CN116383721A - 一种基于循环相关熵谱的旋转设备检测方法 - Google Patents

一种基于循环相关熵谱的旋转设备检测方法 Download PDF

Info

Publication number
CN116383721A
CN116383721A CN202310594106.8A CN202310594106A CN116383721A CN 116383721 A CN116383721 A CN 116383721A CN 202310594106 A CN202310594106 A CN 202310594106A CN 116383721 A CN116383721 A CN 116383721A
Authority
CN
China
Prior art keywords
cyclic
spectrum
correlation entropy
entropy
cyclic correlation
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
Application number
CN202310594106.8A
Other languages
English (en)
Other versions
CN116383721B (zh
Inventor
彭迪康
滕伟
武鑫
柳亦兵
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310594106.8A priority Critical patent/CN116383721B/zh
Publication of CN116383721A publication Critical patent/CN116383721A/zh
Application granted granted Critical
Publication of CN116383721B publication Critical patent/CN116383721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于循环相关熵谱的旋转设备检测方法，包括：获取旋转设备的振动信号；步骤1：针对获取的信号设置频谱长度、核函数尺寸滤波器尺寸,目标二阶循环平稳成分的循环频率，二叉树结构的等级；步骤2：生成循环相关熵谱密度函数；步骤3：在步骤2基础上获取循环相关熵谱相干；步骤4：对循环相关熵相干二维谱图的频率轴进行二叉树结构分解；步骤5：使用循环负熵最大的能量谱，获取旋转设备的循环平稳特征。本发明提出的方法能够同时有效降低信号的非高斯成分及循环平稳成分对感兴趣的循环平稳成分提取的干扰。

Description

一种基于循环相关熵谱的旋转设备检测方法
技术领域
本发明涉及信号处理及装备状态监测与故障诊断领域，尤其涉及基于振动信号的旋转设备故障特征提取和判断的方法。
背景技术
滚动轴承是旋转设备传动链中最主要的支撑部件之一，其一旦发生故障将会影响旋转设备的正常运行，严重的甚至导致整个设备停机维修，带来不必要的经济损失。虽然现在基于循环谱相干的故障特征提取方法极其变种十分普遍，这些方法都假设采集的信号以高斯分布存在。然而由于传动系统的恶劣工况，信号多以非高斯分布存在，因此会降低故障特征提取的可靠性。除此之外，其他旋转设备，例如轴，除故障成分之外还存在其余循环平稳成分。
专利文献CN110073301A公开了一种用于在工业环境中进行数据收集的监测设备、系统和方法。该系统包括通信连接到多个输入通道和网络架构的数据收集器；其中该数据收集器基于已选择的数据收集例程进行数据收集；该系统还包括被结构化为存储多个收集器例程和已收集数据的数据存储器、被结构化为从已收集数据中解译多个检测值的数据收集电路、被结构化为分析该已收集数据并确定从该多个输入通道处收集的数据的聚合率；如果聚合率超出该网络架构的吞吐参数，则该数据分析电路改变数据收集从而降低被收集数据的量。专利文献CN112703457A公开了一种工业机器预测性维护系统可包括工业机器数据分析设施，工业机器数据分析设施通过将机器学习应用于表示工业机器部分状况的通过数据收集网络接收的数据，生成工业机器运行状况监测数据流。该系统可包括工业机器预测性维护设施，工业机器预测性维护设施通过对运行状况监测数据应用机器故障检测和分类算法生成工业机器服务建议，以响应运行状况监测数据。该系统还可包括计算机维护管理系统，计算机维护管理系统响应于所述工业机器服务建议生成服务和部件的订单和/或请求。系统可包括服务和交付协调设施，服务和交付协调设施处理关于响应于服务和部件的订单和/或请求而在工业机器上被执行的服务的信息，从而在为各个工业机器生成服务活动分类账和结果的同时验证所执行的服务。现有技术可以进行在线的分析设备的故障状态，但是不能够很好的分析旋转设备的故障状态。以上方法在实际使用中还是存在若干问题，不相干因素对故障提取的影响还是较为严重。
以上方法在实际使用中还是存在若干问题，不相干因素对故障提取的影响还是较为严重。
发明内容
发明人研究发现，通过如负熵的全局指标进行故障特征提取有存在提取其余循环平稳干扰而非故障成分的可能，降低故障提取的稳健性。本发明的目的在于使用提出的循环相关熵谱相干来替代循环谱相干以生成二维谱图，并设计循环负熵降低其余循环平稳成分对指标的干扰，以实现降低非高斯噪声及循环平稳干扰对感兴趣的循环平稳成分提取的影响。本发明基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法用于对旋转设备的振动信号进行分析，从而判断旋转设备的故障情况。
本发明不仅能有效抑制高斯噪声和非高斯噪声影响，自动提取轴承的故障特征，而且简化了卷积神经网络的结构，有效避免了深度卷积神经网络计算复杂性高且易于产生过拟合、梯度消失的缺陷。
本发明涉及一种基于循环相关熵谱的旋转设备检测方法一种基于循环相关熵谱的旋转设备故障判断方法，包括如下步骤：
获取旋转设备的振动信号；
步骤1：针对获取的信号设置频谱长度、核函数尺寸滤波器尺寸, 目标二阶循环平稳成分的循环频率，二叉树结构的等级；
步骤2：生成循环相关熵谱密度函数；
步骤3：在步骤2基础上获取循环相关熵谱相干；
步骤4：对循环相关熵相干二维谱图的频率轴进行二叉树结构分解；
步骤5：使用循环负熵最大的能量谱，获取旋转设备的循环平稳特征。
进一步的，步骤2中生成循环相关熵谱密度函数的方法为：
通过循环相关熵谱相关生成一个二维零矩阵
Figure SMS_1
,矩阵尺寸为N×M，其中N为信号x的长度，M为所需要的频谱长度。
令延时
Figure SMS_2
后,
Figure SMS_3
;
其中circshift为循环移位函数，x2即为对信号x进行τ位循环移位。
获取相关熵函数，即：
Figure SMS_4
;
获取不对称循环相关熵函数，即对相关熵函数进行傅里叶变换：
Figure SMS_5
;
对不对称循环相关熵函数进行校正，获取对称循环相关熵函数：
Figure SMS_6
;
对循环相关熵函数进行傅里叶变换，获取循环相关熵谱密度函数：
Figure SMS_7
;
进一步的，步骤3在步骤2基础上获取循环相关熵谱相干方法为：
令
Figure SMS_8
，其中频谱坐标轴，循环谱坐标分别为/>
Figure SMS_9
：
如果n为奇数，则:
Figure SMS_10
;
如果n为偶数，则:
Figure SMS_11
;
在此基础上，获取循环相关熵谱相干，即：
Figure SMS_12
;
其中，时间延迟
Figure SMS_13
，循环频率/>
Figure SMS_14
,/>
Figure SMS_15
，/>
Figure SMS_16
，
Figure SMS_17
为信号的采样频率。
进一步的，步骤4中：
首先对循环相关熵相干二维谱图的频率轴进行二叉树结构分解， 基于二叉树结构对循环相关熵相干二维谱图在频率轴积分，获取多个能量谱
Figure SMS_18
，并对各能量谱计算循环负熵：
Figure SMS_19
;
其中，
Figure SMS_20
是k阶循环平稳成分特征频率/>
Figure SMS_21
，且/>
Figure SMS_22
不能高于奈奎斯特频率。
进一步的，步骤5中，根据循环负熵的循环频率和倍频成分幅值突出的循环平稳特征，判断旋转设备为的故障状态。
进一步的，所述振动信号通过数据采集部件获得。
进一步的，振动信号通过数据采集部件的多个传感器获得，传感器获得检测值，数据采集部件收集传感器获得的检测值，并将检测值形成为振动信号；传感器耦合安装到旋转设备中。
进一步的，振动信号由数据采集部件传递至数据分析部件，通过数据分析部件对振动信号处理，获得循环负熵的循环频率和倍频成分。
进一步的，数据采集部件的传感器性能值通过分析响应部件来调整，从而实现对传感器放大倍数和和传感器采样频率的调整。
进一步的，分析响应部件为独立于数据分析部件的硬件设备。
本发明的有益效果为：本发明提供了一种基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法，将信号假设为非高斯分布，并通过进行循环相关熵谱相干上计算相关负熵，提取感兴趣的循环平稳成分。不同于循环相关谱相干假设信号为高斯分布，本方法通过循环相关熵谱相干，能够有效解决由于冲击，电磁干扰等影响导致信号呈现非高斯分布后故障特征难以提取的难题。且不同于如负熵的全局指标，提出的相关负熵能够有效降低其余循环平稳成分对指标的干扰，能够使得感兴趣的循环平稳成分的提取更具有稳健性。
附图说明
图1为循环相关熵相干二维谱图的频率轴进行二叉树结构分解示意图。
图2为某旋转设备采集的振动信号的振动信号时域及包络谱波形。
图3为能量谱。
图4为信号β阶包络谱瀑布图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特性能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清除明确的界定。
实施例数据来自实际某钢厂轧钢机的轴径向振动数据，如图2所示为所获取的轴振动信号时域波形及包络谱信号，故障特征频率为44赫兹，采样频率为10000赫兹，信号长度为100000点。以下将结合实施例详细展示轴承对的故障识别和状态指标量化过程，包括如下步骤：
设置方法使用的参数，包括所需要的频谱长度1024，核函数尺寸滤波器尺寸1, 感兴趣的二阶循环平稳成分的循环频率
Figure SMS_23
，二叉树结构的等级l=10。
步骤2：生成一个二维零矩阵
Figure SMS_24
。
令延时
Figure SMS_25
后，
Figure SMS_26
；
其中circshift为循环移位函数，x2即为对信号x进行τ位循环移位。
获取相关熵函数，即：
Figure SMS_27
；
获取不对称循环相关熵函数，即对相关熵函数进行傅里叶变换：
Figure SMS_28
；
对不对称循环相关熵函数进行校正，获取对称循环相关熵函数：
Figure SMS_29
；
对循环相关熵函数进行傅里叶变换，获取循环相关熵谱密度函数：
Figure SMS_30
；
步骤3：令
Figure SMS_31
，其中频谱坐标轴，循环谱坐标分别为/>
Figure SMS_32
：
如果n为奇数，则:
Figure SMS_33
；
如果n为偶数，则:
Figure SMS_34
；
在此基础上，获取循环相关熵谱相干，即：
Figure SMS_35
；
其中，时间延迟
Figure SMS_36
，循环频率/>
Figure SMS_37
,/>
Figure SMS_38
，
Figure SMS_39
。
步骤4：对循环相关熵相干二维谱图的频率轴进行二叉树结构分解，如图1所示。
基于二叉树结构对循环相关熵相干二维谱图在频率轴积分，获取多个能量谱
Figure SMS_40
，并对各能量谱计算循环负熵：
Figure SMS_41
；
其中，
Figure SMS_42
是k阶循环平稳成分特征频率，
Figure SMS_43
,由于/>
Figure SMS_44
不能高于奈奎斯特频率，因此/>
Figure SMS_45
。
步骤5：使用循环负熵最大的能量谱，进行后续分析。
循环平稳特征成功提取的准则为该循环频率及其倍频成分幅值突出，如能发现循环频率及其倍频成分，则该循环平稳成分被成功提取，根据循环平稳特征判断旋转设备的故障情况，还可以进一步进行后续旋转设备的寿命预测。
在本发明中所述振动信号通过数据采集部件获得。数据采集部件包括由多个传感器，多个传感器耦合安装到旋转设备中，具体而言，可以安装在各个关键和敏感部位，通过这些位置检测来确定旋转设备的状态。本发明中，通过传感器获得检测值，数据采集部件收集传感器获得的检测值，并将检测值形成为振动信号；检测值并不直接等同于振动信号，数据采集部件将原始检测值进行转化，从而符合后续处理要求。
处理完毕后，振动信号由数据采集部件传递至数据分析部件，通过数据分析部件对振动信号处理，获得循环负熵的循环频率和倍频成分。这一获得循环负熵的循环频率和倍频成分过程参见以上描述。
在实际工作过程中，传感器性能值在不同情况下，需要进行调整。本发明的数据采集部件的传感器性能值通过分析响应部件来调整，从而实现对传感器放大倍数和和传感器采样频率的调整。本发明中，分析相应部件为独立于数据分析部件的硬件设备，从而能够降低处理的复杂度。
如图2、图3、图4为某轧机轴后轴承磨损故障案例，检修人员到场对轴承进行检查，发现油脂里有金属杂质，手摸滚动区域局部有剥落，机组限功率运行，如图2a和图2b所示对信号进行全局包络无法看到故障特征；图3所示为能量谱；图4为信号β阶包络谱瀑布图，图4有效的将故障特征及其倍频提取出来（图4中纵坐标无量纲）。
从以上图2-4可以明显看出，本发明方法针对原有无法提取故障特征的情形，在获取能量谱的基础上，对各能量谱计算循环负熵，选用循环负熵最大的能量谱进行后续计算，从而将故障特征提取出来。通过预先判定的故障情况，可以将故障特征与故障情况进行对比，从而判断具体的故障类型，例如：磨损、疲劳等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、同等替换、改进等，均应包含的本发明的保护范围之内。

Claims (10)

1.一种基于循环相关熵谱的旋转设备检测方法，其特征在于，包括：
获取旋转设备的振动信号；
步骤1：针对获取的信号设置频谱长度、核函数尺寸滤波器尺寸, 目标二阶循环平稳成分的循环频率，二叉树结构的等级；
步骤2：生成循环相关熵谱密度函数；
步骤3：在步骤2基础上获取循环相关熵谱相干；
步骤4：对循环相关熵相干二维谱图的频率轴进行二叉树结构分解；
步骤5：使用循环负熵最大的能量谱，根据获取旋转设备的循环平稳特征。
2.根据权利要求1所述的基于循环相关熵谱的旋转设备检测方法，其特征在于，
步骤2中生成循环相关熵谱密度函数的方法为：
通过循环相关熵谱相关生成一个二维零矩阵
Figure QLYQS_1
,矩阵尺寸为N×M，其中N为信号x的长度，M为所需要的频谱长度。令延时/>
Figure QLYQS_2
后
Figure QLYQS_3
，其中circshift为循环移位函数，x2即为对信号x进行τ位循环移位；获取相关熵函数，即：
Figure QLYQS_4
，获取不对称循环相关熵函数，即对相关熵函数进行傅里叶变换：
Figure QLYQS_5
；对不对称循环相关熵函数进行校正，获取对称循环相关熵函数：/>
Figure QLYQS_6
；对循环相关熵函数进行傅里叶变换，获取循环相关熵谱密度函数：/>
Figure QLYQS_7
。
3.根据权利要求1所述的基于循环相关熵谱的旋转设备检测方法，其特征在于：步骤3：在步骤2基础上获取循环相关熵谱相干方法为：
令
Figure QLYQS_8
，其中频谱坐标轴，循环谱坐标分别为/>
Figure QLYQS_9
：
如果n为奇数，则:
Figure QLYQS_10
；
如果n为偶数，则:
Figure QLYQS_11
；
在此基础上，获取循环相关熵谱相干，即：
Figure QLYQS_12
；
其中，时间延迟
Figure QLYQS_13
，循环频率/>
Figure QLYQS_14
,/>
Figure QLYQS_15
，/>
Figure QLYQS_16
，
Figure QLYQS_17
为信号的采样频率。
4.根据权利要求1所述的基于循环相关熵谱的旋转设备检测方法，其特征在于，步骤4中：
首先对循环相关熵相干二维谱图的频率轴进行二叉树结构分解， 基于二叉树结构对循环相关熵相干二维谱图在频率轴积分，获取多个能量谱
Figure QLYQS_18
，并对各能量谱计算循环负熵：
Figure QLYQS_19
；
其中，
Figure QLYQS_20
是 k阶循环平稳成分特征频率/>
Figure QLYQS_21
，且/>
Figure QLYQS_22
不能高于奈奎斯特频率。
5.根据权利要求1所述的基于循环相关熵谱的旋转设备检测方法，其特征在于，其特征在于，
步骤5中，根据循环负熵的循环频率和倍频成分幅值突出的循环平稳特征，判断旋转设备为的故障状态。
6.根据权利要求1所述的基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法，其特征在于，
所述振动信号通过数据采集部件获得。
7.根据权利要求6所述的基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法，其特征在于，
振动信号通过数据采集部件的多个传感器获得，传感器获得检测值，数据采集部件收集传感器获得的检测值，并将检测值形成为振动信号；传感器耦合安装到旋转设备中。
8.根据权利要求6所述的基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法，其特征在于，
振动信号由数据采集部件传递至数据分析部件，通过数据分析部件对振动信号处理，获得循环负熵的循环频率和倍频成分。
9.根据权利要求6所述的基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法，其特征在于，
数据采集部件的传感器性能值通过分析响应部件来调整，从而实现对传感器放大倍数和和传感器采样频率的调整。
10.根据权利要求9所述的基于循环相关熵谱的旋转设备故障判断方法基于循环相关熵谱的旋转设备检测方法，其特征在于，
分析响应部件为独立于数据分析部件的硬件设备。
CN202310594106.8A 2023-05-25 2023-05-25 一种基于循环相关熵谱的旋转设备检测方法 Active CN116383721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310594106.8A CN116383721B (zh) 2023-05-25 2023-05-25 一种基于循环相关熵谱的旋转设备检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310594106.8A CN116383721B (zh) 2023-05-25 2023-05-25 一种基于循环相关熵谱的旋转设备检测方法

Publications (2)

Publication Number Publication Date
CN116383721A true CN116383721A (zh) 2023-07-04
CN116383721B CN116383721B (zh) 2023-12-12

Family

ID=86971259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310594106.8A Active CN116383721B (zh) 2023-05-25 2023-05-25 一种基于循环相关熵谱的旋转设备检测方法

Country Status (1)

Country Link
CN (1) CN116383721B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109668732A (zh) * 2018-12-11 2019-04-23 北京交通大学 基于循环相关熵的滚动轴承的故障诊断方法
US20200200648A1 (en) * 2018-02-12 2020-06-25 Dalian University Of Technology Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy
CN114993676A (zh) * 2022-06-02 2022-09-02 河北工业大学 基于AVMDNS和Fast-SC的轴承故障诊断方法
CN115235610A (zh) * 2022-07-25 2022-10-25 浙江大学 一种基于加权增强包络谱的推进泵调制频率提取方法
WO2023017226A1 (fr) * 2021-08-11 2023-02-16 Safran Titre : procédé de détection d'un défaut de roulement d'un système rotatif et système de surveillance mettant en œuvre ce procédé
CN115828063A (zh) * 2022-12-02 2023-03-21 中国电力科学研究院有限公司 一种风电机组轴承故障诊断方法及系统
CN115931353A (zh) * 2022-08-24 2023-04-07 天津职业技术师范大学 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200200648A1 (en) * 2018-02-12 2020-06-25 Dalian University Of Technology Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy
CN109668732A (zh) * 2018-12-11 2019-04-23 北京交通大学 基于循环相关熵的滚动轴承的故障诊断方法
WO2023017226A1 (fr) * 2021-08-11 2023-02-16 Safran Titre : procédé de détection d'un défaut de roulement d'un système rotatif et système de surveillance mettant en œuvre ce procédé
CN114993676A (zh) * 2022-06-02 2022-09-02 河北工业大学 基于AVMDNS和Fast-SC的轴承故障诊断方法
CN115235610A (zh) * 2022-07-25 2022-10-25 浙江大学 一种基于加权增强包络谱的推进泵调制频率提取方法
CN115931353A (zh) * 2022-08-24 2023-04-07 天津职业技术师范大学 一种基于相关熵和短时傅里叶变换的轴承故障诊断方法
CN115828063A (zh) * 2022-12-02 2023-03-21 中国电力科学研究院有限公司 一种风电机组轴承故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JEROME ANTONI: "The infogram:Entropic evidence of the signature of repetitive transients", MECHANICAL SYSTEMSANDSIGNALPROCESSING, vol. 74, pages 73 - 94, XP029432212, DOI: 10.1016/j.ymssp.2015.04.034 *
李辉: "相关熵的降噪机理及其在轴承故障诊断中的应用", 轴承, pages 36 - 44 *

Also Published As

Publication number Publication date
CN116383721B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
CN108106830B (zh) 一种基于时频谱分割的变速旋转机械故障诊断方法
Benkedjouh et al. Tool wear condition monitoring based on continuous wavelet transform and blind source separation
CN108982107B (zh) 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法
Zhang et al. Deep convolutional neural network using transfer learning for fault diagnosis
CN112101082B (zh) 一种基于改进低秩稀疏分解的旋转机械故障诊断方法
CN112857804B (zh) 一种滚动轴承故障诊断的方法、装置、介质及计算机设备
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
Bastami et al. Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform
Sun et al. Curvature enhanced bearing fault diagnosis method using 2D vibration signal
CN111811819A (zh) 一种基于机器学习的轴承故障诊断方法及装置
CN116383721B (zh) 一种基于循环相关熵谱的旋转设备检测方法
Wang et al. Multi-domain extreme learning machine for bearing failure detection based on variational modal decomposition and approximate cyclic correntropy
CN109254654B (zh) 一种结合PCA和PCANet的驾驶疲劳特征提取方法
CN112132069A (zh) 一种基于深度学习的滚动轴承微弱故障智能诊断方法
CN116625654A (zh) 一种振动信号故障诊断方法、装置、设备及存储介质
CN112434634B (zh) 一种快速消除土木工程结构健康监测信号尖峰的方法及系统
Senanayaka et al. Autoencoders and data fusion based hybrid health indicator for detecting bearing and stator winding faults in electric motors
CN113065418A (zh) 一种基于ssa-wdcnn的滚动轴承故障诊断方法
CN112683533A (zh) 一种用于轴承故障诊断的信号增强方法及系统
CN112284737A (zh) 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法
Bollineni et al. Bispectrum and Convolution Neural Network Based Bearing Fault Diagnosis
CN117171627B (zh) 一种基于成像技术的电力设备噪声源点识别方法及系统
CN117874471B (zh) 一种水电机安全预警及故障诊断方法及系统
Zhu et al. A stable and robust fault diagnosis method for bearing using lightweight batch normalization-free residual network

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