CN116659860A - 一种服役环境下航空发动机主轴承故障演化监测新方法 - Google Patents
一种服役环境下航空发动机主轴承故障演化监测新方法 Download PDFInfo
- Publication number
- CN116659860A CN116659860A CN202211302257.3A CN202211302257A CN116659860A CN 116659860 A CN116659860 A CN 116659860A CN 202211302257 A CN202211302257 A CN 202211302257A CN 116659860 A CN116659860 A CN 116659860A
- Authority
- CN
- China
- Prior art keywords
- bearing
- envelope
- fault
- frequency band
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005096 rolling process Methods 0.000 claims abstract description 63
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 238000004901 spalling Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 10
- 238000013508 migration Methods 0.000 claims abstract description 7
- 230000005012 migration Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 101100139861 Arabidopsis thaliana RL2 gene Proteins 0.000 claims description 3
- 101100139864 Arabidopsis thaliana RL5 gene Proteins 0.000 claims description 3
- 101100037607 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) rms5 gene Proteins 0.000 claims description 3
- 101100037606 Pisum sativum RMS3 gene Proteins 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- YAVQULWQXQRTKS-UHFFFAOYSA-N RMS3 Natural products C1=C(O)C(OC)=CC(CC2C(C(=O)OC2)(CC=2C=C(OC)C(O)=CC=2)OC2C(C(O)C(O)C(CO)O2)O)=C1 YAVQULWQXQRTKS-UHFFFAOYSA-N 0.000 claims description 3
- 101100141529 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RKM4 gene Proteins 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- MSANRIKNONNWHX-LUTQBAROSA-N maplexin A Natural products O[C@@H]1[C@@H](CO)OC[C@H](O)[C@H]1OC(=O)C1=CC(O)=C(O)C(O)=C1 MSANRIKNONNWHX-LUTQBAROSA-N 0.000 claims description 3
- RLDCPODFUAIPRT-LUTQBAROSA-N maplexin B Natural products OC[C@H]1OC[C@H](O)[C@@H](O)[C@@H]1OC(=O)C1=CC(O)=C(O)C(O)=C1 RLDCPODFUAIPRT-LUTQBAROSA-N 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 230000005428 wave function Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 230000035939 shock Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 230000001133 acceleration Effects 0.000 abstract description 5
- 230000000737 periodic effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 39
- 230000015556 catabolic process Effects 0.000 description 7
- 238000006731 degradation reaction Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009661 fatigue test Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Discrete Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种复杂传递路径下军用航空发动机滚动轴承早期故障识别和演化状态监测方法，包括以下步骤：S1：针对采集的振动加速度信号，通过小波分解重构，提取共振频带；S2：采用自相关分析，抑制非周期噪声干扰；S3：Hilbert包络检波；S4：通过快速傅里叶变换得到包络谱，构造包络谱特征值，来反应当前状态下轴承的健康状况；S5：基于频带能量迁移特征，计算不同时刻频带包络能量时间序列，进行平滑和归一化处理，监测滚动轴承的故障演化状态。本发明能够实现强噪声背景和复杂传递路径影响下军用航空发动机滚动轴承的早期微弱剥落故障检测，相较于传统监测特征更加敏感，能够更早、更清晰地对故障进行预警，且构造了用于滚动轴承剥落故障演化监测的频带包络特征，为持续提升军用航空发动机使用安全水平提供了好用的监控方法，对于有效地实施军用航空发动机滚动轴承状态监测、故障诊断和健康管理具有重要意义。
Description
技术领域
本发明属于军用航空发动机机械系统故障诊断领域，具体涉及一种复杂传递路径下军用航空发动机滚动轴承早期故障识别和演化状态监测方法。
背景技术
滚动轴承是航空发动机的重要支承部件，对航空发动机的使用安全、寿命和可靠性具有重大影响。受国内设计和制造技术水平的限制，轴承一直是国产发动机的薄弱环节，发生了多起轴承失效事故征候，且诊断能力明显不足。因此，针对滚动轴承故障特点，对滚动轴承的早期故障进行识别，在轴承故障演化状态进行检测，可以为持续提升军用航空发动机使用安全水平提供了好用的监控方法，为我国三代发动机提升健康诊断能力，四代、五代战斗机发动机推行视情维修和开展健康管理提供技术支撑。
滚动轴承故障诊断最有效、最常用的方法是通过振动监测提取其故障特征频率，但是受军用航空发动机复杂传递路径和强噪声干扰的影响，实际测得的滚动轴承振动信号中存在其他机械部件振动分量和噪声的干扰，因此研究重点在于从振动信号中提取被大量噪声淹没和传递路径衰减下的故障特征，构造合适的特征量，能够尽早发现滚动轴承的早期剥落现象，而不至于等到轴承出现大面积剥落后才告警。另外，在早期告警的基础上，还需要进一步识别处故障的演化过程，监测滚动轴承当前的健康状态。
本发明提出一种复杂传递路径下军用航空发动机滚动轴承早期故障识别和演化状态监测方法，利用小波变换和自相关分析方法实现强噪声背景下的滚动轴承微弱故障特征的提取，构造出用于早期故障告警的特征量，同时，构造出轴承剥落故障演化监测的频带包络能量特征量，利用滚动轴承故障演化不同阶段在频带上的迁移性，监测滚动轴承当前的故障演化状态，在轴承标准数据集、试验器试验以及发动机主轴承故障整机试验当中应用，验证结果表明可有效实现轴承故障状态的识别和演化监测。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种复杂传递路径下军用航空发动机滚动轴承早期故障识别和演化状态监测方法。
本发明为解决上述技术问题采用以下技术方案：
一种复杂传递路径下军用航空发动机滚动轴承早期故障识别和演化状态监测方法，包括以下步骤：
S1：对采集原始待测信号进行离散二进小波变换，以db8小波作为基底进行5层小波分解，获得一系列细节信号d1-d5及近似信号a1；
S2：通过自相关分析抑制由步骤S1得到的细节信号中的非周期性成分，得到降噪信号；
S3：对步骤S2得到的降噪后的细节信号进行Hilbert变换，得到一系列细节信号di的包络信号时域波形；
S4：通过快速傅里叶变换得到包络谱，构造包络谱特征值，反映当前状态下轴承的健康状况；
S5：基于频带能量迁移特征，计算不同时刻频带包络能量时间序列，进行平滑和归一化处理，监测滚动轴承的故障演化状态。
所述步骤S1具体包括：
S1-1：设有振动信号x(t)，采集得到离散序列x(n)，n＝1,2,L,N，设在尺度j＝0时有c0(n)＝x(n)，则x(t)的离散二进小波变换确定如下：
其中，h(k)与g(k)是共轭滤波器系数，可由小波母波函数ψ(x)确定。尺度函数由两尺度关系确定：
其中
相应地，小波函数
其中
g(k)＝(-1)kh(1-k)
S1-2：离散信号x(n)经过尺度1,2,L,j的分解，最终分解为d1′,d2′,...,dj′和cj′，分别包含了从高频到低频的不同频带信息。
所述步骤S2具体包括：
对小波分解后的振动信号进行自相关分析，设某时刻信号为x(t)，时延τ后的信号为x(t+τ)，则自相关函数定义为：
其离散形式为：
其中，T为信号对应的时长，N为离散信号的长度，τ是延时，k是离散信号序列间隔。其卷积形式为：
根据时域卷积定理，有
其中，IDFT(·)是离散傅里叶逆变换，X(f)由x(i)经离散傅里叶变换得到，X*(f)是X(f)的共轭。
所述步骤S4具体包括：
S4-1：设fE是包络频谱的分析带宽，fd为故障特征频率(包括外圈、内圈和滚动体)。该分析带宽通常是fE＞3max(fd)，包络谱为W(f)，设包络谱W(f)谱线的数目为Ne，则包络谱的平均值Sea为：
S4-2：再令包络谱中的故障特征频率各阶倍频处的谱线平均值，设包络谱中故障频率的谱线数ne，则：
S4-3：构造一个无量纲特征量，来表征当前状态下的轴承故障情况：
ΔSe＝Sed/Sea
S4-4：实际上，根据轴承转速和基本参数计算得到的特征频率与包络频谱中的特征频率往往并不一致，通常采用在理论计算的故障频率fd附近小范围内寻找一个最大频谱值作为W(fd)，通常，搜索范围可设置为±5Hz。最后得到的无量纲特征量为各尺度下的小波包络谱得到的特征量最大值。
所述步骤S5具体包括：
S5-1：计算S1中6个频带包络信号的有效值：EWRMS1、EWRMS2、EWRMS3、EWRMS4、EWRMS5、EWRMS6；
S5-2：计算全寿命周期内不同时刻ti(i＝1,2,3,…,N)，重复S1-S3，计算得到频带包络能量时间序列EWRMS1i、EWRMS2i、EWRMS3i、EWRMS4i、EWRMS5i、EWRMS6i(i＝1,2,3,…,N)；
S5-3：为了便于对滚动轴承故障演化进行监测，需要对频带包络能量特征进行平滑和归一化处理。设原始频带包络能量时间序列为EWRMSji(i＝1,2,3,…N；j＝1,2,3,4,5,6)。平滑窗口的数据点数为W，当前的监测点为k，累计监测点数为N，则平滑归一化后的频带包络能量时间序列为：
S5-4：利用前述得到的频带包络特征来监测滚动轴承在不同演化阶段的特征。
作为本发明的滚动轴承故障演化状态监测方法，所述步骤S5-4具体包括：
滚动轴承的故障演化过程的频率分布有一个明显的特点，往往在高频段(20kHz以上)、中频段(5kHz—20kHz)和低频段(5kHz以下)都有表现。
S5-4-1：第1阶段：高频段(20kHz以上)，早期故障冲击产生压缩波，其频率在20kHz以上；
S5-4-2：第2阶段：中频段的频率范围为5kHz—20kHz，主要是轴承固有频率及其倍频。如果轴承原件表面有损伤则其将引起轴承元件的共振，通过分析此频段内的振动信号，可以比较好地诊断出轴承的损伤类故障，且振动信号在频谱上表现为，在固有频率附近出现以滚动轴承特征频率为宽度的调制边频带。通过对共振频带的信号进行包络检波和频谱分析即可得到信号的特征频率。
S5-4-3：第3阶段：低频段的频率范围为0—5000Hz，覆盖了轴承的故障特征频率，但是这一频段易受机械中其他零件及结构的影响，并且在故障初期反映损伤类故障冲击的特征频率成分信息的能量很小，信噪比较低，通常被其他噪声和大能量成分湮没；在此阶段，轴承故障通常处于较为稳定的扩展阶段，随着剥落故障的持续扩展，轴承故障的冲击能量持续增大并超出背景噪声水平，此时在低频段(5kHz以下)频谱，就会出现轴承故障特征频率及其谐波。
S5-4-4：第4阶段：随着故障的继续发展，磨损加剧，滚动轴承将出现很大的间隙，导致轴承偏心，等周旋转时，内圈重心(轴心)将绕外圈重心摆动，此时轴承间隙松动故障起到主导作用，这一阶段甚至影响1X(即转速的1倍频)分量，并引起其它倍频分量2X(即转速的2倍频)、3X(即转速的3倍频)等的增大。轴承故障频率和固有频率开始“消失”被随机振动或噪音代替。
S5-4-5：滚动轴承的故障演化是从高频到低频的一个能量迁移过程，在演化的早期阶段，故障能量集中在高频段；在演化的中期，故障能量集中在中频段；在演化的晚期，故障能量集中在低频段。可以通过计算小波包络分析得到的各个频带信号的包络信号有效值来反映故障的演化过程。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1)本发明所采用的滚动轴承早期故障识别方法，仅利用小波变换、自相关分析及包络分析方法即可实现滚动轴承微弱故障特征的提取和演化监控，构造的特征量能够准确识别滚动轴承早期故障和故障演化状态。
2)相较于有效值等传统监测特征，本发明所构造的基于小波包络谱的早期告警特征值更加敏感，能够更早、更清晰地对故障进行预警；
3)基于小波包络分析，本发明依据滚动轴承故障演化过程中频带能量迁移特征所构造的频带包络特征，能够有效监测滚动轴承在不同演化阶段的特征，与试验结果一致性好，可作为轴承外圈故障诊断的有效指标和有利判据。
综上，本发明方法能够实现滚动轴承剥落早期故障识别以及故障演化状态监测，对于有效地实施滚动军用航空发动机滚动轴承状态监测、故障诊断和健康管理具有重要意义。
附图说明
图1是本发明方法的流程图；
图2是(a)滚动轴承疲劳试验台及(b)加载示意图；
图3是ZA-2115轴承试验后外圈故障实物图；
图4是ZA-2115轴承全寿命振动信号有效值监控结果；
图5是ZA-2115轴承全寿命振动信号外圈包络特征值监控结果；
图6是ZA-2115轴承全寿命振动信号频带包络能量FBEE1监控结果；
图7是ZA-2115轴承全寿命振动信号频带包络能量FBEE2监控结果；
图8是ZA-2115轴承全寿命振动信号频带包络能量FBEE3监控结果；
图9是ZA-2115轴承全寿命振动信号频带包络能量FBEE4监控结果；
图10是ZA-2115轴承全寿命振动信号频带包络能量FBEE5监控结果；
图11是ZA-2115轴承全寿命振动信号频带包络能量FBEE6监控结果；
图12是ABLT-1A型轴承强化试验机；
图13是HRB-6206轴承试验后内圈故障实物图；
图14是HRB-6206轴承全寿命振动信号有效值监控结果；
图15是HRB-6206轴承全寿命振动信号内圈包络特征值监控结果；
图16是HRB-6206轴承全寿命振动信号频带包络能量FBEE1监控结果；
图17是HRB-6206轴承全寿命振动信号频带包络能量FBEE2监控结果；
图18是HRB-6206轴承全寿命振动信号频带包络能量FBEE3监控结果；
图19是HRB-6206轴承全寿命振动信号频带包络能量FBEE4监控结果；
图20是HRB-6206轴承全寿命振动信号频带包络能量FBEE5监控结果；
图21是HRB-6206轴承全寿命振动信号频带包络能量FBEE6监控结果；
图22是(a)某型国产军用航空发动机主轴承剥落故障试车前剥落形貌及(b)试车后磨损形貌；
图23是某型国产军用航空发动机主轴承剥落故障试车振动信号有效值监控结果；
图24是某型国产军用航空发动机主轴承剥落故障试车振动信号外圈包络特征值监控结果；
图25是某型国产军用航空发动机主轴承剥落故障试车振动信号频带包络能量FBEE1监控结果；
图26是某型国产军用航空发动机主轴承剥落故障试车振动信号频带包络能量FBEE2监控结果；
图27是某型国产军用航空发动机主轴承剥落故障试车振动信号频带包络能量FBEE3监控结果；
图28是某型国产军用航空发动机主轴承剥落故障试车振动信号频带包络能量FBEE4监控结果；
图29是某型国产军用航空发动机主轴承剥落故障试车振动信号频带包络能量FBEE5监控结果；
图30是某型国产军用航空发动机主轴承剥落故障试车振动信号频带包络能量FBEE6监控结果。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明公开了一种复杂传递路径下军用航空发动机滚动轴承剥落早期故障识别及演化状态监测方法，包括以下步骤：
S1：对采集原始待测信号进行离散二进小波变换，以db8小波作为基底进行5层小波分解，获得一系列细节信号d1-d5及近似信号a1；
S2：通过自相关分析抑制由步骤S1得到的细节信号中的非周期性成分，得到降噪信号；
S3：对步骤S2得到的降噪后的细节信号进行Hilbert变换，得到一系列细节信号di的包络信号时域波形；
S4：通过快速傅里叶变换得到包络谱，构造包络谱特征值，来反应当前状态下轴承的健康状况；
S5：基于频带能量迁移特征，计算不同时刻频带包络能量时间序列，进行平滑和归一化处理，监测滚动轴承的故障演化状态。
所述步骤S1具体包括：
S1-1：设有某振动信号x(t)，采集得到离散序列x(n)，n＝1,2,L,N，设在尺度j＝0时有c0(n)＝x(n)，则x(t)的离散二进小波变换确定如下：
其中，h(k)与g(k)是共轭滤波器系数，可由小波母波函数ψ(x)确定。尺度函数由两尺度关系确定：
其中
相应地，小波函数
其中
g(k)＝(-1)kh(1-k)
S1-2：离散信号x(n)经过尺度1,2,L,j的分解，最终分解为d1′,d2′,...,dj′和cj′，分别包含了从高频到低频的不同频带信息。
所述步骤S2具体包括：
对小波分解后的振动信号进行自相关分析，设某时刻信号为x(t)，时延τ后的信号为x(t+τ)，则自相关函数定义为：
其离散形式为：
其中，T为信号对应的时长，N为离散信号的长度，τ是延时，k是离散信号序列间隔。其卷积形式为：
根据时域卷积定理，有
其中，IDFT(·)是离散傅里叶逆变换，X(f)由x(i)经离散傅里叶变换得到，X*(f)是X(f)的共轭。
所述步骤S4具体包括：
S4-1：设fE是包络频谱的分析带宽，fd为故障特征频率(包括外圈、内圈和滚动体)。该分析带宽通常是fE＞3max(fd)，包络谱为W(f)，设包络谱W(f)谱线的数目为Ne，则包络谱的平均值Sea为：
S4-2：再令包络谱中的故障特征频率各阶倍频处的谱线平均值，设包络谱中故障频率的谱线数ne，则：
S4-3：构造一个无量纲特征量，来表征当前状态下的轴承故障情况：
ΔSe＝Sed/Sea
S4-4：实际上，根据轴承转速和基本参数计算得到的特征频率与包络频谱中的特征频率往往并不一致，通常采用在理论计算的故障频率fd附近小范围内寻找一个最大频谱值作为W(fd)，通常，搜索范围可设置为5Hz。最后得到的无量纲特征量为各尺度下的小波包络谱得到的特征量最大值。
所述步骤S5具体包括：
S5-1：计算S1中6个频带包络信号的有效值：EWRMS1、EWRMS2、EWRMS3、EWRMS4、EWRMS5、EWRMS6；
S5-2：计算全寿命周期内不同时刻ti(i＝1,2,3,…,N)，重复S1-S3，计算得到频带包络能量时间序列EWRMS1i、EWRMS2i、EWRMS3i、EWRMS4i、EWRMS5i、EWRMS6i(i＝1,2,3,…,N)；
S5-3：为了便于对滚动轴承故障演化进行监测，需要对频带包络能量特征进行平滑和归一化处理。设原始频带包络能量时间序列为EWRMSji(i＝1,2,3,…N；j＝1,2,3,4,5,6)。平滑窗口的数据点数为W，当前的监测点为k，累计监测点数为N，则平滑归一化后的频带包络能量时间序列为：
S5-4：利用前述得到的频带包络特征来监测滚动轴承在不同演化阶段的特征。
作为本发明的滚动轴承故障演化状态监测方法，所述步骤S5-4具体包括：
滚动轴承的故障演化过程的频率分布有一个明显的特点，往往在高频段(20kHz以上)、中频段(5kHz—20kHz)和低频段(5kHz以下)都有表现。
S5-4-1：第1阶段：高频段(20kHz以上)，早期故障冲击产生压缩波，其频率在20kHz以上；
S5-4-2：第2阶段：中频段的频率范围为5kHz—20KHz，主要是轴承固有频率及其倍频。如果轴承原件表面有损伤则其将引起轴承元件的共振，通过分析此频段内的振动信号，可以比较好地诊断出轴承的损伤类故障，且振动信号在频谱上表现为，在固有频率附近出现以滚动轴承特征频率为宽度的调制边频带。通过对共振频带的信号进行包络检波和频谱分析即可得到信号的特征频率。
S5-4-3：第3阶段：低频段的频率范围为0—5000Hz，覆盖了轴承的故障特征频率，但是这一频段易受机械中其他零件及结构的影响，并且在故障初期反映损伤类故障冲击的特征频率成分信息的能量很小，信噪比较低，通常被其他噪声和大能量成分湮没；在此阶段，轴承故障通常处于较为稳定的扩展阶段，随着剥落故障的持续扩展，轴承故障的冲击能量持续增大并超出背景噪声水平，此时在低频段(5kHz以下)频谱，就会出现轴承故障特征频率及其谐波。
S5-4-4：第4阶段：随着故障的继续发展，磨损加剧，滚动轴承将出现很大的间隙，导致轴承偏心，等周旋转时，内圈重心(轴心)将绕外圈重心摆动，此时轴承间隙松动故障起到主导作用，这一阶段甚至影响1X分量，并引起其它倍频分量2X、3X等的增大。轴承故障频率和固有频率开始“消失”被随机振动或噪音代替。
S5-4-5：滚动轴承的故障演化是从高频到低频的一个能量迁移过程，在演化的早期阶段，故障能量集中在高频段；在演化的中期，故障能量集中在中频段；在演化的晚期，故障能量集中在低频段。可以通过计算小波包络分析得到的各个频带信号的包络信号有效值来反映故障的演化过程。
试验所用轴承故障数据来源于美国辛辛那提大学智能维护系统中心(IMSCenter)的全寿命疲劳加速试验。试验所用轴承型号为Rexnord ZA-2115，轴承参数在表1中给出。试验台由四个安装在轴上的滚动轴承组成，通过摩擦带连接到电机转动，径向受载为26.67KN，其转速恒定为2000rpm，其结构如图2所示。PCB 353B33高灵敏度ICP加速度传感器放置在每个轴承座上，采样频率为20480Hz，每个样本采样点数为20480，采样间隔时长为10分钟。试验中3号轴承出现外圈剥落失效，如图3。
表1 ZA-2115轴承的几何尺寸
| 型号 | 节径/mm | 接触角 | 滚珠直径/mm | 滚子数 |
| ZA2115 | 71.5 | 15.17° | 8.4 | 16 |
对上述轴承外圈故障振动数据，分别提取其试验过程中的轴承振动有效值和本发明所构造的外圈包络特征值，其变化趋势如图4-5所示。从图中可以看出，轴承振动有效值在运行119.2小时(B点)开始出现上升，由此可以判断在这个时刻轴承运行状态异常，随后有效值快速增加直到轴承损坏停机。而外圈包络特征值在87.1小时(A点)前，数值趋于平稳，稳定在1.5左右，判断此前轴承稳定运行，随后包络特征值出现突增，并且数值愈来愈大，之后虽有下降趋势，但是数值一直稳定5之上，远超正常运行的指标，由此可以认为轴承在A点出现异常。因此，相较于有效值，包络特征值对滚动轴承早期故障更加敏感，能够更早、更清晰地对故障进行预警。
按照图1所示的方法，对上述试验数据进行故障演化状态监测，可得到6个频带能量监测时间序列，如图6～11所示，并结合图4的有效值结果，可得到如表2所示的滚动轴承的关键演化点。从频带包络能量FBEE1(5120-10240Hz)和FBEE2(2560-5120Hz)结果可得，在第87.1小时后波形开始突增，并持续波动，该特征值反映了轴承高频段的振动特征，对应故障演化的早期阶段；从频带包络能量FBEE3(1280-2560Hz)结果可得，从第119.2小时波形开始突增，并持续波动，该特征值反映了轴承中频段的振动特征，对应故障演化的中期阶段；从频带包络能量FBEE4(640-1280Hz)结果可得，该特征值没有反映了轴承的演化，表明在该频段没有轴承故障信息。从频带包络能量FBEE5(320-640Hz)结果可得，从试验开始到第144小时左右，波形趋于平稳，整体集中在0.75-1.25左右，在第144.3小时后波形开始突增，该特征值反映了轴承低频段的振动特征，对应故障演化的晚期阶段，且特征值在D点发生突变，表明此时轴承已经开始失效。从频带包络能量FBEE6(0-320Hz)结果可知，该特征值没有反映了轴承的故障演化，表明在该频段没有轴承故障信息。从有效值结果可知，在162.5小时轴承完全失效，试验停止。
表2滚动轴承的关键演化时间节点
| 时间节点 | A | B | C | D | E |
| 时间/h | 87.1 | 119.2 | 144.3 | 158.3 | 162.5 |
为了验证说明本发明所述方法的泛化性和普适性，采用另一组轴承内圈故障试验数据进行验证。试验平台采用杭州轴承试验中心研制的ABLT-1A轴承强化试验机，如图12所示。试验轴承安装在试验头里，同时在轴承座上安装4个振动加速度传感器测试滚动轴承的振动加速度。试验所用轴承为HRB6206深沟球轴承，其主要参数如表2所示。试验恒定转速为11500rpm，试验时每个轴承承受径向载荷6.25KN。采样频率为32000Hz，每隔0.1小时存一次样本，经过30小时的运转，轴承试验因有效值过大而停止。最终轴承发生了内圈剥落故障，如图13所示。
表3 HRB 6206深沟球轴承的主要参数
| 内径 | 外径 | 厚度 | 滚珠直径 | 节径 | 滚珠数 | 接触角 |
| 30mm | 62mm | 16mm | 9.5mm | 46mm | 9 | 0° |
试验周期内轴承的有效值如图14所示。从有效值的变化趋势来看，轴承约在第25小时内开始发生明显故障，随后故障情况缓慢持续恶化，但其退化起始点较为模糊。图15为内圈的小波包络特征值趋势图。从图中可以看出，内圈包络特征值在第20.9小时开始出现了特征值的剧烈上升，且之后一直保持较为激烈的波动状态，观察结果较有效值和峭度更为清晰，表明此时轴承内圈出现了明显故障，可以将A点(20.9小时)作为退化起始点。
对滚动轴承全寿命疲劳试验数据进行故障演化监测，计算得到6个频带能量监测时间序列，分别如图16-21所示，结合图14的有效值，可以得到如表4所示的滚动轴承的关键演化点。从中可以看出，频带包络能量FBEE1(8000-16000Hz)和FBEE2(4000-8000Hz)在第20.9小时波形开始突增，并持续波动，该特征值反映了轴承高频段的振动特征，对应故障演化的早期阶段；频带包络能量FBEE3(2000-4000Hz)在25.5小时波形波动明显，整体有上升趋势，该特征值反映了轴承中频段的振动特征，对应故障演化的中期阶段；频带包络能量FBEE4(1000-2000Hz)、频带包络能量FBEE5(500-1000Hz)和频带包络能量FBEE6(0-500Hz)没有反映轴承的演化，表明在该频段没有轴承故障信息。从各个频带包络能量特征来看，该轴承剥落故障主要在早期，还没有发展到中期和晚期，因此，只有在高频段才能检测到轴承的演化过程，可以将A点作为退化起始点。可以推测，如果继续试验，剥落故障将不断演化，在中频段和低频段的频带包络特征中将能够观察到其演化过程。
表4滚动轴承的关键演化时间节点
| 时间节点 | A | B | C | D |
| 时间/h | 20.9 | 25.5 | 26.8 | 30 |
为了进一步说明本发明所述方法对真实发动机使用环境的适用性，选取某型国产军用航空发动机主轴承剥落故障整机台架试车数据，轴承外圈故障剥落尺寸约为3毫米*5.5毫米，属于早期剥落，如图22。传感器安装于中介机匣机载振动监控测点，采样频率为200kHz。试验累计155小时34分钟，最终因滑油温度迅速增加，振动与金属屑信号告警而停止，停车后分解检查发现轴承外圈滚道完全烧毁，内圈滚道压伤，有黑色凝结物。
试验周期内振动信号的有效值如图23，可知有效值变换剧烈，起伏波动，无法找到退化起始点，直至第141.9小时后，才有上升趋势。外圈包络特征值变化趋势如图24，可以看出与有效值相似，外圈特征值变换剧烈，起伏波动，无法找到退化起始点，直至第153.6小时后，才有上升趋势。有效值与外圈特征值均无法找到退化起始点，也无法确定轴承明显故障的时间，仍需进一步分析。
对试验数据进行故障演化监测，计算得到6个频带能量监测时间序列，分别如图25-30所示，可以得到如表5所示的滚动轴承的关键演化点。从中可以看出，频带包络能量FBEE1(50000-100000Hz)和频带包络能量FBEE2(25000-50000Hz)整体波动剧烈，波形杂乱，表明在该频段没有轴承故障信息，无法反映轴承的故障演化过程；频带包络能量FBEE3(12500-25000Hz)和频带包络能量FBEE4(6250-12500Hz)虽整体上升趋势，但波动剧烈，波形杂乱，表明在该频段包含一定的轴承故障信息，但无法明确反映轴承的故障演化过程。频带包络能量FBEE5(3125-6250Hz)在第108.9小时波形突增，在第135.1小时后整体有明显上升趋势，反映了轴承故障中频段的振动特征，可将108.9小时为轴承的演化中期阶段的时间起点A；频带包络能量FBEE6(0-3125Hz)在128.9小时之前，波形趋于平稳，整体集中在0.8-1.2之间，之后，波形开始突增，并保持整体明显的上升趋势，前后的波形形成鲜明对比，反映了轴承低频段的振动特征，从图中可以很明显地看出晚期阶段为从B点(128.9小时)到C点(155.5小时)。
表5滚动轴承的关键演化时间节
| 时间节点 | A | B | C |
| 时间/h | 108.9 | 128.9 | 155.5 |
从各个频带包络能量特征来看，该轴承剥落故障主要在中期和晚期阶段，由于剥落扩展速度较快，只有在FBEE6对应低频段才能检测到轴承的演化晚期阶段(B点到C点)，在FBEE5对应的中频段可以检测到轴承的演化中期阶段的起点A点，因此推测轴承的演化中期阶段的起止时间为A点到B点。在FBEE3和FBEE4对应的中频段虽然波形抖动剧烈，但也可以看到演化中期阶段A点到B点的存在，验证了推测的演化中期阶段起止时间点的正确性。由于剥落扩展速度较快，无法检测出轴承的早期演化，无明显退化起始点。FBEE6在轴承演化的早期和中期阶段波形十分平稳，在轴承演化的晚期过程波形开始突增，前后形成鲜明对比，可以将B点作为轴承明显故障点。相比于有效值等传统监测特征，频带包络能量对轴承故障更加敏感、可靠，可以作为轴承外圈故障诊断的有效指标和有利判据。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，上述仅为本发明具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种服役环境下航空发动机主轴承故障演化监测新方法，其特征在于，包括以下步骤：
S1：对采集原始待测信号进行离散二进小波变换，以db8小波作为基底进行5层小波分解，获得一系列细节信号d1-d5及近似信号a1；
S2：通过自相关分析抑制由步骤S1得到的细节信号中的非周期性成分，得到降噪信号；
S3：对步骤S2得到的降噪后的细节信号进行Hilbert变换，得到一系列细节信号di的包络信号时域波形；
S4：通过快速傅里叶变换得到包络谱，构造包络谱特征值，来反应当前状态下轴承的健康状况。
2.根据权利要求1所述的轴承早期故障识别和演化状态监测方法，其特征在于，还包括如下步骤：
S5：基于频带能量迁移特征，计算不同时刻频带包络能量时间序列，进行平滑和归一化处理，提取健康状况趋势，监测滚动轴承的故障演化状态。
3.根据权利要求1所述的轴承早期故障识别和演化状态监测方法，其特征在于，
所述步骤S1中小波变换的具体操作为：
S1-1：设有某振动信号x(t)，采集得到离散序列x(n)，n＝1，2，…，N，设在尺度j＝0时有c0(n)＝x(n)，则x(t)的离散二进小波变换确定如下：
其中，h(k)与g(k)是共轭滤波器系数，可由小波母波函数ψ(x)确定，尺度函数由两尺度关系确定：
其中
相应地，小波函数
其中
g(k)＝(-1)kh(1-k)
S1-2：离散信号x(n)经过尺度1，2，…，j的分解，最终分解为d1′，d2′，...，dj′和cj′，分别包含了从高频到低频的不同频带信息。
4.根据权利要求1所述的轴承早期故障识别和演化状态监测方法，其特征在于，所述步骤S2中自相关分析的具体操作为：
对小波分解后的振动信号进行自相关分析，设某时刻信号为x(t)，时延τ后的信号为x(t+τ)，则自相关函数定义为：
其离散形式为：
其中，T为信号对应的时长，N为离散信号的长度，τ是延时，k是离散信号序列间隔，其卷积形式为：
根据时域卷积定理，有
其中，IDFT(·)是离散傅里叶逆变换，X(f)由x(i)经离散傅里叶变换得到，X*(f)是X(f)的共轭。
5.根据权利要求1所述的轴承早期故障识别和演化状态监测方法，其特征在于，所述步骤4的具体操作为：
S4-1：设fE是包络频谱的分析带宽，fd为外圈、内圈和滚动体故障的特征频率，设包络谱W(f)谱线的数目为Ne，则包络谱的平均值Sea为：
S4-2：再令包络谱中的故障特征频率等于各阶倍频处的谱线平均值，设包络谱中故障频率的谱线数为ne，则：
S4-3：构造一个无量纲特征量，来表征当前状态下的轴承故障情况：
ΔSe＝Sed/Sea。
6.根据权利要求4所述的轴承早期故障识别和演化状态监测方法，其特征在于：在理论计算的故障频率fd附近小范围内寻找一个最大频谱值作为W(fd)，搜索范围设置为±5Hz。
7.根据权利要求4所述的轴承早期故障识别和演化状态监测方法，其特征在于：最后得到的无量纲特征量为各尺度下的小波包络谱得到的特征量最大值。
8.根据权利要求1所述的轴承早期故障识别和演化状态监测方法，其特征在于，所述步骤5的具体操作为：
S5-1：计算S1中6个频带包络信号的有效值：EWRMS1、EWRMS2、EWRMS3、EWRMS4、EWRMS5、EWRMS6；
S5-2：全寿命周期内不同时刻ti(i＝1，2，3，…，N)，重复S1-S3，计算得到频带包络能量时间序列EWRMS1i、EWRMS2i、EWRMS3i、EWRMS4i、EWRMS5i、EWRMS6i(i＝1，2，3，…，N)；
S5-3：对频带包络能量特征进行平滑和归一化处理，原始频带包络能量时间序列为EWRMSji(i＝1，2，3，...N；j＝1，2，3，4，5，6)，平滑窗口的数据点数为W，当前的监测点为k，累计监测点数为N，平滑归一化后的频带包络能量时间序列为：
S5-4：利用前述得到的频带包络特征来监测滚动轴承在不同演化阶段的特征。
9.根据权利要求7所述的轴承早期故障识别和演化状态监测方法，其特征在于，所述S5-4中滚动轴承演化状态监测方法为：
S5-4-1：将滚动轴承的故障演化过程的频率分布分为20kHz以上的高频段、5KHz-20kHz的中频段、和5kHz以下的低频段；
S5-4-1：第1阶段：在高频段上，早期故障冲击产生压缩波，其频率在20kHz以上：
S5-4-2：第2阶段：在中频段上，主要是轴承固有频率及其倍频，通过分析此频段内的振动信号，诊断出轴承的损伤类故障；通过对共振频带的信号进行包络检波和频谱分析即可得到信号的特征频率；
S5-4-3：第3阶段：在低频段上，轴承故障通常处于较为稳定的扩展阶段，随着剥落故障的持续扩展，轴承故障的冲击能量持续增大并超出背景噪声水平，此时通过监控在低频段的频谱，来观察轴承故障特征频率及其谐波；
S5-4-4：第4阶段：随着故障的继续发展，磨损、剥落加剧，滚动轴承将出现很大的间隙，导致轴承偏心，等周旋转时，内圈重心将绕外圈重心摆动，此时轴承间隙松动故障起到主导作用，这一阶段将影响转速的1倍频分量，并引起其它倍频分量2倍频、3倍频等的增大，轴承故障频率和固有频率开始消失，并被随机振动或噪音代替；
S5-4-5：通过计算小波包络分析得到的各个频带信号的包络信号有效值来反映故障的演化过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211302257.3A CN116659860B (zh) | 2022-10-24 | 2022-10-24 | 一种服役环境下航空发动机主轴承故障演化监测新方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211302257.3A CN116659860B (zh) | 2022-10-24 | 2022-10-24 | 一种服役环境下航空发动机主轴承故障演化监测新方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116659860A true CN116659860A (zh) | 2023-08-29 |
| CN116659860B CN116659860B (zh) | 2024-03-22 |
Family
ID=87712375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211302257.3A Active CN116659860B (zh) | 2022-10-24 | 2022-10-24 | 一种服役环境下航空发动机主轴承故障演化监测新方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116659860B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972638A (zh) * | 2024-04-01 | 2024-05-03 | 南京航空航天大学 | 一种航空发动机主轴承故障的多源多特征融合诊断方法 |
| CN117993125A (zh) * | 2024-04-03 | 2024-05-07 | 南京航空航天大学 | 一种航空发动机滚动轴承剥落故障演化的宏观动力学模型 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005300517A (ja) * | 2004-03-17 | 2005-10-27 | Nippon Steel Corp | ころがり軸受の異常診断方法および装置 |
| US20070277613A1 (en) * | 2004-03-31 | 2007-12-06 | Takuzo Iwatsubo | Method And Device For Assessing Residual Service Life Of Rolling Bearing |
| JP2017219469A (ja) * | 2016-06-09 | 2017-12-14 | 日本精工株式会社 | 状態監視装置及び状態監視方法 |
| US20190145856A1 (en) * | 2016-05-24 | 2019-05-16 | Nuovo Pignone Tecnologie Srl | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
| WO2020039565A1 (ja) * | 2018-08-23 | 2020-02-27 | 村田機械株式会社 | 回転機械に用いられる軸受の異常診断方法 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| CN113865871A (zh) * | 2021-11-03 | 2021-12-31 | 沈阳航空航天大学 | 一种基于故障特征倍频能量判决的滚动轴承故障诊断方法 |
-
2022
- 2022-10-24 CN CN202211302257.3A patent/CN116659860B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005300517A (ja) * | 2004-03-17 | 2005-10-27 | Nippon Steel Corp | ころがり軸受の異常診断方法および装置 |
| US20070277613A1 (en) * | 2004-03-31 | 2007-12-06 | Takuzo Iwatsubo | Method And Device For Assessing Residual Service Life Of Rolling Bearing |
| US20190145856A1 (en) * | 2016-05-24 | 2019-05-16 | Nuovo Pignone Tecnologie Srl | Method and system to monitor the health status of a rolling bearing of a machinery, and machinery equipped with said system |
| JP2017219469A (ja) * | 2016-06-09 | 2017-12-14 | 日本精工株式会社 | 状態監視装置及び状態監視方法 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| WO2020039565A1 (ja) * | 2018-08-23 | 2020-02-27 | 村田機械株式会社 | 回転機械に用いられる軸受の異常診断方法 |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
| CN113865871A (zh) * | 2021-11-03 | 2021-12-31 | 沈阳航空航天大学 | 一种基于故障特征倍频能量判决的滚动轴承故障诊断方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972638A (zh) * | 2024-04-01 | 2024-05-03 | 南京航空航天大学 | 一种航空发动机主轴承故障的多源多特征融合诊断方法 |
| CN117972638B (zh) * | 2024-04-01 | 2024-06-07 | 南京航空航天大学 | 一种航空发动机主轴承故障的多源多特征融合诊断方法 |
| CN117993125A (zh) * | 2024-04-03 | 2024-05-07 | 南京航空航天大学 | 一种航空发动机滚动轴承剥落故障演化的宏观动力学模型 |
| CN117993125B (zh) * | 2024-04-03 | 2024-06-04 | 南京航空航天大学 | 一种航空发动机滚动轴承剥落故障演化的宏观动力学模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116659860B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116659860B (zh) | 一种服役环境下航空发动机主轴承故障演化监测新方法 | |
| Dibaj et al. | Incipient fault diagnosis of bearings based on parameter-optimized VMD and envelope spectrum weighted kurtosis index with a new sensitivity assessment threshold | |
| Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
| Hemmati et al. | Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation | |
| Eftekharnejad et al. | The application of spectral kurtosis on acoustic emission and vibrations from a defective bearing | |
| Sadegh et al. | Classification of acoustic emission signals generated from journal bearing at different lubrication conditions based on wavelet analysis in combination with artificial neural network and genetic algorithm | |
| CN109682601A (zh) | 一种变转速工况下滚动轴承的早期故障识别方法 | |
| Liu | Shannon wavelet spectrum analysis on truncated vibration signals for machine incipient fault detection | |
| Shakya et al. | Vibration-based fault diagnosis in rolling element bearings: ranking of various time, frequency and time-frequency domain data-based damage identi cation parameters | |
| Li et al. | Early fault diagnosis of rotating machinery by combining differential rational spline-based LMD and K–L divergence | |
| JPH09113416A (ja) | ころがり軸受の損傷診断方法 | |
| US20240361206A1 (en) | Method for detecting a bearing defect in a rotating system and monitoring system implementing this method | |
| CN107665337B (zh) | 一种轴承滚动体故障增强诊断方法 | |
| CN113418705B (zh) | 一种滚动轴承早期故障诊断方法 | |
| Chaudhari et al. | Vibration analysis for bearing fault detection in electrical motors | |
| Zheng et al. | Faults diagnosis of rolling bearings based on shift invariant K-singular value decomposition with sensitive atom nonlocal means enhancement | |
| Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
| Luo et al. | Fault diagnosis of rolling element bearing using an adaptive multiscale enhanced combination gradient morphological filter | |
| CN106441899A (zh) | 基于振动信号检测卫星动量轮轴承损伤诊断及筛选方法 | |
| CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
| CN115711738B (zh) | 一种服役环境下航空发动机主轴承故障特征频率提取方法 | |
| CN113029566A (zh) | 基于改进eemd与med的滚动轴承故障声发射特征提取方法 | |
| Wang et al. | An enhanced diagnosis method for weak fault features of bearing acoustic emission signal based on compressed sensing | |
| Jeong et al. | Enhanced DET‐Based Fault Signature Analysis for Reliable Diagnosis of Single and Multiple‐Combined Bearing Defects | |
| CN116644280A (zh) | 一种发动机主轴承故障高频振动诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |