暂无评论
运用卷积神经网络，利用其在海量数据处理中的特征提取优势和自学习能力，构建轴承故障诊断算法。
滚动轴承的故障检测、分类源代码，且配合有word版大报告。图文并茂具体做的内容是：针对滚动轴承这种非平稳振动信号采用的小波包分解的方法来检测故障的存在，运用神经网络来实现故障的分类，还结合D-S理论融
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
提出了一种基于隶属度函数和小波变换的轴承故障诊断方法。针对轴承的类型,搭建了新的轴承故障实验台,采集了其轴承故障振动信号。利用隶属度函数确定实测故障信号与理论特征故障频率的相似度,利用小波变换提取故障
基于多尺度线调频基稀疏信号分解的广义解调方法及其在轴承故障诊断中的应用，于德介，任凌志，提出了一种基于多尺度线调频基稀疏信号分解的广义解调方法，并将其应用于非平稳转速下的轴承故障诊断。该方法先采用基于
准确提取振动信号的特征，是滚动轴承故障检测的关键问题，为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换，得到时频矩阵，并构建S能量谱，对S能量谱进行奇异值分解（Singula
小波包在旋转机械故障诊断中的应用，张朝解，，本文将小波包应用于旋转机械故障诊断中，并与快速傅里叶变换相结合，取得了良好的效果。实验结果表明，该方法可以有效地提高故障
利用冗余提升小波变换分析带式输送机滚筒轴承振动信号,有效提取故障特征信息,为带式输送机维修提供了可靠依据。
1.引言 当发生转子断条故障时,在其定子电流中将会出现 和 频率的附加电流分量(s为转差率, 为供电频率)。但是 分量的绝对幅值很小,若直接作傅里叶频谱分析时,由于栅栏效应 分量的泄漏有可能淹没
针对煤矿关键设备中滚动轴承容易被损伤的机械故障诊断问题,通过分析在重载/变载荷等条件下的故障机理和煤矿电机设备轴承微弱故障的信号特征,直接构造匹配信号的尺度自适应提升小波变换,对振动信号进行更加精细的
暂无评论