故障特征的研究方法说明。

MATLAB的轴承故障时域特征和频域特征提取

应用循环自相关函数和快速谱峭度相结合的方法,对滚动轴承早期故障诊断进行分析研究。首先利用谱峭度方法确定滚动轴承振动信号的最佳带通滤波器,然后利用循环自相关函数对滤波后的信号进行解调,提取出滚动轴承故障特征频率,有效地减少了噪声信号的干扰且增强了故障信号。通过仿真与实验数据的轴承故障振动信号验证所提方法的有效性。

捅 要：滚动轴承故障信号是一种典型的周期性冲击信号，如何从含有强噪声的振动信号中有效地提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论，提出了一种自适应多尺度形态梯度变换(AMMG)方法，能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明，与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比较，自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力，并且计算简单、快速，为滚动轴承故障特征提取提供了一种有效的方法。

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

行业分类-设备装置-一种基于稀疏分解的风力发电机组故障特征提取方法.zip

作为机电液系统的输入源信号,电机电流信号具有容易获取的优点,是对机电液系统进行状态分析的理想信息来源。利用三相电机的电流信号对机电液系统的故障进行分析,并采用小波变换作为特征提取方法从电流信号中提取设备的故障特征。最后通过试验结果证明了所提方法有效性。

行业-电子政务-一种电力系统WAMS信息内嵌故障特征提取方法.zip

行业分类-设备装置-基于最优参数集合经验模式分解的机械故障特征提取方法.zip

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。