针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Local mean decomposition,简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Product function,简称PF)之和,再...针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Local mean decomposition,简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Product function,简称PF)之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。展开更多
将安全域的思想引入滚动轴承的状态监测中,综合利用局部均值分解(Local Mean Decomposition,LMD)、主成分分析(Principal Component Analysis,PCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),进行了滚动轴承运...将安全域的思想引入滚动轴承的状态监测中,综合利用局部均值分解(Local Mean Decomposition,LMD)、主成分分析(Principal Component Analysis,PCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识。首先,按一定的时间间隔将采集正常及各种故障状态的振动数据进行分段,每段数据进行LMD后获得各乘积函数分量;其次,基于各段数据的乘积函数分量,利用PCA提取出每段数据的T2和SPE统计量控制限值作为滚动轴承的状态特征量;最后,利用二分类的LSSVM进行滚动轴承运行状态的安全域估计,利用多分类LSSVM进行滚动轴承的正常以及滚动体、内圈、外圈故障四种状态的辨识。试验结果显示安全域估计和多种状态辨识的准确率均较高,验证了本文方法的有效性。展开更多
文摘针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Local mean decomposition,简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Product function,简称PF)之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。
文摘将安全域的思想引入滚动轴承的状态监测中,综合利用局部均值分解(Local Mean Decomposition,LMD)、主成分分析(Principal Component Analysis,PCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识。首先,按一定的时间间隔将采集正常及各种故障状态的振动数据进行分段,每段数据进行LMD后获得各乘积函数分量;其次,基于各段数据的乘积函数分量,利用PCA提取出每段数据的T2和SPE统计量控制限值作为滚动轴承的状态特征量;最后,利用二分类的LSSVM进行滚动轴承运行状态的安全域估计,利用多分类LSSVM进行滚动轴承的正常以及滚动体、内圈、外圈故障四种状态的辨识。试验结果显示安全域估计和多种状态辨识的准确率均较高,验证了本文方法的有效性。
