提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。
2021-03-09 14:31:12
258KB
1
采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。
2021-03-06 16:41:31
749KB
1
为实现对滚动轴承工作状态的监测，提出了一种基于 Lab VIEW 的滚动轴承故障诊断系统的设计方案，给出了滚动轴承振动信号的采集与故障诊断方法，在 Lab VIEW 的诊断平台下进行信号处理与分析，然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证，验证结果体现了该系统具有可行性和适用性。
2021-02-18 20:05:10
783KB
1
输入数据描述：轴承故障数据，故障有十类，利用滑动窗口进行数据采样，一个样本大小为1024，每类故障有1000个样本，总共10000个样本，输入数据形式为10000x1024，相当于1024个变量，标签采用one-hot编码，
参数调整：gamma：惩罚参数（自己调参），kernel：核函数（自己选择） sigma：核函数宽度（自己调参）
2021-02-14 15:41:40
5KB
1
西储大学轴承数据库数据，使用的是12K驱动端轴承数据，共包括十种故障故障类型：正常、0.007滚动体、0.014滚动体、0.021滚动体、0.007内圈、0.014内圈、0.021内圈、0.007外圈、0.014外圈、0.021外圈。每种故障包含四种转速。非常适合做故障诊断的同学使用
2020-01-24 03:14:29
45.01MB
1
数据分析中主要针对内外圈故障，应用4种故障分析方法分别进行分析.通过对同一转动频率的信号采用不同处理分析方法及同一分析方法对不同转动频率的的比较，可以发现时域无量纲参数分析、FFT分析这两方法可以有效的发现故障，但是不容易得出故障信号频率，因此不能分析出具体是哪一种故障。Hilbert包络谱分析和Haar小波分析和数学形态学分析相对于前面的几种方法，可以更好的观测出故障信号频率，从而可以分析故障类型。
2019-12-21 21:57:57
1MB
1
针对轴承故障信号的非平稳性和非线性的特点，采用小波包分解和自回归（auto-regressive，AR）谱估计相结合的方法提取振动信号特征值；为了提高诊断结果的精度，提出用深度信念网络（deep believe network，DBN）进行诊断模型训练。首先，对轴承振动信号进行小波包分解和自回归谱估计，计算不同频段的能量实现轴承故障特征提取；其次，将提取到的特征值作为深度信念网络的输入向量，进行模型训练；最后，用训练好的模型进行故障诊断。为验证所提方法的有效性，采用美国凯斯西储大学提供的旋转轴承数据集，将提出的算法与三种故障诊断方法进行对比实验。实验结果表明，所提方法具有更好的诊断性能。
2019-12-21 21:40:09
1.4MB
1