CN117009870A - 一种频域改进sdp图的泵空化状态识别方法 - Google Patents
一种频域改进sdp图的泵空化状态识别方法 Download PDFInfo
- Publication number
- CN117009870A CN117009870A CN202310977335.8A CN202310977335A CN117009870A CN 117009870 A CN117009870 A CN 117009870A CN 202310977335 A CN202310977335 A CN 202310977335A CN 117009870 A CN117009870 A CN 117009870A
- Authority
- CN
- China
- Prior art keywords
- sdp
- cavitation
- centrifugal pump
- image
- vibration signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010586 diagram Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000002955 isolation Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000001133 acceleration Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 241000533950 Leucojum Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种频域改进SDP图的泵空化状态识别方法,包括:基于离心泵的隔舌测点处的传感器,获取离心泵的振动信号;对振动信号进行小波变换和去噪处理,并进行特征提取,获取特征信号;基于特征信号,对特征信号进行SDP图处理,获取多组SDP图像样本集;将SDP图像样本集中的图像输入到卷积神经网络,获取离心泵的空化状态和识别结果。本申请通过深度学习对泵空化状态检测,自动学习振动信号中的复杂特征,从而提高空化现象检测的准确率。同时能够适应多种工况和环境下的振动信号,不易受到干扰和噪声的影响,从而提高空化现象检测的稳定性和可靠性。
Description
技术领域
本申请属于泵空化研究技术领域,具体涉及一种频域改进SDP图的泵空化状态识别方法。
背景技术
离心泵是世界上除电机外应用最广的通用机械,对抗旱排涝、农业、航运、化工、石油、交通、发电和航天等国民经济的发展,起着十分重要的作用。对离心泵进行及时的故障识别至关重要,可以降低后续的维护成本。振动监测通过对离心泵泵体的加速度信号测量以及对加速度标准值的比较来确定离心泵是否正常运行。
如专利号为“CN115186702A”的发明专利中提出了一种基于振动信号的离心泵空化状态识别方法,使用三轴一体式加速度传感器采集待测离心泵同型号的离心泵各个工况下的未空化和空化状态的加速度信号。该方法需要使用标准加速度传感器和手机加速度计对同一离心泵各工况下的未空化和空化状态采集振动信号(即加速度信号),但受限于这两种设备的性能和采集频率,无法满足高精度和高频率的要求。同时,该方法依赖于固定参照分量的选取,若选取不准确会导致误判和漏判现象。且该方法仅提取了原始标准信号和固定参照分量的特征参数作为空化状态识别的阈值参数,会存在一些重要特征参数未被考虑。
发明内容
本申请提供一种频域改进SDP图的泵空化状态识别方法,以解决上述的技术问题。
为解决上述技术问题,本申请采用的一个技术方案是:一种频域改进SDP图的泵空化状态识别方法,包括以下步骤:
基于离心泵的隔舌测点处的传感器,获取离心泵的振动信号;
对振动信号进行小波变换和去噪处理,并进行特征提取,获取特征信号;
基于特征信号,对特征信号进行SDP图处理,获取多组SDP图像样本集;
将SDP图像样本集中的图像输入到卷积神经网络,获取离心泵的空化状态和识别结果。
进一步,振动信号包括离心泵在不同流量工况下未空化状态以及空化状态时的振动信号。
进一步,对振动信号进行小波变换和去噪处理,并进行特征提取,获取特征信号的方法,包括:
对振动信号进行小波变换,得到时频图像;
基于小波变换的结果,对时频图像进行去噪处理;
基于去噪后的时频图像提取特征,获取特征信号。
进一步,特征包括频带能量、频带幅值和峰值频率。
进一步,基于特征信号,对特征信号进行SDP图处理,获取多组SDP图像样本集的方法,包括:
对特征信号进行SDP图处理,获取极坐标下的对称图像;
基于所有工况的极坐标下的对称图像,获取SDP图像汇总;
对SDP图像汇总中的图像进行分类,获取多组SDP图像样本集。
进一步,对特征信号进行SDP图处理,获取极坐标下的对称图像的方法,包括:
基于公式(1)-(3)对SDP图处理,获取极坐标下的对称图像;公式(1)-(3)为:
其中,xmin为所用一维数据的最小值,xmax为所用一维数据的峰值、xn+1是n+1时的数值,xn是n时的数值,r(n)是SDP图像的半参数、θ(n)和φ(n)是初始线的顺时针和逆时针旋转角度,r是θ和φ之间的间隔数,θ是SDP图像中两个对称图形的旋转角,g是角度放大系数。
进一步,将SDP图像样本集中的图像输入到卷积神经网络,获取离心泵的空化状态和识别结果的方法,包括:
将不同组的SDP图像样本集输入卷积神经网络的输入层;
卷积神经网络自动学习特征并进行空化状态的检测,输出离心泵的空化状态结果;
基于SDP图的分析方法,对离心泵的空化状态进行分类,获取离心泵的识别结果。
本申请的有益效果是:本申请通过深度学习对泵空化状态检测,自动学习振动信号中的复杂特征,从而提高空化现象检测的准确率。同时能够适应多种工况和环境下的振动信号,不易受到干扰和噪声的影响,从而提高空化现象检测的稳定性和可靠性。本申请可以根据实际数据自适应地调整模型参数和结构,不需要人为设定复杂的规则和特征提取方法,提高检测的适应性和普适性。
附图说明
图1是本申请的频域改进SDP图的泵空化状态识别方法一实施例的流程示意图;
图2是图1中的步骤S2的一实施例的流程示意图;
图3是本申请的频域改进SDP图的泵空化状态识别方法一实施例单测点空化状态识别流程图;
图4是图1中的步骤S3的一实施例的流程示意图;
图5是本申请的频域改进SDP图的泵空化状态识别方法一实施例的SDP图雪花图像;
图6是本申请的频域改进SDP图的泵空化状态识别方法一实施例的SDP图对称图像;
图7是图1中的步骤S4的一实施例的流程示意图;
图8是频域改进SDP图的泵空化状态识别方法一实施例的空化状态样图;
图9是频域改进SDP图的泵空化状态识别方法一实施例的识别结果样图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合具体实施例,对本发明作进一步地详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开说明书的具体实施例的限制。
参阅图1,图1是本申请的频域改进SDP图的泵空化状态识别方法一实施例的流程示意图。该方法包括以下步骤:
步骤S1.基于离心泵的隔舌测点处的传感器,获取所述离心泵的振动信号。
具体的,选择与待测离心泵,将加速度传感器设置于离心泵的隔舌测点处,利用其采集离心泵在若干个不同流量工况下未空化状态和空化状态的振动信号。
步骤S2.对所述振动信号进行小波变换和去噪处理,并进行特征提取,获取特征信号。
具体的,参阅图2,图2是图1中的步骤S2的一实施例的流程示意图。上述步骤S2包括:
步骤S21.对振动信号进行小波变换,得到时频图像。
具体的,对于每个工况下离心泵Qi的振动信号a(Qi)进行小波变换,得到时频图像(也称为小波谱或时频谱);其中,小波变换(Wavelet Transform,WT)是一种数学变换,它可以将信号分解成不同频率的子信号,从而可以有效地捕捉信号的时频特征。
参阅图3,本实施例中的小波变换:f(t)为任意的函数,该函数的小波变换则表达为:
基于小波变换对采集的原始空化信号进行降噪处理,小波阈值降噪主要步骤如下:(1)小波变换:确定最优的小波基函数及分解层数,进行小波变换得到各层小波系数。
(2)阈值处理:选择最优的阈值计算方式及阈值函数,对小波系数进行阈值降噪处理。
(3)信号重构:将降噪处理后的各小波系数进行逆变换得到降噪后的信号。从小波阈值降噪的流程中看出影响小波阈值降噪的参数包括小波基函数、分解层数、阈值以及阈值函数,选择合适的参数才能得到良好的降噪效果。从而衡量信号降噪效果的指标通常有信噪比(SNR)和均方根误差(RMSE)。
其计算公式如下:
信噪比:
均方根误差:
式中,x(k)为原始信号;x'(k)为降噪后信号;N为信号长度。
步骤S22.基于小波变换的结果,对时频图像进行去噪处理。
具体的,根据小波变换的结果,对时频图像进行去噪处理,滤除噪声干扰。
步骤S23.基于去噪后的时频图像提取特征,获取特征信号。
具体的,从去噪后的时频图像中提取特征,例如频带能量、频带幅值、峰值频率等。将特征提取后的数据保存,获得特征信号。
步骤S3.基于所述特征信号,对所述特征信号进行SDP图处理,获取多组SDP图像样本集。
具体的,参阅图4,图4是图1中的步骤S3的一实施例的流程示意图。步骤S3包括:
步骤S31.对特征信号进行SDP图处理,获取极坐标下的对称图像.
具体的,获取每个工况下离心泵Qi的特征信号,对所有特征信号进行SDP图处理,得到极坐标下的对称图像。
其中,基于公式(1)-(3)对SDP图处理,获取所述极坐标下的对称图像;所述公式(1)-(3)为:
其中,xmin为所用一维数据的最小值,xmax为所用一维数据的峰值、xn+1是n+1时的数值,xn是n时的数值,r(n)是SDP图像的半参数、θ(n)和φ(n)是初始线的顺时针和逆时针旋转角度,r是θ和φ之间的间隔数,θ是SDP图像中两个对称图形的旋转角,g是角度放大系数。
参阅图5,将十种不同工作条件下的轴承工况样本数据通过SDP变换公式,转换成雪花图像,其结果如图6所示,具体工作状态的SDP图像是由多个相同的部分组成,从而使得SDP图像形成了一个对称的图像。
步骤S32.基于所有工况的极坐标下的对称图像,获取SDP图像汇总。
具体的,将处理等到的所有对称图像汇集到一个图样集中形成SDP图像样本汇总。
步骤S33.对SDP图像汇总中的图像进行分类,获取多组SDP图像样本集。
具体的,根据不同空化阶段的SDP图特征,对SDP图像汇总中的图像进行分类,得到多组已经分类好的SDP图像样本集;其中分类方法可以采用传统的图像分类方法或深度学习方法。
步骤S4.将所述SDP图像样本集中的图像输入到卷积神经网络,获取所述离心泵的空化状态和识别结果。
具体的,参阅图7,图7是图1中的步骤S4的一实施例的流程示意图。步骤S4包括:
步骤S41.将不同组的SDP图像样本集输入卷积神经网络的输入层。
具体的,将SDP图像样本集输入到卷积神经网络的输入层。
步骤S42.卷积神经网络自动学习特征并进行空化状态的检测,输出离心泵的空化状态结果。
具体的,卷积神经网络可以自动学习特征并对离心泵的空化状态的进行检测,输出离心泵的空化状态结果。其中,卷积神经网络可以为DenseNet、YOLOv5网络等卷积模型。
步骤S43.基于SDP图的分析方法,对离心泵的空化状态进行分类,获取离心泵的识别结果。
具体的,根据SDP图的分析方法,卷积神经网络将自动学习特征并进行空化状态的检测,进一步识别当前泵处于的空化阶段,比如根据特定的特征模式进行分类。
参阅图8-9,图8a的空化状态为游移型空泡样图,8b的空化状态附着型空穴样图;8c的空化状态为漩涡空化样图。
图9a为离心泵部分空化样图;9b为离心泵超空化样图;9c为离心泵片状空化样图;9d为离心泵云状空化样图。
本申请通过深度学习对泵空化状态检测,自动学习振动信号中的复杂特征,从而提高空化现象检测的准确率。同时能够适应多种工况和环境下的振动信号,不易受到干扰和噪声的影响,从而提高空化现象检测的稳定性和可靠性。本申请可以根据实际数据自适应地调整模型参数和结构,不需要人为设定复杂的规则和特征提取方法,提高检测的适应性和普适性。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种频域改进SDP图的泵空化状态识别方法,其特征在于,包括以下步骤:
基于离心泵的隔舌测点处的传感器,获取所述离心泵的振动信号;
对所述振动信号进行小波变换和去噪处理,并进行特征提取,获取特征信号;
基于所述特征信号,对所述特征信号进行SDP图处理,获取多组SDP图像样本集;
将所述SDP图像样本集中的图像输入到卷积神经网络,获取所述离心泵的空化状态和识别结果。
2.根据权利要求1所述的方法,其特征在于,所述振动信号包括所述离心泵在不同流量工况下未空化状态以及空化状态时的振动信号。
3.根据权利要求1所述的方法,其特征在于,所述对所述振动信号进行小波变换和去噪处理,并进行特征提取,获取特征信号的方法,包括:
对所述振动信号进行小波变换,得到时频图像;
基于所述小波变换的结果,对所述时频图像进行去噪处理;
基于去噪后的所述时频图像提取特征,获取所述特征信号。
4.根据权利要求3所述的方法,其特征在于,所述特征包括频带能量、频带幅值和峰值频率。
5.根据权利要求3所述的方法,其特征在于,所述基于所述特征信号,对所述特征信号进行SDP图处理,获取多组SDP图像样本集的方法,包括:
对所述特征信号进行SDP图处理,获取所述极坐标下的对称图像;
基于所有工况的所述极坐标下的对称图像,获取SDP图像汇总;
对所述SDP图像汇总中的图像进行分类,获取多组所述SDP图像样本集。
6.根据权利要求5所述的方法,其特征在于,所述对所述特征信号进行SDP图处理,获取所述极坐标下的对称图像的方法,包括:
基于公式(1)-(3)对所述SDP图处理,获取所述极坐标下的对称图像;所述公式(1)-(3)为:
其中,xmin为所用一维数据的最小值,xmax为所用一维数据的峰值、xn+1是n+1时的数值,xn是n时的数值,r(n)是SDP图像的半参数、θ(n)和φ(n)是初始线的顺时针和逆时针旋转角度,r是θ和φ之间的间隔数,θ是SDP图像中两个对称图形的旋转角,g是角度放大系数。
7.根据权利要求5所述的方法,其特征在于,所述将所述SDP图像样本集中的图像输入到卷积神经网络,获取所述离心泵的空化状态和识别结果的方法,包括:
将不同组的所述SDP图像样本集输入卷积神经网络的输入层;
所述卷积神经网络自动学习特征并进行空化状态的检测,输出所述离心泵的空化状态结果;
基于SDP图的分析方法,对所述离心泵的空化状态进行分类,获取所述离心泵的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977335.8A CN117009870A (zh) | 2023-08-04 | 2023-08-04 | 一种频域改进sdp图的泵空化状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977335.8A CN117009870A (zh) | 2023-08-04 | 2023-08-04 | 一种频域改进sdp图的泵空化状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009870A true CN117009870A (zh) | 2023-11-07 |
Family
ID=88568618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310977335.8A Pending CN117009870A (zh) | 2023-08-04 | 2023-08-04 | 一种频域改进sdp图的泵空化状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009870A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
-
2023
- 2023-08-04 CN CN202310977335.8A patent/CN117009870A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
CN117231524B (zh) * | 2023-11-14 | 2024-01-26 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
CN108572075A (zh) | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 | |
Liu et al. | Flexible generalized demodulation for intelligent bearing fault diagnosis under nonstationary conditions | |
CN101936767B (zh) | 提取工程机械运行特征信号的方法 | |
CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN117009870A (zh) | 一种频域改进sdp图的泵空化状态识别方法 | |
WO2020057066A1 (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
CN109883706A (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
CN112287796B (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
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 | |
CN113834658A (zh) | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 | |
CN111881848A (zh) | 基于变分模态分解与改进粒子群的电机故障信号提取方法 | |
Hua et al. | The methodology of modified frequency band envelope kurtosis for bearing fault diagnosis | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
CN107490477B (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
Dai et al. | Application of wavelet denoising and time-frequency domain feature extraction on data processing of modulated signals | |
Wang et al. | A Two‐Stage Compression Method for the Fault Detection of Roller Bearings | |
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 | |
CN114897016A (zh) | 一种基于多源频谱特征的风机轴承故障智能诊断方法 | |
CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 |
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 |