基于LLE和LSSVM的滚动轴承故障诊断

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

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）

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

论文研究-一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.pdf, 提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang

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

针对局部特征尺度分解（LocalCharacteristic-scaleDecomposition，LCD）方法中严重的端点效应，将BP神经网络应用到信号的延拓中，提出了一种提出基于BP神经网络延拓局

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。