搜索资源列表
Ch1999
- 小波变换在故障诊断中的应用 441 18.1 引言 441 18.2 基本原理 442 18.3 小波变换在轴承故障诊断中的应用 444 18.3.1 轴承外环故障诊断 444 18.3.2 轴承滚动体故障诊断 448 18.4 小波变换在齿轮故障诊断中的应用 450 18.5 小波包在轴承故障诊断中的应用 452 18.5.1 轴承外环故障诊断 453 18.5.2 轴承滚动体故障诊断 454-wavelet transform fault diagnosi
1
- 基于谱鞘度的包络分析方法在滚动轴承故障特征提取中的应用研究-Application of resonance demodulation in the rolling bearing fault feature extraction based on fast computation of the kurtogram
fault-diagnosis-of-rolling-bearings
- 滚动轴承故障特征的时间_小波能量谱提取方法，机械工程学报-extraction of rolling bearing fault feature based on time-wavelet energy spectrum,journal of mechanical engineering
xiaobo
- 这是一篇关于，基于小波分形和神经网络的滚动轴承故障诊断，的学位论文，希望对大家有帮助-This is an on ball bearing fault diagnosis based on wavelet fractal and neural network, dissertations, and we hope to
wavelet-and-HHT
- 第2代小波和Hilbert—Huang变换的轴承故障诊断-The second generation wavelet and Hilbert- Huang transform bearing fault diagnosis
Wavelet-transform
- 针对滚动轴承信号的特点，构造脉冲响应小波，采用连续小波变换的方法提取滚动轴承故障信号，提出两种诊断方法。-For Rolling signal characteristics and tectonic pulse response wavelet using continuous wavelet transform to extract the rolling bearing fault signals, and proposed two diagnostic methods.
Hilbert335
- 测量6205深沟球轴承的故障振动加速度信号, 对信号进行时频分析, 利用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,对每个固有模态函数进行Hilbert 变换得到Hilbert 谱,通过谱分析识别轴承的故障部位和类型, 证实Hilbert 谱的有效性-Measuring 6205 deep groove ball bearing fault vibration acceleration signal, the signal frequency analysis, empiri
aaaa
- 运用matlab对轴承故障进行分析，获得轴承内外圈故障的时频图和功率谱-Using MATLAB to analyze the bearing fault, time-frequency diagram and power spectrum of inner and outer rings of bearing failure
envelop-demodulation--
- 包络解调分析在轴承故障诊断中的应用，可为故障诊断提供方法-Envelope demodulation analysis in Bearing Fault Diagnosis for fault diagnosis method
62
- 对重分配小波尺度谱存在着时、频分辨率不能同时达到最佳及当振动信号中存在着能量较大的噪声时会降低其时频分布可读性的缺陷，提出一种基于参数优化和奇异值分解(SVD)提高重分配尺度谱时频分布可读性的方法。首先利用Shan— non熵方法优化重分配尺度谱基函数的时间．带宽积(TBP)，克服其时、频分辨率不能同时达到最佳的缺陷，再对重分配尺度谱 进行SVD降噪降低噪声干扰影响，提高时频分布的可读性。最后用该方法对仿真信号和滚动轴承故障信号进行了分析，结果表明该方法的时频聚集性更好，抗噪能力更强，能
63
- 提出一种基于小波分析和奇异谱降噪理论的新方法, 在分析滚动轴承故障特性的基础上, 将奇异谱理论的降噪方法与小波分析理论结合应用于滚动轴承故障诊断中。实例表明,这种结合后的新方法能够更有效地降低噪声,突出振动信号的故障特性, 从而提高设备故障诊断的准确率。-Proposed based on wavelet analysis and Singular Spectrum Reduction Noise Theory new methods in the analysis of rolling bea
Toth_Toth_41
- On Finding Better Wavelet Basis for Bearing Fault Detection
81
- 滚动轴承是各种机电设备中的重要部件，其主要特点是其寿命的随机性较大，且它的好坏直接影响到设备的正常运行。因而掌握轴承运行的工作状态以及故障的形成和发展是目前机械故障诊断领域中研究的重要内容之一。利用轴承的随机振动信号对其工作状态进行诊断是目前最常用的方法-Rolling is a variety of mechanical and electrical equipment is an important component, its main feature is its randomness
83
- 基于循环统计理论, 对循环平稳信号进行处理, 主要研究了信号的二阶循环统计特性, 即循环自相关函数和循环谱密度, 指出循环自相关函数不为零的循环频率对应着信号中的某些故障, 并 可以对调幅信号进行解调. 通过循环频率扫描方法提取的调制源分布在循环频率域的低频段, 其结 果可用循环频率-频率- 循环谱密度的三维图表示. 用仿真信号对该方法进行验证, 并应用于滚动轴承的内、外圈及滚动体的故障诊断, 可以有效地分离出所对应的故障特征频率.-Statistical theory based on
84
- 滚动轴承故障诊断是机械故障检测中一个重要方面。使用小波包分析和包络分析相结合的方法提取轴承微弱振动信号, 克服了传统包络分析方法易丢失信号有效成分的缺点。包络信号的细化谱较好体现了轴承故障信息。-Bearing Fault Diagnosis of mechanical fault detection in an important aspect. The use of wavelet packet analysis and envelope analysis method of combini
85
- 论述了小波包分解及其能量谱处理发动机连杆轴承故障的原理与方法, 结合传统断火诊断法的思想,应用小波包能量谱直观地识别出故障的特征频带, 并进行量化分析, 结果证明了这种方法比传统的付立叶分析方法具有更大的优越性及现实的应用价值-Discussed and wavelet packet energy spectrum processing engine connecting rod bearing failure principles and methods, combined with trad
87
- 小波分析可同时从时域和频域两个方面对信号进行分析，结合包络分析十分适合滚动轴承的故障特征提取；基于双通道的全矢小波分析方法不仅对单通道小波分析方法具有兼容性，而且弥补了传统的基于单通道信 息进行旋转机械故障特征提取造成的信息量不完整、易导致误诊的弊端。结果表明，在针对滚动轴承外圈故障特征提取时，全矢小波分析方法较小波一包络分析方法具有一定的优势。 -Wavelet analysis simultaneously from the time domain and frequency doma
118
- 滚动轴承振动信号容易受 到随机噪声 的污染, 如 何去噪 成为滚动轴承故障诊断的关键问题之一。而传统的消噪方法可能会将信号中一些能量小的有用信号当作噪声消除, 本 文即提出 一种改进 的小波消噪方法-Rolling bearing vibration signals are easily influenced by the random noise pollution, such as any denoising become one of the key problems of rolling
LabVIEW
- 基于labview的风电轴承故障检测与监测-Wind power bearing fault detection and monitoring based on labview
Study-on-compound-fault-diagnosis
- 针对滚动轴承复合故障信号特征难以分离的问题， 提出将双树复小波变换和独立分量分析( ICA) 结合的故障诊断方 法 该方法首先将非平稳的故障信号通过双树复小波变换分解为若干不同频带的分量 由于各个分量存在一定的频率混叠， 对 故障信号特征提取有很大的干扰， 进而引入 ICA 对各个分量所组成的混合信号进行盲源分离， 从而尽可能消除频率混叠 最后 对从混合信号中分离出来的独立分量信号进行希尔伯特包络解调， 即可实现对复合故障特征信息的分离和故障识别-Aiming at the diff