-
题名EMD下轴承故障程度诊断技术的研究
被引量:7
- 1
-
-
作者
蒋宇
李志雄
唐茗
李力
-
机构
黄山学院信息工程学院
三峡大学机械与材料学院
-
出处
《机床与液压》
北大核心
2009年第8期257-260,263,共5页
-
文摘
对滚动轴承程度故障诊断进行了研究,重点研究了在经验模态分解(EMD)条件下的传统经典理论与现代智能理论,提出了EMD和频率散度指标相结合的诊断方法。阐述了基于EMD的轴承故障诊断原理以及故障程度诊断的现状,指出神经网络诊断的"黑箱操作"往往遗漏了信号内蕴藏的本质特性,并分别使用传统和现代方法对轴承滚动体3种不同剥落程度故障进行诊断。实验结果表明,所提出的传统诊断方法能够实现故障程度的正确诊断,更发现了滚动体频率散度指标存在着随剥落程度增大而减小的潜在本质规律,为轴承故障程度诊断提供了新思路和新方法。
-
关键词
滚动轴承
故障程度判别
经验模式分解
频率散度指标
-
Keywords
Roller bearing
fault degree identification
Empirical mode decomposition
Frequency distribution index
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
-
题名基于QPSO-HMM的滚动轴承故障程度辨识
被引量:2
- 2
-
-
作者
杨铮鑫
王明罡
龚博
党鹏飞
-
机构
沈阳化工大学机械与动力工程学院
采油六厂第二油矿地质队
-
出处
《振动.测试与诊断》
EI
CSCD
北大核心
2021年第6期1138-1142,1238,共6页
-
基金
国家自然科学基金资助项目(11702178)
辽宁省博士启动基金资助项目(20180540013)
辽宁省教育厅资助项目(LQ2019008)。
-
文摘
综合量子粒子群优化算法(quantum particle swarm optimization,简称QPSO)的全局搜索能力与隐马尔科夫模型(hidden Markov model,简称HMM)良好的时间序列分类能力,提出一种基于QPSO-HMM的滚动轴承故障程度辨识方法,并利用实测振动信号对该方法的性能进行验证。首先,采用变分模态分解对实测振动信号进行分解,并用奇异值分解进行信号特征提取;其次,利用QPSO算法和样本信号对HMM进行训练;最后,将测试信号输入训练得到的HMM中进行滚动轴承故障程度辨识。结果表明,该算法解决了HMM的参数估计局部最优化问题,对滚动轴承不同故障程度的辨识准确率较高。
-
关键词
故障程度辨识
隐马尔科夫模型
量子粒子群优化
滚动轴承
-
Keywords
fault degree identification
hidden Markov model
quantum particle swarm optimization
rolling bearing
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TH165
-