CN117235476B - 故障检测方法、装置、计算机设备和存储介质 - Google Patents
故障检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117235476B CN117235476B CN202311506851.9A CN202311506851A CN117235476B CN 117235476 B CN117235476 B CN 117235476B CN 202311506851 A CN202311506851 A CN 202311506851A CN 117235476 B CN117235476 B CN 117235476B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- frequency
- eigenmode function
- vibration source
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 159
- 238000000354 decomposition reaction Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 32
- 230000009977 dual effect Effects 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种故障检测方法、装置、计算机设备和存储介质。方法包括:对待检测设备的初始振动信号进行分解,得到本征模态函数分量;根据本征模态函数分量的观测值的聚类结果,确定本征模态函数分量中的混合系数;根据混合系数对本征模态函数分量进行分解,得到振动源信号;基于振动源信号的信号稀疏性的分析指标确定目标故障源信号。本申请实施例提供的故障检测方法,能够从振动信号中分解筛选出最能反应故障的目标故障源信号,从而保证了后续进一步利用目标故障源信号确定设备的故障检测结果的精确度。
Description
技术领域
本申请涉及设备检测技术领域,具体涉及一种故障检测方法、装置、计算机设备和存储介质。
背景技术
轴承机械是广泛应用于各行各业的重要设备,其种类繁多且占比巨大。常见的轴承设备包括发电机、汽轮机、飞机引擎、水泵、通风机等等。为保障这些机械的安全正常运作,对设备的振动信号进行监测以确定其中是否存在故障至关重要。具体的,在对机械设备进行故障诊断时,通常需要先从振动信号中分离出描述故障成分的故障信号。
然而,由于一些故障特征往往会和设备固有频率发生复杂的调制现象,因此,在不清楚故障特征以及设备固有频率的情况下,往往难以从振动信号中分离得到精确的故障信号,从而影响到后续利用故障信号分析得到设备故障的精确度。
发明内容
基于此,有必要针对上述技术问题,提供一种故障检测方法、装置、计算机设备和存储介质,用以解决现有的故障检测方法存在的故障信号分离结果不够精确从而影响到设备故障检测结果的问题。
第一方面,本申请提供一种故障检测方法,包括:
获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数;
根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号;
基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号。
作为本申请的一种可行实施例,所述根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数,包括:
对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值;
对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比;
根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数。
作为本申请的一种可行实施例,所述对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比,包括:
基于模糊聚类对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比。
作为本申请的一种可行实施例,所述对所述初始振动信号进行分解,得到多个本征模态函数分量,包括:
构建多个初始本征模态函数分量;
对所述初始本征模态函数分量进行希尔伯特变换,得到解析信号以及所述解析信号对应的初始中心频率;
基于预设的约束条件,通过交替方向乘子法对所述解析信号以及所述初始中心频率进行迭代计算,得到多个本征模态函数分量。
作为本申请的一种可行实施例,所述根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号,包括:
基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号;
对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号。
作为本申请的一种可行实施例,所述基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号,包括:
基于所述振动源信号的信号稀疏性的分析指标计算各所述振动源信号对应的稀疏度;所述分析指标包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
将所述振动源信号中稀疏度最高的信号确定为目标故障源信号。
作为本申请的一种可行实施例,所述基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号的步骤之后,所述方法还包括:
计算所述目标故障源信号的正包络信号;
对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱;
根据所述共振解调谱确定所述待检测设备的故障检测结果。
第二方面,本申请提供一种故障检测装置,包括:
获取模块,用于获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
聚类模块,用于根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数;
分解模块,用于根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号;
确定模块,用于基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述任一项提供的故障检测方法。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行上述任一项所述的故障检测方法。
本申请实施例提供的故障检测方法,先对得到的设备的振动信号进行信号分解,得到多个本征模态函数分量,然后本征模态函数分量的观测值的聚类结果估计出设备各个振动源信号之间的混合系数,从而完成对本征模态函数分量的稀疏分解,得到多个振动源信号,从而便于后续利用振动源信号的稀疏性确定出最终的目标故障源信号。本申请的有益效果为能够从振动信号中分解筛选出最能反应故障的目标故障源信号,从而保证了后续进一步利用目标故障源信号确定设备的故障检测结果的精确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的一种故障检测方法的步骤流程示意图;
图2为本申请实施例提供的一种对初始振动信号进行变分模态分解以得到本征模态函数分量的步骤流程示意图;
图3为本申请实施例提供的一种基于时频双通道对本征模态函数分量的进行聚类以得到混合系数的步骤流程示意图;
图4为本申请实施例提供的一种对本征模态函数分量进行稀疏分解的步骤流程示意图;
图5为本申请实施例提供的一种基于信号稀疏性指标确定故障源信号的步骤流程示意图;
图6为本申请实施例提供的一种基于故障源信号确定设备故障的步骤流程示意图;
图7a为本申请实施例所采集得到的一组振动信号的示意图;
图7b为本申请实施例所采集得到的振动信号的频谱示意图;
图7c为本申请实施例提供的对振动信号分解得到的第一本征模态函数分量的包络谱示意图;
图7d为本申请实施例提供的对振动信号分解得到的第二本征模态函数分量的包络谱示意图;
图7e为本申请实施例提供的对本征模态函数分解所得到若干振动源中某一振动源信号的波形图;
图7f为本申请实施例提供的对本征模态函数分解所得到若干振动源中另一振动源信号的波形图;
图7g为本申请实施例提供的对本征模态函数分解所得到若干振动源中又一振动源信号的波形图;
图7h为本申请实施例提供的对故障振动源信号进行共振解调所得到的解调谱的示意图;
图8为本申请实施例提供的一种故障检测装置的结构示意图;
图9为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
为便于理解本申请实施例提供的故障检测方法,先对故障检测方法的实施场景进行说明。本申请实施例提供的故障检测方法通常运用于大型机械设备中,例如,比较常见的有轴承设备,如发电机、汽轮机、飞机引擎、水泵、通风机等等。这些设备在正常工作时,会产生相对规律的振动信号,因此,基于设备的振动监测可以确定机械设备是否处于正常运行状态下,从而保证机械设备的安全正常运行。但是,部分典型故障特征,例如,滚动轴承的内圈、外圈、滚动体、保持架故障,齿轮的点蚀、磨损等故障,往往也会产生故障源振动信号,该信号往往会和设备固有的振动信号发生复杂的调制现象。此时,在不清楚故障特征以及设备固有频率的情况下,往往难以从振动信号中分离得到精确的故障源信号,从而影响到后续利用故障信号分析得到设备故障的精确度。
而正是为了解决上述问题,本申请实施例提供了一种故障检测方法、装置、计算机设备和存储介质。其中,故障检测方法是以计算机程序的方式安装于故障检测装置中,故障检测装置是以处理器的形式设置于计算机设备中,计算机设备中的故障检测装置通过运行故障检测方法对应的计算机程序,从而执行本申请实施例所提供的故障检测方法。具体的,如图1所示,图1为本申请实施例提供的一种故障检测方法的步骤流程示意图,具体的,包括步骤S110~S140:
S110,获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量。
本申请实施例中,待检测设备通常是指需要进行故障监测的机械设备,例如前述所提到的发电机、汽轮机、飞机引擎、水泵、通风机等等,而这些待检测设备的振动信号可以是通过预先安装在机械设备上的传感器或是传感系统采集得到,本申请实施例在此不再赘述。
本申请实施例中,在前述获取到待检测设备的初始振动信号后,通过进一步对初始振动信号进行分解,例如,可以采用常见的变分模态分解(VMD,Variational ModeDecomposition)对初始振动信号进行分解处理,就可以得到多个本征模态函数(intrinsicmode function,IMF)分量。具体的,为了提高对振动信号的分解效果,对初始振动信号进行变分模态分解的实现方案可以参考下述图2及其解释说明的内容。
如图2所示,图2为本申请实施例提供的一种对初始振动信号进行变分模态分解以得到本征模态函数分量的步骤流程示意图,详述如下。
本申请实施例,具体是通过变分约束的思想来实现对本征模态函数分量的计算,具体的,包括步骤S210~S230:
S210,构建多个初始本征模态函数分量。
本申请实施例中,假定需要将初始振动信号分解为/>个初始本征模态函数分量IMFs,此时可以假定每个初始本征模态函数分量为/>。
S220,对所述初始本征模态函数分量进行希尔伯特变换,得到解析信号以及所述解析信号对应的初始中心频率。
本申请实施例中,通过对各个初始本征模态函数分量进行希尔伯特变换,可以得到如下的解析信号:
在此基础上,通过对解析信号进行预估得中心频率,然后以移频的方式将信号转移到基带上,就可以得到移动频率信号如下:
S230,基于预设的约束条件,通过交替方向乘子法对所述解析信号以及所述初始中心频率进行迭代计算,得到多个本征模态函数分量。
本申请实施例中,为了估计各本征模态函数分量,可以采用如下约束条件以求解约束变分问题:
其中,和/>分别为/>个本征模态函数分量和其中心频率,上述约束变分问题,即为求解出使经过处理之后的移动频率信号的信号能量值之和最小的若干个本征模态函数分量。
而为了解决上述约束变分问题,本申请实施例提供了一种通过交替方向乘子法(Alternate Direction Method of Multiplers, ADMM)来迭代计算各IMF分布的带宽和中心频率,从而完成对初始振动信号的频率区间的自适应分解。具体的,为了解决上述问题,需要先通过拉格朗日乘子和正则项的形式将上述约束条件表示为如下函数式:
其中,计算符表示内积计算,/>是拉格朗日乘子,通过对上述函数式迭代求解,就可以最终计算得到多个本征模态函数分量。
具体的,在上述的过程中,考虑到后续还需要对本征模态函数分量进行进一步的分解,通常情况下,可以将初始振动信号简单的分解为两个本征模态函数分量,即可以考虑取K=2,即将一维振动数据展开为二维。
S120,根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数。
本申请实施例中,在前述的过程中,虽然基于故障特征的倍频表现对振动信号进行了分解,保证了所得到的本征模态函数分量在一定程度上可以作为故障信号进行后续的故障检测,但考虑本征模态函数分量中仍可能混杂了其他的干扰信号成分,因此,为了进一步提高故障识别的准确率,有必要排除本征模态函数分量中其他与故障无关的干扰信号成分。
具体的,在本申请实施例提供的技术方案中,是通过利用本征模态函数分量的观测值的聚类结果,来估计出机械设备上各个振源之间的混合系数,从而便于后续进一步通过稀疏分解的方式对本征模态函数进行分解,从而分解得到不同振源的振动源信号。
其中,本征模态函数分量的观测值的聚类结果,通常是指在频域上通过聚类所拟合得到的线性方程,该线性方程的斜率在一定程度上即描述了不同振动源信号之间的混合系数,当然,为进一步提高所确定的不同振动源信号之间的混合系数的精度,作为本申请的一种可行实施例,会利用本征模态函数分量在时域和频域双通道上的观测值的聚类结果来确定本征模态函数分量中振动源信号之间的混合系数。具体的实现方案可以参阅后续图3及其解释说明的内容。
如图3所示,图3为本申请实施例提供的一种基于时频双通道对本征模态函数分量的进行聚类以得到混合系数的步骤流程示意图,具体的,包括步骤S310~S330:
S310,对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值。
本申请实施例中,为了实现在时频双通道对本征模态函数分量的聚类,通常需要将时域上的本征模态函数分量通过短时傅里叶变换到频域上,具体的,以本征模态函数分量为例,通过短时傅里叶变换可以得到频域信号/>,此时本征模态函数分量在任一时频点/>的双通道观测信号时频值可以分别用/>表示,进一步地,可以理解,每一本征模态函数分量通常可以是由若干振动源信号组成,即:
为第/>个源在时频点/>的时频值,/>和/>分别为不同振动源信号在混合时的时域系数和频域系数。
S320,对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比。
本申请实施例中,通过分别以和/>作为坐标轴,通过聚类的思想可以分别计算出拟合的线性方程斜率,该斜率即为/>和/>的比值,也就是不同振动源信号对应的时频比。
进一步地,由于系统存在噪声的干扰,使得估计出的参数存在不确定性,因此这里推荐使用模糊C均值聚类的方法,通过更新隶属度矩阵的方式寻找符合目标函数的聚类中心,具体的,也就是基于模糊聚类对本征模态函数分量在时频双通道上的时频观测值进行聚类,得到本征模态函数分量中多个振动源信号对应的时频比。
S330,根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数。
本申请实施例中,考虑到时频比矩阵每列都与混合矩阵的每列一一相对应,因此,根据振动源信号对应的时频比可以进一步计算得到本征模态函数分量中振动源信号之间的混合系数。
S130,根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号。
本申请实施例中,在前述得到本征模态函数分量中振动源信号之间的混合系数之后,通过进一步利用该混合系数对本征模态函数分量进行稀疏分解,就可以分解得到多个振动源信号。
具体的,作为本申请的一种可行实施例,对本征模态函数分量进行稀疏分解可以是基于L1范数的规范化方式求解得到,具体的实现方案可以参阅下述图4及其解释说明的内容。
如图4所示,图4为本申请实施例提供的一种对本征模态函数分量进行稀疏分解的步骤流程示意图,具体的包括步骤S410~S420:
S410,基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号。
本申请实施例中,考虑到故障源与正常信号的频域的稀疏度不同,因此,可以基于稀疏重构,利用L1范数的规范化方法来对本征模态函数分量进行稀疏分解,具体的,稀疏分解可以基于下述求解公式计算:
其中,即为所求解得到的振动源信号在时频双通道上的时频观测值。
S420,对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号。
本申请实施例中,在前述得到多个振动源信号在时频双通道上的时频观测信号后,进一步通过短时傅里叶逆变换(Inverse Short-time Fourier Transform),就可以将振动源信号在时频双通道上的二维时频观测值变换为一维的时域源信号,也就是振动源信号。
S140,基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号。
本申请实施例中,在前述完成对时频观测信号的分解,得到多个振动源信号后,为了从中筛选出最能体现故障特征的信号,考虑到故障源信号的信号稀疏性通常较好,因此,可以基于对各个振动源信号的用于分析信号稀疏性的分析指标来对振动源信号进行筛选,以从中确定出目标故障源信号。
具体的,如图5所示,图5为本申请实施例提供的一种基于信号稀疏性指标确定故障源信号的步骤流程示意图,具体的,包括步骤S510~S520:
S510,基于所述振动源信号的信号稀疏性的分析指标计算各所述振动源信号对应的稀疏度。
本申请实施例中,分析指标包括包络熵值、包络总值、峭度以及谱峭度中的至少一种,具体的,以包络熵值为例,其中计算振动源信号的包络熵值可以通过如下公式计算:
;
;
其中,是分离得到第/>个源信号经过希尔伯特变换后的包络信号,而/>则是对/>进行归一化处理所得到的归一化信号,基于Shannon(香农)熵的定义,拥有最小包络熵值的源信号具有最好的稀疏性,即信号的稀疏度是与包络熵值成反比,因此,基于处理得到的各个源信号的包络熵值/>就可以进一步确定各振动源信号对应的稀疏度了。
S520,将所述振动源信号中稀疏度最高的信号确定为目标故障源信号。
本申请实施例中,考虑故障源信号的信号稀疏性通常较好,因此,可以将振动源信号中稀疏度最高的信号确定为最能反映出故障特征的目标故障源信号,以便于后续基于该目标故障源信号准确的确定出机械设备所存在的故障。具体的,如图6所示,图6为本申请实施例提供的一种基于故障源信号确定设备故障的步骤流程示意图,具体的,包括步骤S610~S630:
S610,计算所述目标故障源信号的正包络信号。
本申请实施例中,共振解调主要是通过将一个共振电路与复杂信号进行耦合,产生一个包络跟随振动器的振动,并将其放大得到正包络信号,然后采用离散傅里叶变换得到共振解调谱以用于分析信号频谱,从而得到所需信号的频率信息。因此,本申请实施例可以选择基于希尔伯特变换计算目标故障源信号对应的正包络信号,以用于后续的步骤处理。
S620,对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱。
本申请实施例中,在前述得到正包络信号的基础上,通过对正包络信号进行离散傅里叶变换可以得到信号的共振解调谱,以用于分析信号频谱。
S630,根据所述共振解调谱确定所述待检测设备的故障检测结果。
本申请实施例中,在前述得到共振解调谱的基础上,通过对信号的共振解调谱进行分析,可以得到该信号的频谱分析结果。具体的,通过分析共振解调谱中的频率或者谐波成分,并与预设的故障参数表进行比对,就可以查询得到待检测设备的故障检测结果。
需要说明的是,设备故障参数表具体是与设备的型号、类型等等相关,因此,预设的设备故障参数表通常是与该机械设备关联存储,针对于不同机械设备的故障检测需要采用对应的设备故障参数表处理,以避免检测异常。
为更清楚理解本申请实施例提供的故障检测方法的完整实现流程,下述将结合前述图1~图6提供的内容,提供一种故障检测方法的完整实现步骤,具体的,包括如下步骤:
(1)采集机械设备的初始振动信号。具体的,如图7a所示,为某故障电机设备在工作状态所采集的振动信号,其中,所安装的传感系统是以固定采样频率(12000Hz)持续采集设备的高频加速度数据,为便于后续计算与说明,现截取了一段长度L=102400的数据用于本申请的验证;
(2)通过对该初始振动信号的频谱进行分析,可以看出,该振动数据的冲击性比较明显,信号的谱成分复杂,有必要通过分离、筛选出故障源以获取更准确的故障特征,具体的,如图7b所示,为采集得到的振动信号的频谱示意图;
(3)为了实现对不同振动源信号的分离,先通过变分模态分解将前述一维的初始振动信号分解为二维的本征模态函数分量,具体的,如图7c和图7d所示,分别为对前述初始振动信号所分解得到的第一本征模态函数分量和第二本征模态函数分量的包络谱,可以看出,这两个本征模态函数分量的包络谱中均含有故障的特征频率(161Hz附近),相比于第一本征模态函数分量,虽然第二本征模态函数分量的故障特征和倍频表现更明显,但图7d所示出的包络谱中仍表明第二本征模态函数分量中混杂了其他的干扰信号成分,因此,有必要继续去除本征模态函数分量与故障无关的其他干扰信号成分;
(4)通过前述聚类以及稀疏重构进一步对本征模态函数分量进行分解,具体的,在本次验证中,通过稀疏重构可以将二维的本征模态函数分量进一步分级为11个不同的源信号,而其中通过计算这些源信号的包络熵值可以确定出其中包络熵最小的两个振动源为第7个源信号和第10个源信号,而包络熵最大的振动源为第9个源信号,其中,图7e~图7g分别示出了这三个振动源信号的波形图,可以看出,第7个源信号的冲击性表现最为明显,而第9个源信号的冲击性表现最不明显,这一点也与第7个源信号和第9个源信号的包络线稀疏度相对应,因此,可以选择第7个源信号作为目标故障源信号以进行后续的处理;
(5)利用第7个源信号的包络信号,在全频段进行共振解调,所得到的共振解调谱如图7h所示,可以看出,实验设计的轴承内圈故障特征(大约161 Hz)及其倍频在第7个源信号的解调谱中清晰可见,而受噪声和其他无关成分干扰最少,也就是说,基于稀疏分解的共振解调方法可以有效地从单通道故障信号中分离出混叠的独立振动源信号,然后通过比较分离得到的源信号的包络熵值,就可以筛选出故障特征最敏感的源信号并提供故障诊断准确率。
为了更好实施本申请实施例提供的故障检测方法,在本申请实施例所提供的故障检测方法的基础之上,本申请实施例中还提供一种故障检测装置,如图8所示,故障检测装置800包括:
获取模块810,用于获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
聚类模块820,用于根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数;
分解模块830,用于根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号;
确定模块840,用于基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号。
在本申请一些实施例中,所述聚类模块820用于对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值;对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比;根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数。
在本申请一些实施例中,所述聚类模块820用于基于模糊聚类对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比。
在本申请一些实施例中,所述获取模块810用于构建多个初始本征模态函数分量;对所述初始本征模态函数分量进行希尔伯特变换,得到解析信号以及所述解析信号对应的初始中心频率;基于预设的约束条件,通过交替方向乘子法对所述解析信号以及所述初始中心频率进行迭代计算,得到多个本征模态函数分量。
在本申请一些实施例中,所述分解模块830用于基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号;对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号。
在本申请一些实施例中,所述确定模块840用于基于所述振动源信号的信号稀疏性的分析指标计算各所述振动源信号对应的稀疏度;所述分析指标包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;将所述振动源信号中稀疏度最高的信号确定为目标故障源信号。
在本申请一些实施例中,所述确定模块840用于计算所述目标故障源信号的正包络信号;对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱;根据所述共振解调谱确定所述待检测设备的故障检测结果。
关于故障检测装置的具体限定可以参见上文中对于故障检测方法的限定,在此不再赘述。上述故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请一些实施例中,故障检测装置800可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该故障检测装置800的各个程序模块,比如,图8所示的获取模块810、聚类模块820、分解模块830以及确定模块840。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的故障检测方法中的步骤。
例如,图9所示的计算机设备可以通过如图8所示的故障检测装置800中的获取模块810执行步骤S110。计算机设备可通过聚类模块820执行步骤S120。计算机设备可通过分解模块830执行步骤S130。计算机设备可通过确定模块840执行步骤S140。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种故障检测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些实施例中,提供了一种计算机设备,包括一个或多个处理器;存储器;以及一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现以下步骤:
获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数;
根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号;
基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值;对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比;根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:基于模糊聚类对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:构建多个初始本征模态函数分量;对所述初始本征模态函数分量进行希尔伯特变换,得到解析信号以及所述解析信号对应的初始中心频率;基于预设的约束条件,通过交替方向乘子法对所述解析信号以及所述初始中心频率进行迭代计算,得到多个本征模态函数分量。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号;对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:基于所述振动源信号的信号稀疏性的分析指标计算各所述振动源信号对应的稀疏度;所述分析指标包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;将所述振动源信号中稀疏度最高的信号确定为目标故障源信号。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:计算所述目标故障源信号的正包络信号;对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱;根据所述共振解调谱确定所述待检测设备的故障检测结果。
在本申请一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器进行加载,使得处理器执行以下步骤:
获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
根据所述多个本征模态函数分量的观测值的聚类结果,确定所述本征模态函数分量中振动源信号之间的混合系数;
根据所述混合系数对所述本征模态函数分量进行稀疏分解,得到多个振动源信号;
基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值;对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比;根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:基于模糊聚类对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:构建多个初始本征模态函数分量;对所述初始本征模态函数分量进行希尔伯特变换,得到解析信号以及所述解析信号对应的初始中心频率;基于预设的约束条件,通过交替方向乘子法对所述解析信号以及所述初始中心频率进行迭代计算,得到多个本征模态函数分量。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号;对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:基于所述振动源信号的信号稀疏性的分析指标计算各所述振动源信号对应的稀疏度;所述分析指标包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;将所述振动源信号中稀疏度最高的信号确定为目标故障源信号。
在本申请一些实施例中,应用程序被处理器执行时还可执行如下步骤:计算所述目标故障源信号的正包络信号;对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱;根据所述共振解调谱确定所述待检测设备的故障检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种故障检测方法、装置、计算机设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种故障检测方法,其特征在于,包括:
获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值;
对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比;
根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数;
基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号;
对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号;
基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号;
计算所述目标故障源信号的正包络信号;
对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱;
根据所述共振解调谱确定所述待检测设备的故障检测结果。
2.根据权利要求1所述的故障检测方法,其特征在于,所述对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比,包括:
基于模糊聚类对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比。
3.根据权利要求1所述的故障检测方法,其特征在于,所述对所述初始振动信号进行分解,得到多个本征模态函数分量,包括:
构建多个初始本征模态函数分量;
对所述初始本征模态函数分量进行希尔伯特变换,得到解析信号以及所述解析信号对应的初始中心频率;
基于预设的约束条件,通过交替方向乘子法对所述解析信号以及所述初始中心频率进行迭代计算,得到多个本征模态函数分量。
4.根据权利要求1所述的故障检测方法,其特征在于,所述基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号,包括:
基于所述振动源信号的信号稀疏性的分析指标计算各所述振动源信号对应的稀疏度;所述分析指标包括包络熵值、包络总值、峭度以及谱峭度中的至少一种;
将所述振动源信号中稀疏度最高的信号确定为目标故障源信号。
5.一种故障检测装置,其特征在于,包括:
获取模块,用于获取待检测设备的初始振动信号,并对所述初始振动信号进行分解,得到多个本征模态函数分量;
聚类模块,用于对所述本征模态函数分量进行短时傅里叶变换,得到所述本征模态函数分量在时频双通道上的时频观测值;
对所述本征模态函数分量在时频双通道上的时频观测值进行聚类,得到所述本征模态函数分量中多个振动源信号对应的时频比;
根据所述多个振动源信号对应的时频比计算所述本征模态函数分量中振动源信号之间的混合系数;
分解模块,用于基于L1范数的规范化方法对所述本征模态函数分量进行稀疏分解,得到多个振动源信号在时频双通道上的时频观测信号;
对所述时频观测信号进行短时傅里叶逆变换,得到多个振动源信号;
确定模块,用于基于所述振动源信号的信号稀疏性的分析指标从所述振动源信号中确定目标故障源信号,以及,计算所述目标故障源信号的正包络信号;
对所述正包络信号进行离散傅里叶变换得到所述目标故障源信号的共振解调谱;
根据所述共振解调谱确定所述待检测设备的故障检测结果。
6.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至4中任一项所述的故障检测方法。
7.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至4任一项所述的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506851.9A CN117235476B (zh) | 2023-11-14 | 2023-11-14 | 故障检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506851.9A CN117235476B (zh) | 2023-11-14 | 2023-11-14 | 故障检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235476A CN117235476A (zh) | 2023-12-15 |
CN117235476B true CN117235476B (zh) | 2024-02-13 |
Family
ID=89093291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311506851.9A Active CN117235476B (zh) | 2023-11-14 | 2023-11-14 | 故障检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235476B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118167569A (zh) * | 2024-05-09 | 2024-06-11 | 浙江华东测绘与工程安全技术有限公司 | 一种基于振动的风电机组桨叶异常检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166804A (zh) * | 2014-08-20 | 2014-11-26 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
CN106096562A (zh) * | 2016-06-15 | 2016-11-09 | 浙江大学 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN113281617A (zh) * | 2021-06-08 | 2021-08-20 | 中国民航大学 | 一种飞机线缆微弱故障诊断方法 |
CN115982569A (zh) * | 2022-12-23 | 2023-04-18 | 四川大学 | 基于单源点检测的欠定混合矩阵估计方法、系统及介质 |
CN116224325A (zh) * | 2021-12-02 | 2023-06-06 | 南京理工大学 | 基于lfmcw雷达与欠定盲源分离的多人呼吸信号探测方法及系统 |
KR20230108485A (ko) * | 2022-01-11 | 2023-07-18 | 비케이엠 주식회사 | 발전 시스템의 고장 진단 장치, 발전 시스템의 고장 진단 시스템, 및 고장 진단 방법 |
CN116578856A (zh) * | 2023-05-16 | 2023-08-11 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019169544A1 (zh) * | 2018-03-06 | 2019-09-12 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
-
2023
- 2023-11-14 CN CN202311506851.9A patent/CN117235476B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166804A (zh) * | 2014-08-20 | 2014-11-26 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
CN106096562A (zh) * | 2016-06-15 | 2016-11-09 | 浙江大学 | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 |
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN113281617A (zh) * | 2021-06-08 | 2021-08-20 | 中国民航大学 | 一种飞机线缆微弱故障诊断方法 |
CN116224325A (zh) * | 2021-12-02 | 2023-06-06 | 南京理工大学 | 基于lfmcw雷达与欠定盲源分离的多人呼吸信号探测方法及系统 |
KR20230108485A (ko) * | 2022-01-11 | 2023-07-18 | 비케이엠 주식회사 | 발전 시스템의 고장 진단 장치, 발전 시스템의 고장 진단 시스템, 및 고장 진단 방법 |
CN115982569A (zh) * | 2022-12-23 | 2023-04-18 | 四川大学 | 基于单源点检测的欠定混合矩阵估计方法、系统及介质 |
CN116578856A (zh) * | 2023-05-16 | 2023-08-11 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
"参数自适应VMD在高速列车轴箱轴承故障诊断中的应用";董俭雄等;《中南大学学报(自然科学版)》;20230430;第54卷(第4期);第1344-1357页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235476A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An adaptive data fusion strategy for fault diagnosis based on the convolutional neural network | |
CN117235476B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
Duong et al. | A reliable health indicator for fault prognosis of bearings | |
Hou et al. | Interpretable online updated weights: Optimized square envelope spectrum for machine condition monitoring and fault diagnosis | |
US20230358638A1 (en) | Aero-engine bearing fault diagnosis method based on variational mode decomposition and residual network | |
CN111126603A (zh) | 基于神经网络模型的设备故障预测方法、装置及设备 | |
Minhas et al. | A novel method to classify bearing faults by integrating standard deviation to refined composite multi-scale fuzzy entropy | |
Chen et al. | A sparse multivariate time series model-based fault detection method for gearboxes under variable speed condition | |
Yu | A nonlinear probabilistic method and contribution analysis for machine condition monitoring | |
Ma et al. | Early fault diagnosis of rotating machinery based on composite zoom permutation entropy | |
Hu et al. | Bearing performance degradation assessment based on optimized EWT and CNN | |
Wu et al. | A looseness identification approach for rotating machinery based on post-processing of ensemble empirical mode decomposition and autoregressive modeling | |
Mo et al. | Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis | |
Zhou et al. | Bearing performance degradation assessment using lifting wavelet packet symbolic entropy and SVDD | |
Zhong et al. | Bearing fault diagnosis based on kernel independent component analysis and antlion optimization | |
Wang et al. | A structurally re-parameterized convolution neural network-based method for gearbox fault diagnosis in edge computing scenarios | |
Yu et al. | Rolling bearing faults identification based on multiscale singular value | |
CN116578856A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
Yu et al. | Rolling bearing degradation state identification based on LCD relative spectral entropy | |
Liu et al. | A novel denoising strategy based on sparse modeling for rotating machinery fault detection under time-varying operating conditions | |
Van et al. | Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators | |
Luan et al. | Bearing fault damage degree identification method based on SSA-VMD and Shannon entropy–exponential entropy decision | |
Wang et al. | A Two‐Stage Compression Method for the Fault Detection of Roller Bearings | |
He et al. | Fault identification of rolling bearing using variational mode decomposition multiscale permutation entropy and adaptive GG clustering | |
Yan et al. | Mutual Information‐Assisted Wavelet Function Selection for Enhanced Rolling Bearing Fault Diagnosis |
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 |