CN113702038B - 防爆电机轴承故障诊断方法及系统 - Google Patents
防爆电机轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113702038B CN113702038B CN202110881441.7A CN202110881441A CN113702038B CN 113702038 B CN113702038 B CN 113702038B CN 202110881441 A CN202110881441 A CN 202110881441A CN 113702038 B CN113702038 B CN 113702038B
- Authority
- CN
- China
- Prior art keywords
- explosion
- fault
- proof motor
- motor bearing
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种防爆电机轴承故障诊断方法及系统,包括:针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分;基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。本发明有利于提高诊断的准确性和可靠性。
Description
技术领域
本发明涉及防爆电机智能运维的技术领域,尤其是指一种防爆电机轴承故障诊断方法。
背景技术
轴承是防爆电机的核心部件之一,支撑着电机主轴并且承受着负载,对防爆装置传动系统中的动力传输、降低功耗等有重要作用,故其服役性能对防爆电机的正常运作具有重要影响。由于防爆电机主要应用于易燃、易爆场所的特殊工作环境中,微弱的防爆电机轴承故障即可能导致装置停车甚至机毁人亡的严重后果。因此,开展轴承故障诊断方法研究,对于发展高安全性与高可靠性服役的防爆电机具有特别重要的意义。
传统的防爆电机故障诊断方法有辨音法、比较法等,这些传统方法对检测人员的经验要求很高且监测效率较低。随着科学技术的不断进步,传统的故障检测方法已经不能满足防爆电机在实际应用中稳定性的要求,高可靠性及高自动化的故障检测技术显得日趋重要。近年来防爆电机使用的主要故障监测方法包括振动信号监测法、音频监测法、强度监测法等。其中,振动信号监测法是目前应用最广泛的方法,该方法信号特征明显,能够实时反映防爆电机运行状态的信息,免去了停机拆卸的成本且对检测人员的专业性要求较低。
随着振动信号采集设备越来越先进,多通道数据能够更全面完整地体现设备的运行状态。目前发展了许多自适应多通道信号分析方法,如二维经验模式分解、三元经验模式分解、多元经验模式分解,二维变分模式分解等。这些方法都存在各自的局限性,例如存在模式混叠、端点效应和需要预设参数等问题,导致现有自适应多通道信号分解方法的应用范围受到限制。尤其,是2019年提出的一种多变量变分模式分解方法,该方法是一种自适应多通道信号分解技术,它可以将具有多通道非平稳信号同时分解为多个具有一定意义的特征成分。与传统的自适应分解方法相比,多变量变分模式分解方法具有较多明显优势,如噪声抑制、非递归筛选和模式对齐特性等,具有很大的应用潜力。但是,这类方法的分解效果受分解参数的影响很大且缺乏一定的自适应性。因此,有必要突破多变量变分模式分解方法局限性,提出新的多通道信号分析方法,以更好地应用工业信号的检测与分析。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中分解效果受分解参数的影响很大,且缺乏一定的自适应性的问题,从而提供一种具有自适应性且诊断的准确性和可靠性更高的防爆电机轴承故障诊断方法及系统。
为解决上述技术问题,本发明的一种防爆电机轴承故障诊断方法,包括下步骤:针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分;基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。
在本发明的一个实施例中,所述建立优化方向引导的自适应多变量变分模式分解模型的方法为:建立对防爆电机轴承多通道信号单分量进行提取的优化求解模型;根据优化求解模型构建特征成分初始中心频率,更新所述特征成分初始中心频率;根据更新后的特征成分初始中心频率优化更新宽带参数。
在本发明的一个实施例中,所述更新所述特征成分初始中心频率的方法为:利用特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系与零的比较来判断优化方向。
在本发明的一个实施例中,所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系小于零,则迭代优化后会得到一个特定的以紧支撑的特征成分;所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系大于零,进行下一个特征成分的搜寻。
在本发明的一个实施例中,所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系小于零时,完成一个特征成分提取后,对所述特征成分初始中心频率的值进行更新。
在本发明的一个实施例中,建立故障表征矩阵的方法为:基于防爆电机轴承建立故障评价指标特征频率指示系数,根据所述频率指示系数建立故障表征矩阵。
在本发明的一个实施例中,所述故障表征矩阵包括防爆电机轴承内圈故障的特征频率指示系数矩阵、防爆电机轴承外圈故障的特征频率指示系数矩阵、防爆电机轴承滚动体故障的特征频率指示系数矩阵。
在本发明的一个实施例中,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量的方法为:通过计算特征成分对应的防爆电机故障表征矩阵,搜寻各个通道中特征频率指示系数值最大的特征成分作为防爆电机故障分量。
在本发明的一个实施例中,所述故障诊断系统包括分解模块、故障定位模块、检测诊断模块,其中所述分解模块对防爆电机轴承多通道信号进行分解,得到对应的特征成分,所述故障定位模块通过计算防爆电机轴承特征频率指示系数定位防爆电机轴承故障信息分量,所述检测诊断模块根据包络谱来检测故障特征,实现对防爆电机轴承的故障诊断。
本发明还提供了一种防爆电机轴承故障诊断系统,包括:分解模块,用于针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分;故障表征模块,用于基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;包络分析模块,用于建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的防爆电机轴承故障诊断方法及系统,建立了优化方向引导的自适应多变量变分模式分解模型,利用优化方向引导特征成分的逐次搜寻,可以自适应地确定输入参数,包括多通道非平稳信号中蕴含的特征成分个数及其初始中心频率;同时,在分解过程中带宽参数自适应地进行了优化更新,有利于自适应性显著提升,克服了传统多变量变分模式分解方法对预设参数的依赖性;基于防爆电机特征频率指示系数设计了故障表征矩阵,从分解出的特征成分中搜寻包含故障信息的成分,故障表征矩阵由各个特征成分对应的不同故障的特征频率指示系数构成,表征故障特征成分的能量与干扰成分的平均能量之间的比值,从而能够有效进行多通道故障成分的识别,克服了单一故障评价指标的局限性;联合优化方向引导的自适应多变量变分模式分解模型和故障表征矩阵建立了防爆电机轴承诊断系统,实现了对防爆电机轴承的有效故障诊断。本发明基于多通道数据的诊断分析使得故障信息的提取更为全面,提高了方法的准确性和可靠性,克服了传统单通道故障诊断方法的局限性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明防爆电机轴承故障诊断方法的流程图;
图2a是本发明一组多通道轴承故障信号时域波形;
图2b是本发明一组多通道轴承故障信号包络谱;
图3是本发明多通道轴承故障信号在自适应多变量变分模式分解模型下的分解结果;
图4是本发明各特征成分的故障表征矩阵;
图5是本发明定位到的故障成分的包络谱。
具体实施方式
实施例一
如图1所示,本实施例提供一种防爆电机轴承故障诊断方法,包括如下步骤:步骤S1:针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分;步骤S2:基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;步骤S3:建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。
本实施例所述防爆电机轴承故障诊断方法,所述步骤S1中,针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,利用优化方向引导特征成分的逐次搜寻,可以自适应地确定输入参数,而且在分解过程中带宽参数自适应地进行了优化更新,有利于自适应性显著提升,克服了传统多变量变分模式分解方法对预设参数的依赖性;所述步骤S2中,基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量,从而能够有效进行多通道故障成分的识别,克服了单一故障评价指标的局限性;所述步骤S3中,建立防爆电机轴承故障诊断系统,实现了对防爆电机轴承的有效故障诊断,对防爆电机轴承故障信息分量执行包络分析,从而使得故障信息的提取更为全面,提高了方法的准确性和可靠性,克服了传统单通道故障诊断方法的局限性。
所述建立优化方向引导的自适应多变量变分模式分解模型的方法为:建立对防爆电机轴承多通道信号单分量进行提取的优化求解模型;根据优化求解模型构建特征成分初始中心频率,更新所述特征成分初始中心频率;根据更新后的特征成分初始中心频率优化更新宽带参数。
具体地,建立对防爆电机轴承多通道信号单分量u1,c(t)进行提取的优化求解模型L(u1,c,ω1),其中
求解式(1)得到模式分量和中心频率的迭代计算式(2)和(3)
所述更新所述特征成分初始中心频率的方法为:利用特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系与零的比较来判断优化方向。
由于防爆电机轴承信号通常包含多个特征成分,每个特征成分存在各自对应的紧支撑中心频率。每个紧支撑中心频率总有一个与之对应的初始中心频率的优化区间,也即:特征成分中心频率的初始估计值设置在这个优化区间内,其优化方向会趋向对应的紧支撑中心频率。
所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系小于零,则迭代优化后会得到一个特定的以紧支撑的特征成分;所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系大于零,进行下一个特征成分的搜寻。
具体地,以特征成分中心频率的初始值恰好等于紧支撑中心频率为临界点,如果其差值关系小于0,则迭代优化后会得到一个特定的以紧支撑的特征成分;反之,如果其差值关系大于0,说明处于两个特征成分的过渡区间,以为紧支撑中心频率的特征成分已经被提取完成,可以进行下一个特征成分的搜寻。
所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系小于零时,完成一个特征成分提取后,对所述特征成分初始中心频率的值进行更新。由此,利用判断优化方向,在的条件完成一个特征成分提取后,根据式(4)对初始中心频率的值进行更新:
其中z·Δω为初始中心频率的增加步长。
为此基于初始中心频率的估计更新策略和优化方向的引导,可以自适应地得到待分解防爆电机轴承多通道非平稳信号在分析频带内蕴含特征成分的个数K及其紧支撑中心频率值{ω1,ω2,…,ωK}。
根据更新后的特征成分初始中心频率优化更新宽带参数时,所述带宽参数α为:
其中fs为待分解防爆电机轴承多通道非平稳信号的采样频率,ω1为当前得到的中心频率值。为此,在迭代过程中,根据建立的优化更新函数,带宽参数随中心频率的更新而优化更新,低频的谐波成分会匹配一个相对较大的带宽参数,高频的噪声成分会匹配一个相对较小的带宽参数,从而可以自适应地得到每个具有最优带宽参数的特征成分。
所述步骤S2中,建立故障表征矩阵的方法为:基于防爆电机轴承建立故障评价指标特征频率指示系数,根据所述频率指示系数建立故障表征矩阵。
首先,基于防爆电机轴承建立故障评价指标特征频率指示系数Er,数值计算如下式:
其中fd为防爆电机轴承故障特征频率,H为倍频数,统一取为3,L为谱线数,g(f)为频率f对应的归一化包络谱幅值。Er表征防爆电机轴承故障特征成分的能量与干扰成分的平均能量之间的比值。
其次,建立故障表征矩阵E,其中所述故障表征矩阵包括防爆电机轴承内圈故障的特征频率指示系数矩阵、防爆电机轴承外圈故障的特征频率指示系数矩阵、防爆电机轴承滚动体故障的特征频率指示系数矩阵,公式表示如下:
E=[Ei Eo Eb] (7)
其中Ei为防爆电机轴承内圈故障的特征频率指示系数矩阵,Eo为防爆电机轴承外圈故障的特征频率指示系数矩阵,Eb为防爆电机轴承滚动体故障的特征频率指示系数矩阵,具体形式表示如下:
当式(6)中的fd为防爆电机轴承内圈故障的特征频率时,此时Ed为故障表征矩阵中的Ei;当式(6)中的fd为防爆电机轴承外圈故障的特征频率时,此时Ed为故障表征矩阵中的Eo;当式(6)中的fd为防爆电机轴承滚动体故障的特征频率时,此时Ed为故障表征矩阵中的Eb。
利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量的方法为:通过计算特征成分对应的防爆电机故障表征矩阵,搜寻各个通道中特征频率指示系数值最大的特征成分作为防爆电机故障分量。
所述故障诊断系统包括分解模块、故障定位模块、检测诊断模块,其中所述分解模块对防爆电机轴承多通道信号进行分解,得到对应的特征成分,所述故障定位模块通过计算防爆电机轴承特征频率指示系数定位防爆电机轴承故障信息分量,所述检测诊断模块根据包络谱来检测故障特征,实现对防爆电机轴承的故障诊断。
具体地,所述分解模块,用于优化方向引导的自适应多变量变分模式分解模型,对防爆电机轴承多通道信号进行分解,得到对应的特征成分;所述故障定位模块,用于建立基于防爆电机轴承故障表征矩阵,通过计算防爆电机轴承特征频率指示系数定位防爆电机轴承故障信息分量;所述检测诊断模块,用于对得到的防爆电机轴承故障信息分量执行包络分析得到包络信号,根据包络谱来检测故障特征,实现对防爆电机轴承的故障诊断。
下面通过一组防爆电机轴承微弱故障的多通道信号来说明本发明的故障诊断效果。图2a所示为采集的防爆电机轴承的三通道故障信号时域波形,故障信息被噪声及其它干扰成分掩盖;图2b所示为采集的防爆电机轴承的三通道故障信号直接执行包络分析后的包络谱,无法从中识别故障特征,可以用于说明本发明的优越性。
利用S1中优化方向引导的自适应多变量变分模式分解模型得到多通道防爆电机轴承故障信号分解结果,如图3所示。进一步地,利用防爆电机轴承特征频率指示系数得到各特征成分的故障表征矩阵,结果如图4所示,选取防爆电机轴承内圈故障类型对应的特征成分4为故障特征成分。对其进行包络分析,得到包络谱如图5所示,从中可以清晰地检测到防爆电机内圈故障特征频率fi。
实施例二
基于同一发明构思,本实施例提供了一种防爆电机轴承故障诊断系统,其解决问题的原理与所述防爆电机轴承故障诊断方法类似,重复之处不再赘述。
本实施例提供一种防爆电机轴承故障诊断系统,包括:
分解模块,用于针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分;
故障表征模块,用于基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;
包络分析模块,用于建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种防爆电机轴承故障诊断方法,其特征在于,包括如下步骤:
步骤S1:针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分,所述建立优化方向引导的自适应多变量变分模式分解模型的方法为:建立对防爆电机轴承多通道信号单分量进行提取的优化求解模型;根据优化求解模型构建特征成分初始中心频率,更新所述特征成分初始中心频率;根据更新后的特征成分初始中心频率优化更新宽带参数;
步骤S2:基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;
步骤S3:建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。
2.根据权利要求1所述的防爆电机轴承故障诊断方法,其特征在于:所述更新所述特征成分初始中心频率的方法为:利用特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系与零的比较来判断优化方向。
3.根据权利要求2所述的防爆电机轴承故障诊断方法,其特征在于:所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系小于零,则迭代优化后会得到一个特定的以紧支撑的特征成分;所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系大于零,进行下一个特征成分的搜寻。
4.根据权利要求3所述的防爆电机轴承故障诊断方法,其特征在于:所述特征成分初始中心频率的初始估计值和紧支撑中心频率的差值关系小于零时,完成一个特征成分提取后,对所述特征成分初始中心频率的值进行更新。
5.根据权利要求1所述的防爆电机轴承故障诊断方法,其特征在于:建立故障表征矩阵的方法为:基于防爆电机轴承建立故障评价指标特征频率指示系数,根据所述频率指示系数建立故障表征矩阵。
6.根据权利要求5所述的防爆电机轴承故障诊断方法,其特征在于:所述故障表征矩阵包括防爆电机轴承内圈故障的特征频率指示系数矩阵、防爆电机轴承外圈故障的特征频率指示系数矩阵、防爆电机轴承滚动体故障的特征频率指示系数矩阵。
7.根据权利要求1所述的防爆电机轴承故障诊断方法,其特征在于:利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量的方法为:通过计算特征成分对应的防爆电机故障表征矩阵,搜寻各个通道中特征频率指示系数值最大的特征成分作为防爆电机故障分量。
8.根据权利要求1所述的防爆电机轴承故障诊断方法,其特征在于:所述故障诊断系统包括分解模块、故障定位模块、检测诊断模块,其中所述分解模块对防爆电机轴承多通道信号进行分解,得到对应的特征成分,所述故障定位模块通过计算防爆电机轴承特征频率指示系数定位防爆电机轴承故障信息分量,所述检测诊断模块根据包络谱来检测故障特征,实现对防爆电机轴承的故障诊断。
9.一种防爆电机轴承故障诊断系统,其特征在于,包括:
分解模块,用于针对多通道防爆电机轴承信号,建立优化方向引导的自适应多变量变分模式分解模型,得到对应的特征成分,所述建立优化方向引导的自适应多变量变分模式分解模型的时:建立对防爆电机轴承多通道信号单分量进行提取的优化求解模型;根据优化求解模型构建特征成分初始中心频率,更新所述特征成分初始中心频率;根据更新后的特征成分初始中心频率优化更新宽带参数;
故障表征模块,用于基于防爆电机轴承特征频率指示系数建立故障表征矩阵,利用分解后的特征成分计算对应的故障表征矩阵,搜索包含故障信息的分量;
包络分析模块,用于建立防爆电机轴承故障诊断系统,对防爆电机轴承故障信息分量执行包络分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881441.7A CN113702038B (zh) | 2021-08-02 | 2021-08-02 | 防爆电机轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881441.7A CN113702038B (zh) | 2021-08-02 | 2021-08-02 | 防爆电机轴承故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702038A CN113702038A (zh) | 2021-11-26 |
CN113702038B true CN113702038B (zh) | 2022-08-02 |
Family
ID=78651274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881441.7A Active CN113702038B (zh) | 2021-08-02 | 2021-08-02 | 防爆电机轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702038B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104344956A (zh) * | 2014-10-29 | 2015-02-11 | 上海电机学院 | 一种风力发电齿轮箱轴承故障模拟方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN107505135B (zh) * | 2017-08-15 | 2020-05-01 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN110427916B (zh) * | 2019-08-14 | 2020-05-01 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
AU2020103669A4 (en) * | 2020-11-25 | 2021-02-04 | Ocean University Of China | Integrated test device and test method for gear and bearing |
CN112613573B (zh) * | 2020-12-30 | 2023-10-31 | 五邑大学 | 一种基于自适应终止准则omp的滚动轴承故障诊断方法 |
-
2021
- 2021-08-02 CN CN202110881441.7A patent/CN113702038B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113702038A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frei et al. | Intrinsic time-scale decomposition: time–frequency–energy analysis and real-time filtering of non-stationary signals | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
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 | |
CN112326245B (zh) | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 | |
CN113100786A (zh) | 一种稳态视觉诱发电位信号的频率识别方法 | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及系统 | |
CN114323642A (zh) | 风电机组振动数据处理系统以及数据稀释方法 | |
Zhao et al. | Bearing fault diagnosis based on inverted Mel-scale frequency cepstral coefficients and deformable convolution networks | |
CN113702038B (zh) | 防爆电机轴承故障诊断方法及系统 | |
Cui et al. | The diagnosis of gear and bearing compound faults via adapted dictionary-free orthogonal matching pursuit and spectral negentropy | |
Cai et al. | Encogram: An autonomous weak transient fault enhancement strategy and its application in bearing fault diagnosis | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
Zhou et al. | Application of IPSO-MCKD-IVMD-CAF in the compound fault diagnosis of rolling bearing | |
Liu et al. | An interpretable multiplication-convolution network for equipment intelligent edge diagnosis | |
CN112904412B (zh) | 一种矿山微震信号p波初至时刻提取方法及系统 | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN115310490B (zh) | 基于多域特征与敏感特征选择的旋转设备故障分析方法 | |
LU502454B1 (en) | A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition | |
CN116659856A (zh) | 基于wpt-1dcnn的电机轴承的故障诊断方法 | |
CN115911623A (zh) | 一种储能系统基于声信号的电池热失控诊断方法及系统 | |
CN113686577A (zh) | 一种基于快速非线性稀疏谱的轴承故障诊断方法 | |
CN115356631B (zh) | 高维变量下电机状态监测方法及系统 | |
Xv et al. | An adaptive enhanced envelope spectrum technique for bearing fault detection in conditions characterized by strong noise |
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 |