基于EEMD-Rényi熵与PCA-PNN的滚动轴承故障诊断（2011年）

5星

浏览量: 0

大小:None

文件类型：None

简介：
本研究提出了一种结合EEMD、Rényi熵和PCA-PNN的方法，用于优化滚动轴承的故障诊断流程，提升检测精度。发表于2011年。为解决滚动轴承故障特征提取与状态监测的问题，本段落提出了一种结合集合经验模式分解（EEMD）、Renyi熵、主元分析（PCA）及概率神经网络（PNN）的新方法。首先利用EEMD将振动信号分解成多个本征模态函数（IMF），然后计算每个IMF分量的Renyi熵值，以此作为故障特征向量。通过主元分析对这些特征进行降维处理，并将其输入概率神经网络中实现故障分类。实验结果显示，在使用SKF6203轴承正常、内圈点蚀、外圈点蚀和滚动体点蚀这四种状态的情况下，该方法的诊断正确率为91.7%。

全部评论 (0)

还没有任何评论哟~

客服

基于EEMD-Rényi熵与PCA-PNN的滚动轴承故障诊断（2011年）

优质

本研究提出了一种结合EEMD、Rényi熵和PCA-PNN的方法，用于优化滚动轴承的故障诊断流程，提升检测精度。发表于2011年。为解决滚动轴承故障特征提取与状态监测的问题，本段落提出了一种结合集合经验模式分解（EEMD）、Renyi熵、主元分析（PCA）及概率神经网络（PNN）的新方法。首先利用EEMD将振动信号分解成多个本征模态函数（IMF），然后计算每个IMF分量的Renyi熵值，以此作为故障特征向量。通过主元分析对这些特征进行降维处理，并将其输入概率神经网络中实现故障分类。实验结果显示，在使用SKF6203轴承正常、内圈点蚀、外圈点蚀和滚动体点蚀这四种状态的情况下，该方法的诊断正确率为91.7%。

基于SVM的滚动轴承故障诊断研究（2011年）

优质

本研究探讨了利用支持向量机(SVM)技术对滚动轴承进行故障诊断的方法，并分析了其在2011年的应用进展和效果。支持向量机（SVM）方法是在统计学习理论基础上发展起来的一种新型机器学习算法，并在故障诊断领域得到了广泛应用。本段落探讨了SVM分类算法在此领域的应用，并通过滚动轴承的实验进行了验证。

基于LMD近似熵的PNN轴承故障诊断方法

优质

本研究提出了一种结合LMD（局部均值分解）与近似熵算法的新型PNN（概率神经网络）模型，专门用于滚动轴承的故障诊断。该方法通过有效提取信号特征和提高模式识别精度，实现了对早期故障更为敏感的检测能力，为旋转机械的状态监测提供了新的技术路径。本段落提出了一种基于局部均值分解（LMD）近似熵与概率神经网络（PNN）的滚动轴承故障诊断方法。通过使用LMD对信号进行分解，可以将非平稳信号转化为多个平稳的乘积函数分量（PF）。当轴承出现不同类型的故障时，产生的频谱会有所不同，其近似熵也会发生变化。因此，可以通过提取原始信号中的近似熵来判断轴承的工作状态。实验结果表明，在经过LMD处理后得到的若干个PF分量中提取出近似熵，并将其组合成N维特征向量输入到PNN模型中，可以准确地识别故障类型。此外，在数据较少的情况下，相较于传统的BP和RBF神经网络，PNN具有更强的分类能力。

基于滚动轴承的故障诊断方法

优质

本研究提出了一种基于信号处理和机器学习技术的创新滚动轴承故障诊断方法，旨在提高机械设备的运行可靠性和维护效率。为解决基于支持向量机的滚动轴承故障诊断方法中的参数优化问题，本段落提出了一种改进的果蝇优化算法。该算法以模式分类准确率为依据来定义果蝇的味道浓度函数，并利用此算法对支持向量机模型的惩罚因子和核函数参数进行优化。通过结合改进后的果蝇优化算法和支持向量机技术来进行滚动轴承故障模式的分类诊断，实验结果表明，改进的果蝇优化算法具有较高的收敛速度与寻优效率；基于该方法的支持向量机在滚动轴承故障诊断中能实现更高的分类准确率。

基于1D-CNN与SVM的滚动轴承故障诊断

优质

本研究提出了一种结合1D-CNN和SVM的方法，用于提高滚动轴承故障诊断的准确性。通过有效分析振动信号，该方法在多种故障状态下展现出优越性能。基于1D-CNN和SVM的滚动轴承故障诊断方法利用了TensorFlow框架进行实现。这种方法结合了一维卷积神经网络与支持向量机的优势，旨在提高滚动轴承故障检测的准确性和效率。通过采用先进的机器学习技术，该方案能够有效识别不同类型的轴承损伤模式，并为维护决策提供数据支持。

滚动轴承的故障诊断分析

优质

本研究聚焦于滚动轴承的故障诊断技术，通过深入分析其工作状态和常见问题，提出有效的检测与预防策略，旨在提高设备运行的安全性和可靠性。本段落档主要介绍了滚动轴承故障分析的过程、频谱分析方法以及扰动频率的计算，并详细阐述了轴承失效的九个阶段。

基于VMD排列熵与ELM的滚动轴承故障诊断Python实现

优质

本文介绍了一种基于VMD（变分模态分解）和ELM（极限学习机）技术结合排列熵方法进行滚动轴承故障诊断的Python实现方案，旨在提供一种高效、准确的故障检测工具。 1. 包含VMD分解的代码 2. 提供详细数据集 3. 可直接运行

1dcnntest1_1DCNN_轴承故障诊断_基于TensorFlow的CNN故障诊断方法_故障诊断轴承_

优质

本研究运用TensorFlow平台，提出了一种针对轴承故障诊断的1dcnntest1_1DCNN模型，通过卷积神经网络有效识别和分析轴承运行数据中的异常特征，旨在提高故障检测的准确性和效率。使用Python语言，在TensorFlow 2.3.1和Python 3.6环境下运行的一维卷积网络应用于轴承故障诊断的项目。

Autogram_轴承故障诊断_Autogram_轴承_故障诊断

优质

Autogram是一款专注于轴承故障诊断的专业工具。通过分析振动和噪音数据，提供准确及时的维护建议，有效预防设备损坏与生产中断。 Autogram能够适当地选择频带，用于轴承等故障诊断。

main_matlab；emd；轴承故障诊断_轴承故障诊断_

优质

本项目基于MATLAB环境，运用经验模态分解（EMD）技术进行轴承故障诊断。通过分析信号特征实现对各类轴承故障的有效识别与评估。基于EMD的滚动轴承故障诊断在驱动计数端内圈故障检测方面效果明显；而在风扇计数端及基础计数端的内圈故障中，基于EMD的包络解调的效果较差或无效，只能观察到转频信号，而无法清晰地识别出故障频率。