搜索资源列表
emdHilbertHuang
- 一种新的特征参数提取方法，Huang在1998年提出，可用于语音识别、故障检测等方面-a new feature extraction method, Huang was introduced in 1998, can be used for voice recognition, Fault detection etc.
EMD-Toolbox
- EMD的Toolbox及使用方法 经验模态分解（Empirical Mode Decomposition, 简称EMD）是由美国NASA的黄锷博士提出的一种信号分析方法.它依据数据自身的时间尺度特征来进行信号分解, 无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点, EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上, 具有非常明显的优势。所以, EMD方法一经提出就在不同的
Detection-of-short-duration-power-quality-disturba
- 优秀论文及配套源码。电压暂降是动态电能质量问题中最受关注的热点之一。大量新型电力电子设备的广泛使用对电网电能质量的要求越来越高，而且电压暂降在电网中又具有一定的传播性。因此，无论从电网还是用户都迫切需要对电压暂降进行研究和治理。对电压暂降的检测是解决电压暂降的前提条件，故本论文主要对电压暂降的检测方法进行研究。 本文分析了国内外短时电能质量扰动检测的研究现状，并着重讨论了短路故障、感应电动机启动和变压器激磁三种电压暂降扰动情况下电压暂降的特性；在此基础上选择了基于S变换的短时电能质量扰动检测
recongnize-faults-pg
- 能够提取出故障的特征，并对故障的特征进行分类，为进一步识别故障做好基础。-It could give charasterics of different faults and divide them.As a result,it is based on recongnizing the faults.
11
- 介绍了一种基于振动信号隐马尔可夫模型(HMM)的新的齿轮故障检测和诊断方案。 首先从振动信号中提取特征,这些信号既包括正常齿轮也包括故障齿轮,特征以振动信号自回归模 型的多项式传递函数的反射系数为基础。这些特征用来训练HMM归类各种齿轮状况。经过试验 验证,用这些特征判断故障的准确性很高。 -:A newgear fault detection and diagnosis scheme based on Hidden MarkovModel (HMM) of vibra- t
41
- 基于小波包的信号瞬态成分检测与提取方法及其应用,提出基于小波包分解特征表示和瞬态特征重 建方法并应用于汽车变速器齿轮的故障诊断,结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬 态成分的存在,瞬态成分的重建结果有效地表示了齿轮的故障状态。 -The detection and extraction of signal transients through wavelet packets decomposition are studied and signal trans
11
- 采用时序分析和BP神经网络,建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过 对车辆变速器齿轮运行状态特征信号进行时序分析和特征向量提取,并以此作为BP神经网络的输入向量进行网 络训练,从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中,能 够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有 效、可行。 -Fault Diagnosis of Vehicle Transmissi
12
- 采用时序分析和BP神经网络,建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过对车辆变速器齿轮运行状态特征信号进行时序分析和特征向量提取,并以此作为BP神经网络的输入向量进行网络训练,从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中,能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有效、可行。 -Fault Diagnosis of Vehicle Transmission Gear Base
shiyutezheng
- 振动信号时域特征提取，用于故障诊断，包括十余种特征提取算法-Time domain features vibration signals for fault diagnosis, including more than ten kinds of feature extraction algorithm
pinyutezheng
- 一维信号频域特征提取，可用于轴承故障诊断和趋势预测-Wherein the one-dimensional frequency domain signal extraction, can be used to predict bearing Fault Diagnosis and
RSSD
- 该代码针对滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点，为了有效提取故障特征，使用的一种共振稀疏分解（Resonance-based sparse signal decomposition，RSSD）与小波变换相结合的振动信号特征提取技术的相关仿真实验程序和轴承数据分解程序。其中，共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法，与常规的基于频带划分的信号分解方法不同，它依据信号各分量的振荡形态不同对信号进行分解。 同时还提供了可调谐 Q 因子小波
基于小波包提取轴承故障
- 基于小波包变换对信号进行分解，提取机器轴承故障的特征信号进行损伤识别，(The signal is decomposed based on wavelet packet transform, and the characteristic signals of machine bearing faults are extracted to identify the damage,)
SampEn
- 模糊熵特征提取 计算信号的复杂度 用于信号识别 故障诊断(Fault diagnosis for signal recognition)
GlineMalfunction
- 按能量最大的观点自适应提取系统各测点特征频带下的暂态零模电流，并利用暂态零模电流相关性实现故障选线(According to the viewpoint of maximum energy, the transient zero mode current under the characteristic frequency band of each point in the system is extracted, and the fault line selection is realized
MED算法
- Matlab编写的MED最小熵解卷积算法，可实现对故障特征的提取。(Matlab's MED minimum entropy deconvolution algorithm can be used to extract fault features)
emd+信息熵
- 可以实现机械EMD经验模态分解，提取特征量并利用神经网络进行模式识别故障类型(The empirical mode decomposition of mechanical EMD can be realized, feature quantity is extracted and neural network is used to identify the type of fault.)
cyclostationary_toolbox
- 循环平稳信号是一类特殊的非平稳信号，其统计特征具有随时间呈周期变化的特点。旋转机械由于周期运行方式其振动信号具有循环平稳特性，因此利用循环平稳分析方法能够提取出在平稳假设下所不能得到的隐藏故障特征信息，为有效地分离和识别旋转机械早期微弱故障特征提供可能。(The cyclostationary signal is a special type of non-stationary signal whose statistical characteristics have a periodic va
局部经验模态分解
- 基于局部经验模态分解，可以很好地提取轴承故障特征
xiaobo
- 对故障数据的小波包分解与信号重构、小波包能量特征提取 暨 小波包分解后实现按频率大小分布重新排列，并进行降噪处理。(After wavelet packet decomposition and signal reconstruction, wavelet packet energy feature extraction and wavelet packet decomposition, the fault data can be rearranged according to the frequ
xichu
- 利用西储数据，进行滚动轴承的诊断，提取故障特征。(The rolling bearing is diagnosed and the fault features are extracted by using the data of Western storage.)