-
公开(公告)号：CN111665050A
公开(公告)日：2020-09-15
申请号：CN202010501122.4
申请日：2020-06-04
Applicant: 燕山大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种基于聚类K-SVD算法的滚动轴承故障诊断方法，其主要步骤如下：首先利用基于粒子群优化的时变滤波经验模态分解算法对原始信号进行自适应分解，得到各本征模式分量，并计算各分量的相关峭度指标(Kcr)值；然后，选取具有最大Kcr指标值的本征模式分量作为聚类K-SVD算法的输入样本进行字典学习，得到超完备字典DNew；最后，利用超完备字典DNew，并结合正交匹配追踪算法对滚动轴承原始信号进行稀疏特征提取，并对稀疏表示结果进行包络谱分析提取滚动轴承故障频率特征。本方法有效解决了经典K-SVD算法对滚动轴承故障冲击特征的学习精度较低等问题，对于实现滚动轴承微弱故障诊断具有重要的意义。
-
公开(公告)号：CN110006652B
公开(公告)日：2020-04-03
申请号：CN201910292988.6
申请日：2019-04-12
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。
-
公开(公告)号：CN111665050B
公开(公告)日：2021-07-27
申请号：CN202010501122.4
申请日：2020-06-04
Applicant: 燕山大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种基于聚类K‑SVD算法的滚动轴承故障诊断方法，其主要步骤如下：首先利用基于粒子群优化的时变滤波经验模态分解算法对原始信号进行自适应分解，得到各本征模式分量，并计算各分量的相关峭度指标(Kcr)值；然后，选取具有最大Kcr指标值的本征模式分量作为聚类K‑SVD算法的输入样本进行字典学习，得到超完备字典DNew；最后，利用超完备字典DNew，并结合正交匹配追踪算法对滚动轴承原始信号进行稀疏特征提取，并对稀疏表示结果进行包络谱分析提取滚动轴承故障频率特征。本方法有效解决了经典K‑SVD算法对滚动轴承故障冲击特征的学习精度较低等问题，对于实现滚动轴承微弱故障诊断具有重要的意义。
-
公开(公告)号：CN110006652A
公开(公告)日：2019-07-12
申请号：CN201910292988.6
申请日：2019-04-12
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。
-
-
-
Search Results
4
records
(took 0.014 seconds)
