搜索结果: 1-7 共查到“农业工程 滚动轴承”相关记录7条 . 查询时间(0.105 秒)
针对旋转机械的自主故障诊断，提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号，在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表，使用改进的MLEM2算法挖掘诊断规则，再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息，提高所选分量的信噪比，而MLEM2算法无需对连续属性事先离散化，获得的诊断规则更完...
基于形态非抽样小波分解的滚动轴承故障特征提取（Fault Feature Extraction of Rolling Element Bearing Based on Morphological Undecimated Wavelet Decomposition）
滚动轴承 故障诊断 特征提取 形态非抽样小波分解
2010/2/26
针对滚动轴承故障特征信息往往被强背景噪声淹没的问题，提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征。形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性，通过非抽样方式对信号进行分解，克服了传统形态小波分解信息丢失的问题。结合差值形态滤波能够提取信号冲击成分的特点，构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法，并将其应用于滚动轴承故障特征的提取。仿真与...
提出了一种基于提升小波包变换提取滚动轴承损伤特征的方法。在提升模式的框架下，根据小波包变换的思想，对细节信号进一步采用提升模式进行分解，实现了提升小波包变换。为了有效地获取滚动轴承的损伤特征，选择合适的小波包基函数，把振动信号按给定的尺度分解，以该尺度信号能量最大的小波包信号分解频带作为最佳小波包，再用解调分析法提取特征频率。并采用仿真和实验信号对该方法进行了验证。采用该方法对无损伤和...
阐述了故障轴承振动与信号的关系，小波包的原理以及BP神经网络的工作原理和实现过程，并以滚动轴承故障诊断为例，提取了小波包节点能量作为振动信号特征参数，并训练BP神经网络，对故障模式进行识别。结果表明，如果神经网络设计合理，训练适当，则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。
针对故障滚动轴承振动信号的非线性、非高斯性特征，将双谱和双相干谱分析方法用于滚动轴承故障特征的提取，给出了正常及外圈、内圈、滚动体局部损伤4种不同状态下轴承振动信号的双谱及双相干谱图，基于双谱形成了故障特征向量，并利用灰色关联度法识别了故障轴承局部损伤的发生部位。试验分析表明，对于损伤元件不同的轴承故障，振动信号的能量分布不同，双谱特征图谱存在明显的差异，而且双谱比双相干谱更有利于故障特征的提取。
利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一，传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号，有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征，因而非常适于对瞬态或时变信号进行分类, 而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征，首先采用小波包分析对其建立频域能量特征向...