CN118004704A - 复杂声场中基于das的带式输送机托辊故障监测方法 - Google Patents
复杂声场中基于das的带式输送机托辊故障监测方法 Download PDFInfo
- Publication number
- CN118004704A CN118004704A CN202410429108.6A CN202410429108A CN118004704A CN 118004704 A CN118004704 A CN 118004704A CN 202410429108 A CN202410429108 A CN 202410429108A CN 118004704 A CN118004704 A CN 118004704A
- Authority
- CN
- China
- Prior art keywords
- data
- das
- belt conveyor
- sound field
- differential phase
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 239000012050 conventional carrier Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000035559 beat frequency Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及故障监测技术领域,具体涉及一种复杂声场中基于DAS的带式输送机托辊故障监测方法,包括设定DAS设备的基本参数;对所述DAS设备进行数据获取后预处理,得到差分相位数据;对所述差分相位数据进行滤波处理,得到滤波数据;基于所述滤波数据计算脉冲指标;采用短时傅里叶变换对所述滤波数据进行时频谱分析,得到频率方差曲线;将所述频率方差曲线与预设的阈值进行大小比较,得到比较结果;结合所述比较结果和所述脉冲指标进行故障判别,解决了现有的带式输送机托辊故障监测方法的精确度较低的问题。
Description
技术领域
本发明涉及故障监测技术领域,尤其涉及一种复杂声场中基于DAS的带式输送机托辊故障监测方法。
背景技术
现有技术提供的一种基于 DAS 的带式输送机托辊故障监测方法。通过搭建分布式光纤声波传感系统 (Distributed Acoustic Sensing,DAS),监测带式输送机不同的托辊故障,利用DAS设备灵敏度高、监测范围广、抗干扰性强的特性,通过算法对信号进行时域、频域分析,实现托辊的故障监测。
但不同带式输送机现场的声场环境有明显的差异,有的现场昼夜温差大,有的现场封闭声场回声强烈。单一的均方根(RMS)指标或相位瀑布图指标难以涵盖所有复杂声场下的故障场景。
因此,现有技术相关算法仅仅使用采集到的振动信号,把时域的均方差或相位瀑布图信息作为故障监测指标,复杂的声场环境下算法准确率会偏低。
发明内容
本发明的目的在于提供一种复杂声场中基于DAS的带式输送机托辊故障监测方法,旨在解决现有的带式输送机托辊故障监测方法的精确度较低的问题。
为实现上述目的,本发明提供了一种复杂声场中基于DAS的带式输送机托辊故障监测方法,包括以下步骤:
设定DAS设备的基本参数;
所述DAS设备进行数据获取后预处理,得到差分相位数据;
对所述差分相位数据进行滤波处理,得到滤波数据;
基于所述滤波数据计算脉冲指标;
采用短时傅里叶变换对所述滤波数据进行时频谱分析,得到频率方差曲线;
将所述频率方差曲线与预设的阈值进行大小比较,得到比较结果;
结合所述比较结果和所述脉冲指标进行故障判别。
其中,所述基本参数包括系统的初始化、采样率、采集数据时长和托辊直径。
其中,所述DAS设备进行数据获取后预处理,得到差分相位数据,包括:
所述DAS设备进行数据获取,得到采集信号;
使用DAS 设备解调模块对所述采集信号进行处理,得到差分相位数据。
其中,所述使用DAS 设备解调模块对所述采集信号进行处理,得到差分相位数据,包括:
对所述采集信号进行同步处理,确保相邻时刻的相位数据对齐,得到处理数据;
通过计算所述处理数据的相邻时刻相位数据的差值来获取差分相位数据。
其中,所述对所述差分相位数据进行滤波处理,得到滤波数据,包括:
使用滤波器过滤掉所述差分相位数据中的低频噪声的干扰,并根据输送机托辊历史故障数据来确定出关注的频率区间,得到滤波数据。
其中,所述滤波器为Butterworth高通滤波器。
其中,所述基于所述滤波数据计算脉冲指标,包括:
对所述滤波数据应用信号处理中典型的包络提取算法,提取出信号的包络曲线;
针对所述包络曲线的数据特性,设定时间窗口长度,计算每个窗口内均值与整体数据均值的比值,以此来反映是否存在脉冲,并给出不同程度大小脉冲的数目,得到脉冲指标。
其中,所述结合所述比较结果和所述脉冲指标进行故障判别,包括:
如果所述比较结果中的频率方差超过阈值或者所述脉冲指标显示出异常脉冲,则判断为故障。
本发明的一种复杂声场中基于DAS的带式输送机托辊故障监测方法,通过设定DAS设备的基本参数;所述DAS设备进行数据获取后预处理,得到差分相位数据;对所述差分相位数据进行滤波处理,得到滤波数据;基于所述滤波数据计算脉冲指标;采用短时傅里叶变换对所述滤波数据进行时频谱分析,得到频率方差曲线;将所述频率方差曲线与预设的阈值进行大小比较,得到比较结果;结合所述比较结果和所述脉冲指标进行故障判别,解决了现有的带式输送机托辊故障监测方法的精确度较低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,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是本发明提供的一种复杂声场中基于DAS的带式输送机托辊故障监测方法的基本框图。
图2是时域中差分相位的波形图。
图3是时域中冲击波形提取后的脉冲图。
图4是频域方差图。
图5是本发明提供的一种复杂声场中基于DAS的带式输送机托辊故障监测方法的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图5,本发明提供一种复杂声场中基于DAS的带式输送机托辊故障监测方法,包括以下步骤:
S1、设定DAS设备的基本参数;
具体的,所述基本参数包括系统的初始化、采样率、采集数据时长和托辊直径。
在DAS设备上,首先进行系统初始化,包括硬件自检、软件加载和网络连接测试。采样率的设定基于输送带的运行速度和预期监测的故障类型。例如,对于高速运行的输送带,可能需要更高的采样率来捕捉快速变化的信号。数据采集时长的设定考虑到故障检测的时效性和系统资源的限制。通常,采集时长应足够长以捕捉到潜在的故障模式,但又不至于造成数据冗余。托辊直径的测量通过专用的测量工具进行,确保测量精度。直径数据用于校准系统,以适应不同尺寸的托辊。
S2、所述DAS设备进行数据获取后预处理,得到差分相位数据;
具体的,所述DAS设备进行数据获取,得到采集信号;使用DAS 设备解调模块对所述采集信号进行处理,得到差分相位数据。
所述使用DAS 设备解调模块对所述采集信号进行处理,得到差分相位数据,包括:
对所述采集信号进行同步处理,确保相邻时刻的相位数据对齐,得到处理数据;通过计算所述处理数据的相邻时刻相位数据的差值来获取差分相位数据。这一步骤有助于消除静态噪声和环境干扰,突出信号中的动态变化。
差分相位的计算公式为:/>,其中,/>是在/>时刻的相位,/>是相邻时刻的时间差。
得到差分相位的具体过程如下:
光电检测模块中任意一路输出的电流信号可以表示如下式所示:
其中表示激光器出射光的场强,/>表示初始时间,R(t) 表示光纤的瑞利散射系数,/>表示拍频频率,/>是激光器输出的激光相位信号,θfut(t) 表示外界信号振动导致的被测光纤相位改变量,θ(t0)-θ(t) 表示激光器的相位噪声。式(1) 经希尔伯特变换后,拍频信号会加上90°的相移,可以表示如下式(2):
根据上面两个公式,可以求得相位信号 φ(t) 和强度信号A(t) 分别如下:
接下来就可以通过对不同回波时间的相位信息做移动差分 ,获得相应位置光波传输相位变化信息。
S3、对所述差分相位数据进行滤波处理,得到滤波数据;
具体的,使用滤波器过滤掉所述差分相位数据中的低频噪声的干扰,并根据输送机托辊历史故障数据来确定出关注的频率区间,得到滤波数据。根据具体应用需求选择合适的滤波器类型,如 Butterworth高通滤波器,以减少信号中的低频噪声成分。 设定滤波器的参数的过程中结合数据情况,综合考虑包括滤波器的阶数、截止频率和阻带衰减,以适应不同的信号特性和噪声水平。
S4、基于所述滤波数据计算脉冲指标;
具体的,对所述滤波数据应用信号处理中典型的包络提取算法,提取出信号的包络曲线;针对所述包络曲线的数据特性,设定时间窗口长度,计算每个窗口内均值与整体数据均值的比值,以此来反映是否存在脉冲,并给出不同程度大小脉冲的数目,得到脉冲指标。
S5、采用短时傅里叶变换对所述滤波数据进行时频谱分析,得到频率方差曲线;
具体的,其中短时傅里叶变换可以表示为:
其中是变换使用的窗函数,/>表示频率。数据经过短时傅里叶变换后,通过对每一个频率下数据计算方差,方差的计算方法为:
其中是数据的平均值。最终可以得到不同频率的方差曲线。
S6、将所述频率方差曲线与预设的阈值进行大小比较,得到比较结果;
具体的,通过在输送带现场进行实验,收集数据并分析,提前确定出合适的阈值。阈值的设定还要考虑到实际应用中的误报和漏报率。将实际中该算得到的频率方差曲线与提前预设的阈值进行大小比较。
S7、结合所述比较结果和所述脉冲指标进行故障判别。
具体的,如果所述比较结果中的频率方差超过阈值或者所述脉冲指标显示出异常脉冲,则判断为故障。另外,对故障判别系统进行验证和测试,确保其准确性和可靠性。可以通过实际案例分析,调整阈值和参数,以提高系统的整体性能。
有益效果:
本发明方法数据处理的基本对象是使用相位解调算法得到的差分相位信号。DAS主机中的数据采集卡每次触发会采集一组数据,经过多次采集数据后得到多组数据,求取每组数据中相邻两组间的相位差后可以得到一个二维的差分相位矩阵,其中m是数据采集卡的采样组数,n是最终得到的相位差数量。现有技术相比,本发明方法明确主要基于相位解调得到的差分相位数据。差分相位的提取可以通过对连续的声学信号进行相位差分来实现,这种方法能够揭示出信号中的微小变化,从而更敏感地检测到潜在的故障信号。基于差分相位数据,我们可以在时域中画出差分相位随时间变化的波形图。图2中红色曲线对应通道正常的冲击波形,蓝色曲线对应的是通道出现故障时候的时域冲击波形。
本发明在时域分析方面基于差分相位信号做了时域冲击特征提取,能够更准确地识别出低频率但高强度的故障信号。本发明通过对滤波过后的信号提取出包络曲线,从而可以关注到信号的低频信息。得到包络曲线后在时域中计算不同时间窗口中均值与整体均值的比值,最终得到提取出来的脉冲图,如图3,其中红色曲线对应着正常托辊,蓝色曲线对应的是故障托辊。这种方法通过分析信号的冲击响应,可以有效地区分出故障信号与正常运行时的背景噪声。这与现有技术中常用单一的均方根(RMS)指标监测方法不同,RMS方法主要用于评估信号在不同位置的整体能量水平。
本发明进一步利用短时傅里叶变换(STFT)将信号转换到时频域,并在每个频率上进行方差曲线计算。通过短时傅里叶变换 可以得到信号在不同时刻的频率分布信息,然后分别计算不同频率所在时间轴的方差,得到频率的方差曲线。这一步骤是对现有技术的显著改进,因为它不仅能够识别出高频率的故障特征,还能够识别出那些强度较低且容易被忽略的故障。例如图4,其中红色曲线对应的是正常时候的频率方差图,蓝色曲线对应的是相同位置出现故障时候的频率方差图。
优点一:本发明方法基于DAS设备通过相位解调得到差分相位信号数据。通过差分相位数据更容易检测到故障信号。
优点二:本发明方法可以适应复杂的声场环境。通过现场测试数据提前设定出适合输送机复杂声场环境的检测阈值。
优点三:本发明方法故障监测的准确率高。通过针对差分相位做时域冲击特征提取确定出低频率特征但强度高的故障。进一步在采用短时傅里叶变换(STFT)得到时频图后,对频率做均方差计算,经过滤波再与参考信号比较,确定出具有高频率特征但强度低的故障。
以上所揭露的仅为本发明一种复杂声场中基于DAS的带式输送机托辊故障监测方法较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (8)
1.一种复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,包括以下步骤:
设定DAS设备的基本参数;
所述DAS设备进行数据获取后预处理,得到差分相位数据;
对所述差分相位数据进行滤波处理,得到滤波数据;
基于所述滤波数据计算脉冲指标;
采用短时傅里叶变换对所述滤波数据进行时频谱分析,得到频率方差曲线;
将所述频率方差曲线与预设的阈值进行大小比较,得到比较结果;
结合所述比较结果和所述脉冲指标进行故障判别。
2.如权利要求1所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述基本参数包括系统的初始化、采样率、采集数据时长和托辊直径。
3.如权利要求2所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述DAS设备进行数据获取后预处理,得到差分相位数据,包括:
所述DAS设备进行数据获取,得到采集信号;
使用DAS 设备解调模块对所述采集信号进行处理,得到差分相位数据。
4.如权利要求3所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述使用DAS 设备解调模块对所述采集信号进行处理,得到差分相位数据,包括:
对所述采集信号进行同步处理,确保相邻时刻的相位数据对齐,得到处理数据;
通过计算所述处理数据的相邻时刻相位数据的差值来获取差分相位数据。
5.如权利要求4所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述对所述差分相位数据进行滤波处理,得到滤波数据,包括:
使用滤波器过滤掉所述差分相位数据中的低频噪声的干扰,并根据输送机托辊历史故障数据来确定出关注的频率区间,得到滤波数据。
6.如权利要求5所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述滤波器为Butterworth高通滤波器。
7.如权利要求6所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述基于所述滤波数据计算脉冲指标,包括:
对所述滤波数据应用信号处理中典型的包络提取算法,提取出信号的包络曲线;
针对所述包络曲线的数据特性,设定时间窗口长度,计算每个窗口内均值与整体数据均值的比值,以此来反映是否存在脉冲,并给出不同程度大小脉冲的数目,得到脉冲指标。
8.如权利要求7所述的复杂声场中基于DAS的带式输送机托辊故障监测方法,其特征在于,
所述结合所述比较结果和所述脉冲指标进行故障判别,包括:
如果所述比较结果中的频率方差超过阈值或者所述脉冲指标显示出异常脉冲,则判断为故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410429108.6A CN118004704A (zh) | 2024-04-10 | 2024-04-10 | 复杂声场中基于das的带式输送机托辊故障监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410429108.6A CN118004704A (zh) | 2024-04-10 | 2024-04-10 | 复杂声场中基于das的带式输送机托辊故障监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118004704A true CN118004704A (zh) | 2024-05-10 |
Family
ID=90954171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410429108.6A Pending CN118004704A (zh) | 2024-04-10 | 2024-04-10 | 复杂声场中基于das的带式输送机托辊故障监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118004704A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453178A (zh) * | 2016-11-06 | 2017-02-22 | 中国电子科技集团公司第十研究所 | 星载ais信号侦收解调方法 |
CN109540280A (zh) * | 2019-01-02 | 2019-03-29 | 南京法艾博光电科技有限公司 | 一种相位敏感型光时域反射系统提高效率的信号处理方法 |
CN110646199A (zh) * | 2019-09-06 | 2020-01-03 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
CN112327052A (zh) * | 2020-11-02 | 2021-02-05 | 清源智翔(重庆)科技有限公司 | 一种快速高精度测频方法和系统 |
CN113074924A (zh) * | 2021-03-25 | 2021-07-06 | 中煤科工集团重庆研究院有限公司 | 一种带式输送机托辊异常声学诊断系统及方法 |
CN113567127A (zh) * | 2021-07-23 | 2021-10-29 | 西安交通大学 | 一种基于时频特征分离的滚动轴承退化指标提取方法 |
DE102021210349A1 (de) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Verfahren und System zum Durchführen einer Fehlerdiagnose durch Lagergeräuschdetektion |
CN117421581A (zh) * | 2023-10-31 | 2024-01-19 | 天津工业大学 | 一种基于多尺度特征融合和残差掩码卷积注意力算法的带式输送机托辊故障诊断方法和系统 |
-
2024
- 2024-04-10 CN CN202410429108.6A patent/CN118004704A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453178A (zh) * | 2016-11-06 | 2017-02-22 | 中国电子科技集团公司第十研究所 | 星载ais信号侦收解调方法 |
CN109540280A (zh) * | 2019-01-02 | 2019-03-29 | 南京法艾博光电科技有限公司 | 一种相位敏感型光时域反射系统提高效率的信号处理方法 |
CN110646199A (zh) * | 2019-09-06 | 2020-01-03 | 天津工业大学 | 一种基于加权导数动态时间规整的齿轮微弱故障诊断方法 |
DE102021210349A1 (de) * | 2020-09-29 | 2022-03-31 | Aktiebolaget Skf | Verfahren und System zum Durchführen einer Fehlerdiagnose durch Lagergeräuschdetektion |
CN112327052A (zh) * | 2020-11-02 | 2021-02-05 | 清源智翔(重庆)科技有限公司 | 一种快速高精度测频方法和系统 |
CN113074924A (zh) * | 2021-03-25 | 2021-07-06 | 中煤科工集团重庆研究院有限公司 | 一种带式输送机托辊异常声学诊断系统及方法 |
CN113567127A (zh) * | 2021-07-23 | 2021-10-29 | 西安交通大学 | 一种基于时频特征分离的滚动轴承退化指标提取方法 |
CN117421581A (zh) * | 2023-10-31 | 2024-01-19 | 天津工业大学 | 一种基于多尺度特征融合和残差掩码卷积注意力算法的带式输送机托辊故障诊断方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smith et al. | Optimal demodulation-band selection for envelope-based diagnostics: A comparative study of traditional and novel tools | |
Kedadouche et al. | A comparative study between Empirical Wavelet Transforms and Empirical Mode Decomposition Methods: Application to bearing defect diagnosis | |
US8285498B2 (en) | Method for detection and automatic identification of damage to rolling bearings | |
Antoni | The infogram: Entropic evidence of the signature of repetitive transients | |
Sawalhi et al. | The application of spectral kurtosis to bearing diagnostics | |
CN101334434B (zh) | 利用小波变换提取电磁泄漏信号的电磁环境测试系统 | |
US11228365B1 (en) | Fiber optic link intermittent fault detection and localization | |
CN112985639B (zh) | 基于去啁啾和时域子啁啾脉冲提取的分布式光纤传感方法 | |
Peeters et al. | Multi-harmonic phase demodulation method for instantaneous angular speed estimation using harmonic weighting | |
Akhouayri et al. | Automatic detection and picking of P-wave arrival in locally stationary noise using cross-correlation | |
Wei et al. | Incipient fault diagnosis of rolling element bearing based on wavelet packet transform and energy operator | |
Jiang et al. | Differential spectral amplitude modulation and its applications in rolling bearing fault diagnosis | |
CN115265750A (zh) | 一种光纤分布式声波传感系统及方法 | |
Wang et al. | Information interval spectrum: a novel methodology for rolling-element bearing diagnosis | |
Liang et al. | Bearing fault diagnosis based on singular value distribution of impulse response segment | |
CN101106487A (zh) | 一种检测网络流量异常的方法及装置 | |
CN118004704A (zh) | 复杂声场中基于das的带式输送机托辊故障监测方法 | |
CN108169248B (zh) | 一种自适应的用于液态危险品检测的s参数匹配方法 | |
Borsi | Digital location of partial discharges in HV cables | |
US6813588B1 (en) | Control system and method for detecting plugging in differential pressure cells | |
CN116961799A (zh) | 一种基于时频域分布特征的信号干扰检测方法 | |
CN112857798B (zh) | 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置 | |
CN114088308A (zh) | 一种基于低反射啁啾光栅阵列的输运管道拾振检漏方法 | |
Wang et al. | Fault diagnosis of rolling bearings based on enhanced optimal morphological gradient product filtering | |
CN114858453A (zh) | 一种轴承复合故障诊断方法 |
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 |