基于PPCA 1.5维能量谱的滚动轴承故障诊断

摘要：本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(empiricalmodedecomposition,EMD)存在的端点效应进行改进,然后基于改进的EMD和粒

针对滚动轴承聚类故障聚类模式识别方法中需要预先设定聚类数目问题，提出了一种基于局部均值分解（localmeandecompoeiton，LMD）与基本尺度熵（basescaleentropy，BSE）

为了提高滚动轴承故障诊断的准确性,运用了将多传感器信息融合技术用于故障诊断的检测方法。由电流传感器和加速度传感器采集电流信号和振动信号,经小波变换等预处理后通过能量算子获得故障特征值,再经过动量改进B

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

针对局部特征尺度分解（LocalCharacteristic-scaleDecomposition，LCD）方法中严重的端点效应，将BP神经网络应用到信号的延拓中，提出了一种提出基于BP神经网络延拓局

文件夹内包含滚动轴承数据，数据量较大，本次实验采用的轴承包括状态良好的轴承、外圈有剥落的轴承、内圈有剥落的轴承、滚珠有剥落的轴承以及保持架断裂的轴承。

振动信号是反映滚动轴承故障的显著信号之一。将测得的振动信号进行小波分析变换到时频域,对其高频成分加以提取并进行Hilbert包络功率谱分析,以各频段的能量和为特征量,建立M-距离判别函数来识别滚动轴承

自适应有理小波变换在滚动轴承故障诊断中的应用，孙珊珊，何光辉，针对滚动轴承早期故障信号具有非平稳性，强噪性，难以提取故障特征的问题，提出了一种基于自适应有理小波变换的滚动轴承故障检测

针对基于复Morlet小波和Harmonic小波函数的带通滤波器的不足,提出一种在频域具有几乎"盒形"特性、时域又能迅速衰减的改进带通滤波器。为了解决滚动轴承的损伤类故障诊断问题,