搜索资源列表
41
- 基于小波包的信号瞬态成分检测与提取方法及其应用,提出基于小波包分解特征表示和瞬态特征重 建方法并应用于汽车变速器齿轮的故障诊断,结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬 态成分的存在,瞬态成分的重建结果有效地表示了齿轮的故障状态。 -The detection and extraction of signal transients through wavelet packets decomposition are studied and signal trans
24
- 将高阶时频表示引入机械故障诊断领域。介绍了Wigner 高阶矩谱(WHOS)的概念、定义。针对多分量信号Wigner 高阶矩谱的交叉项会产生“虚假信号”,结合局域波法, 提出了一种抑制WHOS交叉项的新方法。首先对复杂信号进行预处理, 利用局域波分解方法把其分解成有限个具有单分量特性的基本模式分量,然后对每个基本模式分量计算WHOS。该方法能有效抑制WHOS时频分布的交叉项。通过仿真实验和转子的故障实验,以Wigner 双谱为例, 验证了该方法的实用性,为故障诊断的特征提取提供了新的工具-Hig
Hilbert335
- 测量6205深沟球轴承的故障振动加速度信号, 对信号进行时频分析, 利用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,对每个固有模态函数进行Hilbert 变换得到Hilbert 谱,通过谱分析识别轴承的故障部位和类型, 证实Hilbert 谱的有效性-Measuring 6205 deep groove ball bearing fault vibration acceleration signal, the signal frequency analysis, empiri
Noise-reduction-algorithm
- 对设备进行故障诊断的主要方法就是测量故障 设备的振动或噪声, 并对其进行分析, 从而找出故障原因。然而振动或噪声信号中除了对分析故障有用的信息外, 还有大量的噪声成分。只有有效地滤除噪声, 才能获得有用的信息, 从而得到可靠的分析结论。传统的滤噪方法是将被噪声污染的信号通过一个滤波器, 滤掉噪声频率成分。但对于短时瞬态信号、非平稳信号、含宽带噪声的信号, 采用传统处理方法有着明显的局限性。小波变换为信号去噪提供了一种有效的方法, 小波阈值去噪具有传统方法不可比拟的优越性。但是小波分解的频域重
62
- 对重分配小波尺度谱存在着时、频分辨率不能同时达到最佳及当振动信号中存在着能量较大的噪声时会降低其时频分布可读性的缺陷，提出一种基于参数优化和奇异值分解(SVD)提高重分配尺度谱时频分布可读性的方法。首先利用Shan— non熵方法优化重分配尺度谱基函数的时间．带宽积(TBP)，克服其时、频分辨率不能同时达到最佳的缺陷，再对重分配尺度谱 进行SVD降噪降低噪声干扰影响，提高时频分布的可读性。最后用该方法对仿真信号和滚动轴承故障信号进行了分析，结果表明该方法的时频聚集性更好，抗噪能力更强，能
64
- 在简单介绍WH-800型离心机基本结构及工作原理的基础上, 介绍了基于重构吸引子轨迹矩阵的奇异值分解技术,并引入自相关函数对现有奇异值分解技术加以改进. 通过对现场实测故障信号的分析,表 明改进的奇异值分解技术具有很好的降噪效果,能在强噪声背景环境下准确提取设备的故障特征信号, 为离心机的故障诊断提供了一种新的思路.-After a brief introduction WH-800 centrifuge basic structure and working principle, base
85
- 论述了小波包分解及其能量谱处理发动机连杆轴承故障的原理与方法, 结合传统断火诊断法的思想,应用小波包能量谱直观地识别出故障的特征频带, 并进行量化分析, 结果证明了这种方法比传统的付立叶分析方法具有更大的优越性及现实的应用价值-Discussed and wavelet packet energy spectrum processing engine connecting rod bearing failure principles and methods, combined with trad
Thermal-image-enhancement
- 热图像增强使用二维经验模式分解结合相关向量机的旋转机械故障诊断 -Thermal image enhancement using bi-dimensional empirical mode decomposition in combination with relevance vector machine for rotating machinery fault diagnosis
421
- 针对齿轮滚动轴承等的早期损伤类故障, 提出将小波包分解作为包络分析的前置处理手段以提取振动信号的故障信息特征 。 在简述小波包基本原理的基础上, 通过仿真信号, 对振动信号的具体处理过程进行分析, 并对可能遇到的问题, 提出处理办法, 然后应用于诊断实例 。 -Early damage fault for rolling bearings and other gear, the proposed wavelet packet decomposition as pre-processing mea
Study-on-compound-fault-diagnosis
- 针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方 法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对 故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后 对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff
dual-tree
- 首先将非平稳的故障振动信号进行双树复小波包分解，得 到不同频带的分量；然后对每个分量求其峭度值和相关系数并进行比较；最后选取峭度值和相关系数较大的分量 进行软阈值降噪和双树复小波包重构，即可有效地消除振动信号中噪声的干扰，同时保留信号中的有效信息即实 现了故障特征信息的提取。-In view of the above situation, a new fault diagnosis method is proposed based on dual-tree complex wa
energy-leakage--dual-tree
- 首先根据高斯白噪声频率充满整个频带的特性，通过双树复小波包变换对高斯白噪声进行分解，利用频带能量泄漏的定量分析方法，验证了双树复小波包变换具有较低的频带能量泄漏特性；其次利用双树复小波包变换逐层分解信号，对每层分解所得分量求其FFT谱的峭度，得到基于双树复小波包变换的谱峭度图，根据图中峭度最大的原则，可以自动准确的选择信号分解最佳层数和最佳分量；最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中，对齿轮故障振动信号进行分析，选择最佳分解层数和分量后利用希尔伯特包络解调，有效准确地
EMD-HHT
- 用于机械故障诊断中的EEMD 分解和HHT 变换，我当初就是用的这个程序，稍加修改就可以满足您的要求-EMD-HHT,this program is correct
VMD
- 本文介绍了一种自适应信号分解新方法-变分模态分解，并且针对滚动轴承早期故障识别困难这一问题，提出了基于VMD的诊断方法。-In this paper, a new adaptive signal decomposition method, variational mode decomposition, is introduced. Aiming at the problem of early fault identification of rolling bearing, a diagnosis
Parameter-optimization
- 针对滚动轴承早期故障特征提取困难的问题，提出一种基于参数优化变分模态分解的轴承早期故障诊断方法。首先利用粒子群优化算法对变分模态分解算法的最佳影响参数组合进行搜索，搜索结束后根据所得结果设定变分模态分解算法的惩罚参数和分量个数，并利用参数优化变分模态分解算法对故障信号进行处理。-Aiming at the difficult problem of early fault feature extraction of rolling bearing, an early fault diagnosis
VMD-Parameter-Estimation
- 变分模态分解在信号分解精度和噪声鲁棒性方面具有明显优势，但需预先确定模态数K，而目前K 只能靠先验知识进行预估，如果预估的K 与实际信号存在差异，会导致分解误差较大。针对以上问题，利用EMD 不需预先设定模态数的自适应分解特点，通过对EMD 分解结果的分析，进行VMD 分解模态数的估计，并通过仿真信号分析及滚动轴承故障信息提取-Variational modal decomposition has obvious advantages in signal decomposition accura
EEMD相关文件
- Hilbert-Huang变换(HHT)是一种新的非平稳信号处理技术，该方法由经验模态 分解(EMD)与Hilbert谱分析两部分组成。任意的非平稳信号首先经过EMD方法处理后被分解为一系列具有不同特征尺度的数据序列，每一个序列称为一个固有模态函数(IMF)，然后对每个IMF分量进行Hilbert谱分析得到相应分量的Hilbert谱，汇总所有Hilbert谱就得到了原信号的谱图。该方法从本质上讲是对非平稳信号进行平稳化处理，将信号中真实存在的不同尺度波动或趋势逐级分解出来，最终用瞬时频率和能量来
ITD分解
- 可以对机械故障信号进行分解，分解效果良好(The mechanical fault signal can be decomposed and the decomposition effect is good.)
基于改进的希尔伯特振动分解的机械故障诊断方法研究
- 针对多分量机械故障振动信号的特征提取问题，介绍一种基于希尔伯特振动分解( HVD) 的时频分析方法。该方法首先利用 Hilbert 变换得到原始振动信号的解析信号，然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率，同时经同步检测获得相应的瞬时幅值和初相位，最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对 HVD 方法的边界效应问题，提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。 通过两组仿真信号分析验证了 HVD 方法对多分量非平稳信号的分解能力，同时
bp神经网络，小波变化
- 小波变换提取特征信号用bp神经网络进行故障诊断(Bp neural network is used for fault diagnosis of feature signal extracted by wavelet transform)