CN114705426A - 一种滚动轴承早期故障诊断方法 - Google Patents
一种滚动轴承早期故障诊断方法 Download PDFInfo
- Publication number
- CN114705426A CN114705426A CN202210009550.4A CN202210009550A CN114705426A CN 114705426 A CN114705426 A CN 114705426A CN 202210009550 A CN202210009550 A CN 202210009550A CN 114705426 A CN114705426 A CN 114705426A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- kurtosis
- bearing
- envelope spectrum
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种滚动轴承早期故障诊断方法,包括以下步骤:(1)采用最小熵解卷积算法对轴承原始振动信号进行预处理,突出原始信号中微弱故障冲击成分;(2)对预处理后的轴承振动信号进行包络谱峭度分析,计算多个滤波频带的包络谱峭度,得到包络谱峭度最大所对应的信号;(3)对比包络谱峭度最大的包络谱中的频率成分,对比滚动轴承理论故障特征频率,判断有无与理论故障特征频率一致的故障频率成分和谐波成分,从而实现滚动轴承的早期故障诊断。本发明考虑到了轴承故障周期性冲击的特性,采用最小熵解卷积方法,能够最大可能的突出信号中的脉冲冲击成分。同时采用包络谱峭度最大优化方法,充分排除信号中的噪声干扰成分。
Description
技术领域
本发明属于故障诊断领域,涉及一种滚动轴承早期故障诊断方法。
背景技术
滚动轴承作为旋转设备的主要零部件,其健康状况直接关系到设备能否快速有效的运行。若设备内部的轴承出现故障未被及时发现,轻则造成设备停机,重则威胁到设备操作人员的生命安全。当滚动轴承零部件出现故障时,轴承运行时所产生的振动信号中会含有故障冲击成分,如何有效的提取振动信号中的故障冲击,是人们关注的重点。
现有技术中,通过计算轴承振动信号频率可以得知,不同的故障类型对应不同特征频率。实际操作时,由于设备所处运行环境复杂,轴承早期故障冲击特征微弱,且采集到的轴承振动信号受传递路径的影响,导致信号中包含较多的干扰成分,无法准确的提取到轴承故障特征频率信息。因此寻找一种高效的轴承故障冲击特征提取方法对轴承故障准确判断起到了至关重要的作用。
例如,中国专利公开号CN108444704B,公开日2019年09月27日,名为“一种滚动轴承早期故障诊断方法”,包括:采集到的故障信号预处理;提取预处理后的故障信号特征频率;将提取到的特征频率与已知故障特征频率相比较,识别故障类型。其中,预处理包括两个方面:降噪和减少干扰振动分量;在特征提取步骤中,首先将预处理后的故障信号作分段处理,再将预处理后的分段故障信号与无故障轴承信号作相关性分析,根据互相关系数的大小选取包含故障信息较多的信号段用于频率特征提取。
现有专利存在的缺点是:受设备运行环境影响,轴承早期故障冲击特征微弱,且采集到的轴承振动信号受传递路径的影响,导致信号中包含较多的干扰成分,无法准确的提取到轴承故障特征频率信息。
发明内容
本发明的目的是为了解决轴承早期故障冲击特征微弱、信号中包含较多的干扰成分的问题,提供一种提高提取轴承故障特征频率信息精确度的滚动轴承早期故障诊断方法。
为了实现上述目的,本发明采用以下技术方案:
一种滚动轴承早期故障诊断方法,包括以下步骤:
步骤1:获取滚动轴承原始振动信号,采用最小熵解卷积预处理,将振动信号峭度最大值作为优化目标函数,不断迭代计算,最终求解出最优的解卷积滤波器,通过所述解卷积滤波器对振动信号进行处理,得到预处理后的信号;
步骤2:对预处理后的信号进行分析,计算预处理后的信号的整个频带区间,采用1/3-二进制的频带划分方式对预处理后的信号整个频带进行划分,划分得到多个细分的频带区间,分别计算各个频带的包络谱峭度,根据包络谱峭度的最大值所属频带对预处理后的信号进行滤波,得到滤波后的信号;
步骤3:计算滤波后的信号的包络谱,根据包络谱中各个频率点的相对位置与轴承理论故障特征频率进行对比,确定轴承是否出现故障以及出现故障的类型,实现滚动轴承故障诊断。
采用最小熵解卷积方法,有效突出信号中的脉冲冲击成分,实现初步降噪,避免滚动轴承早期故障特征较弱,故障冲击难以提取而造成轴承故障类型无法判断。同时还采用包络谱峭度最大优化方法,对最小熵解卷积处理后的信号进一步的降噪,充分排除信号中的噪声干扰成分。
作为优选,步骤2中所述的包络谱峭度指的是:对预处理后的信号进行FFT变换,得到频谱,再求频谱的包络信号,通过对包络信号进行FFT变换,即可得到预处理后的信号的包络谱,再选取包络谱中的关键频段计算峭度,即可得到预处理后的信号的包络谱峭度。考虑到振动信号时域峭度的局限性,进而求信号频域的峭度,选择计算信号的包络谱峭度。对最小熵解卷积预处理后的信号进行分析,根据包络谱峭度最大得到最优滤波信号,很好地抑制了信号中的干扰成分。
作为优选,所述关键频段指的是包络谱中包含轴承故障特征频率及其倍频成分的频率范围。
作为优选,所述包络谱峭度计算过程如下:
(1)首先根据划分的频带对预处理后的信号分别滤波,得到每个频带的滤波后的信号;
(2)选取包络谱的关键频段计算峭度,选取规则如下:起始频点:转频fr,终止频点:4*finner,只计算起始频点和终止频点之间的峭度值,峭度计算公式如下:
例如:轴承转频为60Hz,内圈故障频率为300Hz,则计算包络谱的峭度值的关键频率范围为60Hz~1200Hz。这样选择频率范围的目的是有效地保留信号包络谱中冲击特征较强的部分,排除了其他部分的干扰;
(3)根据(2)中的选取规则,依次计算每个预处理后信号的包络谱峭度值,并找到峭度值最大的所对应的包络谱。
作为优选,所述步骤3的具体操作如下:
(1)获取经过包络谱峭度处理滤波后的信号,计算信号的包络谱;
(2)根据轴承运行时的转速及轴承自身参数计算得到轴承各个零部件的理论故障特征频率;
(3)在包络谱中查找谱线峰值所对应的频率,若谱线峰值所处频率值与轴承理论故障特征频率之差在10Hz以内,且包络谱中存在对应频率的谐波成分,则可以认定所分析的轴承存在理论故障特征频率所对应的故障。
作为优选,所述轴承理论故障特征频率根据轴承基本参数及轴承运行时的转速计算,计算方法如下:
滚动轴承的转频:
内圈故障特征频率:
外圈故障特征频率:
滚动体故障特征频率:
保持架故障特征频率:
其中:dm为轴承的节径,α为接触角,n为转速,Dd为滚动体直径,Z为滚动体个数。
作为优选,所述最小熵解卷积预处理是将振动信号峭度最大值作为优化目标函数,不断迭代计算,最终求解出最优的解卷积滤波器,通过所述解卷积滤波器对振动信号进行滤波处理,得到滤波后的信号,其中迭代计算过程如下:
(1)振动信号可以用如下式表达:y(n)=h(n)*x(n)+e(n),其中x(n)表示轴承原始冲击信号,h(n)表示信号经过一系列传递最终到传感器采集端的传递函数,e(n)表示环境噪声;
(2)设置逆滤波器w(n),长度为L,初始化逆滤波器中的元素全为1,设定阈值;
(3)迭代计算x(n)=w(n)(i-1)*y(n);
其中l的范围为1—L;
(5)计算w(i)=A-1b(i),其中A为序列y(n)的L×L自相关矩阵;
(7)最后满足阈值条件所对应的信号即为最小熵解卷积最优信号。
因此,本发明具有如下有益效果:(1)对原始轴承振动信号采用最小熵解卷积预处理,用于突出振动信号中的微弱故障冲击成分,实现了信号的初步降噪;(2)考虑到振动信号时域峭度的局限性,进而求信号频域的峭度,选择计算信号的包络谱峭度。对最小熵解卷积预处理后的信号进行分析,根据包络谱峭度最大得到最优滤波信号,很好地抑制了信号中的干扰成分。
附图说明
图1是本发明的滚动轴承早期故障诊断的总体流程图。
图2是本发明的最小熵解卷积的分析流程图。
图3是本发明的包络谱峭度的分析流程图。
具体实施方式
为使本发明技术方案实施例目的、技术方案和优点更加清楚,下面结合附图与具体实施方式对本发明做进一步的描述。
如图1、图2、图3所示的实施例中,一种滚动轴承早期故障诊断方法,包括以下步骤:
步骤1:获取滚动轴承原始振动信号,采用最小熵解卷积预处理,将振动信号峭度最大值作为优化目标函数,不断迭代计算,最终求解出最优的解卷积滤波器,通过所述解卷积滤波器对振动信号进行处理,得到预处理后的信号;
步骤2:对预处理后的信号进行分析,计算预处理后的信号的整个频带区间,采用1/3-二进制的频带划分方式对预处理后的信号整个频带进行划分,划分得到多个细分的频带区间,分别计算各个频带的包络谱峭度,根据包络谱峭度的最大值所属频带对预处理后的信号进行滤波,得到滤波后的信号;
步骤3:计算滤波后的信号的包络谱,根据包络谱中各个频率点的相对位置与轴承理论故障特征频率进行对比,确定轴承是否出现故障以及出现故障的类型,实现滚动轴承故障诊断。采用最小熵解卷积方法,有效突出信号中的脉冲冲击成分,实现初步降噪,避免滚动轴承早期故障特征较弱,故障冲击难以提取而造成轴承故障类型无法判断。同时还采用包络谱峭度最大优化方法,对最小熵解卷积处理后的信号进一步的降噪,充分排除信号中的噪声干扰成分。
上述实施例中所述的一种滚动轴承早期故障诊断方法,考虑到了轴承故障周期性冲击的特性,采用最小熵解卷积方法,该方法充分考虑到了轴承故障冲击特性,能够最大可能的突出信号中的脉冲冲击成分。同时采用包络谱峭度最大优化方法,对最小熵解卷积处理后的信号进一步的降噪,充分排除信号中的噪声干扰成分,解决了轴承故障类型判断过程中,受设备运行环境影响,轴承早期故障冲击特征微弱,且采集到的轴承振动信号受传递路径的影响,导致信号中包含较多的干扰成分,无法准确的提取到轴承故障特征频率信息的问题。
步骤2中所述的包络谱峭度指的是:对预处理后的信号进行FFT变换,得到频谱,再求频谱的包络信号,通过对包络信号进行FFT变换,即可得到预处理后的信号的包络谱,再选取包络谱中的关键频段计算峭度,即可得到预处理后的信号的包络谱峭度。所述关键频段指的是包络谱中包含轴承故障特征频率及其倍频成分的频率范围。考虑到振动信号时域峭度的局限性,进而求信号频域的峭度,选择计算信号的包络谱峭度。对最小熵解卷积预处理后的信号进行分析,根据包络谱峭度最大得到最优滤波信号,很好地抑制了信号中的干扰成分。
如图3所示,所述包络谱峭度计算过程如下:
(1)首先根据划分的频带对预处理后的信号分别滤波,得到每个频带的滤波后的信号;
(2)选取包络谱的关键频段计算峭度,选取规则如下:起始频点:转频fr,终止频点:4*finner,只计算起始频点和终止频点之间的峭度值,峭度计算公式如下:
例如:轴承转频fr为60Hz,内圈故障频率finner为300Hz,则计算包络谱的峭度值的关键频率范围为60Hz~1200Hz。这样选择频率范围的目的是有效地保留信号包络谱中冲击特征较强的部分,排除了其他部分的干扰。
(3)根据(2)中的选取规则,依次计算每个预处理后信号的包络谱峭度值,并找到峭度值最大的所对应的包络谱。
进一步的,步骤3的具体操作如下:
(1)获取经过包络谱峭度处理滤波后的信号,计算信号的包络谱;
(2)根据轴承运行时的转速及轴承自身参数计算得到轴承各个零部件的理论故障特征频率;
(3)在包络谱中查找谱线峰值所对应的频率,若谱线峰值所处频率值与轴承理论故障特征频率之差在10Hz以内,且包络谱中存在对应频率的谐波成分,则可以认定所分析的轴承存在理论故障特征频率所对应的故障。通过包络谱峭度处理后,充分排除了信号中的噪声干扰成分,提高滚动轴承故障类型判断的精准度。
所述轴承理论故障特征频率根据轴承基本参数及轴承运行时的转速计算,计算方法如下:
滚动轴承的转频:
内圈故障特征频率:
外圈故障特征频率:
滚动体故障特征频率:
保持架故障特征频率:
其中:dm为轴承的节径,α为接触角,n为转速,Dd为滚动体直径,Z为滚动体个数。
如图2所示,所述最小熵解卷积预处理是将振动信号峭度最大值作为优化目标函数,不断迭代计算,最终求解出最优的解卷积滤波器,通过所述解卷积滤波器对振动信号进行滤波处理,得到滤波后的信号,其中迭代计算过程如下:
(1)振动信号可以用如下式表达:y(n)=h(n)*x(n)+e(n),其中x(n)表示轴承原始冲击信号,h(n)表示信号经过一系列传递最终到传感器采集端的传递函数,e(n)表示环境噪声;
(2)设置逆滤波器w(n),长度为L,初始化逆滤波器中的元素全为1,设定阈值;
(3)迭代计算x(n)=w(n)(i-1)*y(n);
其中l的范围为1—L;
(5)计算w(i)=A-1b(i),其中A为序列y(n)的L×L自相关矩阵;
(7)最后满足阈值条件所对应的信号即为最小熵解卷积最优信号。
以上所述之具体实施例仅为本发明较佳的实施方式,并非以此限定本发明的具体实施范围。凡依照本发明之形状、结构所作的等效变化理应均包含在本发明的保护范围内。
Claims (7)
1.一种滚动轴承早期故障诊断方法,其特征在于,包括以下步骤:
步骤1:获取滚动轴承原始振动信号,采用最小熵解卷积预处理,将振动信号峭度最大值作为优化目标函数,不断迭代计算,最终求解出最优的解卷积滤波器,通过所述解卷积滤波器对振动信号进行处理,得到预处理后的信号;
步骤2:对预处理后的信号进行分析,计算预处理后的信号的整个频带区间,采用1/3-二进制的频带划分方式对预处理后的信号整个频带进行划分,划分得到多个细分的频带区间,分别计算各个频带的包络谱峭度,根据包络谱峭度的最大值所属频带对预处理后的信号进行滤波,得到滤波后的信号;
步骤3:计算滤波后的信号的包络谱,根据包络谱中各个频率点的相对位置与轴承理论故障特征频率进行对比,确定轴承是否出现故障以及出现故障的类型,实现滚动轴承故障诊断。
2.根据权利要求1所述的一种滚动轴承早期故障诊断方法,其特征在是,步骤2中所述的包络谱峭度指的是:对预处理后的信号进行FFT变换,得到频谱,再求频谱的包络信号,通过对包络信号进行FFT变换,即可得到预处理后的信号的包络谱,再选取包络谱中的关键频段计算峭度,即可得到预处理后的信号的包络谱峭度。
3.根据权利要求2所述的一种滚动轴承早期故障诊断方法,其特征在是,所述关键频段指的是包络谱中包含轴承故障特征频率及其倍频成分的频率范围。
5.根据权利要求1所述的一种滚动轴承早期故障诊断方法,其特征在是,所述步骤3的具体操作如下:
(1)获取经过包络谱峭度处理滤波后的信号,计算信号的包络谱;
(2)根据轴承运行时的转速及轴承自身参数计算得到轴承各个零部件的理论故障特征频率;
(3)在包络谱中查找谱线峰值所对应的频率,若谱线峰值所处频率值与轴承理论故障特征频率之差在10Hz以内,且包络谱中存在对应频率的谐波成分,则可以认定所分析的轴承存在理论故障特征频率所对应的故障。
7.根据权利要求1所述的一种滚动轴承早期故障诊断方法,其特征在是,所述最小熵解卷积预处理是将振动信号峭度最大值作为优化目标函数,不断迭代计算,最终求解出最优的解卷积滤波器,通过所述解卷积滤波器对振动信号进行滤波处理,得到滤波后的信号,其中迭代计算过程如下:
(1)振动信号可以用如下式表达:y(n)=h(n)*x(n)+e(n),其中x(n)表示轴承原始冲击信号,h(n)表示信号经过一系列传递最终到传感器采集端的传递函数,e(n)表示环境噪声;
(2)设置逆滤波器w(n),长度为L,初始化逆滤波器中的元素全为1,设定阈值;
(3)迭代计算x(n)=w(n)(i-1)*y(n);
其中l的范围为1—L;
(5)计算w(i)=A-1b(i),其中A为序列y(n)的L×L自相关矩阵;
(7)最后满足阈值条件所对应的信号即为最小熵解卷积最优信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009550.4A CN114705426A (zh) | 2022-01-06 | 2022-01-06 | 一种滚动轴承早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009550.4A CN114705426A (zh) | 2022-01-06 | 2022-01-06 | 一种滚动轴承早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114705426A true CN114705426A (zh) | 2022-07-05 |
Family
ID=82167645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210009550.4A Pending CN114705426A (zh) | 2022-01-06 | 2022-01-06 | 一种滚动轴承早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114705426A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356109A (zh) * | 2022-10-18 | 2022-11-18 | 沃图水泵(上海)有限公司江苏分公司 | 一种滚动轴承故障识别方法及系统 |
CN115436058A (zh) * | 2022-08-30 | 2022-12-06 | 苏州大学 | 一种轴承故障特征提取的方法、装置、设备以及存储介质 |
CN115493836A (zh) * | 2022-11-15 | 2022-12-20 | 北谷电子有限公司 | 机械故障诊断方法及系统 |
CN115711738A (zh) * | 2022-10-24 | 2023-02-24 | 中国人民解放军93208部队 | 一种服役环境下航空发动机主轴承故障特征频率提取方法 |
CN115931358A (zh) * | 2023-02-24 | 2023-04-07 | 沈阳工业大学 | 一种低信噪比的轴承故障声发射信号诊断方法 |
CN116358873A (zh) * | 2023-05-31 | 2023-06-30 | 厚普智慧物联科技有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116610941A (zh) * | 2023-07-21 | 2023-08-18 | 山东科技大学 | 快速峭度图轴承复合故障诊断方法、系统、设备以及介质 |
CN117349615A (zh) * | 2023-09-26 | 2024-01-05 | 浙江大学 | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 |
-
2022
- 2022-01-06 CN CN202210009550.4A patent/CN114705426A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436058B (zh) * | 2022-08-30 | 2023-10-03 | 苏州大学 | 一种轴承故障特征提取的方法、装置、设备以及存储介质 |
CN115436058A (zh) * | 2022-08-30 | 2022-12-06 | 苏州大学 | 一种轴承故障特征提取的方法、装置、设备以及存储介质 |
CN115356109A (zh) * | 2022-10-18 | 2022-11-18 | 沃图水泵(上海)有限公司江苏分公司 | 一种滚动轴承故障识别方法及系统 |
CN115356109B (zh) * | 2022-10-18 | 2023-12-26 | 沃图水泵(上海)有限公司江苏分公司 | 一种滚动轴承故障识别方法及系统 |
CN115711738A (zh) * | 2022-10-24 | 2023-02-24 | 中国人民解放军93208部队 | 一种服役环境下航空发动机主轴承故障特征频率提取方法 |
CN115711738B (zh) * | 2022-10-24 | 2023-10-31 | 中国人民解放军93208部队 | 一种服役环境下航空发动机主轴承故障特征频率提取方法 |
CN115493836A (zh) * | 2022-11-15 | 2022-12-20 | 北谷电子有限公司 | 机械故障诊断方法及系统 |
CN115493836B (zh) * | 2022-11-15 | 2023-04-14 | 北谷电子有限公司 | 机械故障诊断方法及系统 |
CN115931358A (zh) * | 2023-02-24 | 2023-04-07 | 沈阳工业大学 | 一种低信噪比的轴承故障声发射信号诊断方法 |
CN115931358B (zh) * | 2023-02-24 | 2023-09-12 | 沈阳工业大学 | 一种低信噪比的轴承故障声发射信号诊断方法 |
CN116358873A (zh) * | 2023-05-31 | 2023-06-30 | 厚普智慧物联科技有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116358873B (zh) * | 2023-05-31 | 2023-09-15 | 厚普清洁能源(集团)股份有限公司 | 滚动轴承故障诊断方法、装置、设备及介质 |
CN116610941B (zh) * | 2023-07-21 | 2023-09-22 | 山东科技大学 | 快速峭度图轴承复合故障诊断方法、系统、设备以及介质 |
CN116610941A (zh) * | 2023-07-21 | 2023-08-18 | 山东科技大学 | 快速峭度图轴承复合故障诊断方法、系统、设备以及介质 |
CN117349615A (zh) * | 2023-09-26 | 2024-01-05 | 浙江大学 | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114705426A (zh) | 一种滚动轴承早期故障诊断方法 | |
AU2020103681A4 (en) | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN109932179B (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN108388908B (zh) | 基于k-svd和滑窗降噪的滚动轴承冲击故障诊断方法 | |
CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN112098102B (zh) | 一种基于ewt-scwt的内燃机异响识别与诊断方法 | |
JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
Huang et al. | An improved empirical wavelet transform method for rolling bearing fault diagnosis | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
CN111044285A (zh) | 一种复杂情况下机械设备故障诊断方法 | |
CN113326782B (zh) | 基于包络谱形态拟合的滚动轴承故障特征自动提取方法 | |
CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
CN116644280A (zh) | 一种发动机主轴承故障高频振动诊断方法 | |
Yang et al. | Research on fault feature extraction method based on FDM-robustICA and MOMEDA | |
CN114894478A (zh) | 一种滚动轴承微弱故障特征提取方法 |
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 |