CN114492539B - 轴承的故障检测方法、装置、电子设备及存储介质 - Google Patents

轴承的故障检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114492539B
CN114492539B CN202210154702.XA CN202210154702A CN114492539B CN 114492539 B CN114492539 B CN 114492539B CN 202210154702 A CN202210154702 A CN 202210154702A CN 114492539 B CN114492539 B CN 114492539B
Authority
CN
China
Prior art keywords
frequency
ridge line
matrix
time
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.)
Active
Application number
CN202210154702.XA
Other languages
English (en)
Other versions
CN114492539A (zh
Inventor
李奕璠
杨耀程
陈再刚
章玉伟
张新
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210154702.XA priority Critical patent/CN114492539B/zh
Publication of CN114492539A publication Critical patent/CN114492539A/zh
Application granted granted Critical
Publication of CN114492539B publication Critical patent/CN114492539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请提供一种轴承的故障检测方法、装置、电子设备及存储介质，所述方法包括：通过对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；根据所述时频矩阵，生成参考脊线；根据参考脊线，构建自适应损失函数，并根据自适应损失函数生成时频矩阵的第一目标脊线；根据第一目标脊线，生成至少一条第二目标脊线；根据第一目标脊线以及至少一条第二目标脊线，确定待检测轴承是否存在故障。通过构建自适应函数，使提取的目标时频脊线根据信号的瞬时特征而自适应变化，从而可以实现时频脊线的准确提取。

Description

轴承的故障检测方法、装置、电子设备及存储介质
技术领域
本申请涉及机械设备信号处理领域，具体而言，涉及一种轴承的故障检测方法、装置、电子设备及存储介质。
背景技术
轮对轴承是铁道车辆走行部的重要组成部件，它不仅承担列车的重量、承受从车体和轨道传递来的作用力，还要传递牵引力和制动力以及由此产生的附加载荷。由于其长时期处于重载、交变应力、随机冲击振动和变化的热湿环境等运行条件下，极易产生故障。有效检测轮对轴承运行状态，及时发现安全隐患，对确保轮对轴承稳定和高品质运行至关重要。
现有技术中，一般可以使用峰值搜索法、代价函数法和快速路径优化法等时频脊线提取方法来提取轴承振动信号的时频脊线，并根据提取到的时频脊线检测轴承的健康状况。
但是，现有的时频脊线提取方法无法实现脊线的准确提取，并且，时频分析的结果往往需要专家进一步的分析与验证，无法实现自动化的状态评估。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种轴承故障检测方法、装置、电子设备及存储介质，提高时频脊线提取的准确性以及轴承故障检测的效率。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种轴承的故障检测方法，所述方法包括：
对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；
根据所述时频矩阵，生成参考脊线；
根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线；
根据所述第一目标脊线，生成至少一条第二目标脊线；
根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障。
可选的，所述根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线，包括：
A、根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽；
B、根据所述频率差分和所述搜索带宽构建自适应损失函数；
C、基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，所述损失矩阵用于表征所述时频矩阵中各时刻对应的损失值，所述路径矩阵用于表征所述时频矩阵中各时刻至起始时刻的路径；
D、根据所述损失矩阵，确定结束时刻对应的最大损失值；
E、根据所述路径矩阵和所述最大损失值生成完整脊线；
F、判断所述完整脊线与所述参考脊线是否一致，若是，则将所述完整脊线作为所述第一目标脊线，并结束；若否，则将所述完整脊线作为新的所述参考脊线，并重新执行步骤A-F。
可选的，所述根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽，包括：
根据所述频率差分剔除频率差分中异常值。
可选的，所述基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，包括：
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的损失值；
根据各时刻上的各频率点对应的损失值以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻的各频率点对应的损失值的累加值；
使用各时刻的各频率点对应的损失值的累加值构建得到所述损失矩阵；
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的位置；
根据各时刻的各频率点对应的位置以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻对应的位置；
基于各时刻的各频率点对应的位置，构建得到所述路径矩阵；
可选的，所述根据所述路径矩阵和所述最大损失值生成完整脊线，包括：
以所述最大损失值在所述损失矩阵中的对应点作为起点，以所述起点在所述路径矩阵中路径作为初始路径，沿反向时间轴进行迭代处理，得到所述完整脊线。
可选的，所述根据所述第一目标脊线，生成至少一条第二目标脊线，包括：
A、在所述时频矩阵中删除所述第一目标脊线，得到删除后的时频矩阵，并根据所述删除后的时频矩阵生成新的参考脊线，根据所述新的参考脊线重新构建自适应损失函数，并根据所述自适应损失函数生成一条可用目标脊线，将所述可用目标脊线作为一条第二目标脊线；
B、以所述第二目标脊线作为新的所述第一目标脊线，重新执行步骤A，直至所述第二目标脊线的数量达到预设数量。
可选的，根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障，包括：
计算各目标脊线的平均点对点频率比；
若所述平均点对点频率比与理论的轴承故障特征阶次匹配，则确定所述待检测轴承存在所述轴承故障特征阶次对应的故障。
第二方面，本申请实施例还提供了一种轴承故障检测装置，所述装置包括：
分析模块，用于对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；
生成模块，用于根据所述时频矩阵，生成参考脊线；
构建模块，用于根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线；
生成模块，用于根据所述第一目标脊线，生成至少一条第二目标脊线；
确定模块，用于根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障。
可选的，所述构建模块，具体用于：
A、根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽；
B、根据所述频率差分和所述搜索带宽构建自适应损失函数；
C、基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，所述损失矩阵用于表征所述时频矩阵中各时刻对应的损失值，所述路径矩阵用于表征所述时频矩阵中各时刻至起始时刻的路径；
D、根据所述损失矩阵，确定结束时刻对应的最大损失值；
E、根据所述路径矩阵和所述最大损失值生成完整脊线；
F、判断所述完整脊线与所述参考脊线是否一致，若是，则将所述完整脊线作为所述第一目标脊线，并结束；若否，则将所述完整脊线作为新的所述参考脊线，并重新执行步骤A-F。
可选的，所述构建模块，具体用于：
根据所述频率差分剔除频率差分中异常值。
可选的，所述构建模块，具体用于：
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的损失值；
根据各时刻上的各频率点对应的损失值以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻的各频率点对应的损失值的累加值；
使用各时刻的各频率点对应的损失值的累加值构建得到所述损失矩阵；
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的位置；
根据各时刻的各频率点对应的位置以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻对应的位置；
基于各时刻的各频率点对应的位置，构建得到所述路径矩阵；
可选的，所述生成模块，具体用于
以所述最大损失值在所述损失矩阵中的对应点作为起点，以所述起点在所述路径矩阵中路径作为初始路径，沿反向时间轴进行迭代处理，得到所述完整脊线。
可选的，所述生成模块，具体用于：
A、在所述时频矩阵中删除所述第一目标脊线，得到删除后的时频矩阵，并根据所述删除后的时频矩阵生成新的参考脊线，根据所述新的参考脊线重新构建自适应损失函数，并根据所述自适应损失函数生成一条可用目标脊线，将所述可用目标脊线作为一条第二目标脊线；
B、以所述第二目标脊线作为新的所述第一目标脊线，重新执行步骤A，直至所述第二目标脊线的数量达到预设数量。
可选的，所述确定模块，具体用于：
计算各目标脊线的平均点对点频率比；
若所述平均点对点频率比与理论的轴承故障特征阶次匹配，则确定所述待检测轴承存在所述轴承故障特征阶次对应的故障。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当应用程序运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行上述第一方面所述的轴承的故障检测方法的步骤。
第四方面，本申请实施例还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上存储有计算机程序，所述计算机程序被读取并执行上述第一方面所述的轴承的故障检测方法的步骤。
本申请的有益效果是：
本申请提供的一种轴承的故障检测方法、装置、电子设备及存储介质，通过对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；根据所述时频矩阵，生成参考脊线；根据参考脊线，构建自适应损失函数，并根据自适应损失函数生成时频矩阵的第一目标脊线；根据第一目标脊线，生成至少一条第二目标脊线；根据第一目标脊线以及至少一条第二目标脊线，确定待检测轴承是否存在故障。通过构建自适应函数，使提取的目标时频脊线根据信号的瞬时特征而自适应变化，从而可以实现时频脊线的准确提取。
另外通过根据提取的目标脊线确定轴承是否存在故障以及相应的故障位置，可以实现全自动的对故障进行检测，无需人工干预。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种示例性场景示意图；
图2为本申请实施例提供的一种轴承故障检测方法的流程示意图；
图3为本申请实施例提供的一种时频矩阵示意图；
图4为本申请实施例提供的另一种轴承故障检测方法的流程示意图；
图5为本申请实施例提供的又一种轴承故障检测方法的流程示意图；
图6为本申请实施例提供的一种轴承故障检测方法的装置示意图；
图7为本申请实施例提供的一种电子设备的结构框图。
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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅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。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
图1为本申请实施例提供的一种示例性场景示意图，如图1所示，该方法可以应用在轴承设备故障检测场景中，在该场景中，涉及车辆轴承和电子设备。其中，车辆轴箱上安装传感器。车辆传感器和电子设备可以进行通信连接。电子设备例如可以是台式电脑、笔记本电脑、服务器等。车辆轴承发生故障时，相应的故障特征会表现在轴承的振动信号中，传感器将采集到的轴承信号发送给电子设备，电子设备对接收到的信号利用本申请实施例的方法进行处理得到多条时频脊线，进而根据时频脊线检测车辆轴承是否存在故障。
图2为本申请实施例提供的一种轴承故障检测方法的流程示意图，如图2所示，该方法的执行主体为前述的电子设备。该方法包括：
S101、对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征轴承振动信号在各时刻的幅值和频率。
可选的，车辆往往是以变转速的运行状态工作，滚动轴承的故障信号是非平稳的振动信号，该振动信号是时域信号，时频分析法是分析非平稳信号的一种方法，例如，可以使用短时傅里叶变换、小波变换等时频分析法对振动信号进行时频转换。对采集到的轴承信号进行时频分析后，可以获得频率随时间变化的时频分布矩阵，如图3所示，该时频分布矩阵TFR(f(tn),tn)的横轴可以表征时间轴，时间轴从左到右可以从0时刻开始到结束，纵轴可以表征频率轴，频率轴可以从高频率到低频率也可以从低频率到高频率进行排序，时频分布矩阵中的数值大小可以表征各频率点的幅值。
S102、根据时频矩阵，生成参考脊线。
可选的，该时频矩阵中各时刻可以包括多个频率点，各频率点一一对应一个幅值，可以在各时刻中选取一个频率点，将各时刻选取出的频率点连接起来可以生成一条脊线。
可选的，可以使用峰值搜索法，在时频矩阵中搜索各时刻中幅值最大的频率点，将搜索出来的各时刻中幅值最大的频率点连接起来生成的脊线作为初始的参考脊线。具体地，可以使用公式一求得各时刻幅值最大的频率，其中argmax表示求最大值对应的频率，tn表示时间点。
fp(tn)＝argmax(TFR(f(tn),tn))  公式一
示例性的，若在1时刻的幅值最大值为15，根据公式一计算出幅值15对应的频率为0.8，若在2时刻中幅值最大值为27，根据公式一计算出幅值27对应的频率为2.4，则将1时刻的频率点0.8与2时刻的频率点2.4连接起来生成的脊线作为参考脊线。
S103、根据参考脊线，构建自适应损失函数，并根据自适应损失函数生成时频矩阵的第一目标脊线。
可选的，由于轴承的振动信号是非平稳的信号，经过时频分析法转换的时频信号具有瞬时时频特征，因此，自适应损失函数的算法是自适应的，该算法取决于待分析时频信号的瞬时时频特征，可以根据待分析时频信号瞬时特征的变化而自适应变化。
可选的，可以根据步骤S102生成的参考脊线上的频率点，构建与该参考脊线相适应的损失函数，根据该自适应损失函数通过计算，生成一条新的脊线，其中，生成的新的脊线可以与S102的参考脊线一致，也可以不一致，若一致，将生成的新的脊线作为时频矩阵的第一目标脊线。
S104、根据第一目标脊线，生成至少一条第二目标脊线。
可选的，第一条目标脊线可以是时频矩阵中各时刻平均幅值最大的频率点连接生成的脊线，第二条目标脊线可以是时频矩阵中各时刻平均幅值仅次于第一条目标脊线各时刻幅值的频率点连接生成的脊线，以此类推，生成第三条目标脊线、第四条目标脊线等多条目标脊线。
S105、根据第一目标脊线以及至少一条第二目标脊线，确定待检测轴承是否存在故障。
可选的，轴承故障可以包括轴承外圈故障，轴承内圈故障，轴承滚动体故障以及轴承保持架故障等，每一个轴承故障都一一对应一个故障特征，该故障特征与获取到的目标脊线的特征相匹配，例如可以根据获取的脊线平滑程度、脊线上频率点的幅值大小或者脊线与脊线之间的比较来确定轴承是否存在故障以及具体的故障位置。
综上所述，本实施例通过对待检测轴承的轴承振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；根据所述时频矩阵，生成参考脊线；根据参考脊线，构建自适应损失函数，并根据自适应损失函数生成时频矩阵的第一目标脊线；根据第一目标脊线，生成至少一条第二目标脊线；根据第一目标脊线以及至少一条第二目标脊线，确定待检测轴承是否存在故障。
通过构建自适应函数，使提取的目标时频脊线根据信号的瞬时特征而自适应变化，从而可以实现时频脊线的准确提取。另外通过根据提取的目标脊线确定轴承是否存在故障以及相应的故障位置，可以实现全自动的对故障进行检测，无需人工干预。
图4为本申请实施例提供的另一种轴承故障检测方法的流程示意图，如图4所示，上述步骤S103中根据参考脊线，构建自适应损失函数，并根据自适应损失函数生成时频矩阵的第一目标脊线，包括：
S201、根据参考脊线以及参考脊线的上边界频率和下边界频率，确定参考脊线的频率差分和搜索带宽。
可选的，根据公式二获取参考脊线各时刻对应的上边界频率，根据公式三获取参考脊线各时刻对应的下边界频率，将获取的上边界各频率连接起来生成参考脊线的上边界，将获取的下边界各频率连接起来生成参考脊线的下边界。其中，各时刻的上边界频率点与参考脊线上的频率点之间可以存在至少一个频率点，下边界频率点与参考脊线上的频率点之间可以存在至少一个频率点。
Figure BDA0003511948250000121
Figure BDA0003511948250000122
其中，fup(tn)表示参考脊线的上边界频率，fp(tn)表示参考脊线的频率，fi(tn)表示边界与参考脊线之间的点的频率，fdown(tn)表示脊线的下边界频率，TFR表示相应的幅值。
可选的，公式二中，各时刻上的上边界频率点的频率大于上边界与参考脊线之间频率点的频率，上边界与参考脊线之间频率点的频率大于参考脊线上频率点的频率；同时，各时刻参考脊线上频率点的幅值大于上边界与参考脊线之间频率点的幅值，上边界与参考脊线之间频率点的幅值大于上边界频率点的幅值；并且，各时刻上边界频率点的幅值小于与上边界频率点相邻且大于上边界频率的频率点的幅值。
可选的，公式三中，各时刻下边界频率点的频率小于下边界与参考脊线之间频率点的频率，下边界与参考脊线之间频率点的频率小于参考脊线上频率点的频率；同时，各时刻参考脊线上频率点的幅值大于下边界与参考脊线之间频率点的幅值，下边界与参考脊线之间频率点的幅值大于下边界频率点的幅值；并且，各时刻下边界频率点的幅值小于与下边界频率点相邻且小于下边界频率的频率点的幅值。
可选的，根据公式四可以确定参考脊线的频率差分，公式五可以确定搜索带宽。
Δfp(tn)＝fp(tn)-fp(tn-1)，n＝1,2,…,N  公式四
fw＝median[sort(fup(tn)-fdown(tn))]  公式五
其中，Δfp(tn)表示为参考脊线上相邻频率点的频率差值，fp(tn)表示参考脊线上tn时刻对应的频率，fp(tn-1)表示参考脊线上tn-1时刻对应的频率，fw表示为搜索带宽，sort表示将各时刻上边界频率与下边界频率的差值按从小到大的顺序进行排序生成一个数组，median表示计算该数组的中位数，则将计算出的数组的中位数作为搜索带宽，则在该搜索带宽中对目标脊线进行搜索。
本实施例中，通过上述方法获取参考脊线的上下边界，可以实现从时频分布中自动自适应的检测时频脊线的边界，使获取到的边界根据时频信号的瞬时特征的变化而自适应的变化，相比较于传统的使用一个自定义的固定的上下边界，上述方法获取到的上下边界更准确，并且减少了人工干预。另外，通过设置搜索带宽可以使后续的目标脊线的提取被限定到获取的上下边界中，从而有效的去除时频分布中的噪声的干扰以及邻近脊线的干扰。
S202、根据频率差分和搜索带宽构建自适应损失函数。
可选的，自适应损失函数包括幅值项和跳频约束项，如公式六，其中，幅值项为时频矩阵中各时刻频率点对应的幅值，将各时刻各频率点对应的跳频约束项和各时刻各频率点的幅值相加，得到自适应损失函数。
AF(m(tn),m(tn-1))＝Am(tn)+e(m(tn),tn)  公式六
其中，Am(tn)表示tn时刻各频率点的幅值，e(m(tn),m(tn-1))表示跳频约束项，m(tn)表示tn时刻的频率点数，m(tn-1)表示tn-1时刻的频率点数，由频率差分和搜索带宽来构建，如公式七。
Figure BDA0003511948250000141
|Δξ|<fw  公式七
公式七中max为求参考脊线频率差分Δfp数组的最大值，min为求参考脊线频率差分Δfp数组的最小值，|Δξ|<fw可以将计算出的Δξ的绝对值大于fw的值删除，从而删除频率差分过大的频率点。示例性的，当n＝2时，根据公式七计算出第2时刻的e(m(tn),m(tn-1))是2×4的矩阵，则公式六计算出的第2时刻的AF(m(tn),m(tn-1))也是2×4的矩阵。
Δξ(m(tn),m(tn-1))＝fm(tn)-fm(tn-1)  公式八
公式八中Δξ(m(tn),m(tn-1))表示tn时刻各频率点分别与tn-1时刻的各频率点的频率差，m(tn)表示tn时刻的频率点数，m(tn-1)表示tn-1时刻的频率点数，fm(tn)表示tn时刻各频率点数对应的频率，fm(tn-1)表示tn-1时刻各频率点数对应的频率，根据公式八可以得到一个频率差矩阵，例如tn时刻有M个频率点，tn-1时刻有N个频率点，则通过公式八计算出的Δξ(m(tn),m(tn-1))是一个大小为M×N的矩阵。
示例性的，若当n＝2时，2时刻有四个频率点，1时刻有两个频率点，则计算出的Δξ(m(tn),m(tn-1))是一个2×4的矩阵。
本实施例中，通过设置跳频约束项对不同跳频的频率点进行了差异化的约束，能够更有效的识别具有较大跳频的频率点，区分具有较大跳频的频率点与噪声。
S203、基于自适应损失函数确定时频矩阵对应的损失矩阵和路径矩阵。
可选的，损失矩阵用于表征时频矩阵中各时刻对应的损失值，其中，各时刻有对应数量的频率点，若tn时刻有M个频率点，则tn时刻有M个损失值，若时间tn的最大时间值为T，且各时刻中存在频率点最多的数量为N，则损失矩阵为一个大小N×T的矩阵，该损失矩阵的横轴为时间轴，纵轴为各时刻存在的频率点的数量；路径矩阵用于表征时频矩阵中各时刻至起始时刻的所有可能的路径，各时刻到起始时刻可以有至少一条路径，路径矩阵和损失矩阵大小一致，则路径矩阵也为一个大小N×T的矩阵。
S204、根据损失矩阵，确定结束时刻对应的最大损失值。
其中，损失值越大的脊线，该脊线上的频率点对应的幅值越大，而且脊线的跳频越小，因此，在确定脊线时选择各时刻中最大损失值对应的频率点。在损失矩阵中，各时刻中存在至少一个频率点，脊线的最终时刻与损失矩阵中的结束时刻对应，则根据比较损失矩阵中结束时刻上的所有频率点的损失值的大小，确定出结束时刻中最大的损失值。
S205、根据路径矩阵和最大损失值生成完整脊线。
可选的，在损失矩阵中确定出结束时刻对应的损失最大值后，例如损失矩阵中的结束时刻为8，且在第8时刻中的第三个频率点的损失值最大，则在路径矩阵中找出对应点的位置，并根据该位置生成完整的脊线。
S206、判断完整脊线与参考脊线是否一致。
可选的，若经过S205得到的完整脊线与S201中的参考脊线完全一致，则该完整脊线为经过S201-S205得的最优脊线，不需要再继续优化，则将该完整脊线作为第一目标脊线提取出来。
可选的，若得到的完整脊线与S201中的参考脊线不一致，则说明该完整脊线还需要继续优化，将得到的该完整脊线作为新的参考脊线，继续执行上述步骤S201-S206，直至经过S205提取出的脊线与S201的参考脊线一致。
可选的，上述步骤S201中根据参考脊线以及参考脊线的上边界频率和下边界频率，确定参考脊线的频率差分和搜索带宽，包括：
可选的，根据频率差分剔除频率差分中异常值，具体地，可以使用箱形图去除将频率差分中的异常值剔除，如公式九。
Q1[Δfp]-1.5×IQR［Δfp］<Δfd<Q3［Δfp］+1.5×IQR［Δfp］  公式九
其中Δfp表示为参考脊线上相邻频率点的频率差分数组，Q1[Δfp]表示Δfp数组的下四分位数，Q3[Δfp]表示Δfp数组的下四分位数，IQR［Δfp］＝Q3[Δfp]-Q1[Δfp]，从公式九中可以看出将参考脊线上小于Q1[Δfp]-1.5×IQR［Δfp］的频率差分以及大于Q3［Δfp］+1.5×IQR［Δfp］的频率差分作为频率差分数组中的异常值，可以将过大的频率差分剔除，将剔除后的频率差分数据用于后续的自适应函数的构建，使构建出的自适应函数更准确。
图5为本申请实施例提供的又一种轴承故障检测方法的流程示意图，如图5所示，上述步骤S203中基于自适应损失函数确定时频矩阵对应的损失矩阵和路径矩阵，包括：
S301、构建时频矩阵对应的损失矩阵。
可选的，基于自适应损失函数AF(m(tn),m(tn-1))，计算时频矩阵中各时刻各频率点对应的损失值，根据各时刻上的各频率点对应的损失值与各时刻的前一时刻的各频率点对应的损失值的累加值加起来，得到各时刻的各频率点对应的损失值的累加值，如公式十。
S(m(tn),tn)＝max(AF(m(tn),m(tn-1))+S(m(tn-1),tn-1))公式十
其中，S(m(tn),tn)表示tn时刻各频率点对应的损失值的累加值，m(tn)表示在tn时刻频率点的序列，S(m(tn-1),tn-1)表示为各时刻的前一时刻的各频率点对应的损失值的累加值，m(tn-1)表示在tn-1时刻频率点的序列，AF(m(tn),m(tn-1))表示各频率点在tn时刻的损失值，具体地，根据矩阵AF(m(tn),m(tn-1))与S(m(tn-1),tn-1)的数值相加得到m(tn)×m(tn-1)的矩阵，选取该矩阵中每一行最大的损失值，最终得到tn时刻各频率点对应的损失值的累加值。
S302、构建时频矩阵对应的路径矩阵。
可选的，基于自适应损失函数AF(m(tn),m(tn-1))，计算时频矩阵中各时刻各频率点对应的损失值，根据各时刻上的各频率点对应的损失值与各时刻的前一时刻的各频率点对应的损失值的累加值加起来，得到各时刻的各频率点对应的损失值的累加值，根据各时刻各频率点对应的损失值的累加值计算出时频矩阵中该频率点对应的位置，该位置的横轴为时频矩阵中的时刻，纵轴为各时刻中各频率点的序列，如公式十一。
r(m(tn),tn)＝argmax(AF(m(tn),tn)+S(m(tn-1),tn-1))公式十一
其中，r(m(tn),tn)表示tn时刻各频率点的损失值的累加值对应的路径，m(tn)表示在tn时刻频率点的序列，则r(m(tn),tn)表示从tn时刻到初始时刻所有可能的路径，从tn时刻到初始时刻可以有至少一条的多条不同的路径。
可选的，在上述步骤S205中根据路径矩阵和最大损失值生成完整脊线，包括：
可选的，以最大损失值在损失矩阵中的对应点作为起点，以起点在路径矩阵中路径作为初始路径，沿反向时间轴进行迭代处理，得到完整脊线。其中，该最大损失值是时间轴上的最大时刻上的最大损失值，若时间轴上最大时刻是N，在tN时刻最大损失值为S(m(tN),tN)，则该最大损失值对应的点为(m(tN),tN)，其中tN为最大时刻值，m(tN)为该时刻纵轴的频率点序列，该点在路径矩阵中的位置也为(m(tN),tN)，该点对应的路径为r(m(tN),tN)，在路径矩阵中以该点为起点，根据时间轴从tn时刻开始反向迭代至初始时刻，得出完整脊线，具体地，根据公式十二进行迭代计算脊线路径上的频率点的序列，并根据计算出的脊线路径上的频率点的序列通过公式十三计算出脊线对应的频率点的频率，在时频矩阵中将计算出的频率点连接起来最终得到时频矩阵中的脊线。
m(tn-1)＝r(m(tn),tn)，n＝N,N-1,…,1  公式十二
Figure BDA0003511948250000191
n＝1，2...，N  公式十三
其中，m(tn-1)表示tn-1时刻频率点的序列，ridge表示为计算出的脊线上的频率。
可选的，根据第一目标脊线生成至少一条第二目标脊线，包括：
可选的，在时频矩阵中删除第一目标脊线，得到删除后的时频矩阵，并根据删除后的时频矩阵重新生成新的参考脊线，如上述步骤S102，根据新的参考脊线重新构建自适应损失函数，并根据新的自适应损失函数生成一条可用的目标脊线，并将该目标脊线作为一条第二目标脊线，如重新执行上述步骤S201-S206。
可选的，若预设需要提取的脊线数量超过两条，则将第二目标脊线作为新的第一目标脊线，重新执行上述步骤，直至提取到的第二目标脊线数量达到预设数量。
可选的，根据第一目标脊线以及至少一条第二目标脊线，确定待检测轴承是否存在故障，包括：
可选的，计算提取出的每条目标脊线之间的平均点对点频率比，根据计算出的频率比与理论轴承故障特征阶次进行对比，其中，不同的轴承故障一一对应一个特征阶次，若该频率比与理论轴承故障特征阶次相匹配，则可以确定待检测轴承的故障特征，若该频率比与理论轴承故障特征阶次不匹配，则待检测轴承无故障。
示例性的，若计算出的脊线平均点对点频率比为3.5，理论的轴承内圈故障阶次为3.5，则，可以根据计算出的频率比与理论的轴承内圈故障阶次都为3.5，判断出轴承内圈出现故障，用户可以对轴承内圈进行具体的检测。
本实施例中，通过对比每条脊线之间的平均点对点的频率比，可以使计算的频率比更准确，对轴承故障的检测更准确，更全面。
图6为本申请实施例提供的一种轴承故障检测方法的装置示意图，如图6所示，该装置包括：
分析模块401，对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；
生成模块402，根据所述时频矩阵，生成参考脊线；
构建模块403，根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线；
生成模块402，根据所述第一目标脊线，生成至少一条第二目标脊线；
确定模块404，根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障。
构建模块403，具体用于：
A、根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽；
B、根据所述频率差分和所述搜索带宽构建自适应损失函数；
C、基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，所述损失矩阵用于表征所述时频矩阵中各时刻对应的损失值，所述路径矩阵用于表征所述时频矩阵中各时刻至起始时刻的路径；
D、根据所述损失矩阵，确定结束时刻对应的最大损失值；
E、根据所述路径矩阵和所述最大损失值生成完整脊线；
F、判断所述完整脊线与所述参考脊线是否一致，若是，则将所述完整脊线作为所述第一目标脊线，并结束；若否，则将所述完整脊线作为新的所述参考脊线，并重新执行步骤A-F。
构建模块403，具体用于：
根据所述频率差分剔除频率差分中异常值。
构建模块403，具体用于：
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的损失值；
根据各时刻上的各频率点对应的损失值以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻的各频率点对应的损失值的累加值；
使用各时刻的各频率点对应的损失值的累加值构建得到所述损失矩阵；
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的位置；
根据各时刻的各频率点对应的位置以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻对应的位置；
基于各时刻的各频率点对应的位置，构建得到所述路径矩阵；
生成模块402，具体用于
以所述最大损失值在所述损失矩阵中的对应点作为起点，以所述起点在所述路径矩阵中路径作为初始路径，沿反向时间轴进行迭代处理，得到所述完整脊线。
生成模块402，具体用于：
A、在所述时频矩阵中删除所述第一目标脊线，得到删除后的时频矩阵，并根据所述删除后的时频矩阵生成新的参考脊线，根据所述新的参考脊线重新构建自适应损失函数，并根据所述自适应损失函数生成一条可用目标脊线，将所述可用目标脊线作为一条第二目标脊线；
B、以所述第二目标脊线作为新的所述第一目标脊线，重新执行步骤A，直至所述第二目标脊线的数量达到预设数量。
确定模块404，具体用于：
计算各目标脊线的平均点对点频率比；
若所述平均点对点频率比与理论的轴承故障特征阶次匹配，则确定所述待检测轴承存在所述轴承故障特征阶次对应的故障。
图7为本申请实施例提供的一种电子设备500的结构框图，如图7所示，该电子设备可包括：处理器501、存储器502。
可选的，还可以包括总线503，其中，所述存储器502用于存储有所述处理器501可执行的机器可读指令(例如，图6中的装置中分析模块、生成模块、构建模块、确定模块对应的执行指令等)，当电子设备500运行时，所述处理器501与所述存储器502存储之间通过总线503通信，所述机器可读指令被所述处理器501执行时执行上述方法实施例中的方法步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述轴承故障检测方法实施例中的方法步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (8)

1.一种轴承的故障检测方法，其特征在于，该方法包括：
对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承的振动信号在各时刻的幅值和频率；
根据所述时频矩阵，生成参考脊线；
根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线；
根据所述第一目标脊线，生成至少一条第二目标脊线；
根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障；
所述根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线，包括：
A、根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽；
B、根据所述频率差分和所述搜索带宽构建自适应损失函数；
C、基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，所述损失矩阵用于表征所述时频矩阵中各时刻对应的损失值，所述路径矩阵用于表征所述时频矩阵中各时刻至起始时刻的路径；
D、根据所述损失矩阵，确定结束时刻对应的最大损失值；
E、根据所述路径矩阵和所述最大损失值生成完整脊线；
F、判断所述完整脊线与所述参考脊线是否一致，若是，则将所述完整脊线作为所述第一目标脊线，并结束；若否，则将所述完整脊线作为新的所述参考脊线，并重新执行步骤A-F；
所述根据所述第一目标脊线，生成至少一条第二目标脊线，包括：
G、在所述时频矩阵中删除所述第一目标脊线，得到删除后的时频矩阵，并根据所述删除后的时频矩阵生成新的参考脊线，根据所述新的参考脊线重新构建自适应损失函数，并根据所述自适应损失函数生成一条可用目标脊线，将所述可用目标脊线作为一条第二目标脊线；
H、以所述第二目标脊线作为新的所述第一目标脊线，重新执行步骤G，直至所述第二目标脊线的数量达到预设数量。
2.根据权利要求1所述的轴承的故障检测方法，其特征在于，所述根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽，包括：
根据所述频率差分剔除频率差分中异常值。
3.根据权利要求1所述的轴承的故障检测方法，其特征在于，所述基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，包括：
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的损失值；
根据各时刻上的各频率点对应的损失值以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻的各频率点对应的损失值的累加值；
使用各时刻的各频率点对应的损失值的累加值构建得到所述损失矩阵；
基于所述自适应损失函数，计算所述时频矩阵中各时刻的各频率点对应的位置；
根据各时刻的各频率点对应的位置以及各时刻的前一时刻的各频率点对应的损失值的累加值，计算各时刻对应的位置；
基于各时刻的各频率点对应的位置，构建得到所述路径矩阵。
4.根据权利要求1所述的轴承的故障检测方法，其特征在于，所述根据所述路径矩阵和所述最大损失值生成完整脊线，包括：
以所述最大损失值在所述损失矩阵中的对应点作为起点，以所述起点在所述路径矩阵中路径作为初始路径，沿反向时间轴进行迭代处理，得到所述完整脊线。
5.根据权利要求1-4任一项所述的轴承的故障检测方法，其特征在于，
根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障，包括：
计算各目标脊线的平均点对点频率比；
若所述平均点对点频率比与理论的轴承故障特征阶次匹配，则确定所述待检测轴承存在所述轴承故障特征阶次对应的故障。
6.一种轴承的故障检测装置，其特征在于，包括：
分析装置，用于对待检测轴承的振动信号进行时频分析，得到时频矩阵，所述时频矩阵用于表征所述轴承振动信号在各时刻的幅值和频率；
生成模块，用于根据所述时频矩阵，生成参考脊线；
构建模块，用于根据所述参考脊线，构建自适应损失函数，并根据所述自适应损失函数生成所述时频矩阵的第一目标脊线；
生成模块，用于根据所述第一目标脊线，生成至少一条第二目标脊线；
确定模块，用于根据所述第一目标脊线以及所述至少一条第二目标脊线，确定所述待检测轴承是否存在故障；
所述构建模块，具体用于：A、根据所述参考脊线以及所述参考脊线的上边界频率和下边界频率，确定所述参考脊线的频率差分和搜索带宽；B、根据所述频率差分和所述搜索带宽构建自适应损失函数；C、基于所述自适应损失函数确定所述时频矩阵对应的损失矩阵和路径矩阵，所述损失矩阵用于表征所述时频矩阵中各时刻对应的损失值，所述路径矩阵用于表征所述时频矩阵中各时刻至起始时刻的路径；D、根据所述损失矩阵，确定结束时刻对应的最大损失值；E、根据所述路径矩阵和所述最大损失值生成完整脊线；F、判断所述完整脊线与所述参考脊线是否一致，若是，则将所述完整脊线作为所述第一目标脊线，并结束；若否，则将所述完整脊线作为新的所述参考脊线，并重新执行步骤A-F；
所述生成模块，具体用于：G、在所述时频矩阵中删除所述第一目标脊线，得到删除后的时频矩阵，并根据所述删除后的时频矩阵生成新的参考脊线，根据所述新的参考脊线重新构建自适应损失函数，并根据所述自适应损失函数生成一条可用目标脊线，将所述可用目标脊线作为一条第二目标脊线；H、以所述第二目标脊线作为新的所述第一目标脊线，重新执行步骤G，直至所述第二目标脊线的数量达到预设数量。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-5任一项所述的方法的步骤。
8.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-5任一项所述的方法的步骤。
CN202210154702.XA 2022-02-21 2022-02-21 轴承的故障检测方法、装置、电子设备及存储介质 Active CN114492539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210154702.XA CN114492539B (zh) 2022-02-21 2022-02-21 轴承的故障检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210154702.XA CN114492539B (zh) 2022-02-21 2022-02-21 轴承的故障检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114492539A CN114492539A (zh) 2022-05-13
CN114492539B true CN114492539B (zh) 2023-04-28

Family

ID=81482249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210154702.XA Active CN114492539B (zh) 2022-02-21 2022-02-21 轴承的故障检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114492539B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402131A (zh) * 2017-08-03 2017-11-28 安徽大学 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法
CN110174270A (zh) * 2019-06-10 2019-08-27 苏州大学 多源时频脊线提取方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010039153A1 (en) * 2008-10-04 2010-04-08 Skf Usa, Inc. Portable system for immotive multiphasic motive force electrical machine testing
EP3309530A1 (en) * 2016-10-11 2018-04-18 ABB Schweiz AG Detection of bearing fault
CN106769033B (zh) * 2016-11-30 2019-03-26 西安交通大学 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法
CN107525674B (zh) * 2017-05-27 2019-06-28 苏州大学 基于脊线概率分布和局部波动的转频估计方法及检测装置
CN111934711B (zh) * 2020-06-30 2022-03-25 中国人民解放军63892部队 一种时频混叠跳频信号的参数估计方法
CN111797789B (zh) * 2020-07-10 2024-02-06 合肥工业大学 一种用于故障特征判读的时频脊线提取方法及装置
CN111879508B (zh) * 2020-07-28 2022-06-10 无锡迈斯德智能测控技术有限公司 基于时频变换的旋转机械瞬时转速估计方法、装置和存储介质
CN113125179B (zh) * 2021-03-11 2022-04-01 同济大学 一种旋转机械转速波动无键相阶次跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107402131A (zh) * 2017-08-03 2017-11-28 安徽大学 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法
CN110174270A (zh) * 2019-06-10 2019-08-27 苏州大学 多源时频脊线提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
江星星 ; 李舜酩 ; 周东旺 ; 陈远帆 ; 石娟娟 ; .时频脊融合方法及时变工况行星齿轮箱故障识别.《振动工程学报》.2017,(第1期),131-138. *
王楠,孙凤久,陈长征.基于小波分析的低速重载轴承故障诊断.《东北大学学报(自然科学版)》.2005,(第1期),77-79. *

Also Published As

Publication number Publication date
CN114492539A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN110057584B (zh) 一种机车牵引电机轴承退化监测方法
Cui et al. Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv
CN108896299B (zh) 一种齿轮箱故障检测方法
CN115688018B (zh) 一种多工况下轴承的状态监测与故障诊断方法
CN104849050A (zh) 一种基于复合多尺度排列熵的滚动轴承故障诊断方法
CN102175768A (zh) 一种基于振动信号的高铁钢轨伤损探测方法及装置
CN112633098B (zh) 一种旋转机械故障诊断方法、系统及存储介质
CN112991577B (zh) 一种轨道车辆车轮多边形状态诊断系统
CN110816588B (zh) 一种机车车轮失圆检测方法、装置、设备及系统
CN112183947B (zh) 轨道交通车辆综合评价方法、装置、电子设备及存储介质
CN108444696A (zh) 一种齿轮箱故障分析方法
CN109214522B (zh) 一种基于多属性的设备性能退化评估方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN113391207A (zh) 一种电机故障的检测方法、介质及系统
CN104833535A (zh) 一种铁道车辆车轮踏面擦伤的检测方法
CN107776606B (zh) 一种轴温监测系统故障检测方法
CN113092112A (zh) 一种基于eemd多特征融合的轴承复合故障诊断方法
Shi et al. Generalized variable-step multiscale Lempel-Ziv complexity: a feature extraction tool for bearing fault diagnosis
CN113804388B (zh) 基于时域分析的机械设备旋转冲击故障检测方法及系统
CN114492539B (zh) 轴承的故障检测方法、装置、电子设备及存储介质
CN103852525A (zh) 基于ar-hmm的声发射信号识别方法
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
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
CN112132069A (zh) 一种基于深度学习的滚动轴承微弱故障智能诊断方法
Jiang et al. Feature extraction strategy with improved permutation entropy and its application in fault diagnosis of bearings

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