CN117033972A - 一种基于自适应加权包络谱的旋转机械调制特征提取方法 - Google Patents
一种基于自适应加权包络谱的旋转机械调制特征提取方法 Download PDFInfo
- Publication number
- CN117033972A CN117033972A CN202310878960.7A CN202310878960A CN117033972A CN 117033972 A CN117033972 A CN 117033972A CN 202310878960 A CN202310878960 A CN 202310878960A CN 117033972 A CN117033972 A CN 117033972A
- Authority
- CN
- China
- Prior art keywords
- function
- spectrum
- calculating
- self
- adaptive
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 86
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000005315 distribution function Methods 0.000 claims abstract description 24
- 238000005314 correlation function Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 46
- 238000005311 autocorrelation function Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 230000001131 transforming effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 235000007756 Akebia quinata Nutrition 0.000 description 2
- 240000008027 Akebia quinata Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于自适应加权包络谱的旋转机械调制特征提取方法，包括：(1)采集旋转机械的噪声数据作为监测信号，计算监测信号的谱相关函数；(2)计算监测信号的功率谱密度作为基准值，对谱相关函数归一化，得到谱相干函数；(3)将谱相干函数沿循环频率方向切片，得到不同载波频率处的谱相干切片结果，傅里叶变换得到调制强度分布函数；(4)计算调制强度分布函数在不同载波频率处的峭度系数，获取自适应加权函数；(5)利用自适应加权函数计算自适应加权谱相干函数；(6)将自适应加权谱相干函数沿载波频率方向进行积分，得到自适应加权包络谱。本发明能够在复杂强烈的噪声干扰下，有效地提取旋转机械振动噪声信号中的调制特征。
Description
技术领域
本发明属于信号处理领域，尤其是涉及一种基于自适应加权包络谱的旋转机械调制特征提取方法。
背景技术
旋转机械广泛应用于工业生产、水利水电、军事应用等领域中，其调制特征的提取不仅有助于实现工业领域中泵、风机、压缩机等旋转机械的状态监测、故障诊断，还有助于实现军事领域中直升机、舰船、潜艇等非合作目标的目标探测、目标识别等任务。
信号解调分析是旋转机械调制特征提取的主流途径，主要包括了窄带包络解调和循环平稳分析等信号处理方法。
如公开号为CN110569812A的中国专利文献公开了一种故障信号的包络解调方法及包络解调系统，利用信号的上、下包络，通过简单的代数运算实现调制信号的解调，可以直接从原始信号中解调出调制的故障信号，不受原始信号低频分量的干扰。
公开号为CN110763464A的中国专利文献公开了一种基于循环平稳分析的滚动轴承故障特征提取方法，包括：获取齿轮箱的振动信号X(t)，进行谱峭度分析，获得振动信号X(t)的谱峭度值，确定谱峭度值最大处所对应的频带的中心频率和频率带宽；根据所述中心频率和频率带宽，确定频带范围，并在所述频带范围内，对所述振动信号X(t)进行带通滤波，得到滤波信号Y(t)；对所述滤波信号Y(t)进行二阶循环平稳分析，得到谱相关密度函数；利用所述谱相关密度函数获取滚动轴承外圈、内圈、滚动体、保持架的故障特征。
窄带包络解调主要包括了信号频带分解、解调频带选取、包络信号解调三个步骤。首先，根据特定规则将信号分解成一系列的窄带滤波信号；其次，通过峭度、负熵、循环平稳性等度量指标评价各窄带滤波信号的信息量大小，选取信息量最大的频带作为最佳解调频带；最后，获取最佳解调频带的时域信号，并进行包络解调得到包络谱。该方法适用于旋转机械的局部缺陷探伤、微弱故障诊断和未知目标探测，其缺点在于窄带包络解调通常只选取特定窄带进行分析，其算法抗噪性较差，在含有多类噪声的低信噪比条件下易于失效，因此受到一定限制。
循环平稳分析能利用旋转机械调制信号中的循环平稳特性，有效地降低监测信号中平稳噪声的干扰，该方法常利用谱相关函数、谱相干函数表征监测信号中调制信号分布，同时描述调制强度随着循环频率和载波频率的变化情况，从而较好地提取到调制频率成分。但该方法在旋转机械的特征频率提取的应用场合中也受到一定限制，除了由于旋转机械造成的主导调制频率以外，监测信号通常还包含了来自其他机械、电气、通讯设备的循环平稳噪声干扰，而传统的循环平稳分析无法降低或去除这些循环平稳噪声干扰，会影响旋转机械调制特征的辨识和提取。
发明内容
本发明提供了一种基于自适应加权包络谱的旋转机械调制特征提取方法，能够在复杂强烈的噪声干扰下，有效地提取旋转机械振动噪声信号中的调制特征，可运用于旋转机械的状态监测、故障诊断、目标探测、目标识别等领域。
一种基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，包括以下步骤：
(1)采集旋转机械的振动或辐射噪声数据作为后续分析的监测信号，计算监测信号的谱相关函数；
(2)计算监测信号的功率谱密度，将其作为基准值对谱相关函数进行归一化处理，得到谱相干函数；
(3)将谱相干函数沿着循环频率方向进行切片，得到不同载波频率处的谱相干切片结果，对每个载波频率处的切片结果进行傅里叶变换，得到调制强度分布函数；
(4)计算调制强度分布函数在不同载波频率处的峭度系数，并对每个载波频率处的峭度系数进行平方运算，获取自适应加权函数；
(5)利用自适应加权函数对谱相干函数进行加权化处理，计算得到自适应加权谱相干函数；
(6)将自适应加权谱相干函数沿着载波频率方向进行积分，得到自适应加权包络谱。
步骤(1)中，噪声数据为空气声信号或水声信号。
计算监测信号的谱相关函数的具体过程为：
(1-1)计算监测信号x(t)的瞬时自相关函数Rx(t,τ)，计算公式如下：
Rx(t,τ)＝E[x(t)x*(t-τ)]
式中，t代表时间，τ代表时延，E[·]代表集合平均算子，*为共轭符号；
(1-2)对瞬时自相关函数Rx(t,τ)进行傅里叶变换，将时间t转换至循环频率α，得到循环自相关函数Rx(α,τ)，计算公式如下：
式中，-T和T为时间下限和时间上限，e为自然常数，j为虚数符号，π为圆周率，α为循环频率；
(1-3)对循环自相关函数Rx(α,τ)进行傅里叶变换，将时延τ转换至载波频率f，得到谱相关函数Sx(α,f)，计算公式如下：
步骤(2)中，计算谱相干函数的具体过程如下：
(2-1)计算监测信号的时间平均自相关函数Rx(τ)：
式中，t代表时间，τ代表时延，*为共轭符号；
(2-2)对时间平均自相关函数Rx(τ)进行傅里叶变换，将时延τ转换至载波频率f，得到功率谱密度函数Px(f)，计算公式如下：
(2-3)将功率谱密度函数Px(f)作为基准值，对谱相关函数进行归一化处理，得到谱相干函数γx(α,f)，计算公式如下：
式中，Sx(α,f)为谱相关函数。
步骤(3)中，计算调制强度分布函数的具体过程如下：
(3-1)将谱相干函数γx(α,f)沿着循环频率方向进行切片，得到不同载波频率处的谱相干切片结果：γx(α,f1),γx(α,f2),...,γx(α,fN)，其中f1代表第一个载波频率，f1代表第二个载波频率，依次类推，fN代表第N个载波频率，即最后一个载波频率；
(3-2)对以上不同载波频率处的谱相干切片结果进行傅里叶变换，得到调制强度分布函数Γx(η,f)：
式中，η为二重循环时间，载波频率f的取值范围为{f1,f2,...,fN}。
步骤(4)中，计算自适应加权函数的具体过程为：
(4-1)计算调制强度分布函数Γx(η,f)在不同载波频率处的峭度系数k(f)：
式中，E[·]代表集合平均算子，μx(η,f)代表调制强度分布函数的频域均值，σx(η,f)代表调制强度分布函数的频域标准差；
(4-2)对峭度系数k(f)进行平方运算，得到自适应加权函数w(f)：
w(f)＝k2(f)。
步骤(5)中，计算自适应加权谱相干函数的公式为：
式中，代表自适应加权谱相干函数，w(f)代表自适应加权函数，γx(α,f)代表谱相干函数。
步骤(6)中，计算自适应加权包络谱的公式为：
式中，为自适应加权包络谱；Fs代表监测信号的采样频率。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出了利用谱相干函数计算调制强度分布函数的方法，能反映不同载波频率处的调制特征强弱程度。
2、本发明提出了自适应加权函数的计算方法。该函数能自适应地在调制强度较大的载波频率处取较大值，在调制强度较小的载波频率取较小值，从而实现调制特征的信号增强。
3、本发明提出的方法基于循环平稳分析和谱相干自适应加权处理进行信号解调，能够在无需调制频率先验信息的条件下，精准、有效地提取出旋转机械的调制频率成分，相关信息可用于旋转机械的状态监测、故障诊断、目标探测、目标识别。
附图说明
图1为本发明一种基于自适应加权包络谱的旋转机械调制特征提取方法的流程示意图；
图2为本发明实施例中三叶桨螺旋桨的增强包络谱和自适应加权包络谱分析结果；
图3为本发明实施例中四叶桨螺旋桨的增强包络谱和自适应加权包络谱分析结果；
图4为本发明实施例中五叶桨螺旋桨的增强包络谱和自适应加权包络谱分析结果。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于自适应加权包络谱的旋转机械调制特征提取方法，包括以下步骤：
一种基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，包括以下步骤；
S01，采集旋转机械的振动或辐射噪声数据(空气声信号或水声信号)作为后续分析的监测信号，计算监测信号的谱相关函数。
计算监测信号的谱相关函数的具体过程为：
(1-1)计算监测信号x(t)的瞬时自相关函数Rx(t,τ)，计算公式如下：
Rx(t,τ)＝E[x(t)x*(t-τ)]
式中，t代表时间，τ代表时延，E[·]代表集合平均算子，*为共轭符号；
(1-2)对瞬时自相关函数Rx(t,τ)进行傅里叶变换，将时间t转换至循环频率α，得到循环自相关函数Rx(α,τ)，计算公式如下：
式中，-T和T为时间下限和时间上限，e为自然常数，j为虚数符号，π为圆周率，α为循环频率。
(1-3)对循环自相关函数进行傅里叶变换，将时延τ转换至载波频率f，得到谱相关函数Sx(α,f)，计算公式如下：
S02，计算监测信号的功率谱密度，将其作为基准值对谱相关函数进行归一化处理，得到谱相干函数。
计算监测信号的谱相干函数的具体过程为：
(2-1)计算监测信号的时间平均自相关函数Rx(τ)：
式中，t代表时间，τ代表时延，*为共轭符号。
(2-2)对时间平均自相关函数Rx(τ)进行傅里叶变换，将时延τ转换至载波频率f，得到功率谱密度函数Px(f)，计算公式如下：
(2-3)将功率谱密度函数Px(f)作为基准值，对谱相关函数进行归一化处理，得到谱相干函数γx(α,f)，计算公式如下：
S03，将谱相干函数沿着循环频率方向进行切片，得到不同载波频率处的谱相干切片结果，对每个载波频率处的切片结果进行傅里叶变换，得到调制强度分布函数。
计算调制强度分布函数的具体过程为：
(3-1)将谱相干函数沿着循环频率方向进行切片，得到不同载波频率处的谱相干切片结果：γx(α,f1),γx(α,f2),...,γx(α,fN)，其中f1代表第一个载波频率，f1代表第二个载波频率，依次类推，fN代表第N个载波频率，即最后一个载波频率。
(3-2)对以上不同载波频率处的谱相干切片结果进行傅里叶变换，得到调制强度分布函数Γx(η,f)：
式中，η为二重循环时间，载波频率f的取值范围为{f1,f2,...,fN}。
S04，计算调制强度分布函数在不同载波频率处的峭度系数，并对每个载波频率处的峭度系数进行平方运算，获取自适应加权函数。
计算自适应加权函数的具体过程为：
(4-1)计算调制强度分布函数在不同载波频率处的峭度系数k(f)：
式中，E[·]代表集合平均算子，μx(η,f)代表调制强度分布函数的频域均值，σx(η,f)代表调制强度分布函数的频域标准差；
(4-2)对峭度系数进行平方运算，得到自适应加权函数w(f)：
w(f)＝k2(f)
S05，利用自适应加权函数对谱相干函数进行加权化处理，计算得到自适应加权谱相干函数。
得到自适应加权谱相干函数的具体过程为：
式中，代表自适应加权谱相干函数，w(f)代表自适应加权函数，γx(α,f)代表谱相干函数。
S06，将自适应加权谱相干函数沿着载波频率方向进行积分，得到自适应加权包络谱。
得到自适应加权包络谱的具体过程为：
式中，为自适应加权包络谱。
为验证本发明的有效性，采用三种不同桨叶数的螺旋桨噪声进行分析。
三叶桨的转速为111转每分钟左右，传统循环平稳分析方法中的增强包络谱(EES)及本发明提出的自适应加权包络谱(AWES)如图2所示，图中存在着若干组成对的竖直虚线，每对竖直虚线为转频及其谐波的搜索范围，该范围内幅值最高点即为解调方法获取的转频及其倍频，点划线为其信号噪声阈值。可以看到，相对于EES，在前三倍频中，AWES的线谱幅值相对于噪声水平的虚线非常明显。
四叶桨的转速为83转每分钟左右，其增强包络谱(EES)及自适应加权包络谱(AWES)如图3所示，图中存在着若干组成对的竖直虚线，每对竖直虚线为转频及其谐波的搜索范围，该范围内幅值最高点即为解调方法获取的转频及其倍频，点划线为其信号噪声阈值。类似地，相对于EES，尤其是在第4倍频中，AWES的线谱幅值相对于噪声水平的虚线非常突出。
五叶桨的转速为72转每分钟左右，其增强包络谱(EES)及自适应加权包络谱(AWES)如图4所示，图中存在着若干组成对的竖直虚线，每对竖直虚线为转频及其谐波的搜索范围，该范围内幅值最高点即为解调方法获取的转频及其倍频，点划线为其信号噪声阈值。在EES中，只有1倍和5倍频有相对较弱的线谱，而AWES的线谱幅值在几个倍频中相对于噪声水平的虚线非常明显。
通过图2到图4的对比，得到如下结论：
1.在不同桨叶数的情况下，AWES均能较好的提取到轴频及其倍频尤其是叶频对应的调制特征。
2.相对于传统的EES，AWES提取到的线谱在各个桨叶数下，对于调制特征的提取效果均有明显优势。
相较于传统的增强包络谱，本发明提出的自适应加权包络谱可以更好地提取调制特征对应的线谱，无需任何经验参数设置的自适应加权过程可以在避免人工干扰的前提下进一步增强调制特征提取的效率，同时，根据螺旋桨水声信号处理结果，对于桨叶数分别为三叶、四叶和五叶的不同螺旋桨，AWES可以有效地提取螺旋桨的调制特征。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，包括以下步骤：
(1)采集旋转机械的振动或辐射噪声数据作为后续分析的监测信号，计算监测信号的谱相关函数；
(2)计算监测信号的功率谱密度，将其作为基准值对谱相关函数进行归一化处理，得到谱相干函数；
(3)将谱相干函数沿着循环频率方向进行切片，得到不同载波频率处的谱相干切片结果，对每个载波频率处的切片结果进行傅里叶变换，得到调制强度分布函数；
(4)计算调制强度分布函数在不同载波频率处的峭度系数，并对每个载波频率处的峭度系数进行平方运算，获取自适应加权函数；
(5)利用自适应加权函数对谱相干函数进行加权化处理，计算得到自适应加权谱相干函数；
(6)将自适应加权谱相干函数沿着载波频率方向进行积分，得到自适应加权包络谱。
2.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(1)中，噪声数据为空气声信号或水声信号。
3.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(1)中，计算监测信号的谱相关函数的具体过程为：
(1-1)计算监测信号x(t)的瞬时自相关函数Rx(t,τ)，计算公式如下：
Rx(t,τ)＝E[x(t)x*(t-τ)]
式中，t代表时间，τ代表时延，E[·]代表集合平均算子，*为共轭符号；
(1-2)对瞬时自相关函数Rx(t,τ)进行傅里叶变换，将时间t转换至循环频率α，得到循环自相关函数Rx(α,τ)，计算公式如下：
式中，-T和T为时间下限和时间上限，e为自然常数，j为虚数符号，π为圆周率，α为循环频率；
(1-3)对循环自相关函数Rx(α,τ)进行傅里叶变换，将时延τ转换至载波频率f，得到谱相关函数Sx(α,f)，计算公式如下：
4.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(2)中，计算谱相干函数的具体过程如下：
(2-1)计算监测信号的时间平均自相关函数Rx(τ)：
式中，t代表时间，τ代表时延，*为共轭符号；
(2-2)对时间平均自相关函数Rx(τ)进行傅里叶变换，将时延τ转换至载波频率f，得到功率谱密度函数Px(f)，计算公式如下：
(2-3)将功率谱密度函数Px(f)作为基准值，对谱相关函数进行归一化处理，得到谱相干函数γx(α,f)，计算公式如下：
式中，Sx(α,f)为谱相关函数。
5.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(3)中，计算调制强度分布函数的具体过程如下：
(3-1)将谱相干函数γx(α,f)沿着循环频率方向进行切片，得到不同载波频率处的谱相干切片结果：γx(α,f1),γx(α,f2),...,γx(α,fN)，其中f1代表第一个载波频率，f1代表第二个载波频率，依次类推，fN代表第N个载波频率，即最后一个载波频率；
(3-2)对以上不同载波频率处的谱相干切片结果进行傅里叶变换，得到调制强度分布函数Γx(η,f)：
式中，η为二重循环时间，载波频率f的取值范围为{f1,f2,...,fN}。
6.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(4)中，计算自适应加权函数的具体过程为：
(4-1)计算调制强度分布函数Γx(η,f)在不同载波频率处的峭度系数k(f)：
式中，E[·]代表集合平均算子，μx(η,f)代表调制强度分布函数的频域均值，σx(η,f)代表调制强度分布函数的频域标准差；
(4-2)对峭度系数k(f)进行平方运算，得到自适应加权函数w(f)：
w(f)＝k2(f)。
7.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(5)中，计算自适应加权谱相干函数的公式为：
式中，代表自适应加权谱相干函数，w(f)代表自适应加权函数，γx(α,f)代表谱相干函数。
8.根据权利要求1所述的基于自适应加权包络谱的旋转机械调制特征提取方法，其特征在于，步骤(6)中，计算自适应加权包络谱的公式为：
式中，为自适应加权包络谱；Fs代表监测信号的采样频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878960.7A CN117033972A (zh) | 2023-07-18 | 2023-07-18 | 一种基于自适应加权包络谱的旋转机械调制特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310878960.7A CN117033972A (zh) | 2023-07-18 | 2023-07-18 | 一种基于自适应加权包络谱的旋转机械调制特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117033972A true CN117033972A (zh) | 2023-11-10 |
Family
ID=88623509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310878960.7A Pending CN117033972A (zh) | 2023-07-18 | 2023-07-18 | 一种基于自适应加权包络谱的旋转机械调制特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117033972A (zh) |
-
2023
- 2023-07-18 CN CN202310878960.7A patent/CN117033972A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840495B (zh) | 一种低信噪比条件下的轴频线谱增强方法 | |
| CN111238808B (zh) | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 | |
| CN110173439B (zh) | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 | |
| Djebala et al. | Rolling bearing fault detection using a hybrid method based on empirical mode decomposition and optimized wavelet multi-resolution analysis | |
| CN110458976B (zh) | 一种基于小波和主分量分析的螺旋桨空化状态检测方法 | |
| CN109029999B (zh) | 基于增强调制双谱分析的滚动轴承故障诊断方法 | |
| CN108801634B (zh) | 基于奇异值分解和优化的频带熵提取轴承故障特征频率的方法及其应用 | |
| CN113834658A (zh) | 一种基于WPD-KVI-Hilbert的滚动轴承早期故障识别方法 | |
| CN113033304B (zh) | 一种克服频域重叠干扰的多共振频带幅值解调分析方法 | |
| CN111238813A (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
| CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| Zheng et al. | Application of variational mode decomposition and permutation entropy for rolling bearing fault diagnosis | |
| CN103412298B (zh) | 一种自动获取船舶螺旋桨变速旋转时间区间方法 | |
| Gao et al. | Automatic detection of underwater propeller signals using cyclostationarity analysis | |
| CN112067297A (zh) | 一种轴承故障特征提取方法 | |
| 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 | |
| CN117033972A (zh) | 一种基于自适应加权包络谱的旋转机械调制特征提取方法 | |
| CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
| CN115235610A (zh) | 一种基于加权增强包络谱的推进泵调制频率提取方法 | |
| 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 | |
| CN116756512A (zh) | 一种基于emd的振动信号转速识别方法 | |
| CN110160642B (zh) | 一种小样本条件下的螺旋桨噪声线谱重构方法 | |
| Zhao et al. | Fault diagnosis of rolling element bearings based on cascaded combination top-hat product filter and Teager energy spectrum | |
| CN116383629A (zh) | 一种变转速滚动轴承故障诊断方法 | |
| CN115014765A (zh) | 一种通过声信号提取滚动轴承保持架故障特征的方法 |
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 |