-
题名基于VMD与快速谱峭度的滚动轴承故障诊断
被引量：19
- 1
-
-
作者
刘泽锐
邢济收
王红军
韩凤霞
谷丰收
-
机构
北京信息科技大学机电工程学院
北京信息科技大学北京市高端装备智能感知与控制国际科技合作基地
北京信息科技大学现代测控技术教育部重点实验室
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第2期73-79,共7页
-
基金
北京市科技计划项目(Z201100008320004)资助。
-
文摘
针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法。首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其进行快速谱峭度分析;最后根据快速谱峭度图结果设置滤波频率,对滤波信号进行平方包络谱分析得到轴承的故障特征信息。通过公开数据和实验分析表明了该方法可以成功诊断轴承故障。
-
关键词
VMD
最大相关峭度解卷积算法
相关峭度
快速谱峭度
故障诊断
-
Keywords
VMD
maximum correlation kurtosis deconvolution algorithm
correlation kurtosis
fast spectral kurtosis
fault diagnosis
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名基于深度卷积神经网络的机电系统故障分类识别方法
被引量：18
- 2
-
-
作者
毛向向
王红军
韩凤霞
王楠
陈晓
杨伟
-
机构
北京信息科技大学机电工程学院
北京市高端装备智能感知与控制国际科技合作基地
机电系统测控北京市重点实验室
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第2期87-93,共7页
-
基金
国家自然科学基金(51975058)项目资助。
-
文摘
随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定。机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难。针对此问题,提出了深度学习的机电系统故障分类识别诊断模型。首先将采集到的关键部位的振动信号进行时频变换转换为时频图构成输入样本;其次将样本输入深度学习神经网络进行特征学习和状态识别;研究了不同变换与深度学习卷积神经网络相结合的方法,应用于某机电系统试验台进行故障状态分类性能对比,实验结果表明该方法为机电系统的故障诊断提供了一种新途径。
-
关键词
机电系统
深度学习
卷积神经网络
故障诊断
-
Keywords
electromechanical system
deep learning
CNN
fault diagnosis
-
分类号
TH212
[机械工程—机械制造及自动化]
TH213.3
[机械工程—机械制造及自动化]
-
