WO2019179340A1 - 基于eemd和msb的滚动轴承故障特征提取方法 - Google Patents

基于eemd和msb的滚动轴承故障特征提取方法 Download PDF

Info

Publication number
WO2019179340A1
WO2019179340A1 PCT/CN2019/077936 CN2019077936W WO2019179340A1 WO 2019179340 A1 WO2019179340 A1 WO 2019179340A1 CN 2019077936 W CN2019077936 W CN 2019077936W WO 2019179340 A1 WO2019179340 A1 WO 2019179340A1
Authority
WO
WIPO (PCT)
Prior art keywords
imfs
frequency
msb
signal
eemd
Prior art date
Application number
PCT/CN2019/077936
Other languages
English (en)
French (fr)
Inventor
甄冬
郭俊超
谷丰收
王作禄
张�浩
师占群
Original Assignee
河北工业大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 河北工业大学 filed Critical 河北工业大学
Publication of WO2019179340A1 publication Critical patent/WO2019179340A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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

Definitions

  • the invention relates to the technical field of mechanical equipment condition monitoring and fault diagnosis, in particular to a rolling bearing fault feature extraction method based on collective empirical mode decomposition and modulation bispectrum analysis.
  • Empirical Mode Decomposition is a newly developed method for non-stationary signal processing, and this method has strong adaptability and has been widely used in many aspects.
  • EMD decomposition has phenomena such as endpoint effects and modal aliasing. Therefore, WU et al. (WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise assisted data analysis method [J]. Advances in adaptive data analysis, 2009, 1(1): 1-41.) is the basis of the EMD method.
  • the noise assisted analysis is introduced, and the integrated empirical mode decomposition method (EEMD) is proposed to effectively suppress the modal aliasing phenomenon.
  • Shen Changqing et al. Shen Changqing, Xie Weida, Zhu Zhongkui, et al. Bearing fault diagnosis based on EEMD and improved morphological filtering method [J]. Vibration and Shock, 2013, 32(2): 39-43.
  • Proposed EEMD and improved morphology The learning filter improves the reliability of rolling bearing fault diagnosis.
  • Peng Chang et al Peng Chang, Berlin, Xie Xiaoliang. Rolling bearing fault diagnosis method based on EEMD, measure factor and fast kurtosis graph [J].
  • MSAM Cumulative mean
  • MSB Modulation Bispectrum Analysis
  • the technical solution of the present invention to solve the technical problem is to design a rolling bearing fault feature extraction method based on collective empirical mode decomposition and modulation bispectrum analysis, wherein the specific steps are as follows:
  • Step 1 measuring the vibration signal of the detected rolling bearing by the vibration sensor, and the obtained vibration signal is the original signal y(t);
  • Step 2 Perform EEMD decomposition on the original signal y(t) to obtain a series of IMFs of different frequencies
  • Step 3 Calculate the MSAM values of different decomposition scales of the EEMD
  • Step 4 Judging the MSAM value calculated in the third step. If the MSAM value at the m-th scale deviates significantly from the zero value, the IMFs before the m-scale are considered to be high-frequency and further WT noise reduction processing is performed; The IMFs and residual signals after the m scale are low frequencies; the remaining low frequency IMFs, the residual signal and the denoised high frequency IMFs components are superimposed and reconstructed to obtain the superposed reconstructed signal x(t);
  • Step 5 Perform the MSB separation modulation component on the superposed reconstructed signal x(t), and extract the fault characteristic frequency.
  • the present invention has the following advantages:
  • EEMD applies noise-assisted analysis to empirical mode decomposition (EMD) to promote anti-aliasing decomposition and effectively suppress the mode aliasing problem inherent in EMD.
  • EMD empirical mode decomposition
  • Figure 1 is a flow chart of the present invention
  • FFT Fourier transform
  • Figure 4 is an exploded view of the original signal EEMD of the embodiment, wherein Figure 4 (a) is IMF1 ⁇ IMF6; Figure 4 (b) is IMF7 ⁇ IMF12; Figure 4 (c) is IMF13 ⁇ IMF18;
  • FIG. 5 is an MSAM diagram of different decomposition scales of the EEMD of FIG. 4;
  • Fig. 7 is a graph showing the results of the MSB of the embodiment.
  • the rolling bearing fault feature extraction method based on the collective empirical mode decomposition and modulation bispectrum analysis proposed by the invention has the following specific steps:
  • Step 1 measuring the vibration signal of the detected rolling bearing by the vibration sensor, and the obtained vibration signal is the original signal y(t);
  • Step 2 Perform EEMD decomposition on the original signal y(t) to obtain a series of IMFs of different frequencies
  • Step 3 Calculate the MSAM values of different decomposition scales of the EEMD
  • Step 4 Judging the MSAM value calculated in the third step. If the MSAM value at the m-th scale deviates significantly from the zero value, the IMFs before the m-scale are considered to be high-frequency and further WT noise reduction processing is performed; The IMFs and residual signals after the m scale are low frequencies. The remaining low frequency IMFs, the residual signal and the denoised high frequency IMFs components are superposed and reconstructed to obtain a superposed reconstructed signal x(t);
  • Step 5 Perform the MSB separation modulation component on the superposed reconstructed signal x(t), and extract the fault characteristic frequency.
  • the step 2 specifically includes:
  • Step 102 Add a random white noise n i (t) of a certain magnitude to the original signal y(t) to form a new series of noise signals y i (t).
  • Step 103 Perform EMD decomposition on a series of noise signals y i (t).
  • n is the number of IMFs that are resolved
  • c i,n (t) are the decomposed IMFs
  • r i,n (t) are the residual components.
  • Step 104 Repeat steps 102-103N times, each time adding a certain amount of white noise, and decomposing a series of IMFs. The averaging process is performed on the set of IMFs to obtain the IMF component c n (t) of the EEMD decomposition.
  • the third step is specifically: after the multi-scale decomposition of the signal by using the EEMD, the cumulative mean MSAM of the normalized modulus is defined as follows:
  • mean is the mean function
  • std is the standard deviation function
  • the step 5 specifically includes the following steps:
  • Step 105 The MSB of the superposed reconstructed signal x(t) expressed in the form of a discrete Fourier transform X(f) can be defined as:
  • B MS (f c , f x ) denotes the bispectrum of the superposed reconstructed signal x(t)
  • E ⁇ > denotes the expectation
  • f c is the modulation frequency
  • f x is the carrier frequency
  • (f c +f x ) and f c -f x ) are the upper and lower sideband frequencies, respectively.
  • Step 106 The MSB obtained in step 105 is improved, and the f c component of the carrier frequency is modified by eliminating the substantial influence to accurately quantize the sideband amplitude.
  • the improved MSB is MSB-SE and is defined as follows:
  • Step 107 Calculate the average value of the MSB in the increment direction of f x to obtain the f c slice:
  • ⁇ f represents the resolution of f x .
  • Step 108 Calculate the average value of the plurality of optimal MSB slices, that is, the fault characteristic frequency of the rolling bearing, which is expressed as:
  • N is the total number of selected f c slices.
  • the original signal y(t) in this embodiment is the vibration signal of the outer ring of the rolling bearing.
  • the sampling frequency of the original signal y(t) is 71.5 Hz
  • the sampling length is point 285715
  • the fault frequency of the bearing outer ring is 88.5 Hz.
  • the waveform of the original signal y(t) is shown in Fig. 2, and its amplitude spectrum is shown in Fig. 3. The failure characteristics are not observed in Fig. 3.
  • the second step EEMD decomposition of the original signal y (t), obtaining a series of IMF components of different frequencies as shown in Figure 4.
  • the third step Calculate the MSAM values of different decomposition scales of EEMD, as shown in Figure 5.
  • the fourth step then perform signal superposition reconstruction, as shown in Figure 6.
  • Step 5 The superimposed reconstructed signal is subjected to MSB separation and modulation components, and the fault characteristic frequency is extracted as shown in Fig. 7.
  • the main frequencies are multiple frequencies such as 88.5 Hz and 177 Hz, 265.5 Hz, etc., which are consistent with the calculated outer ring fault characteristic frequency.
  • the fault characteristic information of the outer ring of the rolling bearing is accurately extracted.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，用于通过振动信号分析滚动轴承故障。首先采用EEMD对加速度传感器采集的轴承原始振动信号进行分解获得一系列不同频率的模态函数(IMFs)，通过标准化模量的累计均值(MSAM)对IMFs进行多尺度划分，进而得到高频和低频的IMFs。然后通过小波变换(WT)对高频的IMFs进行降噪，并将降噪的高频IMFs与低频的IMFs进行叠加重构。最后将叠加重构信号通过MSB分离调制成分，从而提取出故障特征频率。对滚动轴承故障特征的成功提取验证了该方法的有效性与可行性。该发明适用于机械设备的状态监测以及故障诊断等领域。

Description

[根据细则37.2由ISA制定的发明名称]　基于EEMD和MSB的滚动轴承故障特征提取方法 技术领域
本发明涉及到机械设备状态监测和故障诊断技术领域，具体是基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法。
背景技术
滚动轴承是旋转机械的重要组成部分，它的状况好坏将直接影响到整机的运行，对其进行故障诊断具有重要的理论价值和现实意义。经验模态分解(EMD)是最新发展起来的非平稳信号处理的方法，且该方法具有很强自适应性，已经在很多方面得到广泛的应用。但是EMD分解存在着端点效应和模态混叠等现象。因此WU等(WU Z H,HUANG N E.Ensemble empirical mode decomposition:a noise assisted data analysis method[J].Advances in adaptive data analysis,2009,1(1):1-41.)在EMD方法的基础上引入噪声辅助分析，提出了集成经验模态分解方法(EEMD)可有效抑制模态混叠现象。沈长青等(沈长青,谢伟达,朱忠奎,等.基于EEMD和改进的形态滤波方法的轴承故障诊断研究[J].振动与冲击,2013,32(2):39-43.)提出EEMD和改进的形态学滤波器提高了滚动轴承故障诊断的可靠性。彭畅等(彭畅,柏林,谢小亮.基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法[J].振动与冲击,2012,31(20):143-146.)提出基于EEMD、 度量因子和快速谱峭度相结合成功实现了对轴承的故障诊断。刘永强(刘永强，李翠省，廖英英.基于EEMD和自相关函数峰态系数的轴承故障诊断方法[J].振动与冲击,2017,36(2):111-116.)提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法，通过轴承故障的仿真和实验研究，验证了该方法的有效性和可行性。以上研究表明了EEMD在轴承故障特征提取中具有重要价值和明显优势，然而EEMD分解的每个固有模态函数(IMF)仍然含有大量的噪声，其降噪效果并不明显。
发明内容
为了提高EEMD的降噪效果，提出MSAM(累积均值)进行降噪，其降噪效果得到了很好的改善，但原始信号中存在的非线性调制成分仍保留在相应IMFs中。为了克服IMFs中存在非线性调制成分，提出MSB(调制双谱分析)来分离调制成分，从而提取故障特征频率。从而提出了基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法。
本发明解决所述技术问题的技术方案是，设计一种基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，具体步骤如下：
步骤一：通过振动传感器测量被检测的滚动轴承的振动信号，所得振动信号为原始信号y(t)；
步骤二：对原始信号y(t)进行EEMD分解，获得一系列不同频率的IMFs；
步骤三：计算EEMD不同分解尺度的MSAM值；
步骤四：对步骤三中计算所得的MSAM值进行判断，若在第m尺度的MSAM值明显偏离零值，则认为在m尺度之前的IMFs为高频并对其进行进一步的WT降噪处理；在m尺度之后的IMFs和残余信号均为低频；将其余低频的IMFs、残余信号和降噪后高频IMFs分量进行信号叠加重构，得到叠加重构信号x(t)；
步骤五：将叠加重构信号x(t)进行MSB分离调制成分，提取故障特征频率。
与现有技术相比，本发明有益效果在于：
(1)EEMD将噪声辅助分析应用于经验模式分解(EMD)中，以促进抗混叠分解，有效的抑制EMD中固有的模式混叠问题。
(2)EEMD分解后的每个IMFs仍然含有大量的噪声，其降噪效果并不明显，为了提高EEMD的降噪效果，提出MSAM选取IMFs。
(3)虽然使用MSAM提高了信噪比，但是原始信号中存在的非线性调制成分仍保留在相应IMFs中。为了克服IMFs中存在非线性调制成分，提出MSB来分离调制成分，从而提取故障特征频率。
附图说明
图1为本发明的流程图；
图2为实施例的原始信号波形图；
图3为实施例的原始信号的傅里叶变换(FFT)图；
图4为实施例的原始信号EEMD分解图，其中图4(a)为IMF1～IMF6；图4(b)为IMF7～IMF12；图4(c)为IMF13～IMF18；
图5为图4的EEMD不同分解尺度的MSAM图；
图6为实施例的降噪后的信号频率叠加重构图；
图7为实施例的MSB的结果图。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请权利要求的保护范围。
本发明提出的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其具体步骤如下：
步骤一：通过振动传感器测量被检测的滚动轴承的振动信号，所得振动信号为原始信号y(t)；
步骤二：对原始信号y(t)进行EEMD分解，获得一系列不同频率的IMFs；
步骤三：计算EEMD不同分解尺度的MSAM值；
步骤四：对步骤三中计算所得的MSAM值进行判断，若在第m尺度的MSAM值明显偏离零值，则认为在m尺度之前的IMFs为高频并对其进行进一步的WT降噪处理；在m尺度之后的IMFs和残余信号均为低频。将其余低频的IMFs、残余信号和降噪后高频IMFs分量进行信号叠加重构，得到叠加重构信号x(t)；
步骤五：将叠加重构信号x(t)进行MSB分离调制成分，提取故障特征频率。
所述步骤二具体包括：
步骤101：给原始信号y(t)设定平均处理次数N，初始i＝1,2,...,N。
步骤102：给原始信号y(t)添加一定幅值的随机白噪声n i(t)，组成新的一系列噪声信号y i(t)。
y i(t)＝y(t)+n i(t)
式中，i＝1,2,...,N
步骤103：对一系列噪声信号y i(t)进行EMD分解。
Figure PCTCN2019077936-appb-000001
式中，n是分解的IMF数量，c i,n(t)是分解的IMFs，r i,n(t)是残余分量。
步骤104：重复步骤102～103N次，每次加入一定不同幅度的白噪声，分解出一系列IMFs。对IMFs的集合做均值处理得到EEMD分解的IMF分量c n(t)。
Figure PCTCN2019077936-appb-000002
式中，i＝1,2,...N；n＝1,2,...N,c i,n(t)为第i次EMD所得到的第n个IMF。
所述步骤三具体为：利用EEMD进行信号的多尺度分解后，按如下定义标准化模量的累计均值MSAM：
Figure PCTCN2019077936-appb-000003
式中：mean为均值函数；std为标准差函数。
所述步骤五具体包括如下步骤：
步骤105：以离散傅立叶变换X(f)的形式表示的叠加重构信号x(t)的MSB可以被定义为：
B MS(f c，f x)＝E＜X(f c+f x)X(f c-f x)X *(f c)X *(f c)＞
其中B MS(f c，f x)表示叠加重构信号x(t)的双谱，E<>表示期望，f c为调制频率，f x为载波频率，(f c+f x)和(f c-f x)分别为上、下边带频率。
步骤106：对步骤105所得的MSB进行改善，通过消除实质影响来修改载波频率的f c分量，以便精确地量化边带幅度。改进后的MSB为MSB-SE，定义如下：
Figure PCTCN2019077936-appb-000004
其中B MS(f c，0)表示f x＝0时的平方功率谱。
步骤107：计算在f x增量方向上MSB的平均值，以得到f c切片：
Figure PCTCN2019077936-appb-000005
其中Δf表示f x的分辨率。
步骤108：计算多个最优的MSB切片的平均值，即得滚动轴承的故障特征频率，其表示为：
Figure PCTCN2019077936-appb-000006
其中N是选定的f c切片的总数。
下面采用具体实施例来验证本发明方法，其步骤如下：
第一步：本实施例中的原始信号y(t)为滚动轴承外圈的振动信号，原始信号y(t)的采样频率为71.5Hz，采样长度为点285715，轴承外圈故障频率为88.5Hz。原始信号y(t)的波形如图2，其幅值谱如图3所 示，观察图3未能发现故障特征。
第二步：对原始信号y(t)进行EEMD分解，获得一系列不同频率的IMF分量如图4所示。
第三步：计算EEMD不同分解尺度的MSAM值，如图5所示。
第四步：，然后进行信号叠加重构，如图6所示。
第五步：将叠加重构的信号进行MSB分离调制成分，提取故障特征频率如图7所示，主要频率是88.5Hz和177Hz、265.5Hz等多倍频，与计算的外圈故障特征频率吻合，准确的提取了滚动轴承外圈故障特征信息。
本发明未述及之处适用于现有技术。

Claims (4)

  1. 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，具体步骤如下：
    步骤一：通过振动传感器测量被检测的滚动轴承的振动信号，所得振动信号为原始信号y(t)；
    步骤二：对原始信号y(t)进行EEMD分解，获得一系列不同频率的IMFs；
    步骤三：计算EEMD不同分解尺度的MSAM值；
    步骤四：对步骤三中计算所得的MSAM值进行判断，若在第m尺度的MSAM值明显偏离零值，则认为在m尺度之前的IMFs为高频并对其进行进一步的WT降噪处理；在m尺度之后的IMFs和残余信号均为低频；将其余低频的IMFs、残余信号和降噪后高频IMFs分量进行信号叠加重构，得到叠加重构信号x(t)；
    步骤五：将叠加重构信号x(t)进行MSB分离调制成分，提取故障特征频率。
  2. 根据权利要求1所述的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，所述步骤二具体包括：
    步骤101：给原始信号y(t)设定平均处理次数N，初始i＝1,2,...,N；
    步骤102：给原始信号y(t)添加一定幅值的随机白噪声n i(t)，组成新的一系列噪声信号y i(t)；
    y i(t)＝y(t)+n i(t)
    式中，i＝1,2,...,N
    步骤103：对一系列噪声信号y i(t)进行EMD分解；
    Figure PCTCN2019077936-appb-100001
    式中，n是分解的IMF数量，c i,n(t)是分解的IMFs，r i,n(t)是残余分量；
    步骤104：重复步骤102～103N次，每次加入一定不同幅度的白噪声，分解出一系列IMFs；对IMFs的集合做均值处理得到EEMD分解的IMF分量c n(t)；
    Figure PCTCN2019077936-appb-100002
    式中，i＝1,2,...N；n＝1,2,...N,c i,n(t)为第i次EMD所得到的第n个IMF。
  3. 根据权利要求1所述的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，所述步骤三具体为：利用EEMD进行信号的多尺度分解后，按如下定义标准化模量的累计均值MSAM：
    Figure PCTCN2019077936-appb-100003
    式中：mean为均值函数；std为标准差函数。
  4. 根据权利要求1所述的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，所述步骤五具体包括如下步骤：
    步骤105：以离散傅立叶变换X(f)的形式表示的叠加重构信号x(t)的MSB可以被定义为：
    B MS(f c，f x)＝E<X(f c+f x)X(f c-f x)X *(f c)X *(f c)>
    其中B MS(f c，f x)表示叠加重构信号x(t)的双谱，E<>表示期望，f c为调制频率，f x为载波频率，(f c+f x)和(f c-f x)分别为上、下边带频率；
    步骤106：对步骤105所得的MSB进行改善，通过消除实质影响来修改载波频率的f c分量，以便精确地量化边带幅度；改进后的MSB为MSB-SE，定义如下：
    Figure PCTCN2019077936-appb-100004
    其中B MS(f c，0)表示f x＝0时的平方功率谱；
    步骤107：计算在f x增量方向上MSB的平均值，以得到f c切片：
    Figure PCTCN2019077936-appb-100005
    其中Δf表示f x的分辨率；
    步骤108：计算多个最优的MSB切片的平均值，即得滚动轴承的故障特征频率，其表示为：
    Figure PCTCN2019077936-appb-100006
    其中N是选定的f c切片的总数。
PCT/CN2019/077936 2018-03-19 2019-03-13 基于eemd和msb的滚动轴承故障特征提取方法 WO2019179340A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810223936.9A CN108446629A (zh) 2018-03-19 2018-03-19 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法
CN201810223936.9 2018-03-19

Publications (1)

Publication Number Publication Date
WO2019179340A1 true WO2019179340A1 (zh) 2019-09-26

Family

ID=63195099

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/077936 WO2019179340A1 (zh) 2018-03-19 2019-03-13 基于eemd和msb的滚动轴承故障特征提取方法

Country Status (2)

Country Link
CN (1) CN108446629A (zh)
WO (1) WO2019179340A1 (zh)

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796303A (zh) * 2019-10-24 2020-02-14 国网安徽省电力有限公司电力科学研究院 一种基于ewt和odbscan的短期电力负荷预测方法
CN111737848A (zh) * 2020-05-12 2020-10-02 南京航空航天大学 基于时域应变信号分解的起重机械主梁结构裂纹识别方法
CN111783544A (zh) * 2020-06-02 2020-10-16 华侨大学 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
CN111815065A (zh) * 2020-07-21 2020-10-23 东北大学 基于长短时记忆神经网络的短期电力负荷预测方法
CN111898556A (zh) * 2020-08-01 2020-11-06 华东交通大学 基于ck指标一致的轴承瞬态冲击特征提取方法
CN111982488A (zh) * 2020-08-26 2020-11-24 上海德意达电子电器设备有限公司 一种基于gemd包络谱分析的车轴故障的诊断方法
CN112001115A (zh) * 2020-07-17 2020-11-27 西安理工大学 一种半监督动态软测量网络的软测量建模方法
CN112101245A (zh) * 2020-09-18 2020-12-18 丽水市特种设备检测院 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN112183439A (zh) * 2020-10-13 2021-01-05 上海明略人工智能(集团)有限公司 信号特征提取方法、系统、计算机可读存储介质及电子设备
CN112215394A (zh) * 2020-09-01 2021-01-12 西安交通大学 换流变压器振动信号的预测方法、装置、设备及存储介质
CN112269095A (zh) * 2020-09-07 2021-01-26 西安理工大学 基于故障电流间歇性重燃与熄灭特征的故障检测方法
CN112507769A (zh) * 2020-08-10 2021-03-16 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN112528857A (zh) * 2020-12-10 2021-03-19 上海海事大学 一种基于eemd的往复摩擦振动信号的降噪方法
CN112766127A (zh) * 2021-01-12 2021-05-07 南京信息工程大学 基于互补集合模态分解和sg滤波的雷云点电荷定位方法
CN112836583A (zh) * 2021-01-05 2021-05-25 沈阳工业大学 一种风力机故障诊断方法
CN112926014A (zh) * 2021-01-19 2021-06-08 北京化工大学 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法
CN112949491A (zh) * 2021-03-02 2021-06-11 丽水市特种设备检测院 基于DMD和t-SNE的液压泵故障分析方法及系统
CN113029566A (zh) * 2021-02-02 2021-06-25 王晓东 基于改进eemd与med的滚动轴承故障声发射特征提取方法
CN113052000A (zh) * 2021-02-04 2021-06-29 江苏科技大学 一种船舶机械设备早期微弱故障信号特征诊断方法
CN113221996A (zh) * 2021-04-30 2021-08-06 山东大学 一种基于多头注意力机制的轴承故障诊断方法及系统
CN113238190A (zh) * 2021-04-12 2021-08-10 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113390631A (zh) * 2021-06-15 2021-09-14 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN114061956A (zh) * 2021-11-11 2022-02-18 太原理工大学 一种强噪声干扰下的滚动轴承复合故障特征分离方法
CN114112400A (zh) * 2021-12-01 2022-03-01 盐城工学院 一种基于多角度信息融合的机械轴承故障诊断方法
CN114152454A (zh) * 2020-09-08 2022-03-08 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN114166509A (zh) * 2022-02-10 2022-03-11 中国人民解放军海军工程大学 一种电机轴承故障预测方法
CN114462451A (zh) * 2022-01-24 2022-05-10 北京航空航天大学 用于机械故障诊断的特征模态分解方法
CN114487104A (zh) * 2022-01-13 2022-05-13 大连锅炉压力容器检验检测研究院有限公司 基于优化变分模态相关系数对起重设备损伤的实时监测方法
CN114509267A (zh) * 2022-01-20 2022-05-17 哈尔滨工程大学 一种基于CEEMDAN与Bi-LSTM的滚动轴承小样本不平衡故障诊断方法
CN114608827A (zh) * 2022-03-23 2022-06-10 郑州恩普特科技股份有限公司 一种轴承微弱故障诊断方法
CN115077902A (zh) * 2022-05-02 2022-09-20 西北工业大学 双层滑移窗相关峭度的航空发动机试验数据故障检测方法
CN115659128A (zh) * 2022-12-12 2023-01-31 浙江工业大学 一种基于集合经验模态分解法和功率谱的信号降噪方法
CN116304570A (zh) * 2023-03-23 2023-06-23 昆明理工大学 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法
CN116610941A (zh) * 2023-07-21 2023-08-18 山东科技大学 快速峭度图轴承复合故障诊断方法、系统、设备以及介质
CN116609440A (zh) * 2023-05-22 2023-08-18 浙江嘉宇工程管理有限公司 基于云边协同的建筑工程质量智能验收管理方法及系统
CN117232841A (zh) * 2022-12-27 2023-12-15 西安交通大学 基于非线性稀疏的航空中介轴承瞬时动频故障诊断方法
CN117349661A (zh) * 2023-12-04 2024-01-05 浙江大学高端装备研究院 柱塞泵振动信号特征提取方法、装置、设备和存储介质
CN117493778A (zh) * 2024-01-03 2024-02-02 河北雄安睿天科技有限公司 一种供排水设备关联数据在线监测方法及系统
CN117574057A (zh) * 2023-11-24 2024-02-20 昆明理工大学 一种立式水泵机组智能故障诊断方法
CN117629636A (zh) * 2023-12-05 2024-03-01 哈尔滨工程大学 一种燃机滚动轴承的健康评估、故障诊断方法及系统
CN117992874A (zh) * 2024-04-02 2024-05-07 青岛奥维特智能科技有限公司 用于建筑施工的风险检测方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446629A (zh) * 2018-03-19 2018-08-24 河北工业大学 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法
CN111207926B (zh) * 2019-12-27 2022-02-01 三明学院 一种基于滚动轴承故障诊断方法、电子装置及存储介质
CN111504645B (zh) * 2020-04-30 2021-03-02 西安交通大学 一种基于频域多点峭度的滚动轴承故障诊断方法
CN112906158A (zh) * 2021-02-25 2021-06-04 武汉科技大学 一种基于多传感器多元数据融合的机械故障诊断方法
CN113376470B (zh) * 2021-07-08 2022-11-22 广西电网有限责任公司电力科学研究院 一种防雷器运行状态远程监控系统
CN114994175B (zh) * 2022-05-18 2023-01-17 国营芜湖机械厂 模态分解双谱分析的空耦超声应力检测装置及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091096A (zh) * 2013-01-23 2013-05-08 北京信息科技大学 基于eemd和小波包变换的早期故障敏感特征提取方法
CN104316317A (zh) * 2014-10-08 2015-01-28 西北工业大学 一种基于com组件的齿轮系统多故障诊断方法
CN105226694A (zh) * 2015-10-16 2016-01-06 中国电力科学研究院 基于模糊经验模态分解的储能平滑新能源发电控制方法
CN108446629A (zh) * 2018-03-19 2018-08-24 河北工业大学 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778357B (zh) * 2012-08-15 2014-10-15 重庆大学 基于最优参数集合经验模式分解的机械故障特征提取方法
CN103900815A (zh) * 2014-04-02 2014-07-02 兰州交通大学 一种基于eemd和分布拟合检验的滚动轴承故障诊断方法
CN104634571B (zh) * 2015-02-06 2017-12-08 北京航空航天大学 一种基于lcd‑mf的滚动轴承故障诊断方法
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091096A (zh) * 2013-01-23 2013-05-08 北京信息科技大学 基于eemd和小波包变换的早期故障敏感特征提取方法
CN104316317A (zh) * 2014-10-08 2015-01-28 西北工业大学 一种基于com组件的齿轮系统多故障诊断方法
CN105226694A (zh) * 2015-10-16 2016-01-06 中国电力科学研究院 基于模糊经验模态分解的储能平滑新能源发电控制方法
CN108446629A (zh) * 2018-03-19 2018-08-24 河北工业大学 基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIANGE TIAN: "A robust detector for rolling element bearing condition monitoring based on the modulation signal bispectrum and its performance eva- luation against the Kurtogramh", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, vol. 100, 27 July 2017 (2017-07-27), pages 167 - 187, XP055637315 *

Cited By (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796303A (zh) * 2019-10-24 2020-02-14 国网安徽省电力有限公司电力科学研究院 一种基于ewt和odbscan的短期电力负荷预测方法
CN110796303B (zh) * 2019-10-24 2023-11-07 国网安徽省电力有限公司电力科学研究院 一种基于ewt和odbscan的短期电力负荷预测方法
CN111737848A (zh) * 2020-05-12 2020-10-02 南京航空航天大学 基于时域应变信号分解的起重机械主梁结构裂纹识别方法
CN111783544B (zh) * 2020-06-02 2023-09-01 华侨大学 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
CN111783544A (zh) * 2020-06-02 2020-10-16 华侨大学 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
CN112001115A (zh) * 2020-07-17 2020-11-27 西安理工大学 一种半监督动态软测量网络的软测量建模方法
CN112001115B (zh) * 2020-07-17 2024-04-02 西安理工大学 一种半监督动态软测量网络的软测量建模方法
CN111815065A (zh) * 2020-07-21 2020-10-23 东北大学 基于长短时记忆神经网络的短期电力负荷预测方法
CN111815065B (zh) * 2020-07-21 2023-08-29 东北大学 基于长短时记忆神经网络的短期电力负荷预测方法
CN111898556A (zh) * 2020-08-01 2020-11-06 华东交通大学 基于ck指标一致的轴承瞬态冲击特征提取方法
CN111898556B (zh) * 2020-08-01 2024-04-16 华东交通大学 基于ck指标一致的轴承瞬态冲击特征提取方法
CN112507769A (zh) * 2020-08-10 2021-03-16 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN112507769B (zh) * 2020-08-10 2023-10-27 北京化工大学 一种基于仿真传感器谐振增强特征的轴承故障诊断方法
CN111982488A (zh) * 2020-08-26 2020-11-24 上海德意达电子电器设备有限公司 一种基于gemd包络谱分析的车轴故障的诊断方法
CN112215394A (zh) * 2020-09-01 2021-01-12 西安交通大学 换流变压器振动信号的预测方法、装置、设备及存储介质
CN112215394B (zh) * 2020-09-01 2023-08-15 西安交通大学 换流变压器振动信号的预测方法、装置、设备及存储介质
CN112269095A (zh) * 2020-09-07 2021-01-26 西安理工大学 基于故障电流间歇性重燃与熄灭特征的故障检测方法
CN114152454B (zh) * 2020-09-08 2024-03-22 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN114152454A (zh) * 2020-09-08 2022-03-08 中国科学院上海高等研究院 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN112101245A (zh) * 2020-09-18 2020-12-18 丽水市特种设备检测院 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN112101245B (zh) * 2020-09-18 2024-02-02 丽水市特种设备检测院 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN112183439A (zh) * 2020-10-13 2021-01-05 上海明略人工智能(集团)有限公司 信号特征提取方法、系统、计算机可读存储介质及电子设备
CN112528857A (zh) * 2020-12-10 2021-03-19 上海海事大学 一种基于eemd的往复摩擦振动信号的降噪方法
CN112836583B (zh) * 2021-01-05 2024-04-12 沈阳工业大学 一种风力机故障诊断方法
CN112836583A (zh) * 2021-01-05 2021-05-25 沈阳工业大学 一种风力机故障诊断方法
CN112766127B (zh) * 2021-01-12 2023-08-22 南京信息工程大学 基于互补集合模态分解和sg滤波的雷云点电荷定位方法
CN112766127A (zh) * 2021-01-12 2021-05-07 南京信息工程大学 基于互补集合模态分解和sg滤波的雷云点电荷定位方法
CN112926014B (zh) * 2021-01-19 2023-08-29 北京化工大学 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法
CN112926014A (zh) * 2021-01-19 2021-06-08 北京化工大学 基于rls与rssd的滚动轴承声信号多频带融合故障诊断方法
CN113029566A (zh) * 2021-02-02 2021-06-25 王晓东 基于改进eemd与med的滚动轴承故障声发射特征提取方法
CN113052000A (zh) * 2021-02-04 2021-06-29 江苏科技大学 一种船舶机械设备早期微弱故障信号特征诊断方法
CN113052000B (zh) * 2021-02-04 2024-02-02 江苏科技大学 一种船舶机械设备早期微弱故障信号特征诊断方法
CN112949491B (zh) * 2021-03-02 2024-02-09 丽水市特种设备检测院 基于DMD和t-SNE的液压泵故障分析方法及系统
CN112949491A (zh) * 2021-03-02 2021-06-11 丽水市特种设备检测院 基于DMD和t-SNE的液压泵故障分析方法及系统
CN113238190B (zh) * 2021-04-12 2023-07-21 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113238190A (zh) * 2021-04-12 2021-08-10 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113221996A (zh) * 2021-04-30 2021-08-06 山东大学 一种基于多头注意力机制的轴承故障诊断方法及系统
CN113390631A (zh) * 2021-06-15 2021-09-14 大连理工大学 一种柴油机齿轮箱故障诊断方法
CN114061956B (zh) * 2021-11-11 2023-08-04 太原理工大学 一种强噪声干扰下的滚动轴承复合故障特征分离方法
CN114061956A (zh) * 2021-11-11 2022-02-18 太原理工大学 一种强噪声干扰下的滚动轴承复合故障特征分离方法
CN114112400A (zh) * 2021-12-01 2022-03-01 盐城工学院 一种基于多角度信息融合的机械轴承故障诊断方法
CN114487104B (zh) * 2022-01-13 2024-02-02 大连锅炉压力容器检验检测研究院有限公司 基于优化变分模态相关系数对起重设备损伤的实时监测方法
CN114487104A (zh) * 2022-01-13 2022-05-13 大连锅炉压力容器检验检测研究院有限公司 基于优化变分模态相关系数对起重设备损伤的实时监测方法
CN114509267A (zh) * 2022-01-20 2022-05-17 哈尔滨工程大学 一种基于CEEMDAN与Bi-LSTM的滚动轴承小样本不平衡故障诊断方法
CN114462451B (zh) * 2022-01-24 2024-06-07 北京航空航天大学 用于机械故障诊断的特征模态分解方法
CN114462451A (zh) * 2022-01-24 2022-05-10 北京航空航天大学 用于机械故障诊断的特征模态分解方法
CN114166509A (zh) * 2022-02-10 2022-03-11 中国人民解放军海军工程大学 一种电机轴承故障预测方法
CN114608827A (zh) * 2022-03-23 2022-06-10 郑州恩普特科技股份有限公司 一种轴承微弱故障诊断方法
CN115077902B (zh) * 2022-05-02 2024-04-26 西北工业大学 双层滑移窗相关峭度的航空发动机试验数据故障检测方法
CN115077902A (zh) * 2022-05-02 2022-09-20 西北工业大学 双层滑移窗相关峭度的航空发动机试验数据故障检测方法
CN115659128A (zh) * 2022-12-12 2023-01-31 浙江工业大学 一种基于集合经验模态分解法和功率谱的信号降噪方法
CN115659128B (zh) * 2022-12-12 2023-04-07 浙江工业大学 一种基于集合经验模态分解法和功率谱的信号降噪方法
CN117232841B (zh) * 2022-12-27 2024-05-28 西安交通大学 基于非线性稀疏的航空中介轴承瞬时动频故障诊断方法
CN117232841A (zh) * 2022-12-27 2023-12-15 西安交通大学 基于非线性稀疏的航空中介轴承瞬时动频故障诊断方法
CN116304570B (zh) * 2023-03-23 2023-10-27 昆明理工大学 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法
CN116304570A (zh) * 2023-03-23 2023-06-23 昆明理工大学 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法
CN116609440B (zh) * 2023-05-22 2023-11-28 浙江嘉宇工程管理有限公司 基于云边协同的建筑工程质量智能验收管理方法及系统
CN116609440A (zh) * 2023-05-22 2023-08-18 浙江嘉宇工程管理有限公司 基于云边协同的建筑工程质量智能验收管理方法及系统
CN116610941A (zh) * 2023-07-21 2023-08-18 山东科技大学 快速峭度图轴承复合故障诊断方法、系统、设备以及介质
CN116610941B (zh) * 2023-07-21 2023-09-22 山东科技大学 快速峭度图轴承复合故障诊断方法、系统、设备以及介质
CN117574057A (zh) * 2023-11-24 2024-02-20 昆明理工大学 一种立式水泵机组智能故障诊断方法
CN117574057B (zh) * 2023-11-24 2024-05-28 昆明理工大学 一种立式水泵机组智能故障诊断方法
CN117349661B (zh) * 2023-12-04 2024-02-20 浙江大学高端装备研究院 柱塞泵振动信号特征提取方法、装置、设备和存储介质
CN117349661A (zh) * 2023-12-04 2024-01-05 浙江大学高端装备研究院 柱塞泵振动信号特征提取方法、装置、设备和存储介质
CN117629636A (zh) * 2023-12-05 2024-03-01 哈尔滨工程大学 一种燃机滚动轴承的健康评估、故障诊断方法及系统
CN117629636B (zh) * 2023-12-05 2024-05-24 哈尔滨工程大学 一种燃机滚动轴承的健康评估、故障诊断方法及系统
CN117493778B (zh) * 2024-01-03 2024-03-22 河北雄安睿天科技有限公司 一种供排水设备关联数据在线监测方法及系统
CN117493778A (zh) * 2024-01-03 2024-02-02 河北雄安睿天科技有限公司 一种供排水设备关联数据在线监测方法及系统
CN117992874A (zh) * 2024-04-02 2024-05-07 青岛奥维特智能科技有限公司 用于建筑施工的风险检测方法及系统

Also Published As

Publication number Publication date
CN108446629A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
WO2019179340A1 (zh) 基于eemd和msb的滚动轴承故障特征提取方法
CN107505135B (zh) 一种滚动轴承复合故障提取方法及系统
Guo et al. Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition
Yan et al. Improved Hilbert–Huang transform based weak signal detection methodology and its application on incipient fault diagnosis and ECG signal analysis
Lei et al. Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs
Zhao et al. A tacho-less order tracking technique for large speed variations
Saidi et al. Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis
JP6133112B2 (ja) 転がり軸受の診断装置および転がり軸受の診断方法
Li et al. Criterion fusion for spectral segmentation and its application to optimal demodulation of bearing vibration signals
Wang et al. Rolling element bearing fault diagnosis via fault characteristic order (FCO) analysis
Hao et al. Morphological undecimated wavelet decomposition for fault diagnostics of rolling element bearings
Li et al. Multi-scale autocorrelation via morphological wavelet slices for rolling element bearing fault diagnosis
CN103499445A (zh) 一种基于时频切片分析的滚动轴承故障诊断方法
Wang et al. A novel adaptive wavelet stripping algorithm for extracting the transients caused by bearing localized faults
Zhang et al. A two-step denoising strategy for early-stage fault diagnosis of rolling bearings
CN110779724B (zh) 一种基于频域组稀疏降噪的轴承故障诊断方法
US11927501B2 (en) Method and device for monitoring a gear system
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
Barbini et al. Phase editing as a signal pre-processing step for automated bearing fault detection
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
Jena et al. Radial ball bearing inner race defect width measurement using analytical wavelet transform of acoustic and vibration signal
CN109029999A (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
CN117836599A (zh) 检测旋转系统中轴承缺陷的方法以及实施该方法的监控系统
CN114486263B (zh) 一种旋转机械滚动轴承振动信号降噪解调方法
Li et al. Biphase randomization wavelet bicoherence for mechanical fault diagnosis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19771500

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19771500

Country of ref document: EP

Kind code of ref document: A1