排序方式: 共有44条查询结果,搜索用时 15 毫秒
1.
2.
针对BANT-1型异声测量仪的不足之处,引入了两次均方根叠加法,不仅对BANT-1测量仪现有的识别参数指标进行了改进,而且将各分立的时域参数指标组合成一个统一的识别体系,从各角度全面地描述与识别轴承异音。 相似文献
3.
根据铁路机车轴承的结构特点,综合考虑滚动轴承座及内外套囤的弯曲变形,本文建立了轴承载荷分布计算模型。通过有限元分析计算,给出了轴承实际载荷分布值,并为轴承支座的刚性设计提出了设计要求和建议,为滚动轴承的CAD优化设计提供了切实可行的计算方法。 相似文献
4.
在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。 相似文献
5.
介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件,设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对,利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理,振动信号包含滚动轴承故障信息。因此,运用小波变换函数,对振动信号进行时频域分析处理,获取有用的故障特征信息,进而确定故障类型。从实验结果可以看出,该方法能准确地找到故障频率,对于机车滚动轴承故障诊断有很好的指导意义 相似文献
6.
为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题,提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先,使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化,搜索全局得出最优参数组合;利用优化后的参数对故障信号进行VMD分解,将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明:与EMD、未优化VMD相比,优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。 相似文献
7.
针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题,课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和双向长短时记忆(bidirectional long short term memory network,BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征,并结合遗传算法(genetic algorithm,GA)对BiLSTM模型参数进行优化,实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证,平均准确率达到了99.63%,分别比传统卷积神经网络(convolutional neural network,CNN)、单层长短时记忆网络(long short term memory network,LSTM)、双向长短时记忆网络和最新的CNN LSTM模型高16.02%,9.98%,7.01%和5.65%,验证了该模型的有效性和优越性。 相似文献
8.
基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解,选取合适的信号分解算子既能够抑制噪声,又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算,与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明:形态小波变换能够准确有效地提取轴承故障的特征频率成分,适用于轴承故障的在线诊断。 相似文献
9.
10.
针对滚动轴承早期内圈故障特征较为微弱,并伴随环境噪声的干扰,微弱的故障特征信息易被环境噪声所淹没的问题,课题组提出基于最小熵解卷积(MED)和加权多尺度字典学习(WMSDL)的滚动轴承早期故障诊断方法。课题组通过设置一个滤波器使故障特征信号峭度最大实现解卷积,利用WMSDL对解卷积后的信号稀疏分解后进行平方包络解调突出内圈故障特征频率。仿真分析和实例分析结果表明:解卷积后信号的信噪比明显提高,内圈冲击成分明显增强。课题组的研究可有效提取滚动轴承故障特征频率。 相似文献