公共文化服务平台

EMD方法在转子局部碰摩故障诊断中的应用被引量：61: 2006年; 针对转子系统局部碰摩故障振动信号的特征,将经验模态分解方法(EmpiricalModeDecomposition,简称EMD)应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解,实现碰摩、背景和噪声信号分离,从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明,对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量(IMF)具有明显的调幅特性,而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此,EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。; 程军圣于德介杨宇; 关键词：转子故障特征

一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法被引量：10: 2004年; 　提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断.; 程军圣于德介杨宇; 关键词：AR模型特征向量

经验模态分解(EMD)在滚动轴承故障诊断中的应用被引量：41: 2003年; 针对滚动轴承故障振动信号的非平稳特征,提出了基于经验模态分解(Empiri calModeDecomposition,简称EMD)和神经网络的滚动轴承故障诊断方法.首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量,并从中提取时域特征指标———峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式.对滚动轴承的内圈、外圈故障信号的分析结果表明,以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类别.; 杨宇于德介程军圣丁戈; 关键词：滚动轴承 EMD 神经网络故障诊断

基于EMD的信号瞬时特征的小波分析方法被引量：28: 2004年; 提出了一种基于EMD(EmpiricalModeDecomposition)的信号瞬时特征的小波分析方法。用这种方法提取非平稳信号的瞬时频率和瞬时幅值分三个基本步骤:首先,用EMD把信号分解成IMF(IntrinsicModeFunction)分量;接着,对IMF分量进行小波分析,从小波系数的幅角函数中提取小波脊线;最后,从小波脊线中提取瞬时频率和瞬时幅值。通过对仿真信号的分析,验证了该方法能有效地分析非平稳信号。; 程军圣于德介杨宇; 关键词：EMD 小波分析小波脊线非平稳信号

基于小波变换与粗集理论的滚动轴承故障诊断被引量：15: 2008年; 结合小波和粗集理论的优点,提出了一种基于小波变换和粗集理论的故障诊断规则获取方法并成功应用于滚动轴承的故障诊断。该方法提取小波变换能量特征时不需要精确计算滚动轴承的故障特征频率,与传统的提取时域和频域参数方法相比,具有更高的诊断正确率。研究结果为滚动轴承和其他机械设备的故障诊断提供了新的思路,也为基于规则的智能故障诊断系统提供了一种更为简单的知识库自动构造方法。; 张邦基于德介杨胜; 关键词：小波变换粗集理论故障诊断滚动轴承

基于EMD和SVM的滚动轴承故障诊断方法被引量：33: 2006年; 将支持向量机(Support V ectorM ach ine,简称SVM)、经验模态分解(Em p irica lM ode D ecom pos ition,简称EM D)方法和AR(A u to-R egress ive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(In trins ic M ode Function,简称IM F)之和,然后对每一个IM F分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。; 程军圣于德介杨宇; 关键词：航天推进系统经验模态分解 AR模型滚动轴承

一种基于支持向量机预测器模型的转子系统故障诊断方法被引量：5: 2006年; 提出了一种基于支持向量机回归预测模型的转子系统故障诊断方法。分别对转子系统振动信号建立支持向量机回归预测模型,利用回归预测模型对振动测试信号进行预测,计算各支持向量机回归预测模型的预测信号与真实信号的误差并计算信噪比,通过比较各预测信号的信噪比来判断转子系统的工作状态和故障类型。实验结果表明,该方法能够有效地应用于转子系统的故障诊断。; 于德介陈淼峰程军圣杨宇; 关键词：支持向量机转子系统

基于EMD和分形维数的转子系统故障诊断被引量：24: 2005年; 提出了一种基于EMD方法和分形维数的转子系统故障诊断方法。利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数。试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。; 程军圣于德介杨宇; 关键词：分形维数转子系统故障诊断

基于Hilbert边际谱的滚动轴承故障诊断方法被引量：92: 2005年; Hilbert Huang变换是一种新的自适应信号处理方法,它适合于处理非线性和非平稳过程。通过对信号进行Hilbert Huang变换,可以得到信号的Hilbert边际谱,它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数,并以此作为滚动轴承的故障特征向量,建立M距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本文方法可以有效地提取滚动轴承故障特征。; 杨宇于德介程军圣; 关键词：滚动轴承故障 HILBERT-HUANG变换故障特征振动信号外圈幅值

基于EMD与神经网络的滚动轴承故障诊断方法被引量：151: 2005年; 针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition ,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析, 由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以 EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。; 杨宇于德介程军圣; 关键词：滚动轴承故障 EMD 经验模态分解振动信号神经网络预处理器

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

国家自然科学基金(50275050)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

国家自然科学基金(50275050)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈