自动轴承故障诊断使用2 d分析变速条件下的振动加速度信号

文摘

传统的故障诊断方法的轴承检测缺陷特征频率振动信号的包络功率谱。这些缺陷频率取决于内在不稳定轴速度。振动信号的时频和子带信号分析被用来处理随机的变化速度,而设计变化需要培训的一个新实例分类器为每个操作的速度。介绍了一个自动化的方法在轴承故障诊断基于2 d分析变速条件下的振动加速度信号。图像创建的每个故障的振动信号表现出独特的纹理,展示了与轴的最小变化速度。显微组织分析这些图像用于生成独特的签名为每个出错类型,可用于检测这些缺点速度不同。一个最近的邻居使用故障分类器训练的签名生成一个操作速度是用来检测故障的所有其他操作速度。该方法测试轴承故障数据集的凯斯西储大学,和结果比较与光谱成像方法。

1。介绍

在现代工业中,运动主要是由机电系统(如感应电动机),占近70%的总能源消耗在工业化经济体(1]。感应电动机和其他工业机器进行旋转运动使用轴承来减少摩擦。节约能源减少摩擦,否则会丢失在克服它。它还增加了机器的使用寿命,减少磨损。然而,不利的工作条件和循环荷载可以导致轴承材料疲劳,表现为表面裂纹的形式和裂开等(2]。这些裂缝和裂开等,如果允许未被发现,会导致昂贵的和意想不到的关闭,这是不利于经济的生产力。

轴承状态监测技术的核心,因为他们是最常见的失败原因在感应电动机(即。,在50%以上的情况下)3]。此外,他们的失败会导致长期的宕机。根据最近的一项研究中,齿轮箱轴承每故障造成停机时间最长的风力涡轮机(4,5]。因此,轴承状态监测技术广泛应用于几乎所有形式的旋转机械(如变速箱、风力涡轮机、直升机、甚至扶轮微机电系统或MEMS) (6- - - - - -10]。随着轴承退化是伴随着增加水平的噪音和振动,振动轴承的状态监测是该行业的标准做法,在任何预测维护策略的一个重要组成部分。机器部件的振动水平,特别是轴承,使用加速度计测量和分析,以确定潜在的故障(11,12]。

详细的故障诊断和容错技术的调查,在不同的领域,已经发展了(13,14]。这些技术大致分为基于模型的,ieee,以知识为基础的,混合动力/活动方法。然而,在轴承故障诊断主要是通过ieee技术。这些技术通常涉及三个主要步骤:(1)测量的信号将用于故障诊断(不同类型的信号,如结构振动(10,15- - - - - -18),定子电流感应电动机的轴承(7,8],声学排放[19- - - - - -25)、温度(6),最近转子速度(26),已使用);(2)处理的信号提取异常条件的典型特征;(3)使用不同的分类器等神经网络、支持向量机(svm)或人工神经网络(ann)对正常和故障信号进行分类。

ieee方法检测局部缺陷轴承,主要通过提取相关特征频率的调制故障信号进行包络分析(27,28]。这些特征频率的球通过频率外水沟(BPFO),这是与断层有关的外水沟轴承、球通过频率内座圈(BPFI),这是与断层内水沟,甚至第一个球旋转频率的谐波(2 xbsf),这是与辊故障(29日,30.]。包络分析是提高了使用它的性能与时频分析工具,如离散小波变换(DWT) [17,31日,32),短时傅里叶变换)[33,34),经验模态分解(EMD) [35- - - - - -38),离散小波包变换(方法)19- - - - - -23,39]。这些工具主要用于过滤频段在载波频率附近,调制信号组件对应的缺陷。

然而,这些特征或缺陷的频率是运动取决于数量轴转速和轴承几何。径向平面的轴转速和负载角受随机变化,使轴承信号固有的不稳定,导致变化的根本缺陷的频率(29日]。缺陷的检测频率受随机变化是具有挑战性的,因此需要繁琐的方法,这是很难实现的。在[21,22,39),康等人非平稳的影响减少了使用部分波段分析故障信号通过滤波器。他们提议措施mean-peak比和高斯混合模型剩余component-to-defect组件比率选择最有益的部分波段。选择最有效的部分波段之后,等特性的相对小波包能量和小波包节点峰度被提取,然后用于故障诊断。在[16),阿玛等人使用二进制振动光谱图像和轴承故障诊断的人工神经网络。这种方法的分类性能极易受二进制光谱图像的质量。因此这种方法取决于适当的灰度阈值的选择,用于生成这些二进制光谱图像。尽管他们的复杂性,这些方法依赖于轴速度和性能影响的随机变化。此外,这些方法涵盖了设计轴转速的变化除以振动加速度或声发射信号到不同的数据集的基础上轴转速(转/分钟或rpm)。独特的实例分类器训练对于每个操作速度,只能用来独自操作速度的测试样本进行分类。不同的操作速度,需要重新训练分类器的一个新实例在一套新的特性。在[40),特征提取,提出了一种机制,可以用来诊断轴承故障齿轮干涉和变速条件下。然而,这种方法是非常繁琐,计算复杂,因为它提取功能,称为瞬时啮合相乘,利用STFT,然后重新取样原始信号使用该功能,resampled信号分解成使用EMD固有模态函数(IMF),最后执行国际货币基金组织的包络解调,最高的峰态值,来确定轴承故障。此外,输出是不自动处理;而是需要手动解释诊断轴承故障。

该方法解决了现有技术的三个主要的局限性:(1)他们是冗长而复杂的过程,因此实际解决方案基于这些方法很难实现,更有可能是昂贵的;(2)他们需要重新训练分类器每次如果有改变电动机转速达到给定的操作条件;和(3)这些技术并不完全自动化,需要手动输出的解释。与传统方法相比,该方案是自动化和简单的实现,使用纯模式分析,要求只有一个实例的训练分类器的所有四个操作速度被认为是在这个研究。分类器训练使用特征提取的四个数据集,它可以有效地诊断故障操作速度在部分4。在这项研究中,操作速度变化约±5%在所有的数据集。

本研究的主要贡献是提出了一种故障诊断方法的轴承不受随机和设计轴转速的变化。在这种方法中,时域振动信号转化为灰度图像。这些图片的尺寸是由实验决定的,以确保最小的纹理的变化在不同的轴速度。建议的方法,详细讨论了部分3,验证了使用公开可用的基准数据集从[41]。比较该方法与振动光谱成像(16)提供。

剩下的纸是组织如下:部分2描述了播种故障测试数据用于验证该方法。部分3提供了一个详细的讨论所提出的故障诊断方案。部分4提供了实验结果的讨论和分析,和部分5总结了纸。

2。实验装置和振动故障数据

该方法是公开的播种测试故障测试数据的凯斯西储大学(41]。数据收集使用2-horsepower (hp)电动机转矩传感器和测功器。功率计用于应用不同的加载轴承(即。,0 hp, hp 2 hp惠普和3)。在这项研究中,记录的振动加速度信号驱动端轴承被认为是进行分析。驱动端轴承的规格表1。

与单点测试轴承的局部缺陷滚筒,内调,调心。播种错误的尺寸表2。振动数据用于分析测定使用加速度计放置在轴承箱上12点的位置。信号被记录在12000 Hz的采样率,使用16通道编码器。

如前所述在表2,共有四个故障条件包括正常或无故障的状态,一种内在水沟的错,一个球的错,和外部水沟故障被认为是在这个研究。振动加速度信号的快照的这四个条件图1。

对于每个故障状态,振动加速度信号可以在四个不同的轴的速度(即。每分钟1796转(rpm), 1772 rpm, 1748 rpm, 1722 rpm)。因此,总共16个振动加速度信号进行了分析研究。这些振动信号分为四个数据集,每个轴转速一个包括1796 rpm, 1772 rpm, 1748 rpm, 1722 rpm。对于每个数据集,测量轴速度是假定为常数和作为给定的值在[41]。换句话说,任何不可避免的随机变化测量速度并不认为,该方法不受这些随机或设计变化的影响达到指定的操作条件。这些数据集给出了表的细节3。

振动加速度信号的长度,可用数据的周期数,在不同的数据集。建议的方法,解决振动信号分为周期长片,作为讨论的部分3。因此,每个部分的长度都是不同的,随轴的速度(即。的周期长度1796 rpm ~ 400个样本数据集;1772 rpm的数据集,这是~ 406样品;1748 rpm的数据集,这是~ 412样品;数据集1722 rpm, ~ 418个样本)。这些片堆叠在彼此构建灰度振动图像。这些图片的高度对应的片数堆积在他们建设。这个过程的细节,详细讨论了它的动力部分3。原始振动加速度信号首先被转换成灰度图像,然后使用当地的二元运算符用于提取显微组织信息。

3所示。提出的故障诊断方案

3.1。振动的形象建设

提出的故障诊断方案,基于振动的显微组织分析图像使用本地二进制模式,如图2。该方案适用于二维(2 d)图像由时域振动加速度信号。振动加速度信号首先纠正摆脱消极的价值观。由此产生的信号分割成等长的片。每一片的长度,,等于样本的数量在一个完整的轴周期或革命的轴承和计算使用 在哪里采样频率和吗ω是革命的轴转速每分钟(rpm)。商的价值(1)是四舍五入到最近的3的倍数,因为局部二值模式(LBP)操作符用于这项研究工作像素块。总共片,每个长度用于构建振动故障的图片。两个维度包括和灰度级的振动故障图片选择,这样他们是3的整数倍。这也保证了整数的数量在每一次振动图像像素块。这消除了任何重叠或损失的振动数据的机会在市场细分和叠加。形象建设的过程不会改变或省略任何原始数据样本。它只是项目最初的振动加速度信号到一个二维灰度强度空间,瞬时加速度值可以被视为像素。这种方法背后的直觉是观察的行为时域振动信号的时间间隔周期和发现独特的模式,为每个故障条件的行为。周期的数量确定实验这样的选择价值给出了分类精度最高,部分中讨论4。这些周期振动信号的叠加,这样产生的图像的宽度等于像素,而其高度等于行。实验图像的不同维度,讨论部分4显示,图像宽度对应周期长度显示边缘纹理的变化由于轴的变化频率或速度。

3.2。局部二元模式

首次提出了纹理分类(枸杞多糖42)作为一个简单的、有效的和计算效率的技术和旋转不变照明的变化。从那时起,他们一直广泛应用于纹理分类、图像索引和面部识别应用程序(43]。使用局部二进制模式也一直在探索诊断转子不平衡、转子断条,怪癖,定子故障,低头在感应电动机转子故障44]。

枸杞多糖,顾名思义,寻找在小社区微型图象,然后构造一个全球微型图象在整个图像的频率分布直方图的形式。它是一个非线性算子,在小社区编码显微组织信息一些纹理描述符或代码。这些纹理的直方图描述符是用来唯一地标识一个图像。这些微型图象或纹理基元,他们被称为,可以是一个优势,一个角落里,一条线,点,或平坦的区域。枸杞多糖操作符可以应用于圆形和非圆形的社区。在这项研究中,这种方法应用于非圆形的社区,而在文献中已经应用于圆形和非圆形的社区和像素和更大的尺寸。LBP算子的性能不变下改变照明。LBP算子计算简单,但非常有效(43]。光照不变性属性特别有用在处理噪声振动信号由于噪声主要影响照明水平的灰度图像44]。

LBP算子的构造纹理描述符的每个像素的阈值社区的中心像素。简单,外八个像素社区与中央像素(9像素),取而代之的是一个“1”,如果它是大于或等于中央像素和“0”。这个阈值降低了二进制的相邻像素值1或0,然后这些值用于构造一个8位的纹理描述符的社区。8位的纹理描述符,一个十进制值在0到255之间,编码的纹理信息,特定的社区。重复这个过程的所有社区在整个图像,每个社区和纹理信息编码到8位纹理描述符。社区的总数在每一个图像使用决定 在哪里图像的高度,是它的宽度,然后呢每个社区的大小。在这项研究中,已经设置为9个像素,因为我们只考虑吗社区。这些当地的纹理描述符用于构造全局直方图,可以用来唯一地标识整个图像。数学,对于灰度图像,如果我们让表示任意像素的灰度值在一个给定的社区,让表示中心像素的灰度值附近,然后纹理描述符附近的大小鉴于如下(42]: 在哪里是阈值阶跃函数,它的定义是

纹理描述符(2)可以独特的价值观。因此,全球整个直方图图像需要箱里。然而,一项研究[42)表明,某些微型图象,叫做统一的模式,比其他人更频繁,更有识别力的发生。统一模式的均匀性测量最多两个,这是计算通过计算二进制转换(即的数量。,0到1或1 - 0在纹理描述符)。因此,纹理描述符有两个或不到两个二进制转换被认为是均匀的。256(中为)可能的纹理描述符,只有58制服,其余都是不均匀的。因此,我们的全球LBP直方图的59箱(即。,58bins for the 58 uniform texture descriptors and one for the remaining 198 nonuniform texture descriptors). This global LBP histogram is used to uniquely identify each vibration fault image and the histograms of images for the same fault conditions would be similar to each other. In this study, we use Euclidean distance based similarity measure for the LBP histograms.

3.3。分类使用神经网络

振动信号的持续时间为每个故障情况,认为在这项研究中,跨越数百周期所表3。每个信号转换成多个灰度图像,然后编码到LBP直方图。这些直方图所使用的分类器来唯一地标识每一个错。在这项研究中,最近的邻居分类器((nn)用于分类45]。它使用直方图之间的欧几里得距离未知故障图像和训练数据集图像的直方图对未知图像进行分类。欧氏距离直方图之间的两条断层图像和计算使用 在哪里直方图是箱子的数量(在这项研究中)。在这项研究中,,这是训练集样本的数量或最近的邻居认为在确定未知样本的类,分配的值3。诊断分类器的性能评估使用平均分类精度、灵敏度、特异性,计算使用(6),(7)和(8),分别为: 在哪里在课堂上是图像的数量吗正确分类的类,在课堂上是图像的数量吗不属于类,是图片的数量不上课在课堂上,被归类为不,在课堂上是图像的数量吗但列为不上课,是所有类的图片总数,然后呢是故障类型或类的数量。

4所示。实验结果和分析

4.1。确定最优图像的尺寸

前的振动信号转化为二维灰度图像,图像尺寸,这将会产生更均匀更健壮的质地,决心。可以看出图像尺寸的变化导致明显的纹理的变化。这是因为叠加振动信号的不同部分对彼此会产生更一致的纹理如果这些领域有良好的相关性。对于一个给定的轴速度、图像显示一个统一的结构,但它可能会改变我们改变轴转速取决于所选择的图像尺寸。这显然是明显的在图3,显示的图像内套错。可以看出纹理在形象传播轴转速减少为每个轴转速,因此它们看起来不同。这样的材质,如图3,不能在故障诊断实现轴转速不变,因为他们是不同的从一个另一个和一个分类器训练的LBP直方图的不能用于精确检测。

相反,在图4(一)小变化,纹理变化轴速度相同的故障状态。唯一显著的变化发生在照明和全球分销的微型图象或纹理元素图像。的LBP算子,正如前面所讨论的,对光照变化是不变的,因此性能不受任何损失。同样,全球微型图象的空间分布的变化并不影响性能的LBP算子,因为它只考虑微型图象的出现频率,相反他们的空间分布。在图4断层图像宽度等于,这是计算使用(1)。它也可以观察到在图的图像4有较高的纵横比,相比图吗3。

一般来说,可以看出图像与高纵横比导致更好的分类精度,如图5。越高纵横比防止纹理涂抹整个图像当轴转速的变化。因此,在这项研究中,使用振动图像与高纵横比,如图4。

这些图片的宽度设置为,而他们的身高通常设置为15像素。这些图片的高度对应的周期数的数据用于构造;也就是说,振动加速度信号的一个周期一行像素有助于断层图像。这显然是明显的从图6,分类精度提高了图像的高度(振动周期的数量数据用于构造)是增加的,这是可以理解的周期振动数据导致更多不同的每个故障模式。然而,它形象的高度是15时达到渐近线;增加图像高度超出这一点并不能提高分类精度。

4.2。诊断方法的性能

为了验证该方法,可用数据分为四个数据集,如表所示3。光速不变性的方法验证了考虑四个不同的场景。在第一个场景中,数据集1是用于训练,而数据集2、3和4是用于测试。即分类器训练使用振动加速度信号仅供1796 rpm,然后使用分类未知的故障信号为1772,1748,1722 rpm。在第二个场景中,数据集2是用于训练,而数据集1、3和4是用于测试。即分类器训练使用振动加速度信号仅供1772 rpm,然后使用分类未知的故障信号为1796,1748,1722 rpm。同样,在第三和第四场景中,数据集3和4作为训练数据集,分别,而剩下的数据集是用于测试在每种情况下。如前所述在表3,每一个数据集对应于振动信号记录在不同的轴速度或频率。因此我们验证该方法通过训练分类器在一个轴转速,测试数据集的数据集三个不同的轴速度或频率和我们重复这个过程的四个轴频率被认为是在这个研究。

诊断表中给出了该方法的性能4,这清楚地表明,提出的方法是有效的诊断轴承故障独立轴转速变化的随机和计划。如前所述,这是由于振动图像纹理的一致性,这是建立在确定自己的最优尺寸。它是观察从表中给出的结果4的诊断性能方法的分类精度,灵敏度,通常和特异性提高随着高度的断层图像,等于振动数据的周期的数量用于构造这些图像。99.74%的平均分类精度达到最大值。在每个场景中,测试数据集是三倍的训练数据集,这表明该方法达到很好的泛化与现有技术相比,这通常使用三倍交叉验证,验证2的数据集3数据集用于培训和剩下的一个是用于测试。

4.3。与振动光谱成像进行故障诊断

该方法相比,最近的一项研究[16),它使用振动光谱成像(VSI)和人工神经网络(ANN)来诊断轴承故障。基于逆变器的方法使用数据来自凯斯西储大学,但是只考虑数据集3(即。,1748 rpm的数据表3)。需要八个窗户的时域振动信号,每1024个样本长度,然后应用513点快速傅里叶变换(FFT)每个窗口。这八个窗户的合成光谱信息是堆在一起来创建一个513×8像素灰度振动频谱图像。这张照片是使用一个2 d平滑平均滤波器(大小8×4),然后过滤后的灰度图像转换为二进制图像使用阈值。阈值是由一定的成本函数,优化和0.7用于阈值的最优值。VSI的性能为基础的方法是高度敏感阈值,因为它的价值控制输入向量安的质量,因此其分类精度。的二进制图像513×8(4104二进制谱组件作为神经网络的输入)用作输入安。数据分为训练(70%)、验证(15%),和测试(15%)。为了比较VSI的建议的方法,使用相同的网络体系结构如图7,除了输入层(该方法使用一个输入向量的长度59)。

表的数据集3合并创建一个数据集,有四个(即故障条件。,normal, inner race fault, roller fault, and outer race fault) at four different shaft speeds (i.e., 1796 rpm, 1772 rpm, 1748 rpm, and 1722 rpm). The diagnostic performance of VSI and the proposed approach is shown in Table5。显然明显,该方法提供卓越的诊断性能数据集与轴转速的变化与逆变器相比,它使用轴转速为故障诊断相关的光谱信息。变速条件下诊断方法,利用光谱信息的性能必将恶化,速度变化大大改变光谱振动信号的内容。

5。结论

探讨一个新的维度在轴承故障诊断,提出了一种新的方法不变的随机和有预谋的轴转速的变化。这是一个非常重要的方面在轴承故障诊断从传统方法诊断轴承缺陷频率一般通过检测他们的基本缺陷。虽然高效,这些技术有一定的警告。缺陷频率依赖于不稳定轴转速,和轴转速的变化导致这些基本缺陷不可避免的变化的频率。可以小随机变化,这些变化通常由时频和部分波段处理振动信号的分析,使得这些方法繁琐,计算昂贵,昂贵和困难的实际实现。在有预谋的轴转速变化大的情况下,故障数据划分为不同的数据集根据速度,和每个数据集是故障诊断的单独处理。因此,有预谋的轴转速的变化需要重新计算的特点和训练的一个新实例为每个数据集分类器。这些关键限制合理调查一个简单、自动化,在轴承故障诊断方法在变速条件下是有效的。该方案将时域振动加速度信号转换成灰度断层图像合适的尺寸,然后把这些图像基于其独特的纹理。图像纹理编码使用局部二进制模式运营商,这是一个非常有效的纹理描述符。 This study validated the proposed scheme by using fault images for four different operating speeds. Ak -神经网络分类器训练使用图像的操作速度,然后其分类性能是衡量测试它与其余三个运营速度的断层图像。这是重复的断层图像数据集。的分类器分类精度平均收益率99.74%,这表明,该方法是不变的轴转速的变化。与最近的技术基于振动频谱成像显示,该方法给出了更好的诊断性能。尽管它的优点,有建议的方法的某些方面需要进一步的调查,以相对较低的轴速度等性能。

相互竞争的利益

作者宣称没有利益冲突有关出版的手稿。

确认

这项工作是由韩国研究所能源技术评估和规划(KETEP)和贸易、工业和能源(MOTIE)的大韩民国(没有。20162220100050,没有。20161120100350),部分地区领先的人力资源培训项目的新行业通过韩国国家研究基金会(NRF)由科技部,ICT和未来规划(NRF - 2016 h1d5a1910564),部分业务合作研发行业,学院和研究所2016年由韩国中小企业管理局(授予C0395147号,S2381631),部分基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(2016 r1d1a3b03931927),和部分基本融合技术在电力行业的发展(贸易、工业和能源、201301010170 d)。

引用

1. r . Saidur”,检查电机能源使用和节约能源,”可再生能源和可持续能源的评论,14卷,不。3、877 - 898年,2010页。视图:出版商的网站|谷歌学术搜索
2. 即El-Thalji和大肠Jantunen动态造型在滚动轴承磨损进化,”摩擦学国际卷,84年,第99 - 90页,2015年。视图:出版商的网站|谷歌学术搜索
3. o .诉于和m . Dalva”故障识别和分析高压感应电动机在石化行业,“IEEE行业应用,35卷,不。4、810 - 818年,1999页。视图:出版商的网站|谷歌学术搜索
4. 盛,风力涡轮机报告子系统可靠调查各种数据库,2013年国家可再生能源实验室。
5. w·乔和d,“调查风力发电机状态监测和故障诊断部分我:组件和子系统,“IEEE工业电子产品,卷62,不。10日,6536 - 6545年,2015页。视图:出版商的网站|谷歌学术搜索
6. p班加罗尔和l . b . Tjernberg“人工神经网络方法对齿轮箱轴承的早期故障检测,”IEEE智能电网》第六卷,没有。2、980 - 987年,2015页。视图:出版商的网站|谷歌学术搜索
7. x锣和w·乔”,通过current-demodulated为直驱风力发电机轴承故障诊断信号,”IEEE工业电子产品,60卷,不。8,3419 - 3428年,2013页。视图:出版商的网站|谷歌学术搜索
8. x锣和w·乔,”Current-based机械故障检测直驱风力发电机通过同步采样和脉冲检测,”IEEE工业电子产品,卷62,不。3、1693 - 1702年,2015页。视图:出版商的网站|谷歌学术搜索
9. d·西格尔,c . Ly和j·李,“预测直升机滚动轴承故障的方法和框架,“IEEE可靠性,卷61,不。4、846 - 857年,2012页。视图:出版商的网站|谷歌学术搜索
10. j·费尔德曼b·m·汉拉罕s Misra et al .,“扶轮MEMS Vibration-based诊断,”《微机电系统,24卷,不。2、289 - 299年,2015页。视图:出版商的网站|谷歌学术搜索
11. d·汉森和a·h·奥尔森ISO标准13373 - 1:2002 -状态监测和诊断Machines-Vibration条件Monitoring-Part 1:一般程序,国际标准化组织,2002年。
12. d·汉森和a·h·奥尔森“ISO标准13373 - 2:2005:状态监测和诊断machines-vibration条件monitoring-part 2:处理、分析和振动数据的表示,“国际标准化组织,2009年。视图:谷歌学术搜索
13. 高z, c . Cecati和s . x叮”的调查故障诊断和容错techniques-Part II:故障诊断知识和混合/主动方法,”IEEE工业电子产品,卷62,不。6,3768 - 3774年,2015页。视图:出版商的网站|谷歌学术搜索
14. 高z, c . Cecati和s . x叮”故障诊断和容错techniques-part我的调查:与基于模型的故障诊断和ieee方法,”IEEE工业电子产品,卷62,不。6,3757 - 3767年,2015页。视图:出版商的网站|谷歌学术搜索
15. t·w·raub f·德阿西斯Boldt, f·m·瓦莱乔“异构特性模型和特征选择应用于轴承故障诊断,”IEEE工业电子产品,卷62,不。1,第646 - 637页,2015。视图:出版商的网站|谷歌学术搜索
16. m·阿玛冈德尔岛,和c·威尔逊,“振动光谱成像:一种新型轴承故障分类方法,”IEEE工业电子产品,卷62,不。1,第502 - 494页,2015。视图:出版商的网站|谷歌学术搜索
17. 辛格j . Seshadrinath b, b . k . Panigrahi”调查多个故障诊断的振动信号变频驱动器使用复杂的小波,“IEEE电力电子卷,29号2、936 - 945年,2014页。视图:出版商的网站|谷歌学术搜索
18. b . Eftekharnejad m·r·卡拉斯科b . Charnley和d . Mba”的应用声发射光谱峰态,从有缺陷的轴承振动,”机械系统和信号处理,25卷,不。1,第284 - 266页,2011。视图:出版商的网站|谷歌学术搜索
19. m·康崔b . j . Kim和人类。金”,包络分析遗传算法自适应滤波器银行轴承故障检测,”《美国声学学会杂志》上,卷138,不。1,EL65-EL70, 2015页。视图:出版商的网站|谷歌学术搜索
20. m·康j . Kim和人类。金,“可靠的故障诊断初期低速轴承使用故障特性分析基于二进制蝙蝠算法,”信息科学卷,294年,第438 - 423页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
21. m·康j . Kim和人类。金”,一个fpga实时多核系统轴承故障诊断使用ultrasampling率AE信号,”IEEE工业电子产品,卷62,不。4、2319 - 2329年,2015页。视图:出版商的网站|谷歌学术搜索
22. m·康j . Kim和人类。金,“高性能和节能的故障诊断使用有效的包络分析和去噪的通用图形处理单元,“IEEE电力电子,30卷,不。5,2763 - 2776年,2015页。视图:出版商的网站|谷歌学术搜索
23. m·康j . Kim人类。金,a . c . c . Tan, e . y . Kim和B.-K。崔,“可靠的低速轴承故障诊断使用单独训练支持向量机与内核区别的特性分析,“IEEE电力电子,30卷,不。5,2786 - 2797年,2015页。视图:出版商的网站|谷歌学术搜索
24. r .伊斯兰教,s . a .汗和人类。金”,判别特征分布分析混合特征选择在线在感应电动机轴承故障诊断,”杂志上的传感器卷,2016篇文章ID 7145715, 16页,2016年。视图:出版商的网站|谷歌学术搜索
25. p·h·阮和人类。金,“Multifault诊断滚动轴承使用小波kurtogram和向量median-based特性分析,“冲击和振动ID 320508条,卷。2015年,14页,2015。视图:出版商的网站|谷歌学术搜索
26. m . Hamadache d·李,k . c . Veluvolu“转子摘要轴承故障诊断(RSB-BFD)变速和恒定负载下,“IEEE工业电子产品,卷62,不。10日,6486 - 6495年,2015页。视图:出版商的网站|谷歌学术搜索
27. p . w . d . Wang谢霆锋,k . l .崔”一个增强Kurtogram于滚动轴承故障诊断的方法,”机械系统和信号处理,35卷,不。1 - 2、176 - 199年,2013页。视图:出版商的网站|谷歌学术搜索
28. m . Pineda-Sanchez j . Perez-Cruz j . Roger-Folch m . Riera-Guasp a . Sapena-Bano和r . Puche-Panadero“感应电动机故障诊断使用DSP和先进的解调技术,”学报》第九届IEEE国际研讨会上诊断电机,电力电子与驱动器(SDEMPED 13)瓦伦西亚,页69 - 76年,西班牙,2013年8月。视图:出版商的网站|谷歌学术搜索
29. r·b·兰德尔·j·安东尼,“滚动轴承diagnostics-a教程中,“机械系统和信号处理,25卷,不。2、485 - 520年,2011页。视图:出版商的网站|谷歌学术搜索
30. 答:Arnaiz Bediaga, x蒙迪扎巴尔,j . Munoa“滚珠轴承损伤诊断使用传统信号处理算法,”IEEE仪表和测量杂志,16卷,不。2、20 - 25,2013页。视图:出版商的网站|谷歌学术搜索
31. p . k .钙结核,s . c·沙玛,s . p . Harsha“滚动轴承的故障诊断使用循环自相关和小波变换,“Neurocomputing卷。110年,上行线,2013页。视图:出版商的网站|谷歌学术搜索
32. m·a·j . Rafiee Rafiee, p . w .谢霆锋“母小波函数的应用自动齿轮和轴承的故障诊断,”专家系统与应用程序,37卷,不。6,4568 - 4579年,2010页。视图:出版商的网站|谷歌学术搜索
33. e . Cabal-Yepez a·g·Garcia-Ramirez r . j . Romero-Troncoso a . Garcia-Perez和r . a . Osornio-Rios”可重构时频分析工业设备监控系统通过STFT和DWT,”IEEE工业信息,9卷,不。2、760 - 771年,2013页。视图:出版商的网站|谷歌学术搜索
34. 南帝,t . c . Ilamparithi s b·李和d Hyun,“检测感应偏心故障的机器铭牌参数基础上,“IEEE工业电子产品,卷。58岁的没有。5,1673 - 1683年,2011页。视图:出版商的网站|谷歌学术搜索
35. y Lei, j·林、z .他和m . j .左”回顾经验模态分解在旋转机械故障诊断,”机械系统和信号处理,35卷,不。1 - 2、108 - 126年,2013页。视图:出版商的网站|谷歌学术搜索
36. j .郑j . Cheng, y,“广义经验模态分解及其应用滚动轴承故障诊断,”机械系统和信号处理,40卷,不。1,第153 - 136页,2013。视图:出版商的网站|谷歌学术搜索
37. 张x和j .周”,为滚动轴承故障诊断构成基于集成经验模态分解和优化的支持向量机,”机械系统和信号处理第41卷。。1 - 2、127 - 140年,2013页。视图:出版商的网站|谷歌学术搜索
38. g·f·本·j·j·高,x j . Li和b . s . Dhillon,“早期的旋转机械故障诊断基于小波packets-empirical模式分解特征提取和神经网络,”机械系统和信号处理27卷,第711 - 696页,2012年。视图:出版商的网站|谷歌学术搜索
39. l·m·m·康j . Kim遗嘱,和人类。金”,时变和多分辨率信封为轴承故障诊断分析和区别的特性分析,“IEEE工业电子产品,卷62,不。12日,第7761 - 7749页,2015年。视图:出版商的网站|谷歌学术搜索
40. 和w·d·赵j . Li)”下的滚动轴承故障特征提取可变转速和齿轮干扰条件下,“冲击和振动ID 425989条,卷。2015年,9页,2015。视图:出版商的网站|谷歌学术搜索
41. 凯斯西储大学,“播种故障测试数据,”http://csegroups.case.edu/bearingdatacenter/home。视图:谷歌学术搜索
42. t . Ojala m . Pietikainen, t . Maenpaa”多分辨率灰度和旋转不变的纹理分类与局部二进制模式,”IEEE模式分析与机器智能,24卷,不。7,971 - 987年,2002页。视图:出版商的网站|谷歌学术搜索
43. s . Brahnam l . c . Jain l . Nanni和a . Lumini局部二进制模式:新变种和应用程序施普林格,2014年。
44. m·r·Shahriar t Ahsan,庄,“感应电动机的故障诊断利用局部二进制模式纹理分析,“EURASIP杂志在图像和视频处理第二十九条,卷。2013年,2013年。视图:出版商的网站|谷歌学术搜索
45. d·h·迪亚,s·h·阿帕德海耶,s . p . Harsha”故障诊断滚动轴承的固有模式函数使用APF-KNN声发射数据,”专家系统与应用程序,40卷,不。10日,4137 - 4145年,2013页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Sheraz阿里汗和Jong-Myon金。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。