排序方式: 共有77条查询结果,搜索用时 15 毫秒
1.
针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。 相似文献
3.
4.
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
5.
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
6.
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
7.
总体平均经验模态分解(Ensemble EMD,EEMD)虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD(Complementary EEMD, CEEMD)成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。论文结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法(Modified EEMD,MEEMD),MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。 相似文献
8.
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
9.
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
10.
自适应噪声加权优选经验模态分解及其在机械故障诊断中的应用 总被引:1,自引:0,他引:1
自适应噪声辅助集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)解决了集成经验模态分解在集成平均过程中的分解不完备问题,但噪声残留和虚假分量问题仍然存在。针对CEEMDAN的不足,提出了自适应噪声加权优选经验模态分解(Weighted Mean-optimized Empirical Mode Decomposition with Adaptive Noise,WMEMDAN)。该方法用改进的均值曲线构造方式提取内禀模态函数(IMF),以正交性最小为依据,从不同权重的迭代筛分结果中选取出最优IMF,改善了CEEMDAN的分解能力,同时通过对不同权重下的分解结果进行筛选,确保每一阶的IMF分量都是整体最优,减少虚假分量和残留噪声。仿真和实验信号分析结果表明,WMEMDAN在减少虚假分量和提高分解精度等方面具有优势。将所提方法应用于滚动轴承和齿轮的故障诊断,分析结果表明了方法的有效性和优越性。 相似文献