CN114813107A - 一种降采样多周期微分均值的故障特征增强方法 - Google Patents
一种降采样多周期微分均值的故障特征增强方法 Download PDFInfo
- Publication number
- CN114813107A CN114813107A CN202210396854.0A CN202210396854A CN114813107A CN 114813107 A CN114813107 A CN 114813107A CN 202210396854 A CN202210396854 A CN 202210396854A CN 114813107 A CN114813107 A CN 114813107A
- Authority
- CN
- China
- Prior art keywords
- fault
- ias
- mean value
- sampling
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000009825 accumulation Methods 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims abstract description 4
- 230000008901 benefit Effects 0.000 claims abstract description 3
- 230000001629 suppression Effects 0.000 claims abstract 2
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 32
- 238000001228 spectrum Methods 0.000 description 21
- 230000003595 spectral effect Effects 0.000 description 13
- 239000008186 active pharmaceutical agent Substances 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition 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
- G01M13/02—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
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种降采样多周期微分均值的故障特征增强方法,属于故障诊断技术与信号处理分析技术领域;本发明方法针对在编码器信号中故障特征微弱的难题,提出本发明方法,该方法基于均值降采样抑制噪声特性、降低计算成本和减小存储空间的优势,结合多周期微分均值的累积特性,提出一种降采样多周期微分均值(Down‑sampling multi‑perioddifferential equalization,DSMPDM)方法对原始IAS信号中故障分量进行增强处理,进而抑制编码器安装误差、瞬时角速度估计误差和测量噪声等分量的干扰。本发明方法提出的DSMPDM方法可有效增强故障分量,进而消除编码器安装误差分量和测量噪声分量对故障特征辨识的干扰。
Description
技术领域
本发明涉及一种降采样多周期微分均值的故障特征增强方法,属于故障诊断技术与信号处理分析技术领域。
背景技术
齿轮和轴承是旋转机械的关键零部件,在运行中起传递扭矩和支撑作用,其健康程度直接影响旋转机械的运行精度、效率和寿命。因此,齿轮和轴承的状态检测成为故障诊断领域研究热点之一。
当齿轮、轴承等部件发生局部点蚀、局部剥落等故障时,齿轮间或滚动体与滚道间在故障位置处的接触刚度较无故障状态发生突变,即通过单位角度的时间发生规律性变化,对应的瞬时角速度(Instantaneous angular speed,IAS)产生规律性波动。此外,轴承作为旋转机械的支撑部件,其并不传递扭矩,但在径向载荷的作用下,滚动体通过故障位置的刚度变化也将引起IAS信号变化。
另一方面,由于编码器内径与轴装配误差,编码器安装误差在工程应用中无法避免;编码器安装误差的能量幅值与转速成正相关,即编码器安装误差对故障信号的调制作用随着转速上升而显著提升,即对故障分量的干扰程度是不同的。因此,编码器安装误差的消除对于有效揭示故障特征至关重要。
发明内容
编码器信号中早期故障特征较弱以及编码器安装误差的调制作用随着转速的上升而增大,进而导致故障特征可能无法有效辨识,为解决该问题,本发明提供了一种降采样多周期微分均值的故障特征增强方法,该方法基于均值降采样抑制噪声特性、降低计算成本和减小存储空间的优势,结合多周期微分均值的累积特性,提出降采样多周期微分均值(Down-sampling multi-period differential equalization,DSMPDM)方法对瞬时角速度原始IASi信号中故障特征进行增强。
本发明基于降采样多周期微分均值的故障特征增强方法如下:
步骤1:获得包含旋转机械故障信息的瞬时角速度信号;
通过PicoScope信号采集系统获取光学编码器中包含旋转机械故障信息的瞬时角位移和对应的时间,采用向前差分法计算获得瞬时角速度IASi信号,其计算式如下
式中,IASi表示第i时刻的瞬时角速度,i=1,2,3,…,Δφ=2π/N,Δti=ti+1-ti;N表示编码器的光栅格数,t为时间。
步骤2:对瞬时角速度原始信号IASi进行平均降采样处理,获得平均降采样数据IASg D,进而抑制随机噪声的干扰和降低后续算法的计算成本,其计算式为:
式中,D为降采样倍数,g=1,D+1,2D+1,...,IASg D表示在降采样倍数为D时计算的IAS信号。
步骤3:在平均降采样数据IASg D的基础上,基于故障时会引起IAS信号的规律性变化及其对应IAS分量较无故障状态具有突变趋势,采用具有对缓变信号值较小对突变信号值较大特点的微分算法,并考虑以理论故障角度周期作为加窗的角度间隔,结合多周期累计特性,采用降采样多周期微分均值(Down-sampling multi-period differentialequalization,DSMPDM)方法以增强故障特征,其计算式为:
式中Ns m表示相邻故障冲击间实际角度间隔与理论角度间隔的最大差值,Nw表示微分窗长,K为感兴趣故障冲击的周期数,微分算子在冲击周期k时随机滑动角度范围[h,H]=[q-ηNs m,q+ηNs m],η为相邻故障冲击间滑动比例,在数据点为m和冲击周期数为k时的微分位置q=m+(k-1)N/ffault,k=1,2,...,K,ffault为理论故障特征阶次,Q=m+(k-1)N/ffault+Nw,m=2Ns m,2Ns m+1,...,M,M=length(IASg D)-KN/ffault-Nw-2Ns m为处理后数据长度,N/ffault表示故障理论角度间隔,length(IASg D)表示均值降采样信号IASg D的长度,Ns m的表达式为:
公式(3)需要设置6个参数:D、K、R、ffault、Nw和η,其中,D是降低算法计算成本的主要参数之一,通常取值2~4;K是提升算法鲁棒性的主要参数,通常K≥3,K值越大,算法对感兴趣分量能量幅值的增强效果越好,但需要更高的计算成本;根据传动系统参数、齿轮齿数或者轴承尺寸参数,R和ffault可以被计算获得;为有效包含故障波形分量,2floor(Ns m)<Nw<10floor(Ns m),floor(·)为向下取整操作;相邻故障冲击间滑动比例η通常取值为(0,2]以满足轴承随机滑动、降采样误差和离散采样误差的干扰。
步骤4:对DSMPDM算法获得的滤波信号DSMPDM(m)进行傅里叶变换,进而揭示故障特征,其计算式为:
FDSMPDM=FFT(DSMPDM(m)) (5)
式中,FFT(·)为傅里叶变换。
本发明的有益效果是:
(1)本发明采用均值降采样操作既可以抑制随机噪声的干扰,又可以降低DSMPDM算法的计算成本,为提高DSMPDM算法的计算效率提供有效途径;
(2)本发明通过DSMPDM算法可有效增强故障特征分量的能量幅值,进而抑制编码器安装误差、测量噪声和背景噪声的干扰;
(3)本发明提出基于DSMPDM算法和阶次谱分析实现了故障特征增强提取。
附图说明
图1为本发明方法流程示意图;
图2为实施例1中仿真轴承故障数据和对应的包络阶次谱,其中图(a)为IASi波形,图(b)是图(a)的包络谱;
图3为实施例1中所提方法的分析结果,其中图(a)为DSMPDM算法的滤波信号,图(b)为DSMPDM算法获得的阶次谱;
图4为实施例1中不同理论获得的结果,其中图(a)为FK确定的优化解调频带,图(b)为基于图(a)优化解调频带的阶次谱,图(c)为MOMEDA确定的优化周期,图(d)为图(c)的阶次谱;
图5为实施例2中测试实验台;
图6为实施例2中获得的齿轮故障数据和对应的阶次谱,其中图(a)为IAS波形,图(b)是图(a)的包络谱;
图7为实施例2中所提方法的分析结果,其中图(a)为DSMPDM算法的滤波信号,图(b)为DSMPDM算法获得的阶次谱;
图8为实施例2中不同理论获得的结果,其中图(a)为FK确定的优化解调频带,图(b)为基于图(a)优化解调频带的阶次谱,图(c)为MOMEDA确定的优化周期,图(d)为图(c)的阶次谱;
图9为实施例3中获得的轴承故障数据和对应的阶次谱,其中图(a)为IAS波形,图(b)是图(a)的包络谱;
图10为实施例3中所提方法的分析结果,其中图(a)为DSMPDM算法的滤波信号,图(b)为DSMPDM算法获得的阶次谱;
图11为实施例3中不同理论获得的结果,其中图(a)为FK确定的优化解调频带,图(b)为基于图(a)优化解调频带的阶次谱,图(c)为MOMEDA确定的优化周期,图(d)为图(c)的阶次谱。
具体实施方式
下面结合本发明实施例中的附图,对本文发明实例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文发明保护的范围,本实施例中如无特殊说明的方法,均为常规方法。
在下面的描述中阐述了很多具体细节以便充分理解本发明,但是本发明还可以采用其他不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
实施例1:本实例描述的是本发明方法用于轴承故障特征的提取,如图1所示,具体过程包括:
仿真分析采用的轴承内圈故障信号模型计算式为:
Wbpfi=w(θ)+wbpfi(θ)+wo(θ)+n(θ)
Am=A0cos(2πfmθ+φA)+CA
式中,Wbpfi表示具有噪声干扰的轴承内圈故障仿真信号,wbpfi(θ)表示轴承内圈冲击衰减波形,A0为冲击幅值,fm表示调制频率,φA为初始角度,CA为常量;wo(θ)为编码器安装误差,θe和θt分别表示初始角度,n(θ)表示为IAS估计误差、高速计数器采样误差、编码盘刻蚀误差的综合,w(θ)表示平均角速度,ξ表示阻尼系数,fn表示固频,ψ=θ-jΘ-τj,角度序列θ=2π/N,4π/N,6π/N...,n(θ)表示编码器测量噪声,ρ=Δr/r是几何中心和旋转中心的偏心距离的比值,r为编码器孔直径,Δr是几何中心和旋转中心的偏心距离,β表示编码器旋轴与转轴之间的倾斜角度,初始角度θe∈[φe,2kπ+φe],θt∈[φt,2kπ+φt],C表示轴承故障冲击幅值。在本实施例仿真信号中,N=10000,在转速为5rad/s的自然阶次频率fn=50×,Θ=floor(N/freb)=1941,ρ=0.001,β=0.03,A=0.0001,ξ=0.03,<τj>=0,max(|τj|)=39,fbpfi=5.15×,R=1,转频分量fr1=1×,信噪比为-25dB。
步骤1:仿真信号IASi波形和对应的包络阶次谱如图2(a)和图2(b),仿真信号IASi的数据长度为105,可见转频特征阶次谱线占主导地位,而故障特征谱线无法有效辨识。因此,需要对轴承故障分量进行增强处理。
步骤2:对原始信号IASi进行降采样处理,降采样倍数D=2,g=1,3,5,...;计算式为:
步骤3:对平均降采样信号IASg D中故障特征分量进行增强
3-1、设置参数:K=7,freb=5.15×,R=1,Nw=58,Ns m=NR/49/freb=39;
3-2、采用DSMPDM算法对故障分量进行增强处理,其计算式为:
式中,M=length(IASi)-KN/freb-Nw-2Ns m=105-7×5000/5.15-58-78=93067,m=2Ns m,2Ns m+1,...,M=78,79,...,96951,q=m+(k-1)N/freb,k=1,2,...,7,[h,H]=[q-2Ns m,q+2Ns m],Q=m+(k-1)N/freb+Nw;DSMPDM算法获得的滤波信号如图3(a)所示;
步骤4:对DSMPDM算法获得的滤波信号DSMPDM(m)进行傅里叶变换,进而揭示故障特征,其计算式为:
FDSMPDM=FFT(DSMPDM(m))
获得的阶次谱如图3(b)所示。可见,轴承故障特征谱线可被有效辨识,编码器安装误差和测量噪声得到有效抑制。
为进一步显示本实施例方法的有效性,采用FK、MOMEDA算法分别对瞬时角速度IASi信号进行分析作为对比,其中FK中分解等级k=7,MOMEDA中滤波长度为1000,周期点数为1941,搜索范围为[2,3000]。上述两种方法获得的结果如图4所示;可见转频阶次谱线的3倍频占主导地位,而轴承内圈故障特征阶次谱线及其二倍频谱线并不显著。
实施例2:本实施例描述的是本发明方法用于齿轮局部故障特征提取
本实施例采用如图5所示实验台进行验证,通过采样率为107Hz的自制高速计数器采集系统获取光学编码器的瞬时角位移IAD信息和对应的时间信息,采用向前差分法计算瞬时角速度IASi,编码器型号为ETF100-H851007B,编码器每圈光栅线数N为5000,编码器安装在大齿轮转轴上。齿轮箱中小齿轮齿数为32,大齿轮齿数为48,为模拟齿轮局部故障,小齿轮表面加工局部点蚀故障,齿轮啮合频率为48×,小齿轮故障阶次为1.5×。
步骤1:获得的齿轮局部故障IASi波形如图6(a)所示,IASi数据长度为238853,进而直接对原始IASi信号进行包络阶次谱分析,如图6(b)所示。可以发现,啮合频率fmesh=48×位置处的转频调制谱线1×及其倍频谱线占主导地位。因此,需要对齿轮故障数据进行处理以抑制转频调制谱线1×及其倍频谱线的干扰。
步骤2:对原始信号IASi进行降采样处理,降采样倍数D=4,g=1,5,9,...;计算式为:
步骤3:对平均降采样信号IASg D中故障分量进行增强
3-1、设置参数:K=5,freb=1.5×,R=1,Nw=10,Ns m=2;
3-2、采用DSMPDM算法对故障分量进行增强处理,其计算式为:
式中,M=length(IASi)-KN/freb-Nw-2Ns m=238853-5×5000/5.15-10-4=233984,m=2Ns m,2Ns m+1,...,M=4,5,...,233984,q=m+(k-1)N/freb,k=1,2,...,5,[h,H]=[q-2Ns m,q+2Ns m],Q=m+(k-1)N/freb+Nw。DSMPDM算法获得的滤波信号如图7(a)所示。
步骤4:对DSMPDM算法获得的滤波信号DSMPDM(m)进行傅里叶变换,进而揭示故障特征,其计算式为:
FDSMPDM=FFT(DSMPDM(m))
获得的阶次谱如图7(b)所示。可见小齿轮故障阶次谱线1.5×及其谐波谱线可有效辨识,编码器安装误差和测量噪声得到有效抑制。
为进一步显示本实施例方法的有效性,采用FK算法确定包含丰富齿轮故障信息的解调频带,如图8(a)所示,确定的优化中心频率为2187.5×,频带宽度为625×,优化解调频带对应的阶次谱如图8(b)所示。可以发现,转频调制阶次谱线1×占优,而与小齿轮故障相关的阶次谱线1.5×无法有效辨识。另外,采用MOMEDA算法对齿轮故障数据的分析结果如图8(c)和8(d)所示,其中滤波长度为1000,周期点数为3333,搜索范围为[5,3500],大齿轮转频阶次谱线1×及其倍频谱线占优。
实施例3:本实施例描述的是本发明方法用于轴承故障特征提取
本实施例采用如图5所示的轴承实验台进行验证,通过采样率为107Hz的自制高速计数器采集系统获取光学编码器的瞬时角位移IAD信息和对应的时间信息,并采用向前差分法估计IASi信号,编码器型号为ETF100-H851007B,编码器每圈光栅线数N为5000。使用的故障轴承型号为6202-2RZ,为模拟滚动轴承外圈故障,在轴承外圈上用线切割方法加工一宽度约为0.3mm,深度约为0.28mm的小槽,滚子直径d为9.52mm,节圆直径D为46mm,滚子数目n为9,接触角α为0。轴承故障特征阶次ffault=fbpfo=5.15×。
步骤1:获得的齿轮局部故障IASi波形如图9(a)所示,IASi数据长度为79617,进而直接对原始IASi信号进行包络阶次谱分析,如图9(b)所示。可以发现,啮合频率fmesh=48×位置处的转频调制谱线1×及其倍频谱线占主导地位。因此,需要对齿轮故障数据进行处理以抑制转频调制谱线1×及其倍频谱线的干扰。
步骤2:对原始信号IASi进行降采样处理,降采样倍数D=4,g=1,5,9,...;计算式为:
步骤3:对平均降采样信号IASg D中故障分量进行增强
3-1、设置参数:K=13,freb=5.15,R=1,Nw=58,Ns m=NR/49/freb=20;
3-2、采用DSMPDM算法对故障分量进行增强处理,其计算式为:
式中,M=length(IASi)-KN/freb-Nw-2Ns m=79617-13×5000/5.15-58-40=66897,m=2Ns m,2Ns m+1,...,M=4,5,...,66897,q=m+(k-1)N/freb,k=1,2,...,5,[h,H]=[q-2Ns m,q+2Ns m],Q=m+(k-1)N/freb+Nw。DSMPDM算法获得的滤波信号如图10(a)所示。
步骤4:对DSMPDM算法获得的滤波信号DSMPDM(m)进行傅里叶变换,进而揭示故障特征,其计算式为:
FDSMPDM=FFT(DSMPDM(m))
获得的阶次谱如图10(b)所示。可见,轴承外圈故障特征阶次谱线占优,编码器安装误差分量和齿轮啮合分量得到有效抑制。
为进一步显示本实施例方法的有效性,采用FK算法对原始轴承外圈故障数据进行分析作为对比,最大分解等级k为7,确定的优化解调频带(中心频率为1393×,频带宽度为26×)和对应的阶次谱如图11(a)和11(b)所示,可见轴承故障特征阶次谱线无法有效辨识;此外,采用MOMEDA算法获得结果如图11(c)和图11(d),其中滤波长度为1000,周期点数为970,搜索范围为[5,3000],可见在图11(d)中无法有效辨识轴承外圈故障特征阶次谱线。因此,FK算法和MOMEDA算法在本实验中无法有效揭示轴承故障特征。
本文中应用了具体的实例对本发明的原理及实施方式进行了参数,以上实例的说明只是用于帮助理解本发明及核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变指出,综上,本说明书内容不应理解为本发明的限制。
Claims (3)
1.一种降采样多周期微分均值的故障特征增强方法,其特征在于,步骤如下:
(1)采集光学编码器的瞬时角位移和对应的时间,采用向前差分法计算瞬时角速度IASi;
(2)对瞬时角速度原始信号IASi进行平均降采样处理,抑制随机噪声的干扰、降低存储空间和计算成本;基于均值降采样抑制噪声特性、降低计算成本和减小存储空间的优势,结合多周期微分均值的累积特性,采用降采样多周期微分均值方法对平均降采样处理后数据中故障分量进行增强处理,获得滤波信号;
(3)滤波信号通过阶次谱分析揭示故障特征。
3.根据权利要求1所述的降采样多周期微分均值的故障特征增强方法,其特征在于:采用降采样多周期微分均值方法对平均降采样处理后的数据中故障分量进行增强处理是采用如下公式进行:
式中,Ns m表示相邻故障冲击间实际角度间隔与理论角度间隔的最大差值,Nw表示微分窗长,K为感兴趣故障冲击的周期数,微分算子在冲击周期k时随机滑动角度范围[h,H]=[q-ηNs m,q+ηNs m],η为相邻故障冲击间滑动比例,在数据点为m和冲击周期数为k时的微分位置q=m+(k-1)N/ffault,k=1,2,...,K,ffault为理论故障特征阶次,Q=m+(k-1)N/ffault+Nw,m=2Ns m,2Ns m+1,...,M,M=length(IASg D)-KN/ffault-Nw-2Ns m为处理后数据长度,N/ffault表示故障理论角度间隔,length(IASg D)表示均值降采样信号IASg D的长度;Ns m的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396854.0A CN114813107A (zh) | 2022-04-15 | 2022-04-15 | 一种降采样多周期微分均值的故障特征增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396854.0A CN114813107A (zh) | 2022-04-15 | 2022-04-15 | 一种降采样多周期微分均值的故障特征增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114813107A true CN114813107A (zh) | 2022-07-29 |
Family
ID=82537357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210396854.0A Pending CN114813107A (zh) | 2022-04-15 | 2022-04-15 | 一种降采样多周期微分均值的故障特征增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114813107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411754A (zh) * | 2023-12-15 | 2024-01-16 | 大尧信息科技(湖南)有限公司 | 基于决策树综合判决的数字信号调制识别方法及系统 |
-
2022
- 2022-04-15 CN CN202210396854.0A patent/CN114813107A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411754A (zh) * | 2023-12-15 | 2024-01-16 | 大尧信息科技(湖南)有限公司 | 基于决策树综合判决的数字信号调制识别方法及系统 |
CN117411754B (zh) * | 2023-12-15 | 2024-03-08 | 大尧信息科技(湖南)有限公司 | 基于决策树综合判决的数字信号调制识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Bozchalooi et al. | A joint resonance frequency estimation and in-band noise reduction method for enhancing the detectability of bearing fault signals | |
Jiang et al. | Sparse dictionary design based on edited cepstrum and its application in rolling bearing fault diagnosis | |
CN111238813B (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN114813107A (zh) | 一种降采样多周期微分均值的故障特征增强方法 | |
CN109029996B (zh) | 一种轮毂轴承故障诊断方法 | |
CN112183259B (zh) | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 | |
Yan et al. | Fault signature enhancement and skidding evaluation of rolling bearing based on estimating the phase of the impulse envelope signal | |
CN111413095A (zh) | 基于瞬时角速度的行星轴承分布式故障诊断分析方法 | |
Jiang et al. | A tacholess order tracking method based on spectral amplitude modulation for variable speed bearing fault diagnosis | |
CN112113767B (zh) | 一种基于比例频带选择准则的轴承故障诊断方法 | |
CN112597969B (zh) | 一种滚动轴承故障诊断方法、系统及介质 | |
CN114757226A (zh) | 一种参数自适应分解结构的轴承故障特征增强方法 | |
CN113899548A (zh) | 一种基于谐波峭度谱的滚动轴承故障诊断方法 | |
CN111582248B (zh) | 一种基于svd的齿轮箱信号降噪方法 | |
CN116933059A (zh) | 一种融合方差与1d-lbp的故障识别方法 | |
CN104964822A (zh) | 一种用于主减速器齿轮箱的无转速信号时域同步平均方法 | |
CN109738189B (zh) | 一种旋转机械频谱谐波平均优化方法 | |
CN116383629A (zh) | 一种变转速滚动轴承故障诊断方法 | |
CN110146292A (zh) | 一种基于集成噪声重构的总体局部均值分解的滚动轴承故障检测方法 | |
CN114781449A (zh) | 多周期微分均值和循环谱相干的轴承故障特征提取方法 | |
CN115876471A (zh) | 基于自适应阶次分析的轧机齿轮箱故障特征提取方法 | |
CN115130508A (zh) | 一种基于时间幅频积熵的旋转机械故障诊断方法 | |
Liu et al. | Demodulation spectrum analysis for multi-fault diagnosis of rolling bearing via chirplet path pursuit | |
Kumar et al. | Denoising of vibration signal used in fault diagnosis of machine |
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 |