CN116933059A - 一种融合方差与1d-lbp的故障识别方法 - Google Patents

一种融合方差与1d-lbp的故障识别方法 Download PDF

Info

Publication number
CN116933059A
CN116933059A CN202310971287.1A CN202310971287A CN116933059A CN 116933059 A CN116933059 A CN 116933059A CN 202310971287 A CN202310971287 A CN 202310971287A CN 116933059 A CN116933059 A CN 116933059A
Authority
CN
China
Prior art keywords
signal
fault
window
variance
lcs
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
CN202310971287.1A
Other languages
English (en)
Inventor
于明月
张怡
方铭贺
葛向东
乔保栋
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.)
Shenyang Aerospace University
Original Assignee
Shenyang Aerospace 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 Shenyang Aerospace University filed Critical Shenyang Aerospace University
Priority to CN202310971287.1A priority Critical patent/CN116933059A/zh
Publication of CN116933059A publication Critical patent/CN116933059A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明设计一种融合方差与1D‑LBP的故障识别方法，属于故障诊断技术领域；首先获取旋转机械原始振动信号，构建移动窗，计算依据原始信号所截取的移动窗内信号与窗内信号局部方差的差值，然后将差值二值化的结果转换为十进制，生成纹理信号；然后移动窗函数获取振动信号全部数据的局部纹理信号；最后基于谱分析方法，分析获取的局部纹理信号，提取其特征频率，并依据旋转机械故障特征频率计算公式实现对旋转机械故障特征信息的提取及故障类型的识别；本发明不仅使振动信号中的噪声分量得到了有效抑制，凸显了故障特征信息，同时将谱分析方法与1D‑LBP相结合，便于旋转机械故障的诊断与识别，具有极佳的工程应用价值。

Description

一种融合方差与1D-LBP的故障识别方法
技术领域
本发明属于故障诊断技术领域，特别涉及一种融合方差与1D-LBP的故障识别方法。
背景技术
旋转机械广泛应用于航空、电力、能源等各个领域，其关键部件的健康状况会直接影响到旋转机械设备的运行状况，例如轴承，齿轮箱等。但由于设备的工作环境通常非常恶劣，旋转机械又长期处于高温、高速的运转状态，因此极易发生故障。同时，其关键部件的工作性能也会随着使用寿命的增加逐渐退化，这会对整个机械系统的安全性和设备运行的稳定性造成重大影响。因此，对旋转机械的关键部件进行故障的准确识别与诊断，对设备的可靠运转具有重要意义。
为了实现对旋转机械故障的有效诊断，学者们做了大量的研究。包括基于信号分离算法的研究，如小波变换、变分模态分解、经验模态分解等；也包括各种降噪算法的研究，如以小波阈值降噪和最大相关峭度解卷积等降噪算法；还包括各种信息融合算法的研究，如全矢谱、PCA等。这些信号分析方法，在故障信号的处理上都具有各自的优势。但也存在一定的局限性，如小波变换中小波基的选取不具有自适应性；经验模态分解存在比较严重的端点效应及模式混叠问题；变分模态分解时，其分解层数与中心频率的确定对信号的故障识别具有至关重要的影响等。
纹理特征的提取是计算机视觉和模式识别的重要组成部分，局部二进制模式方法是将邻域与中心像素进行比较，生成8位二进制图案，从而实现纹理特征提取，在纹理分析中有着广泛的应用。研究发现，局部二进制模式可以反映整个模式的信息，将特征数量减少到可以管理的水平。最近，局部二进制模式纹理分析方法被引入到了故障诊断领域。但研究集中于基于均值或中心值对信号进行纹理特征提取，得到的信号中仍存在大量噪声成分的干扰，故障特征信息没有被有效凸显，因此难以实现故障特征信息的准确提取以及故障类型的准确识别。
发明内容
针对现有技术的不足，本发明提供了一种基于方差与1D-LBP(一维局部二进制模式)相结合的故障识别方法；提出以方差(非常规方法的均值或中心值)为准则，将采集的振动信号转换为二进制模式的方法，以对微弱故障特征信息进行增强，并将其应用于旋转机械的故障诊断中；本发明不仅使振动信号中的噪声成分得到有效抑制，同时进一步凸显了故障特征信息，能有效实现旋转机械关键部件的故障特征信息的准确提取以及故障类型的识别，具有极佳的工程应用价值。
一种融合方差与1D-LBP的故障识别方法，具体包括以下步骤：
步骤1：利用传感器及数据采集卡获取旋转机械原始振动信号{p1,p2,…pn}，构建窗口大小为L(L<n)的移动窗，计算依据原始信号所截取的移动窗内信号x(j,i)与窗内信号局部方差xj的差值b(j,i)，其中：
b(j,i)＝x(j,i)-xj (2)
n为原始信号的长度，x(j,i)为移动窗内的原始振动信号，i＝1,2,…L，j为移动窗的个数，j＝1,2,…n-L+1，为移动窗内信号x(j,i)的平均值；
步骤2：将步骤1以方差为准则获得的b(j,i)二值化，f(b(j,i))为b(j,i)对应的二值化后的信号；当移动窗内的数值x(j,i)大于局部方差xj时，即，b(j,i)>0时，令其等于1；当移动窗内的数值小于等于局部方差时，即，b(j,i)≤0时，令其等于0；
步骤3：将窗内二值化后的信号f(b(j,i))，转换为10进制，生成新的局部纹理信号LCS(j)；
步骤4：移动窗函数，且移动单位为1，重复步骤1-3，计算每个窗函数内振动信号对应的新的局部纹理信号LCS(j)；当达到原始信号的尾部时，停止窗函数的移动，获取全部数据的局部纹理信号LCS，LCS＝{LCS(1),LCS(2)…LCS(n-L+1)}；
步骤5：基于谱分析方法，分析步骤4获取的局部纹理信号LCS，提取信号LCS特征频率，依据旋转机械故障特征频率计算公式实现对旋转机械故障特征信息的提取及故障类型的识别。
本发明有益技术效果：
本发明首先考虑到与均值或中心值相比，方差可以更好的突出序列中局部微弱的故障信息，本发明在对振动信号基于一维局部二进制进行二值化时，以方差(代替局部均值或中心值)为准则进行了二值化；并将获得的二进制序列转换为十进制值，即为处理后得到的新的含有局部纹理信息的信号。然后利用谱分析方法对获得的含有局部纹理信息的信号进行特征提取，从而实现对旋转机械故障特征频率的提取以及故障类型的准确识别；与现有技术相比，本发明不仅使振动信号中的噪声分量得到了有效抑制，凸显了故障特征信息，同时将谱分析方法与1D-LBP相结合，便于旋转机械故障的诊断与识别，具有极佳的工程应用价值。
附图说明
图1本发明实施例一种融合方差与1D-LBP的故障识别方法流程图；
图2本发明实施例在滚动轴承故障识别的应用—实施例1；
图3本发明实施例在滚动轴承故障识别的应用—实施例2；
图4本发明实施例在滚动轴承故障识别的应用—实施例3。
具体实施方式
下面结合附图和实施例对本发明做进一步说明；
一种基于方差与1D-LBP相结合的故障识别方法，如附图1所示，以滚动轴承且窗口大小L＝8为例，具体包括以下步骤：
步骤1：利用加速度传感器以及数据采集卡获取滚动轴承原始离散振动信号{p1,p2,…pn}，构建窗口大小为L＝8的移动窗，计算依据原始信号所截取的移动窗内信号x(j,i)与窗内信号局部方差xj的差值b(j,i)，其中：
b(j，i)＝x(j，i)-xj (2)
n为原始信号的长度，x(j,i)为移动窗内的原始振动信号，i＝1,2,…8，j为移动窗的个数，j＝1,2,…n-7，为移动窗内信号x(j,i)的平均值；
步骤2：将步骤1以方差为准则获得的b(j,i)二值化，f(b(j,i))为b(j,i)对应的二值化后的信号；当移动窗内的数值x(j,i)大于局部方差xj时，即，b(j,i)>0时，令其等于1；当移动窗内的数值小于等于局部方差时，即，b(j,i)≤0时，令其等于0；
步骤3：将窗内二值化后的信号f(b(j,i))，转换为10进制，生成新的局部纹理信号LCS(j)；
步骤4：移动窗函数，且移动单位为1，重复步骤1-3，计算每个窗函数内振动信号对应的新的局部纹理信号LCS(j)；当达到原始信号的尾部时，停止窗函数的移动，获取全部数据的局部纹理信号LCS，LCS＝{LCS(1),LCS(2)…LCS(n-7)}；
步骤5：基于Teager能量谱分析方法，分析步骤4获取的局部纹理信号LCS，依据表1中故障特征频率的计算公式实现对滚动轴承故障特征信息的提取及故障类型的识别。
表1各符号所代表的参数及滚动轴承各特征频率的计算公式；
滚动轴承故障类型的具体识别方式为：
若依据局部纹理信号的谱分析提出的频率为外圈故障特征频率fo的整数倍，则该频率为外圈故障特征频率；
若依据局部纹理信号的谱分析提出的频率为内圈故障特征频率fi的整数倍，或为整数倍的fi±q fr±p fc，其中q＝0,1,2，q＝0,1,2，则该频率为内圈故障特征频率；
若依据局部纹理信号的谱分析提出的频率为滚动体故障特征频率fb的整数倍，或为整数倍的fb±q fr±p fc，其中q＝0,1,2，q＝0,1,2，则该频率为滚动体故障特征频率。
实施例1：首先以滚动轴承故障的仿真信号为例，构建仿真信号的详细信息如表2所示：根据表1计算出的各故障特征分别为：转动频率fr＝30Hz，滚动体故障特征频率fb＝52.25Hz，内圈故障频率fi＝133Hz，外圈故障频率fo＝77Hz，保持架故障频率fc＝11Hz。
表2各符号所代表的参数及其物理意义；
依据本发明处理后得到的结果如图所示：图2(a)为原始振动加速度信号的时域，图2(b)为图2(a)的Teager能量谱。图2(c)为依据方差对图2(a)二值化后获得的局部纹理信号LCS的时域，图2(d)为图2(c)的Teager能量谱。
在图2(b)，原始信号的Teager能量谱中频率分量非常复杂，噪声分量非常大，故障特征频率均淹没在噪声中，很容易造成误诊。而且仅可以发现突出的1177Hz((1177+11*2)/23＝52.13)频率分量，该频率分量对应于fb的23倍频；而仿真信号是对应于内圈加外圈加滚动体复合故障。因此，基于原始信号的能量谱对故障类型的识别不准确(未发现外圈故障特征频率和内圈故障特征频率)。
在图2(d)，依据本发明提出的基于方差与1D-LBP相结合的故障识别方法获得的局部纹理信号LCS的Teager能量谱，可以发现以下频率分量，且具有以下特征：
(1)有效凸显了故障特征频率；
(2)存在fb(52.25Hz)的4倍频及34倍频分量，237Hz((237-30)/4＝51.75)；1781Hz(1781/34＝52.38)；
(3)存在fi(133Hz)的9倍频及20倍频分量，1190Hz(1190/9＝132.22)；2704Hz((2704-30)/20＝133.7)
(4)存在fo(77Hz)的10倍频及30倍频分量，分别为：775Hz(775/10＝77.5)；2316Hz(2316/30＝77.2)
可以看出：依据本发明提出的基于方差与1D-LBP相结合的故障识别方法，在获得的信号的Teager能量谱中，噪声分量被有效抑制。同时可以完整、准确地提取出与滚动轴承故障类型完全对应的特征频率，实现滚动轴承复合故障类型的准确识别。
实施例2：以滚动轴承发生单一故障(滚动体)为例，传感器安装位置在垂直方向，旋转速度为：1813.19r/min。根据表1计算出的各故障特征分别为：转动频率fr＝30.21Hz，滚动体故障特征频率fb＝52.62Hz，内圈故障频率fi＝133.94Hz，外圈故障频率fo＝77.54Hz，保持架故障频率fc＝11.07Hz。依据本发明处理后得到的结果如图3所示：图3(a)为原始振动加速度信号的时域，图3(b)为图3(a)的Teager能量谱。图3(c)为依据方差对图3(a)二值化后获得的局部纹理信号LCS的时域，图3(d)为图3(c)的Teager能量谱。
在图3(b)，原始信号的Teager能量谱中可以发现以下频率分量，且具有以下特征：
(1)存在fr(33Hz)的20倍频608Hz(608/20＝30.4)频率分量；
(2)存在fb(52.62Hz)的30倍频1598Hz((1598-30.21+11.07)/30＝52.63)及52倍频分量2721Hz(2721/52＝52.33)；
(3)虽然能提取出与故障类型相符合的特征频率分量，但信号Teager能量谱的频率分量非常复杂，噪声分量较大，故障特征频率均淹没在噪声中，很容易造成误诊，这不利于故障特征频率的准确提取及故障类型的有效识别。
在图3(d)，依据本发明提出的基于方差与1D-LBP相结合的故障识别方法获得的信号的Teager能量谱，可以发现以下频率分量，且具有以下特征：
(1)减少了噪声成分的干扰，有效凸显了故障特征频率；
(2)存在fb(52.25Hz)的4倍频198Hz((198+11.07)/4＝52.27)、19倍频1012Hz(1012/19＝53.26)、37倍频1931Hz(1931/37＝52.19)、44倍频2332Hz(2332/44＝53)及52倍频2750Hz(2750/52＝52.88)分量。
可以看出：依据本发明提出的基于方差与1D-LBP相结合的故障识别方法，在获得的信号的Teager能量谱中，噪声分量被有效抑制，同时故障特征频率被有效凸显，可以完整、准确地提取出与滚动轴承故障类型完全对应的特征频率，实现了滚动轴承故障类型的准确识别。
实施例3：以滚动轴承发生复合故障(内圈+外圈+滚动体)为例，传感器安装位置在水平方向，旋转速度为：1534.52r/min。根据表1计算出的各故障特征分别为：转动频率fr＝25.57Hz，滚动体故障特征频率fb＝44.54Hz，内圈故障频率fi＝113.38Hz，外圈故障频率fo＝65.64Hz，保持架故障频率fc＝9.38Hz。依据本发明处理后得到的结果如图4所示：图4(a)为原始振动加速度信号的时域，图4(b)为图4(a)的Teager能量谱。图4(c)为依据方差对图4(a)二值化后获得的局部纹理信号LCS的时域，图4(d)为图4(c)的Teager能量谱。
在图4(b)，依据本发明提出的基于方差与1D-LBP相结合的故障识别方法获得的信号的Teager能量谱，可以发现以下频率分量，且具有以下特征：
(1)存在fr(25.57Hz)的8倍频209Hz(209/8＝26.12)频率分量；
(2)存在fb(44.54Hz)的30倍频分量1326Hz(1326/30＝44.2)频率分量；
(3)虽然能提取出部分故障特征频率分量，但频率分量非常复杂，噪声分量非常大，故障特征频率容易被淹没在噪声中，很容易造成误诊。同时，对故障类型的识别不准确(未发现外圈和内圈的故障特征频率)。
在图4(d)，依据本发明提出的基于方差与1D-LBP相结合的故障识别方法获得的信号的Teager能量谱，可以发现以下频率分量，且具有以下特征：
(1)有效凸显了故障特征频率；
(2)存在fb(44.54Hz)的6倍频266Hz(266/6＝44.33)及33倍频1489Hz(1489/33＝45.12)分量；
(3)存在fi(113.38Hz)的12倍频1310Hz((1310+25.57*2)/12＝113.43)、16倍频1802Hz(1802/16＝112.62)及24倍2692Hz((2692+25.57)/24＝113.23)分量；
(4)存在fo(65.64Hz)的11倍频及30倍频分量，分别为：717Hz(717/11＝65.18)、1961Hz(1961/30＝65.37)。
可以看出：依据本发明提出的基于方差与1D-LBP相结合的故障识别方法，在获得的信号的Teager能量谱分析中，噪声分量被有效抑制。同时可以完整、准确地提取出与滚动轴承故障类型相对应的特征频率，实现了滚动轴承复合故障类型的准确识别。
综上，本发明提出的基于方差与1D-LBP相结合的故障识别方法对故障类型不敏感，对单一故障以及复合故障均适用；对传感器安装方向不敏感，对水平及垂直方向获取的加速度信号也均适用；对旋转速度不敏感；在不同状态下均可以实现滚动轴承故障特征的准确提取及故障类型的准确识别，具有极佳的工程应用价值。

Claims (4)

1.一种融合方差与1D-LBP的故障识别方法，其特征在于，具体包括以下步骤：
步骤1：获取旋转机械原始振动信号{p1,p2,…pn}，构建窗口大小为L(L<n)的移动窗，计算依据原始信号所截取的移动窗内信号x(j,i)与窗内信号局部方差xj的差值b(j,i)；
步骤2：将步骤1以方差为准则获得的b(j,i)二值化，f(b(j,i))为b(j,i)对应的二值化后的信号；
步骤3：将窗内二值化后的信号f(b(j,i))，转换为10进制，生成新的局部纹理信号LCS(j)；
步骤4：移动窗函数，且移动单位为1，重复步骤1-3，计算每个窗函数内振动信号对应的新的局部纹理信号LCS(j)；当达到原始信号的尾部时，停止窗函数的移动，获取全部数据的局部纹理信号LCS，LCS＝{LCS(1),LCS(2)…LCS(n-L+1)}；
步骤5：基于谱分析方法，分析步骤4获取的局部纹理信号LCS，提取信号LCS特征频率，依据旋转机械故障特征频率计算公式实现对旋转机械故障特征信息的提取及故障类型的识别。
2.根据权利要求1所述的一种融合方差与1D-LBP的故障识别方法，其特征在于，步骤1计算依据原始信号{p1,p2,…pn}所截取的移动窗内信号x(j,i)与窗内信号局部方差xj的差值b(j,i)，其中：
b(j,i)＝x(j,i)-xj (2)
n为原始信号的长度，x(j,i)为移动窗内的原始振动信号，i＝1,2,…L(L<n)，j为移动窗的个数，j＝1,2,…n-L+1，为移动窗内信号x(j,i)的平均值。
3.根据权利要求1所述的一种融合方差与1D-LBP的故障识别方法，其特征在于，步骤2将步骤1获得的b(j,i)二值化，当移动窗内的数值x(j,i)大于局部方差xj时，即，b(j,i)>0时，令其等于1；当移动窗内的数值小于等于局部方差时，即，b(j,i)≤0时，令其等于0；
4.根据权利要求1所述的一种融合方差与1D-LBP的故障识别方法，其特征在于，步骤3生成新的局部纹理信号LCS(j)具体为：
CN202310971287.1A 2023-08-03 2023-08-03 一种融合方差与1d-lbp的故障识别方法 Pending CN116933059A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310971287.1A CN116933059A (zh) 2023-08-03 2023-08-03 一种融合方差与1d-lbp的故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310971287.1A CN116933059A (zh) 2023-08-03 2023-08-03 一种融合方差与1d-lbp的故障识别方法

Publications (1)

Publication Number Publication Date
CN116933059A true CN116933059A (zh) 2023-10-24

Family

ID=88380636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310971287.1A Pending CN116933059A (zh) 2023-08-03 2023-08-03 一种融合方差与1d-lbp的故障识别方法

Country Status (1)

Country Link
CN (1) CN116933059A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117871096A (zh) * 2024-03-11 2024-04-12 昆明理工大学 一种滚动轴承故障模拟实验装置及故障在线诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117871096A (zh) * 2024-03-11 2024-04-12 昆明理工大学 一种滚动轴承故障模拟实验装置及故障在线诊断方法

Similar Documents

Publication Publication Date Title
Sun et al. Bearing fault diagnosis based on EMD and improved Chebyshev distance in SDP image
Qin A new family of model-based impulsive wavelets and their sparse representation for rolling bearing fault diagnosis
Kumar et al. Optimization of VMD using kernel-based mutual information for the extraction of weak features to detect bearing defects
CN108106830B (zh) 一种基于时频谱分割的变速旋转机械故障诊断方法
Yongbo et al. Review of local mean decomposition and its application in fault diagnosis of rotating machinery
Isham et al. Variational mode decomposition: mode determination method for rotating machinery diagnosis
CN109668733B (zh) 变分非线性模式分解变转速轴承故障诊断方法
Zhang et al. A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis
CN116933059A (zh) 一种融合方差与1d-lbp的故障识别方法
CN110991564B (zh) 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法
CN109029999B (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
Ma et al. Early fault diagnosis of rotating machinery based on composite zoom permutation entropy
CN114705426A (zh) 一种滚动轴承早期故障诊断方法
Liu et al. An online bearing fault diagnosis technique via improved demodulation spectrum analysis under variable speed conditions
CN112487882B (zh) 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法
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
CN112945546B (zh) 一种齿轮箱复杂故障精确诊断方法
CN114112400A (zh) 一种基于多角度信息融合的机械轴承故障诊断方法
Liu et al. Rotating machinery fault diagnosis under time-varying speeds: A review
Su et al. Fault diagnosis of rotating machinery based on wavelet domain denoising and metric distance
Zhang et al. Tacholess bearing fault detection based on adaptive impulse extraction in the time domain under fluctuant speed
Arun et al. Detection and characterization of bearing faults from the frequency domain features of vibration
Ding et al. Multiple instantaneous frequency ridge based integration strategy for bearing fault diagnosis under variable speed operations
Meng et al. A gear fault diagnosis method based on improved accommodative random weighting algorithm and BB-1D-TP
CN112648220A (zh) 一种基于小波-近似熵的风机故障诊断方法

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