CN114061952A - 一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法 - Google Patents

一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法 Download PDF

Info

Publication number
CN114061952A
CN114061952A CN202010773084.8A CN202010773084A CN114061952A CN 114061952 A CN114061952 A CN 114061952A CN 202010773084 A CN202010773084 A CN 202010773084A CN 114061952 A CN114061952 A CN 114061952A
Authority
CN
China
Prior art keywords
filtering
sideband energy
gear
armed
monitoring method
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
CN202010773084.8A
Other languages
English (en)
Other versions
CN114061952B (zh
Inventor
马洪涛
王怡枫
丁炜琦
张振华
吴斌
高兵
薛建华
贺国伟
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.)
Shaanxi Hande Axle Co Ltd
Original Assignee
Shaanxi Hande Axle 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 Shaanxi Hande Axle Co Ltd filed Critical Shaanxi Hande Axle Co Ltd
Priority to CN202010773084.8A priority Critical patent/CN114061952B/zh
Publication of CN114061952A publication Critical patent/CN114061952A/zh
Application granted granted Critical
Publication of CN114061952B publication Critical patent/CN114061952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
    • H03H17/0213—Frequency domain filters using Fourier transforms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及一种基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，包括：采集驱动桥的振动信号；对振动信号数据分别进行ARMED滤波和局部边带能量包络，进而提取峭度指标和边带能量RMS；根据峭度指标和边带能量RMS，判定齿轮和轴承是否存在故障。本申请中的ARMED滤波克服了MED滤波的端部畸值问题，并且通过AR滤波去除确定性成分，从而降低了齿轮加工误差与台架齿轮箱对故障判定的干扰；而基于齿轮边带能量分析，能间接反映轴承故障状态，有效避开了轴承故障微弱、难以提取的现实问题，从而简洁、高效地实现齿轮轴承的耦合性故障分析；另外，将该故障监测方法应用在驱动桥齿轮轴承台架疲劳试验中，可实现疲劳试验的无人值守，进一步降低人工成本。

Description

一种基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法
技术领域
本申请属于齿轮轴承故障监测技术领域，尤其涉及一种基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法。
背景技术
驱动桥齿轮轴承台架疲劳试验是开发过程中的关键试验项目。在试验过程中，若不采取在线状态监测和故障预警技术，则试验的最终结果大多是齿轮、轴承等核心部件严重损毁，从而无法锁定疲劳故障的起始部位以及根本原因。进而，导致疲劳试验的主观分析工作困难重重。这不仅延长开发周期、增加开发成本，同时，突发性故障停机对试验台架会造成较大的损伤。
目前，针对驱动桥齿轮轴承台架疲劳试验的故障监测系统，大多基于阶次分析、差谱分析等技术手段，实现对齿轮箱的整体状态评估。但是，齿轮与轴承在结构和振动特征上具有很强的耦合性，而且完好齿轮的啮合冲击能量远比轴承的故障冲击能量要高。尤其是低频段(0～1000Hz)，在齿轮信号的干扰下，轴承故障信号的提取和判定非常困难。目前，在没有人工阶次识别或主观判定的条件下，监测系统无法独立完成齿轮故障与轴承故障的区分。同时，阶次分析需要引入键相信号的采集和转速计算等工作，这加重了监测系统软、硬件的复杂程度和商业成本。
发明内容
为克服上述现有技术的不足，为解决上述背景技术中的问题，本申请基于ARMED滤波算法和边带能量法，开发了适用于驱动桥齿轮轴承疲劳试验的故障监测算法，能够基于齿轮、轴承运行状态的实时监测与故障诊断，实现早期故障预警，从而避免突发性疲劳故障停机；同时，采取综合指标分析，实现齿轮故障与轴承故障的区分。
本申请具体是通过以下技术方案来实现的：
提供一种基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，包括：
采集驱动桥的振动信号；
对所述振动信号数据分别进行ARMED滤波和局部边带能量包络，进而提取峭度指标和边带能量RMS；
根据所述峭度指标和所述边带能量RMS，判定所述齿轮和所述轴承是否存在故障。
可选的，所述对所述振动信号数据进行ARMED滤波包括：
对所述振动信号进行AR预测滤波，并提取AR滤波误差；
对所述AR滤波误差进行MED滤波，进而得到MED滤波结果；
计算所述MED滤波结果的峭度指标，并展示所述MED滤波结果的时域波形。
可选的，所述AR预测滤波中滤波器的阶数为200；所述MED滤波中滤波器的阶数为30。
可选的，所述对所述振动信号进行AR预测滤波，并提取AR滤波误差包括：
根据所述振动信号x＝[x1x2x3…xN]T及滤波器长度p，构造X＝[xp+1xp+2xp+3…xN]T及矩阵
Figure BDA0002617383010000021
计算滤波器，Ae＝(YTY)-1YTX；
计算滤波误差ε＝X-YAe。
可选的，所述对所述AR滤波误差进行MED滤波，进而得到MED滤波结果包括如下步骤：
步骤1：设定一带有集中脉冲的初始滤波器
Figure BDA0002617383010000022
步骤2：根据所述滤波误差ε，构造矩阵X0与(X0X0 T)-1，
其中
Figure BDA0002617383010000023
步骤3：计算滤波结果
Figure BDA0002617383010000024
步骤4：根据所述滤波结果
Figure BDA0002617383010000025
计算新一代滤波器
Figure BDA0002617383010000026
步骤5：重复步骤3-4，直至滤波信号的峭度指标增长量低于设定值，或达到设定的迭代次数；
步骤6：保存最后一次迭代滤波结果，作为最终的信号输出。
可选的，所述对所述振动信号数据进行局部边带能量包络，进而提取边带能量RMS包括：
将所述振动信号以齿轮副啮合频率的1-4阶谐频为中心频率，进行基于傅里叶正、反变化进行窄带滤波；
对四段滤波信号采用希尔伯特变换与幅值包络；
计算四段包络信号的有效值RMS作为所述边带能量RMS。
可选的，所述窄带滤波宽度横跨6-8阶齿轮转频。
可选的，根据所述峭度指标和所述边带能量RMS，判定所述齿轮和所述轴承是否存在故障包括：
若所述峭度指标与所述边带能量RMS均大幅爬升，则所述齿轮存在故障，若所述边带能量RMS大幅爬升，但所述峭度指标未产生大幅爬升，则所述轴承存在故障。
可选的，所述振动信号的采样频率为2048Hz。
与现有技术相比，本申请具有以下有益的技术效果：
本申请提供的监测方法首先对振动信号进行ARMED滤波，并提取峭度指标，进而实现对齿轮故障严重程度的判定；然后在ARMED滤波的基础之上，引入齿轮边带能量包络，从而实现齿轮轴承耦合性故障的区分，并间接实现轴承故障严重程度的判定；本方法基于驱动桥传动系统的特点，在低频段(<1000Hz)，即可实现轴承故障与齿轮故障的区分；另外，将该故障监测方法应用在驱动桥齿轮轴承台架疲劳试验中，可实现疲劳试验的无人值守，进一步降低人工成本；
本申请中的ARMED滤波克服了MED滤波的端部畸值问题，并且通过AR滤波去除确定性成分，从而降低了齿轮加工误差与台架齿轮箱对故障判定的干扰；且ARMED滤波可将隐藏在宏观振动中的微弱故障冲击信号给以放大，从而实现早期故障诊断和预警功能，如齿轮微裂纹、局部剥落等故障；
本申请中基于齿轮边带能量分析，间接反映轴承故障状态，有效避开了轴承故障微弱、难以提取的现实问题，从而简洁、高效地实现齿轮轴承的耦合性故障分析。
附图说明
图1为本申请提供的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法的实现流程图；
图2为本申请提供的齿轮裂纹故障ARMED滤波前后时域对比图；
图3为本申请提供的齿轮剥落故障峭度指标与边带能量趋势图；
图4为本申请提供的轴承滚道剥落故障峭度指标与边带能量趋势图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
轴承故障冲击信号被齿轮啮合信号掩盖，从而难以识别，但是轴承故障会引起齿轮定位精度的恶化，进而引起齿轮边带能量的爬升，故基于齿轮边带能量分析，可间接反映轴承故障状态，同时避开了轴承故障难以提取的客观现实，从而简洁、高效地实现齿轮轴承的耦合性故障分析。
下面将结合具体实施例对本申请的技术方案加以解释。
如图1所示，本实施例提供一种基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，包括：
采集驱动桥的振动信号；
对所述振动信号数据分别进行ARMED滤波和局部边带能量包络，进而提取峭度指标和边带能量RMS；
根据所述峭度指标和所述边带能量RMS，判定所述齿轮和所述轴承是否存在故障。
其中，所述振动信号的采样频率为2048Hz。
上述监测方法首先对振动信号进行ARMED滤波，并提取峭度指标，进而实现对齿轮故障严重程度的判定；然后在ARMED滤波的基础之上，引入齿轮边带能量包络，从而实现齿轮轴承耦合性故障的区分，并间接实现轴承故障严重程度的判定；
且本方法基于驱动桥传动系统的特点，在低频段(<1000Hz)，即可实现轴承故障与齿轮故障的区分。
具体的，所述对所述振动信号数据进行ARMED滤波包括：
对所述振动信号进行AR预测滤波，并提取AR滤波误差；
对所述AR滤波误差进行MED滤波，进而得到MED滤波结果；
计算所述MED滤波结果的峭度指标，并展示所述MED滤波结果的时域波形。
也即，上述对所述振动信号数据进行ARMED滤波的过程包括如下步骤：
(1)对原始信号X进行AR预测滤波，并提取滤波误差即ε＝X-AR(X)；
(2)对AR滤波误差ε进行MED滤波，进而得到εm；
(3)计算εm的峭度指标，并展示εm的时域波形。
进一步的，所述对所述振动信号进行AR预测滤波，并提取AR滤波误差包括：
根据所述振动信号x＝[x1x2x3…xN]T及滤波器长度p，构造X＝[xp+1xp+2xp+3…xN]T及矩阵
Figure BDA0002617383010000051
计算滤波器，Ae＝(YTY)-1YTX；
计算滤波误差ε＝X-YAe。
ARMED是在AR滤波的基础之上，对滤波误差进行MED最小熵反卷积滤波，具体的，所述对所述AR滤波误差进行MED滤波，进而得到MED滤波结果，包括如下步骤：
步骤1：设定一带有集中脉冲的初始滤波器
Figure BDA0002617383010000052
步骤2：根据所述滤波误差ε，构造矩阵X0与(X0X0 T)-1，
其中
Figure BDA0002617383010000053
步骤3：计算滤波结果
Figure BDA0002617383010000061
步骤4：根据所述滤波结果
Figure BDA0002617383010000062
计算新一代滤波器
Figure BDA0002617383010000063
步骤5：重复步骤3-4，直至滤波信号的峭度指标增长量低于设定值，或达到设定的迭代次数；
步骤6：保存最后一次迭代滤波结果，作为最终的信号输出。
其中，所述AR预测滤波中滤波器的阶数为200；所述MED滤波中滤波器的阶数为30。
峭度指标：
Figure BDA0002617383010000064
上述ARMED滤波克服了MED滤波的端部畸值问题，并且通过AR滤波去除确定性成分，从而降低了齿轮加工误差与台架齿轮箱对故障判定的干扰；且ARMED滤波可将隐藏在宏观振动中的微弱故障冲击信号给以放大，从而实现早期故障诊断和预警功能，如齿轮微裂纹、局部剥落等故障。
具体的，所述对所述振动信号数据分别进行局部边带能量包络，进而提取边带能量RMS包括：
将所述振动信号以齿轮副啮合频率的1-4阶谐频为中心频率，进行基于傅里叶正、反变化进行窄带滤波；
对四段滤波信号采用希尔伯特变换与幅值包络；
计算四段包络信号的有效值RMS作为所述边带能量RMS。
其中，所述窄带滤波宽度横跨6-8阶齿轮转频。
边带能量RMS：
Figure BDA0002617383010000065
上述基于齿轮边带能量分析，间接反映轴承故障状态，有效避开了轴承故障微弱、难以提取的现实问题，从而简洁、高效地实现齿轮轴承的耦合性故障分析。
具体的，根据所述峭度指标和所述边带能量RMS，判定所述齿轮和所述轴承是否存在故障包括：
若所述峭度指标与所述边带能量RMS均大幅爬升，则所述齿轮存在故障，如齿根裂纹或齿面剥落；若所述边带能量RMS大幅爬升，但所述峭度指标未产生大幅爬升，则所述轴承存在故障，如滚道剥落。
图2为本申请提供的齿轮裂纹故障ARMED滤波前后时域对比图，从图中可以看出ARMED滤波可以有效提取齿轮周期性故障冲击信号。
图3为本申请提供的齿轮剥落故障峭度指标与边带能量趋势图，从图中可以看出如齿轮产生故障则峭度指标与边带能量RMS均出现大幅爬升。
图4为本申请提供的轴承滚道剥落故障峭度指标与边带能量趋势图，从图中可以看出如轴承产生剥落故障，则仅表现为边带能量RMS的大幅爬升。
以上给出的实施例是实现本申请较优的例子，本申请不限于上述实施例。本领域的技术人员根据本申请技术方案的技术特征所做出的任何非本质的添加、替换，均属于本申请的保护范围。

Claims (9)

1.一种基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，包括：
采集驱动桥的振动信号；
对所述振动信号数据分别进行ARMED滤波和局部边带能量包络，进而提取峭度指标和边带能量RMS；
根据所述峭度指标和所述边带能量RMS，判定所述齿轮和所述轴承是否存在故障。
2.根据权利要求1所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述对所述振动信号数据进行ARMED滤波包括：
对所述振动信号进行AR预测滤波，并提取AR滤波误差；
对所述AR滤波误差进行MED滤波，进而得到MED滤波结果；
计算所述MED滤波结果的峭度指标，并展示所述MED滤波结果的时域波形。
3.根据权利要求2所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述AR预测滤波中滤波器的阶数为200；所述MED滤波中滤波器的阶数为30。
4.根据权利要求2所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述对所述振动信号进行AR预测滤波，并提取AR滤波误差包括：
根据所述振动信号x＝[x1x2x3…xN]T及滤波器长度p，构造X＝[xp+1xp+2xp+3…xN]T及矩阵
Figure FDA0002617381000000011
计算滤波器，Ae＝(YTY)-1YTX；
计算滤波误差ε＝X-YAe。
5.根据权利要求2所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述对所述AR滤波误差进行MED滤波，进而得到MED滤波结果，包括如下步骤：
步骤1：设定一带有集中脉冲的初始滤波器
Figure FDA0002617381000000012
步骤2：根据所述滤波误差ε，构造矩阵X0与(X0X0 T)-1，
其中
Figure FDA0002617381000000021
步骤3：计算滤波结果
Figure FDA0002617381000000022
Figure FDA0002617381000000023
步骤4：根据所述滤波结果
Figure FDA0002617381000000024
计算新一代滤波器
Figure FDA0002617381000000025
步骤5：重复步骤3-4，直至滤波信号的峭度指标增长量低于设定值，或达到设定的迭代次数；
步骤6：保存最后一次迭代滤波结果，作为最终的信号输出。
6.根据权利要求1所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述对所述振动信号数据进行局部边带能量包络，进而提取边带能量RMS包括：
将所述振动信号以齿轮副啮合频率的1-4阶谐频为中心频率，进行基于傅里叶正、反变化进行窄带滤波；
对四段滤波信号采用希尔伯特变换与幅值包络；
计算四段包络信号的有效值RMS作为所述边带能量RMS。
7.根据权利要求6所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述窄带滤波宽度横跨6-8阶齿轮转频。
8.根据权利要求1所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，根据所述峭度指标和所述边带能量RMS，判定所述齿轮和所述轴承是否存在故障包括：
若所述峭度指标与所述边带能量RMS均大幅爬升，则所述齿轮存在故障，若所述边带能量RMS大幅爬升，但所述峭度指标未产生大幅爬升，则所述轴承存在故障。
9.根据权利要求1所述的基于ARMED与边带能量的驱动桥齿轮轴承故障监测方法，其特征在于，所述振动信号的采样频率为2048Hz。
CN202010773084.8A 2020-08-04 2020-08-04 一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法 Active CN114061952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010773084.8A CN114061952B (zh) 2020-08-04 2020-08-04 一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010773084.8A CN114061952B (zh) 2020-08-04 2020-08-04 一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法

Publications (2)

Publication Number Publication Date
CN114061952A true CN114061952A (zh) 2022-02-18
CN114061952B CN114061952B (zh) 2024-05-14

Family

ID=80231927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010773084.8A Active CN114061952B (zh) 2020-08-04 2020-08-04 一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法

Country Status (1)

Country Link
CN (1) CN114061952B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102539142A (zh) * 2010-09-23 2012-07-04 通用电气公司 用于齿轮啮合故障检测的边带能量比方法
CN103424258A (zh) * 2013-08-06 2013-12-04 昆明理工大学 一种滚动轴承的故障诊断方法
CN104596756A (zh) * 2015-02-02 2015-05-06 华北电力大学 用于旋转机械故障诊断的多频带包络谱阵
US20150369699A1 (en) * 2014-06-19 2015-12-24 United Technologies Corporation System and method for monitoring gear and bearing health
KR20190049149A (ko) * 2017-11-01 2019-05-09 두산인프라코어 주식회사 선회장치의 고장진단 장치 및 방법
CN110470475A (zh) * 2019-09-04 2019-11-19 中国人民解放军空军工程大学航空机务士官学校 一种航空发动机中介轴承早期微弱故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102539142A (zh) * 2010-09-23 2012-07-04 通用电气公司 用于齿轮啮合故障检测的边带能量比方法
CN103424258A (zh) * 2013-08-06 2013-12-04 昆明理工大学 一种滚动轴承的故障诊断方法
US20150369699A1 (en) * 2014-06-19 2015-12-24 United Technologies Corporation System and method for monitoring gear and bearing health
CN104596756A (zh) * 2015-02-02 2015-05-06 华北电力大学 用于旋转机械故障诊断的多频带包络谱阵
KR20190049149A (ko) * 2017-11-01 2019-05-09 두산인프라코어 주식회사 선회장치의 고장진단 장치 및 방법
CN110470475A (zh) * 2019-09-04 2019-11-19 中国人民解放军空军工程大学航空机务士官学校 一种航空发动机中介轴承早期微弱故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任学平 等: "基于自回归最小熵反褶积的滚动轴承故障诊断", 《仪表技术与传感器》, no. 1, pages 90 - 92 *
姚炽伟;樊新海;黄梦;: "基于MED的滚动轴承故障特征提取方法及其应用", 装甲兵工程学院学报, no. 03, pages 35 - 38 *
居浩 等: "汽车驱动桥台架试验的齿轮早期失效诊断与趋势分析", 《电子测量与仪器学报》, vol. 23, no. 12, pages 75 - 82 *

Also Published As

Publication number Publication date
CN114061952B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Salameh et al. Gearbox condition monitoring in wind turbines: A review
He et al. Automatic fault feature extraction of mechanical anomaly on induction motor bearing using ensemble super-wavelet transform
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
Li et al. Early fault diagnosis of rotating machinery by combining differential rational spline-based LMD and K–L divergence
US20180348303A1 (en) Wind Turbine Fault Detection Using Acoustic, Vibration, and Electrical Signals
Sharma A review on vibration-based fault diagnosis techniques for wind turbine gearboxes operating under nonstationary conditions
Barbieri et al. Analysis of automotive gearbox faults using vibration signal
US10197594B2 (en) Tachometer signal jitter reduction system and method
CN109416299A (zh) 识别风力涡轮机中的齿轮系统中的故障的方法
Márquez et al. An overview of wind turbine maintenance management
Kumar et al. Vibration based fault diagnosis techniques for rotating mechanical components
CN114563182A (zh) 一种风电机组主轴轴承碰磨故障识别方法、系统、介质及设备
CN116089813A (zh) 一种基于机器学习的风电机组传动链故障诊断方法
CN114964769A (zh) 一种风电齿轮箱振动信号故障诊断方法
Zhang et al. Fault diagnosis techniques for planetary gearboxes under variable conditions: A review
Berlato et al. Condition monitoring indicators for pitting detection in planetary gear units
CN114061952A (zh) 一种基于armed与边带能量的驱动桥齿轮轴承故障监测方法
CN116378912A (zh) 风力发电机早期复合故障诊断方法、装置和可读存储介质
CN117109923A (zh) 一种滚动轴承故障诊断方法及系统
Djemili et al. A wind turbine bearing fault detection method based on improved CEEMDAN and AR-MEDA
CN111323219B (zh) 利用振动信号对行星齿轮箱损伤进行早期检测的方法
CN109975025B (zh) 基于自适应滤波解调的机车轮对轴承定量诊断方法
CN113447267A (zh) 一种基于振动信号分析的齿轮箱整机状态评估方法和系统
CN112816213B (zh) 一种风力机传动系统的故障诊断方法
Shi et al. Vibration fault diagnosis method for planetary gearbox of wind generating set based on EEMD

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