故障轴承的振动信号是非平稳信号，传统的非平稳信号分析手段存在许多不足；BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解（EMD）与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解，得到组成信号的多个内禀模态分量（IMF），提取重要的IMF分量的能量作为信号的特征量；采用BP网络作为模式分类器，对轴承的故障类型进行分类。经试验数据分析证明，该方法能够准确地对轴承故障进行诊断。
2021-10-14 10:34:57
340KB
1
筛选过程采用时变滤波技术完成。局部截止频率是通过充分利用瞬时幅度和频率信息自适应设计的。 然后采用非均匀 B 样条近似作为时变滤波器。 为了解决间歇性问题，还引入了截止频率重排算法。 为了提高低采样率下的性能，提出了固有模式函数（IMF）的带宽准则。 TVF-EMD 是完全自适应的，适用于线性和非平稳信号的分析。 与EMD相比，所提出的方法能够提高频率分离性能，以及低采样率下的稳定性。 此外，所提出的方法对噪声干扰具有鲁棒性。 TVF-EMD 来自http://www.sciencedirect.com/science/article/pii/S0165168417301135 要使用此代码，请引用我们的工作：Li、Heng、Zhi Li 和 Wei Mo。“经验模式分解的时变滤波器方法”。 信号处理 138 (2017): 146-158。
2021-09-16 10:12:52
64KB
1
行业分类-设备装置-一种采用基于多变量灰色模型的二维经验模态分解提取图像特征的方法
2021-09-12 14:01:50
875KB
1
提出了基于集合经验模态分解(EEMD)和奇异值(SVD)相结合的微弱信号提取方法和高低频部分的判别准则:采用EEMD把信号分解成几部分,将IMF分为高频段与低频段2部分,对2部分分别进行奇异值处理,叠加得到降噪信号,做出其频谱图,得到所需要的有用信号。此方法可以在未知原信号的情况下提取,并且可以提取信噪比为-15 dB的信号。仿真结果和对比分析表明,此方法能更好地提取微弱特征信号。
2021-09-07 22:04:15
855KB
1