CN113565666A - 基于水轮发电机组振动数据特征判断机组运行状态的方法 - Google Patents

基于水轮发电机组振动数据特征判断机组运行状态的方法 Download PDF

Info

Publication number
CN113565666A
CN113565666A CN202110755881.8A CN202110755881A CN113565666A CN 113565666 A CN113565666 A CN 113565666A CN 202110755881 A CN202110755881 A CN 202110755881A CN 113565666 A CN113565666 A CN 113565666A
Authority
CN
China
Prior art keywords
unit
vibration data
singular value
matrix
vibration
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
CN202110755881.8A
Other languages
English (en)
Other versions
CN113565666B (zh
Inventor
胡雷鸣
王书华
洪云来
刘轲
丁岳平
洪福文
袁长征
王志清
吴肇来
罗望
朱能飞
黄小军
何茂鑫
陈灶
刘泽
周志文
胥千鑫
章志平
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.)
JIANGXI HONGPING PUMPED STORAGE CO LTD
State Grid Xinyuan Co Ltd
Original Assignee
JIANGXI HONGPING PUMPED STORAGE CO LTD
State Grid Xinyuan Co Ltd
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 JIANGXI HONGPING PUMPED STORAGE CO LTD, State Grid Xinyuan Co Ltd filed Critical JIANGXI HONGPING PUMPED STORAGE CO LTD
Priority to CN202110755881.8A priority Critical patent/CN113565666B/zh
Publication of CN113565666A publication Critical patent/CN113565666A/zh
Application granted granted Critical
Publication of CN113565666B publication Critical patent/CN113565666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008—Measuring or testing arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Control Of Water Turbines (AREA)

Abstract

本发明公开了一种基于水轮发电机组振动数据特征判断机组运行状态的方法，通过将采集到的原始含噪机组振动数据进行奇异值分解，根据奇异值分解得到奇异值差分谱来确定重构的阶次，从而达到去噪的效果，还原机组实际的振动数据；再通过绘制去噪后实际的机组振动数据的波形图、频率和轴心轨迹图，便于运维人员根据上述图中的特征来判断机组的运行状况。本发明具有准确及时的判断机组运行状态的特点。

Description

基于水轮发电机组振动数据特征判断机组运行状态的方法
技术领域
本发明涉及一种水轮发电机组运行状态判断方法，特别是一种基于水轮发电机组振动数据特征判断机组运行状态的方法。
背景技术
随着我国科学技术的发展，现在水电站的发展都是向着自动化方面进行，现在几乎每个电站都安装有机组振动状态监测系统，但是电站装的这个系统一般只用来监测机组在运行的过程中机组各部分的振动大小有没有超过所规定的幅值大小，当机组幅值没有超过设定振动值时，电厂人员一般都不会关注，特别是当采集的振动信号中含有噪声导致机组的振动特征和轴心轨迹不明显时，运维人员对机组的运行状态更加不清楚。而据相关研究表明机组的振动状态有80％能够从振动数据中显示出来。
例如转子质量不平衡引起的振动故障特征为:振幅同水轮发电机组转频平方成正比，振动和摆度信号的主振频率为机组转频(一倍频)，轴心轨迹的特征为偏心率较小的椭圆形。当转子出现不对中故障时，振动特征主要表现在以下几个方面：(1)振动信号的原始时间波形是畸形的正弦波。(2)在转子径向振动信号的频谱图中，一倍频和二倍频分量所占比重较大。轴系不对中的情况越严重，二倍频分量所占的比重就越大。(3)当出现轴系不对中故障时，轴心轨迹的形状为香蕉形，其进动方向为正进动(4)在轴向振动的频谱成分中，一倍频幅值较大。(5)在联轴器的两侧，轴向振动的方向基本上是反相的。
当转子发生油膜振荡故障时，通常具有的特征主要有：(1)时间波形发生畸变，表现为不规则的周期信号，通常是在工频的波形上面叠加了比例较大的低频信号。(2)在频谱图中，转子的固有频率的频率分量的幅值最明显。(3)当出现油膜涡动故障时，轴心轨迹的形状为内“8”字形，当出现油膜振荡故障时，转子的涡动方向与转动的方向相同，其进动方向为为正进动，轴心轨迹的形状为花瓣形。
当转子出现碰摩故障时，通常具有的特征有：(1)当转子未出现碰摩故障时，振动的时域波形为正弦波。(2)当转子出现碰摩故障时，振动的时域波形发生严重的畸变，出现削波现象。在振动信号中存在奇异信号。(3)如果转子出现全周碰摩故障，则轴心轨迹的形状为圆形或椭圆形，并且轴心轨迹比较杂乱；如果转子出现局部碰摩故障，则轴心轨迹的形状为内“8”字形或花瓣形。
通过以上可以发现机组振动数据波性特征、频率特征和轴心轨迹特征都能够反映出机组的故障及机组的运行状态。
但是，现在电站的机组振动状态监测系统，只用来判断机组的振动有没有超标，其虽然也能够提取机组的振动频率和轴心轨迹。但是当机组的振动数据中存在噪声影响机组的的振动特征及轴心轨迹提取时，其没有消噪功能，导致运行人员不能够准确观察出其振动频率和轴心轨迹形状来判断机组的运行状态。
因此，现有的技术存在着无法准确判断机组运行状态的问题。
发明内容
本发明的目的在于，提供一种基于水轮发电机组振动数据特征判断机组运行状态的方法。本发明具有准确及时的判断机组运行状态的特点。
本发明的技术方案：基于水轮发电机组振动数据特征判断机组运行状态的方法，通过将采集到的原始含噪机组振动数据进行奇异值分解，根据奇异值分解得到奇异值差分谱来确定重构的阶次，从而达到去噪的效果，还原机组实际的振动数据；再通过绘制去噪后实际的机组振动数据的波形图、频率和轴心轨迹图，便于运维人员根据上述图中的特征来判断机组的运行状况。
前述的基于水轮发电机组振动数据特征判断机组运行状态的方法中，包括以下具体步骤：
A、获取水轮发电机组的原始含噪机组振动信号；
B、根据水轮发电机组的原始含噪机组振动信号，构造一个m×n阶Hankel矩阵；
C、对所得的Hankel矩阵进行奇异值分解；
D、根据奇异值分解得到的数据构造奇异值差分谱；
E、根据奇异值差分谱中的突变点及其能量变化的大小选择重构阶次，对信号进行重构，还原机组实际的振动数据，得到降噪后的振动数据；
F、根据降噪后的振动数据绘制出机组波形图、频率图和轴心轨迹图，运维人员通过观察上述图形来判断机组的运行状况。
前述的基于水轮发电机组振动数据特征判断机组运行状态的方法中，步骤B中，根据水轮发电机组原始含噪机组振动信号Y＝(y(1),y(2),…,y(n))，构造m×n阶Hankel矩阵：
Figure BDA0003147407180000041
其中N为待分解信号的长度，m＝N-n+1，n为矩阵的列数。
前述的基于水轮发电机组振动数据特征判断机组运行状态的方法中，步骤C中，利用公式H＝USVT进行奇异值分解，其中H矩阵为真实信号与噪声信号的和,U为m×m维的酉矩阵；VT为V的转置矩阵,也是一个m×m维的酉矩阵，V为一个n×n的矩阵；
式中：
Figure BDA0003147407180000042
其中，S为一个m×n矩阵，0表示零矩阵，q＝min(m,n)；并且在上式中σ1≥σ2≥…≥σq≥0；σi＝(i＝1,2,…,q)，为Hankel矩阵的奇异值。
前述的基于水轮发电机组振动数据特征判断机组运行状态的方法中，步骤D中，奇异值差分谱为：B＝[b1,b2,…bn]；其中bi＝σi-σi+1，i的取值范围为i＝1,2,…,q-1；σi为Hankel矩阵中的奇异值。
与现有技术相比，本发明通过将机组的含噪振动数据进行奇异值分解，根据奇异值分解得到奇异值差分谱来确定重构的阶次从而达到去噪的效果，还原机组实际的振动数据；再通过绘制去噪后机组振动数据的波形图、频率和轴心轨迹图，根据这些图的特征来判断机组的运行状况；本发明能够有效的去除振动信号的噪声，还原机组原本的机组振动数据，便于提取机组的振动频率、波形特征及轴心轨迹特征，方便运维人员观察这些特征来判断机组的运行状态，更早的发现机组的缺陷，及时进行处理，保证机组安全稳定的运行。综上所述，本发明具有准确及时的判断机组运行状态的特点。
附图说明
图1是机组振动数据原始含噪数据波形图；
图2是机组振动数据原始含噪数据频率图；
图3是机组振动数据原始不加噪数据波形图；
图4是机组振动数据原始不加噪数据频率图；
图5是机组振动数据的加噪轴心轨迹图；
图6是机组振动的原始不加噪轴心轨迹图；
图7是机组振动数据X向奇异值差分谱；
图8是机组振动数据Y向奇异值差分谱；
图9是奇异值去噪后振动数据波形图；
图10是奇异值去噪后振动数据频率图；
图11是奇异值去噪后机组的轴心轨迹图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1。基于水轮发电机组振动数据特征判断机组运行状态的方法，通过将采集到的原始含噪机组振动数据进行奇异值分解，根据奇异值分解得到奇异值差分谱来确定重构的阶次，从而达到去噪的效果，还原机组实际的振动数据；再通过绘制去噪后实际的机组振动数据的波形图、频率和轴心轨迹图，便于运维人员根据上述图中的特征来判断机组的运行状况。
包括以下具体步骤：
A、获取水轮发电机组的原始含噪机组振动信号；
B、根据水轮发电机组的原始含噪机组振动信号，构造一个m×n阶Hankel矩阵；
C、对所得的Hankel矩阵进行奇异值分解；
D、根据奇异值分解得到的数据构造奇异值差分谱；
E、根据奇异值差分谱中的突变点及其能量变化的大小选择重构阶次，对信号进行重构，还原机组实际的振动数据，得到降噪后的振动数据；
F、根据降噪后的振动数据绘制出机组波形图、频率图和轴心轨迹图，运维人员通过观察上述图形来判断机组的运行状况。
步骤B中，根据水轮发电机组原始含噪机组振动信号Y＝(y(1),y(2),…,y(n))，构造m×n阶Hankel矩阵：
Figure BDA0003147407180000061
其中N为待分解信号的长度，m＝N-n+1，n为矩阵的列数。
步骤C中，利用公式H＝USVT进行奇异值分解，其中H矩阵为真实信号与噪声信号的和,U为m×m维的酉矩阵；VT为V的转置矩阵,也是一个m×m维的酉矩阵，V为一个n×n的矩阵；
式中：
Figure BDA0003147407180000071
其中，S为一个m×n矩阵，0表示零矩阵，q＝min(m,n)；并且在上式中σ1≥σ2≥…≥σq≥0；σi＝(i＝1,2,…,q)，为Hankel矩阵的奇异值。
步骤D中，奇异值差分谱为：B＝[b1,b2,…bn]；其中bi＝σi-σi+1，i的取值范围为i＝1,2,…,q-1；σi为Hankel矩阵中的奇异值。
实施例2。基于水轮发电机组振动数据特征判断机组运行状态的方法，包括以下具体步骤：
提取机组的振动数据如图1和图2所示，这里在xy方向各仿真了一个幅值为8微米的2HZ波形和一个幅值为5微米的1HZ波形公式如下，
x1＝5sin(2πt)+8sin(4πt)
x2＝4randn(1,5000)
x＝x1+x2
y1＝5sin(2πt+90)+8sin(4πt+90)
y2＝4randn(1,5000)
y＝y1+y2
其轴心轨迹图为内8字形，如图5和图6。
将xy方向的振动数据分别建造Hankel矩阵，这里选取的是5000个数据，所以这里建造的矩阵都为2500×2500大小的矩阵。其中x(n),y(n)为矩阵中的某一个数值；
Figure BDA0003147407180000081
Figure BDA0003147407180000082
将xy向的振动数据所构造的Hankel矩阵进行奇异值分解，得到图7和8两个奇异值差分谱图，根据奇异值差分谱图中奇异值峰值变化突出的最后一个点，也就是奇异值能量变化较大的点，这里是4，选择奇异值重构的阶次为4。
将奇异值重构后的振动信号进行傅里叶变换，绘制出波形图、频率图和轴心轨迹图，如图9、图10、图11所示。
可以发现经过奇异值差分谱对振动数据去噪后，所得到数据波形图9和原始不加噪数据波形图3一模一样。并且两个频率也能够准确的提取出来，幅值偏差也在10％的范围内。轴心轨迹相对于加噪时看不出轴心轨迹形状来说显得非常的清晰，跟原始不加噪数据轴心轨迹形状看起来没什么却别，能够很快的方便运维人员观察出轴心轨迹的形状特征为内8字形，机组存在油膜涡动或动静碰磨，运维人员就能根据这两个方面来对机组进行寻找机组的故障，及时对隐患进行治理，保证机组的安全稳定运行。

Claims (5)

1.基于水轮发电机组振动数据特征判断机组运行状态的方法，其特征在于：通过将采集到的原始含噪机组振动数据进行奇异值分解，根据奇异值分解得到奇异值差分谱来确定重构的阶次，从而达到去噪的效果，还原机组实际的振动数据；再通过绘制去噪后实际的机组振动数据的波形图、频率和轴心轨迹图，便于运维人员根据上述图中的特征来判断机组的运行状况。
2.根据权利要求1所述的基于水轮发电机组振动数据特征判断机组运行状态的方法，其特征在于，包括以下具体步骤：
A、获取水轮发电机组的原始含噪机组振动信号；
B、根据水轮发电机组的原始含噪机组振动信号，构造一个m×n阶Hankel矩阵；
C、对所得的Hankel矩阵进行奇异值分解；
D、根据奇异值分解得到的数据构造奇异值差分谱；
E、根据奇异值差分谱中的突变点及其能量变化的大小选择重构阶次，对信号进行重构，还原机组实际的振动数据，得到降噪后的振动数据；
F、根据降噪后的振动数据绘制出机组波形图、频率图和轴心轨迹图，运维人员通过观察上述图形来判断机组的运行状况。
3.根据权利要求1所述的基于水轮发电机组振动数据特征判断机组运行状态的方法，其特征在于，步骤B中，根据水轮发电机组原始含噪机组振动信号Y＝(y(1),y(2),…,y(n))，构造m×n阶Hankel矩阵：
Figure FDA0003147407170000021
其中N为待分解信号的长度，m＝N-n+1，n为矩阵的列数。
4.根据权利要求1所述的基于水轮发电机组振动数据特征判断机组运行状态的方法，其特征在于，步骤C中，利用公式H＝USVT进行奇异值分解，其中H矩阵为真实信号与噪声信号的和,U为m×m维的酉矩阵；VT为V的转置矩阵,也是一个m×m维的酉矩阵，V为一个n×n的矩阵；
式中：
Figure FDA0003147407170000022
其中，S为一个m×n矩阵，0表示零矩阵，q＝min(m,n)；并且在上式中σ1≥σ2≥…≥σq≥0；
σi＝(i＝1,2,…,q)，为Hankel矩阵的奇异值。
5.根据权利要求1所述的基于水轮发电机组振动数据特征判断机组运行状态的方法，其特征在于，步骤D中，奇异值差分谱为：B＝[b1,b2,…bn]；其中bi＝σi-σi+1，i的取值范围为i＝1,2,…,q-1；σi为Hankel矩阵中的奇异值。
CN202110755881.8A 2021-07-05 2021-07-05 基于水轮发电机组振动数据特征判断机组运行状态的方法 Active CN113565666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755881.8A CN113565666B (zh) 2021-07-05 2021-07-05 基于水轮发电机组振动数据特征判断机组运行状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755881.8A CN113565666B (zh) 2021-07-05 2021-07-05 基于水轮发电机组振动数据特征判断机组运行状态的方法

Publications (2)

Publication Number Publication Date
CN113565666A true CN113565666A (zh) 2021-10-29
CN113565666B CN113565666B (zh) 2024-05-14

Family

ID=78163604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755881.8A Active CN113565666B (zh) 2021-07-05 2021-07-05 基于水轮发电机组振动数据特征判断机组运行状态的方法

Country Status (1)

Country Link
CN (1) CN113565666B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114517758A (zh) * 2022-01-26 2022-05-20 南瑞集团有限公司 一种旋转机械轴心轨迹的改进hu不变矩提取方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2950843A1 (en) * 2014-06-03 2015-12-10 Schlumberger Canada Limited Monitoring an electric submersible pump for failures
CN105890855A (zh) * 2015-01-25 2016-08-24 李强 一种新型水轮发电机内部故障诊断定位的方法
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
CN106895985A (zh) * 2017-03-10 2017-06-27 汉威广园(广州)机械设备有限公司 高速线材轧机的故障信号降噪重构特征识别方法
CN108412660A (zh) * 2018-02-24 2018-08-17 南方电网调峰调频发电有限公司 一种通过轴心轨迹分析水轮发电机组轴瓦状态的方法
CN109460572A (zh) * 2018-09-27 2019-03-12 国网湖南省电力有限公司 稳态工况任意轴心轨迹下水电机组运行摆度计算方法
CN110107440A (zh) * 2019-05-17 2019-08-09 天津天发总厂机电设备有限公司 一种水轮发电机组远程监控系统
CN110119764A (zh) * 2019-04-16 2019-08-13 北京天泽智云科技有限公司 一种变转速工况下轴心轨迹的提纯方法
CN110297479A (zh) * 2019-05-13 2019-10-01 国网浙江省电力有限公司紧水滩水力发电厂 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN112686181A (zh) * 2021-01-04 2021-04-20 西安理工大学 一种基于插值轴心轨迹的水轮机故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2950843A1 (en) * 2014-06-03 2015-12-10 Schlumberger Canada Limited Monitoring an electric submersible pump for failures
CN105890855A (zh) * 2015-01-25 2016-08-24 李强 一种新型水轮发电机内部故障诊断定位的方法
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
CN106895985A (zh) * 2017-03-10 2017-06-27 汉威广园(广州)机械设备有限公司 高速线材轧机的故障信号降噪重构特征识别方法
CN108412660A (zh) * 2018-02-24 2018-08-17 南方电网调峰调频发电有限公司 一种通过轴心轨迹分析水轮发电机组轴瓦状态的方法
CN109460572A (zh) * 2018-09-27 2019-03-12 国网湖南省电力有限公司 稳态工况任意轴心轨迹下水电机组运行摆度计算方法
CN110119764A (zh) * 2019-04-16 2019-08-13 北京天泽智云科技有限公司 一种变转速工况下轴心轨迹的提纯方法
CN110297479A (zh) * 2019-05-13 2019-10-01 国网浙江省电力有限公司紧水滩水力发电厂 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN110107440A (zh) * 2019-05-17 2019-08-09 天津天发总厂机电设备有限公司 一种水轮发电机组远程监控系统
CN112686181A (zh) * 2021-01-04 2021-04-20 西安理工大学 一种基于插值轴心轨迹的水轮机故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114517758A (zh) * 2022-01-26 2022-05-20 南瑞集团有限公司 一种旋转机械轴心轨迹的改进hu不变矩提取方法及系统
CN114517758B (zh) * 2022-01-26 2024-04-26 南瑞集团有限公司 一种旋转机械轴心轨迹的改进hu不变矩提取方法及系统

Also Published As

Publication number Publication date
CN113565666B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Yang et al. Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion
Yang et al. Fault diagnosis for a wind turbine generator bearing via sparse representation and shift-invariant K-SVD
Antoniadou et al. A time–frequency analysis approach for condition monitoring of a wind turbine gearbox under varying load conditions
Bin et al. Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network
Yu et al. Weak fault feature extraction of rolling bearings using local mean decomposition-based multilayer hybrid denoising
Cui et al. Matching pursuit of an adaptive impulse dictionary for bearing fault diagnosis
Guo et al. Envelope order tracking for fault detection in rolling element bearings
He et al. Tunable Q-factor wavelet transform denoising with neighboring coefficients and its application to rotating machinery fault diagnosis
Zhou et al. Application of the horizontal slice of cyclic bispectrum in rolling element bearings diagnosis
Yu et al. Sparse coding shrinkage in intrinsic time-scale decomposition for weak fault feature extraction of bearings
CN108731945A (zh) 一种航空发动机转子系统故障信号特征信息的提取方法
Guo et al. Data‐driven multiscale sparse representation for bearing fault diagnosis in wind turbine
CN103900815A (zh) 一种基于eemd和分布拟合检验的滚动轴承故障诊断方法
CN113565666B (zh) 基于水轮发电机组振动数据特征判断机组运行状态的方法
CN107782443A (zh) 一种风力发电机叶片固有频率自动提取方法
Teng et al. Detection and quantization of bearing fault in direct drive wind turbine via comparative analysis
Luo et al. Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter
Zhao et al. Peak envelope spectrum Fourier decomposition method and its application in fault diagnosis of rolling bearings
Li et al. Selection of the number of effective singular values for noise reduction
Liu et al. Autoregressive model‐enhanced variational mode decomposition for mechanical fault detection
Huang et al. Nonconvex regularized sparse representation in a tight frame for gear fault diagnosis
Xia et al. Modal parameter identification based on hilbert vibration decomposition in vibration stability of bridge structures
CN110147637A (zh) 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法
Luo et al. Rolling bearing fault diagnosis method with enhanced top-hat transform filtering and cyclic spectrum coherence
Zhang et al. Application of rank-order morphological filter in refinement of rotor center's orbit

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