CN113514144A - 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 - Google Patents
基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 Download PDFInfo
- Publication number
- CN113514144A CN113514144A CN202110857428.8A CN202110857428A CN113514144A CN 113514144 A CN113514144 A CN 113514144A CN 202110857428 A CN202110857428 A CN 202110857428A CN 113514144 A CN113514144 A CN 113514144A
- Authority
- CN
- China
- Prior art keywords
- rub
- fault
- value
- mic
- rms
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/02—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by magnetic means, e.g. reluctance
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Balance (AREA)
Abstract
本发明的目的在于提供一种基于电涡流位移传感数据的不平衡‑碰摩耦合故障检测方法,以解决碰摩耦合故障中碰摩弱故障漏诊的问题。本发明提供的位移振动信号均方根值RMS能够有效描述振动信号的能量变化,提供的最大信息系数MIC可衡量两个变量之间的关联程度及其噪声水平,所以均方根值RMS和最大信息系数MIC数值分布与其它参数相比,为不平衡‑碰摩耦合故障异常表现的离群点,建立以均方根值RMS和最大信息系数MIC为多元参数的离群点检测模型。该方法有利于从多种故障类型中快速、准确识别不平衡‑碰摩耦合故障。
Description
技术领域
本发明涉及基于振动信号的旋转机械转子系统碰摩耦合故障诊断技术,特别是一种基于电涡流位移传感器的不平衡-碰摩耦合故障的检测方法。
背景技术
旋转机械是工业生产中应用最为广泛的机械设备,如高速压缩机、核电机组、大型汽轮发电机组、离心泵等以转子系统为工作主体的机械设备,转子系统作为旋转机械的核心部件,一旦发生故障,将影响设备的使用寿命。碰摩故障是一种典型的多发性事件,其发生频率随转定子间的密封间隙的减少而增加。转静碰摩产生的原因很多,质量不平衡、不对中、油膜涡动、转定子之间的相对运动等均会导致系统发生碰摩,故碰摩故障一般伴随有不平衡、不对中等故障,其中不平衡-碰摩和不对中-碰摩两种耦合故障最为常见,两种或两种以上故障相互影响形成耦合,易造成机器的振动剧增,影响设备的正常工作。尽管目前不少研究人员针对不平衡-碰摩、不对中-碰摩耦合故障进行了研究,但碰摩耦合故障的振动响应呈现多样化、不平稳和非线性特点,碰摩耦合故障的强弱故障振动响应分解存在一定难度,给耦合故障的检测和特征提取带来一定难度。发展有效的碰摩耦合故障检测方法已成为当前亟待研究的一个重要课题。
转子系统耦合故障的振动信号包含多个故障信号,并伴随噪声,利用先进的信号处理方法对转子系统耦合故障的敏感振动特征提取,以提高旋转机械的运行安全性和可靠性。转子碰摩时伴随的摩擦,一部分转化为热能耗散,一部分转化为机械能引发系统振动,碰摩过程中的摩擦呈现出一定的非线性特征,会产生一系列高次谐波的复杂响应,故碰摩振动信号中含有丰富的谐波分量。不平衡-碰摩耦合故障的响应受不平衡质量、碰摩的位置、冲击力的大小、结构等因素的影响,使得各频谱成分在信号中更加复杂。近年来,国内外研究者将许多新方法应用于碰摩耦合故障的辨识,其中应用最广泛的有小波理论、经验模态分解、人工神经网络、支持向量机等,与单一碰摩故障相比,碰摩耦合故障更加复杂、多样化,具有强弱故障信号成分分布不均等特点,在响应特征方面通常表现出一些和单一故障相同的征兆(不平衡-碰摩耦合故障的波形频谱图与不平衡故障的波形频谱图相似,不平衡-碰摩耦合故障的均方根植与不平衡故障的均方根值相近),给碰摩耦合故障的检测与故障诊断带来一定困难。
发明内容
本发明的目的在于提供一种基于电涡流位移传感数据的不平衡-碰摩耦合故障检测方法,以解决不平衡-碰摩耦合故障下碰摩故障呈现出弱故障特征,表征出与不平衡故障类型振动响应特征相同的振动特点,造成耦合故障中碰摩弱故障漏诊的问题,该方法有利于从多种故障类型中快速、准确识别不平衡-碰摩耦合故障。
本发明主要采用均方根值RMS与最大信息系数MIC相结合的检测方法,从不平衡-碰摩耦合故障的电涡流振动信号中提取出故障响应特征。为实现上述目的,本发明所采用的技术方案如下:
(1)通过电涡流位移传感器和数据采集系统获取转子系统正常运行过程中电涡流位移振动信号x(t);
(2)构建设备正常运行状态的振动数据集A={xj,j=1,2,…,m},m为历史正常数据采集的样本数;
(4)构建转子系统当前运行状态电涡流位移振动信号的数据集 B={yj,j=1,2,…,m},计算转子系统当前运行状态振动信号B与步骤(2)的振动数据A的最大信息系数MIC值。首先计算变量A和变量B之间的互信息 MI(A,B):
式中,p(A,B)是A和B的联合概率密度,p(A)、p(B)分别是A和B的边缘概率密度;
则最大互信息公式为:
MI*(x,y)=maxMI(x,y)
MIC的计算公式为:
(5)构建均方根值RMS和最大信息系数MIC的二维向量ο,并计算二维向量ο的χ2统计量,χ2统计量计算表达式如下:
式中οi是ο在i维上的值,Ei是所有对象在第i维上的均值,k为维度;
(6)判断χ2统计量是否小于设定阈值C1,如果是,判断设备运行出现异常状态;如果否,判断设备运行状态正常。
(7)采用最大似然方法分别计算二维向量的ο1j和ο2j的均值μ和标准差σ两个参数,二维向量的ο1j和ο2j的最大似然估计:
(8)计算均方根值RMS的均值μ和标准差σ,并设置一定置信范围以确定阈值C2。判断均方根植RMS是否大于设定阈值C2,如果是,判断转子系统的振动幅值出现异常,如存在偏心力的不平衡故障;
(9)计算最大信息系数MIC的均值μ和标准差σ,并设置一定置信范围以确定阈值C3。判断最大信息系数MIC值是否小于设定阈值C3,如果是,判断转子系统出现碰摩异常状态;
(10)均方根值RMS大于设定阈值C2,最大信息系数MIC小于C3时,判断为不平衡-碰摩耦合故障。
本发明提供的位移振动信号均方根值RMS能够有效描述振动信号的能量变化,提供的最大信息系数MIC可衡量两个变量之间的关联程度及其噪声水平,所以均方根值RMS和最大信息系数MIC数值分布与其它参数相比,为不平衡- 碰摩耦合故障异常表现的离群点,通过建立以均方根值RMS和最大信息系数 MIC为多元参数的离群点检测模型,较时域波形、图谱等方法,可快速、准确检测设备能量突变与碰摩等异常状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对现有技术描述和实施方案中所需要使用的附图作简单地介绍。
图1为本发明一种基于电涡流位移传感数据的不平衡-碰摩耦合故障检测方法流程图。
图2为本发明一个实施例中某转速下无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障的时域波形图。
图3为本发明一个实施例中某转速下无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障的频谱图。
图4为本发明一个实施例中某转速下无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障的轴心轨迹图。
图5为本发明一个实施例中旋转设备位移振动异常检测参数对比图。
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明白,下面结合实施案例,对本发明作进一步的详细说明。
如图1所示,本发明提供的一种基于电涡流位移传感数据的不平衡-碰摩耦合故障检测方法。
本实施例中以一阶转子系统为例,图2和图3分别是具体实施发明中所提出的方法时所采用的转子系统正常、不平衡、碰摩、不平衡-碰摩振动信号的波形图和频谱图。该振动信号采集时,转轴以1200r/min(20Hz)的转速进行运转,采样频率约为1280Hz,采样点数16384。由图2和图3可知,从振动信号的时域波形中可知不平衡故障与不平衡-碰摩耦合故障的波形结构相似,并未观察到碰摩故障波形特征,而其频谱图表明四种运行状态都以工频为主,频谱图结构与工频特征都未观察到故障特征,故很难从四种运行状态中提取出不平衡-碰摩耦合故障的故障标志特征。图4具体实施发明中转子系统正常、不平衡、碰摩、不平衡-碰摩振动信号的轴心轨迹图,由图4可知,从振动信号的轴心轨迹路径图像显示不平衡-碰摩故障存在较弱的碰摩轨迹曲线,但从单一碰摩故障的轴心轨迹不易观察到碰摩轨迹特征。
采用本发明中所提出的一种基于电涡流位移传感数据的不平衡-碰摩耦合故障检测方法具体实施过程如下:
(1)采用电涡流位移传感器和数据采集系统获取获取旋转设备(如离心式通风机)转速为20Hz正常运行过程中位移振动信号x(t),其中采样频率为 1280Hz,采样点数16384。
(2)构建设备正常运行状态的振动数据集A={xj,j=1,2,…,m},m为历史正常数据采集的样本数,取m为6,j为样本数。
(3)由于信号的均方根值RMS能够有效描述振动信号的能量变化,所以均方根值RMS是机械故障诊断系统中用于判别运行状态是否正常的重要指标。当这项指标超出正常值(故障判定限)较多时,可以肯定机械存在故障隐患或故障。按步骤(1)的方法分别采集一阶转子系统在无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障下的运行振动信号y(t);计算y(t)的均方根值统计特征参数RMS,计算公式为:其中,N为数据采集点数。无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障的均方根值特征参数RMS 分别为:0.2692、0.3823、0.2796和0.3872。通过均方根值特征参数的结果可得出以下结论:当转子系统存在不平衡力时,信号的均方根值RMS能够有效描述振动信号的能量变化,能够根据均方根值RMS指标参数确定旋转机械是否存在不平衡力。
(4)由于信号的最大信息系数MIC具有广泛性和均匀性,即可衡量两个变量之间的关联程度、线性或非线性的强度;对于相同噪声水平的函数关系或非函数关系,MIC具有近似的值。转子碰摩时伴随摩擦,所以提出基于最大信息系数MIC的转子系统碰摩故障检测方法。按步骤(1)的方法分别采集一阶转子系统在无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障下的运行振动信号 y(t),构建转子系统当前运行状态振动信号的数据集B={yj,j=1,2,…,m},其中, j为样本数,计算转子系统当前运行状态振动信号B与步骤(2)的振动数据A 的最大信息系数MIC值。首先计算变量A和变量B之间的互信息MI(A,B):
式中,p(A,B)是A和B的联合概率密度,p(A)、p(B)分别是A和B的边缘概率密度;
则最大互信息公式为:
MI*(x,y)=maxMI(x,y)
MIC的计算公式为:
无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障的最大信息系数 MIC分别为:0.95、0.8313、0.0754和0.0539。通过信号的最大信息系数MIC的结果可得出以下结论:当转子系统存在碰摩故障时,信号的最大信息系数MIC 能够有效衡量振动信号噪声水平的变化,能够根据最大信息系数MIC指标参数确定旋转机械是否存在摩擦。
(5)构建均方根值RMS和最大信息系数MIC的二维向量ο,并计算二维向量ο的χ2统计量,χ2统计量计算表达式如下:
式中οi是ο在i维上的值,Ei是所有对象在第i维上的均值,维度k取2。
由于故障振动信号的均方根值RMS和最大信息系数MIC数值分布与其它参数相比,为异常表现的离群点,所以离群点检测方法能够确定振动信号的异常状态。
(6)判断χ2统计量是否小于设定阈值C1,如果是,判断设备运行出现异常状态;如果否,判断设备运行状态正常。本次实施案例中不平衡故障、碰摩故障和不平衡-碰摩耦合故障的χ2统计量均小于无故障状态下的χ2值,所以采用二维离群点检测方法能够确定振动信号的异常状态。
(7)采用最大似然方法分别计算二维向量的ο1j和ο2j的均值μ和标准差ο两个参数,二维向量的ο1j和ο2j的最大似然估计:
(8)通过步骤(7)计算均方根值RMS的均值μ和标准差σ,并设置置信范围为μ±3σ以确定阈值C2。判断均方根植RMS是否大于设定阈值C2,本实施案例中根据最大似然估计确定C2为μ+3σ,如果是,判断转子系统的振动幅值出现异常,如存在偏心力的不平衡故障。
(9)通过步骤(7)计算最大信息系数MIC的均值μ和标准差σ,并设置一定置信范围为μ±3σ以确定阈值C3。判断最大信息系数MIC值是否小于设定阈值C3,本实施案例中根据最大似然估计确定C2为μ-σ,如果是,判断转子系统出现碰摩异常状态。
(10)均方根值RMS大于设定阈值C2,最大信息系数MIC小于C3时,判断为不平衡-碰摩耦合故障。
本实施案例中分别取无故障、不平衡故障、碰摩故障和不平衡-碰摩耦合故障的样本数m=6,四种状态共计24组样本数据,根据步骤(7)分别计算出每种运行状态下6组样本数据的平均均方根值RMS和平均最大信息系数MIC,如图 5所示,由图5可知,检测参数的特征能够准确反映出运行状态的变化,说明本发明提出的基于电涡流位移传感数据的不平衡-碰摩耦合故障检测方法的有效性。
以上仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法,其特征在于,所述检测方法包括如下步骤:
(1)通过电涡流位移传感器和数据采集系统获取转子系统正常运行过程中电涡流位移振动信号x(t);
(2)构建设备正常运行状态的振动数据集A={xj,j=1,2,…,m},m为历史正常数据采集的样本数,j为样本数;
(4)构建转子系统当前运行状态振动信号的数据集B={yj,j=1,2,…,m},计算转子系统当前运行状态振动信号B与步骤(2)的振动数据A的最大信息系数MIC值;首先计算变量A和变量B之间的互信息MI(A,B):
式中,p(A,B)是A和B的联合概率密度,p(A)、p(B)分别是A和B的边缘概率密度;
则最大互信息公式为:
MI*(x,y)=maxMI(x,y)
MIC的计算公式为:
(5)构建均方根值RMS和最大信息系数MIC的二维向量ο,并计算二维向量ο的χ2统计量,χ2统计量计算表达式如下:
式中οi是ο在i维上的值,Ei是所有对象在第i维上的均值,k为维度;
(6)判断χ2统计量是否小于设定阈值C1,如果是,判断设备运行出现异常状态;如果否,判断设备运行状态正常;
(7)采用最大似然方法分别计算二维向量的ο1j和ο2j的均值μ和标准差σ两个参数,二维向量的ο1j和ο2j的最大似然估计:
(8)计算均方根值RMS的均值μ和标准差σ,并设置一定置信范围以确定阈值C2;判断均方根植RMS是否大于设定阈值C2,如果是,判断转子系统的振动幅值出现异常;
(9)计算最大信息系数MIC的均值μ和标准差σ,并设置一定置信范围以确定阈值C3;判断最大信息系数MIC值是否小于设定阈值C3,如果是,判断转子系统出现碰摩异常状态;
(10)均方根值RMS大于设定阈值C2,最大信息系数MIC值小于C3时,判断为不平衡-碰摩耦合故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857428.8A CN113514144B (zh) | 2021-07-28 | 2021-07-28 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857428.8A CN113514144B (zh) | 2021-07-28 | 2021-07-28 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113514144A true CN113514144A (zh) | 2021-10-19 |
CN113514144B CN113514144B (zh) | 2022-07-26 |
Family
ID=78068767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857428.8A Active CN113514144B (zh) | 2021-07-28 | 2021-07-28 | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514144B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10197499A (ja) * | 1997-01-08 | 1998-07-31 | Power Reactor & Nuclear Fuel Dev Corp | 探傷センサユニット |
FR2930029A1 (fr) * | 2008-04-11 | 2009-10-16 | Anvis Sd France S A S Soc Par | Procede et dispositif pour controler le bon fonctionnement d'une cale, d'un palier ou d'une articulation hydro elastique. |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104483118A (zh) * | 2014-12-08 | 2015-04-01 | 西安交通大学 | 基于瞬时频率轴心轨迹的转子动静碰磨故障诊断方法 |
CN105675274A (zh) * | 2016-01-07 | 2016-06-15 | 西安交通大学 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
US20160178464A1 (en) * | 2014-12-19 | 2016-06-23 | Rolls-Royce Corporation | Torque sensor monitoring for gas turbine engine |
CN105910805A (zh) * | 2016-04-25 | 2016-08-31 | 电子科技大学 | 一种用于转子碰摩故障诊断的小波局部均值分解方法 |
CN108760327A (zh) * | 2018-08-02 | 2018-11-06 | 南昌航空大学 | 一种航空发动机转子故障的诊断方法 |
CN111649921A (zh) * | 2020-04-13 | 2020-09-11 | 南通大学 | 一种旋转机械故障诊断测试系统及工作方法 |
CN112197968A (zh) * | 2020-09-29 | 2021-01-08 | 上海电力大学 | 基于置信规则库的汽轮机转子动静碰摩故障智能诊断方法 |
-
2021
- 2021-07-28 CN CN202110857428.8A patent/CN113514144B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10197499A (ja) * | 1997-01-08 | 1998-07-31 | Power Reactor & Nuclear Fuel Dev Corp | 探傷センサユニット |
FR2930029A1 (fr) * | 2008-04-11 | 2009-10-16 | Anvis Sd France S A S Soc Par | Procede et dispositif pour controler le bon fonctionnement d'une cale, d'un palier ou d'une articulation hydro elastique. |
CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
CN104483118A (zh) * | 2014-12-08 | 2015-04-01 | 西安交通大学 | 基于瞬时频率轴心轨迹的转子动静碰磨故障诊断方法 |
US20160178464A1 (en) * | 2014-12-19 | 2016-06-23 | Rolls-Royce Corporation | Torque sensor monitoring for gas turbine engine |
CN105675274A (zh) * | 2016-01-07 | 2016-06-15 | 西安交通大学 | 基于时域参数与d-s证据理论的转子运行状态监测方法 |
CN105910805A (zh) * | 2016-04-25 | 2016-08-31 | 电子科技大学 | 一种用于转子碰摩故障诊断的小波局部均值分解方法 |
CN108760327A (zh) * | 2018-08-02 | 2018-11-06 | 南昌航空大学 | 一种航空发动机转子故障的诊断方法 |
CN111649921A (zh) * | 2020-04-13 | 2020-09-11 | 南通大学 | 一种旋转机械故障诊断测试系统及工作方法 |
CN112197968A (zh) * | 2020-09-29 | 2021-01-08 | 上海电力大学 | 基于置信规则库的汽轮机转子动静碰摩故障智能诊断方法 |
Non-Patent Citations (4)
Title |
---|
ABBASI, A: "Annihilation of non-stationary vibration of a gas turbine rotor system under rub-impact effect using a nonlinear absorber", 《MECHANISM AND MACHINE THEORY》 * |
巩晓赟等: "小波包能量谱在转子碰摩故障诊断中的应用", 《机械设计与制造》 * |
杨文刚: "转子碰摩故障模拟实验台及其分析系统", 《硕士电子期刊出版工程科技Ⅱ辑》 * |
王晓伟: "基于声发射技术的旋转机械碰摩故障诊断研究", 《博士电子期刊出版工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113514144B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
Pandarakone et al. | Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis | |
CN107461342B (zh) | 一种离心泵故障在线诊断方法及系统 | |
CN102288283B (zh) | 汽轮发电机组振动故障的监测方法及装置 | |
CN110954354B (zh) | 设备故障诊断方法及装置 | |
CN103926506A (zh) | 基于构建函数的汽轮发电机转子绕组短路故障诊断方法 | |
CN110714869A (zh) | 一种转子的中心偏移量检测方法、装置、存储介质和设备 | |
Rosero et al. | Fault Detection in dynamic conditions by means of Discrete Wavelet Decomposition for PMSM running under Bearing Damage | |
CN102095491B (zh) | 汽轮发电机组低频振动突变性实时分析方法 | |
Wang et al. | Lkurtogram guided adaptive empirical wavelet transform and purified instantaneous energy operation for fault diagnosis of wind turbine bearing | |
Khan et al. | System design for early fault diagnosis of machines using vibration features | |
Jiang et al. | Fault detection of rolling element bearing based on principal component analysis | |
CN115410729A (zh) | 一种核反应堆轴封泵振动在线监测方法、系统及介质 | |
Saidi et al. | Stator current bi-spectrum patterns for induction machines multiple-faults detection | |
Song et al. | A new hybrid method for bearing fault diagnosis based on CEEMDAN and ACPSO-BP neural network | |
CN113514144B (zh) | 基于电涡流位移传感器的不平衡-碰摩耦合故障检测方法 | |
Jie et al. | Research on intelligent recognition of axis orbit based on Hu moment invariants and fractal box dimension | |
Ewert et al. | Application of selected higher-order methods to detect rotor unbalance of drive system with PMSM | |
Guo et al. | Fast spectral correlation detector for periodic impulse extraction of rotating machinery | |
CN114517758B (zh) | 一种旋转机械轴心轨迹的改进hu不变矩提取方法及系统 | |
Navarro et al. | Condition monitoring system for characterization of electric motor ball bearings with distributed fault using fuzzy inference tools | |
Yuan et al. | Research on bearing fault diagnosis of submersible pump motor based on LMD and SVDD | |
CN115143193A (zh) | 基于灵敏度检测结果的磁悬浮电机失稳预诊断方法、系统 | |
Lai et al. | Fault diagnosis of motor based on low cost edge computing technology | |
Lim et al. | Motor fault detection method for vibration signal using FFT residuals |
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 |