CN116380467A - 一种基于多时频脊线提取的滚动轴承故障诊断方法 - Google Patents
一种基于多时频脊线提取的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN116380467A CN116380467A CN202310591628.2A CN202310591628A CN116380467A CN 116380467 A CN116380467 A CN 116380467A CN 202310591628 A CN202310591628 A CN 202310591628A CN 116380467 A CN116380467 A CN 116380467A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- ridge line
- point
- fault diagnosis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000005096 rolling process Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 7
- 101100409194 Rattus norvegicus Ppargc1b gene Proteins 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于多时频脊线提取的滚动轴承故障诊断方法,应用于智能故障诊断技术领域。包括以下步骤:S1对原始信号进行包络分析获得包络信号,并对获得的包络信号进行预处理;S2将基于最小信息熵准则的STFT应用于包络信号以获得包络信号的时频表示;S3使用基于快速路径优化的多时频脊线算法从时频表示中提取时频脊线,将提取的最低频率的时频脊线计为fr;S4计算每条脊线与fr的点对点频率比、每条脊线比值的平均值和方差;S5比较平均值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。本发明对故障特征频率的估计具有优质的精确性和高效性。
Description
技术领域
本发明涉及智能故障诊断技术领域,更具体的说是涉及一种基于多时频脊线提取的滚动轴承故障诊断方法。
背景技术
滚动轴承由于承载能力高、工作稳定等优点,在高速、重载领域的现代工业中得到了广泛应用。然而,在长时间高速、重载的恶劣工况中运行,滚动轴承极易出现疲劳故障。
针对短时傅里叶变换(short-time Fouriertransform,STFT)中难以选择合适窗长的问题,将最小信息熵准则应用于STFT的窗长选择中,提高了时频分辨率,为下一步进行多时频脊线提取提供了清晰的时频图。随后,针对滚动轴承故障振动信号的非平稳、非线性特点,将快速路径优化迭代算法应用于时频表示,提出了基于快速路径优化的多时频脊线提取方法,解决了因初始脊点选择错误而导致后续脊点与实际脊线偏离的问题,且有效避免了因为轴转频提取不准确而导致诊断错误的问题,准确地实现了变转速工况下滚动轴承的故障诊断。
因此,提出一种基于多时频脊线提取的滚动轴承故障诊断方法,来解决现有技术存在的困难,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于多时频脊线提取的滚动轴承故障诊断方法,用以解决现有技术中存在的技术问题。
为了实现上述目的,本发明提供如下技术方案:
一种基于多时频脊线提取的滚动轴承故障诊断方法,包括以下步骤:
S1.对原始信号进行包络分析获得包络信号,并对获得的包络信号进行预处理;
S2.将基于最小信息熵准则的STFT应用于包络信号以获得包络信号的时频表示;
S3.使用基于快速路径优化的多时频脊线算法从时频表示中提取时频脊线,将提取的最低频率的时频脊线计为fr;
S4.计算每条脊线与fr的点对点频率比、每条脊线比值的平均值和方差;
S5.比较平均值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。
可选的,还包括:如果在所提取的时频脊线中,fr不出现或者不明显,则继续进行以下步骤:
S6.如果在S5中没有识别出故障特征频率,则再次使用基于快速路径优化的多时频脊线算法从S3中提取的的最低时频脊线的下方提取时频脊线;
S7.将最低频率脊线的时频脊线计为新的fr;
S8.计算S3中得到的每条脊线与新的fr的频率比值、每条脊线比值的平均值和方差;
S9.比较新计算的平均比值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。
可选的,S1中对获得的包络信号进行预处理的具体方法为:
采用随机重叠的方法将原始信号分成M段,每一段信号有N个数据点,选取包含故障特征频率点的信号数据段J作为有用数据。
可选的,对原始信号有用数据进行时频域表示:观察有用数据段的频谱特征分布,判断故障特征频谱幅值A是否处于最大值Amax。
可选的,判断故障特征频谱幅值A是否处于最大值Amax具体为:
如果A=Amax;则将此数据段用作频谱估计数据集;
如果A不等于Amax,则采用滤波方法将高于故障特征频谱幅值的频率点滤除,确保故障特征频谱幅值A处于最大值,并得到用于频率估计的滤波信号数据。
可选的,滤波方法使用的滤波器为ButterWorth低通滤波器,其截止频率为300Hz,阻带频率为400Hz。
可选的,S2中的快速路径优化的方法具体为:计算出每个时刻点处所有幅值的局部极大值及其对应的频率;根据快速路径最优算法确定每个极值点与前后极值点之间可能的优化路径;根据优化方程的解确定最后一个时刻点处应被提取的频率值对应的极值,根据该极值点选取与其对应的那条快速最优路径。
可选的,S2中的快速路径优化的方法具体包括:
步骤一:计算时频图上每个时刻点处幅值的局部极大值,得到该时刻点处所有幅值极大值对应的频率值
fm(τn)=f,(d[X(τn,f)]/df=0||d2[X(τn,f)]/df2<0),m=1,2....,Np
其中,τn表示时频图上的时刻点,n=1,2,...,N,Np(τn)表示时刻点τn处局部极大值的个数,fm(τn)是时刻点τn处第m个极值对应的频率值,其幅值记为SPm(τn);
步骤二:为准确提取时频脊线,提出一种路径优化算法确定每个时刻点处应被提取的幅值极大值,该极值对应的fm(τn)就是最终应被提取的频率值,该路径优化算法表示如下:
其中,mc(τn)决定了时刻点τn处被提取的幅值极大值,F[]表示优化方程,根据该方程的解即可提取出最优的时频脊线;优化方程具体表示如下:
F[]=log SPm(τn)+ω2(fm(τn),m[fd],IQR[fd],1)+ω1(fm(τn)-fd(τn-1),m[Δfd],IQR[Δfd],1)
m[]=perc0.5[],IQR[]=perc0.75[]-perc0.25[]
其中,fd(τn-1)表示时刻点τn-1处的候选脊频率值,Δfd是fd的导数,percp[f(t)]表示f(t)的第p分位数;
步骤三:优化方程的解可以表示为:
U(m,τn)=F[SPm(τn),fm(τn),fq(m,τn)(τn-1)]=U(q(m,τn),τn-1)
其中,n=1,2,...,N,m=1,2,...,Np(τn),q(m,τn)用以确定时刻τn,其中n=2,...,N,处每个幅值极大值应与前一时刻点处哪一个极值点构成优化路径,规划所有可能路径;U(m,τn)表示得到优化结果的中间向量,即选择时刻τN处U(m,τn)取最大值的幅值极大值点对应的频率值作为最终应被提取的瞬时频率,相应的由q(m,τn)确定的该极值点下的路径作为快速路径最优。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于多时频脊线提取的滚动轴承故障诊断方法,其有益效果为:相比传统的短时傅里叶变换,由于短时傅里叶变换采用固定的窗长分段对信号进行时频分析,结合与实际频率变化相对应的基函数,可以进一步增强时频聚集性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于多时频脊线提取的滚动轴承故障诊断方法的流程图;
图2为本发明提供的整个故障诊断的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1所示,本发明公开了一种基于多时频脊线提取的滚动轴承故障诊断方法,包括以下步骤:
S1.对原始信号进行包络分析获得包络信号,并对获得的包络信号进行预处理;
S2.将基于最小信息熵准则的STFT应用于包络信号以获得包络信号的时频表示;
S3.使用基于快速路径优化的多时频脊线算法从时频表示中提取时频脊线,将提取的最低频率的时频脊线计为fr;
S4.计算每条脊线与fr的点对点频率比、每条脊线比值的平均值和方差;
S5.比较平均值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。
具体的,故障特征频率的估计具有优质的精确性和高效性。
进一步的,还包括:如果在所提取的时频脊线中,fr不出现或者不明显,则继续进行以下步骤:
S6.如果在S5中没有识别出故障特征频率,则再次使用基于快速路径优化的多时频脊线算法从S3中提取的的最低时频脊线的下方提取时频脊线;
S7.将最低频率脊线的时频脊线计为新的fr;
S8.计算S3中得到的每条脊线与新的fr的频率比值、每条脊线比值的平均值和方差;
S9.比较新计算的平均比值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。
具体的,整个故障诊断的流程参见图2所示。
进一步的,S1中对获得的包络信号进行预处理的具体方法为:
采用随机重叠的方法将原始信号分成M段,每一段信号有N个数据点,选取包含故障特征频率点的信号数据段J作为有用数据。
进一步的,对原始信号有用数据进行时频域表示:观察有用数据段的频谱特征分布,判断故障特征频谱幅值A是否处于最大值Amax。
进一步的,判断故障特征频谱幅值A是否处于最大值Amax具体为:
如果A=Amax;则将此数据段用作频谱估计数据集;
如果A不等于Amax,则采用滤波方法将高于故障特征频谱幅值的频率点滤除,确保故障特征频谱幅值A处于最大值,并得到用于频率估计的滤波信号数据。
进一步的,滤波方法使用的滤波器为ButterWorth低通滤波器,其截止频率为300Hz,阻带频率为400Hz。
进一步的,S2中的快速路径优化的方法具体为:计算出每个时刻点处所有幅值的局部极大值及其对应的频率;根据快速路径最优算法确定每个极值点与前后极值点之间可能的优化路径;根据优化方程的解确定最后一个时刻点处应被提取的频率值对应的极值,根据该极值点选取与其对应的那条快速最优路径。
具体的,通过快速路径最优搜索算法考虑了整个时域中所有幅值极大值,建立了前后时刻点所有幅值极大值之间所有可能的优化路径,保证了瞬时时频脊线的连续性和准确性。
进一步的,S2中的快速路径优化的方法具体包括:
步骤一:计算时频图上每个时刻点处幅值的局部极大值,得到该时刻点处所有幅值极大值对应的频率值;
fm(τn)=f,(d[X(τn,f)]/df=0||d2[X(τn,f)]/df2<0),m=1,2....,Np
其中,τn表示时频图上的时刻点,n=1,2,...,N,Np(τn)表示时刻点τn处局部极大值的个数,fm(τn)是时刻点τn处第m个极值对应的频率值,其幅值记为SPm(τn);
步骤二:为准确提取时频脊线,提出一种路径优化算法确定每个时刻点处应被提取的幅值极大值,该极值对应的fm(τn)就是最终应被提取的频率值,该路径优化算法表示如下:
其中,mc(τn)决定了时刻点τn处被提取的幅值极大值,F[]表示优化方程,根据该方程的解即可提取出最优的时频脊线;优化方程具体表示如下:
F[]=logSPm(τn)+ω2(fm(τn),m[fd],IQR[fd],1)+ω1(fm(τn)-fd(τn-1),m[Δfd],IQR[Δfd],1)
m[]=perc0.5[],IQR[]=perc0.75[]-perc0.25[]
其中,fd(τn-1)表示时刻点τn-1处的候选脊频率值,Δfd是fd的导数,percp[f(t)]表示f(t)的第p分位数;
步骤三:优化方程的解可以表示为:
U(m,τn)=F[SPm(τn),fm(τn),fq(m,τn)(τn-1)]=U(q(m,τn),τn-1)
其中,n=1,2,...,N,m=1,2,...,Np(τn),q(m,τn)用以确定时刻τn,其中n=2,...,N,处每个幅值极大值应与前一时刻点处哪一个极值点构成优化路径,规划所有可能路径;U(m,τn)表示得到优化结果的中间向量,即选择时刻τN处U(m,τn)取最大值的幅值极大值点对应的频率值作为最终应被提取的瞬时频率,相应的由q(m,τn)确定的该极值点下的路径作为快速路径最优。
具体的,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器,处理器用于运行程序,其中,程序运行时实现任一项所述方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,包括以下步骤:
S1.对原始信号进行包络分析获得包络信号,并对获得的包络信号进行预处理;
S2.将基于最小信息熵准则的STFT应用于包络信号以获得包络信号的时频表示;
S3.使用基于快速路径优化的多时频脊线算法从时频表示中提取时频脊线,将提取的最低频率的时频脊线计为fr;
S4.计算每条脊线与fr的点对点频率比、每条脊线比值的平均值和方差;
S5.比较平均值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。
2.根据权利要求1所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,还包括:如果在所提取的时频脊线中,fr不出现或者不明显,则继续进行以下步骤:
S6.如果在S5中没有识别出故障特征频率,则再次使用基于快速路径优化的多时频脊线算法从S3中提取的的最低时频脊线的下方提取时频脊线;
S7.将最低频率脊线的时频脊线计为新的fr;
S8.计算S3中得到的每条脊线与新的fr的频率比值、每条脊线比值的平均值和方差;
S9.比较新计算的平均比值与故障特征系数的匹配程度来识别故障特征频率,并进行故障诊断。
3.根据权利要求1所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,S1中对获得的包络信号进行预处理的具体方法为:
采用随机重叠的方法将原始信号分成M段,每一段信号有N个数据点,选取包含故障特征频率点的信号数据段J作为有用数据。
4.根据权利要求3所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,对原始信号有用数据进行时频域表示:观察有用数据段的频谱特征分布,判断故障特征频谱幅值A是否处于最大值Amax。
5.根据权利要求4所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,判断故障特征频谱幅值A是否处于最大值Amax具体为:
如果A=Amax;则将此数据段用作频谱估计数据集;
如果A不等于Amax,则采用滤波方法将高于故障特征频谱幅值的频率点滤除,确保故障特征频谱幅值A处于最大值,并得到用于频率估计的滤波信号数据。
6.根据权利要求5所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,滤波方法使用的滤波器为ButterWorth低通滤波器,其截止频率为300Hz,阻带频率为400Hz。
7.根据权利要求1所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,S2中的快速路径优化的方法具体为:计算出每个时刻点处所有幅值的局部极大值及其对应的频率;根据快速路径最优算法确定每个极值点与前后极值点之间可能的优化路径;根据优化方程的解确定最后一个时刻点处应被提取的频率值对应的极值,根据该极值点选取与其对应的那条快速最优路径。
8.根据权利要求7所述的一种基于多时频脊线提取的滚动轴承故障诊断方法,其特征在于,S2中的快速路径优化的方法具体包括:
步骤一:计算时频图上每个时刻点处幅值的局部极大值,得到该时刻点处所有幅值极大值对应的频率值;
fm(τn)=f,(d[X(τn,f)]/df=0||d2[X(τn,f)]/df2<0),m=1,2....,Np
其中,τn表示时频图上的时刻点,n=1,2,...,N,Np(τn)表示时刻点τn处局部极大值的个数,fm(τn)是时刻点τn处第m个极值对应的频率值,其幅值记为SPm(τn);
步骤二:为准确提取时频脊线,提出一种路径优化算法确定每个时刻点处应被提取的幅值极大值,该极值对应的fm(τn)就是最终应被提取的频率值,该路径优化算法表示如下:
其中,mc(τn)决定了时刻点τn处被提取的幅值极大值,F[]表示优化方程,根据该方程的解即可提取出最优的时频脊线;优化方程具体表示如下:
F[]=logSPm(τn)+ω2(fm(τn),m[fd],IQR[fd],1)+ω1(fm(τn)-fd(τn-1),m[Δfd],IQR[Δfd],1)
m[]=perc0.5[],IQR[]=perc0.75[]-perc0.25[]
其中,fd(τn-1)表示时刻点τn-1处的候选脊频率值,Δfd是fd的导数,percp[f(t)]表示f(t)的第p分位数;
步骤三:优化方程的解可以表示为:
U(m,τn)=F[SPm(τn),fm(τn),fq(m,τn)(τn-1)]=U(q(m,τn),τn-1)
其中,n=1,2,...,N,m=1,2,...,Np(τn),q(m,τn)用以确定时刻τn,其中n=2,...,N,处每个幅值极大值应与前一时刻点处哪一个极值点构成优化路径,规划所有可能路径;U(m,τn)表示得到优化结果的中间向量,即选择时刻τN处U(m,τn)取最大值的幅值极大值点对应的频率值作为最终应被提取的瞬时频率,相应的由q(m,τn)确定的该极值点下的路径作为快速路径最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310591628.2A CN116380467B (zh) | 2023-05-24 | 2023-05-24 | 一种基于多时频脊线提取的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310591628.2A CN116380467B (zh) | 2023-05-24 | 2023-05-24 | 一种基于多时频脊线提取的滚动轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116380467A true CN116380467A (zh) | 2023-07-04 |
CN116380467B CN116380467B (zh) | 2024-01-23 |
Family
ID=86969683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310591628.2A Active CN116380467B (zh) | 2023-05-24 | 2023-05-24 | 一种基于多时频脊线提取的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116380467B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786607A (zh) * | 2024-02-28 | 2024-03-29 | 昆明理工大学 | 基于时频熵谱的变工况振动信号故障诊断方法、系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325099A (zh) * | 2013-07-11 | 2013-09-25 | 北京智诺英特科技有限公司 | 图像校正方法和装置 |
CN110174270A (zh) * | 2019-06-10 | 2019-08-27 | 苏州大学 | 多源时频脊线提取方法 |
CN112577746A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种转速波动下滚动轴承包络阶次谱故障特征的提取方法 |
CN113869410A (zh) * | 2021-09-28 | 2021-12-31 | 云南农业大学 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
-
2023
- 2023-05-24 CN CN202310591628.2A patent/CN116380467B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325099A (zh) * | 2013-07-11 | 2013-09-25 | 北京智诺英特科技有限公司 | 图像校正方法和装置 |
CN110174270A (zh) * | 2019-06-10 | 2019-08-27 | 苏州大学 | 多源时频脊线提取方法 |
CN112577746A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种转速波动下滚动轴承包络阶次谱故障特征的提取方法 |
CN113869410A (zh) * | 2021-09-28 | 2021-12-31 | 云南农业大学 | 一种基于dcgan样本补充的滚动轴承故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786607A (zh) * | 2024-02-28 | 2024-03-29 | 昆明理工大学 | 基于时频熵谱的变工况振动信号故障诊断方法、系统 |
CN117786607B (zh) * | 2024-02-28 | 2024-05-17 | 昆明理工大学 | 基于时频熵谱的变工况振动信号故障诊断方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116380467B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Adaptive Kurtogram and its applications in rolling bearing fault diagnosis | |
CN116380467B (zh) | 一种基于多时频脊线提取的滚动轴承故障诊断方法 | |
CN110243605B (zh) | 多源时频脊线提取方法 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN108548957B (zh) | 基于循环调制频谱和分段互相关相结合的双谱分析方法 | |
CN110243603B (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
CN111912521B (zh) | 一种非平稳信号的频率检测方法和存储介质 | |
CN110084208B (zh) | 一种自适应降噪并避免阶次混叠的计算阶次跟踪方法 | |
Peeters et al. | Multi-harmonic phase demodulation method for instantaneous angular speed estimation using harmonic weighting | |
WO2020057066A1 (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
Zhao et al. | Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique | |
Xiao et al. | Research on fault feature extraction method of rolling bearing based on NMD and wavelet threshold denoising | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN114925728A (zh) | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 | |
Yi et al. | Second-order Synchrosqueezing Modified S Transform for wind turbine fault diagnosis | |
CN115809399A (zh) | 用于机械传动系统复合故障识别的自适应信号降噪分解方法 | |
CN114061678A (zh) | 一种科氏流量计数字驱动方法 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
Kuang et al. | Parameter free and reliable signal denoising based on constants obtained from IMFs of white Gaussian noise | |
CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
CN110457644B (zh) | 基于LoG算子和Grubbs检验的时频脊线提取方法 | |
Wan et al. | Adaptive asymmetric real Laplace wavelet filtering and its application on rolling bearing early fault diagnosis | |
CN112697482A (zh) | 一种vmd多尺度波动分析状态监测方法及装置 | |
CN115030903B (zh) | 一种离心泵内滚动轴承早期故障在线诊断方法 | |
CN111611870B (zh) | 冷连轧机故障特征识别方法、系统、装置及介质 |
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 |