格式:pdf
大?。?span class="single-tag-height">1.2MB
頁數(shù): 4頁
建立了以故障特征倍頻為基礎(chǔ)的分析方法,以診斷滾動軸承局部故障。此方法引入故障特征倍頻代替目前普遍應(yīng)用的故障特征頻率,在計算故障特征參數(shù)的時候剔除轉(zhuǎn)速的影響,將不同轉(zhuǎn)速下的故障判斷標(biāo)準(zhǔn)統(tǒng)一起來,用幾個確定參數(shù)來表征滾動軸承主要的局部故障類型,進(jìn)而建立起能夠綜合分析不同轉(zhuǎn)速下的故障信號的包絡(luò)譜陣分析方法。依據(jù)軸承故障沖擊振動包絡(luò)頻譜的本質(zhì)分布形態(tài),采用故障特征倍頻背景,為數(shù)據(jù)分析和故障判斷提供了直觀、準(zhǔn)確的參考。在實驗中的應(yīng)用表明,利用該方法診斷滾動軸承局部故障簡捷有效。
格式:pdf
大?。?span class="single-tag-height">411KB
頁數(shù):
支持向量機(jī)(SVM)的分類性能受樣本的特征以及SVM本身參數(shù)的選擇影響較大。針對這種情況,基于Shannon能量熵、SVM和小生境遺傳算法(NGA),提出了一種基于NGA優(yōu)化SVM的滾動軸承故障診斷方法。該方法采用容錯性強(qiáng)的Shannon能量熵作為特征參數(shù),對信號進(jìn)行EMD分解提取出前3個IMF分量作為特征信號,分別計算其Shannon能量熵作為特征向量得到樣本集,作為多類別SVM的輸入。在用樣本訓(xùn)練SVM時,構(gòu)造一種新的核函數(shù),并采用NGA對SVM的核函數(shù)參數(shù)進(jìn)行全局優(yōu)化,使SVM獲得最佳的分類性能,提高其分類識別的正確率。最后采用凱斯西儲大學(xué)的滾動軸承故障樣本進(jìn)行了分類識別,并與其他幾種方法進(jìn)行了對比,結(jié)果表明該方法具有更好的可靠性和分類準(zhǔn)確率。