共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。 相似文献
3.
HHT(Hilbert-Huang变换)是一种适合处理非平稳和非线性过程的信号处理方法。提出了一种基于HHT的时域边际谱方法。该方法与传统Hilbert边际谱不同,代表单位时间内幅度的累加,体现信号时域特性。在滚动轴承的实验中,能够成功辨识滚动轴承内圈和外圈的故障特征,验证了该方法处理滚动轴承故障的可行性。 相似文献
4.
5.
滚动轴承故障振动信号是典型的调幅信号,而谱相关密度分析对调幅信号具有解调功能,它可以有效地提取出滚动轴承信号的故障特征,结合连续隐马尔可夫模型(Hidden Markov Model,HMM)所具有的强大时序模式分类能力,提出了基于谱相关密度-连续HMM的滚动轴承故障诊断方法。该方法首先利用谱相关密度函数在循环频率处进行切片分析,提取滚动轴承故障振动信号的特征,构成特征向量序列;然后将此序列输入到连续HMM中进行训练,得到各类对应故障的模型,最后利用训练好的模型进行滚动轴承的故障诊断。试验结果验证了该方法的可行性和有效性。 相似文献
6.
针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。 相似文献
7.
8.
为了解决振动机械滚动轴承故障诊断问题,提出一种基于高阶谱的滚动轴承故障诊断方法。当滚动轴承开始工作时,提取振动信号,针对滚动轴承的双谱结构图、等高线图和三谱二维切片图在正常情况和故障情况下的不同进行对比。理论分析与试验分析结果一致表明,机械滚动轴承在不同状态下故障特征频谱区别明显,可以成功实现对不同故障的识别和诊断。 相似文献
9.
10.
11.
12.
13.
14.
15.
针对强噪声下滚动轴承有效故障冲击特征难以检测的问题,提出基于最大相关峭度解卷积(MCKD)和稀疏表示的特征提取方法实现滚动轴承的故障诊断。该方法首先对滚动轴承原始振动信号进行最大相关峭度解卷积处理,突出原始振动信号中的周期性冲击成分;然后利用正交匹配追踪算法(OMP)实现周期性冲击成分的稀疏表示;最后通过包络谱分析实现故障诊断。仿真和实验验证了该方法的有效性。 相似文献
16.
17.
<正>特征提取是状态监测和故障诊断的一个重要问题。近年来,高阶谱已应用于多种故障诊断领域。双谱分析技术因信息量少、估计方差高,应用受到限制,信息量较多的积分双谱技术将具有良好的工程应用前景。滚动轴承是矿山机械的重要组成部分。由于矿山机械工作环境恶劣,必须对滚动轴承进行状态监测和故障诊断[1]。有缺陷的滚动轴承的振动和噪声会表现出一些非高斯性[2]。在滚动轴承故障的众多问题中,异常噪声日益引起了人们的重视[3-4]。笔者利用积分双谱对滚动轴承的保持器噪声故障数据进行提取分析。 相似文献
18.
通过应用专家系统对滚动轴承故障进行诊断,在专家系统的知识库中输入了有丰富经验的维修人员通过看、听、触、测得到的故障现象和排除故障的方法,该系统通过人机交互界面实现,使维修人员可以快速找出滚动轴承的故障并进行排除,节约时间,提高效率。 相似文献
19.
20.
滚动轴承在煤机设备中广泛应用,在恶劣工况下容易发生故障。为了能够及时准确地获取滚动轴承的运转状态,采用BP神经网络算法与小波函数对轴承振动信号进行分解,从而对滚动轴承进行状态监测以及故障诊断。实验结果表明,BP神经网络能够准确获得滚动轴承的运动状态及故障类型。 相似文献