排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
当齿轮箱传动系统发生故障时,不同振动信号的多尺度均值排列熵(Multi-scale Mean Permutation Entropy,MMPE)与其故障状态有一定的对应关系,但MMPE提取故障特征的效果取决于参数的选取。因此,提出了一种基于改进MMPE和参数优化支持向量机(Support Vector Machine,SVM)的齿轮箱故障识别方法。首先,引用粒子群优化(Particle Swarm Optimization,PSO)算法对MMPE的参数进行优化;其次,对采集到的齿轮振动信号计算其MMPE;最后,采用PSO-SVM对齿轮的故障状态进行了识别。试验结果验证了所提方法的有效性且具有较高的准确率。 相似文献
3.
4.
针对滚动轴承早期故障信号受噪声干扰严重,特征频率难以提取的问题,提出了基于基尼系数(GI)和自适应最小熵解卷积(AMED)的滚动轴承早期故障诊断方法。首先,以基尼系数为指标对滚动轴承健康状态进行评估,得到轴承故障初始起点;然后,以模糊熵为标准,通过步长迭代的方式对最小熵解卷积滤波器长度L进行寻优,用优化后的自适应最小熵解卷积对轴承信号进行自适应降噪处理;最后,对预处理信号进行包络谱分析并提取故障特征频率,完成滚动轴承早期故障诊断。试验结果表明,基尼系数能够比均方根值更早判定轴承运行趋势的异常点,AMED则能够克服人为经验选取参数的局限性,且能够得到更清晰的故障特征频率,从而有效实现滚动轴承早期故障诊断。 相似文献
1