搜索结果: 1-11 共查到“兵器科学与技术 滚动轴承”相关记录11条 . 查询时间(0.099 秒)
传统线性时频分析所处理的信号特征模糊、时频能量发散，不能较好的处理微弱信号的特征提取问题。为了能准确识别轴承故障的微弱特征，本文将同步提取变换（Synchroextracting Transform，SET）引入到轴承振动信号的微弱特征增强与提取中，探讨了如何利用同步提取变换提取滚动轴承微弱特征信息，并与短时傅里叶提取变换、同步挤压短时傅里叶变换进行对分析。仿真表明，该方法明显优于短时傅里叶和同步...
提出了一种深度卷积神经网络与极限学习机相结合的滚动轴承自适应故障诊断方法。该方法的第一阶段训练深度卷积神经网络作为特征提取器：通过卷积层和池化层提取低阶特征，然后在全连接层合成高层次特征。第二阶段将第一阶段自适应提取出来的特征通过极限学习机进行轴承故障类别的准确快速分类，实现了自适应“端到端”的故障诊断。实验结果表明，该方法能有效的识别故障类别，缩短了训练时间，并具有良好的鲁棒性和实时性。
针对核空间稀疏分类方法忽略了振动信号局部结构包含更多的区分性信息的问题，提出了一种基于核空间的加权稀疏表示轴承故障诊断方法。通过核函数将非线性振动信号映射到高维空间；利用该方法提取振动数据的局部信息并求得相似度加权矩阵；采用优化方法求解测试样本的稀疏系数，通过最小化原始样本与重构样本之间的误差获得分类结果。试验结果表明，所提出的方法具有较高的识别率和鲁棒性。
滚动轴承内圈局部故障碰撞的NeimarkSacker分岔研究
轴承 碰撞 分岔
2016/11/5
本文以滚动轴承内圈局部故障为研究对象，建立三自由度分段非线性故障碰撞模型，通过在故障缺陷的碰撞面处建立Poincaré映射，研究当故障系统随频率增加时，由于滚动体与内圈缺陷的碰撞冲击而出现的NeimarkSacker分岔等非线性行为，有助于揭示故障碰撞机理，为设备的减振降噪提供理论依据。
针对强噪声情况滚动轴承故障特征较微弱、其故障特征较难提取问题，提出将最小熵反褶积（Minimum Entropy Deconvolution, MED）与快速谱峭度算法（Fast Spectral Kurtosis, FSK）结合用于滚动轴承微弱故障提取。用MED对强噪声滚动轴承振动信号降噪，对降噪后信号进行快速谱峭度计算，确定故障信号共振解调带通滤波器参数，结合能量算子解调包络谱提取故障特征。通...
针对声发射检测齿轮箱轴承故障问题，提出基于奇异值分解(Singular Value Decomposition, SVD) 与Fast Kurtogram算法的故障诊断方法。通过奇异值分解提高信号信噪比；将Fast Kurtogram算法用于故障信号共振解调带通滤波器参数确定，结合能量算子解调包络谱，成功提取齿轮箱轴承内外圈故障特征，有效改善传统共振解调中人工选择滤波器参数的不确定性。通过仿真与实...
滚动轴承故障机理与诊断策略
滚动轴承 故障机理 诊断策略
2012/4/20
首先统计分析某现代化矿区近年来关键机电设备滚动轴承故障的形式， 结合滚动轴承结构， 详细分析其故障机理。根据滚动轴承运行状态不同对滚动轴承故障诊断策略进行研究。
EMD和Elman神经网络在滚动轴承故障诊断中的应用
滚动轴承 经验模态分解 Elman神经网络 故障诊断
2011/6/28
针对滚动轴承故障信号的特点， 提出Ｅ ＭＤ和Ｅ ｌ ｍ ａ ｎ神经网络结合的滚动轴承故障诊断方法。以滚动轴承振动信号为研究对象， 首先对信号进行经验模态分解（ Ｅ ＭＤ ） ， 提取包含主要信息成分的本征模函数（ Ｉ ＭＦ ） 分量， 将 Ｉ ＭＦ的能量比作为特征向量输入 Ｅ ｌ ｍ ａ ｎ神经网络进行网络训练和故障识别， 实现滚动轴承的故障诊断。结果表明， Ｅ ＭＤ方法能按频率由高到低把复杂的非...
基于小波包和概率神经网络的滚动轴承故障诊断
滚动轴承 小波包分析 概率神经网络 BP神经网络
2011/3/6
为更好实现滚动轴承的状态监测和故障诊断， 提出了基于小波包分析的特征向量提取算法。通过小波包分析对信号的高频和低频进行同样精度的分解， 再将有效特征向量作为概率神经网络的输入， 实现滚动轴承状态监测和智能化模式识别。结果表明， 小波包变换可提高信号的频率分辨率， 概率神经网络可充分利用故障先验知识， 两者相结合能更有效地突出故障特征。
针对滚动轴承故障的多发性和重要性，依据振动加速度信号设计了在线监测系统。利用ＬａｂＶＩＥＷ 开发平台，结合Ｍａｔｌａｂ，采用小波包络算法和模式识别技术，对振动信号进行采集和实时分析，完成滚动轴承状态的监测和故障的报警。该系统能够灵活地添加、修改监测方法，操作简便