排序方式: 共有79条查询结果,搜索用时 15 毫秒
1.
针对滚动轴承早期故障振动信号信噪比低、单一故障特征难以实现在整个复杂非线性状态空间上准确分类的局限,提出了基于本征时间尺度分解(intrinsic time-scale decomposition,简称ITD)和分形模糊熵的轴承早期故障智能诊断方法.首先,利用改进的ITD方法将包含大量背景噪声的非线性非平稳振动信号自适应地分解为不同频段的合理旋转(proper rotation,简称PR)分量;然后,提取蕴含故障信息的PR分量的分形维数和模糊熵,组成联合特征向量;最后,采用适合小样本模式识别的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)方法对故障类型进行分类.通过4种运行状态的滚动轴承实验表明,该方法能有效性地应用于滚动轴承早期故障智能诊断. 相似文献
2.
针对机械故障样本数量不平衡情景下的故障诊断模型存在精度与泛用性不高的问题,借鉴模糊属性理论获取强监督模型的思想,设计了一种双加权不平衡矩阵分类器(Twin weighted imbalanced matrix classifier,TWIMC)。TWIMC通过使用基于样本不均衡度的模糊隶属函数调节每个样本的权重,以增强对少数类样本的关注,平衡模型对所有类别样本的倾向性。同时,TWIMC依靠先验知识对核范数的奇异值进行权值分配,利用较大阈值过滤较小奇异值,进而保留矩阵样本的强关联低秩信息。最后,利用滚动轴承和齿轮故障数据集对所提方法进行验证,实验结果显示,TWIMC在不同不平衡比条件下均表现突出,展示了优异的机械故障诊断与分类性能。 相似文献
3.
国内某厂1580热连轧机在轧制1.8mm薄规格带钢时,F2主传动系统发生剧烈振动现象,导致弧形齿接轴集油环连杆断裂;为了分析轧机振动特性,建立F2轧机主传动系统和轧机机架等零部件有限元模型,以节点耦合的方式模拟轧机内部各零部件之间的连接关系,进行有限元模态分析;计算结果与测试所得典型振动信号的优势频率对比分析可知,计算结果与测试结果较为相符,且下接轴自激振动阶段表现出明显的拍振特征,工作辊和机架等测点也具有扭矩自激振动阶段优势频率和拍振特征,为进一步分析轧机振动特性及原因提供有效参考。 相似文献
4.
提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包(KNNCH)分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。 相似文献
5.
一种新的非平稳信号分析方法——局部特征尺度分解法 总被引:5,自引:0,他引:5
在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和.首先对LCD方法的原理进行了分析,然后给出了采用LCD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Em-pirical mode decomposition,简称EMD)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EMD分解方法. 相似文献
6.
为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵(Multi-scale entropy,MSE)中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法--复合多尺度模糊熵(Composite multi-scale Fuzzy entropy,CMFE)。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。 相似文献
7.
机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。 相似文献
8.
10.
经验小波变换是最近提出的非平稳信号分析方法,针对其不足,提出了一种改进的经验小波变换方法;同时结合瞬时频率新定义,提出了一种非平稳信号时频分析新方法.该方法首先通过改进的经验小波变换将一个复杂的非平稳信号自适应地分解为若干个具有紧支集频谱的内禀模态函数之和;再通过对每个内禀模态函数进行解调,得到原始信号的时频分布.将提出的方法应用于滚动轴承试验数据分析,并将其与希尔伯特黄变换进行了对比,结果表明,论文提出的方法能够有效地诊断滚动轴承故障,且诊断效果优于希尔伯特黄变换方法. 相似文献