CN1995946A - 一种大型低速重载齿轮箱故障诊断的方法 - Google Patents
一种大型低速重载齿轮箱故障诊断的方法 Download PDFInfo
- Publication number
- CN1995946A CN1995946A CN 200610169830 CN200610169830A CN1995946A CN 1995946 A CN1995946 A CN 1995946A CN 200610169830 CN200610169830 CN 200610169830 CN 200610169830 A CN200610169830 A CN 200610169830A CN 1995946 A CN1995946 A CN 1995946A
- Authority
- CN
- China
- Prior art keywords
- fault
- characteristic
- vibration signal
- frequency
- amplitude
- 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.)
- Granted
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种大型低速重载齿轮箱故障诊断的方法，属于大型低速重载齿轮箱故障诊断领域。是一种在“双特征判别法”的基础上，结合小波分析，有效提取故障特征，进行诊断的“三特征判别法”，所述的故障信号“三特征判别法”就是：在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，利用小波分析冲击故障振动信号特征。采用本发明能有效提高低速重载齿轮箱故障诊断率。
Description
技术领域
本发明涉及一种大型低速重载齿轮箱故障诊断的方法，利用两个齿轮所在轴的轴频fri和啮合频率fm，考虑齿轮的长周期和短周期故障，对比双特征判据进行判断，并利用小波分析进行更精确判断的方法，属于大型低速重载齿轮箱故障诊断领域。
背景技术
企业进行机械故障诊断，主要是判断机械零件失效(劣化)程度。平稳功率振动主要由正弦信号、类正弦信号及部分不足引起冲击的随机信号，这一部分信号在常规谱图中反映为不同频率的棒线或倍频棒线族。而冲击性功率的振动特征可清晰地反映在共振解调谱图上，并也以与零件特征频率相等的棒线或倍频棒线族的形式出现；随机冲击则以全频杂乱谱线族的形式出现于共振解调谱上。它们可以通过传统的傅立叶变换得到，但是传统傅立叶分析也有其局限性，它不具有局部定位能力。
安邦健在《设备管理&维修》1998，No.6中提出故障诊断“双特征判别法”来进行齿轮的故障诊断：
齿轮总是以一对啮合齿轮的形式出现的。以图1齿轮箱为例，Z1在I轴上，Z2、Z3在II轴上，Z4在III轴上，M为电机，L为联轴节。Z1＝13，Z2＝45，Z3＝20，Z4＝47。
一对啮合的齿轮有三个特征频率，即二个齿轮各自所在轴的轴频率fri和它们共有的啮合频率fm。齿轮所在轴的轴频率正好反映齿轮长周期公差重复的频率。长周期公差常见的有基圆偏心、周节积累误差超差等，短周期故障常见的有个别或部分齿有伤等。Z1的轴频为fr1，Z2的轴频为fr2，Z3的轴频为fr3，Z4的轴频为fr4，齿轮的啮合频率反映齿轮短周期公差重复的频率，也就是每一对齿啮合的频率，它的数值等于齿轮的齿数乘以所在轴的轴频。例如Z1Z2的啮合频率fm Z1Z2＝fr1·Z1＝fr2·Z2
同理：fmZ3 Z4＝fr3·Z3＝fr4·Z4
齿轮啮合频率既可以反映一对啮合齿轮的短周期误差(如齿形误差、相邻周节差等)，也可以反映一对啮合齿轮的长周期误差(如周节积累误差等)，对齿轮的诊断必须同时考虑齿轮的长周期故障与短周期故障。齿轮故障诊断的双特征判据如表1和表2所示。
表1 齿轮短周期故障的双特征判据(特征频率fm)
| 判据序号 | 信号特征 | 故障对策 | |
| 冲击 | 平稳 | ||
| 0 | 0 | 0 | 无故障，不修 |
| 1 | 0 | 1 | 齿形不良属制造误差或初期磨损，加工无振纹的话即不修。 |
| 2 | 1 | 0 | 相邻周节差超差或齿顶修缘不良，或有轻微齿顶齿根干涉、属制造问题不修。 |
| 3 | 1 | 1 | 较严重磨损，准备备件，掉换。 |
表2 齿轮长周期故障的双特征判据(特征频率fri)
| 判据序号 | 信号特征 | 故障对策 | |
| 冲击 | 平稳 | ||
| 0 | 0 | 0 | 无故障，不修。 |
| 1 | 0 | 1 | 基圆偏心或质心偏移，属加工误差，不修。 |
| 2 | 1 | 0 | 个别齿有伤考虑更换。 |
| 3 | 1 | 1 | 个别齿有突起状塑性变形，开箱修整 |
注：状态1与0表示有与没有fm谱线。状态1时，加速度计上信号幅值大于2m/s2。
“双特征判别法”对非低速重载齿轮箱的诊断结果准确，但是对于低速重载齿轮箱的诊断，由于特征信号难于有效提取，所以诊断结果不够准确。
发明内容
本发明的目的是为了解决“双特征判别法”无法有效解决大型低速重载齿轮箱诊断的问题，提出了一种大型低速重载齿轮箱故障诊断的方法。
本发明是一种在“双特征判别法”的基础上，结合小波分析，有效提取故障特征，进行诊断的“三特征判别法”，所述的故障信号“三特征判别法”就是：在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，利用小波分析冲击故障振动信号特征。其采用如下步骤：
1、利用具有滤波与宽带解调两种预处理功能的诊断仪采集振动信号，在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，将振动信号的滤波谱与解调谱进行分析，当振动信号的幅值大于2m/s2，认为出现特征频率谱线，信号特征用1表示，否则用0表示；
2、确定振动幅值有明显变化的频段；选择振动信号幅值为其他频段上振动信号幅值1.25倍以上的频段，将此频段认定为振动幅值有明显变化的频段；
3、计算振动幅值有明显变化频段的每小时的小波分层突变系数；所述的小波分层突变系数(量纲为1)为：每隔固定的分钟数取一个数据，每1小时一个数据组，统计在1小时内小波某一层分解中大幅值(其中大幅值是幅值的极值点)数据占全部数据的比例，称这一比例值为小波分层突变系数，即
4、用每小时的小波分层突变系数作趋势图；其中小波分析列中，当5层突变系数发生突变时，将振动信号特征定为1，否则为0。
5、根据步骤1中判断的是否出现特征频率谱线以及小波分层突变系数所作的趋势图，做出分别如表3、表4、表5所示的“三特征判别法”判据，根据表中的故障对策进行故障判断。
表3 齿轮短周期故障的三特征判别法判据(特征频率fm)
| 判据序号 | 信号特征 | 故障对策 | ||
| 冲击 | 平稳 | 小波分析 | ||
| 0 | 0 | 0 | 0 | 无故障，不修 |
| 1 | 0 | 1 | 0 | 齿形不良属制造误差或初期磨损，加工无振纹的话即不修。 |
| 2 | 1 | 0 | 1 | 相邻周节差超差或齿顶修缘不良，或有轻微齿顶齿根干涉、属制造问题不修。 |
| 3 | 1 | 1 | 1 | 较严重磨损，准备备件，更换。 |
表4 齿轮长周期故障的三特征法判据(特征频率fri)
| 判据序号 | 信号特征 | 故障对策 | ||
| 冲击 | 平稳 | 小波分析 | ||
| 0 | 0 | 0 | 0 | 无故障，不修。 |
| 1 | 0 | 1 | 0 | 基圆偏心或质心偏移，属加工误差，不修。 |
| 2 | 1 | 0 | 1 | 个别齿有伤考虑更换。 |
| 3 | 1 | 1 | 1 | 个别齿有突起状塑性变形，开箱修整 |
表5 轴承故障的三特征法判据(轴承各特征频率fri)
| 判据序号 | 信号特征 | 故障对策 | ||
| 冲击 | 平稳 | 小波分析 | ||
| 0 | 0 | 0 | 0 | 无故障，不修。 |
| 1 | 0 | 1 | 0 | 轴承精度不良 |
| 2 | 1 | 0 | 1 | 轴承游隙过大 |
| 3 | 1 | 1 | 1 | 较严重磨损，准备备件，更换。 |
所述步骤3中的固定的分钟数为3分钟，1小时内数据个数为20个。
本发明的原理为：相对传统的傅立叶变换，小波分析在信号的特征提取方面具有较大的优越性。这主要表现在小波分析同时具有较好的时、频特性。小波分析具有多分辨率分析的特点，在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，非常适合探测正常信号中夹带的瞬间反常现象并展示其成分。
小波分析基础：
图2为小波分析示意图。当信号x(n)的采样频率满足采样定理时，数字频率必限制在-π～π之间。此时可分别用理想低通(L)与理想高通滤波器(H)将它分解成(对正频率部分而言)频带在0～π/2的低频部分和频带在π/2～π的高频部分，分别反映信号的概貌与细节。处理后的两路输出必定正交(因频带不交叠)，而且由于两种输出的频带均减半，因此采样率可减半而不致引起信息的丢失。
类似的过程对每次分解后的低频部分可重复进行下去，即每一级分解把该级输入信号分解成一个低频的粗略逼近和一个高频的细节部分；而且每级输出采样率可以再减半，这样就将原始信号x(n)行了多分辨率分解。
从图2(图中A为高频部分信号细节，B为低频部分平滑概貌)可以看出：小波分析将信号在不同尺度上展开，提取信号在不同频带的特征，同时保留信号在各尺度上的时域特征；小波分析每次对信号的低频部分进行分解，高频部分保留不动，而且它的频率分辨率与2j(j为小波分解的级数)成正比。因此，可对信号低频部分做详细观察。
采用本发明能有效提高低速重载齿轮箱故障诊断率。
附图说明
图1齿轮箱传动简图；
图2小波分析示意图；
图中，A为高频部分信号细节，B为低频部分平滑概貌
图3某钢厂初轧机齿轮箱传动简图；
图4故障发生前测点3原始波形及小波五层低频分解部分；
图4的分图测量的时间分别为：
(a)17:45，b)18:00，(c)18:15，(d)18:18
图5故障发生后测点3原始波形及小波五层低频分解部分；
图5的分图测量的时间分别为：
(a)18:48，(b)19:54，(c)19:57，(d)20:03(设备彻底崩溃)
图6各测点小波五层突变系数的变化。
分图分别代表的测点为：(a)测点3，(b)测点4，(c)测点5，(d)测点6
具体实施方式
结合本发明方法的内容提供一下实施例：
图3为某钢厂初轧机齿轮箱传动图。在初轧机齿轮箱上装配了一套监测系统，六个测点分别布置在齿轮箱不同部位。C10轴承由于重载、杂质等外界影响，滚动体发生点蚀、磨损和松动现象，直到2003年5月6日18时45分时，在轧钢时轧制力的突然冲击下外圈破裂。当轴承破碎后，轴VI底部失去支撑，无法在其廻转中心上旋转，运行失衡，其上的齿轮传动关系遭到破坏，齿面受力不均，最后在各种复杂力的作用下，多个齿轮上的轮齿被折断。
(1)利用具有滤波与宽带解调两种预处理功能的便携式诊断仪采集振动信号，在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，将振动信号的滤波谱与解调谱进行分析，当振动信号的幅值大于2m/s2，认为出现特征频率fm谱线，冲击和平稳信号特征为1；
(2)确定振动幅值有明显变化的频段
初轧机大型齿轮箱输出轴转速较低，齿轮箱所包含的频率成分主要是0～1000Hz的中低频成分。由于DB5小波函数较其它小波分析能更明显地反映出故障特征，选择该函数将信号逐层分解成[0，500]，[0，250]，[0，125]，[0，62.5]，[0，31.25]等5个频段，分别对应尺度1到尺度5，然后比较每个频段的分解波形。通常，[0，500]Hz含有各种中低频成分，[0，250]Hz已不包含联轴节啮合频率和齿轮轴承特征频率的高次谐波，[0，125]Hz含有部分高速轴轴承外圈特征频率和Z3/Z4齿轮啮合频率，[0，62.5]Hz含有部分高速轴轴承滚动体特征频率，[0，31.25]Hz则以各轴轴频和轴承保持架特征频率为主。若某一频段波形振动幅值为其他频段上振动幅值1.25倍以上，就可以选取该频段信号应用小波分层突变系数进行设备劣化预测和故障诊断。
图4为故障发生前测点3在17:45、18:00、18:15、18:18时刻的原始波形及小波三、四、五层分解图，由.17时45分的波形可以看到：原始波形变化最快，没有明显突变点；第五层分解波形变化最慢，基本平坦，但是在0.65s处振动幅值有明显突变，其振动幅值为其他频段上振动幅值1.3以上，据此可以选取第五层应用小波分层突变系数，同时也表明故障零部件的特征频率处于[0，31.25Hz]的低频段(表6)。
表6 17时45分的波形图貌
| 频段 | 波形变化频率 | 波形图貌 | |
| 原始波形 | [0，1000] | 最快 | 没有明显突变点。 |
| 小波三层分解 | [0，125] | 较快 | 除0.65s处有明显突变外，还有多处小突变。 |
| 小波四层分解 | [0，62.5] | 较慢 | 0.65s处有明显突变点，小突变处减少。 |
| 小波五层分解 | [0，31.25] | 最慢 | 基本平坦，0.65s处突变明显。 |
图5分别为同一测点在故障发生后的18:48、19:54、19:57、20:03时刻原始波形及小波低频各层分解结果。此时，原始时域波形发生严重畸变，各层波形均变化剧烈，至20:03彻底崩溃前，各层波形又趋于平缓，第五层[0，31.25]Hz频段尤为显著，将[0，31.25]Hz频段定为明显变化的频段，选取该频段信号应用小波分层突变系数进行设备劣化预测和故障诊断。
(3)计算幅值明显变化的[0，31.25]Hz频段小波五层突变系数
根据以上分析，以1小时为数据段，计算小波五层突变系数，即：
小波五层突变系数＝小波五层低频分解大幅值数据个数/1小时内数据个数(20个数据)
从表7可以看出，在17:24-18:21这一段时间内，小波五层低频分解在100以上为大幅值数据有17:45、18:15、18:18三个，因此突变系数为3/20＝0.15。
在18:24-19:21一小时内数据里，100以上大幅值数据有七个，突变系数＝7/20＝0.35。
在19:06-20:03一小时内数据里，100以上大幅值数据有十二个，突变系数＝12/20＝0.60。
表7 17:24-20:03测点3原始波形及小波层低频分解部分
| 时间 | 原始振动均方值 | 小波五层分解结果(低频幅值) | 时间 | 原始振动均方值 | 小波五层分解结果(低频幅值) |
| 17:24 | 1264 | 35.4 | 18:45 | 1412 | 288 |
| 17:27 | 460 | 33.2 | 18:48 | 1532 | 338.9 |
| 17:30 | 1245 | 44.5 | 18:51 | 1438 | 254.6 |
| 17:33 | 1181 | 37.9 | 18:54 | 1208 | 66.1 |
| 17:36 | 580 | 353 | 18:57 | 922 | 78.2 |
| 17:39 | 683 | 26.7 | 19:00 | 1170 | 693 |
| 17:42 | 1456 | 34.1 | 19:03 | 1416 | 267.8 |
| 17:45 | 1043 | 143.3 | 19:06 | 1273 | 260.3 |
| 17:48 | 1259 | 40.5 | 19:09 | 1326 | 265.4 |
| 17:51 | 1068 | 47.5 | 19:12 | 1591 | 250.1 |
| 17:54 | 630 | 44.6 | 19:15 | 857 | 89.3 |
| 17:57 | 603 | 28.3 | 19:18 | 1093 | 58.8 |
| 18:00 | 1219 | 86.5 | 19:21 | 706 | 59.2 |
| 18:03 | 956 | 28.5 | 19:24 | 1088 | 48.5 |
| 18:06 | 1241 | 42.5 | 19:27 | 1530 | 256.4 |
| 18:09 | 1421 | 39.2 | 19:30 | 1350 | 256.1 |
| 18:12 | 1421 | 39.2 | 19:33 | 1056 | 53.1 |
| 18:15 | 1166 | 250.6 | 19:36 | 1625 | 251.8 |
| 18:18 | 1166 | 250.6 | 19:39 | 1547 | 255.2 |
| 18:21 | 690 | 31 | 19:42 | 670 | 45 |
| 18:24 | 708 | 35.3 | 19:45 | 680 | 55.2 |
| 18:27 | 1263 | 33.8 | 19:48 | 1383 | 288.3 |
| 18:30 | 1366 | 61.3 | 19:51 | 867 | 61.7 |
| 18:33 | 602 | 39.1 | 19:54 | 1757 | 372.5 |
| 18:36 | 808 | 41.3 | 19:57 | 2186 | 405.7 |
| 18:39 | 1534 | 71.5 | 20:00 | 3413 | 366.5 |
| 18:42 | 1534 | 71.5 | 20:03 | 3450 | 428.8 |
(4)用每小时的小波五层突变系数作趋势图
图6所示为各测点小波分层突变系数的变化情况，从测点3、4、5上可以清楚的看到：随着时间的推移，突变系数呈增大趋势。
(5)根据趋势图预测运行设备劣化情况，并初步判断有故障隐患的零部件
从图6上可以看到有隐患零部件劣化发展的趋势：3、4、5号测点在齿轮箱突发事故前6小时(即14时左右)，趋势图就有明显的上升，据此可以采取应急措施。由图4可见：有多个时刻(例如17:45、18:00、18:15、18:18)小波五层低频分解部分振幅变化剧烈，小波分析信号特征为1，结合(1)的特征(冲击和平稳信号特征为1)，这表明转速低的输出轴轴承磨损是主要故障。
| 判据序号 | 信号特征 | 故障对策 | ||
| 冲击 | 平稳 | 小波分析 | ||
| 0 | 0 | 0 | 0 | 无故障，不修。 |
| 1 | 0 | 1 | 0 | 轴承精度不良 |
| 2 | 1 | 0 | 1 | 轴承游隙过大 |
| 3 | 1 | 1 | 1 | 较严重磨损，准备备件，更换。 |
Claims (2)
1、一种大型低速重载齿轮箱故障诊断的方法，其特征在于：在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，利用小波分析冲击故障振动信号特征，具体采用如下步骤：
1)、利用具有滤波与宽带解调两种预处理功能的诊断仪采集振动信号，在常规傅立叶谱图上分析平稳功率故障振动信号特征，在共振解调傅立叶谱图上分析冲击功率故障振动信号特征，将振动信号的滤波谱与解调谱进行分析，当振动信号的幅值大于2m/s2，认为出现特征频率谱线，信号特征用1表示，否则用0表示；
2)、确定振动幅值有明显变化的频段；选择振动信号幅值为其他频段上振动信号幅值1.25倍以上的频段，将此频段认定为振动幅值有明显变化的频段；
3)、计算振动幅值有明显变化频段的每小时的小波分层突变系数；所述的小波分层突变系数，量纲为1：每隔固定的分钟数取一个数据，每1小时一个数据组，统计在1小时内小波某一层分解中大幅值，其中大幅值是幅值的极值点，数据占全部数据的比例，称这一比例值为小波分层突变系数，即
4)、用每小时的小波分层突变系数作趋势图；其中小波分析列中，当5层突变系数发生突变时，将振动信号特征定为1，否则为0；
5)、根据步骤1)中判断的是否出现特征频率谱线以及小波分层突变系数所作的趋势图，做出分别如表3、表4、表5所示的“三特征判别法”判据，根据表中的故障对策进行故障判断；
表3齿轮短周期故障的三特征判别法判据，特征频率fm
表4齿轮长周期故障的三特征法判据，特征频率fri
表5轴承故障的三特征法判据，轴承各特征频率fri
2、根据权利要求1所述的一种大型低速重载齿轮箱故障诊断的方法，其特征在于：所述步骤3)中的固定的分钟数为3分钟，1小时内数据个数为20个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2006101698302A CN100507490C (zh) | 2006-12-29 | 2006-12-29 | 一种大型低速重载齿轮箱故障诊断的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2006101698302A CN100507490C (zh) | 2006-12-29 | 2006-12-29 | 一种大型低速重载齿轮箱故障诊断的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1995946A true CN1995946A (zh) | 2007-07-11 |
| CN100507490C CN100507490C (zh) | 2009-07-01 |
Family
ID=38251093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2006101698302A Expired - Fee Related CN100507490C (zh) | 2006-12-29 | 2006-12-29 | 一种大型低速重载齿轮箱故障诊断的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100507490C (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634605B (zh) * | 2009-04-10 | 2011-03-30 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| CN102095491A (zh) * | 2010-11-24 | 2011-06-15 | 华北电力大学 | 汽轮发电机组低频振动突变性实时分析方法 |
| CN101452276B (zh) * | 2007-12-04 | 2011-06-15 | 上海宝钢工业检测公司 | 冷轧酸洗拉矫机齿轮箱运行状态的在线监测方法 |
| CN102175307A (zh) * | 2011-02-01 | 2011-09-07 | 华北电力大学 | 汽轮发电机组低频振动谱阵实时定量分析方法 |
| CN102539142A (zh) * | 2010-09-23 | 2012-07-04 | 通用电气公司 | 用于齿轮啮合故障检测的边带能量比方法 |
| CN102620945A (zh) * | 2011-12-22 | 2012-08-01 | 中国科学技术大学苏州研究院 | 基于1/3-二叉树稀疏谱图的非稳态信号检测方法 |
| CN103926097A (zh) * | 2014-04-03 | 2014-07-16 | 北京工业大学 | 一种用于采集和提取低速重载设备故障特征信息的方法 |
| CN105319057A (zh) * | 2015-11-10 | 2016-02-10 | 昆明理工大学 | 一种基于频谱稀疏性变化趋势的旋转机械状态监测方法 |
| CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
| CN106198006A (zh) * | 2016-08-31 | 2016-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 特高压直流输电阀冷旋转设备故障诊断方法 |
| CN107063679A (zh) * | 2017-01-18 | 2017-08-18 | 北京工业大学 | 结构调谐共振的齿轮缺陷快速检测方法及检测装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107101827B (zh) * | 2017-06-19 | 2019-05-21 | 苏州微著设备诊断技术有限公司 | 一种低速重载齿轮裂纹故障在线检测方法 |
-
2006
- 2006-12-29 CN CNB2006101698302A patent/CN100507490C/zh not_active Expired - Fee Related
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101452276B (zh) * | 2007-12-04 | 2011-06-15 | 上海宝钢工业检测公司 | 冷轧酸洗拉矫机齿轮箱运行状态的在线监测方法 |
| CN101634605B (zh) * | 2009-04-10 | 2011-03-30 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| CN102539142A (zh) * | 2010-09-23 | 2012-07-04 | 通用电气公司 | 用于齿轮啮合故障检测的边带能量比方法 |
| CN102095491A (zh) * | 2010-11-24 | 2011-06-15 | 华北电力大学 | 汽轮发电机组低频振动突变性实时分析方法 |
| CN102095491B (zh) * | 2010-11-24 | 2013-05-01 | 华北电力大学 | 汽轮发电机组低频振动突变性实时分析方法 |
| CN102175307A (zh) * | 2011-02-01 | 2011-09-07 | 华北电力大学 | 汽轮发电机组低频振动谱阵实时定量分析方法 |
| CN102175307B (zh) * | 2011-02-01 | 2012-07-04 | 华北电力大学 | 汽轮发电机组低频振动谱阵实时定量分析方法 |
| CN102620945B (zh) * | 2011-12-22 | 2014-08-06 | 中国科学技术大学苏州研究院 | 基于1/3-二叉树稀疏谱图的非稳态信号检测方法 |
| CN102620945A (zh) * | 2011-12-22 | 2012-08-01 | 中国科学技术大学苏州研究院 | 基于1/3-二叉树稀疏谱图的非稳态信号检测方法 |
| CN103926097A (zh) * | 2014-04-03 | 2014-07-16 | 北京工业大学 | 一种用于采集和提取低速重载设备故障特征信息的方法 |
| CN105319057A (zh) * | 2015-11-10 | 2016-02-10 | 昆明理工大学 | 一种基于频谱稀疏性变化趋势的旋转机械状态监测方法 |
| CN105319057B (zh) * | 2015-11-10 | 2017-12-01 | 昆明理工大学 | 一种基于频谱稀疏性变化趋势的旋转机械状态监测方法 |
| CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
| CN106198006A (zh) * | 2016-08-31 | 2016-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 特高压直流输电阀冷旋转设备故障诊断方法 |
| CN106198006B (zh) * | 2016-08-31 | 2019-08-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 特高压直流输电阀冷旋转设备故障诊断方法 |
| CN107063679A (zh) * | 2017-01-18 | 2017-08-18 | 北京工业大学 | 结构调谐共振的齿轮缺陷快速检测方法及检测装置 |
| CN107063679B (zh) * | 2017-01-18 | 2020-01-10 | 北京工业大学 | 结构调谐共振的齿轮缺陷快速检测方法及检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN100507490C (zh) | 2009-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100507490C (zh) | 一种大型低速重载齿轮箱故障诊断的方法 | |
| Wang et al. | Early fault diagnosis for planetary gearbox based on adaptive parameter optimized VMD and singular kurtosis difference spectrum | |
| Tuma | Gearbox noise and vibration prediction and control | |
| Strömbergsson et al. | Bearing monitoring in the wind turbine drivetrain: A comparative study of the FFT and wavelet transforms | |
| CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
| CN111855211B (zh) | 一种用于故障特征增强的最优解调频带确定方法 | |
| CN109682601A (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
| Wang et al. | Optimal demodulation subband selection for sun gear crack fault diagnosis in planetary gearbox | |
| CN108151869B (zh) | 一种机械振动特征指标提取方法、系统及装置 | |
| CN107941513B (zh) | 一种列车走行部轴承非平稳运维的时频阶比跟踪方法 | |
| CN103091096A (zh) | 基于eemd和小波包变换的早期故障敏感特征提取方法 | |
| CN105928702B (zh) | 基于形态分量分析的变工况齿轮箱轴承故障诊断方法 | |
| DE102011117468A1 (de) | Verfahren, Recheneinheit und Einrichtung zur Überwachung eines Antriebstrangs | |
| CN109799090B (zh) | 采用频带3分区的经验小波变换的轴承特征频率提取方法 | |
| CN103134676A (zh) | 齿轮箱运行状态的在线监测预警方法 | |
| CN102879195B (zh) | 齿轮箱损伤的多小波自适应分块阈值降噪时域诊断方法 | |
| CN109029996A (zh) | 一种轮毂轴承故障诊断方法 | |
| CN112067297A (zh) | 一种轴承故障特征提取方法 | |
| CN117109923A (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN107490477A (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 | |
| CN107525672A (zh) | 一种基于基尼指标改进的SKRgram方法 | |
| CN110763464A (zh) | 一种基于循环平稳分析的滚动轴承故障特征提取方法 | |
| CN116150585A (zh) | 基于乘积包络谱的旋转机械故障诊断方法 | |
| CN115130508A (zh) | 一种基于时间幅频积熵的旋转机械故障诊断方法 | |
| CN114001961B (zh) | 一种滚动轴承故障特征靶向定位及提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090701 Termination date: 20100129 |