这篇论文发表在 IEEE Transactions on Instrumentation and Measurement。 在工业旋转机械中，瞬态信号通常对应于主要元件的故障，例如轴承或齿轮。 然而，面对实际工程的复杂性和多样性，提取瞬态信号是一项极具挑战性的任务。 在本文中，我们提出了一种新的时频分析方法，称为瞬态提取变换，它可以有效地表征和提取故障信号中的瞬态分量。 该方法基于短时傅立叶变换，不需要扩展参数或先验信息。 量化指标，如 Rényi 熵和峰度，被用来比较所提出的方法与其他经典和先进方法的性能。 比较表明，所提出的方法可以提供更加能量集中的时频表示，并且可以以明显更大的峰态提取瞬态分量。 数值和实验信号用于显示我们方法的有效性。 这篇论文可以在网站上找到， https://ieeexplore.ieee.org/document/8676242

行业分类-物理装置-基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法.zip

针对轴承故障诊断中非平稳信号的特征提取问题,采用小波变换理论对其进行处理。构建了减速器轴承故障实验平台,采集了大量实验数据。通过滚动体点蚀的典型故障实验与小波变换处理及轴承故障频率分析,获取了该故障的特征频率参数,表明小波变换在非平稳信号处理方面的有效性。

针对滚动轴承故障诊断提出了EMD阈值降噪法。通过振动传感器获得的轴承振动信号,利用经验模态方法将信号分解为多个IMF分量。因振动信号中含有的噪声主要表现在高频段,所以对IMF分量中的高频分量进行小波阈值降噪,并与IMF分量中低频分量进行重构,实现了振动信号的降噪,有利于轴承故障的判断。

将数据分类整理后的合集

BP神经网络用于轴承故障分类，源振动信号文件查找我的资源下载

利用GRU\LSTM\RNN\SVR分别对退化指标预测

滚动轴承是机械传动系统重要的组成部分,其故障发生率极高,直接影响机械设备的正常、安全运行。基于此提出基于局部均值分解(LMD)模糊熵和概率神经网络(PNN)的滚动轴承故障诊断方法,原始振动信号应用LMD自适应分解为7个PF分量;设定模糊函数,提取每个PF分量的模糊熵,实现各PF分量的特征量化;并利用概率神经网络实现故障类型识别。实验结果证明利用该方法滚动轴承故障诊断识别率可达86.25%,是一种有效的滚动轴承故障诊断方法。

一种用于轴承故障诊断的迁移学习模型

此函数 AR_MED_FILTER 采用采样频率为 Fs 的输入信号，并应用基于 Yule Walker 方法的 AR 滤波器。 通过最大峰度找到过滤器的顺序。 在应用 od AR 滤波器后，信号通过最小熵反卷积。 这种组合的 AR+MED 方法带出了隐藏在噪声中的轴承故障。 该函数为单独的 AR 绘制两个图形，为 AR+MED 绘制另一个图形例子： 负载（'s4.mat'）; 信号=s4; Fs=12000； ar_med_filter（信号，Fs）； 文件“s4.mat”是从 OR 故障轴承记录的振动信号，采样频率为 12000Hz。 故障频率为161 Hz，并被带出。 该程序基于论文： Sawalhi N、Randall RB 和 Endo H (2007) 使用最小熵解卷积结合谱峰度增强滚动轴承故障检测和诊断。 机械系统和信号处理。 21:2616-2633 该功能基本上是