排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
基于EMD和MLEM2的滚动轴承智能故障诊断方法 总被引：2，自引：2，他引：0
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备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。 相似文献
2.
集合经验模式分解在旋转机械故障诊断中的应用 总被引：7，自引：3，他引：4
为了抑制经验模式分解中的模式混淆现象,提高分析精度,引入集合经验模式分解（EEMD）算法。在分析信号上叠加适当的随机高斯白噪声序列,改变信号的局部时间跨度,从而改变一次经验模式分解（EMD）中分析的特征尺度,通过足够多次EMD分解,相当于从多个角度提取信号的本质,最后由所有次分解得出的各本征模态函数（IMF）的均值作为输出,不但消除了人为噪声的影响,还清晰还原了信号的内在过程,准确揭示了其真实物理意义。通过仿真试验和实际的动静碰磨故障案例证实了EEMD算法的有效性,并与基本EMD算法和高频谐波法进行了对比,结果表明,EEMD虽然耗时较多但结果更准确,在旋转机械故障诊断领域应用前景广泛。 相似文献
3.
基于LMD和MED的滚动轴承故障特征提取方法 总被引：4，自引：4，他引：0
机械系统所拾取的振动信号包含着许多复杂的信息成分,微弱故障信号的提取往往会受到这些成分的影响,故障识别非常困难,尤其是滚动体故障识别,往往比内圈和外圈故障识别更困难。提出局域均值分解(local mean decomposition,LMD)与最小熵反褶积(minimum entropy deconvolution,MED)结合的方式,提取强噪声、强确定性成分下微弱故障信号的特征。先用LMD对信号做预处理,自适应地分解为若干个乘积函数(product function,PF)分量,再对前4个PF分量做MED处理以放大故障脉冲特征,最后对MED处理后的信号进行包络分析。通过对强噪声背景下滚动轴承滚动体的故障实例分析,该方法得到的输出频谱故障特征频率处峰值与200 Hz内所有峰值均值的比值较原信号的增加了96.4%,同时信噪比提高了18.3%,成功地提取了故障特征,取得了良好的效果,该研究可为强噪声环境下轴承故障识别和诊断提供参考。 相似文献
1