排序方式: 共有44条查询结果,搜索用时 15 毫秒
1.
2.
3.
针对在滚动轴承故障诊断中,传统单通道原始信号存在输入信息缺失,经方法处理后导致诊断结论不一致的问题,将全矢谱分析技术和频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)相结合,提出了全矢FSWT的方法进行故障检测与诊断。运用FSWT分析同源相互垂直的双通道原始样本,并选择合适的时频切片区间进行包络重构,接着对重构后的信号进行全矢融合,观察提取故障数据的特征频率以进行故障诊断。实验结果表明,该方法既能较好地提取故障特征信号,又能准确有效地诊断故障类型。 相似文献
4.
6.
7.
Labview环境下Mallat正交小波变换快速算法的实现 总被引:3,自引:0,他引:3
分析了动态连接库(DLL)的工作原理,介绍了Labview环境下动态连接库(DLL)的构建和调用方法,在分析Mallat正交小波变换快速算法的基础上,构造了小波变换动态连接库,借助于Labview的高级语言编程接口功能,通过进一步设计,将Mallat算法引入到Labview环境中,扩充了Labview的功能,并对Labview下的Mallat小波变换算法进行了实验验证。 相似文献
8.
基于支持向量机的故障模式识别研究 总被引:1,自引:1,他引:1
支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能. 相似文献
9.
基于支持向量机的机械故障智能分类研究 总被引:7,自引:0,他引:7
故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一,支持向量机(SVM)是一种基于统计学习理论(SLT)的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果,从而为故障诊断技术向智能化发展提供了新的途径.本文介绍了支持向量机分类算法,以滚动轴承的故障分类为例,探讨了该算法在故障诊断领域中的应用,并与BP神经网络分类方法进行了对比研究,结果表明,SVM方法在少样本情况下的分类效果优于BP神经网络分类方法. 相似文献
10.
基于提升模式的非抽样小波变换及其在故障诊断中的应用 总被引:4,自引:0,他引:4
由于传统离散小波变换在分解信号时采用抽样操作,使原始信号的部分时域特征不能保留在分解结果中;另外,分解结果的平移可变,使得分解结果不能完美地描述故障的时域特征。为了克服上述缺陷,根据非抽样小波变换的原理,提出一种基于提升模式的非抽样小波变换框架。首先,通过信号变换方法去除提升小波变换的剖分环节,得到提升模式下的非抽样小波变换框架;在此基础上,建立提升模式下非抽样小波变换与抽样小波变换的预测器和更新器之间的转换关系,提出非抽样提升小波变换的分解和重构算法。采用这种非抽样小波变换从齿轮箱的振动信号中有效提取幅值调制和瞬态冲击的摩擦故障特征。 相似文献