排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
5.
滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。 相似文献
6.
7.
8.
齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。 相似文献
9.
指针式仪表被广泛应用在工业检测等诸多领域,目前指针式仪表检测朝着自动化和智能化的方向发展。指针特征提取是指针式仪表检测系统中极为关键的技术,针对仪表表盘环境复杂、指针的粗细不一等因素导致的指针特征提取困难问题,提出了基于形态学处理的仪表指针提取算法。首先将获取的图像经过图像增强处理、中值滤波、otsu算法获得干净的二值化图,其次将反转后的二值化图经过形态学处理,最后输出提取结果。实验结果表明:该算法在损失极少量指针长度的情况下能够更为精确有效的提取指针信息,解决“双边缘效应”现象和复杂表盘环境下无关信息对指针特征信息的干扰,从而可以提高仪表检测的精确程度和仪表检测系统的适用性,对指针式仪表检测系统的读数识别研究具有重要意义。 相似文献
10.
滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。 相似文献