘，即得到多共振频带幅值解调阶次谱：
Figure BDA0002943790890000063
(9)阶次谱Fx(f)中的自变量f实际上对应转速的阶次，通过识别所构造的多共振频带幅值解调阶次谱Fx(f)中的阶次峰，即可提取故障特征。
图4-图6通过对比传统方法与本发明提出方法所构造的阶次谱的故障特征明显程度，证明本发明提出方法在故障特征提取方面的优势。其中，图4是传统的包络阶次谱，图5是传统的窄带幅值解调阶次谱(解调频带为齿轮啮合频带)，图6是本发明提出的多共振频带幅值解调阶次谱。
通过对比可以看出，本发明方法能够显著抑制由于时变特征频率成分与无关成分频域重叠造成的带通滤波错误即无关成分残存干扰，使得到的阶次谱更加准确，太阳轮故障特征频率成分(圆点标注)能够更直观地被识别。
综上所述，本发明实施例提出的方法充分借助共振频带中特征增强的优点、各个共振频率之间不受频域重叠影响的特点、以及频域重叠干扰的随机性特点，充分利用了振动信号中各个共振频带中的幅值调制信息，能够有效抑制由于时变特征频率成分与无关成分频域重叠造成的带通滤波错误即无关成分残存干扰，从而提高幅值解调分析的准确性，对于旋转机械的状态监测和故障诊断，具有重要应用价值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种克服频域重叠干扰的多共振频带幅值解调分析方法，其特征在于，包括以下步骤：
采集时变转速工况下运行的旋转机械振动信号，并同步采集转速信号；
利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率；
以各个共振频率为滤波中心频率，以旋转机械最大故障频率的2倍为滤波半带宽，对所述振动信号进行带通滤波，得到多个窄带滤波信号；
计算各个窄带滤波信号的幅值包络信号，并以所述转速信号为基准阶次，构造各个包络信号的阶次谱，即各个共振频带的幅值解调阶次谱；
将各个共振频带的幅值解调阶次谱幅值归一化后相乘，得到原始振动信号的多共振频带幅值解调阶次谱。
2.根据权利要求1所述的多共振频带幅值解调分析方法，其特征在于，所述振动信号包括横向振动信号和/或扭转振动信号。
3.根据权利要求1所述的多共振频带幅值解调分析方法，其特征在于，所述转速信号通过直接采集获得，或者利用脊线提取方法从所述振动信号中估计得到。
4.根据权利要求1所述的多共振频带幅值解调分析方法，其特征在于，所述利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率具体包括：
构造振动信号x(t)的傅里叶频谱，从中人眼识别共振峰，将共振峰的顶点所对应的频率作为共振频率；
或者，构造振动信号x(t)的傅里叶频谱，设计判定准则，根据所述判定准则自动寻找所有满足条件的共振频率，取傅里叶系数最大的前N个共振频率作为分析频率；N个共振频率为fn,其中n＝1,2,…,N；
其中，所述判定准则包括：
该频率对应的傅里叶系数大于预设阈值；
该频率对应的傅里叶系数，大于以该频率为中心，半带宽为2倍最大故障频率的频带范围内所有频率对应的傅里叶系数。
5.根据权利要求1所述的多共振频带幅值解调分析方法，其特征在于，所述利用共振频率不随转速变化的特点，从所述振动信号中定位多个共振频率具体包括：
构造振动信号x(t)的时频分布，从中人眼识别水平的瞬时频率曲线或频带，取对应的中心频率值作为共振频率；
或者，构造振动信号x(t)的时频分布，利用代理测试方法，自动判断每一个时频矩阵行向量对应的是真实频率成分或噪声成分；取所有真实频率成分对应的频率值作为共振频率，取共振频率对应的行向量有效值最高的前N个共振频率作为分析频率；N个共振频率为fn,其中n＝1,2,…,N。
6.根据权利要求1所述的多共振频带幅值解调分析方法，其特征在于，以各个共振频率fn为滤波中心频率，对振动信号x(t)进行带通滤波，得到多个窄带滤波信号xn(t)，n＝1,2,…,N；
其中，带通滤波的半带宽为旋转机械最大故障频率的2倍，或者预设固定值。
7.根据权利要求1所述的多共振频带幅值解调分析方法，其特征在于，所述计算各个窄带滤波信号的幅值包络信号，并以所述转速信号为基准阶次，构造各个包络信号的阶次谱具体包括：
计算各个窄带滤波信号的幅值包络信号an(t)，计算公式为：
Figure FDA0002943790880000021
其中H(·)指希尔伯特变换；
以转速信号s(t)为基础阶次，对各个包络信号an(t)进行角域重采样，得到角域包络信号
Figure FDA0002943790880000022
计算各角域包络信号的傅里叶系数Fn(f)，计算公式为：
Figure FDA0002943790880000023
构造出的各个包络信号的阶次谱即为各个共振频带的幅值解调阶次谱。
8.根据权利要求7所述的多共振频带幅值解调分析方法，其特征在于，所述将各个共振频带的幅值解调阶次谱幅值归一化后相乘，得到原始振动信号的多共振频带幅值解调阶次谱具体包括：
将各角域包络信号的傅里叶系数Fn(f)归一化后相乘，得到多共振频带幅值解调阶次谱，计算公式为：
Figure FDA0002943790880000024
Fx(f)中的自变量f对应转速信号的阶次，通过识别所构造的多共振频带幅值解调阶次谱Fx(f)中的阶次峰以提取故障特征。
CN202110187803.2A 2021-02-18 2021-02-18 一种克服频域重叠干扰的多共振频带幅值解调分析方法 Active CN113033304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110187803.2A CN113033304B (zh) 2021-02-18 2021-02-18 一种克服频域重叠干扰的多共振频带幅值解调分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110187803.2A CN113033304B (zh) 2021-02-18 2021-02-18 一种克服频域重叠干扰的多共振频带幅值解调分析方法

Publications (2)

Publication Number Publication Date
CN113033304A true CN113033304A (zh) 2021-06-25
CN113033304B CN113033304B (zh) 2021-10-22

Family

ID=76461370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110187803.2A Active CN113033304B (zh) 2021-02-18 2021-02-18 一种克服频域重叠干扰的多共振频带幅值解调分析方法

Country Status (1)

Country Link
CN (1) CN113033304B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029455A1 (zh) * 2021-08-31 2023-03-09 江南大学 一种变转速工况下减速机振动信号的故障频带识别方法
WO2023080140A1 (ja) * 2021-11-02 2023-05-11 日立建機株式会社 遊星歯車減速機の異常診断装置及び建設機械
CN117906934A (zh) * 2024-02-01 2024-04-19 苏州光格科技股份有限公司 一种异常振动检测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103712792A (zh) * 2013-12-16 2014-04-09 西安交通大学 一种针对风电齿轮箱的故障诊断方法
CN105388012A (zh) * 2015-10-22 2016-03-09 兰州理工大学 基于非线性调频小波变换的阶次跟踪方法
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
CN109323858A (zh) * 2018-09-21 2019-02-12 华南理工大学 一种齿轮故障振动调幅调频信号准确分离方法
CN109946081A (zh) * 2019-04-15 2019-06-28 北京航空航天大学 一种用于变转速下滚动轴承打滑时的故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103712792A (zh) * 2013-12-16 2014-04-09 西安交通大学 一种针对风电齿轮箱的故障诊断方法
CN105388012A (zh) * 2015-10-22 2016-03-09 兰州理工大学 基于非线性调频小波变换的阶次跟踪方法
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
CN109323858A (zh) * 2018-09-21 2019-02-12 华南理工大学 一种齿轮故障振动调幅调频信号准确分离方法
CN109946081A (zh) * 2019-04-15 2019-06-28 北京航空航天大学 一种用于变转速下滚动轴承打滑时的故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHIPENG FENG ET.AL: "Time-varying demodulation analysis for rolling bearing fault diagnosis under variable speed conditions", 《JOURNAL OF SOUND AND VIBRATION》 *
李红贤 等: "迭代广义解调齿轮信号分离的变转速滚动轴承故障诊断", 《振动与冲击》 *
程卫东 等: "包络变形对阶比分析结果的影响及消除方法", 《振动工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029455A1 (zh) * 2021-08-31 2023-03-09 江南大学 一种变转速工况下减速机振动信号的故障频带识别方法
WO2023080140A1 (ja) * 2021-11-02 2023-05-11 日立建機株式会社 遊星歯車減速機の異常診断装置及び建設機械
JP2023068263A (ja) * 2021-11-02 2023-05-17 日立建機株式会社 遊星歯車減速機の異常診断装置及び建設機械
JP7282142B2 (ja) 2021-11-02 2023-05-26 日立建機株式会社 遊星歯車減速機の異常診断装置及び建設機械
CN117906934A (zh) * 2024-02-01 2024-04-19 苏州光格科技股份有限公司 一种异常振动检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113033304B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113033304B (zh) 一种克服频域重叠干扰的多共振频带幅值解调分析方法
Moshrefzadeh et al. The Autogram: An effective approach for selecting the optimal demodulation band in rolling element bearings diagnosis
Jiang et al. A coarse-to-fine decomposing strategy of VMD for extraction of weak repetitive transients in fault diagnosis of rotating machines
Feng et al. Time-varying demodulation analysis for rolling bearing fault diagnosis under variable speed conditions
Zheng et al. Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD
CN107505135B (zh) 一种滚动轴承复合故障提取方法及系统
Hemmati et al. Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation
CN108458871B (zh) 一种基于改进经验小波变换的齿轮箱故障识别方法
Sawalhi et al. The application of spectral kurtosis to bearing diagnostics
CN107944199A (zh) 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法
Chen et al. Optimal frequency band selection using blind and targeted features for spectral coherence-based bearing diagnostics: A comparative study
CN109668733B (zh) 变分非线性模式分解变转速轴承故障诊断方法
CN112101245A (zh) 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN109883706B (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN108151869B (zh) 一种机械振动特征指标提取方法、系统及装置
CN110173439B (zh) 一种基于均衡平方包络谱的泵汽蚀初生识别方法
CN114705426A (zh) 一种滚动轴承早期故障诊断方法
He et al. A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction
Yan et al. A feature selection framework-based multiscale morphological analysis algorithm for fault diagnosis of rolling element bearing
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
CN109374293B (zh) 一种齿轮故障诊断方法
Chen et al. Enhanced bearing fault diagnosis using integral envelope spectrum from spectral coherence normalized with feature energy
CN110333071B (zh) 一种利用窄带倒谱变换的机械振动信号处理方法
Barbini et al. Phase editing as a signal pre-processing step for automated bearing fault detection

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