CN115031967A - 滚动轴承的故障诊断方法、装置及电子设备 - Google Patents
滚动轴承的故障诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115031967A CN115031967A CN202210591010.1A CN202210591010A CN115031967A CN 115031967 A CN115031967 A CN 115031967A CN 202210591010 A CN202210591010 A CN 202210591010A CN 115031967 A CN115031967 A CN 115031967A
- Authority
- CN
- China
- Prior art keywords
- candidate
- optimal
- rolling bearing
- function
- acquiring
- 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
Abstract
本申请公开了一种滚动轴承的故障诊断方法、装置及电子设备,该方法包括:获取表征滚动轴承状态信息的振动信号;自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数;根据最优变分模态分解参数,获取至少两个本征模态函数分量;从本征模态函数分量中选取最优本征模态函数,并获取最优本征模态函数的包络谱;获取振动信号的特征频率,根据特征频率对滚动轴承进行故障诊断。由此,本申请可以自适应、准确、高效地确定最优变分模态分解参数,进而从原始振动信号中充分分离出故障信息,以实现对轴承状态的准确诊断,该方法具有适应性好、故障诊断精度高、故障信息分离效果好等优点,能够对滚动轴承的早期故障进行准确地诊断。
Description
技术领域
本申请涉及滚动轴承技术领域,尤其涉及滚动轴承的故障诊断方法、装置及电子设备。
背景技术
滚动轴承是机械传动系统的一种关键核心部件,广泛应用于诸多工业场景,滚动轴承的健康状态对设备的安全稳定运行具有十分重要的作用。在轴承发生故障的早期,故障信号往往混杂着其他强干扰噪声,导致故障特征微弱,提取困难,无法对故障进行准确诊断。因此,从轴承故障早期信号中准确提取故障特征是轴承早期故障准确识别的关键。
相关技术中,主要采用人工的方式,根据经验设定最优变分模态分解参数,然而,上述获取最优变分模态分解参数的方式,需要依靠人为不断尝试,无法保证参数最优,导致在信号包含较多噪声成分时无法提取有效的特征频率。
由此,如何通过自适应、准确、高效地确定最优变分模态分解参数,进而从信号中充分分离出故障信息以实现对轴承状态的准确诊断,已经成为了亟待解决的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种滚动轴承的故障诊断方法,用于解决现有技术中存在的无法自适应、准确、高效地从振动信号中分离出故障信息,信号特征提取不准确进而导致滚动轴承的故障检测结果的准确率较低的技术问题。
为了实现上述目的,本申请第一方面实施例提供了一种滚动轴承的故障诊断方法,该方法包括:获取表征滚动轴承状态信息的振动信号;自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数;根据所述最优变分模态分解参数,对所述振动信号进行变分模态分解,以获取至少两个本征模态函数分量;从所述本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取所述最优本征模态函数的包络谱;根据所述包络谱,获取所述振动信号的特征频率,并根据所述特征频率对所述滚动轴承进行故障诊断。
另外,根据本申请上述实施例的一种滚动轴承的故障诊断方法,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数,包括:获取候选本征模态函数数量、候选惩罚因子和搜索步长,并根据所述候选本征模态函数数量、所述候选惩罚因子和所述搜索步长进行搜索,以获取候选变分模态分解参数;根据所述候选变分模态分解参数,对所述振动信号进行变分模态分解,并获取每个所述候选本征模态函数的峭度;根据每个所述候选本征模态函数的所述峭度,并基于峭度最大原则,获取最优本征模态函数;根据所述最优本征模态函数,获取所述最优变分模态分解参数。
根据本申请的一个实施例,所述根据候选本征模态函数数量、所述候选惩罚因子和所述搜索步长进行搜索,以获取候选变分模态分解参数,包括:对所述候选本征模态函数数量进行升序排列,以获取所述候选本征模态函数数量的排序结果;从所述排序结果处于首位的所述候选本征模态函数数量起,对所述候选本征模态函数数量进行搜索,并根据所述搜索步长遍历所述候选惩罚因子,以获取所述候选变分模态分解参数。
根据本申请的一个实施例,所述从所述排序结果处于首位的所述候选本征模态函数数量起,对所述候选本征模态函数数量进行搜索,并根据所述搜索步长遍历所述候选惩罚因子,以获取所述候选变分模态分解参数,包括:获取所述候选惩罚因子的排列顺序;从所述排序结果处于首位的所述候选本征模态函数数量起,根据当前序位的所述候选本征模态函数数量和所述搜索步长,按照所述排列顺序遍历所有的所述候选惩罚因子,以获取至少一组所述当前序位的所述候选本征模态函数数量对应的候选变分模态分解参数,其中,所述候选变分模态分解参数包括所述候选本征模态函数数量和任一所述候选惩罚因子。
根据本申请的一个实施例,所述基于峭度最大原则,获取最优本征模态函数,包括:从所有的所述峭度中获取最大峭度;将所述最大峭度对应的所述候选本征模态函数作为所述最优本征模态函数。
根据本申请的一个实施例,所述方法,还包括:获取所述当前序位的所述候选本征模态函数数量对应的所述最优本征模态函数的第一稀疏测度指标;根据所述第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取所述最优变分模态分解参数。
根据本申请的一个实施例,所述根据所述第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取所述最优变分模态分解参数,包括:判断所述第一稀疏测度指标是否为当前最小稀疏测度指标;在确定所述第一稀疏测度指标为所述当前最小稀疏测度指标时,获取后续至少两个序位的所述候选本征模态函数数量分别对应的所述最优本征模态函数的第二稀疏测度指标;在确定每个所述第二稀疏测度指标均大于所述第一稀疏测度指标时,停止变分模态分解,并将所述第一稀疏测度指标对应的所述候选变分模态分解参数作为所述最优变分模态分解参数。
根据本申请的一个实施例,所述根据所述包络谱,获取所述振动信号的特征频率,包括:根据所述包络谱,绘制对应的波形曲线;获取所述波形曲线的波峰,并根据所述波峰,获取所述振动信号的特征频率。
为了实现上述目的,本申请第二方面实施例提供了一种滚动轴承的故障诊断装置,该装置包括:第一获取模块,用于获取表征滚动轴承状态信息的振动信号;第二获取模块,用于自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数;第三获取模块,用于根据所述最优变分模态分解参数,对所述振动信号进行变分模态分解,以获取至少两个本征模态函数分量;第四获取模块,用于从所述本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取所述最优本征模态函数的包络谱;故障诊断模块,用于根据所述包络谱,获取所述振动信号的特征频率,并根据所述特征频率对所述滚动轴承进行故障诊断。
另外,根据本申请上述实施例的一种滚动轴承的故障诊断装置,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述第二获取模块,还用于:获取候选本征模态函数数量、候选惩罚因子和搜索步长,并根据候选本征模态函数数量、所述候选惩罚因子和所述搜索步长进行搜索,以获取候选变分模态分解参数;根据所述候选变分模态分解参数,对所述振动信号进行变分模态分解,并获取每个所述候选本征模态函数的峭度;根据每个所述候选本征模态函数的所述峭度,并基于峭度最大原则,获取最优本征模态函数;根据所述最优本征模态函数,获取所述最优变分模态分解参数。
根据本申请的一个实施例,所述第二获取模块,还用于:对所述候选本征模态函数数量进行升序排列,以获取所述候选本征模态函数数量的排序结果;从所述排序结果处于首位的所述候选本征模态函数数量起,对所述候选本征模态函数数量进行搜索,并根据所述搜索步长遍历所述候选惩罚因子,以获取所述候选变分模态分解参数。
根据本申请的一个实施例,所述第二获取模块,还用于:获取所述候选惩罚因子的排列顺序;从所述排序结果处于首位的所述候选本征模态函数数量起,根据当前序位的所述候选本征模态函数数量和所述搜索步长,按照所述排列顺序遍历所有的所述候选惩罚因子,以获取至少一组所述当前序位的所述候选本征模态函数数量对应的候选变分模态分解参数,其中,所述候选变分模态分解参数包括所述候选本征模态函数数量和任一所述候选惩罚因子。
根据本申请的一个实施例,所述第二获取模块,还用于:从所有的所述峭度中获取最大峭度;将所述最大峭度对应的所述候选本征模态函数作为所述最优本征模态函数。
根据本申请的一个实施例,所述第二获取模块,还用于:获取所述当前序位的所述候选本征模态函数数量对应的所述最优本征模态函数的第一稀疏测度指标;根据所述第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取所述最优变分模态分解参数。
根据本申请的一个实施例,所述第三获取模块,还用于:判断所述第一稀疏测度指标是否为当前最小稀疏测度指标;在确定所述第一稀疏测度指标为所述当前最小稀疏测度指标时,获取后续至少两个序位的所述候选本征模态函数数量分别对应的所述最优本征模态函数的第二稀疏测度指标;在确定每个所述第二稀疏测度指标均大于所述第一稀疏测度指标时,停止变分模态分解,并将所述第一稀疏测度指标对应的所述候选变分模态分解参数作为所述最优变分模态分解参数。
根据本申请的一个实施例,所述故障诊断模块,还用于:根据所述包络谱,绘制对应的波形曲线;获取所述波形曲线的波峰,并根据所述波峰,获取所述振动信号的特征频率。
为了实现上述目的,本申请第三方面实施例提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本申请第一方面实施例中任一项所述的滚动轴承的故障诊断方法。
为了实现上述目的,本申请第四方面实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时实现如本申请第一方面实施例中任一项所述的滚动轴承的故障诊断方法。
附图说明
图1为本申请一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图2为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图3为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图4为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图5为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图6为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图7为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图8为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图9为本申请一个实施例公开的优化过程的示意图。
图10为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法示意图。
图11为本申请另一个实施例公开的滚动轴承的故障诊断方法的方法流程示意图。
图12为本申请一个实施例公开的滚动轴承的故障诊断装置的结构示意图。
图13为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
下面参考附图描述本申请实施例的一种滚动轴承的故障诊断方法及装置。
图1是本申请公开的一个实施例的一种滚动轴承的故障诊断方法的流程示意图。
如图1所示,本申请实施例提出的滚动轴承的故障诊断方法,具体包括以下步骤:
S101、获取表征滚动轴承状态信息的振动信号。
其中,滚动轴承,指的是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦,减少摩擦损失的一种精密的机械元件。
需要说明的是,本申请对于获取滚动轴承的振动采样信号的具体方式不作限定,可以根据实际情况进行设定。
作为一种可能的实现方式,可选地,可以在滚动轴承上径向安装振动加速度传感器,利用振动加速度传感器,获取表征滚动轴承状态信息的振动信号。
进步地,在获取到表征滚动轴承状态信息的振动信号后,可以对振动信号进行处理,以获取振动信号。
需要说明的是,本申请对于获取滚动轴承的振动信号的具体方式不作限定,可以根据实际情况进行设定。
作为一种可能的实现方式,可选地,可以对振动信号进行加窗处理,截取固定采样点数的振动采样信号,以获取滚动轴承的振动信号。
其中,加窗处理,指的是将原始信号X(t)要以采样时间(T)截断,即将原始信号X(t)有限化,成为XT(t)后再进一步处理,这个处理过程即为加窗处理。
S102、自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数。
其中,变模态分解(variational mode decomposition,简称VMD),可以在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽。
其中,变模态分解参数可以包括但不限于本征模态函数数量k和惩罚因子α。
在本申请实施例中,在获取到振动信号后,可以自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数。
S103、根据最优变分模态分解参数,对振动信号进行变分模态分解,以获取至少两个本征模态函数分量。
在本申请实施例中,在获取到最优变分模态分解参数后,可以根据最优变分模态分解参数,对振动信号进行变分模态分解,以获取至少两个本征模态函数分量。
S104、从本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取最优本征模态函数的包络谱。
需要说明的是,本申请中对于从本征模态函数分量中选取最优本征模态函数的具体方式不作限定,可以根据实际情况进行选取。
作为一种可能的实现方式,可选地,可以基于峭度最大准则,从本征模态函数分量中选取最优本征模态函数。
在本申请实施例中,在获取到最优本征模态函数后,可以对最优本征模态函数进行包络解调分析,并进行快速傅里叶变换,以获取最优本征模态函数的包络谱。
S105、根据包络谱,获取振动信号的特征频率,以根据特征频率对滚动轴承进行故障诊断。
需要说明的是,在获取到包络谱后,可以根据包络谱的谱峰,以获取振动信号的特征频率。
进一步地,在获取振动信号的特征频率后,可以以根据特征频率对滚动轴承进行故障诊断。
作为一种可能实现的方式,可选地,可以获取滚动轴承的属性参数,并从属性参数中提取滚动轴承的固有故障特征频率,并基于特征频率和固有故障特征频率对滚动轴承进行故障诊断。
需要说明的是,本申请中对滚动轴承进行故障诊断的具体方式不作限定,可以根据实际情况进行选取。
作为一种可能的实现方式,可选地,当特征频率和固有故障特征频率一致时,则说明滚动轴承存在故障。
作为一种可能的实现方式,可选地,可以根据固有故障特征频率,确定一个固有故障特征频率范围,当特征频率位于固有故障特征频率范围内时,则说明滚动轴承存在故障。
需要说明的是,前述对根据特征频率对滚动轴承进行故障诊断的描述仅为一种可能的示例,在实际应用中,可以根据实际情况进行设定。
举例而言,可选地,可以获取滚动轴承的属性参数,并从属性参数中提取滚动轴承的固有正常运行特征频率,并基于特征频率和固有正常运行特征频率对滚动轴承进行故障诊断。
本申请提供的滚动轴承的故障诊断方法,通过获取表征滚动轴承状态信息的振动信号,并自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数,根据最优变分模态分解参数,对振动信号进行变分模态分解,以获取至少两个本征模态函数分量,从本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取最优本征模态函数的包络谱,并根据包络谱,获取振动信号的特征频率,根据特征频率对滚动轴承进行故障诊断诊断。由此,本申请提供了一种滚动轴承的故障诊断方法,可以自适应、准确、高效地确定最优变分模态分解参数,进而从原始振动信号中充分分离出故障信息以实现对轴承状态的准确诊断特征频率,该方法具有适应性好、应用操作简单、故障诊断精度高、故障信息分离效果好等优点,能够对滚动轴承的早期故障进行准确地诊断。
需要说明的是,本申请中,在获取最优变分模态分解参数时,可以对候选本征模态函数的数量k和候选惩罚因子α的所有可能取值进行网格划分,并对候选本征模态函数的数量k由小到大搜索,且优先遍历对应特定参数k的每个候选惩罚因子α取值,依次选取网格点所对应的参数组合[k,α],进而选取最优变分模态分解参数。
作为一种可能的实现方式,如图2所示,在上述实施例的基础上,上述步骤S102中自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数的具体过程,包括以下步骤:
S201、获取候选本征模态函数数量、候选惩罚因子和搜索步长,并根据候选本征模态函数数量、候选惩罚因子和搜索步长进行搜索,以获取候选变分模态分解参数。
需要说明的是,本申请中,在自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数时,可以首先获取候选本征模态函数数量、候选惩罚因子α和搜索步长。
需要说明的是,本申请中对于候选本征模态函数数量的具体取值不作限定,可以根据实际情况进行选取。
举例而言,候选本征模态函数的数量可以为2个、5个和14个,优选地,候选本征模态函数的数量至少为2个。
需要说明的是,本申请中对于搜索步长的设置不作限定,可以根据实际情况进行选取。
可选地,可以设置搜索步长为1、2、5等。
其中,惩罚因子,可以用来权衡损失和分类间隔的权重。
需要说明的是,本申请中对于惩罚因子的设置不作限定,可以根据实际情况进行选取。
可选地,可以设置惩罚因子为从100至4000的整数。
进一步地,在获取候选本征模态函数数量、候选惩罚因子和搜索步长之后,可以根据候选本征模态函数数量、候选惩罚因子和搜索步长进行搜索,以获取候选变分模态分解参数。
作为一种可能的实现方式,如图3所示,在上述实施例的基础上,上述步骤S201中根据候选本征模态函数数量、候选惩罚因子和搜索步长进行搜索,以获取候选变分模态分解参数的具体过程,包括以下步骤:
S301、对候选本征模态函数数量进行升序排列,以获取候选本征模态函数数量的排序结果。
在本申请实施例中,在获取到候选本征模态函数的数量后,可以对数量进行升序排列,进而获取每个数量的排序结果。
举例而言,若候选本征模态函数数量k为2,候选本征模态函数数量k为3,若候选本征模态函数数量k为4,此种情况下,对数量进行升序排列,则可以获取每个数量的排序结果为:数量k为2、数量k为3,数量k为4。
S302、从排序结果处于首位的候选本征模态函数数量起,对候选本征模态函数数量进行搜索,并根据搜索步长遍历候选惩罚因子,以获取候选变分模态分解参数。
作为一种可能的实现方式,如图4所示,在上述实施例的基础上,上述步骤S302中从排序结果处于首位的候选本征模态函数数量起,对候选本征模态函数数量进行搜索,并根据搜索步长遍历候选惩罚因子,以获取候选变分模态分解参数的具体过程,包括以下步骤:
S401、获取候选惩罚因子的排列顺序。
需要说明的是,本申请中对于获取候选惩罚因子的排列顺序的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以对候选惩罚因子α进行网格划分,进而获取候选惩罚因子的排列顺序。
举例而言,若惩罚因子为100、101……4000,此种情况下,按照正序排列,则排列为[100、101……4000]。
S402、从排序结果处于首位的候选本征模态函数数量起,根据当前序位的候选本征模态函数数量和搜索步长,按照排列顺序遍历所有的候选惩罚因子,以获取至少一组当前序位的候选本征模态函数数量对应的候选变分模态分解参数,其中,候选变分模态分解参数包括候选本征模态函数数量和任一候选惩罚因子。
需要说明的是,本申请中可以分别设置候选本征模态函数数量k对应的搜索步长以及候选惩罚因子α对应的搜索步长,也就是说,候选本征模态函数数量k对应的搜索步长以及候选惩罚因子α对应的搜索步长可以一致,也可以不一致。
举例而言,可以设置候选本征模态函数数量k对应的搜索步长为1、候选惩罚因子α对应的搜索步长为1;可以设置候选本征模态函数数量k对应的搜索步长为1、候选惩罚因子α对应的搜索步长为5。
进一步地,根据当前序位的候选本征模态函数数量和搜索步长,按照排列顺序遍历所有的候选惩罚因子,以获取至少一组当前序位的数量对应的候选变分模态分解参数。
其中,候选变分模态分解参数包括候选本征模态函数数量k和任一候选惩罚因子α。
举例而言,若候选本征模态函数数量k为2,候选惩罚因子α为100至4000,搜索步长为1时,可以获取当前序位的候选本征模态函数数量对应的候选变分模态分解参数[2,100]、[2,101]、[2,102]……[2,4000]。
S202、根据候选变分模态分解参数,对振动信号进行变分模态分解,并获取每个候选本征模态函数的峭度。
举例而言,若候选变分模态分解参数为[2,100]、[2,101]、[2,102]……[2,4000],则可以根据候选变分模态分解参数,对振动信号进行变分模态分解,进而获取每个候选本征模态函数的峭度。
其中,峭度指的是一个用于衡量离群数据离群度的特征参量。
需要说明的是,在试图获取候选本征模态函数的峭度时,可以利用以下公式进行获取。
其中,Kurt为候选本征模态函数的峭度值、N为候选本征模态函数的数据点数、xi为候选本征模态函数的第i个数据点、μ为候选本征模态函数序列的均值、σ为候选本征模态函数序列的方差。
S203、根据每个候选本征模态函数的峭度,并基于峭度最大原则,获取最优本征模态函数。
其中,峭度最大原则,指的是在峭度最大的基础上,获取最优本征模态函数的原则。
作为一种可能的实现方式,如图5所示,在上述实施例的基础上,上述步骤S203中根据每个候选本征模态函数的峭度,并基于峭度最大原则,获取最优本征模态函数的具体过程,包括以下步骤:
S501、从所有的峭度中获取最大峭度。
需要说明的是,由于变分模态分解的过程为逐层分解过程,因此最大峭度的数量仅能为1,且所有的峭度均不相等。
S502、将最大峭度对应的候选本征模态函数作为最优本征模态函数。
举例而言,若候选本征模态函数1的峭度为3、候选本征模态函数2的峭度为4、候选本征模态函数3的峭度为5,此种情况下,最大峭度为5,且最优本征模态函数为候选本征模态函数3。
S204、根据最优本征模态函数,获取最优变分模态分解参数。
本申请提供的滚动轴承的故障诊断方法,可以获取当前序位的候选本征模态函数数量对应的最优本征模态函数的第一稀疏测度指标,并根据第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取最优变分模态分解参数。由此,本申请通过获取最优变分模态分解参数,能够选择出最优本征模态的数量k和惩罚因子α,可以保留重要信息并增强振动信号去噪能力,同时防止振动信号过度分解,同时实现了变分模态分解参数自适应优化选择,提高了滚动轴承故障信息分解的精确度,突出滚动轴承故障造成的冲击特征,能够准确提取振动信号的早期特征频率。
图6是本申请公开的一个实施例的一种滚动轴承的故障诊断方法的流程示意图。
如图6所示,本申请实施例提出的滚动轴承的故障诊断方法,具体包括以下步骤:
S601、获取表征滚动轴承状态信息的振动信号。
S602、对候选本征模态函数数量进行升序排列,以获取候选本征模态函数数量的排序结果。
S603、获取候选惩罚因子的排列顺序。
S604、从排序结果处于首位的候选本征模态函数数量起,根据当前序位的候选本征模态函数数量和搜索步长,按照排列顺序遍历所有的候选惩罚因子,以获取至少一组当前序位的候选本征模态函数数量对应的候选变分模态分解参数,其中,候选变分模态分解参数包括候选本征模态函数数量和任一候选惩罚因子。
S605、根据候选变分模态分解参数,对振动信号进行变分模态分解,并获取每个候选本征模态函数的峭度。
S606、从所有的峭度中获取最大峭度。
S607、将最大峭度对应的候选本征模态函数作为最优本征模态函数。
S608、根据最优本征模态函数,获取最优变分模态分解参数。
进一步地,本申请中,在获取最优本征模态函数之后,可以判断是否停止变分模态分解。
作为一种可能的实现方式,如图7所示,在上述实施例的基础上,具体包括以下步骤:
S701、获取当前序位的候选本征模态函数数量对应的最优本征模态函数的第一稀疏测度指标。
其中,稀疏度指标,可以为功率谱熵,也就是说,第一稀疏测度指标可以为第一功率谱熵。
需要说明的是,在本申请实施例中,在试图获取第一稀疏测度指标时,可以根据以下公式进行获取:
其中,UIMF(f)为本征模态函数经过傅里叶变换后得到的频谱、SIMF(f)为功率谱数据序列、qi为第i个功率谱值在整个功率谱序列中所占的百分比、Hf为第一稀疏测度指标。
S702、根据第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取最优变分模态分解参数。
作为一种可能的实现方式,如图8所示,在上述实施例的基础上,上述步骤S702中根据第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取最优变分模态分解参数的具体过程,包括以下步骤:
S801、判断第一稀疏测度指标是否为当前最小稀疏测度指标。
本申请实施例中,在获取第一稀疏测度指标后,可以判断在变分模态分解过程中,当前第一稀疏测度指标是否为目前轮次分解后的当前最小稀疏测度指标。
S802、在确定第一稀疏测度指标为当前最小稀疏测度指标时,获取后续至少两个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标。
举例而言,若当前序位的候选本征模态函数数量k=5时,确定k=5对应的第一稀疏测度指标为10,且为当前最小稀疏测度指标,此种情况下,继续分解。同时,为了避免过度分解,可以获取后续至少两个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标。例如,可以获取后续两个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标,下一序位的候选本征模态函数数量k=6对应的第二稀疏测度指标为11,下两序位的候选本征模态函数数量k=7对应的第二稀疏测度指标为12。
需要说明的是,本申请中提出的获取后续至少两个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标仅为一种可能的示例,在实际应用中,可以获取后续连续任意个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标,例如,可以获取后续至少三个序位、四个序位等任意个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标。
S803、在确定每个第二稀疏测度指标均大于第一稀疏测度指标时,停止变分模态分解,并将第一稀疏测度指标对应的候选变分模态分解参数作为最优变分模态分解参数。
举例而言,若当前序位的候选本征模态函数数量k=5时,确定k=5对应的第一稀疏测度指标为10,且为当前最小稀疏测度指标,下一序位的候选本征模态函数数量k=6对应的第二稀疏测度指标为11,下两序位的候选本征模态函数数量k=7对应的第二稀疏测度指标为12时,也就是说,每个第二稀疏测度指标均大于第一稀疏测度指标时,此种情况下,可以停止变分模态分解,并将第一稀疏测度指标对应的候选变分模态分解参数作为最优变分模态分解参数。
需要说明的是,为更清晰地展示本申请通过提出以稀疏测度指标为基础的提前终止准则及相关处理过程,下面以稀疏测度指标为功率谱熵为例进行解释说明。
举例而言,IMF分量数k在2和15之间以步长1进行搜索,惩罚因子α在100和4000之间以100进行搜索,利用网格搜索方法对参数进行优化,优化过程如图9所示,最终确定最优参数组合为[5,3400]。
其中,图中功率谱熵值是指最小功率谱熵,一个k有40组α参数,1个网格点变号表示一组参数组合,在240次计算时确定最小功率谱熵经历k=6和k=7不变化,所以确定最优参数组合为[5,3400]。
本申请提供的滚动轴承的故障诊断方法,可以判断第一稀疏测度指标是否为当前最小稀疏测度指标,并在确定第一稀疏测度指标为当前最小稀疏测度指标时,获取后续至少两个序位的候选本征模态函数数量分别对应的最优本征模态函数的第二稀疏测度指标,进而在确定每个第二稀疏测度指标均大于第一稀疏测度指标时,停止变分模态分解,并将第一稀疏测度指标对应的候选变分模态分解参数作为最优变分模态分解参数。由此,本申请通过提出以稀疏测度指标为基础的提前终止准则,即最小稀疏测度指标在连续遍历两个参数k值对应所有α值无变化时终止计算,能够有效地防止信号过度分解。
需要说明的是,本申请中,在获取包络谱后,可以绘制对应的波形曲线,并根据波形曲线的波峰,获取振动信号的特征频率。
作为一种可能的实现方式,如图10所示,在上述实施例的基础上,上述步骤S105中根据包络谱,获取振动信号的特征频率的具体过程,包括以下步骤:
S1001、根据包络谱,绘制对应的波形曲线。
在本申请实施例中,在获取到包络谱后,可以根据包络谱,绘制对应的波形曲线,其中,波形曲线的横坐标为振动信号的频率,纵坐标为振动信号的幅值。
S1002、获取波形曲线的波峰,并根据波峰,获取振动信号的特征频率。
本申请实施例中,可以获取波形曲线的波峰,并利用波形曲线对应的频率作为振动信号的特征频率,并根据振动信号的特征频率与滚动轴承的固有频率进行比较,进而根据比较结果对滚动轴承进行故障诊断。
需要说明的是,本申请对于将波峰与滚动轴承的固有频率进行比较,并根据比较结果对滚动轴承进行故障诊断的具体方式不作限定,并且对固有频率的具体设定亦不作限定,可以根据实际情况进行选取。
作为一种可能的实现方式,可以设定固有频率为固有故障特征频率,可选地,当识别特征频率和固有故障特征频率一致时,可以确定滚动轴承存在故障;可选地,可以根据固有故障特征频率,确定固有故障特征频率范围,进而当识别特征频率处于固有故障特征频率范围内时,可以确定滚动轴承存在故障。
作为另一种可能的实现方式,可以设定固有频率为固有正常运行特征频率,可选地,当识别特征频率和固有正常运行特征频率不一致时,可以确定滚动轴承存在故障;可选地,可以根据固有正常运行特征频率,确定固有正常运行特征频率范围,进而当识别特征频率未处于固有正常运行特征频率范围内时,可以确定滚动轴承存在故障。
本申请提供的滚动轴承的故障诊断方法,可以根据包络谱,绘制对应的波形曲线,并获取波形曲线的波峰,根据波峰,获取振动信号的特征频率,进而可以根据特征频率对滚动轴承进行故障诊断。本申请提供了一种滚动轴承的故障诊断方法,具有适应性好、应用操作简单、识别精度高等优点,能够对滚动轴承的早期故障进行准确地诊断,能应用于其他旋转机械的故障诊断。
综上所述,如图11所示,本申请提出的滚动轴承的故障诊断方法,可以首先获取振动采样信号,确定变分模态分解参数组合,并进行变分模态分解,基于峭度最大准则,获取最优本征模态函数,然后计算并进行更新最小功率谱熵值,通过判断是否符合提前终止准则或遍历所有变分模态分解参数组合,若不符合,则重新确定变分模态分解参数组合,若符合,则基于优化参数进行变分模态分解,并基于峭度最大准则,获取最优本征模态函数,并进行包络解调和快速傅里叶变换,进而获取包络谱,进而根据包络谱获取特征频率,并与固定特征频率相比,以对滚动轴承进行故障诊断。
本申请利用变分模态分解对滚动轴承振动信号进行分解,基于峭度最大准确选择最优本征模态函数,以最优本征模态函数的功率谱熵最小为目标,并设定提前终止准则,实现变分模态分解参数自适应优化选择,同时根据本征模态函数数量k和惩罚因子α的所有可能取值进行网格划分,对本征模态函数数量k由小到大搜索,且优先遍历对应特定本征模态函数数量k的每个α取值,依次选取网格点所对应的参数组合[k,α],对滚动轴承振动信号进行变分模态分解解,并以最小功率谱熵值在连续遍历两个参数k值对应所有α值无变化时为提前终止准则。
因此,本申请基于峭度最大准则准确选择最优本征模态函数,以最优本征模态函数的功率谱熵最小为目标,设定提前终止准则,实现了变分模态分解参数自适应优化选择,提高了故障信息分解的精确度,突出故障造成的冲击特征,能够准确提取早期特征频率,同时设定变分模态分解参数优化规则与提前终止准则,能够选择出合适的本征模态分量数量k和惩罚因子α以保留重要信息并增强信号去噪能力,同时防止信号过度分解,本申请提出的滚动轴承的故障诊断方法,具有适应性好、应用操作简单、故障诊断精度高、故障信息分离效果好等优点,能够较好解决轴承早期故障诊断问题,也能应用于其他旋转机械的故障特征提取与诊断。
图12是本申请公开的一个实施例的一种滚动轴承的故障诊断装置的结构示意图。
如图12所示,该滚动轴承的故障诊断装置100,包括:第一获取模块11、第二获取模块12、第三获取模块13、第四获取模块14和故障诊断模块15。其中,
第一获取模块11,用于获取表征滚动轴承状态信息的振动信号;
第二获取模块12,用于自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数;
第三获取模块13,用于根据所述最优变分模态分解参数,对所述振动信号进行变分模态分解,以获取至少两个本征模态函数分量;
第四获取模块14,用于从所述本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取所述最优本征模态函数的包络谱;
故障诊断模块15,用于根据所述包络谱,获取所述振动信号的特征频率,并根据所述特征频率对所述滚动轴承进行故障诊断。
根据本申请的一个实施例,第二获取模块12,还用于:获取候选本征模态函数数量、候选惩罚因子和搜索步长,并根据候选本征模态函数数量、所述候选惩罚因子和所述搜索步长进行搜索,以获取候选变分模态分解参数;根据所述候选变分模态分解参数,对所述振动信号进行变分模态分解,并获取每个所述候选本征模态函数的峭度;根据每个所述候选本征模态函数的所述峭度,并基于峭度最大原则,获取最优本征模态函数;根据所述最优本征模态函数,获取所述最优变分模态分解参数。
根据本申请的一个实施例,第二获取模块12,还用于:对所述候选本征模态函数数量进行升序排列,以获取所述候选本征模态函数数量的排序结果;从所述排序结果处于首位的所述候选本征模态函数数量起,对所述候选本征模态函数数量进行搜索,并根据所述搜索步长遍历所述候选惩罚因子,以获取所述候选变分模态分解参数。
根据本申请的一个实施例,第二获取模块12,还用于:获取所述候选惩罚因子的排列顺序;从所述排序结果处于首位的所述候选本征模态函数数量起,根据当前序位的所述候选本征模态函数数量和所述搜索步长,按照所述排列顺序遍历所有的所述候选惩罚因子,以获取至少一组所述当前序位的所述候选本征模态函数数量对应的候选变分模态分解参数,其中,所述候选变分模态分解参数包括所述候选本征模态函数数量和任一所述候选惩罚因子。
根据本申请的一个实施例,第二获取模块12,还用于:从所有的所述峭度中获取最大峭度;将所述最大峭度对应的所述候选本征模态函数作为所述最优本征模态函数。
根据本申请的一个实施例,第二获取模块12,还用于:获取所述当前序位的所述候选本征模态函数数量对应的所述最优本征模态函数的第一稀疏测度指标;根据所述第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取所述最优变分模态分解参数。
根据本申请的一个实施例,第三获取模块13,还用于:判断所述第一稀疏测度指标是否为当前最小稀疏测度指标;在确定所述第一稀疏测度指标为所述当前最小稀疏测度指标时,获取后续至少两个序位的所述候选本征模态函数数量分别对应的所述最优本征模态函数的第二稀疏测度指标;在确定每个所述第二稀疏测度指标均大于所述第一稀疏测度指标时,停止变分模态分解,并将所述第一稀疏测度指标对应的所述候选变分模态分解参数作为所述最优变分模态分解参数。
根据本申请的一个实施例,故障诊断模块15,还用于:根据所述包络谱,绘制对应的波形曲线;获取所述波形曲线的波峰,并根据所述波峰,获取所述振动信号的特征频率。
本申请实施例提供的一种滚动轴承的故障诊断装置,通过获取表征滚动轴承状态信息的振动信号,并自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数,根据最优变分模态分解参数,对振动信号进行变分模态分解,以获取至少两个本征模态函数分量,从本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取最优本征模态函数的包络谱,并根据包络谱,获取振动信号的特征频率,根据特征频率对滚动轴承进行故障诊断诊断。由此,本申请提供了一种滚动轴承的故障诊断方法,可以自适应、准确、高效地确定最优变分模态分解参数,进而从原始振动信号中充分分离出故障信息以实现对轴承状态的准确诊断特征频率,该方法具有适应性好、应用操作简单、故障诊断精度高、故障信息分离效果好等优点,能够对滚动轴承的早期故障进行准确地诊断。
为了实现上述实施例,本申请还提出了一种电子设备2000,如图13所示,包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序,处理器执行程序时,实现前述的滚动轴承的故障诊断方法。
为了实现上述实施例,本申请还提出一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时实现前述的滚动轴承的故障诊断方法。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种滚动轴承的故障诊断方法,其特征在于,包括:
获取表征滚动轴承状态信息的振动信号;
自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数;
根据所述最优变分模态分解参数,对所述振动信号进行变分模态分解,以获取至少两个本征模态函数分量;
从所述本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取所述最优本征模态函数的包络谱;
根据所述包络谱,获取所述振动信号的特征频率,并根据所述特征频率对所述滚动轴承进行故障诊断。
2.根据权利要求1所述的滚动轴承的故障诊断方法,其特征在于,所述自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数,包括:
获取候选本征模态函数数量、候选惩罚因子和搜索步长,并根据所述候选本征模态函数数量、所述候选惩罚因子和所述搜索步长进行搜索,以获取候选变分模态分解参数;
根据所述候选变分模态分解参数,对所述振动信号进行变分模态分解,并获取每个所述候选本征模态函数的峭度;
根据每个所述候选本征模态函数的所述峭度,并基于峭度最大原则,获取最优本征模态函数;
根据所述最优本征模态函数,获取所述最优变分模态分解参数。
3.根据权利要求2所述的滚动轴承的故障诊断方法,其特征在于,所述根据候选本征模态函数数量、所述候选惩罚因子和所述搜索步长进行搜索,以获取候选变分模态分解参数,包括:
对所述候选本征模态函数数量进行升序排列,以获取所述候选本征模态函数数量的排序结果;
从所述排序结果处于首位的所述候选本征模态函数数量起,对所述候选本征模态函数数量进行搜索,并根据所述搜索步长遍历所述候选惩罚因子,以获取所述候选变分模态分解参数。
4.根据权利要求3所述的滚动轴承的故障诊断方法,其特征在于,所述从所述排序结果处于首位的所述候选本征模态函数数量起,对所述候选本征模态函数数量进行搜索,并根据所述搜索步长遍历所述候选惩罚因子,以获取所述候选变分模态分解参数,包括:
获取所述候选惩罚因子的排列顺序;
从所述排序结果处于首位的所述候选本征模态函数数量起,根据当前序位的所述候选本征模态函数数量和所述搜索步长,按照所述排列顺序遍历所有的所述候选惩罚因子,以获取至少一组所述当前序位的所述候选本征模态函数数量对应的候选变分模态分解参数,其中,所述候选变分模态分解参数包括所述候选本征模态函数数量和任一所述候选惩罚因子。
5.根据权利要求4所述的滚动轴承的故障诊断方法,其特征在于,所述根据每个所述候选本征模态函数的所述峭度,并基于峭度最大原则,获取最优本征模态函数,包括:
从所有的所述峭度中获取最大峭度;
将所述最大峭度对应的所述候选本征模态函数作为所述最优本征模态函数。
6.根据权利要求4所述的滚动轴承的故障诊断方法,其特征在于,所述方法,还包括:
获取所述当前序位的所述候选本征模态函数数量对应的所述最优本征模态函数的第一稀疏测度指标;
根据所述第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取所述最优变分模态分解参数。
7.根据权利要求6所述的滚动轴承的故障诊断方法,其特征在于,所述根据所述第一稀疏测度指标,判断是否停止变分模态分解,并在确定停止变分模态分解时,获取所述最优变分模态分解参数,包括:
判断所述第一稀疏测度指标是否为当前最小稀疏测度指标;
在确定所述第一稀疏测度指标为所述当前最小稀疏测度指标时,获取后续至少两个序位的所述候选本征模态函数数量分别对应的所述最优本征模态函数的第二稀疏测度指标;
在确定每个所述第二稀疏测度指标均大于所述第一稀疏测度指标时,停止变分模态分解,并将所述第一稀疏测度指标对应的所述候选变分模态分解参数作为所述最优变分模态分解参数。
8.根据权利要求1所述的滚动轴承的故障诊断方法,其特征在于,所述根据所述包络谱,获取所述振动信号的特征频率,包括:
根据所述包络谱,绘制对应的波形曲线;
获取所述波形曲线的波峰,并根据所述波峰,获取所述振动信号的特征频率。
9.一种滚动轴承的故障诊断装置,其特征在于,包括:
第一获取模块,用于获取表征滚动轴承状态信息的振动信号;
第二获取模块,用于自适应确定从振动信号中充分分离出故障信息的最优变分模态分解参数;
第三获取模块,用于根据所述最优变分模态分解参数,对所述振动信号进行变分模态分解,以获取至少两个本征模态函数分量;
第四获取模块,用于从从所述本征模态函数分量中选取最优本征模态函数,并结合包络解调分析和快速傅里叶变换,获取所述最优本征模态函数的包络谱;
故障诊断模块,用于根据所述包络谱,获取所述振动信号的特征频率,并根据所述特征频率对所述滚动轴承进行故障诊断特征频率特征频率。
10.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210591010.1A CN115031967A (zh) | 2022-05-27 | 2022-05-27 | 滚动轴承的故障诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210591010.1A CN115031967A (zh) | 2022-05-27 | 2022-05-27 | 滚动轴承的故障诊断方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115031967A true CN115031967A (zh) | 2022-09-09 |
Family
ID=83121507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210591010.1A Pending CN115031967A (zh) | 2022-05-27 | 2022-05-27 | 滚动轴承的故障诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115031967A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859091A (zh) * | 2022-11-01 | 2023-03-28 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN116242612A (zh) * | 2023-01-09 | 2023-06-09 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
-
2022
- 2022-05-27 CN CN202210591010.1A patent/CN115031967A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859091A (zh) * | 2022-11-01 | 2023-03-28 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN115859091B (zh) * | 2022-11-01 | 2023-05-26 | 哈尔滨工业大学 | 一种轴承故障特征的提取方法、电子设备及存储介质 |
CN116242612A (zh) * | 2023-01-09 | 2023-06-09 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
CN116242612B (zh) * | 2023-01-09 | 2023-11-21 | 广东海洋大学 | 一种故障诊断方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115031967A (zh) | 滚动轴承的故障诊断方法、装置及电子设备 | |
US10782280B2 (en) | Method and system for evaluation of engine condition | |
CN110836775B (zh) | 一种基于多维熵空间距离的滚动轴承故障识别方法及系统 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN109374293B (zh) | 一种齿轮故障诊断方法 | |
CN110553839A (zh) | 一种齿轮箱的单一和复合故障诊断方法、设备及系统 | |
CN111397868A (zh) | 一种基于聚合经验模态分解算法的断路器故障分析方法 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN115169396A (zh) | 基于参数字典和omp算法的轴承微弱故障特征提取方法 | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
CN112345247B (zh) | 一种滚动轴承的故障诊断方法及装置 | |
CN116578856A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
CN115808312A (zh) | 基于可变形卷积和Transformer的滚动轴承故障诊断方法 | |
CN115931359A (zh) | 一种涡轮泵轴承故障诊断方法及装置 | |
CN115575796A (zh) | 数据采集集成电路测试方法、系统、电子设备及存储介质 | |
Agrawal et al. | Induction motor bearing fault classification using WPT, PCA and DSVM | |
CN110631810B (zh) | 风力发电机组振动异常的检测方法和设备及风力发电机组 | |
CN113642600A (zh) | 一种基于mRMR算法与主成分分析的驾驶行为特征提取方法 | |
CN111042802A (zh) | 一种抽油机故障诊断方法、装置及系统 | |
CN117235476B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116242612B (zh) | 一种故障诊断方法、装置、介质及设备 | |
CN116973103A (zh) | 一种齿轮箱的故障诊断方法、系统、介质及设备 | |
CN115235749A (zh) | 一种机器设备故障诊断方法及装置 | |
CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 |
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 |