排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题,提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先,基于VMD算法分解振动信号,以互信息指标筛选真实分量并进行重构,通过GST将重构信号转化为时频图;然后,以得到的二维特征图像为输入,通过AMCNN自适应学习其时频特征;最后,通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证,结果表明:VMD-GST方法能有效提取故障特征,AMCNN模型具有更强的特征提取能力和识别能力,平均故障识别准确率达到99.76%,优于其他方法。 相似文献
2.
随着国家工业化和机械化的发展,故障诊断成为了热点问题。故障诊断中对信号进行处理至关重要,而加窗是信号处理中常见的手段。概括了经典窗函数的特点及工程应用,总结了卷积窗、自乘法窗、时频窗、谐波窗等此类新型窗函数的性质,对加窗的原理及影响、加窗幅值修正的问题进行较为详细的探讨。通过对比分析,可以发现新型窗函数在经典窗函数的基础上进一步发展和优化。与传统的窗函数相比,新型窗函数的性能更加优越,在工程实践中应用的范围更广。 相似文献
1