共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
基于小波包的滚动轴承故障特征提取 总被引:7,自引:0,他引:7
在深入分析离散小波包变换快速算法的基础上,给出了离散小波包变换快速算法中产生频率混淆的原因,即由正交镜像滤波器的非理想截止特必, 隔点采样和隔点插零的特性共同作用产生的,提出了一种消除频率混淆的算法,利用该算法和原算法,分别对某型滚动轴承内环剥落故障的振动信号进行处理,提取其故障特征,结果表明,原算法由于存在频率混淆,可能掩盖故障特征,提出的新算法,由于很好地消除了频率混淆,能有效地提取滚动轴承局部故障的特征。 相似文献
3.
滚动轴承表面损伤故障智能诊断新方法 总被引:6,自引:0,他引:6
本文针对目前基于小波变换的滚动轴承故障诊断研究中普遍存在小波变换参数选取和故障特征计算无法自动完成的问题,提出了一种基于小波包变换的滚动轴承故障特征自动提取技术,实现了小波函数参数的自动选取和故障特征的自动提取.最后,基于结构自适应神经网络方法建立了滚动轴承的集成神经网络智能诊断模型,利用实际的滚动轴承实验数据进行了验证,结果表明了本文方法的有效性. 相似文献
4.
将小波包变换与LDA算法相结合,提出了一种基于LDA模型的滚动轴承故障类型检测新方法。首先通过小波包变换提取轴承振动信号的能量特征及其所包含的故障信息特征,并用"词袋"模型将故障信息特征表示成视觉词向量,然后利用LDA模型对轴承故障类型进行判别。试验表明,该方法能精确提取轴承的故障信息特征,快速检测出轴承的故障类型,与SVM等方法相比检测精度更高,鲁棒性更强,具有很好的故障检测效果。 相似文献
5.
6.
针对噪声导致深度学习识别滚动轴承故障时深层网络收敛速度变慢以及识别率降低的问题,提出一种改进经验小波变换(IEWT)结合改进深层Wasserstein自动编码器(IDWAE)的故障识别模型。首先,针对经验小波变换的过分解问题,提出一种振动信号频谱有效边界划分方法,进而将信号自动分解为不同频段的调幅-调频分量;然后,利用一种新的AM-FM分量筛选指标选择主要分量进行重构,实现对信号的有效降噪;最后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据中间层神经元的激活值对神经元大小进行自动增减以构造IDWAE,将经IEWT降噪后的信号输入IDWAE进行自动特征提取和故障识别。试验结果表明:IEWT-IDWAE在一定程度上缓解了工程人员对繁琐的特征提取和特征选择的依赖,对噪声的鲁棒性高,故障识别率达到了99.57%,标准差仅0.12,故障识别能力优于其他组合模型方法。 相似文献
7.
基于小波包变换的滚动轴承故障诊断 总被引:1,自引:0,他引:1
针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。 相似文献
8.
9.
10.
11.
基于小波包和SOM神经网络的车辆滚动轴承故障诊断 总被引:1,自引:0,他引:1
以车辆滚动轴承故障诊断模型为基础,针对其轴承的特点,提出了一种小波包分析和SOM神经网络相结合的故障诊断方法。将该方法应用于车辆滚动轴承的故障诊断中,经过大量实测数据的分析与验证,能够有效地诊断出轴承的故障类型,为旋转机械的动态监测和故障诊断提供了新的参考,具有重要的理论和实际工程应用价值。 相似文献
12.
针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。 相似文献
13.
14.
15.
基于小波包样本熵的滚动轴承故障特征提取 总被引:5,自引:0,他引:5
将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性. 相似文献
16.
基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架.首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别.结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率. 相似文献
17.
18.
复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。 相似文献
19.
20.
基于双谱分析的滚动轴承故障模式识别 总被引:2,自引:1,他引:2
当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。 相似文献