基于EMD和相关的滚动轴承故障包络谱分析

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

滚动轴承是现代工业机械广泛应用的精密部件,研究其故障检测具有重要意义。分别对滚动轴承外圈和内圈2种故障状态下的检测信号进行了频域和提升小波分析。结果表明,提升小波对提取以上2种故障特征有效。

滚动轴承与轴和外壳的配合

提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值,并可方便地推

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题,提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析,通过对信号降维重构信号

主要介绍循环平稳理论知识在滚动轴承早期故障诊断应用的研究

针对采煤机滚动轴承故障特征向量提取较困难、多分类效果不理想等问题,提出了基于HGWOMSVM的采煤机轴承故障诊断方法。对轴承故障信号进行小波降噪处理,利用经验模态分解算法对降噪后信号进行分解,并提取能

基于1DCNN-DS的滚动轴承故障诊断算法研究，杨振波，贾民平，卷积神经网络在旋转机械故障诊断领域已经取得较大的发展，可以将原始振动信号直接输入到深度学习模型中便可以诊断故障类别。然而

针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号

滚动轴承AutoCad的lsp代码 课程作业，通过Autocad附带的编译器进行的滚动轴承的参数化建模， 简化绘图步骤。