共查询到19条相似文献,搜索用时 109 毫秒
1.
基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断 总被引:1,自引:0,他引:1
针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值(FCM)聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。 相似文献
2.
采用威布尔分布和混合威布尔分布对齿轮传动的可靠性实验数据进行描述 ,用最大似然法进行分布参数的估计 ,并通过最优化方法求得最大似然值 ,取得了正确结果。结果表明 ,对本文所提供的实验数据 ,混合威布尔分布更能准确真实地反映实验数据的统计特性。 相似文献
3.
4.
威布尔分布是一种连续概率分布,是可靠性工程领域中较为重要的寿命统计分布函数。文中基于三参数威布尔分布函数的数学模型,分析不同参数β,γ,η对概率密度函数的影响;研究了汽车产品可靠度R(t)和失效率λ(t)随时间变化的关系,并基于浴盆曲线探讨了不同阶段的失效原因及形式;从设计验证角度出发探讨了可靠度R、置信度C和样本容量N之间的关系,同时基于某上市车型的售后数据研究了其使用时间、故障增长数与累积故障率之间的关系。结果表明:汽车产品的可靠度R(t)随着使用时间的增加而不断降低,且随着时间的持续增加,降低速度趋缓;汽车产品的失效率λ(t)随着时间的增加,其增加速度先快后慢;在产品偶然失效期内的车辆控制器的可靠度相对早期失效期的要高。 相似文献
5.
威布尔分布在机床可靠性计算中的应用 总被引:3,自引:0,他引:3
本文基于可靠性理论,针对T6216C型镗床试验统计结果,分析该产品的失效机理,估计可靠性的特征指标,找到影响产品可靠性指标的主要因素。 相似文献
6.
7.
滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。 相似文献
8.
针对数控机床的运行可靠性规律进行了研究。根据采集的国产机床运行数据,对其无故障运行间隔时间进行统计分析,确定其分布类型服从威布尔分布。利用威布尔分布的参数评估方法,确定出三参数威布尔分布的各个特征量,并与两参数威布尔分布相比较。运用威布尔分布模型及可靠性评定方法确定出数控机床的平均无故障时间和使用可靠性规律。 相似文献
9.
10.
11.
针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。 相似文献
12.
13.
针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影(UDP)的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。 相似文献
14.
提出了一种基于掩蔽经验模式分解(MEMD)互近似熵及模糊C均值聚类(FCM)的滚动轴承故障诊断新方法。MEMD可以有效抑制经验模式分解存在的模态混叠问题;互近似熵是近似熵的改进,能更好体现信号的不规则度和复杂度。信号经掩蔽经验模式分解后得到一组平稳的本征模函数(IMF),通过能量分析筛选出与原始信号最为相关的几个IMF分量,计算其互近似熵值以作为故障特征向量,能够直观体现设备的运行状况。故障模式识别采用的FCM算法,计算相对简单,聚类效果好。实验分析证明了该方法的优越性。 相似文献
15.
基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法 总被引:1,自引:0,他引:1
针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题,提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换,将双时域变换谱的对角序列作为重构信号;然后对重构信号进行稀疏编码收缩,减小噪声与低频杂波的干扰;最后对降噪信号做包络谱分析,提取故障特征频率,判定故障类型,实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明,该方法可有效提取轴承早期故障信号中的微弱故障特征,准确判断故障类型。 相似文献
16.
压缩感知作为一种新型压缩采样方法,利用信号稀疏特性以远低于奈奎斯特采样定理的采样速率压缩采集信号,减小数据采集、传输、存储的硬件压力。基于压缩感知框架下压缩采集的信号,提出了一种滚动轴承故障诊断新方法。该方法选择部分hadamard矩阵作为测量矩阵,将峭度因子、方差、波形因子作为敏感特征参量,不重构压缩测量量,直接利用压缩采集信息,提取敏感特征,然后通过PSO-SVM算法进行模式识别从而实现故障诊断。研究结果表明,在一定压缩比范围内,利用该方法能够在降低平均采样速率的同时用更少的数据量表现故障特征,实现滚动轴承故障诊断。 相似文献
17.
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法 总被引:1,自引:0,他引:1
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。 相似文献
18.