暂无评论
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
基于循环统计量分析的滚动轴承故障诊断,李雅梅,隋瑒,是否能够提前对滚动轴承进行诊断,提早发现故障问题,对整个机械设备,甚至工业生产具有很大帮助。由于轴承自身对称的结构,所以
基于CEEMD_SVD和ELM的滚动轴承故障诊断_吴漫.pdf滚动轴承故障诊断
基于多分类器融合与模糊综合评判的滚动轴承故障诊断,文妍,谭继文,为了提高复杂系统故障诊断的效率,简化诊断模型的结构,提出了基于模糊综合评判的故障诊断方法,构建了基于多分类器融合的诊断模
针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后
针对Hilbert变换包络解调法在强噪声影响下不能有效提取轴承故障信息的问题,研究了级联奇异值分解降噪的方法,并采用简便方法对重构矩阵的时间延迟和奇异值降噪阶次进行选择。应用结合后的方法分析含故障信息
提出一种集合经验模态分解(EEMD)降噪与隐马尔科夫模型(HMM)的采煤机摇臂滚动轴承故障诊断方法。采用基于峭度准则的EEMD对采集到的振动信号进行降噪预处理,筛选出包含主要特征频率的本征模态函数(I
采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动
滚动轴承是煤矿机械中很重要的零部件,也是最容易发生故障的零部件之一。对煤矿机械滚动轴承的故障诊断研究是一个很热的方向。提出了一种将独立量分析和小波包能量谱相结合的故障特征提取方法,并采用此方法对滚动轴
暂无评论