本文關(guān)鍵詞：基于時(shí)間-小波能量譜樣本熵的滾動(dòng)軸承智能診斷方法　出處：《振動(dòng)與沖擊》2017年09期 　論文類型：期刊論文

  更多相關(guān)文章： 滾動(dòng)軸承 智能診斷 連續(xù)小波變換 樣本熵 支持向量機(jī)

【摘要】：為了解決滾動(dòng)軸承故障模式智能識別與運(yùn)行狀態(tài)檢測問題,提出了時(shí)間-小波能量譜樣本熵的計(jì)算方法,并將其作為特征參數(shù)用于滾動(dòng)軸承智能診斷的研究。采用Hermitian小波對軸承信號進(jìn)行連續(xù)小波變換,得到蘊(yùn)含故障信息的時(shí)間-小波能量譜序列,再通過計(jì)算其樣本熵值,量化提取信號中的故障特征信息。軸承不同故障模式下的時(shí)間-小波能量譜樣本熵區(qū)分明顯,以此作為特征向量輸入支持向量機(jī),實(shí)現(xiàn)了對軸承不同故障模式的智能識別。之后計(jì)算軸承全壽命周期實(shí)驗(yàn)數(shù)據(jù)的時(shí)間-小波能量譜樣本熵,按照時(shí)間順序排列,繪制出了軸承運(yùn)行狀態(tài)曲線,通過判斷曲線走勢可有效診斷出軸承早期故障的發(fā)生。實(shí)驗(yàn)結(jié)果表明,時(shí)間-小波能量譜樣本熵可以有效用于滾動(dòng)軸承智能診斷的研究。
[Abstract]:In order to solve the fault pattern recognition and state detection of rolling bearing operation, puts forward the calculation method of energy spectrum entropy and wavelet time samples, which are used as feature parameters of the intelligent diagnosis of rolling bearing. The bearing signal using Hermitian wavelet continuous wavelet transform, which get the fault information time wavelet power spectrum sequence then, by calculating the sample entropy, quantitative fault feature extraction of signals. Bearing under different fault time wavelet energy spectrum of sample entropy is obviously different as vectors of support vector machine, realizes the intelligent recognition model of bearing fault. After calculating the data life cycle experiment of bearing time wavelet energy spectrum sample entropy, arranged in chronological order, draw out the bearing running state curve, by judging the trend curve can effectively diagnose the shaft The experimental results show that the time wavelet energy spectrum sample entropy can be effectively used in the research of intelligent diagnosis of rolling bearings.

【作者單位】： 石家莊鐵道大學(xué)機(jī)械工程學(xué)院;華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院;
【基金】：河北省自然科學(xué)基金(E2014502052) 中央高�；究蒲袠I(yè)務(wù)專項(xiàng)資金項(xiàng)目(2014XS83)
【分類號】：TH133.33
【正文快照】： 滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中支承轉(zhuǎn)動(dòng)軸的核心部件,對于保持轉(zhuǎn)軸的工作位置和旋轉(zhuǎn)精度具有至關(guān)重要的作用,同時(shí)它也是機(jī)械設(shè)備中最易發(fā)生故障損壞的部件之一[1]。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,采用基于信號處理技術(shù)結(jié)合人工智能診斷方法對滾動(dòng)軸承故障進(jìn)行智能診斷已經(jīng)越來越廣泛。采用

【相似文獻(xiàn)】

相關(guān)期刊論文 前6條

1 韓捷;謝凱;;全信息小波能量熵及其在旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測中的應(yīng)用研究[J];機(jī)械強(qiáng)度;2009年06期

2 趙志宏;楊紹普;;基于相對小波能量的滾動(dòng)軸承故障診斷[J];電子測量與儀器學(xué)報(bào);2011年01期

3 唐貴基;鄧飛躍;何玉靈;王曉龍;;基于時(shí)間-小波能量譜熵的滾動(dòng)軸承故障診斷研究[J];振動(dòng)與沖擊;2014年07期

4 馬朝永;王克;孟志鵬;段建民;;基于Hermitian小波的時(shí)間-小波能量譜滾動(dòng)軸承故障診斷方法[J];北京工業(yè)大學(xué)學(xué)報(bào);2014年03期

5 周偉強(qiáng);侯立剛;蘇成利;;基于時(shí)間-小波能量包絡(luò)譜的滾動(dòng)軸承特征提取[J];遼寧石油化工大學(xué)學(xué)報(bào);2014年03期

6 ;[J];;年期

相關(guān)碩士學(xué)位論文 前1條

1 張進(jìn);基于時(shí)間—小波能量譜及交叉小波變換的振動(dòng)信號分析[D];清華大學(xué);2010年

，

本文編號：1399594