基于LMD的滾動軸承故障診斷研究.pdf_第1頁
已閱讀1頁,還剩87頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、滾動軸承是機電設備中的常用零部件,對其進行故障監(jiān)測和診斷具有重要意義。機械設備運行過程中產(chǎn)生的振動信號包含了豐富的故障信息,對這些信息進行分析與處理,獲得機械設備零部件的狀態(tài)變化信息,進而判斷機械設備或零部件是否存在故障。時頻分析方法是機械故障特征提取中應用廣泛的一種分析工具?;诖吮尘埃疚囊肓艘环N新的時頻分析方法.局部均值分解,采用局部均值分解、神經(jīng)網(wǎng)絡、支持向量機、奇異值分解的理論和方法,對滾動軸承故障診斷方法進行了研究。

2、>   主要研究內(nèi)容如下:
   1.闡述了傳統(tǒng)時頻分析方法在分析時變非平穩(wěn)信號中的應用,指出了其存在的缺陷,通過LMD方法和傳統(tǒng)時頻分析方法的仿真信號對比,結(jié)果表明LMD對瞬變信號的頻率與幅值變化表征明顯,在減少迭代次數(shù)、抑制端點效應方面優(yōu)于EMD方法。
   2.將LMD和神經(jīng)網(wǎng)絡相結(jié)合,提出一種基于LMD與神經(jīng)網(wǎng)絡的智能診斷方法。以LMD作為預處理器,分解得到若干PF分量,從包含主要故障信息的前幾個分量中提取滾動

3、軸承故障特征,通過與基于小波包分解提取故障特征的對比,表明基于LMD和神經(jīng)網(wǎng)絡的方法可以有效識別滾動軸承故障類型,具有更好的識別能力。
   3.將小波包和LMD方法相結(jié)合,改進了原來的LMD方法,對小波包重構后的信號再進行LMD分解。針對滾動軸承出現(xiàn)局部故障時往往伴隨著周期性脈沖信號這一特點與奇異值分解技術的缺陷,提出了一種基于改進LMD奇異值分解的故障特征提取方法。對滾動軸承實驗信號的分析結(jié)果表明,基于改進LMD奇異值分解和

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論