针对滚动轴承聚类故障聚类模式识别方法中需要预先设定聚类数目问题,提出了一种基于局部均值分解(localmeandecompoeiton,LMD)与基本尺度熵(basescaleentropy,BSE)
关于算法滚动轴承诊断；基于局域波法和KPCA_LSSVM的滚动轴承故障诊断_杨先勇
摘要:本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(empiricalmodedecomposition,EMD)存在的端点效应进行改进,然后基于改进的EMD和粒
考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分
故障轴承的振动信号是非平稳信号,传统的非平稳信号分析手段存在许多不足;BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解(EMD)与BP神经网络相结合的滚动轴承故障诊断方法。采用
针对滚动轴承故障信号具有非平稳、非高斯的特点,提出了将时域分析与小波分析相结合的方法对滚动轴承进行故障诊断。在研究不同信号分析方法理论的基础上,以滚动轴承外圈故障振动信号为例,采用多种信号处理方法进行
分滚动轴承和滑动轴承两部分介绍。 内容比较详细,我只看了滚动轴承部分。
随着现代制造业朝着大型化、柔性化、智能化发展,保障生产设备的安全运转越发重要。提出了基于PCA-SVM算法的轴承故障诊断分析模型。该模型提取轴承振动信号的时域指标参数,并运用主成分分析法(PCA)对指
为了实现对滚动轴承故障位置和损伤程度的准确定位,提出了一种基于希尔伯特黄变换(Hilbert-Huang Transform, HHT)和主成分分析 (Principal Components Ana
采用一种处理非平稳信号的新方法—希尔伯特-黄变换HHT(Hilbert-Huang Transform)来进行滚动轴承故障特征的提取。将信号先进行小波包降噪处理,然后用HHT进行信号故障特征提取。通过
