基于深度学习的滚动轴承故障诊断方法（python代码）
轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。
2022-05-03 19:03:47
34.86MB
从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。
2022-04-27 08:39:57
239KB
1
基于经验小波变换的滚动轴承故障诊断研究，徐明，谭继文，经验小波变换(EWT)作为一种新的自适应信号分解方法，通过在频域自适应构造带通滤波器组，构造正交小波函数，以提取具有紧支撑傅里�
2022-04-19 20:29:08
390KB
1
介绍了小波变换在滚动轴承故障特征提取中的应用。结合小波变换研制了一套滚动轴承故障诊断虚拟仪器系统。通过对滚动轴承振动信号的小波变换分析,可提取滚动轴承运行状态的特征向量,分析滚动轴承的振动信号,诊断轴承的故障。
2022-04-18 23:46:06
2.13MB
1
Bearing Performance Degradation Assessment Based on Ensemble Empirical Mode Decomposition and Affinity Propagation Clustering
2022-04-17 10:16:23
19.55MB
1