JP2021018818A - ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 - Google Patents
ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 Download PDFInfo
- Publication number
- JP2021018818A JP2021018818A JP2020121874A JP2020121874A JP2021018818A JP 2021018818 A JP2021018818 A JP 2021018818A JP 2020121874 A JP2020121874 A JP 2020121874A JP 2020121874 A JP2020121874 A JP 2020121874A JP 2021018818 A JP2021018818 A JP 2021018818A
- Authority
- JP
- Japan
- Prior art keywords
- wavelet
- propeller
- cavitation
- component analysis
- frequency
- 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
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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Complex Calculations (AREA)
Abstract
Description
のキャビテーション状態の検出方法に関する。
液体の内部の局所的圧力のために低下し、液体飽和蒸気圧より低くなった後、空泡を形成
し、発展および壊滅の過程を引き起こし、広範囲に流体機械、海洋エンジニアリング、水
中兵器などの分野に存在する。空泡が壊滅が発生する時、流体は急速に衝突して、深刻な
時は引き起こして効率が低下して、材料が浸食されて、キャビテーションの壊食、発光、
振動およびノイズなどの現象を生成する。感知されやすいプロペラキャビテーションノイ
ズはプロペラの主要ノイズ源である。そのため、流体機械分野において、保障システムの
安全で安定した運行を確保するため、キャビテーション現象を出来るだけ避ける生成に応
える。
換、短時間フーリェ変換などが主にあり、これらの方法は全て目標信号を定常信号を基礎
とし、運用と目標信号の互いに合わした基底関数により信号を処理して、信号の特徴を抽
出する。現実的な中空化ノイズ信号は一般的に非定常信号として、大きくこれらの方法の
適合性を限定した。同時に故障している初生段階の信号特徴はよく比較的弱く、多種の信
号の変調作用を受け、特徴量の抽出を行いにくい。ウェーブレットベースは伸縮する平行
移動した特性を有して、信号は良好な自己適応性を有する。ウェーブレット方法は良好な
エネルギー集中性を有しており、容易に特異点を検出でき、ウェーブレット方法は周波数
の分析に幅広く応用でき、故障特徴の抽出、特異点の検出、弱信号のノイズ除去と抽出な
どの分野に応用される。
ラルネットワーク、異常診断などの分野に幅広く応用されている。ウェーブレットとPC
Aの結合方法は画像融合技術において一般的であり、プロペラキャビテーションの状態認
識分野に既に応用がある。同時に、キャビテーションにとって、現在、大量の研究は、主
にキャビテーション状態に対して発生するかどうかを研究し、キャビテーションの異なる
段階に対して一つの効率的方法が存在しない。そのため効果的に区分し、キャビテーショ
ンの異なった段階を判別する方法を追求して、キャビテーションの判断効率を向上させる
。
検出方法を提供した、周波数および周波数主成分の両方面の情報を提供することができる
、プロペラ原始ノイズ信号の特徴を表現でき、これにより、プロペラのキャビテーション
の段階を識別判定でき、強大な実用性を有する。
の検出方法は、下記のステップを含む。
(1)プロペラのノイズ信号を採取するステップと、
(2)逆フーリエ変換により採取したノイズ信号に対してフィルタし、フィルタリング済み
の再構成された時間領域信号を得るステップと、
(3)ウェーブレット変換によりフィルタリング済みの時間領域信号を処理し、ウェーブレ
ット係数を得て、且つ前記ウェーブレット係数に対して主成分解析をし、各成分の分布結
果を得るステップと、
(4)ウェーブレット変換処理に対する周波数スペクトル結果と主成分解析の処理結果とを
周波数、エネルギーの対比分析をして、これによってプロペラのキャビテーション状態を
認識するステップと、
を含む。
ーリェ変換をし、得られた全周波数帯域内においてフィルタリング範囲f1およびf2を
選択し、それぞれのセグメント信号に対して逆フーリエ変換をし、逆短時間フーリェ変換
により得られた結果を重畳し、フィルタ周波数範囲内の時間領域信号を抽出し、フィルタ
リング済みの時間領域信号を得る。
であり、f(t)はある処理待ち時間領域信号であり、ψ(t)はウェーブレット母関数
であり、aはスケーリングファクタであり、bは並進因子であり、W(a、b)が変換後
に得られたウェーブレット係数であり、時間tと周波数fの関数である。
(3-1)共分散マトリクスを計算するステップと、
共分散マトリクスを計算する数式は、
Wcov=cov(W)
であり、 WcovをW(a、b)とする共分散マトリクスとし、covは共分散計算関
数とし、
(3-2)特性数および特徴ベクトルを計算するステップと、
特性数および特徴ベクトルを計算する数式は、
[V、D]=eig(Wcov)
であり、VはWcovの特徴ベクトルであり、DはWcovの特性数であり、eigは特
性数と特徴ベクトルを計算する関数であり、
(3-3)変換マトリクスTを構成するステップと、
を含む。
(3-3-1)特性数を1個のベクトルとして構成するステップと、降順に配列した後、特性数
および特徴ベクトルはそれぞれ、
V=[α1、α2、…、αm]
(3-3-2)特性数の和を取るステップと、
sumd=sum(D)、各特性数の寄与度を計算し、Ii=λi/sumd、i∈[1
,2、…m]、累積寄与率ratioを取り、現在のK個の特性数の寄与度の和がrat
ioに達する時、前のK個の特徴ベクトルを取って変換マトリクスTを構成し、
下させ、再び新マトリクスに対してプロット分析する。
ルタ処理し、且つウェーブレット変換により主成分解析の方法と結合し、フィルタリング
済みの再構成された信号を処理し、これによって運転状態のプロペラはキャビテーション
状態を識別し、単に発生キャビテーションである欠陥を判断することができる従来のキャ
ビテーション状態識別方法を突破して、ウェーブレット解析を総合運用して信号の周波数
分析と主成分分析により、指標を減少するという利点があり、プロペラキャビテーション
状態の識別と診断に対して高効率な方法を提供する。
、以下の実施例は本発明に対する理解を便利にすることを意図しており、いかなる限定作
用も生じない。
ャビテーション状態の検出方法は、下記のステップを含む。
S1、水中聴音器により、プロペラのノイズ信号を採取する。
S2、逆フーリエ変換により採取したノイズ信号に対してフィルタし、フィルタリング済
みの再構成された時間領域信号を得る。
具体的手順は、ノイズ信号に対して高速フーリエ変換および短時間フーリェ変換をし、
得られた全周波数帯域内においてフィルタリング範囲f1およびf2を選択し、それぞれ
のセグメント信号に対して逆フーリエ変換をし、逆短時間フーリェ変換により得られた結
果を重畳し、フィルタ周波数範囲内の時間領域信号を抽出し、フィルタリング済みの時間
領域信号を得る。
レット係数を得て、且つ前記ウェーブレット係数に対して主成分解析をし、各成分の分布
結果を得る。
を表すことができる。
であり、aはスケーリングファクタであり、bは並進因子であり、W(a、b)が変換後
に得られたウェーブレット係数であり、時間tと周波数fの関数である。
)に対して行い、PCAアルゴリズムの主要概念はもともと、多くの一定の関連性を有す
る変数を再合成した後に一組での新しい互いに関連しない変数を形成し、出来るだけもと
の変数の情報を反映させ、その原理ステップは以下を表すことができる。
共分散マトリクスを計算する数式は、
Wcov=cov(W)
であり、 WcovをW(a、b)とする共分散マトリクスとし、covは共分散計算関
数とする。
(2)特性数および特徴ベクトルを計算するステップ
特性数および特徴ベクトルを計算する数式は、
[V、D]=eig(Wcov)
であり、VはWcovの特徴ベクトルであり、DはWcovの特性数であり、eigは特
性数と特徴ベクトルを計算する関数である。
V=[α1、α2、…、αm]
各特性数の寄与度を計算し、Ii=λi/sumd、i∈[1,2、…m]、累積寄与率
ratioを取り、現在のK個の特性数の寄与度の和がratioに達する時、前のK個
の特徴ベクトルを取って変換マトリクスTを構成し、
させ、再び新マトリクスに対してプロット分析する。
X=W×T
S04、ウェーブレット処理の周波数結果と、PCAの結果と、を周波数、エネルギーによ
り対比分析する。
実際に水中聴音器により水下回転速度は21r/sとし、葉数を7の葉とするプロペラ信
号を採取して信号処理を行い、すなわち軸周波数は21Hzとし、葉は頻繁に147Hz
とする。
ン係数のプロペラ原始ノイズ信号時間領域の図であり、元の信号は多種のノイズ干渉を含
み、そのうち50Hzの電子ノイズを主として含んだ。図2bはある一キャビテーション
係数のプロペラ原始ノイズ信号を逆フーリエ変換によりフィルタリング済みの再構成信号
の時間領域の図であり、電子ノイズの干渉を除去して、同時に、少量の情報を含む高周波
域を除去した。
変換をし、図3a、図4a、図5aはそれぞれキャビテーション係数を4.495、2.
05、1.705の状態のプロペラ再構成信号がウェーブレット変換を経た周波数の図で
ある。観察できることとして、キャビテーション程度の増大するにつれて、周波数の図の
エネルギーおよび周波数帯の分布は同じく変化するということである。キャビテーション
係数が4.495である時、ピン渦巻きのキャビテーションは初期(開始)であり、総エ
ネルギーは低い。キャビテーション係数が2.05である時、キャビテーションが大規模
に発展し、総エネルギーは大幅な向上し、主要周波数帯は180−220Hz及び300
−400Hzになり、180−220Hzの周波数帯のエネルギーは主要地位を占めた。
キャビテーション係数が1.705である時、ベーンキャビテーションは大規模に発展し
て、キャビテーションの時と比べて、総エネルギーは低下して、周波数帯は分布は明らか
でなく、エネルギー分布は分散する。
。実施例において、累積寄与率90%を選択する。同時に、結果図に基づき前3項の主成
分を選択する。図3b、図4b、図5bは、それぞれキャビテーション係数を4.495
、2.05、1.705とする状態のプロペラ再構成信号ウェーブレット係数がPCA分
析を経た結果図である。主成分周波数からキャビテーション状態の周波数特性情報を分析
できる。キャビテーション係数が4.495である時、ピン渦巻きのキャビテーションは
初期であり、主要特徴周波数は165Hzであり、8倍の軸周波数に接近する。キャビテ
ーション係数が2.05である時、キャビテーションが大規模に発展し、エネルギーは向
上し、主要特徴周波数は190Hzであり、9倍の軸周波数に接近する。キャビテーショ
ン係数が1.705である時、ベーンキャビテーションは大規模に発展し、エネルギーは
低下し、主要特徴周波数は160Hz、440Hz(3倍の葉周波数にに接近する)、1
000Hzである。
するキャビテーション状態を分析し、キャビテーション状態を発生したか否か、片キャビ
テーションあるいは泡キャビテーション、ベーンキャビテーションを正確に、且つ明確に
判定することができる。この方法がプロペラキャビテーション状態を検出する実用性およ
び信頼性があることを証明した。
きなのは、以上は本発明とする具体的な実施形態のみであり、た本発明を制限するための
ものでない。本発明の原則範囲内で作ったいずれの修正、補充および同等置換、いずれも
本発明の保護範囲内に属する。
Claims (1)
- ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法で
あって、
(1)プロペラのノイズ信号を採取するステップと、
(2)逆フーリエ変換により採取したノイズ信号に対してフィルタし、フィルタリング済み
の再構成された時間領域信号を得るステップと、
ステップ (2)の具体的手順は、ノイズ信号に対して高速フーリエ変換および短時間フー
リェ変換をし、得られた全周波数帯域内においてフィルタリング範囲f1およびf2を選
択し、それぞれのセグメント信号に対して逆フーリエ変換をし、逆短時間フーリェ変換に
より得られた結果を重畳し、フィルタ周波数範囲内の時間領域信号を抽出し、フィルタリ
ング済みの時間領域信号を得るステップであり、
(3)ウェーブレット変換によりフィルタリング済みの時間領域信号を処理し、ウェーブレ
ット係数を得て、且つ前記ウェーブレット係数に対して主成分解析をし、各成分の分布結
果を得るステップと、
ステップ(3)において、前記ウェーブレット変換の処理公式は、
であり、f(t)はある処理待ち時間領域信号であり、ψ(t)はウェーブレット母関数
であり、aはスケーリングファクタであり、bは並進因子であり、W(a、b)が変換後
に得られたウェーブレット係数であり、時間tと周波数fの関数であり、
前記主成分解析の処理ステップは、
(3-1)共分散マトリクスを計算するステップと、
共分散マトリクスを計算する数式は、
Wcov=cov(W)
であり、 WcovをW(a、b)とする共分散マトリクスとし、covは共分散計算関
数とし、
(3-2)特性数および特徴ベクトルを計算するステップと、
特性数および特徴ベクトルを計算する数式は、
[V、D]=eig(Wcov)
であり、VはWcovの特徴ベクトルであり、DはWcovの特性数であり、eigは特
性数と特徴ベクトルを計算する関数であり、
(3-3)変換マトリクスTを構成するステップと、
(3-3-1)特性数を1個のベクトルとして構成するステップと、降順に配列した後、特性
数および特徴ベクトルはそれぞれ、
V=[α1、α2、…、αm]
で表され、mをWcovとする列数とし、
(3-3-2)特性数の和を取るステップと、
sumd=sum(D)、各特性数の寄与度を計算し、Ii=λi/sumd、i∈[1
,2、…m]、累積寄与率ratioを取り、前記累積寄与率ratioの取得値≧85
%であり、現在のK個の特性数の寄与度の和がratioに達する時、前のK個の特徴ベ
クトルを取って変換マトリクスTを構成し、
T=[α1、α2、…、αK]であり、
(3-4)元マトリクスWと変換マトリクスTとを乗算し、新マトリクスXを得て、次元を低
下させ、再び新マトリクスに対してプロット分析するステップと、を含み、
(4)ウェーブレット変換処理に対する周波数スペクトル結果と主成分解析の処理結果とを
周波数、エネルギーの対比分析をして、これによってプロペラのキャビテーション状態を
認識するステップと、
を含むことを特徴とするウェーブレットおよび主成分解析に基づくプロペラのキャビテ
ーション状態の検出方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910650210.8A CN110458976B (zh) | 2019-07-18 | 2019-07-18 | 一种基于小波和主分量分析的螺旋桨空化状态检测方法 |
CN201910650210.8 | 2019-07-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021018818A true JP2021018818A (ja) | 2021-02-15 |
Family
ID=68482927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020121874A Pending JP2021018818A (ja) | 2019-07-18 | 2020-07-16 | ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2021018818A (ja) |
CN (1) | CN110458976B (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137444A (zh) * | 2021-11-29 | 2022-03-04 | 国网山东省电力公司日照供电公司 | 一种基于声信号的变压器运行状态监测方法及系统 |
CN116337445A (zh) * | 2023-04-13 | 2023-06-27 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
CN117825601A (zh) * | 2024-03-05 | 2024-04-05 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
CN117825601B (zh) * | 2024-03-05 | 2024-05-24 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114813037B (zh) * | 2022-04-21 | 2023-06-20 | 中国船舶科学研究中心 | 一种空化流动结构频率分布特征分析方法 |
CN114936415B (zh) * | 2022-04-27 | 2023-03-21 | 浙江大学 | 一种螺旋桨唱音频率预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859740B2 (en) * | 2002-12-12 | 2005-02-22 | Halliburton Energy Services, Inc. | Method and system for detecting cavitation in a pump |
CN100480926C (zh) * | 2006-11-23 | 2009-04-22 | 浙江大学 | 一种基于小波分析的工业生产过程故障诊断系统及方法 |
CN102539539B (zh) * | 2012-01-19 | 2014-04-16 | 清华大学 | 基于声发射的空蚀检测方法 |
KR101303192B1 (ko) * | 2013-03-14 | 2013-09-09 | 국방과학연구소 | 수동 소나시스템 및 이의 데몬 처리 향상기법 |
CN103544400B (zh) * | 2013-11-04 | 2017-02-08 | 东南大学 | 基于非均匀入流中螺旋桨空化噪声数值预报的特征提取方法 |
CN105240187B (zh) * | 2015-11-18 | 2017-09-22 | 哈尔滨工业大学 | 基于混沌理论实现水轮机状态监测和故障诊断的方法 |
CN106407944A (zh) * | 2016-09-28 | 2017-02-15 | 三峡大学 | 一种基于多模态回归分析的水电机组空蚀信号特征提取方法 |
-
2019
- 2019-07-18 CN CN201910650210.8A patent/CN110458976B/zh active Active
-
2020
- 2020-07-16 JP JP2020121874A patent/JP2021018818A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137444A (zh) * | 2021-11-29 | 2022-03-04 | 国网山东省电力公司日照供电公司 | 一种基于声信号的变压器运行状态监测方法及系统 |
CN114137444B (zh) * | 2021-11-29 | 2024-04-02 | 国网山东省电力公司日照供电公司 | 一种基于声信号的变压器运行状态监测方法及系统 |
CN116337445A (zh) * | 2023-04-13 | 2023-06-27 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
CN116337445B (zh) * | 2023-04-13 | 2024-02-23 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
CN116626408B (zh) * | 2023-07-25 | 2023-10-13 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
CN117825601A (zh) * | 2024-03-05 | 2024-04-05 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
CN117825601B (zh) * | 2024-03-05 | 2024-05-24 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110458976B (zh) | 2020-06-30 |
CN110458976A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021018818A (ja) | ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 | |
Miao et al. | Research on sparsity indexes for fault diagnosis of rotating machinery | |
Yongbo et al. | Review of local mean decomposition and its application in fault diagnosis of rotating machinery | |
Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
Sakthivel et al. | Vibration based fault diagnosis of monoblock centrifugal pump using decision tree | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
Zhang et al. | A new feature extraction approach using improved symbolic aggregate approximation for machinery intelligent diagnosis | |
He et al. | A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction | |
Deng et al. | Bandwidth Fourier decomposition and its application in incipient fault identification of rolling bearings | |
CN111027260A (zh) | 一种基于神经网络的往复式压缩机故障诊断方法 | |
Wang et al. | Rotating machinery fault diagnosis based on EEMD time-frequency energy and SOM neural network | |
CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
Zhao et al. | Probabilistic principal component analysis assisted new optimal scale morphological top-hat filter for the fault diagnosis of rolling bearing | |
Sahu et al. | Fault diagnosis of rolling bearing based on an improved denoising technique using complete ensemble empirical mode decomposition and adaptive thresholding method | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
Singh et al. | A review of vibration analysis techniques for rotating machines | |
Imoru et al. | Diagnosis of stator shorted-turn faults in induction machines using discrete wavelet transform | |
Gong et al. | Application of optimized multiscale mathematical morphology for bearing fault diagnosis | |
Fang et al. | Reciprocating compressors intelligent fault diagnosis under multiple operating conditions based on adaptive variable scale morphological filter | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
CN117571316A (zh) | 一种复合故障诊断方法及系统 | |
Li et al. | Fault diagnosis of bearings based on a sensitive feature decoupling technique | |
Wang et al. | A two-stage compression method for the fault detection of roller bearings | |
Pang et al. | The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200716 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200716 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200908 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201027 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210118 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210408 |