期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于同步压缩小波变换的滚动轴承故障诊断 被引量：23
1
作者 刘义亚 李可 陈鹏 《中国机械工程》 EI CAS CSCD 北大核心 2018年第5期585-590,共6页
针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数... 针对滚动轴承故障诊断中存在的非平稳故障信号的特征提取困难这一难题,提出利用同步压缩小波变换(SWT)对故障信号的监测数据进行处理的方法。首先对信号进行连续小波变换(CWT),其次对小波变换系数进行同步压缩变换(SST),然后对SST系数进行自适应阈值去噪,之后在有效信号数据的频率中心附近进行积分提取,最后用提取到的有效信号进行重构。对实测的滚动轴承故障信号进行处理验证,结果表明,SWT具有较高的信号提取精度以及降噪能力,同时具有较高的时频分辨率,能够将故障信号转换为高分辨率的时频谱,弥补了CWT在这方面的不足。 展开更多
关键词 故障诊断 同步压缩变换 故障信号提取 自适应阈值去噪
下载PDF
基于近似熵和LCD-KELM的滚动轴承故障诊断 被引量：12
2
作者 刘义亚 李可 宿磊 《噪声与振动控制》 CSCD 2018年第2期162-167,共6页
由于提取滚动轴承的非平稳非线性信号特征较为困难,强噪声背景下难以诊断早期故障,故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和核极限学习机(Kernel Extreme Learning Machine,KELM)的智能诊断... 由于提取滚动轴承的非平稳非线性信号特征较为困难,强噪声背景下难以诊断早期故障,故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和核极限学习机(Kernel Extreme Learning Machine,KELM)的智能诊断方法(LCD_KELM)。该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy,Ap En),使用KELM对随机选取的近似熵值进行训练,保存训练参数后,利用剩余的近似熵值进行测试,实验结果表明LCD_KELM具有较高的诊断准确率,能够对滚动轴承运行状态进行高精度诊断,从而判断滚动轴承的运转状况。 展开更多
关键词 振动与波 故障诊断 故障信号提取 局部特征尺度分解 近似熵 核极限学习机
下载PDF
LCD和SWT在滚动轴承故障诊断中的应用 被引量：6
3
作者 刘义亚 李可 陈鹏 《机械强度》 CAS CSCD 北大核心 2019年第4期770-776,共7页
针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该... 针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征。对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况。同时该方法能够有效重构信号。 展开更多
关键词 故障诊断 同步压缩小波变换 故障信号提取 局部特征尺度分解
下载PDF
基于VMD-SWT滚动轴承故障诊断方法研究 被引量：1
4
作者 周进群 刘义亚 《汽车实用技术》 2019年第6期146-152,共7页
在强噪声背景下,滚动轴承非平稳非线性的早期微弱故障信号特征提取较为困难,提出结合变分模态分解(Variational Mode Decomposition,VMD)和同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)的分析方法,该方法首先利用最大峭... 在强噪声背景下,滚动轴承非平稳非线性的早期微弱故障信号特征提取较为困难,提出结合变分模态分解(Variational Mode Decomposition,VMD)和同步压缩小波变换(Synchrosqueezing Wavelet Transform,SWT)的分析方法,该方法首先利用最大峭度准则优化VMD参数,使用优化后的参数对故障信号进行VMD分解,再利用峭度准则选择含有有效信息最多的本征模函数(Intrinsic Mode Function,IMF),最后使用SWT对最优IMF进行处理分析,从而提取有效特征频率。对强噪声背景下滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行处理分析,结果表明相比Hilbert包络、SWT等方法,该方法能够从强噪声背景下提取出故障信号频率特征,以此判断滚动轴承的运转状况。同时该方法能够有效重构信号。 展开更多
关键词 故障诊断 同步压缩小波变换 故障信号提取 变分模态分解
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部