MED方法及在滚动轴承故障诊断中

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

滚动轴承是机械传动系统重要的组成部分,其故障发生率极高,直接影响机械设备的正常、安全运行。基于此提出基于局部均值分解(LMD)模糊熵和概率神经网络(PNN)的滚动轴承故障诊断方法,原始振动信号应用LM

为了解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难以及故障诊断准确率低的问题，研究者提出了一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法

基于最小熵解卷积的滚动轴承故障诊断研究文献

针对传统轴承故障诊断方法提取故障特征的有效性不高的问题，提出了一种基于云自适应粒子群算法（CAPSO）优化的深度自动编码器网络（DAEN）的轴承故障诊断方法。 在分析CAPSO和DAEN的基础上，建立

用于进行滚动轴承故障诊断和分析，自动得到诊断结果

滚动轴承的故障数据，可用于滚动轴承故障诊断中，故障均有两种程度

介绍了小波分析理论和MATLAI3小波工具箱，并利用MATLAI3小波工具箱进行信号分析、滚动轴承是各种旋转机械中应用，一泛的一种通用机械部件，它的工作状况直接影响机械设备的使用性能〔小波分析是一种时

针对轴承故障诊断中非平稳信号的特征提取问题,采用小波变换理论对其进行处理。构建了减速器轴承故障实验平台,采集了大量实验数据。通过滚动体点蚀的典型故障实验与小波变换处理及轴承故障频率分析,获取了该故障的

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了基于变分模态 分解( Variational mode decomposition,VMD) 与支持向量机( Suppor