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8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：
变分模态分解在地铁车辆熔断器非短路损坏故障分析 被引量：5
1
作者 靳行 林建辉 邓韬 《中国测试》 CAS 北大核心 2019年第3期146-150,共5页
非短路损坏故障不但增加车辆运营经济成本,而且影响运营线路的运营计划。该文针对熔断器非短路故障频发的地铁车辆,基于NI作为检测硬件设计一套故障诊断测试系统,并应用Dasylab软件搭建系统的采集部分,通过对列车运营时段的测试数据进... 非短路损坏故障不但增加车辆运营经济成本,而且影响运营线路的运营计划。该文针对熔断器非短路故障频发的地铁车辆,基于NI作为检测硬件设计一套故障诊断测试系统,并应用Dasylab软件搭建系统的采集部分,通过对列车运营时段的测试数据进行整体统计分析,应用VMD剔除趋势项,对偏离均值的异常数据应用VMD分析,最终找到熔断器非短路故障频发原因。结果表明,该文所设计的故障诊断测试系统与分析方法是有效并可靠的,可为工程实用提供参考。 展开更多
关键词 变分模态分解 瞬时频率 熔断器 故障分析
下载PDF
基于多智能体技术的舰船电缆绝缘故障检测
2
作者 宋秦中 《船电技术》 2024年第7期12-16,共5页
为了快速、有效地定位故障点,提出了一种基于多智能体技术的电缆绝缘故障检测方法。搭建多智能体故障检测框架,采用小波方法分析每个分量,并处理小波分解后的故障信号,实现绝缘故障信号变分模态分解。将多智能体视为多个节点,分析多智... 为了快速、有效地定位故障点,提出了一种基于多智能体技术的电缆绝缘故障检测方法。搭建多智能体故障检测框架,采用小波方法分析每个分量,并处理小波分解后的故障信号,实现绝缘故障信号变分模态分解。将多智能体视为多个节点,分析多智能体采集温度信号和电流信号,建立等效电路方程,检测电缆绝缘状态。对比实验显示,该方法绝缘附近温度与实际温度偏差较小,能够为船用机电设备安全稳定运行提供实时监测,具有较高的应用价值。 展开更多
关键词 多智能体技术 变分模态分解 小波分析 绝缘故障检测
下载PDF
基于VMD和WOA-SVM的变压器绕组松动故障诊断 被引量：3
3
作者 薛健侗 马宏忠 《电机与控制应用》 2023年第8期84-90,共7页
为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分... 为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。 展开更多
关键词 变压器绕组松动 振动信号 变分模态分解 鲸鱼优化支持向量机 故障诊断
下载PDF
基于经验小波变换的复杂强噪声背景下弱故障检测方法 被引量：18
4
作者 陈志新 刘鑫 +1 位作者 卢成林 马向国 《农业工程学报》 EI CAS CSCD 北大核心 2016年第20期202-208,共7页
针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取... 针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。 展开更多
关键词 振动 故障检测 齿轮 噪声 经验小波变换 自适应信号分解 经验模态分解
下载PDF
变分模态分解和K-L散度在振动筛轴承故障诊断中的应用 被引量：3
5
作者 徐元博 蔡宗琰 《噪声与振动控制》 CSCD 2017年第4期160-165,共6页
振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号... 振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号,模态分解算法是个行之有效的方法,模态分解算法在去除大量高频噪声的同时,还能将振动信号分解成一系列具有单一成分的模态分量,从而能更好发现振动信号的物理意义。基于此,引入一种新的故障诊断方法,首先利用变分模态分解将故障信号分解为若干个窄带模态分量,然后根据K-L散度值选定最佳的分量,最后进行包络运算得出故障频率。通过仿真模拟实验与振动筛轴承故障诊断的实际应用,并与之前的经典模态分解算法——经验模态分解和集成经验模态分解进行对比,发现该算法更具有优越性和实用性。 展开更多
关键词 振动与波 振动筛 轴承故障诊断 变分模态分解 经验模态分解 集成经验模态分解
下载PDF
柔性立管涡激振动实验的数据分析 被引量：12
6
作者 张建侨 宋吉宁 +1 位作者 吕林 滕斌 《中国海洋平台》 2009年第4期26-32,37,共8页
在对光纤光栅应变计(FBG)测量得到的柔性立管室内模型实验数据进行分析中,通过信号滤波、模态分解、频谱分析以及位移计算等得到立管涡激振动的共振模态、振动频率和位移变形等参数的变化规律。分析结果表明所采用的数据分析方法能够很... 在对光纤光栅应变计(FBG)测量得到的柔性立管室内模型实验数据进行分析中,通过信号滤波、模态分解、频谱分析以及位移计算等得到立管涡激振动的共振模态、振动频率和位移变形等参数的变化规律。分析结果表明所采用的数据分析方法能够很好地分析出柔性立管涡激振动的基本特性,这对今后深入开展深海立管涡激振动问题的实验研究和现场原位测试提供了有益的借鉴。 展开更多
关键词 柔性立管 涡激振动 光纤光栅 带通滤波 模态分解 频谱分析
下载PDF
基于VMD-RQA的直线振动筛激振力不平衡故障诊断 被引量：5
7
作者 范伟 何越宙 +1 位作者 王寅 陈华 《振动与冲击》 EI CSCD 北大核心 2021年第18期25-32,共8页
针对直线振动筛早期激振力不平衡故障难以诊断问题,提出了一种基于变分模态分解(VMD)和递归量化分析(RQA)的故障诊断方法。对振动信号进行VMD分解,将直线振动筛基频信号分离,并得到被淹没的各阶高频分量;绘制不同信号分量的动力特性递归... 针对直线振动筛早期激振力不平衡故障难以诊断问题,提出了一种基于变分模态分解(VMD)和递归量化分析(RQA)的故障诊断方法。对振动信号进行VMD分解,将直线振动筛基频信号分离,并得到被淹没的各阶高频分量;绘制不同信号分量的动力特性递归图,计算递归图的量化指标,组成故障信号的非线性、非平稳性评价特征向量,将高维特征向量输入机器学习分类器中进行识别诊断,并与传统的特征提取方法比较。试验结果表明:在直线振动筛激振力不平衡故障现场,该方法所提取的特征参数具有最高识别精度,综合识别率为99.13%;且应用于旋转机械滚动轴承实例数据,综合识别率为99.38%,说明该方法具有一定的通用性和工程应用价值。 展开更多
关键词 直线振动筛 变分模态分解(VMD) 递归量化分析 故障诊断
下载PDF
形态滤波与EEMD在振动筛轴承故障诊断中的应用 被引量：3
8
作者 徐元博 魏振东 《轴承》 北大核心 2015年第10期41-44,共4页
轴承故障诊断的关键在于振动信号的前处理与故障特征参数的提取。形态滤波法可以利用特有的数学属性对故障信号进行有效的降噪处理,并突出故障信号的特征参数;同时利用集合平均经验分解对轴承的特有故障特征进行提取。将该振动信号提取... 轴承故障诊断的关键在于振动信号的前处理与故障特征参数的提取。形态滤波法可以利用特有的数学属性对故障信号进行有效的降噪处理,并突出故障信号的特征参数;同时利用集合平均经验分解对轴承的特有故障特征进行提取。将该振动信号提取方法应用到振动筛等振动机械的轴承故障特征提取中,通过试验表明,该方法可以有效提取振动机械中故障信号的频谱特征,便于工程应用。 展开更多
关键词 滚动轴承 振动筛 故障诊断 形态滤波法 集合平均经验分解
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