共查询到18条相似文献,搜索用时 156 毫秒
1.
2.
3.
与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。 相似文献
4.
针对传统主变压器温度监测仪表故障诊断准确率低的问题,设计一种基于谱峭度与复Morlet小波的主变压器温度监测仪表故障诊断系统。首先,通过采集板中的温度传感器进行主变压器温度和振动数据采集;然后将采集数据传输至处理板,利用谱峭度提取温度监测仪表中的脉冲信号,从而获取复Morlet小波的中心频率和尺度;最后通过复Morlet小波进行信号处理,以此提升温度监测仪表的故障诊断准确率。结果表明,采用谱峭度法进行主变压器内环轴承振动数据提取的中心频率和带宽分别为1.75 kHz和500 Hz,可确定内环轴承故障的谱峭度共振频率为1.5 kHz~2 kHz。设定的内环故障频率为162.2 Hz,采用复Morlet小波进行变换后,在包络频域的163 Hz处出现峰值,找到主变压器温度监测仪表内环轴承的故障。由此说明,本方法可实现温度监测仪表信号的共振频率提取。可有效屏蔽外部噪声干扰,提高主变压器温度监测仪表故障诊断精度。 相似文献
5.
与传统功率谱相比.矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别.并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。 相似文献
6.
为解决在轴箱轴承故障诊断中,原始振动信号带通滤波器参数选择依靠主观工作经验,EEMD分解技术中多个IMF分量分析效率及准确性较低等问题,提出一种改进的EEMD-Hilbert包络解调方法.该方法采用EEMD对原始信号进行分解,利用双相关系数法及阈值法选取有效本征模态分量,通过对本征模态分量进行Hilbert包络解调,获取包络信号幅值谱作为故障特征量进行轴箱轴承故障诊断.并通过轴箱轴承实验台测试验证了该方法的有效性. 相似文献
7.
《电子技术应用》2016,(6)
针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。 相似文献
8.
针对旋转机械常见故障类型与检测问题,考虑到旋转机械故障振动信号的重复瞬态、冲击和循环平稳特性,提出基于Inogram的重复瞬态特征提取与旋转机械故障诊断方法.不同于谱峭度、快速谱峭度图以及包络谱,Infogram不仅能够同时在时域和频域捕获重复瞬态特征,而且以热力学的平衡态分离思想为基础能够测量信号平方包络和平方包络谱的负熵,因此它对冲击和循环平稳较为敏感,有助于实现旋转机械故障诊断.通过对仿真和电机轴承实验数据分别用提出方法和集总经验模式分解提取故障征兆特征,结果表明提出方法优于集总经验模式分解方法,能够实现旋转机械关键零部件的故障诊断. 相似文献
9.
针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点. 相似文献
10.
《计算机应用与软件》2017,(5)
主减速器是汽车的重要零部件,同时也是汽车主要的故障源,据此实现一种基于混合核学习支持向量机的故障诊断方法。利用经验模态分解(EMD)与小波阈值函数,以达到对振动信号降噪。利用核主成分分析(KPCA)进行特征向量的提取,获取特征子集的低维向量。以提取的特征向量作为输入值,以支持向量机(SVM)为分类器,经遗传算法参数优化后获取故障识别率。通过研究混合核函数即单核函数的线性组合,实验结果表明,相比与传统的单核学习故障诊断方法,该方法提高了主减速器故障诊断的精度。 相似文献
11.
12.
基于EMD和优化K-均值聚类算法诊断滚动轴承故障 总被引:2,自引:0,他引:2
考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。 相似文献
13.
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
14.
15.
16.
17.