循环自相关函数在滚动轴承故障特征提取的应用下载

weixin_39822095 2020-10-02 04:31:07

应用循环自相关函数和快速谱峭度相结合的方法,对滚动轴承早期故障诊断进行分析研究。首先利用谱峭度方法确定滚动轴承振动信号的最佳带通滤波器,然后利用循环自相关函数对滤波后的信号进行解调,提取出滚动轴承故障特征频率,有效地减少了噪声信号的干扰且增强了故障信号。通过仿真与实验数据的轴承故障振动信号验证所提方法的有效性。
相关下载链接：//download.csdn.net/download/weixin_38616505/12520434?utm_source=bbsseo

...全文

28 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

本文主要介绍如何使用python搭建：一个基于深度学习的**滚动轴承故障诊断**系统

摘要：滚动轴承在煤机设备中广泛应用，在恶劣工况下容易发生故障。为了能够及时准确地获取滚动轴承的运转状态，采用BP神经网络算法与小波函数对轴承振动信号进行分解，从而对滚动轴承进行状态监测以及故障诊断。实验结果表明，BP神经网络能够准确获得滚动轴承的运动状态及故障类型。关键词：BP神经网络；振动；故障诊断；滚动轴承滚动轴承是机械设备的关键部件，直接关系到设备的安全运行，滚动轴承故障诊断是通过分析滚动轴...

滚动轴承作为旋转机械的关键部件，其性能直接影响着机械设备的运行效率、稳定性和寿命。由于长期承受复杂的交变载荷、高速旋转以及恶劣的工作环境，滚动轴承极易发生各种形式的故障，如磨损、疲劳、裂纹、滚道剥落等。若未能及时发现并处理这些潜在故障，轻则导致设备性能下降，重则造成停机事故，带来巨大的经济损失甚至安全隐患。因此，对滚动轴承进行有效的故障诊断，对于保障设备的安全可靠运行具有重要意义。近年来，基于振动的故障诊断方法凭借其非侵入性、易于实现、灵敏度高等优点，已成为滚动轴承故障诊断领域的主流技术。

针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型.首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。模型由6层cnn与1层lstm组成。

滚动轴承的工况监测与故障诊断就是通过对滚动轴承在各种工况下表现出来的振动、噪声、温度、工作参数、气味、泄漏等信息的监测和综合分析来对其工作状态、故障类型和故障严重程度进行综合评价的过程，主要包括检测试验技术、信号处理技术、模式识别技术和预测评估技术4项基本技术，从而实现检测和发现异常、诊断故障状态和部位、分析故障类型、提出诊断方案和诊断结论的目的。在其后30多年的时间里，随着科学技术的不断发展，各种方法和技巧不断产生、发展和完善，应用领域不断扩大，监测与诊断的有效性不断提高。

下载资源悬赏专区

13,655

社区成员

12,654,307

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章