CN113324759B - 基于振动能量梯度分解的旋转设备状态监测指标提取方法 - Google Patents

基于振动能量梯度分解的旋转设备状态监测指标提取方法 Download PDF

Info

Publication number
CN113324759B
CN113324759B CN202110610976.0A CN202110610976A CN113324759B CN 113324759 B CN113324759 B CN 113324759B CN 202110610976 A CN202110610976 A CN 202110610976A CN 113324759 B CN113324759 B CN 113324759B
Authority
CN
China
Prior art keywords
energy
monitoring data
vibration monitoring
sub
characteristic
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
CN202110610976.0A
Other languages
English (en)
Other versions
CN113324759A (zh
Inventor
王琇峰
李睿
郭美娜
区瑞坚
倪泽行
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.)
Suzhou Veizu Equipment Diagnosis Technology Co ltd
Xian Jiaotong University
Original Assignee
Suzhou Veizu Equipment Diagnosis Technology Co ltd
Xian 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 Suzhou Veizu Equipment Diagnosis Technology Co ltd, Xian Jiaotong University filed Critical Suzhou Veizu Equipment Diagnosis Technology Co ltd
Priority to CN202110610976.0A priority Critical patent/CN113324759B/zh
Publication of CN113324759A publication Critical patent/CN113324759A/zh
Application granted granted Critical
Publication of CN113324759B publication Critical patent/CN113324759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，先采集旋转设备平稳运行期若干组振动监测数据，基于不同能量梯度将检测数据分解为若干级子信号，根据各级子信号特征能量序列归一化前后的比值计算对应的能量缩放系数；接着采集旋转设备实时振动监测数据，基于不同能量梯度将监测数据分解为若干级子信号，根据每级子信号对应的能量缩放系数对子信号部件特征能量进行缩放；最后以各级子信号部件特征频率的相关峭度比作为权重，将同一组实时振动监测数据对应的子信号进行加权融合，将融合后的特征能量作为旋转设备运行状态监测指标；本发明兼顾计算效率和可靠性，实现旋转设备运行状态监测。

Description

基于振动能量梯度分解的旋转设备状态监测指标提取方法
技术领域
本发明属于机械设备诊断技术领域，具体涉及基于振动能量梯度分解的旋转设备状态监测指标提取方法。
背景技术
在机械工业领域，旋转设备(轴承、齿轮等)在长期运行过程中，受到交变载荷的影响，设备结构中逐渐产生微小损伤，损伤程度随着运行时间的增加逐渐加重，使得设备运行性能不断降低，最终导致设备出现功能性故障，轻则造成经济损失，重则酿成重大生产安全事故。因此在实际生产过程中，有必要对设备进行运行状态监测，对设备健康状态进行评估，避免重大事故的发生。
振动监测是旋转设备运行状态监测的有效途径，传统的设备振动监测方法主要包括两种：其一是基于振动数据时域及频域统计学指标(如峰峰值、均方根值、峭度指标等)的振动监测，这类监测方法容易受到监测数据中干扰噪声的影响，且难以表征设备不同部件(如滚动轴承内圈、外圈及滚动体)的运行状态，以及实现设备薄弱部件的定位；其二是基于共振能量包络解调的振动监测，这类监测方法的有效性依赖于振动共振带的定位精度，且目前已有的共振带定位方法存在计算繁琐、定位不准确的缺陷，在实际设备生产过程中缺乏实用性和可靠性。
因此，基于设备振动信号研究一种兼顾计算效率和可靠性的旋转设备运行状态实时监测方法，对评估设备运行状态、及时发现设备运行安全隐患具有重大意义，且具有强大的工业需求和应用潜力。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，有效提取表征旋转设备部件运行状态的监测指标，兼顾计算效率和可靠性，实现旋转设备运行状态监测。
为了达到上述目的，本发明采取的技术方案为：
一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，包括以下步骤：
1)选取旋转设备平稳运行期振动监测数据，基于不同能量梯度将平稳运行期振动监测数据分解为若干级子信号，计算每级子信号的能量缩放系数；
2)采集旋转设备实时振动监测数据，基于不同能量梯度将实时振动监测数据分解为若干级子信号，根据每级对应的能量缩放系数对子信号部件特征能量进行缩放；
3)针对同一组实时振动监测数据下的子信号，将缩放后的子信号部件特征能量进行加权融合，并将融合后的特征能量作为运行状态监测指标。
所述的步骤1)具体为：
1.1)采集旋转设备平稳运行期的前m组振动监测数据，记作xi(t)，其中i＝1，2，3，...，m，其中m值在20到40之间取整数；
1.2)根据如下公式，将设备平稳运行期振动监测数据xi(t)基于不同能量梯度进行分解：
Figure BDA0003095776080000031
其中，等式右边的IFFT代表平稳运行期振动监测数据xi(t)的逆傅里叶变换运算；Ai(f)代表平稳运行期振动监测数据中第i组振动监测数据的频率幅值谱；n代表频率幅值谱的分解指数，n值在[0,1)区间内等间隔取值，取n在上述区间内的取值间隔为0.1，即n＝0.1，0.2，0.3，…，0.9；j代表虚数单位，
Figure BDA0003095776080000032
代表平稳运行期振动监测数据对应的相位信息；等式左边的
Figure BDA0003095776080000033
代表分解系数n取第N个值时，平稳运行期振动监测数据xi(t)分解得到的子信号，按照上文n的取值个数，对应的有N＝1，2，3，…，10；
1.3)对分解所得的子信号
Figure BDA0003095776080000034
进行平方包络计算，计算对应的平方包络谱中旋转设备特征频率对应一定频率范围的能量，称为第N级特征能量，记作
Figure BDA0003095776080000035
能量计算对应的一定频率范围为：频谱中部件故障特征频率f0为中心，旋转设备所在轴转频的±10％为频率范围；
1.4)基于第N级特征能量
Figure BDA0003095776080000036
构造平稳运行期振动监测数据的第N级特征能量序列，记作EN序列，构造如下：
Figure BDA0003095776080000037
1.5)分别将第N级特征能量序列EN进行能量归一化，归一结果称为第N级标准特征能量序列，记作
Figure BDA0003095776080000038
序列；
1.6)分别计算EN序列和
Figure BDA0003095776080000039
序列的平均值，记作
Figure BDA00030957760800000310
1.7)根据下式计算第N级特征能量缩放系数kN：
Figure BDA0003095776080000041
所述的步骤2)具体为：
2.1)对旋转设备进行持续振动监测，采集旋转设备实时振动监测数据，记作yii(t)，其中ii＝1，2，3，…；
2.2)将实时振动监测数据yii(t)基于如下公式进行分解：
Figure BDA0003095776080000042
其中，等式右边的Aii(f)代表实时振动监测数据中第ii组实时振动监测数据的频率幅值谱；
Figure BDA0003095776080000043
代表实时振动监测数据对应的相位信息；等式左边的
Figure BDA0003095776080000044
代表分解系数n取第N个值时，实时振动监测数据yii(t)分解得到的子信号；
2.3)对分解所得的子信号
Figure BDA0003095776080000045
进行平方包络计算，计算对应的平方包络谱中的第N级特征能量，记作
Figure BDA0003095776080000046
能量计算对应的频率范围为：以部件故障特征频率f0为中心，旋转设备所在轴转频的±10％为频率半径；
2.4)分别将第N级特征能量
Figure BDA0003095776080000047
按照对应级的能量缩放系数kN进行能量缩放，缩放结果称为第N级标准特征能量
Figure BDA0003095776080000048
如下式所示：
Figure BDA0003095776080000049
所述的步骤3)具体为：
3.1)计算每一组实时振动监测数据子信号
Figure BDA00030957760800000410
关于特征周期的5阶相关峭度，计算公式如下：
Figure BDA0003095776080000051
式中，T代表旋转设备特征周期，
Figure BDA0003095776080000052
旋转设备实时振动监测数据子信号
Figure BDA0003095776080000053
关于特征周期的5阶相关峭度；
3.2)基于同一组实时振动监测数据的子信号
Figure BDA0003095776080000054
计算每个子信号关于特征周期的相关峭度比
Figure BDA0003095776080000055
计算公式如下：
Figure BDA0003095776080000056
3.3)基于同一组实时振动监测数据的子信号
Figure BDA0003095776080000057
以相关峭度比
Figure BDA0003095776080000058
作为权重，将各子信号对应的N级标准特征能量
Figure BDA0003095776080000059
进行加权融合，得到融合特征指标
Figure BDA00030957760800000510
融合参考公式如下：
Figure BDA00030957760800000511
将融合特征指标作为旋转设备运行状态监测指标。
本发明的有益效果为：
本发明基于旋转设备振动监测信号，将振动监测信号基于不同能量梯度分解为若干级子信号，计算各级子信号平方包络谱中的部件特征能量，并将各级子信号对应的部件特征能量进行缩放、加权融合，进而获取表征旋转的旋转设备运行状态的监测指标，兼顾计算效率和可靠性，实现对旋转设备运行状态的实时监测。
附图说明
图1为本发明的流程图。
图2为实施例滚动轴承内圈第5组平稳运行期振动监测数据的时域特征。
图3为实施例滚动轴承内圈第5组平稳运行期振动监测数据基于能量梯度分解所得的各级子信号对应的时域特征。
图4为实施例滚动轴承内圈前20组平稳运行期振动监测数据对应的各级特征能量序列。
图5为实施例滚动轴承内圈前20组平稳运行期振动监测数据对应的各级标准特征能量序列。
图6为实施例滚动轴承内圈第220组实时振动监测数据的时域特征。
图7为实施例滚动轴承内圈第220组实时振动监测数据基于能量梯度分解所得的各级子信号对应的时域特征。
图8为实施例滚动轴承内圈运行状态监测趋势图。
图9为滚动轴承状态监测试验结果图。
具体实施方式
下面以某型号滚动轴承振动运行状态监测为例，结合附图与实施例对本发明进一步详细说明，其中，该轴承所在轴转频3.795Hz，轴承各部件特征频率如表1所示。
表1轴承部件特征频率
Figure BDA0003095776080000061
如图1所示，以滚动轴承内圈作为监测对象，一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，包括以下步骤：
1)采集滚动轴承内圈平稳运行期的前若干组振动监测数据，基于不同能量梯度将平稳运行期的振动监测数据分解为若干级子信号，计算每级子信号的能量缩放系数。具体为：
1.1)采集滚动轴承内圈平稳运行期的前20组振动监测数据，记作xi(t)，其中i＝1，2，3，…，20，参照图2，图2为滚动轴承内圈第5组平稳运行期振动监测数据的时域特征；
1.2)根据如下公式，将滚动轴承内圈前20组平稳运行期振动监测数据xi(t)基于不同能量梯度进行分解：
Figure BDA0003095776080000071
其中，等式右边的IFFT代表平稳运行期振动监测数据xi(t)的逆傅里叶变换运算；Ai(f)代表平稳运行期振动监测数据中第i组振动监测数据的频率幅值谱；n代表频率幅值谱的分解指数，n值在[0,1)区间内等间隔取值，为兼顾信号分解的准确度和分解运算的计算量，取n在上述区间内的取值间隔为0.1，即n＝0.1，0.2，0.3，…，0.9；j代表虚数单位，
Figure BDA0003095776080000072
代表平稳运行期振动监测数据对应的相位信息；等式左边的
Figure BDA0003095776080000073
代表分解系数n取第N个值时，平稳运行期振动监测数据xi(t)分解得到的子信号，分解后每组平稳运行期振动监测信号xi(t)都能对应得到10级子信号；对应的有N＝1，2，3，…，10；参照图3，图3为滚动轴承内圈第5组平稳运行期振动监测数据基于能量梯度分解所得的各级子信号对应的时域特征；
1.3)对分解所得的子信号
Figure BDA0003095776080000074
进行平方包络计算，计算对应的平方包络谱中以内圈故障特征频率f0为中心，旋转设备所在轴转频的±10％范围内的频谱能量，记作第N级特征能量
Figure BDA0003095776080000075
1.4)基于第N级特征能量
Figure BDA0003095776080000076
分别构造前20组平稳运行期振动监测数据的第N级特征能量序列，记作EN序列，构造如下：
Figure BDA0003095776080000081
参照图4，图4为滚动轴承内圈前20组平稳运行期振动监测数据对应的1到10级特征能量序列E1，E2，…，E10波动图；
1.5)分别将第N级特征能量序列EN进行能量归一化，归一化的结果称为第N级标准特征能量序列，记作
Figure BDA0003095776080000082
序列，如图5所示；
1.6)分别计算EN序列和
Figure BDA0003095776080000083
序列的平均值，记作
Figure BDA0003095776080000084
本次计算对应的
Figure BDA0003095776080000085
值及
Figure BDA0003095776080000086
值如下表2所示；
表2滚动轴承前20组平稳运行期内圈振动状态监测数据能量均值
Figure BDA0003095776080000087
1.7)根据下式计算内圈第N级特征能量缩放系数kN：
Figure BDA0003095776080000088
本次计算所得的内圈各级特征能量缩放系数kN如表3所示；
表3滚动轴承内圈前20组振动状态监测数据能量均值
Figure BDA0003095776080000089
Figure BDA0003095776080000091
2)采集滚动轴承内圈实时振动监测数据，基于不同能量梯度将实时振动监测数据分解为若干级子信号，根据每级对应的能量缩放系数对子信号部件特征能量进行缩放。具体为：
2.1)采集旋转设备实时振动监测数据，记作yii(t)，其中ii＝1，2，3，…，参照图6，图6为滚动轴承内圈第220组实时振动监测数据的时域特征；
2.2)将实时振动监测数据yii(t)基于如下公式进行分解：
Figure BDA0003095776080000092
其中，等式右边的Aii(f)代表实时振动监测数据中第ii组实时振动监测数据的频率幅值谱；n代表频率幅值谱的分解指数，满足n＝0.1，0.2，0.3，…，0.9；j代表虚数单位，
Figure BDA0003095776080000093
代表实时振动监测数据对应的相位信息；等式左边的
Figure BDA0003095776080000094
代表分解系数n取第N个值时，实时振动监测数据yii(t)分解得到的子信号，分解后每组实时振动监测信号yii(t)都能对应得到10级子信号
Figure BDA0003095776080000095
参照图7，图7以第220组实时振动监测数据y220(t)为例，描述其对应的10级子信号
Figure BDA0003095776080000096
的时域特征；
2.3)对分解所得的子信号
Figure BDA0003095776080000097
进行平方包络计算，计算对应的平方包络谱中以内圈故障特征频率f0为中心，旋转设备所在轴转频的±10％范围内的频谱能量，记作第N级特征能量
Figure BDA0003095776080000101
2.4)基于第N级特征能量缩放系数kN，对第N级特征能量
Figure BDA0003095776080000102
进行缩放，得到滚动轴承内圈第N级标准特征能量
Figure BDA0003095776080000103
如下公式所示：
Figure BDA0003095776080000104
表3以第220组滚动轴承内圈实时振动监测数据为例，列出各级标准特征能量
Figure BDA0003095776080000105
表3第220组轴承内圈实时监测数据各级标准特征能量
Figure BDA0003095776080000106
3)针对同一组实时振动监测数据下的子信号，将缩放后的子信号内圈特征能量进行加权融合，并将融合后的特征能量作为运行状态监测指标。具体为：
3.1)计算每一组滚动轴承内圈实时振动监测数据子信号
Figure BDA0003095776080000107
关于内圈特征周期的5阶相关峭度
Figure BDA0003095776080000108
计算公式如下：
Figure BDA0003095776080000109
式中，T代表旋转设备特征周期，
Figure BDA00030957760800001010
旋转设备实时振动监测数据子信号
Figure BDA0003095776080000111
关于特征周期的5阶相关峭度；
表4以第220组滚动轴承内圈实时振动监测数据为例，列出各级子信号关于内圈特征周期的5阶相关峭度；
表4第220组轴承内圈实时监测数据各级子信号5阶相关峭度
Figure BDA0003095776080000112
3.2)基于同一组滚动轴承内圈实时振动监测数据的子信号
Figure BDA0003095776080000113
计算每个子信号关于滚动轴承内圈特征周期的相关峭度比
Figure BDA0003095776080000114
计算公式如下：
Figure BDA0003095776080000115
表5以第220组滚动轴承内圈实时振动监测数据为例，列出各级子信号关于内圈特征周期的相关峭度比；
表5第220组轴承内圈实时监测数据各级子信号相关峭度比
Figure BDA0003095776080000116
3.3)基于同一组滚动轴承内圈实时振动监测数据的子信号
Figure BDA0003095776080000121
以相关峭度比
Figure BDA0003095776080000122
作为权重，将各子信号对应的N级标准特征能量
Figure BDA0003095776080000123
进行加权融合，得到内圈融合特征指标
Figure BDA0003095776080000124
融合参考公式如下：
Figure BDA0003095776080000125
以第220组滚动轴承内圈实时振动监测数据为例，各级子信号融合所得的内圈融合特征指标值为16.1846；
将内圈融合特征指标作为滚动轴承内圈运行状态监测指标，参照图8，图8为基于内圈融合指标生成的滚动轴承内圈运行状态监测趋势图，从图8中可以看出滚动轴承内圈在第1组到第190组监测指标波动相对不明显，内圈平稳运行；从第191组开始监测指标开始出现逐渐明显的爬升趋势，到试验结束(第223组)监测指标值相对于前期平稳运行阶段数值提高了约20倍，因此可以得知滚动轴承内圈出现设备退化特征。参照图9，图9为滚动轴承状态监测试验结果图，由图可知滚动轴承内圈出现明显剥落现象，与监测指标反映结果相一致。

Claims (3)

1.一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，其特征在于，包括以下步骤：
1)选取旋转设备平稳运行期振动监测数据，基于不同能量梯度将平稳运行期振动监测数据分解为若干级子信号，计算每级子信号的能量缩放系数；
2)采集旋转设备实时振动监测数据，基于不同能量梯度将实时振动监测数据分解为若干级子信号，根据每级对应的能量缩放系数对子信号部件特征能量进行缩放；
3)针对同一组实时振动监测数据下的子信号，将缩放后的子信号部件特征能量进行加权融合，并将融合后的特征能量作为运行状态监测指标；
所述的步骤1)具体为：
1.1)采集旋转设备平稳运行期的前m组振动监测数据作为平稳运行期振动监测数据，记作xi(t)，其中i＝1，2，3，...，m，其中m值在20到40之间取整数；
1.2)根据如下公式，将平稳运行期振动监测数据xi(t)基于不同能量梯度进行分解：
Figure FDA0003666796120000011
其中，等式右边的IFFT代表平稳运行期振动监测数据xi(t)的逆傅里叶变换运算；Ai(f)代表平稳运行期振动监测数据中第i组振动监测数据的频率幅值谱；n代表频率幅值谱的分解指数，n值在[0,1)区间内等间隔取值，取n在上述区间内的取值间隔为0.1，即n＝0.1，0.2，0.3，…，0.9；j代表虚数单位，
Figure FDA0003666796120000021
代表平稳运行期振动监测数据对应的相位信息；等式左边的
Figure FDA0003666796120000022
代表分解系数n取第N个值时，平稳运行期振动监测数据xi(t)分解得到的子信号，按照n的取值个数，对应的有N＝1，2，3，…，10；
1.3)对分解所得的子信号
Figure FDA0003666796120000023
进行平方包络计算，计算对应的平方包络谱中旋转设备特征频率对应一定频率范围的能量，称为第N级特征能量，记作
Figure FDA0003666796120000024
能量计算对应的一定频率范围为：频谱中部件故障特征频率f0为中心，旋转设备所在轴转频的±10％为频率范围；
1.4)基于第N级特征能量
Figure FDA0003666796120000025
构造平稳运行期振动监测数据的第N级特征能量序列，记作EN序列，构造如下：
Figure FDA0003666796120000026
1.5)分别将第N级特征能量序列EN进行能量归一化，归一结果称为第N级标准特征能量序列，记作
Figure FDA0003666796120000027
序列；
1.6)分别计算EN序列和
Figure FDA0003666796120000028
序列的平均值，记作
Figure FDA0003666796120000029
1.7)根据下式计算第N级特征能量缩放系数kN：
Figure FDA00036667961200000210
2.根据权利要求1所述的一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，其特征在于，所述的步骤2)具体为：
2.1)对旋转设备进行持续振动监测，采集旋转设备实时振动监测数据，记作yii(t)，其中ii＝1，2，3，…；
2.2)将实时振动监测数据yii(t)基于如下公式进行分解：
Figure FDA0003666796120000031
其中，等式右边的Aii(f)代表实时振动监测数据中第ii组实时振动监测数据的频率幅值谱；
Figure FDA0003666796120000032
代表实时振动监测数据对应的相位信息；等式左边的
Figure FDA0003666796120000033
代表分解系数n取第N个值时，实时振动监测数据yii(t)分解得到的子信号；
2.3)对分解所得的子信号
Figure FDA0003666796120000034
进行平方包络计算，计算对应的平方包络谱中的第N级特征能量，记作
Figure FDA0003666796120000035
能量计算对应的频率范围为：以部件故障特征频率f0为中心，旋转设备所在轴转频的±10％为频率半径；
2.4)分别将第N级特征能量
Figure FDA0003666796120000036
按照对应级的能量缩放系数kN进行能量缩放，缩放结果称为第N级标准特征能量
Figure FDA0003666796120000037
如下式所示：
Figure FDA0003666796120000038
3.根据权利要求2所述的一种基于振动能量梯度分解的旋转设备状态监测指标提取方法，其特征在于，所述的步骤3)具体为：
3.1)计算每一组实时振动监测数据子信号
Figure FDA0003666796120000039
关于特征周期的5阶相关峭度，计算公式如下：
Figure FDA00036667961200000310
式中，T代表旋转设备特征周期，
Figure FDA00036667961200000311
旋转设备实时振动监测数据子信号
Figure FDA00036667961200000312
关于特征周期的5阶相关峭度；
3.2)基于同一组实时振动监测数据的子信号
Figure FDA00036667961200000313
计算每个子信号关于特征周期的相关峭度比
Figure FDA0003666796120000041
计算公式如下：
Figure FDA0003666796120000042
3.3)基于同一组实时振动监测数据的子信号
Figure FDA0003666796120000043
以相关峭度比
Figure FDA0003666796120000044
作为权重，将各子信号对应的第N级标准特征能量
Figure FDA0003666796120000045
进行加权融合，得到融合特征指标
Figure FDA0003666796120000046
融合参考公式如下：
Figure FDA0003666796120000047
将融合特征指标作为旋转设备运行状态监测指标。
CN202110610976.0A 2021-06-01 2021-06-01 基于振动能量梯度分解的旋转设备状态监测指标提取方法 Active CN113324759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110610976.0A CN113324759B (zh) 2021-06-01 2021-06-01 基于振动能量梯度分解的旋转设备状态监测指标提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110610976.0A CN113324759B (zh) 2021-06-01 2021-06-01 基于振动能量梯度分解的旋转设备状态监测指标提取方法

Publications (2)

Publication Number Publication Date
CN113324759A CN113324759A (zh) 2021-08-31
CN113324759B true CN113324759B (zh) 2022-08-05

Family

ID=77423180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110610976.0A Active CN113324759B (zh) 2021-06-01 2021-06-01 基于振动能量梯度分解的旋转设备状态监测指标提取方法

Country Status (1)

Country Link
CN (1) CN113324759B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104596766A (zh) * 2014-12-24 2015-05-06 中国船舶工业系统工程研究院 一种轴承早期故障确定方法
CN105300675A (zh) * 2015-10-14 2016-02-03 哈尔滨工业大学 一种基于比例系数分析的动量轮故障诊断方法
CN106596098A (zh) * 2017-01-03 2017-04-26 中车株洲电力机车有限公司 一种机车及其锁轴故障预警系统与方法
CN107340133A (zh) * 2017-07-11 2017-11-10 北京印刷学院 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法
CN108168886A (zh) * 2017-12-22 2018-06-15 合肥工业大学 滚动轴承故障特征提取与运行状态监测方法
CN109633431A (zh) * 2019-01-09 2019-04-16 国网江苏省电力有限公司电力科学研究院 基于振动信号特征提取的有载分接开关故障识别方法
CN112113755A (zh) * 2020-09-02 2020-12-22 西安交通大学 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN112649196A (zh) * 2020-11-19 2021-04-13 上海交通大学烟台信息技术研究院 基于频域信息的信号变分模态分解预设尺度参数选取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104596766A (zh) * 2014-12-24 2015-05-06 中国船舶工业系统工程研究院 一种轴承早期故障确定方法
CN105300675A (zh) * 2015-10-14 2016-02-03 哈尔滨工业大学 一种基于比例系数分析的动量轮故障诊断方法
CN106596098A (zh) * 2017-01-03 2017-04-26 中车株洲电力机车有限公司 一种机车及其锁轴故障预警系统与方法
CN107340133A (zh) * 2017-07-11 2017-11-10 北京印刷学院 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法
CN108168886A (zh) * 2017-12-22 2018-06-15 合肥工业大学 滚动轴承故障特征提取与运行状态监测方法
CN109633431A (zh) * 2019-01-09 2019-04-16 国网江苏省电力有限公司电力科学研究院 基于振动信号特征提取的有载分接开关故障识别方法
CN112113755A (zh) * 2020-09-02 2020-12-22 西安交通大学 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN112649196A (zh) * 2020-11-19 2021-04-13 上海交通大学烟台信息技术研究院 基于频域信息的信号变分模态分解预设尺度参数选取方法

Also Published As

Publication number Publication date
CN113324759A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN109682601B (zh) 一种变转速工况下滚动轴承的早期故障识别方法
Cheng et al. Adaptive multipoint optimal minimum entropy deconvolution adjusted and application to fault diagnosis of rolling element bearings
Saidi et al. Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis
Bin et al. Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network
Wang et al. Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis
Li et al. An enhanced rolling bearing fault detection method combining sparse code shrinkage denoising with fast spectral correlation
Li et al. A new strategy of using a time-varying structure element for mathematical morphological filtering
Jiang et al. Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis
CN108151869B (zh) 一种机械振动特征指标提取方法、系统及装置
Wang et al. Fault diagnosis of wind turbine bearing based on optimized adaptive chirp mode decomposition
CN110672327A (zh) 一种基于多层降噪技术的异步电机轴承故障诊断方法
Chen et al. Integrated early fault diagnosis method based on direct fast iterative filtering decomposition and effective weighted sparseness kurtosis to rolling bearings
CN112183259B (zh) 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN111881736A (zh) 一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法
Huang et al. An improved empirical wavelet transform method for rolling bearing fault diagnosis
Wen et al. Feature extraction of bearing vibration signals using second generation wavelet and spline-based local mean decomposition
Wang et al. Application of RSSD‐OCYCBD Strategy in Enhanced Fault Detection of Rolling Bearing
Cheng et al. Enhanced spectral coherence and its application to bearing fault diagnosis
Ding et al. Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations
Wang et al. Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy
He et al. Weak fault detection method of rolling bearing based on testing signal far away from fault source
CN113324759B (zh) 基于振动能量梯度分解的旋转设备状态监测指标提取方法
CN107490477B (zh) 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法
Chen et al. A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking

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