搜索资源列表
20090226
- 从盲声源信号的独立性出发!提出了一种新的盲声源混合信号分离方法:该方法基于信号联合概率的 分布统计!利用信号联合概率的方向导数熵最小获得最佳的旋转角度!最终实现盲信号分离:与快速独立分 量分析方法及神经网络方法相比!该方法不需要迭代计算:采用新的盲声源信号分离方法对轴承试验台的混 合声音信号进行识别!将电机和滚动轴承的声音分离出来!进而可以准确识别机械的故障-Blind sound source from the independence of the starting signal
bearing-fault--ball
- 滚动轴承的故障识别，可以利用HTM技术进行故障识别，确定故障类型-Rolling bearing fault identification, you can use HTM technology to identify faults, determine the type of fault
Rolling-bearing-fault-diagnosis
- 滚动轴承的故障诊断程序，可实现在线诊断和自动识别-Rolling bearing fault diagnosis
cluster_VMDaFCM_casedat
- 为了精准、稳定地提取滚动轴承故障特征，提出了基于变分模态分解和奇异值分解的特征提取方法，采用标准模糊C均值聚类(fuzzy C means clustering, FCM)进行故障识 别。对同一负荷下的已知故障信号进行变分模态分解，利用 奇异值分解技术进一步提取各模态特征，通过FCM形成标准聚类中心，采用海明贴近度对测试样本进行分类，并通过计算分类系数和“卜均模糊嫡对分类性能进行评价，将该方法 应用于滚动轴承变负荷故障诊断。通过与基于经验模态分解的特征提取方法对比，该方法对标准FCM
Desktop
- 实现滚动轴承故障诊断,对人工模拟的滚动轴承外圈故障实现诊断(Realization of rolling bearing fault diagnosis)