搜索资源列表
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
dual-tree
- 首先将非平稳的故障振动信号进行双树复小波包分解，得 到不同频带的分量；然后对每个分量求其峭度值和相关系数并进行比较；最后选取峭度值和相关系数较大的分量 进行软阈值降噪和双树复小波包重构，即可有效地消除振动信号中噪声的干扰，同时保留信号中的有效信息即实 现了故障特征信息的提取。-In view of the above situation, a new fault diagnosis method is proposed based on dual-tree complex wa
energy-leakage--dual-tree
- 首先根据高斯白噪声频率充满整个频带的特性，通过双树复小波包变换对高斯白噪声进行分解，利用频带能量泄漏的定量分析方法，验证了双树复小波包变换具有较低的频带能量泄漏特性；其次利用双树复小波包变换逐层分解信号，对每层分解所得分量求其FFT谱的峭度，得到基于双树复小波包变换的谱峭度图，根据图中峭度最大的原则，可以自动准确的选择信号分解最佳层数和最佳分量；最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中，对齿轮故障振动信号进行分析，选择最佳分解层数和分量后利用希尔伯特包络解调，有效准确地
PCA-KPCA
- 主成分分析(Principle Component Analysis, PCA)是最为常用的特征提取方法，被广泛应用到各领域，如图像处理、综合评价、语音识别、故障诊断等。-Principal component analysis (Principle Component Analysis, PCA) is the most commonly used feature extraction methods are widely applied to various fields, such as
tiqutezheng
- 从已经出现故障的信号中，提取能够反映该信号故障特征的值，以后就能根据数值直接判断别的信号有没有出现该故障，更加直观-Signals the fault has appeared in the fault feature extraction and can reflect the value of signal, after can according to numerical directly to judge the other signals have appeared the faul
matalab-多重分形谱算法+盒子维数的计算
- 基于matalab软件，对多重分形谱算法和盒子维数的计算算法进行编写和改进，可以用于机械设备的故障诊断和特征提取，对利用分型学的基本理论进行故障诊断具有极高的参考价值。
Desktop
- 在齿轮箱故障诊断中，需要对故障信号进行特征提取，本程序是齿轮箱特征提取源代码。-Gearbox fault diagnosis, the need for fault signal feature extraction, the procedure is to extract the source code gearbox features.
Hilbert-Huang-Transform
- 希尔伯特黄变换，主要用于测量汽车发动机故障，提取故障特征。-Hilbert Huang Transform, mainly used to measure automobile engine fault, fault feature extraction.
tezhengtiqu
- 用matlab程序对正常和故障的风电机组振动信号进行特征提取，提取时域的16个特征值-Using matlab program for normal and faulty wind turbine vibration signal feature extraction, extraction time domain 16 eigenvalues
Mechanical-fault-diagnosis
- 介绍机械振动信号的各种特征提取方法以及故障诊断算法的相关论文-Mechanical vibration signal feature extraction and fault diagnosis
emd
- 可以有效方便地对原始数据进行自适应分解，广泛用于故障诊断和模式识别等方面的特征提取。-Can be effectively and easily decompose the raw data adaptively, widely used in troubleshooting and other aspects of the pattern recognition feature extraction.
lmd_outer
- 轴承外圈12K实际信号LMD分解程序，信号包络频谱，能明显提取故障特征-LMD bearing outer ring 12K actual signal decomposition process, the signal envelope spectrum, can significantly fault features
time-frequency-feature
- 此代码用于故障诊断特征提取，所提取特征包括传统时、频域特征和时频特征三部分，数据为轴承数据-This code is used when troubleshooting feature extraction, the extracted features, including traditional, frequency domain and time-frequency characteristics of three parts, the data is bearing data
zhouchen
- 小波阈值自动选取方案去噪，并用HHT对去噪后的轴承信号进行处理，提取故障特征。-Wavelet threshold de-noising program automatically chooses, for bearing with HHT denoised signal processing, fault features.
BPQPSOBP
- 主要针对级联式变频器故障特征比较难提取，运用小波分析提取故障特征，然后用粒子群优化神经网络进行故障诊断-Mainly for the cascading inverter and difficult to extract the fault features, using wavelet analysis to extract the fault feature, and then use particle swarm optimization neural network for fault
shiyuzhibiao14
- 故障诊断14个时域特征提取代码，包括均值，均方根值，10个有量纲量，4个无量纲量-matlab codes of feature extract
HHT
- 把HHT和神经网络结合起来，识别出是否故障。对于HHT变换，这里用到的是它的IMF分解，然后用能量理论来判别哪些模组是虚假分量，哪些是是真实分量。对于EMD分解后的谱进行特征提取 ，利用的理论基础就是模糊熵。计算出真实 分量的模糊熵，作为输入层；输出层为两个神经元，为0（故障 ）1（正常 （正常 ）判别该信号是否出现故障。-The combination of HHT and neural network to identify whether the fault. For the HHT tr
waveletpacketdecomp
- 一维信号特征提取参考程序，正常信号和故障信号特征的提取，开发环境为MATLAB。是使用小波分解处理信号的参考，使用了小波包三层分解。-One dimensional signal feature extraction reference program, normal signals and fault feature extraction, the development environment of MATLAB.Is the use of wavelet decomposition pro
cluster_VMDaFCM_casedat
- 为了精准、稳定地提取滚动轴承故障特征，提出了基于变分模态分解和奇异值分解的特征提取方法，采用标准模糊C均值聚类(fuzzy C means clustering, FCM)进行故障识 别。对同一负荷下的已知故障信号进行变分模态分解，利用 奇异值分解技术进一步提取各模态特征，通过FCM形成标准聚类中心，采用海明贴近度对测试样本进行分类，并通过计算分类系数和“卜均模糊嫡对分类性能进行评价，将该方法 应用于滚动轴承变负荷故障诊断。通过与基于经验模态分解的特征提取方法对比，该方法对标准FCM
vmd
- 针对实际中工况复杂难以提取齿轮故障特征频率的问题，提出一种变分模态分解-(variational mode decomposition, VMD)