搜索资源列表
RBF
- 基于RBF神经网络的故障诊断,简单讲述了RBF神经网络的设计与应用-RBF neural network based fault diagnosis, a brief descr iption of the RBF neural network design and application of
img331
- 永日故障码\永日故障诊断或维修，有了此故障码修电梯不累，好轻松-Ever fault code \ Wing fault diagnosis or repair With this fault code repair the elevator tired easily
24
- 将高阶时频表示引入机械故障诊断领域。介绍了Wigner 高阶矩谱(WHOS)的概念、定义。针对多分量信号Wigner 高阶矩谱的交叉项会产生“虚假信号”,结合局域波法, 提出了一种抑制WHOS交叉项的新方法。首先对复杂信号进行预处理, 利用局域波分解方法把其分解成有限个具有单分量特性的基本模式分量,然后对每个基本模式分量计算WHOS。该方法能有效抑制WHOS时频分布的交叉项。通过仿真实验和转子的故障实验,以Wigner 双谱为例, 验证了该方法的实用性,为故障诊断的特征提取提供了新的工具-Hig
26
- 阐述Hilbert变换的定义及解调原理。工程应用的结果表明, 利用Hilbert技术从复杂的 振动信号中解调故障的调制信息, 进而判断出故障齿轮的部位, 是一种可靠的故障诊断方法-On the definition of the Hilbert transform demodulation principle. The engineering application results show that the Hilbert technical failure of modulation i
基于核函数主元分析的机械故障诊断方法
- 提出基于核函数主元分析的机械故障诊断方法, 它保留主元分析的优点并具有处理非线性的能力。该方法通过核函数映射将非线性问题转换成高维的线性特征空间, 然后对高维空间中的映射数据作主元分析,提取其非线性特征, 对机械故障模式进行识别。并与主元分析方法进行对比分析, 实验结果表明核函数主元分析法非常有效。-Proposed mechanical fault diagnosis method based on Kernel Principal Component Analysis, it retains
23
- 机械设备发生故障时, 故障特征的提取很重要。对于多通道的设备故障振动信号, 应用非平稳信号的盲源分离算法, 可以有效地提取各自独立的非平稳振动源,从而可以准确地进行机械故障诊断。针对不同时频分布的非平稳盲源分离算法, 比较了它们的分离效果。以转子的复合故障为例, 验证了该算法在故障诊断中可行性。-Machinery and equipment failure, the fault feature extraction is very important. Failure vibration si
25
- 针对风力发电机齿轮箱的故障，介绍常用的故障诊断方法，理论上分析齿轮箱故障振动 信号的特征，并用 软件仿真其振动信号 对比正常运行与发生故障时的频域信号波形，并进行了一定的分析，为风力发电机齿轮箱的故障诊断提供了参考-Wind turbine gearbox failures, to introduce fault diagnosis method theoretically analyze the characteristics of the vibration signal of a ge
deep-learning-for-dignosis
- deep learning for diagnosis, this is a very popular and important method for feature learning.在故障诊断的应用中将很有意义。-deep learning for diagnosis, this is a very popular and important method for feature learning. Application in Fault Diagnosis Lieutenant mea
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
64
- 在简单介绍WH-800型离心机基本结构及工作原理的基础上, 介绍了基于重构吸引子轨迹矩阵的奇异值分解技术,并引入自相关函数对现有奇异值分解技术加以改进. 通过对现场实测故障信号的分析,表 明改进的奇异值分解技术具有很好的降噪效果,能在强噪声背景环境下准确提取设备的故障特征信号, 为离心机的故障诊断提供了一种新的思路.-After a brief introduction WH-800 centrifuge basic structure and working principle, base
PHM
- 故障诊断和健康预测的PHM参数和建模方法技术研究-Fault diagnosis and prediction of PHM health parameters and modeling technology research
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
86
- 齿轮箱是机械传动链中的关键且故障多发部件, 传统齿轮箱诊断方法难以对运行在变工况 下的齿轮箱故障进行准确的检测和有效识别。综述了国内外对于变工况齿轮箱故障诊断技术、研究现状及进展, 并简要讨论了变工况齿轮箱故障诊断方法的应用现状及可能的发展趋势。-Gearbox mechanical transmission chain is critical and failure-prone components, the traditional methods are difficult to dia
moving-robot
- 基于灰色关联理论的移动机械人故障诊断方法研究-Based on Grey Relational Theory mobile robot fault diagnosis method
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
433
- 融合小波能谱熵和支持向量机ＳＶＭ的特点提出了基于小波能谱熵的ＳＶＭ故障诊断方法． 利用转子试验台对转子典型振动故障进行模拟并采集振动数据提取其振动信号的小波能谱熵作为特征向 量-Fusion wavelet energy entropy and support vector machine SVM is proposed based on the characteristics of wavelet energy entropy SVM fault diagnosis method. U
434
- 基于多层前向网络的诊断模型在设备 故障诊断领域应用比较广泛。 但在多层前向网络的 设计和训练问题上, 单隐层的隐层单元数选取一直非常困难, 一般采用试凑 法, 既费时又 不一定保证收敛。-Diagnostic model based on multilayer feedforward networks in the field of equipment fault diagnosis used widely. But before multilayer design and training
基于改进的希尔伯特振动分解的机械故障诊断方法研究
- 针对多分量机械故障振动信号的特征提取问题，介绍一种基于希尔伯特振动分解( HVD) 的时频分析方法。该方法首先利用 Hilbert 变换得到原始振动信号的解析信号，然后通过对解析信号的瞬时频率低通滤波获得信号中幅值最大分量的瞬时频率，同时经同步检测获得相应的瞬时幅值和初相位，最后经过迭代运算自适应地检测出原信号各分量的时频信息。针对 HVD 方法的边界效应问题，提出一种基于相关系数准则的波形匹配边界延拓法对其进行改进。 通过两组仿真信号分析验证了 HVD 方法对多分量非平稳信号的分解能力，同时