CN113552224B - 一种用于液膜密封端面的密封状态检测方法 - Google Patents
一种用于液膜密封端面的密封状态检测方法 Download PDFInfo
- Publication number
- CN113552224B CN113552224B CN202110856456.8A CN202110856456A CN113552224B CN 113552224 B CN113552224 B CN 113552224B CN 202110856456 A CN202110856456 A CN 202110856456A CN 113552224 B CN113552224 B CN 113552224B
- Authority
- CN
- China
- Prior art keywords
- liquid film
- signal
- film sealing
- modal
- matrix
- 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
Links
- 238000007789 sealing Methods 0.000 title claims abstract description 95
- 239000007788 liquid Substances 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000009467 reduction Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 8
- 239000012530 fluid Substances 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000717 retained effect Effects 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/022—Liquids
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
一种用于液膜密封端面的密封状态检测方法，属于化工装备检测技术领域。包括如下步骤：步骤1001，采集液膜密封启动过程的声发射信号；步骤1002，基于奇异值分解的自适应变分模态分解；步骤1003，定义液膜密封状态表征模态分量；步骤1004，构造液膜密封特征信号；步骤1005，判断液膜密封摩擦状态；步骤1006，构建声发射信号时频分析样本；步骤1007，构建卷积神经网络识别模型；在本用于液膜密封端面的密封状态检测方法中，能够滤除背景噪声的同时最大程度保留有效信息并获得液膜密封特征信号，同时利用卷积神经网络为代表的深度学习技术，实现了对液膜密封端面状态的检测。
Description
技术领域
一种用于液膜密封端面的密封状态检测方法，属于化工装备检测技术领域。
背景技术
液膜密封状态检测对密封机械的稳定、健康运行以及性能的提高起着不可忽视的作用，目前在国内外科研学者的努力下在密封状态检测领域已经取得了一些研究成果并成功应用于实验环境，然而要使液膜密封状态检测能够在工业现场得到可靠广泛应用，还需要克服诸多检测技术及基础机理研究方面的问题，主要体现在以下几个方面：
在现有技术中，主要以热电偶、电涡流、超声波等嵌入式测量技术为代表，传统的检测方法在密封状态检测上的应用效果良好，但由于其嵌入式开发的特点需要对检测设备有精密的前期设计或后期破坏式加工，这使其在工程上有极大的应用局限性。
随着技术的不断发展，逐渐出现了一些通过无损的方式对液膜密封状态进行检测的方法，主要是应用声发射技术对液膜密封进行状态检测。然而应用声发射技术对液膜密封进行状态检测时，往往面临声发射信号易受噪声影响、特征信号难以提取的问题。特别是液膜密封声发射信号不同于断铅、泄漏等产生的声发射信号，不具有较好的频率单一性，液膜密封由于使用于复合旋转机械设备，采集的声发射信号除掺杂上述绝对噪声外，亦包含由于轴承摩擦、电机运转等产生的背景噪声，这必然给信号去噪带来极大的困难。而现阶段对密封声发射信号的处理往往是连同噪声做为分析对象或者仅针对绝对噪声做简单的滤波处理，因此设计一种利用声发射技术对液膜密封进行状态检测时，能够消除各种噪声的同时最大程度保留有效信息并获得液膜密封特征信号的方法成为本领域亟待解决的问题。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种用于液膜密封端面的密封状态检测方法，能够滤除背景噪声的同时最大程度保留有效信息并获得液膜密封特征信号，同时利用卷积神经网络为代表的深度学习技术，实现了对液膜密封端面状态的检测。
本发明解决其技术问题所采用的技术方案是：该用于液膜密封端面的密封状态检测方法，其特征在于：包括如下步骤：
步骤1001，通过声发射传感器采集液膜密封启动过程的声发射信号；
步骤1002，采用奇异值分解去噪的方法对液膜密封声发射信号进行去噪预处理，然后对降噪信号进行自适应变分模态分解；
步骤1003，定义液膜密封状态表征模态分量；
步骤1004，将液膜密封状态表征模态分量进行相加重构，将相加重构的结果定义为液膜密封特征信号；
步骤1005，判断液膜密封摩擦状态；
步骤1006，构建声发射信号时频分析样本；
步骤1007，构建卷积神经网络识别模型。
优选的，在步骤1002中，采用奇异值分解去噪的方法进行去噪预处理时采用Hankel矩阵法将一维离散数字序列转化为多维相空间重构矩阵，奇异值分解之后通过奇异熵增量判断重构阶数，设信号长度为N，设S原信号的最佳逼近子空间，Q为噪声信号的最佳逼近子空间，奇异值分解过程表述如下：
式中，H为m×n维Hankel矩阵，且有m+n-1＝N，m＝N/2，U∈Rm×m、V∈Rn×n分别为左、右奇异矩阵，且均为单位正交矩阵，O表示零矩阵，Λ∈Rm×n，为矩阵H的奇异值矩阵，且奇异值λ1≥λ2≥…≥λm≥0；Λs＝diag(λ1,λ2,…,λr)，为矩阵S的奇异值矩阵；Λq＝diag(λr+1,λr+2,…,λm)，为矩阵Q的奇异值矩阵。
优选的，在所述的步骤1002中，在进行自适应变分模态分解时具体包括如下步骤：
获得降噪信号后，对降噪信号进行自适应变分模态分解，具体流程包括：
步骤a，定义分解模态数为K，定义K＝1，并定义K＝K+1；
步骤b，对降噪信号进行变分模态分解，获得模态分量，分解模态数为K；
步骤c，求取并判断各模态分量与降噪信号之间的显著性水平(P)，若P≤0.05，则重复步骤c、d，若P>0.05，则判定最优模态数为K-1，返回K＝K-1时的模态分量作为最终结果。
优选的，在执行所述的步骤1003时，首先以分段求取各模态分量的均方根，然后对各模态的均方根进行拟合，若各模态分量的拟合结果中如果存在某时间段的均方根趋势与转速或者与转速的-0.5次方成正比，则此模态分量可定义为液膜密封状态表征模态分量。
优选的，在所述的步骤1005中，所述液膜密封摩擦状态的判断规则为：首先对液膜密封特征信号进行拟合，在液膜密封特征信号中，与转速的-0.5次方成正比的信号成分的原始声发射信号定义为混合摩擦信号，在整个启动过程中，混合摩擦信号之前的信号定义为边界摩擦信号，混合摩擦之后的所有信号定义为流体摩擦信号。
优选的，在步骤1006中，构建声发射信号时频分析样本包括构建的声发射信号时频分析样本的源数据为混合摩擦信号、边界摩擦信号、流体摩擦信号、液膜密封故障声发射信号，对各状态信号的源数据和加入白噪声的源数据进行时频分析得到时频谱并对所得时频谱进行剪裁得到训练集及测试集。
优选的，所述的液膜密封故障声发射信号包括端面干摩擦、端面相变、密封环偏心、端面空化、端面裂纹、端面磨损现象产生的声发射信号。
与现有技术相比，本发明所具有的有益效果是：
在本用于液膜密封端面的密封状态检测方法中，首先以奇异值分解消除信号中的突发性噪声影响，获取降噪信号，然后在不同模态数下对降噪信号作变分模态分解，并计算各模态分量之间的显著性水平，以显著性水平小于阈值作为分解的停止准则，最终达到获取最优模态分量的目的，能够滤除背景噪声的同时最大程度保留有效信息并获得液膜密封特征信号，最后基于深度学习的方法，引入卷积神经网络，建立具有较高泛化能力的训练集与测试集，可实现对液膜密封端面状态的机器决策。
在本用于液膜密封端面的密封状态检测方法中，在信号处理时首先进行奇异值分解，然后进行变分模态分解，一方面奇异值分解降低了噪声污染，使变分模态分解结果在时域方面更加真实；另一方面，单纯的变分模态分解受噪声污染时，极有可能造成模态频率的捕捉错误，但通过奇异值分解之后，原本频率捕捉错误的模态，频率又可以被正确的捕捉到，两者的联合应用能弥补变分模态分解受噪声影响易出现时域及频域方面易失真的缺陷。提出应用显著性水平(K值)实现的“自适应”的模态分解数的判别准则，可以解决变分模态分解因模态数选择不恰当而造成的过分解以及欠分解问题。
在本用于液膜密封端面的密封状态检测方法中，通过奇异值分解减小噪声对模态分解结果的影响，通过P值对比主动选取最优模态数，可较好地抑制伪模态问题，且测试表明，尤其是在强噪声等级的情况下，奇异值分解降噪后的测试信号的模态分量恢复效果在时域及频域上显著提升，且基于声发射信号时频特征与卷积神经网络结合可以满足液膜密封端面状态识别的需求。
附图说明
图1为用于液膜密封端面状态检测的方法流程图。
具体实施方式
图1是本发明的最佳实施例，下面结合附图1对本发明做进一步说明。
如图1所示，一种用于液膜密封端面的密封状态检测方法(以下简称密封状态检测方法)，包括如下步骤：
步骤1001，采集液膜密封启动过程的声发射信号；
在本密封状态检测方法中，针对的液膜密封装置为基于声发射采集系统的螺旋槽液膜密封装置，其中密封环槽深22μm、槽数36、端面内半径46mm、端面外半径52mm、人字槽内槽根半径47.25mm、人字槽参考半径49.7mm、人字槽外槽根半径50.75mm、螺旋角15°，其中声发射传感器为压电型，谐振频率140±20％kHz，灵敏度112±3dB。
以声发射传感器采集液膜密封启动过程中所产生的声发射信号，所采用的声发射传感器应对50～800kHz在内的声信号具有较高的灵敏度。
步骤1002，基于奇异值分解的自适应变分模态分解；
具体包括如下步骤：
步骤1002-1，对启动过程声发射信号进行奇异值分解降噪，获得降噪信号；
由于采集声发射信号过程中不可避免的会采集到若干突发性噪声，采用奇异值分解去噪的方法对液膜密封声发射信号进行去噪预处理，提高信噪比。
此过程可采用Hankel矩阵法将一维离散数字序列转化为多维相空间重构矩阵，奇异值分解之后通过奇异熵增量判断重构阶数，若信号长度为N，设S原信号的最佳逼近子空间，Q为噪声信号的最佳逼近子空间，奇异值分解过程表述如下：
式中，H为m×n维Hankel矩阵，且有m+n-1＝N，m＝N/2。U∈Rm×m、V∈Rn×n分别为左、右奇异矩阵，且均为单位正交矩阵，O表示零矩阵，Λ∈Rm×n，为矩阵H的奇异值矩阵，且奇异值λ1≥λ2≥…≥λm≥0；Λs＝diag(λ1,λ2,…,λr)，为矩阵S的奇异值矩阵；Λq＝diag(λr+1,λr+2,…,λm)，为矩阵Q的奇异值矩阵。
步骤1002-2，获得降噪信号后，对降噪信号进行自适应变分模态分解，具体流程包括：
步骤1002-2-1，定义分解模态数为K，定义K＝1；
步骤1002-2-2，定义K＝K+1；
步骤1002-2-3，对降噪信号进行变分模态分解，获得模态分量，分解模态数为K；
步骤1002-2-4，求取并判断各模态分量与降噪信号之间的显著性水平(P)，若P≤0.05，则重复步骤c、d，若P>0.05，则判定最优模态数为K-1，返回K＝K-1时的模态分量作为最终结果。
在本密封状态检测方法中，在信号处理时首先进行奇异值分解，然后进行变分模态分解，一方面奇异值分解降低了噪声污染，使变分模态分解结果在时域方面更加真实；另一方面，单纯的变分模态分解受噪声污染时，极有可能造成模态频率的捕捉错误，但通过奇异值分解之后，原本频率捕捉错误的模态，频率又可以被正确的捕捉到，两者的联合应用能弥补变分模态分解受噪声影响易出现时域及频域方面易失真的缺陷。提出应用显著性水平(K值)实现的“自适应”的模态分解数的判别准则，可以解决变分模态分解因模态数选择不恰当而造成的过分解以及欠分解问题。
步骤1003，定义液膜密封状态表征模态分量；
进一步地，所述定义液膜密封状态表征模态分量具体流程包括首先以一定的时间步长分段求取各模态分量的均方根，然后对各模态的均方根进行拟合，之后对拟合结果进行分析，其中，各模态分量的拟合结果中如果存在某时间段的均方根趋势与转速或者与转速的-0.5次方成正比，则此模态分量可定义为液膜密封状态表征模态分量。
步骤1004，构造液膜密封特征信号；
将液膜密封状态表征模态分量进行相加重构，将相加重构的结果定义为液膜密封特征信号。
步骤1005，判断液膜密封摩擦状态；
具体判断规则为：首先对液膜密封特征信号进行拟合，在液膜密封特征信号中，与转速的-0.5次方成正比的信号成分的原始声发射信号定义为混合摩擦信号，在整个启动过程中，混合摩擦信号之前的信号定义为边界摩擦信号，混合摩擦之后的所有信号定义为流体摩擦信号。
步骤1006，构建声发射信号时频分析样本；
构建声发射信号时频分析样本包括构建的声发射信号时频分析样本的源数据为混合摩擦信号、边界摩擦信号、流体摩擦信号、液膜密封故障声发射信号。对各状态信号的源数据和加入白噪声的源数据进行时频分析得到时频谱并对所得时频谱进行剪裁得到训练集及测试集，其中时频分析方法优选顺序为：短时傅里叶变换、S变换、小波变换。
步骤1007，构建卷积神经网络识别模型；
在执行步骤1001时，同时通过声发射传感器采集液膜密封故障或者其它任意状态过程中产生的声发射信号，用于卷积神经网络训练集与测试集的构建。液膜密封故障声发射信号包括端面干摩擦、端面相变、密封环偏心、端面空化、端面裂纹、端面磨损现象产生的声发射信号。
根据步骤1006中得到的训练集以及测试集构建卷积神经网络识别模型，并对卷积神经网络的结构超参数寻优，选择较为合适的卷积核大小和卷积层数，以便达到良好的识别性能。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (3)
1.一种用于液膜密封端面的密封状态检测方法，其特征在于：包括如下步骤：
步骤1001，通过声发射传感器采集液膜密封启动过程的声发射信号；
步骤1002，采用奇异值分解去噪的方法对液膜密封声发射信号进行去噪预处理，然后对降噪信号进行自适应变分模态分解；
步骤1003，定义液膜密封状态表征模态分量；
步骤1004，将液膜密封状态表征模态分量进行相加重构，将相加重构的结果定义为液膜密封特征信号；
步骤1005，判断液膜密封摩擦状态；
步骤1006，构建声发射信号时频分析样本；
步骤1007，构建卷积神经网络识别模型；
在步骤1002中，采用奇异值分解去噪的方法进行去噪预处理时采用Hankel矩阵法将一维离散数字序列转化为多维相空间重构矩阵，奇异值分解之后通过奇异熵增量判断重构阶数，设信号长度为N，设S原信号的最佳逼近子空间，Q为噪声信号的最佳逼近子空间，奇异值分解过程表述如下：
式中，H为m×n维Hankel矩阵，且有m+n-1＝N，m＝N/2，U∈Rm×m、V∈Rn×n分别为左、右奇异矩阵，且均为单位正交矩阵，O表示零矩阵，Λ∈Rm×n，为矩阵H的奇异值矩阵，且奇异值λ1≥λ2≥…≥λm≥0；Λs＝diag(λ1,λ2,…,λr)，为矩阵S的奇异值矩阵；Λq＝diag(λr+1,λr+2,…,λm)，为矩阵Q的奇异值矩阵；
在所述的步骤1002中，在进行自适应变分模态分解时具体包括如下步骤：
获得降噪信号后，对降噪信号进行自适应变分模态分解，具体流程包括：
步骤a，定义分解模态数为K，定义K＝1，并定义K＝K+1；
步骤b，对降噪信号进行变分模态分解，获得模态分量，分解模态数为K；
步骤c，求取并判断各模态分量与降噪信号之间的显著性水平(P)，若P≤0.05，则重复步骤c、d，若P>0.05，则判定最优模态数为K-1，返回K＝K-1时的模态分量作为最终结果；
在执行所述的步骤1003时，首先以分段求取各模态分量的均方根，然后对各模态的均方根进行拟合，若各模态分量的拟合结果中如果存在某时间段的均方根趋势与转速或者与转速的-0.5次方成正比，则此模态分量可定义为液膜密封状态表征模态分量；
在所述的步骤1005中，所述液膜密封摩擦状态的判断规则为：首先对液膜密封特征信号进行拟合，在液膜密封特征信号中，与转速的-0.5次方成正比的信号成分的原始声发射信号定义为混合摩擦信号，在整个启动过程中，混合摩擦信号之前的信号定义为边界摩擦信号，混合摩擦之后的所有信号定义为流体摩擦信号。
2.根据权利要求1所述的用于液膜密封端面的密封状态检测方法，其特征在于：在步骤1006中，构建声发射信号时频分析样本包括构建的声发射信号时频分析样本的源数据为混合摩擦信号、边界摩擦信号、流体摩擦信号和液膜密封故障声发射信号，对各状态信号的源数据和加入白噪声的源数据进行时频分析得到时频谱并对所得时频谱进行剪裁得到训练集及测试集。
3.根据权利要求2所述的用于液膜密封端面的密封状态检测方法，其特征在于：所述的液膜密封故障声发射信号包括端面干摩擦、端面相变、密封环偏心、端面空化、端面裂纹和端面磨损现象产生的声发射信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856456.8A CN113552224B (zh) | 2021-07-28 | 2021-07-28 | 一种用于液膜密封端面的密封状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856456.8A CN113552224B (zh) | 2021-07-28 | 2021-07-28 | 一种用于液膜密封端面的密封状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113552224A CN113552224A (zh) | 2021-10-26 |
| CN113552224B true CN113552224B (zh) | 2024-02-13 |
Family
ID=78104757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110856456.8A Active CN113552224B (zh) | 2021-07-28 | 2021-07-28 | 一种用于液膜密封端面的密封状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113552224B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
| CN107727228A (zh) * | 2017-07-11 | 2018-02-23 | 中国人民解放军空军工程大学 | 基于共振加强奇异值分解的声场模态分析方法 |
| CN108983058A (zh) * | 2018-08-29 | 2018-12-11 | 三峡大学 | 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法 |
| CN110161370A (zh) * | 2019-04-25 | 2019-08-23 | 国网辽宁省电力有限公司 | 一种基于深度学习的电网故障检测方法 |
| CN110687393A (zh) * | 2019-09-03 | 2020-01-14 | 南京理工大学 | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 |
| CN110726875A (zh) * | 2019-12-02 | 2020-01-24 | 山东大学 | 一种新能源柔性直流并网暂态谐波检测方法及系统 |
| CN111582205A (zh) * | 2020-05-13 | 2020-08-25 | 陕西燃气集团新能源发展股份有限公司 | 一种基于多分辨率奇异值分解模型的降噪方法 |
| CN111723701A (zh) * | 2020-06-08 | 2020-09-29 | 西安交通大学 | 一种水中目标识别方法 |
| CN112800976A (zh) * | 2021-01-29 | 2021-05-14 | 南京理工大学 | 基于高压断路器振动信号的故障诊断方法 |
| CN112904197A (zh) * | 2021-01-25 | 2021-06-04 | 国网安徽省电力有限公司电力科学研究院 | 基于参数识别的高压断路器机械振动信号特征提取方法 |
| CN112903091A (zh) * | 2021-01-19 | 2021-06-04 | 昆明理工大学 | 基于vmd-svd与ssa-svm的电梯导靴故障诊断方法 |
-
2021
- 2021-07-28 CN CN202110856456.8A patent/CN113552224B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
| CN107727228A (zh) * | 2017-07-11 | 2018-02-23 | 中国人民解放军空军工程大学 | 基于共振加强奇异值分解的声场模态分析方法 |
| CN108983058A (zh) * | 2018-08-29 | 2018-12-11 | 三峡大学 | 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法 |
| CN110161370A (zh) * | 2019-04-25 | 2019-08-23 | 国网辽宁省电力有限公司 | 一种基于深度学习的电网故障检测方法 |
| CN110687393A (zh) * | 2019-09-03 | 2020-01-14 | 南京理工大学 | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 |
| CN110726875A (zh) * | 2019-12-02 | 2020-01-24 | 山东大学 | 一种新能源柔性直流并网暂态谐波检测方法及系统 |
| CN111582205A (zh) * | 2020-05-13 | 2020-08-25 | 陕西燃气集团新能源发展股份有限公司 | 一种基于多分辨率奇异值分解模型的降噪方法 |
| CN111723701A (zh) * | 2020-06-08 | 2020-09-29 | 西安交通大学 | 一种水中目标识别方法 |
| CN112903091A (zh) * | 2021-01-19 | 2021-06-04 | 昆明理工大学 | 基于vmd-svd与ssa-svm的电梯导靴故障诊断方法 |
| CN112904197A (zh) * | 2021-01-25 | 2021-06-04 | 国网安徽省电力有限公司电力科学研究院 | 基于参数识别的高压断路器机械振动信号特征提取方法 |
| CN112800976A (zh) * | 2021-01-29 | 2021-05-14 | 南京理工大学 | 基于高压断路器振动信号的故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于奇异值分解和FSVM的声发射信号识别;唐航等;自动化与仪器仪表(第05期);全文 * |
| 机械密封端面液膜厚度状态检测技术研究;肖丁等;润滑与密封(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113552224A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ocak et al. | HMM-based fault detection and diagnosis scheme for rolling element bearings | |
| Yan et al. | Energy-based feature extraction for defect diagnosis in rotary machines | |
| CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
| CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
| Sahu et al. | Fault diagnosis of rolling bearing based on an improved denoising technique using complete ensemble empirical mode decomposition and adaptive thresholding method | |
| Hou et al. | A resonance demodulation method based on harmonic wavelet transform for rolling bearing fault diagnosis | |
| Tabatabaei et al. | Experimental investigation of the diagnosis of angular contact ball bearings using acoustic emission method and empirical mode decomposition | |
| 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 | |
| Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
| Jie et al. | Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis | |
| CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| CN113552224B (zh) | 一种用于液膜密封端面的密封状态检测方法 | |
| CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
| Giurgiutiu et al. | Comparison of short-time fourier transform and wavelet transform of transient and tone burst wave propagation signals for structural health monitoring | |
| Chegini et al. | New bearing slight degradation detection approach based on the periodicity intensity factor and signal processing methods | |
| CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
| Hua et al. | Matching linear Chirplet strategy-based synchroextracting transform and its application to rotating machinery fault diagnosis | |
| Zhang et al. | A joint kurtosis-based adaptive bandstop filtering and iterative autocorrelation approach to bearing fault detection | |
| Kumar et al. | Signal processing for enhancing impulsiveness toward estimating location of multiple roller defects in a taper roller bearing | |
| CN114923689A (zh) | 一种基于局部特征尺度分解的滚动轴承故障诊断方法 | |
| Rostaghi et al. | Comparison of feature extraction from wavelet packet based on reconstructed signals versus wavelet packet coefficients for fault diagnosis of rotating machinery | |
| Abdusslam et al. | Time encoded signal processing and recognition of incipient bearing faults | |
| Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
| Sui et al. | Research on envelope analysis for bearings fault detection | |
| Tavakkoli et al. | A ball bearing fault diagnosis method based on wavelet and EMD energy entropy mean |
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 |