CN113654798A - 故障诊断方法、装置及电子设备 - Google Patents
故障诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113654798A CN113654798A CN202110948333.7A CN202110948333A CN113654798A CN 113654798 A CN113654798 A CN 113654798A CN 202110948333 A CN202110948333 A CN 202110948333A CN 113654798 A CN113654798 A CN 113654798A
- Authority
- CN
- China
- Prior art keywords
- signal
- detected
- time domain
- fault
- target
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000001228 spectrum Methods 0.000 claims abstract description 68
- 230000001133 acceleration Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 29
- 238000004451 qualitative analysis Methods 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000000354 decomposition reaction Methods 0.000 description 16
- 238000005070 sampling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及信号处理技术领域,具体涉及故障诊断方法、装置及电子设备,所述方法包括获取待检测对象的振动时域信号;基于所述待检测对象的类别,确定对应的信号分析方式;根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号;对所述目标频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障。针对待检测对象的类别确定对应的信号分析方式,即类别与信号分析方式之间存在对应关系,利用对应的信号分析方式对振动时域信号进行分析,可以得到准确的目标频谱信号,从而提高了基于该目标频谱信号进行故障诊断的准确性。
Description
技术领域
本发明涉及信号分析技术领域,具体涉及故障诊断方法、装置及电子设备。
背景技术
故障诊断技术是一种通过监测设备的状态参数来发现设备的异常情况,并在发现异常情况后对故障原因进行分析、诊断的技术,其宗旨是借助当前一切新技术、新成就发现设备的潜在故障,以达到对设备事故防患于未然的目的。现有的诊断一般是通过采集振动信号来分析,其中,基于振动信号的信号分析方法有很多,例如:频谱分析、细化谱分析、倒频谱分析、小波变换等等。
现有的故障诊断方法中一般是利用同一种信号分析方法对不同检测对象的振动信号进行分析,例如,轴以及轴承的故障诊断,均采用同一种信号分析方法进行分析提取出特征值,以进行故障诊断。然而,由于不同的信号分析方法具有不同的适用范围,若采用同一种信号分析方法对不同检测对象进行分析,会带来所提取出的特征值不能满足故障诊断的需求,从而导致故障诊断的准确性较低。
发明内容
有鉴于此,本发明实施例提供了一种故障诊断方法、装置及电子设备,以解决故障诊断准确率较低的问题。
根据第一方面,本发明实施例提供了一种故障诊断方法,包括:
获取待检测对象的振动时域信号;
基于所述待检测对象的类别,确定对应的信号分析方式;
根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号;
对所述目标频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障。
本发明实施例提供的故障诊断方法,针对待检测对象的类别确定对应的信号分析方式,即类别与信号分析方式之间存在对应关系,利用对应的信号分析方式对振动时域信号进行分析,可以得到准确的目标频谱信号,从而提高了基于该目标频谱信号进行故障诊断的准确性。
结合第一方面,在第一方面第一实施方式中,所述根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号,包括:
获取所述待检测对象的属性参数,所述属性参数包括中心频率以及频率搜索带宽;
基于所述属性参数对所述振动时域信号进行定性分析,得到定性分析结果,以确定所述待检测对象是否存在故障,所述定性分析结果包括存在边频带以及不存在边频带;
对所述振动时域信号进行包络分析,确定所述目标频谱信号。
本发明实施例提供的故障诊断方法,对振动时域信号进行定性分析,可以对故障进行预判,且基于包络分析的定量分析,可以得到准确的目标频谱信号,将定性分析与定量分析结合,保证了故障诊断的准确性。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述基于所述属性参数对所述振动时域信号进行定性分析,得到定性分析结果,以确定所述待检测对象是否存在故障,包括:
基于所述属性参数计算所述振动时域信号的边带能量值;
将所述边带能量值与阈值进行比较,得到所述定性分析结果,以确定所述待检测对象是否存在故障。
本发明实施例提供的故障诊断方法,由于齿轮类故障中的齿轮偏心、齿啮合磨损、断齿、裂纹或齿损伤等情况都会引起啮合频率处有边频带出现,因此,判断是否存在边频带是齿轮类故障诊断的一个重要前提,通过计算振动时域信号的边带能量值即可确定待检测对象是否存在故障,从而对故障进行预判。
结合第一方面第二实施方式,在第一方面第三实施方式中,采用如下公式计算所述边带能量值:
结合第一方面,在第一方面第四实施方式中,所述振动时域信号包括等时间间隔的加速度信号以及角度信号,所述根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号,包括:
基于所述加速度信号以及角度信号,确定角度与时间的关系;
基于所述角度与时间的关系,计算每间隔目标角度对应的时间,得到时间序列;
对所述时间序列进行插值,并基于插值结果计算所述每间隔目标角度对应的加速度值;
基于所述每间隔目标角度对应的加速度值进行变换,确定所述目标频谱信号。
本发明实施例提供的故障诊断方法,将转速信号转换为角度对应的目标频谱信号,且通过插值的方式得到每间隔角度对应的目标频谱信号,基于此,对待检测对象每转过等角度,都会有返回的实时振动幅值,使得该诊断方法可以适用于转速有较大波动的场合,保证能够准确分析转频及其倍频的成分信息,提高了故障诊断的准确性。
结合第一方面第四实施方式,在第一方面第五实施方式中,所述对所述时间序列进行插值,并基于插值结果计算所述每间隔目标角度对应的加速度值,包括:
对所述时间序列进行插值,得到插值时间序列;
基于所述加速度信号,确定所述插值时间序列中的每个时间对应的加速度值,从而得到所述每间隔目标角度对应的加速度值。
结合第一方面,在第一方面第六实施方式中,所述对所述目标频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障,包括:
获取所述待检测对象对应的目标频率以及目标故障检测模型;
从所述目标频谱信号中提取所述目标频率对应的幅值,确定所述特征值;
将所述特征值输入所述目标故障检测模型中,确定所述待检测对象是否存在故障。
本发明实施例提供的故障诊断方法,利用与待检测对象对应的目标故障检测模型进行故障诊断,由于输入目标故障检测模型中的特征值已经进行过信号处理,保证特征值的可靠性,在此基础上利用故障诊断模型进行故障检测,可以提高诊断结果的准确性。
根据第二方面,本发明实施例提供了一种故障诊断装置,包括:
获取模块,用于获取待检测对象的振动时域信号;
确定模块,用于基于所述待检测对象的类别,确定对应的信号分析方式;
分析模块,用于根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号;
检测模块,用于对所述频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障。
本发明实施例提供的故障诊断装置,针对待检测对象的类别确定对应的信号分析方式,即类别与信号分析方式之间存在对应关系,利用对应的信号分析方式对振动时域信号进行分析,可以得到准确的目标频谱信号,从而提高了基于该目标频谱信号进行故障诊断的准确性。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的故障诊断方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的故障诊断方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明实施例的故障诊断方法的流程图;
图2是本发明实施例的故障诊断方法的流程图;
图3a是振动时域信号的直接频谱图;
图3b是本发明实施例的目标频谱图;
图4a是振动时域信号的等时间采样图;
图4b是图4a的振动时域信号进行等角度插值的示意图;
图4c是图4a的振动时域信号对应的等角度插值阶次频谱图;
图4d是图4a的振动时域信号的直接频谱图;
图5是小波包三层分解的示意图;
图6a以及图6b分别为进行小波分解与未进行小波分解的频谱图;
图7是本发明实施例的故障诊断方法的流程图;
图8是本发明实施例的故障诊断装置的结构框图;
图9是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,每种信号分析方式均具有其适用范围,例如,小波分解适用于滤去高频率的噪声干扰信号,本发明实施例中提出的等角度插值适用于消除主轴转速不稳的情况,边频带搜索适用与齿轮和滚动轴承的早期故障特征。基于此,本发明实施例提出了针对待检测对象的类别,确定对应的信号分析方式。
本发明实施例提供的故障诊断方法可以适用于旋转设备,例如,轴、齿轮、轴承或电机等等。具体应用场景可以根据实际需求进行相应的设置,在此对其并不做任何限制。例如,齿轮箱的很多故障可以从转频或电源频率及其倍频诊断出来,利用对应的信号分析方法得到目标频谱信号,再对其进行特征值提取,即可确定齿轮箱是否故障,进一步地,在存在故障时确定故障类型。
根据本发明实施例,提供了一种故障诊断方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种故障诊断方法,可用于电子设备,如电脑、手机等,图1是根据本发明实施例的故障诊断方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取待检测对象的振动时域信号。
待检测对象为旋转类设备,例如,轴、轴承、齿轮或电机。其中,振动时域信号的提取可以利用加速度传感器、速度传感器或位移传感器测得。例如,在待检测对象的检测部位设置测量元件,对其振动时域信号进行测量,在测得振动时域信号之后,将其发送给电子设备,相应地,电子设备就可以获取到待检测对象的振动时域信号。
该故障诊断方法可以是在待检测对象的工作过程中进行实时检测,测量元件将实时测得的振动时域信号发送给电子设备;电子设备对其进行分析,确定其是否发生故障,以便及时对待检测对象的维护。
S12,基于待检测对象的类别,确定对应的信号分析方式。
不同的待检测对象具有对应的信号分析方式,依据待检测对象的类别进行划分。其中,需要说明的是,每一种待检测对象的类别并不仅限于一种信号分析方式,可以是两种,也可以是三种,具体可以根据实际应用场景进行设置。所述的信号分析方式包括小波分解、等角度插值、边频带搜索法等等。其中,等角度插值用于将待检测对象的转速信号转换为角度信号,以使得该故障检测方法能够适用于转速有较大波动的场合;边频带搜索法用于对待检测对象的振动时域信号进行边频带搜索,对故障进行预判。
进一步地,等角度插值用于跟转轴速度相关的频率成分的分析;边频带搜索法用于滚动轴承早期,齿轮磨损等早期诊断分析;小波分解用于前期滤波及电机故障分析。由于不同类别的待检测对象出现不同故障形式所需要的特征值不一样,所以提取特征值的方式不一样。例如,表1示出了四种类别的待检测对象,即轴、齿轮、轴承以及电机,每种类别的待检测对象均具有对应的信号分析方式。
表1待检测对象与信号分析方式
需要说明的是,表1中频率所在列的数据是用于特征提取是的频率值。
S13,根据信号分析方式对振动时域信号进行分析,确定目标频谱信号。
电子设备在确定出待检测对象对应的信号分析方式之后,利用对应的信号分析方式对振动时域信号进行分析,得到对应的目标频谱信号。即,将时域信号转换为频谱信号。
例如,小波分解是先对时域信号进行处理后,再进行FFT转换,得到对应的目标频谱信号;等角度插值是对时域信号转换成角度的时域信号,再进行FFT转换,得到所述的目标频谱信号;边频带搜索法用于对振动时域信号进行边频带搜索,同时对振动时域信号进行包络分析,得到所述的目标频率信号。
关于该步骤具体将在下文中进行详细描述。
S14,对目标频谱信号进行特征值提取,并基于特征值确定待检测对象是否存在故障。
目标频谱信号表征的是频率与幅值的关系,利用表1中的频率值对目标频谱信号进行特征值的提取,利用提取出的特征值进行故障诊断,即可确定待检测对象是否存在故障。例如,可以将提取出的特征值与阈值进行比较;也可以利用故障检测模型对特征值进行分析,确定是否存在故障。当然,也可以利用其他方式在提取出的特征值的基础上进行故障诊断,具体可以根据实际需求进行相应的设置。
关于该步骤具体将在下文中进行详细描述。
本实施例提供的故障诊断方法,针对待检测对象的类别确定对应的信号分析方式,即类别与信号分析方式之间存在对应关系,利用对应的信号分析方式对振动时域信号进行分析,可以得到准确的目标频谱信号,从而提高了基于该目标频谱信号进行故障诊断的准确性。
在本实施例中提供了一种故障诊断方法,可用于电子设备,如电脑、手机等,图2是根据本发明实施例的故障诊断方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取待检测对象的振动时域信号。
详细请参见图1所示实施例的S11,在此不再赘述。
S22,基于待检测对象的类别,确定对应的信号分析方式。
详细请参见图1所示实施例的S12,在此不再赘述。
S23,根据信号分析方式对振动时域信号进行分析,确定目标频谱信号。
当信号分析方式包括边频带搜索法时,具体的信号分析过程如下所示,即上述S23包括:
S231,获取待检测对象的属性参数。
其中,所述属性参数包括中心频率以及频率搜索带宽。
具体地,针对齿轮类的故障分析时,中心频率为齿轮的啮合频率,以齿轮轴转频为频率搜索带宽;针对轴承类故障分析时,中心频率为轴承的固有频率,以内圈转频为频率搜索带宽。其中,轴承的固有频率大概在1kHz-5kHz,那么,可在频偏中找到横坐标为1kHz-5kHz对应的最大幅值所在的频率作为中心频率。
S232,基于属性参数对振动时域信号进行定性分析,得到定性分析结果,以确定待检测对象是否存在故障。
其中,所述定性分析结果包括存在边频带以及不存在边频带。
电子设备利用获取到的属性参数对振动时域信号进行边带能量值的计算,并将计算到的边带能量值与阈值进行比较。若边带能量值大于或等于阈值,则定性分析结果为存在边频带;若边带能量值小于阈值,则定性分析结果为不存在边频带。
在本实施例的一些可选实施方式中,上述S232包括:
(1)基于属性参数计算振动时域信号的边带能量值。
具体地,采用如下公式计算所述边带能量值:
(2)将边带能量值与阈值进行比较,得到定性分析结果,以确定待检测对象是否存在故障。
当边带能量值大于或等于阈值时,则确定定性分析结果为存在边频带;否则,确定定性分析结果为不存在边频带。
由于齿轮类故障中的齿轮偏心、齿啮合磨损、断齿、裂纹或齿损伤等情况都会引起啮合频率处有边频带出现,因此,判断是否存在边频带是齿轮类故障诊断的一个重要前提,通过计算振动时域信号的边带能量值即可确定待检测对象是否存在故障,从而对故障进行预判。
S233,对振动时域信号进行包络分析,确定目标频谱信号。
对振动时域信号进行包络分析时,滤波带宽是需要考虑的问题。具体地,带宽至少应超过轴承最高故障特征频率的3倍,以保证在共振解调包络频谱中至少能看到最高故障特征频率的3阶谐波。一般地,在滚动轴承的故障特征频率中,内环故障特征最大,因此,通常将内环故障特征频率的3倍作为带通滤波器带宽的最小值。
电子设备在对振动时域信号进行包络分析所采用的方式可以是Hilbert包络,也可以是其他方式,在此对其并不做任何限定,具体可以根据实际需求进行相应的设置。以Hilbert包络为例,Hilbert包络是时域信号绝对值的包络,可利用它提取幅值调制信号(相对高频的固有频率信号,调制信号一般为低频信号),对提取故障特征具有很大的优越性。设x(t)是一个连续时间信号,其Hilbert变换为:
解析信号的幅值为:
解析信号的相位为:
从上面的变换可看出,x(t)的Hilbert变换就是对其相位移动π/2,其他保持不变,而解析信号的实部是x(t)本身,虚部是Hilbert变换,Hilbert包络就是所求解析信号的幅值。通过Hilbert包络后的信号进FFT,可得到较清晰的解调谱,即所述的目标频谱信号。
在滚动轴承振动试验中,轴的转频为158.2Hz、316.4Hz和473.1Hz(三个频率分别为内圈故障特征频率、其二倍频和三倍频),在直接频谱图3a所示,边频带搜索法频谱图如图3b所示。取幅值最大值的2919Hz为中心频率,满足边频带的判断条件,判断其存在边频带,然后对其进行带通滤波(频带范围为2919Hz左右500Hz),最后包络得到如图3b所示的结果。
对比图3a以及图3b中各个目标频率,以158.2Hz的目标频率对应的幅值,边频带搜索法的值是直接频谱图的10倍,极大地提高了信号的特征值。
当信号分析方式包括等角度插值时,所述振动时域信号包括等时间间隔的加速度信号以及角度信号,上述S23还包括:
(1)基于加速度信号以及角度信号,确定角度与时间的关系。
其中,加速度信号Acc(t)可以通过加速度传感器采集,角度信号利用键相传感器表征。待检测对象每转一圈,键相传感器测得一个脉冲信号,而一个脉冲信号对应的角度为360°,那么,利用键相传感器进行检测就相当于等角度采样。
例如,假设待检测对象转过的角度θ与时间t的关系采用如下公式表示:
θ(t)=at3+bt2+ct+d
需要确定上式中的a,b,c,d四个参数,就必须有四个已知的点,例如,取0,360,720,1080度作为已知点,从而得到轴转过角度与时间的关系。其中,360°对应于键相传感器的一个脉冲,720°对应于键相传感器的两个脉冲,1080°对应于键相传感器的三个脉冲。将上述四个角度,与对应的时间代入上述公式中,即可确定出a,b,c,d四个参数。
(2)基于角度与时间的关系,计算每间隔目标角度对应的时间,得到时间序列。
角度与时间的关系确定之后,进行等角度采样得到每间隔目标角度对应的时间。例如,将一圈360°等分为60等份,每间隔6°代入上式即可得到对应的时间t的值。那么,电子设备就可以得到分别对应于0°、6°、12°、18°、...、360°对应的时间,得到所述的时间序列。
(3)对时间序列进行插值,并基于插值结果计算每间隔目标角度对应的加速度值。
电子设备对时间序列进行插值处理,例如,利用三次样条插值,得到插值后的时间序列;再对应于加速度信号,确定每间隔目标角度对应的加速度值。
作为本实施例的一种可选实施方式,上述S23的步骤(3)可以包括:
3.1)对时间序列进行插值,得到插值时间序列。
3.2)基于加速度信号,确定插值时间序列中的每个时间对应的加速度值,从而得到每间隔目标角度对应的加速度值。
具体地,对时间序列利用三次样条插值到加速度信号Acc(t)得到θ_Acc(θ)。
(4)基于每间隔目标角度对应的加速度值进行变换,确定目标频谱信号。
对得到的序列θ_Acc(θ)进行FFT变化,即可确定所述的目标频谱信号。
将转速信号转换为角度对应的目标频谱信号,且通过插值的方式得到每间隔角度对应的目标频谱信号,基于此,对待检测对象每转过等角度,都会有返回的实时振动幅值,使得该诊断方法可以适用于转速有较大波动的场合,保证能够准确分析转频及其倍频的成分信息,提高了故障诊断的准确性。
在一个具体示例中,假设电机的角加速度为180°/s2,采样频率为100Hz,采样时间为12s,模拟信号为:2sind(90t2)+sind(180t2)。在等角度插值的数据采集时,需要一个高采样频率的加速度传感器,一个键相传感器以及数据采集器。具体地,如表2所示:
表2等角度插值所需硬件配置
通过对测得的振动时域信号进行等角度插值处理时,得到的如图4a所示的等时间采样图、如图4b所示的等角度插值图、如图4c所示的等角度插值阶次频谱图以及如图4d所示的直接频谱图。
由于在电机加速过程中,转速处在一种变化中,图4d就无法表达出其意义所在,图4c就可以明显得出转频的1倍频有幅值2,2倍频有幅值1,符合模拟信号信息。
当信号分析方式包括小波分解时,小波分解作为一种基于时间和尺度的非平稳信号时频处理方法,在时域和频域都具有很好的局部化特性。小波分解所具有的优点使其适合于处理非平稳信号,是齿轮箱故障诊断的有效工具。
φj,k(t)=2j/2φ(2jt-k) (1)
ψj,k(t)=2j/2ψ(2jt-k) (2)
式(1)以及式(2)分别为小波函数和尺度函数,经过原始信号与它们做卷积运算,可以得到原始信号的低频分量和高频分量。另外还需要选择合适的小波基函数,不同的小波基函数,它的频率响应不一样。由于小波分解是一分为二的,所以当分解3层,其分解图如图5所示。假设采样频率为2048Hz,第三层分解之后得到八个信号分量,每个信号分量的带宽为128Hz,这时求取各个信号分量的有效值作为振动特征值。
测试过程中,在齿轮箱的减速机外壳上安装速度传感器,采样频率为2048Hz,经过小波分解以及未小波分解的频偏信号分别如图6a以及图6b所示。
具体地,齿轮箱的齿轮的啮合频率如表3所示:
表3正常运行时频域特征参数
特征参数 | 立磨主频率 | 圆柱齿轮啮合一倍频 | 二倍频 | 锥齿轮啮合一倍频 | 二倍频 |
频率值/Hz | 48.5 | 211 | 422 | 462.5 | 925 |
对比图6a与图6b,在圆柱齿轮1倍频21Hz的幅值均为1.25,然而在锥齿轮啮合1倍频处,小波分解处理后的幅值为0.43,未做小波处理的幅值为0.37。由于211Hz和462Hz的幅值这两个频率都是判断齿轮故障的重要特征值,对于幅值小的情况下,小波分解的幅值比未小波分解大16%,这样可以更真实表现出真实值,特征是对小幅值的情况。
上文中描述了3中信号分析方式,具体地,等角度插值用于跟转轴速度相关的频率成分的分析,边频带搜索法用于滚动轴承早期齿轮磨损等早期诊断分析,小波分析用于前期滤波及电机故障分析。
S24,对目标频谱信号进行特征值提取,并基于特征值确定待检测对象是否存在故障。
详细请参见图1所示实施例的S14,在此不再赘述。
本实施例提供的故障诊断方法,对振动时域信号进行定性分析,可以对故障进行预判,且基于包络分析的定量分析,可以得到准确的目标频谱信号,将定性分析与定量分析结合,保证了故障诊断的准确性。
在本实施例中提供了一种故障诊断方法,可用于电子设备,如电脑、手机等,图7是根据本发明实施例的故障诊断方法的流程图,如图7所示,该流程包括如下步骤:
S31,获取待检测对象的振动时域信号。
详细请参见图1所示实施例的S11,在此不再赘述。
S32,基于待检测对象的类别,确定对应的信号分析方式。
详细请参见图1所示实施例的S12,在此不再赘述。
S33,根据信号分析方式对振动时域信号进行分析,确定目标频谱信号。
详细请参见图2所示实施例的S23,在此不再赘述。
S34,对目标频谱信号进行特征值提取,并基于特征值确定待检测对象是否存在故障。
具体地,上述S34包括:
S341,获取待检测对象对应的目标频率以及目标故障检测模型。
目标频率为故障检测时重点关注的频率值,对于不同类别的待检测对象,在不同故障下对应于不同的目标频率,具体可以如表1所示。
目标故障检测模型是基于统计或机器学习的算法能够根据所定义的目标函数来优化预测性模型的结构与参数,从而记忆数据中的信息,并能据此对类似的数据做判断。该故障检测模型所记录的信息可以是多维数据的模态,其与某一状态的相似度,或者是输入特征之间的相关性等。
S342,从目标频谱信号中提取目标频率对应的幅值,确定特征值。
电子设备在确定出目标频谱信号之后,利用目标频率值从目标频谱信号中进行幅值的提取,得到相应的特征值。例如,当目标频率为1倍频时,从目标频谱信号中提取1倍频对应的幅值。
S343,将特征值输入目标故障检测模型中,确定待检测对象是否存在故障。
具体地,故障检测模型的输入为特征值,输出为预测出的故障。如表1所示,表1中示出了4种类别的待检测对象,对应于每一种待检测对象均有对应的目标故障检测模型,那么,就相应存在4个目标故障检测模型。
本实施例提供的故障诊断方法,利用与待检测对象对应的目标故障检测模型进行故障诊断,由于输入目标故障检测模型中的特征值已经进行过信号处理,保证特征值的可靠性,在此基础上利用故障诊断模型进行故障检测,可以提高诊断结果的准确性。
在本实施例中还提供了一种故障诊断装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种故障诊断装置,如图8所示,包括:
获取模块41,用于获取待检测对象的振动时域信号;
确定模块42,用于基于所述待检测对象的类别,确定对应的信号分析方式;
分析模块43,用于根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号;
检测模块44,用于对所述频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障。
本实施例提供的故障诊断装置,针对待检测对象的类别确定对应的信号分析方式,即类别与信号分析方式之间存在对应关系,利用对应的信号分析方式对振动时域信号进行分析,可以得到准确的目标频谱信号,从而提高了基于该目标频谱信号进行故障诊断的准确性。
本实施例中的故障诊断装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图8所示的故障诊断装置。
请参阅图9,图9是本发明可选实施例提供的一种电子设备的结构示意图,如图9所示,该电子设备可以包括:至少一个处理器51,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图8所描述的装置,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本申请图1、2以及7实施例中所示的故障诊断方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的故障诊断方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种故障诊断方法,其特征在于,包括:
获取待检测对象的振动时域信号;
基于所述待检测对象的类别,确定对应的信号分析方式;
根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号;
对所述目标频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障。
2.根据权利要求1所述的方法,其特征在于,所述根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号,包括:
获取所述待检测对象的属性参数,所述属性参数包括中心频率以及频率搜索带宽;
基于所述属性参数对所述振动时域信号进行定性分析,得到定性分析结果,以确定所述待检测对象是否存在故障,所述定性分析结果包括存在边频带以及不存在边频带;
对所述振动时域信号进行包络分析,确定所述目标频谱信号。
3.根据权利要求2所述的方法,其特征在于,所述基于所述属性参数对所述振动时域信号进行定性分析,得到定性分析结果,以确定所述待检测对象是否存在故障,包括:
基于所述属性参数计算所述振动时域信号的边带能量值;
将所述边带能量值与阈值进行比较,得到所述定性分析结果,以确定所述待检测对象是否存在故障。
5.根据权利要求1所述的方法,其特征在于,所述振动时域信号包括等时间间隔的加速度信号以及角度信号,所述根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号,包括:
基于所述加速度信号以及角度信号,确定角度与时间的关系;
基于所述角度与时间的关系,计算每间隔目标角度对应的时间,得到时间序列;
对所述时间序列进行插值,并基于插值结果计算所述每间隔目标角度对应的加速度值;
基于所述每间隔目标角度对应的加速度值进行变换,确定所述目标频谱信号。
6.根据权利要求5所述的方法,其特征在于,所述对所述时间序列进行插值,并基于插值结果计算所述每间隔目标角度对应的加速度值,包括:
对所述时间序列进行插值,得到插值时间序列;
基于所述加速度信号,确定所述插值时间序列中的每个时间对应的加速度值,从而得到所述每间隔目标角度对应的加速度值。
7.根据权利要求1所述的方法,其特征在于,所述对所述目标频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障,包括:
获取所述待检测对象对应的目标频率以及目标故障检测模型;
从所述目标频谱信号中提取所述目标频率对应的幅值,确定所述特征值;
将所述特征值输入所述目标故障检测模型中,确定所述待检测对象是否存在故障。
8.一种故障诊断装置,其特征在于,包括:
获取模块,用于获取待检测对象的振动时域信号;
确定模块,用于基于所述待检测对象的类别,确定对应的信号分析方式;
分析模块,用于根据所述信号分析方式对所述振动时域信号进行分析,确定目标频谱信号;
检测模块,用于对所述频谱信号进行特征值提取,并基于所述特征值确定所述待检测对象是否存在故障。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的故障诊断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110948333.7A CN113654798A (zh) | 2021-08-18 | 2021-08-18 | 故障诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110948333.7A CN113654798A (zh) | 2021-08-18 | 2021-08-18 | 故障诊断方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113654798A true CN113654798A (zh) | 2021-11-16 |
Family
ID=78480901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110948333.7A Pending CN113654798A (zh) | 2021-08-18 | 2021-08-18 | 故障诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113654798A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776838A (zh) * | 2021-11-10 | 2021-12-10 | 盛瑞传动股份有限公司 | 一种齿轮调整方法、装置、设备及存储介质 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN115077685A (zh) * | 2022-05-18 | 2022-09-20 | 国网青海省电力公司 | 设备状态检测方法、装置及系统 |
CN115288849A (zh) * | 2022-08-15 | 2022-11-04 | 武汉优泰电子技术有限公司 | 一种往复式发动机燃烧室磨损状态评价方法及装置 |
CN115618206A (zh) * | 2022-10-27 | 2023-01-17 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
CN115931319A (zh) * | 2022-10-27 | 2023-04-07 | 圣名科技(广州)有限责任公司 | 故障诊断方法、装置、电子设备及存储介质 |
CN116015492A (zh) * | 2022-12-26 | 2023-04-25 | 中国人民解放军32181部队 | 一种无线电台故障诊断方法、系统及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06117917A (ja) * | 1992-10-02 | 1994-04-28 | Shinko Electric Co Ltd | 機械振動系振動応答特性計測方法およびその計測方法を用いた計測装置 |
JPH10281859A (ja) * | 1997-04-07 | 1998-10-23 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法および装置 |
CN101403684A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 基于盲源分析技术的旋转机械复合故障的诊断方法 |
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
CN105547698A (zh) * | 2015-12-31 | 2016-05-04 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
CN111024397A (zh) * | 2019-12-20 | 2020-04-17 | 北京航空航天大学 | 基于振动信息解调分析的滚动轴承打滑率评估方法 |
JP2020071040A (ja) * | 2018-10-29 | 2020-05-07 | 日本精工株式会社 | 振動解析診断システム及び振動解析診断方法 |
CN111487075A (zh) * | 2020-04-24 | 2020-08-04 | 三一石油智能装备有限公司 | 一种施工设备的故障检测方法、装置、设备及介质 |
CN111929074A (zh) * | 2020-08-19 | 2020-11-13 | 北京经纬恒润科技有限公司 | 车辆机械旋转部件故障诊断方法及装置 |
-
2021
- 2021-08-18 CN CN202110948333.7A patent/CN113654798A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06117917A (ja) * | 1992-10-02 | 1994-04-28 | Shinko Electric Co Ltd | 機械振動系振動応答特性計測方法およびその計測方法を用いた計測装置 |
JPH10281859A (ja) * | 1997-04-07 | 1998-10-23 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法および装置 |
CN101403684A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 基于盲源分析技术的旋转机械复合故障的诊断方法 |
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
CN105547698A (zh) * | 2015-12-31 | 2016-05-04 | 新疆金风科技股份有限公司 | 滚动轴承的故障诊断方法及装置 |
JP2020071040A (ja) * | 2018-10-29 | 2020-05-07 | 日本精工株式会社 | 振動解析診断システム及び振動解析診断方法 |
CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
CN111024397A (zh) * | 2019-12-20 | 2020-04-17 | 北京航空航天大学 | 基于振动信息解调分析的滚动轴承打滑率评估方法 |
CN111487075A (zh) * | 2020-04-24 | 2020-08-04 | 三一石油智能装备有限公司 | 一种施工设备的故障检测方法、装置、设备及介质 |
CN111929074A (zh) * | 2020-08-19 | 2020-11-13 | 北京经纬恒润科技有限公司 | 车辆机械旋转部件故障诊断方法及装置 |
Non-Patent Citations (4)
Title |
---|
丁雪娟;王红星;: "基于阶次窄带包络分析的直驱风机轴承微弱故障诊断", 噪声与振动控制, no. 03, 18 June 2016 (2016-06-18) * |
吴洋;郝如江;: "基于形态分量分析的变工况齿轮箱故障诊断研究", 机械传动, no. 11, 15 November 2017 (2017-11-15) * |
周超;曹春平;孙宇;: "利用GS优化SM-SVM的滚动轴承故障诊断方法研究", 机械设计与制造, no. 06, 8 June 2020 (2020-06-08) * |
林丽;高建华;经昊达;王海洋;张向军;张秀丽;: "风机齿轮箱故障诊断与预警方法的研究进展", 仪器仪表与分析监测, no. 01, 28 February 2018 (2018-02-28) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113776838A (zh) * | 2021-11-10 | 2021-12-10 | 盛瑞传动股份有限公司 | 一种齿轮调整方法、装置、设备及存储介质 |
CN114235405A (zh) * | 2021-11-24 | 2022-03-25 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
WO2023093315A1 (zh) * | 2021-11-24 | 2023-06-01 | 阿里巴巴(中国)有限公司 | 振动信号的特征提取方法、设备分析方法及装置 |
CN115077685A (zh) * | 2022-05-18 | 2022-09-20 | 国网青海省电力公司 | 设备状态检测方法、装置及系统 |
CN115288849A (zh) * | 2022-08-15 | 2022-11-04 | 武汉优泰电子技术有限公司 | 一种往复式发动机燃烧室磨损状态评价方法及装置 |
CN115288849B (zh) * | 2022-08-15 | 2023-02-28 | 武汉优泰电子技术有限公司 | 一种往复式发动机燃烧室磨损状态评价方法及装置 |
CN115618206A (zh) * | 2022-10-27 | 2023-01-17 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
CN115931319A (zh) * | 2022-10-27 | 2023-04-07 | 圣名科技(广州)有限责任公司 | 故障诊断方法、装置、电子设备及存储介质 |
CN115618206B (zh) * | 2022-10-27 | 2023-07-07 | 圣名科技(广州)有限责任公司 | 干扰数据确定方法、装置、电子设备及存储介质 |
CN115931319B (zh) * | 2022-10-27 | 2023-10-10 | 圣名科技(广州)有限责任公司 | 故障诊断方法、装置、电子设备及存储介质 |
CN116015492A (zh) * | 2022-12-26 | 2023-04-25 | 中国人民解放军32181部队 | 一种无线电台故障诊断方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113654798A (zh) | 故障诊断方法、装置及电子设备 | |
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
CN109520738B (zh) | 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法 | |
Li et al. | Early fault diagnosis of rotating machinery by combining differential rational spline-based LMD and K–L divergence | |
CN109596349B (zh) | 一种基于vmd和pct的减速器故障诊断方法 | |
JP2003528292A (ja) | 振動解析によるベアリングの状態ベースのモニタリング | |
Barbini et al. | Phase editing as a signal pre-processing step for automated bearing fault detection | |
CN103884502A (zh) | 一种变转速下风力发电机行星齿轮系统故障诊断方法 | |
CN110133500B (zh) | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 | |
US11927501B2 (en) | Method and device for monitoring a gear system | |
CN110057583A (zh) | 一种轴承故障识别方法、装置及计算机设备 | |
Liu et al. | An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions | |
CN115931319B (zh) | 故障诊断方法、装置、电子设备及存储介质 | |
Jiang et al. | A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
Alavi et al. | A novel targeted method of informative frequency band selection based on lagged information for diagnosis of gearbox single and compound faults | |
Choudhury et al. | An overview of fault diagnosis of industrial machines operating under variable speeds | |
CN116358873B (zh) | 滚动轴承故障诊断方法、装置、设备及介质 | |
KR102598458B1 (ko) | 셉스트럼 기반 유성 기어박스의 고장 감지 장치 및 방법 | |
Rebiai et al. | Faults diagnosis of rolling-element bearings based on fourier decomposition method and Teager energy operator | |
Chen et al. | A time-varying instantaneous frequency fault features extraction method of rolling bearing under variable speed | |
Wang et al. | Research on gearbox composite fault diagnosis based on improved local mean decomposition | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 |
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 |