A comparative study of various methods of bearing faults diagnosis using the CWRU data.-学习笔记
A comparative study of various methods of bearing faults diagnosis using the case Western Reserve University data.
Fault Diagnosis Methods:
1.Temporal Analysis
RMS:root mean square,根均方(RMS或RMS)被定义为平方根的的均方(该算术平均值的的方形的一组数字的)。
crest factor:波峰因数是波形的参数,例如交流电或声音,显示峰值与有效值之比。换句话说,波峰因数表示波形中的峰值有多极端。
impulse factor:
Kurtosis:峰度是一种统计量度,用于定义分布的尾部与正态分布的尾部有多大差异。换句话说,峰度确定给定分布的尾部是否包含极值。
结论:这些指标的增加有助于检测故障的发展,但其缺点是无法确定机器的有缺陷组件。
2.Fast Fourier Transform (FFT)
结论:从图5b,c可以看出,与图5a相比,线的振幅有所增加,证实了信号能量的变化(这表明存在缺陷)。 然而,轴承故障的频率峰值不足以区分。因此,FFT不是发现哪个轴承组件有故障的合适方法。
3.Cepstrum Analysis
CA或频率分析是一种非常有用的工具,可用于故障诊断(例如齿轮系和轴承)引起周期性冲击。 倒谱共有三种类型,分别是真实倒谱,复杂倒谱和幂倒谱。
Real Cepstrum:定义为信号傅立叶变换幅度的对数的傅立叶逆变换。
,
Complex Cepstrum:复倒频谱定义为信号的傅立叶变换的对数的傅立叶逆变换
Power Cepstrum:
(a)Real cepstrum of inner race fault and (b) its zoom [0–0.025] s
(a)Power cepstrum of inner race fault and (b) its zoom [0–0.025] s
a,b:最高峰值位于t = 6.2 ms和t = 6.4 ms。 它们对应于频率值:f = 161.29 Hz(= 1 / 0.0062)和f = 156.25 Hz(= 1 / 0.0064)。这些值非常接近内圈故障的计算频率:表2中列出的162.2和156.13 Hz。因此,通过此方法可以成功检测到内圈故障。
(c) Real cepstrum of outer race fault and (d) its zoom [0–0.025] s Hz
(c)Power cepstrum of outer race fault and (d) its zoom [0–0.025] s Hz
c,d:最高峰值位于t = 9.3 ms和t = 9.7 ms。 对应于这些峰值的频率为f = 107.52 Hz(= 1 / 0.0093)和f = 103.09 Hz(= 1 / 0.0097)。 这些值大致等于表2中列出的外圈故障在107.37和103.37 Hz处的计算频率。因此,通过此方法可以成功检测到外圈故障。
结论:CA可用于检测和诊断轴承故障。但是在零点附近会生成许多不需要的大峰,这使输出难以解释。同样,此技术中的基频位于图的右侧,这与查找基频的标准方法相反。
4.Envelope Analysis
EA是信号处理中最重要和最有效的技术之一。它使用调制信号提取故障特征。EA的工作方法包括三个操作:信号滤波,通过希尔伯特变换(HT)的应用对滤波后的信号进行包络提取,以及通过应用FFT确定包络的频谱。
信号x(t)的希尔伯特变换:
信号x(t)的解析信号(t):
信号的包络v(t)定义为分析的幅度:
XNameStr = 'X209_DE_time'
x = data_train[XNameStr]
#数字信号的取样频率
Fs = 12000
#FFT的长度
fft_size = 1024
xs = x[:fft_size]
hx = fftpack.hilbert(xs)
bxf = np.fft.rfft(np.sqrt(xs**2 + hx**2))
是转存失败重新上传取消转存失败重新上传取消的复共轭。
Discrete Wavelet Transform (DWT):
DWT是CWT的离散化,
转存失败重新上传取消转存失败重新上传取消
转存失败重新上传取消转存失败重新上传取消
转存失败重新上传取消转存失败重新上传取消
Discrete wavelet transform
转存失败重新上传取消转存失败重新上传取消
Spectrums of bearing faults by using CWT( Morlet wavelet), (b) inner race fault, (c) outer race fault
Wavelet Packet Transform (WPT):
在分析小波包中,可以分解细节和近似值。
转存失败重新上传取消转存失败重新上传取消
转存失败重新上传取消转存失败重新上传取消
Fig. 15 Wavelet packet tree
转存失败重新上传取消转存失败重新上传取消
(a)WPT of inner race fault and its spectrum
转存失败重新上传取消转存失败重新上传取消
(a)WPT of outer race fault and its spectrum
结论:通过使用WPT,也可以识别轴承故障。但是需要选择合适的母子波,选择分解级别及包含用于故障诊断的必要信息的频带。
A comparative study of various methods of bearing faults diagnosis using the CWRU data.-学习笔记相关推荐
- 【生信分析】clusterProfiler: universal enrichment tool for functional and comparative study(3)
clusterProfiler: universal enrichment tool for functional and comparative study ClusterProfiler: 用于功 ...
- Limited Data Rolling Bearing Fault Diagnosis With Few-Shot Learning(基于小样本学习的有限数据滚动轴承故障诊断)
Limited Data Rolling Bearing Fault Diagnosis With Few-Shot Learning 基于小样本学习的有限数据滚动轴承故障诊断 摘要 这一篇文章主要研 ...
- cs224w(图机器学习)2021冬季课程学习笔记2: Traditional Methods for ML on Graphs
诸神缄默不语-个人CSDN博文目录 cs224w(图机器学习)2021冬季课程学习笔记集合 文章目录 1. 章节前言 2. Traditional Feature-based Methods: Nod ...
- 论文笔记:Limited Data Rolling Bearing Fault Diagnosis With Few Shot Learning
论文:基于少样本学习的小样本滚动轴承故障诊断 Limited Data Rolling Bearing Fault Diagnosis With Few Shot Learning **摘要:**这篇 ...
- 论文笔记(综述):Deep Learning-based Multi-focus Image Fusion: A Survey and A Comparative Study
论文链接:https://ieeexplore.ieee.org/abstract/document/9428544/ 以下为原文内容的整理与翻译 摘要(Abstract) 背景 多聚焦图像融合(Mu ...
- A Comparative Review of DimensionReduction Methods in ApproximateBayesian Computation
近似贝叶斯计算中的降维方法的比较研究 M. G. B. Blum, M. A. Nunes, D. Prangle and S. A. Sisson 总体介绍: 近似贝叶斯计算(ABC)方法利用模拟和 ...
- 单目深度估计 | Learning Depth from Monocular Videos using Direct Methods 学习笔记
文章目录 摘要 1. 论文主要贡献: 2. 从视频中学习预测深度 2.1 尺度模糊 2.2 建模姿态估计预测器 3. 可微分直接视觉测距法 3.1 直接视觉测距法(DVO) 3.2 可微分的实现 4 ...
- Study Group Learning: ImprovingRetinal Vessel Segmentation Trained with Noisy Labels学习笔记(有代码)-仅自用
本人小白一个,只是学习记录,有任何问题欢迎指出!!! 问题所在: 1.需要大量的相关专家参与到繁琐的任务中 2.针对视网膜血管疾病,能够提供高质量的增强图像,以获得更好的可视化,并从复杂的.有噪声的图 ...
- 图神经网络(CS224w)学习笔记2Traditional Methods for ML on Graphs
文章目录 前言 一.传统基于节点特征方法: 1.1.节点的度 Node degree 1.2.节点中心性 Node centrality 1.2.1.特征向量中心 Eigenvector centra ...
最新文章
- 炫酷,SpringBoot+Echarts实现用户访问地图可视化(附源码)
- Jerry Wang的SAP UI5源代码深入剖析系列文章
- 怎样在PHP中通过ADO调用Asscess数据库和COM程序
- 关于mysql的cpu占用高的问题
- Nacos 集群集成SpringBoot2.x 微服务_02
- 使用Docker部署RabbitMQ集群
- Linguistic Data Consortium (LDC)
- vmware嵌套虚拟化对服务器的影响,VMware 虚拟机嵌套部署 KVM 虚拟机小结
- 测试线程池(Java)
- 安防摄像头WEB端直播,实现按需播放,节省带宽和服务器压力
- toolchain安装教程支持_riscv-gnu-toolchain的安装经历
- 4r照片尺寸是多大_4r照片尺寸(正常照片是5寸还是6寸)
- 爬取腾讯招聘的招聘信息(简单)
- 上海域格ASR和高通模块 USB端口分配及Linux下拨号说明
- 不小心删除了华为手机备忘录里的内容如何恢复?
- Professional SharePoint 2007 Web Content Management Development: Building Publishing Sites with Offi
- 万字文肝Java基础知识(一)
- 浅谈 SIM-OTA
- java关闭事件_为Java程序添加退出事件
- 个人怎么申请微信小程序开店铺_分享微信小程序开店铺步骤