[go: up one dir, main page]

CN109668733B - 变分非线性模式分解变转速轴承故障诊断方法 - Google Patents

变分非线性模式分解变转速轴承故障诊断方法 Download PDF

Info

Publication number
CN109668733B
CN109668733B CN201811571587.6A CN201811571587A CN109668733B CN 109668733 B CN109668733 B CN 109668733B CN 201811571587 A CN201811571587 A CN 201811571587A CN 109668733 B CN109668733 B CN 109668733B
Authority
CN
China
Prior art keywords
frequency
variational
fault
fault characteristic
nonlinear mode
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
Application number
CN201811571587.6A
Other languages
English (en)
Other versions
CN109668733A (zh
Inventor
江星星
郭文军
周建芹
石娟娟
杜贵府
黄伟国
朱忠奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN201811571587.6A priority Critical patent/CN109668733B/zh
Publication of CN109668733A publication Critical patent/CN109668733A/zh
Application granted granted Critical
Publication of CN109668733B publication Critical patent/CN109668733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种变分非线性模式分解变转速轴承故障诊断方法。本发明一种变分非线性模式分解变转速轴承故障诊断方法，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。

Description

变分非线性模式分解变转速轴承故障诊断方法
技术领域
本发明涉及轴承诊断领域，具体涉及一种变分非线性模式分解变转速轴承故障诊断方法。
背景技术
旋转机械设备正朝着大型化、精密化和智能化的方向发展，机械零部件的状态直接影响到机械设备的运行状态及其安全状况，而滚动轴承是各类旋转机械中最常用的零部件之一。因此，对滚动轴承的健康状态进行检测极为重要。当轴承部件出现故障时，会产生周期性的瞬态冲击响应，如何对其进行有效提取和准确评估是轴承故障诊断的关键。但是，由于工作环境的复杂性，从设备现场采集的振动信号往往是变转速、变载荷的，信号具有非线性和非平稳性的特征，从而严重影响了故障特征信号的识别。因此，开展变转速工况下滚动轴承瞬态特征提取与故障判别具有实际意义。
传统技术存在以下技术问题：
目前已发展了许多变转速轴承故障诊断方法，其中阶次跟踪是变工况设备故障诊断常用分析方法之一，具有较强的抗噪性，采用阶次谱代替传统的频谱以降低图谱模糊现象。硬件阶次跟踪方法是最早的阶次分析技术，它依靠转速计提供所需的转频信息，但安装成本和工作环境限制了其使用范围。近年来，逐渐有学者将基于信号时频分析的无键相阶次跟踪方法引入到变转速信号处理领域，发展出了基于广义解调方法和同步挤压算法增加时频聚集性；利用小波脊线识别方法分析了变转速工况下机轴承故障信号；综合集合经验模态分解方法和阶次跟踪回技术对速度波动信号进行解调得到故障特征。需注意的是，在实际时频分析中，传统方法的时频图聚集性差、计算复杂、时效性欠佳，因而脊线提取的频率信息不够准确。
发明内容
本发明要解决的技术问题是提供特征信息分离的变分非线性模式分解变转速轴承故障诊断方法。
为了解决上述技术问题，本发明提供了一种变分非线性模式分解变转速轴承故障诊断方法，包括：
利用振动信号传感器收集滚动轴承动态信号；
从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；
采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；
以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；
对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。
在其中一个实施例中，“从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；”具体包括以下步骤：
对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200Hz，涵盖所需的转频信息，得到低频分量x1(t)；
对振动信号x(t)进行共振解调，共振频段选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法可以表示为
Figure BDA0001915667100000031
式中，<>表示时间平均函数，|X(t,fc)|表示时频信号在频率点fc的包络。
在其中一个实施例中，“采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；”包括以下步骤：
信号x(t)的短时傅里叶变换(STFT)可以表示为
Figure BDA0001915667100000032
式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，Sx(τ,ω)是信号x(t)的STFT结果；
采用脊线提取算法分别搜索低频段转频脊线和共振带故障特征频率脊线，脊线提取具体算法为
Figure BDA0001915667100000033
Figure BDA0001915667100000034
Figure BDA0001915667100000035
式中，Δf代表连续点之间的最大间隔频率，fR和fL分别代表频率搜索的前进和后退方向，tR和tL分别是时间移动的前进和后退方向在提取转频脊线时，需预估转频所在范围，以便对结果进行修正；同理可以提取出共振频段的故障特征频率曲线。
在其中一个实施例中，“以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；”中的变分非线性模式分解方法为：采用交替乘子法求解变分约束模型：
Figure BDA0001915667100000041
其中，Γ(ω)是一个罚函数，Ω是修正的二阶差分算子，λ表示拉格朗日乘子，α表示二次惩罚项。
在其中一个实施例中，具体过程为：初始化相关参数λ和α，设置停止准则，并且将预提取出的转频和故障特征频率作为初始值，输入到变分约束模型中，经过一系列迭代分解后，得到准确估计的转频和故障特征频率。
在其中一个实施例中，“对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。”中的特征阶次计算方法为：
Figure BDA0001915667100000042
其中，
Figure BDA0001915667100000043
和
Figure BDA0001915667100000044
分别表示变分非线性模式分解优化后的故障特征频率和转频；至此，得到的阶次比值与标准值进行比较以判断故障的具体类型。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
本发明提出了一种特征信息分离的变分非线性模式分解变转速轴承故障诊断方法，克服了传统时频分析方法中脊线信息提取困难的问题，能够通过变分非线性模式分解方法对预提取出的脊线信息进行优化，提高频率估计的准确性；
在提出的方法中使用了频带分离方式从低频带提取转频信息，从共振带提取故障特征频率信息，减少了噪声的干扰；
在提出的方法中，通过计算特征阶次判断故障类型，可以避免传统阶次谱重采样过程中引入的误差，同时减少计算量。
附图说明
图1特征信息分离的变分非线性模式分解变转速轴承故障诊断方法的流程图。
图2模拟信号波形。
图3快速谱峭度分解结果。
图4各频带信号包络和时频图(a)低频带信号包络(b)低频带时频表示(c)共振带信号包络(d)共振带时频表示。
图5脊线提取方法分析结果(a)转频脊线提取结果(b)故障特征频率脊线提取结果。
图6本发明的变分非线性模式分解方法优化结果(a)转频脊线优化结果(b)故障特征频率脊线优化结果。
图7传统峰值搜索方法和原始变分非线性模式分解方法提取结果(a)峰值搜索方法转频脊线提取结果(b)峰值搜索方法故障特征频率脊线提取结果(c)原始变分非线性模式分解方法转频脊线提取结果(d)原始变分非线性模式分解方法故障特征频率脊线提取结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明提供了一种特征信息分离的变分非线性模式分解变转速轴承故障诊断方法。该方法是在脊线预提取方法的基础上，采用变分非线性模式分解方法自适应地实现频率脊线的准确估计，克服了传统时频分析方法存在的难题。
本发明的目的是这样实现的，本发明包括如下步骤：
(1)利用振动信号传感器收集滚动轴承动态信号。
(2)从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离。
(3)采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息。
(4)以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率。
(5)对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。
进一步的，所述步骤2具体包括以下步骤：
步骤2.1：对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200Hz，涵盖所需的转频信息，得到低频分量x1(t)；
步骤2.2：对振动信号x(t)进行共振解调，共振频段选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法可以表示为
Figure BDA0001915667100000061
式中，<>表示时间平均函数，|X(t,fc)|表示时频信号在频率点fc的包络。
进一步的，所述步骤3具体包括以下步骤：
步骤3.1：信号x(t)的短时傅里叶变换(STFT)可以表示为
Figure BDA0001915667100000071
式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，Sx(τ,ω)是信号x(t)的STFT结果。
步骤3.2：采用脊线提取算法分别搜索低频段转频脊线和共振带故障特征频率脊线，脊线提取具体算法为
Figure BDA0001915667100000072
Figure BDA0001915667100000073
Figure BDA0001915667100000074
式中，Δf代表连续点之间的最大间隔频率，fR和fL分别代表频率搜索的前进和后退方向，tR和tL分别是时间移动的前进和后退方向。但由于轴承安装过程中可能存在轴不平衡等问题，以致提取出的能量最大的脊线可能为转频或其倍频。因此，在提取转频脊线时，需预估转频所在范围，以便对结果进行修正。同理可以提取出共振频段的故障特征频率曲线。
进一步的，所述步骤4的变分非线性模式分解方法为：采用交替乘子法求解变分约束模型：
Figure BDA0001915667100000075
其中，Γ(ω)是一个罚函数，Ω是修正的二阶差分算子，λ表示拉格朗日乘子，α表示二次惩罚项。具体过程为：初始化相关参数λ和α，设置停止准则，并且将预提取出的转频和故障特征频率作为初始值，输入到变分约束模型中，经过一系列迭代分解后，得到准确估计的转频和故障特征频率。
进一步的，所述步骤5的特征阶次计算方法为：
Figure BDA0001915667100000076
其中，
Figure BDA0001915667100000081
和
Figure BDA0001915667100000082
分别表示变分非线性模式分解优化后的故障特征频率和转频。至此，得到的阶次比值与标准值进行比较以判断故障的具体类型。
图1显示了本发明的具体实施步骤，该方法在分别提取低频带分量和共振带分量后，用脊线提取方法粗略的估计转频和故障特征频率，然后用变分非线性模式分解方法，以预估计的转频和故障特征频率最为初始值，对低频带分量和共振带分量进行迭代分解，直到获取准确的转频和故障特征频率，最后对其进行特征阶次计算，比对滚动轴承关键部位理论故障特征阶次以确定故障类型。
由传感器收集的滚动轴承动态信号往往包含旋转轴的转频、故障冲击成分以及随机噪声。当轴承出现局部缺陷后，局部缺陷激励的微弱故障特征包含在振动信号中，对其进行准确提取是判断轴承故障状态的必要条件，下面构建模拟信号来说明本发明的处理效果。模拟信号由3种组成模式构成：
Figure BDA0001915667100000083
其中，第一项表示周期瞬态故障冲击成分；第二项表示转轴的旋转分量，包含其倍频成分；第三项表示模拟信号中添加的随机背景噪声，利用MATLAB软件中的函数AWGN(X，SNR，‘measured’)加入高斯白噪声来得到信噪比(SNR＝5dB),信号的采样频率为10kHz。以上各项物理量的数值如下表1所示。
表1模拟信号各物理量的值
Figure BDA0001915667100000084
图2所示为模拟信号的时域波形。快速谱峭度方法提取共振带结果如图3所示。频带分离后的低频包络和时频图以及解调包络和时频图如图4(a)-(d)所示。根据脊线提取方法可以粗略提取出信号的转频和故障特征频率信息如图5所示。再利用变分非线性模式分解方法处理预估计出转频和故障特征频率，得到如图6所示的优化估计结果。对得到图6(a)和(b)所示准确的转频和故障特征频率进行特征阶次计算，其计算阶次2.6967与实际设置的理论故障特征阶次2.7几乎一致。由上可知，本发明方法能够有效地提取出强干扰成分下的轴承动态信号中转频与故障特征频率成分。
运用现有峰值搜索方法和原始变分非线性模式分解方法分析相同的模拟信号来与本发明进行比较。图7(a)-(b)中给出了峰值搜索方法方法提取出的转频和故障特征频率，图7(c)-(d)给出了原始变分非线性模式分解方法提取出的转频和故障特征频率。可以分析得知，传统的峰值搜索方法和原始变分非线性模式分解方法得到的部分频率信息虽然具有一定的准确性，但总体上其精度明显弱于本发明方法得到的结果。
本发明具有轴承微弱故障信号处理能力，提取结果精度高，抗干扰能力强、鲁棒性好。
需要注意的是图中的VNCMD指的是变分非线性模式分解方法。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种变分非线性模式分解变转速轴承故障诊断方法，其特征在于，包括：
利用振动信号传感器收集滚动轴承振动信号；
从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振频带，从而实现频带分离；
采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略频率信息；
以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；
对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型；
“从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振频带，从而实现频带分离；”具体包括以下步骤：
对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200Hz，涵盖所需的转频信息，得到低频分量x1(t)；
对振动信号x(t)进行共振解调，共振频带选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法表示为
Figure FDA0002512878820000011
式中，<·>表示时间平均函数，|X(t,fc)|表示时频信号在频率点fc的包络；
“采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略频率信息；”包括以下步骤：
振动信号x(t)的短时傅里叶变换表示为
Figure FDA0002512878820000021
式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，Sx(τ,ω)是振动信号x(t)的短时傅里叶变换结果；
采用脊线提取算法分别搜索低频段转频脊线和共振频带故障特征频率脊线，脊线提取具体算法为
Figure FDA0002512878820000022
Figure FDA0002512878820000023
Figure FDA0002512878820000024
式中，Δf代表连续点之间的最大间隔频率，fR和fL分别代表频率搜索的前进和后退方向，tR和tL分别是时间移动的前进和后退方向；在提取转频脊线时，需预估转频所在范围，以便对结果进行修正；同理能够提取出共振频带的故障特征频率曲线；
“以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；”中的变分非线性模式分解方法为：采用交替乘子法求解变分约束模型：
Figure FDA0002512878820000025
其中，Γ(ω)是一个罚函数，Ω是修正的二阶差分算子，λ表示拉格朗日乘子，α表示二次惩罚项；
具体过程为：初始化相关参数λ和α，设置停止准则，并且将预提取出的转频和故障特征频率作为初始值，输入到所述变分约束模型中，经过一系列迭代分解后，得到准确估计的转频和故障特征频率；
“对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型”中的特征阶次计算方法为：
Figure FDA0002512878820000031
其中，
Figure FDA0002512878820000032
和
Figure FDA0002512878820000033
分别表示变分非线性模式分解优化后的故障特征频率和转频；至此，得到的阶次比值与理论值进行比较以判断故障的具体类型。
2.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述方法的步骤。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。
4.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1所述的方法。
CN201811571587.6A 2018-12-21 2018-12-21 变分非线性模式分解变转速轴承故障诊断方法 Active CN109668733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811571587.6A CN109668733B (zh) 2018-12-21 2018-12-21 变分非线性模式分解变转速轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811571587.6A CN109668733B (zh) 2018-12-21 2018-12-21 变分非线性模式分解变转速轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN109668733A CN109668733A (zh) 2019-04-23
CN109668733B true CN109668733B (zh) 2020-07-28

Family

ID=66145876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811571587.6A Active CN109668733B (zh) 2018-12-21 2018-12-21 变分非线性模式分解变转速轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN109668733B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109946081B (zh) * 2019-04-15 2020-09-22 北京航空航天大学 一种用于变转速下滚动轴承打滑时的故障诊断方法
CN110991564B (zh) * 2019-12-24 2023-05-26 安徽工业大学 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法
CN111307452B (zh) * 2020-03-05 2022-01-28 江苏天沃重工科技有限公司 一种时变转速下旋转机械智能故障诊断方法
CN111738068B (zh) * 2020-05-13 2024-04-02 南京航空航天大学 一种转速波动工况下的传动轴故障诊断方法和系统
CN111797789B (zh) * 2020-07-10 2024-02-06 合肥工业大学 一种用于故障特征判读的时频脊线提取方法及装置
CN112665851B (zh) * 2020-10-28 2023-04-07 西安交通大学 一种无键相变转速齿轮箱故障诊断方法
CN112484998B (zh) * 2020-11-16 2022-12-27 苏州大学文正学院 一种基于同步模态谱的风电机组轴承故障诊断方法
CN113125179B (zh) * 2021-03-11 2022-04-01 同济大学 一种旋转机械转速波动无键相阶次跟踪方法
CN115307909A (zh) * 2021-05-06 2022-11-08 国投生物科技投资有限公司 一种轴承转频的计算方法、装置和故障的判定方法
CN114018571B (zh) * 2021-10-28 2024-08-16 国能太仓发电有限公司 一种基于频率诱导变分模态分解的齿轮箱故障诊断方法
CN113984388B (zh) * 2021-10-29 2024-12-31 台州市特种设备检验检测研究院 一种用于滚动轴承故障诊断的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0686883B2 (ja) * 1990-02-20 1994-11-02 日機装株式会社 軸受監視装置
CN106769033B (zh) * 2016-11-30 2019-03-26 西安交通大学 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法
CN107525674B (zh) * 2017-05-27 2019-06-28 苏州大学 基于脊线概率分布和局部波动的转频估计方法及检测装置
CN108152025B (zh) * 2017-12-19 2019-08-06 苏州大学 自适应变分模式分解的机械微弱故障诊断方法
CN108983051B (zh) * 2018-07-25 2021-02-09 武汉科技大学 基于同步挤压小波变换的局部放电类型识别方法

Also Published As

Publication number Publication date
CN109668733A (zh) 2019-04-23

Similar Documents

Publication Publication Date Title
CN109668733B (zh) 变分非线性模式分解变转速轴承故障诊断方法
Cui et al. Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv
CN109635334A (zh) 基于粒子群优化的滚动轴承故障诊断方法、系统及介质
CN105547698B (zh) 滚动轴承的故障诊断方法及装置
Li et al. Automated and adaptive ridge extraction for rotating machinery fault detection
CN106017926A (zh) 基于变模态分解的滚动轴承故障诊断方法
CN107167306B (zh) 基于阶次提取的旋转机械转子运行状态模态分析方法
CN110991564B (zh) 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法
CN109063672A (zh) 一种基于自适应mckd的早期轴承外圈故障诊断方法
Rodopoulos et al. A parametric approach for the estimation of the instantaneous speed of rotating machinery
CN109029999B (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
Zhao et al. Vibration health monitoring of rolling bearings under variable speed conditions by novel demodulation technique
CN110763462A (zh) 一种基于同步压缩算子的时变振动信号故障诊断方法
CN109063668B (zh) 一种基于峰值保留降采样的冲击信号包络解调方法
CN114088077B (zh) 一种改进的半球谐振陀螺信号去噪方法
CN114813123A (zh) 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法
CN116698385B (zh) 一种抗强噪声干扰的机械设备健康状态监测方法和装置
CN116242610A (zh) 轴承故障检测方法、装置及电子设备
CN108398260B (zh) 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法
CN116067657B (zh) 一种滚动轴承故障诊断方法及系统
CN116380467A (zh) 一种基于多时频脊线提取的滚动轴承故障诊断方法
CN116519301A (zh) 一种基于时频包络谱峰值分析的轴承故障诊断方法及系统
CN113326782B (zh) 基于包络谱形态拟合的滚动轴承故障特征自动提取方法
CN111307426A (zh) 一种基于FrFT-EWT原理的旋转机械故障特征提取方法
CN105606894A (zh) 基于模拟退火算法的瞬时频率估计方法

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
GR01 Patent grant
GR01 Patent grant