介绍了RBF神经网络的模型及原理,阐述了滚动轴承故障的机理;通过滚动轴承的故障特征数据,构建的RBF神经网络,实现了轴承的智能故障诊断。
2021-11-18 09:38:01
356KB
1
局部均值分解（Local Mean Decomposition，简称LMD）方法是一种新的自适应时频分析方法，并成功运用于滚动轴承故障诊断中，但对噪声比较敏感。为消除噪声对诊断结果的影响，提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声，然后，进行LMD分解，并将分解后PF分量与分解前信号的相关系数作为判断标准，剔除多余低频PF分量，最后，选取有效PF集进行功率谱分析，提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验，其结果验证了该方法的有效性。
2021-11-16 20:24:12
307KB
1
元件生热及其热传递是高速滚动轴承工作性能和使用寿命的重要影响因素之一。首先介绍了滚动轴承的传热机制,然后分析了滚动轴承的热传递的主要形式,最后给出了高速环境中滚动轴承各元件的生热计算,为高速滚动轴承的温度变化及其应用研究提供参考。
2021-11-16 11:23:03
188KB
1
针对包络分析中带宽和中心频率依靠经验估计的缺陷,应用一种快速峭度图算法自动为包络谱分析提供最佳带宽和中心频率。快速峭度图算法借鉴了二进小波分解算法,先将原始信号经过FIR滤波器将信号进行分解,然后在各个频段上计算信号的谱峭度值,并根据快速峭度图的结果得到最佳中心频率和带宽,最后进行包络谱分析。实验证明该方法可以更有效地诊断滚动轴承故障。
2021-11-11 10:26:11
370KB
1
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。
2021-11-06 16:07:40
367KB
1
行业制造-电动装置-多排式大型滚动轴承，尤其是用于风力发电装置转子轴的主轴承的轴向-径向轴承.zip
2021-10-21 19:04:06
858KB
为了有效地识别滚动轴承的不同失效模式，本文提出了一种基于小波包分解和连续隐马尔可夫模型的滚动轴承故障预测方法。 首先利用小波包分解对滚动轴承的振动信号进行处理，以提取出能量特征，然后将提取出的特征作为连续隐马尔可夫模型的输入。 训练了大量样本以估计不同轴承故障的连续隐马尔可夫模型的参数。 一旦达到该学习阶段，便会在第二阶段中利用生成的模型来连续评估滚动轴承的当前健康状态，并通过计算监视不同CHMM数据的概率来评估故障模式。 测试结果表明，该方法可以准确预测滚动轴承的故障，并评估滚动轴承的损坏状态。
2021-10-16 22:06:30
340KB
1
滚动轴承-转子系统非线性动力学建模，白长青，，考虑滚动轴承中滚珠与滚道间的间隙和轴承运行表面波纹度，提出用于研究滚动轴承-转子系统动力特性的滚动轴承五自由度非线性动力�
2021-10-13 18:51:46
619KB
1