CN116383631A - 参数自适应最大循环平稳性盲解卷积的轴承故障特征提取 - Google Patents

参数自适应最大循环平稳性盲解卷积的轴承故障特征提取 Download PDF

Info

Publication number
CN116383631A
CN116383631A CN202310365402.0A CN202310365402A CN116383631A CN 116383631 A CN116383631 A CN 116383631A CN 202310365402 A CN202310365402 A CN 202310365402A CN 116383631 A CN116383631 A CN 116383631A
Authority
CN
China
Prior art keywords
envelope
deconvolution
maximum
spectrum
blind deconvolution
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
Application number
CN202310365402.0A
Other languages
English (en)
Inventor
陈仁祥
黄誉
徐向阳
梁栋
杨黎霞
吕良婧
高正源
孙世政
李嘉琳
闫凯波
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.)
Chongqing Jiaotong University
Original Assignee
Chongqing 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 Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN202310365402.0A priority Critical patent/CN116383631A/zh
Publication of CN116383631A publication Critical patent/CN116383631A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Acoustics & Sound (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及信号特征提取领域，具体涉及参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，基于增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵；基于包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度；基于最大循环平稳性盲解卷积的波器长度输出迭代停止时解卷积结果，从中提取故障特征，本发明可以从观测信号中还原、放大故障脉冲，同时对信号进行降噪。既可用于诊断轴承早期故障，也可用于诊断强噪声掩盖下的轴承故障，提前发现轴承故障，减少停机时间，避免安全事故发生，从而解决现有的方法限制最大循环平稳性盲解卷积在工业中应用，导致意外停机和安全事故发生的问题。

Description

参数自适应最大循环平稳性盲解卷积的轴承故障特征提取
技术领域
本发明涉及信号特征提取领域，尤其涉及参数自适应最大循环平稳性盲解卷积的轴承故障特征提取。
背景技术
滚动轴承广泛应用于现代工业中，在现代工业中发挥着至关重要的作用。轴承故障直接影响机器性能，甚至可能导致危及生命的安全事故。因此，尽快发现轴承故障至关重要。然而，由于外部振动信号和白噪声干扰，有关轴承故障特征的信息很容易被淹没。此外，传输路径和信号衰减都可能导致信号失真。因此，如何在强噪声干扰下提取故障冲击信号是轴承故障诊断的关键。
盲解卷积可以在不了解振动源、传输信道特性和噪声强度的情况下，通过设计有限脉冲响应滤波器来恢复故障冲击信号。在设计FIR滤波器时，故障特征的稀疏指数通常用作解卷积的目标函数，以达到良好的特征提取。目前的盲解卷积算法中，有以峰度为指标的最小熵解卷积，以最大相关峰度为目标的解卷积，以多点最优最小熵为目标的盲解卷积。直到，最大循环平稳性盲解卷积被提出。
最大循环平稳性盲解卷积克服了其他盲解卷积方法对单个脉冲盲解卷积或对非周期信号不敏感的缺点。因此，被广泛应用于轴承故障诊断领域。然而，最大循环平稳性盲解卷积的两个关键参数(循环频率、滤波器长度)需要人工设置。循环频率和滤波器长度设置不当，将严重影响基于最大循环平稳性盲解卷积的轴承故障诊断方法的结果。当人工输入的循环频率与信号真实的循环频率存在较大误差时，最大循环平稳性盲解卷积将不会收敛到周期性故障脉冲，最终将输出错误的诊断结果。滤波器长度设置较短时，解卷积后的信号故障特征不明显。而滤波器长度设置较长时，解卷积过程将消耗大量时间。因此，最大循环平稳性盲解卷积的轴承故障诊断方法受限于需要人工输入准确的循环频率和适当的滤波器长度。
采用上述方式，设置两个关键参数需要丰富的专家经验，这将限制最大循环平稳性盲解卷积在工业中应用，从而导致意外停机和安全事故发生。
发明内容
本发明的目的在于提供参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，旨在解决现有的方法限制最大循环平稳性盲解卷积在工业中应用，导致意外停机和安全事故发生的问题。
为实现上述目的，本发明提供了参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，包括以下步骤：
使用快速谱相关算法对振动信号进行计算，得到相关函数；
对所述相关函数进行运算，得到信号增强包络谐波积谱；
基于所述增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵；
基于所述包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度；
基于所述最大循环平稳性盲解卷积的波器长度输出迭代停止时解卷积结果，从中提取故障特征。
其中，所述使用快速谱相关算法对振动信号进行计算，得到相关函数，包括：
采集滚动轴承运行过程中的振动信号；
通过快速谱相关算法对所述振动信号进行计算，得到相关函数。
其中，所述对所述相关函数进行运算，得到信号增强包络谐波积谱，包括：
基于所述相关函数在谱频率域内积分得到信号增强包络谱；
对所述信号增强包络谱进行谐波积谱运算，得到信号增强包络谐波积谱。
其中，所述基于所述增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵，包括：
采用所述增强包络谐波积谱的幅值最大处对应频率为最大循环平稳性解卷积的循环频率；
基于所述循环评率迭代滤波器长度计算不同滤波器长度下解卷积后信号，得到包络熵。
其中，所述基于所述包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度，包括：
根据所述包络熵变化量和时间成本变化量，计算每次迭代的效率指标；
当所述效率指标首次出现下降时滤波器长度停止迭代，得到最大循环平稳性盲解卷积的波器长度。
本发明的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，使用快速谱相关算法对振动信号进行计算，得到相关函数；对所述相关函数进行运算，得到信号增强包络谐波积谱；基于所述增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵；基于所述包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度；基于所述最大循环平稳性盲解卷积的波器长度输出迭代停止时解卷积结果，从中提取故障特征，本发明可以从观测信号中还原、放大故障脉冲，同时对信号进行降噪。既可用于诊断轴承早期故障，也可用于诊断强噪声掩盖下的轴承故障，提前发现轴承故障，减少停机时间，避免安全事故发生，从而解决现有的方法限制最大循环平稳性盲解卷积在工业中应用，导致意外停机和安全事故发生的问题。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明提供的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取。
图2是采集的轴承振动加速度信号及其包络谱图。
图3是信号增强包络谱图。
图4是增强包络谐波积谱图。
图5是基于包络熵和时间成本的评价指标图。
图6是参数自适应最大循环平稳性盲解卷积输出的最终信号及其包络谱图。
图7是理论计算频率作是故障频率时，最大循环平稳性盲解卷积输出的结果及其包络谱图。
图8是不同循环循环频率下，最大循环平稳性盲解卷积输出结果的包络谱瀑布图。
图9是不同滤波器长度下，最大循环平稳性盲解卷积输出结果的包络谱瀑布图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1至图9，本发明提供参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，包括以下步骤：
S1使用快速谱相关算法对振动信号进行计算，得到相关函数；
S11采集滚动轴承运行过程中的振动信号；
具体的，采集滚动轴承运行过程中的振动信号为加速度信号，记录采样频率和采样时间。
S12通过快速谱相关算法对所述振动信号进行计算，得到相关函数。
具体的，计算信号的快速谱相关，使用如下计算公式：
正常轴承信号是不具备循环平稳特性的，而当轴承出现故障时，信号中出现循环平稳性分量。故障轴承的振动加速度信号存在二阶循环平稳性，二阶循环平稳信号的时变自相关函数计算如下：
Rx(tn,τ)＝E{x(tn)x(tn-τ)·}＝Rx(tn+T,τ)
式中，Rx表示二阶循环平稳信号x的时变自相关函数；E表示统计平均；x表示二阶循环平稳信号；tn表示采样时间；□表示共轭；τ表示信号的时延因子；T表示信号的循环周期。
则，二阶循环平稳信号的谱相关函数计算如下：
Figure BDA0004166477920000041
式中，Sx表示二阶循环平稳信号x的谱相关函数；N表示采样频率；Fs表示信号的采样频率；tn＝n/Fs，表示采样频率Fs下的采样时间；τm＝m/Fs，表示采样频率Fs处的时间延迟；α表示循环频率；f表示载波频率。
谱相关函数由快速谱相关算法得到：
Figure BDA0004166477920000051
式中，Sx Fast是二阶循环平稳信号x快速谱相关函数；Rw为核函数；α表示循环频率；f表示载波频率；△f表示频率分辨率；α＝p△f+δ，p△f是α的近似频率，δ是误差。
S2对所述相关函数进行运算，得到信号增强包络谐波积谱；
S21基于所述相关函数在谱频率域内积分得到信号增强包络谱；
具体的，计算信号的增强包络谱，使用如下计算公式：
增强包络谱是循环频率下，对快速谱相关在谱频率域进行积分：
Figure BDA0004166477920000052
式中，γx(α,f)表示频率α与载波f的谱相干性。在频率区间[f1,f2]内，增强包络谱增强了快速谱相关的非零循环分量；Sx表示二阶循环平稳信号x的谱相关函数。
S22对所述信号增强包络谱进行谐波积谱运算，得到信号增强包络谐波积谱。
具体的，对信号增强包络谱进行谐波积谱运算，得到信号增强包络谐波积谱，谐波积谱运算使用如下计算公式：
H(w)＝F(w)F(2w)...F(Yw)
式中H(w)表示频率w下的谐波积谱值；F(w)表示增强包络谱的幅值；w表示增强包络谱的频率；Y表示需要计算的谐波次数。
S3基于所述增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵；
S31采用所述增强包络谐波积谱的幅值最大处对应频率为最大循环平稳性解卷积的循环频率；
具体的，故障轴承循环平稳信息会在增强包络谱中以谐波相关结构存在，谐波的基频就是循环频率。而谐波积谱运算把谐波相关信息压缩到基频，增强包络谐波积谱的最大值对应着循环频率。
S32基于所述循环评率迭代滤波器长度计算不同滤波器长度下解卷积后信号，得到包络熵。
具体的，采用包络熵作为解卷积效果的评价指标，所述的包络熵使用如下计算公式：
Figure BDA0004166477920000061
Figure BDA0004166477920000062
式中，N表示采样点；Pn表示a(n)的归一化；a(n)表示希尔伯特解调后包络信号；EE表示包络熵；ln表示自然对数。
S4基于所述包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度；
S41根据所述包络熵变化量和时间成本变化量，计算每次迭代的效率指标；
具体的，设计了综合考虑解卷积效果和时间成本效率指标，所述指标使用如下计算公式：
Figure BDA0004166477920000063
式中EEi-EEi+1表示第i+1次滤波器长度增加时包络熵的变化量；ti+1-ti表示第i+1次增加的时间成本；EEEAi表示第i次的基于包络熵的效率评价指标；ln表示自然对数。
S42当所述效率指标首次出现下降时滤波器长度停止迭代，得到最大循环平稳性盲解卷积的波器长度。
具体的，当效率评价指标首次下将时，说明在该滤波器长度下，最大循环平稳性盲解卷积具有最佳效率。自适应地匹配了最大循环平稳性盲解卷积的第二个关键参数。
S5基于所述最大循环平稳性盲解卷积的波器长度输出迭代停止时解卷积结果，从中提取故障特征。
具体的，盲解卷积抵消信号在传输过程中受到的影响，从观测信号x中恢复故障脉冲信号p0：
p＝x*f＝(p0*t)*f≈p0
式中，p表示盲解卷积后的信号；t表示传输路径上的响应；f表示逆FIR滤波器；*表示卷积运算。
Figure BDA0004166477920000071
式中，ICS2是二阶循环平稳性指标，量化信号在频域中能量的周期性波动。最大循环平稳性盲解卷积就是以ICS2为目标的解卷积方法。RXX表示相关矩阵；h表示滤波器矩阵；H表示共轭转置；X表示观测信号的矩阵；RXWX表示加权相关矩阵；W表示权重矩阵。
RXWXf＝RXXfλ
式中，RXX表示相关矩阵；RXWX表示加权相关矩阵；f表示滤波器；λ表示特征值。
此时，求最优逆滤波器f0的问题转化为求f使ICS2值最大化的问题，继续转化为求最大特征值λ的问题。当特征值λ最大时，ICS2值也最大，经逆滤波器f0解卷积得到的信号p具有最大的循环平稳性，最接近原始轴承故障脉冲信号p0。
实施例：
为了验证本发明提取方法能否有效提取强噪声中的微弱故障脉冲，进行实验验证。实验数据采用了XJTU-SY数据集，选择轴承“Bearing 3_1”的2350段数据进行试验，转速2400rpm,采样频率为25.6kHz。轴承型号为LDK UER204，具体参数如下表1所示。
表1滚动轴承参数
Figure BDA0004166477920000081
本实施例中，采集的信号和其包络谱如图二所示，故障脉冲信息淹没在噪声信息中，从时域和包络谱中都无法得到故障信息。
使用快速谱相关算法提取轴承振动信号中的循环平稳性成分，然后将循环平稳信息积分到增强包络谱中。本实施例中，得到的增强包络谱如图三所示。在增强包络谱中，发现了以124Hz为基频及其倍频直接存在谐波相关结构。故障轴承的振动加速度信息中存在循环平稳分量，这些周期性分量被快速谱相关算法提取，在增强包络谱中就以谐波相关结构的形式出现。
通过对增强包络积谱进行谐波积谱计算，得到增强包络谐波积谱，并从增强包络谐波积谱中得到循环频率。本实例中，得到的增强包络谐波谱如图四所示，增强包络谐波积谱最大值对应频率为124Hz。谐波积谱的计算方式，就是把谐波相关信息压缩到了基频。增强包络谐波积谱的最大值所对应的频率，就是故障轴承的真实循环频率。至此，最大循环平稳性盲解卷积的第一个关键参数被自适应匹配出。
迭代滤波器长度，对信号进行解卷积，根据基于包络熵和时间成本的效率指标，确定最优滤波器长度。在本实例中，滤波器初始长度和迭代步长都选择100。本实例中，得到的基于包络熵和时间成本的效率指标变化趋势如图五所示，在滤波器长度为300时，此时效率指标取得了最大值。至此，最大循环平稳性盲解卷积的第二个关键参数也被自适应匹配出。
输出最终的解卷积后信号，诊断轴承故障。在循环频率和滤波器长度都被自适应匹配出来后，输出最终经最大循环平稳性盲解卷积后的信号。在本实例中，结果如图六所示。时域信号中，发现大量被还原的故障脉冲，脉冲幅值被明显放大，相邻脉冲的时间间隔为0.008086秒，对应于123.67Hz。包络谱中，在124Hz及其倍频处出现了明显峰值，没有其他谱线能造成干扰。无论从时域还是包络谱中都能轻松诊断轴承故障。本发明为轴承微弱故障特征的提取提供了新思路。
通过转速和轴承参数计算出的理论故障为123.3Hz，说明实际循环频率与理论值存在差异，这可能是因为随机滑动和转速波动导致的。如果将理论故障频率直接作为循环频率进行解卷积，输出结果见图七，从图中无法获得有价值的轴承故障信息。说明最大循环平稳性盲解卷积参数自适应是非常必要的。
如图八所示，只有当设置的循环频率和实际故障频率之间的误差足够小时，最大循环平稳性盲解卷积才能定位故障频率。随着误差增加，最大循环平稳性盲解卷积将不能提取出故障特征，输出错误的结果。所以工业应用中，自适应取得循环频率是必要的，因为输入错误的循环频率将导致错误的结果。
如图九所示，随着滤波器长度增加，最大循环平稳性盲解卷积提取的故障特征越来越明显，其包络谱故障频率及其谐波处出现明显峰值。但解卷积过程消耗的时间也随着滤波器长度持续增长。所以本发明设计了一个基于解卷积效果和解卷积时间成本的性能指标，自适应确定滤波器长度值。至此，最大循环平稳性盲解卷积的两个关键参数都实现了自适应，避免工业应用现场需要专家经验设置参数，本发现提出的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取方法更适合工业应用。
以上所揭露的仅为本发明参数自适应最大循环平稳性盲解卷积的轴承故障特征提取较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，其特征在于，包括以下步骤：
使用快速谱相关算法对振动信号进行计算，得到相关函数；
对所述相关函数进行运算，得到信号增强包络谐波积谱；
基于所述增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵；
基于所述包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度；
基于所述最大循环平稳性盲解卷积的波器长度输出迭代停止时解卷积结果，从中提取故障特征。
2.如权利要求1所述的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，其特征在于，
所述使用快速谱相关算法对振动信号进行计算，得到相关函数，包括：
采集滚动轴承运行过程中的振动信号；
通过快速谱相关算法对所述振动信号进行计算，得到相关函数。
3.如权利要求2所述的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，其特征在于，
所述对所述相关函数进行运算，得到信号增强包络谐波积谱，包括：
基于所述相关函数在谱频率域内积分得到信号增强包络谱；
对所述信号增强包络谱进行谐波积谱运算，得到信号增强包络谐波积谱。
4.如权利要求3所述的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，其特征在于，
所述基于所述增强包络谐波积谱计算不同滤波器长度下解卷积后信号，得到包络熵，包括：
采用所述增强包络谐波积谱的幅值最大处对应频率为最大循环平稳性解卷积的循环频率；
基于所述循环评率迭代滤波器长度计算不同滤波器长度下解卷积后信号，得到包络熵。
5.如权利要求4所述的参数自适应最大循环平稳性盲解卷积的轴承故障特征提取，其特征在于，
所述基于所述包络熵变化量和时间成本变化量，得到最大循环平稳性盲解卷积的波器长度，包括：
根据所述包络熵变化量和时间成本变化量，计算每次迭代的效率指标；
当所述效率指标首次出现下降时滤波器长度停止迭代，得到最大循环平稳性盲解卷积的波器长度。
CN202310365402.0A 2023-04-07 2023-04-07 参数自适应最大循环平稳性盲解卷积的轴承故障特征提取 Pending CN116383631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310365402.0A CN116383631A (zh) 2023-04-07 2023-04-07 参数自适应最大循环平稳性盲解卷积的轴承故障特征提取

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310365402.0A CN116383631A (zh) 2023-04-07 2023-04-07 参数自适应最大循环平稳性盲解卷积的轴承故障特征提取

Publications (1)

Publication Number Publication Date
CN116383631A true CN116383631A (zh) 2023-07-04

Family

ID=86970650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310365402.0A Pending CN116383631A (zh) 2023-04-07 2023-04-07 参数自适应最大循环平稳性盲解卷积的轴承故障特征提取

Country Status (1)

Country Link
CN (1) CN116383631A (zh)

Similar Documents

Publication Publication Date Title
Yin et al. Weak fault feature extraction of rolling bearings based on improved ensemble noise-reconstructed EMD and adaptive threshold denoising
Zheng et al. Incipient fault detection of rolling bearing using maximum autocorrelation impulse harmonic to noise deconvolution and parameter optimized fast EEMD
CN102539150B (zh) 基于连续小波变换的旋转机械部件的自适应故障诊断方法
Yang et al. Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey
Lei et al. Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs
CN103575523A (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN105716857A (zh) 一种行星齿轮箱健康状态评估方法
CN103471848A (zh) 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法
CN105825197A (zh) 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法
CN109883706A (zh) 一种滚动轴承局部损伤微弱故障特征提取方法
CN108287073A (zh) 基于奇异值分量频域谱的共振带选择方法
CN106096200A (zh) 一种基于小波分解和谱峭度的包络分析方法
CN106771598A (zh) 一种自适应谱峭度信号处理方法
CN111769810A (zh) 一种基于能量峭度谱的流体机械调制频率提取方法
CN104359685A (zh) 一种柴油机故障识别方法
Jiang et al. 911. A quantitative diagnosis method for rolling element bearing using signal complexity and morphology filtering
KR102598458B1 (ko) 셉스트럼 기반 유성 기어박스의 고장 감지 장치 및 방법
CN112485028A (zh) 振动信号的特征频谱提取方法及机械故障诊断分析方法
CN113436645A (zh) 复杂噪声环境下的机电系统故障在线监测声学处理方法
CN105954031A (zh) 一种基于奇异谱分解滤波的包络分析方法
CN117571316A (zh) 一种复合故障诊断方法及系统
CN116383631A (zh) 参数自适应最大循环平稳性盲解卷积的轴承故障特征提取
CN114061746B (zh) 旋转机械故障诊断中的重复瞬变信号提取方法
CN106153333A (zh) 一种基于小波分解滤波的包络分析方法
CN106053060A (zh) 一种基于非线性模式分解滤波的包络分析方法

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