基于CEEMD_SVD和ELM的滚动轴承故障诊断_吴漫.pdf

为解决滚动轴承在变转速工况下的频率谱模糊及强噪声工况下的微弱故障信息提取问题,提出基于EEMD和DT-CWT相结合的故障特征分离法。首先应用阶次跟踪技术将非平稳的时域信号转化为平稳的角域信号,再运用E

针对滚动轴承故障识别问题,有效提高分类正确率,提出一种基于Adaboost算法的集成支持向量机智能诊断方法。该方法采用小波包变换提取信号的敏感频带特征;计算各频带能量作为训练特征;将特征向量输入到集成

齿轮与滚动轴承故障的振动分析与诊断，对故障诊断感兴趣的可以看看

该系统充分利用单片机的控制功能强、DSP的运算能力强的特点,对较复杂的信号具有较强的处理能力。实验表明,该系统能满足列车滚动轴承故障诊断的实际需要,并减少了复杂的编程过程,有效地提高了工作效率,降低了

为了提高滚动轴承故障诊断的准确性,运用了将多传感器信息融合技术用于故障诊断的检测方法。由电流传感器和加速度传感器采集电流信号和振动信号,经小波变换等预处理后通过能量算子获得故障特征值,再经过动量改进B

摘　要：提出一种基于奇异值分解（ＳＶＤ）和深度信度网络（ＤＢＮ）多分类器的滚动轴承故障诊断方法．对滚动轴承的振动信号进行相空间重构，得到相应的特征矩阵；对特征矩阵进行ＳＶＤ分解，并用所得整个奇异值序列

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小

针对电机滚动轴承故障检测的复杂性,采用了理论成熟且应用较多的BP神经网络和RBF神经网络两种故障诊断方法。首先通过经验模态分解的方法对滚动轴承的振动信号进行故障特征提取,并将故障特征向量输入到BP神经

根据滚动轴承的振动故障特征,介绍了一种新的基于经验模态分解(Empirical Mode Decomposition,EMD)与同态滤波解调相结合的滚动轴承故障诊断方法.EMD可将轴承故障信号分解成若

文件夹内包含滚动轴承数据，数据量较大，本次实验采用的轴承包括状态良好的轴承、外圈有剥落的轴承、内圈有剥落的轴承、滚珠有剥落的轴承以及保持架断裂的轴承。