针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树(CART)的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森
提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个
在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故
将小波分析技术与神经网络技术相结合,通过小波分析技术对振动信号进行滤波消噪,构建时频关联分析的信号特征表征轴承的故障信息,实现准确的故障特征提取。运用神经网络方法具有的网络自适应能力,自学习能力,在背
小波包循环平稳解调在滚动轴承故障诊断中的应用,汪泽民,,本文通过对滚动轴承故障诊断方法的研究,提出了基于小波包分解及其频带能量法与循环平稳解调相结合的故障诊断方法。实验验证了该
滚动轴承的运行状态会直接影响到整个旋转机械的性能,提出一种将经验模态分解和Hilbert包络分析相结合的方法对滚动轴承进行故障诊断。经验模态分解具有自适应性,能有效地将携带故障信息的高频调制信号从原信
滚动轴承早期故障振动信号微弱,并且受环境噪声影响严重,特征信号提取困难。针对这一问题,提出了最大相关峭度解卷积方法来提取轴承故障的特征信号。通过计算信号的最大相关峭度值,估算出感兴趣的解卷积周期T,选
针对多变量预测模型模式识别方法中的最小二乘拟合可能出现病态的问题,提出了基于岭回归的多变量预测模型(Ridge regression-Variable Predictive Model based C
从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,
1.引言 滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件,它的运行状态是否正常往往直接影响到整台机器的性能。据统计,在使用滚动轴承的旋转机械中,由于滚动轴承损坏而引起的故障约占30%[1]。
