振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2013年
5期
756-762
,共7页
局域均值分解%形态滤波%Elman神经网络%滚动轴承%故障诊断
跼域均值分解%形態濾波%Elman神經網絡%滾動軸承%故障診斷
국역균치분해%형태려파%Elman신경망락%곤동축승%고장진단
为了有效地从非线性、非平稳性的滚动轴承振动信号中提取有用的信息成分,提出了一种优化的形态滤波算法-Elman神经网络相结合的方法.首先,采用局域均值分解(LMD)将轴承振动信号分解成若干PF(product runction,简称PF)分量之和；然后,利用峭度最大准则选取PF分量,再用自适应多尺寸多结构元素形态滤波器对其进行滤波解调,进而提取出能量特征向量,作为Elman神经网络的输入参数；最后,区分滚动轴承故障状态和故障类型.仿真分析和试验研究表明,该方法能够有效地提取出滚动轴承的故障特征,与传统的高频共振解调方法相比效果更加明显,与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性.
為瞭有效地從非線性、非平穩性的滾動軸承振動信號中提取有用的信息成分,提齣瞭一種優化的形態濾波算法-Elman神經網絡相結閤的方法.首先,採用跼域均值分解(LMD)將軸承振動信號分解成若榦PF(product runction,簡稱PF)分量之和；然後,利用峭度最大準則選取PF分量,再用自適應多呎吋多結構元素形態濾波器對其進行濾波解調,進而提取齣能量特徵嚮量,作為Elman神經網絡的輸入參數；最後,區分滾動軸承故障狀態和故障類型.倣真分析和試驗研究錶明,該方法能夠有效地提取齣滾動軸承的故障特徵,與傳統的高頻共振解調方法相比效果更加明顯,與小波包分析-BP神經網絡故障診斷方法對比,顯示齣其具有更高的識彆率,更加錶明其可行性和有效性.
위료유효지종비선성、비평은성적곤동축승진동신호중제취유용적신식성분,제출료일충우화적형태려파산법-Elman신경망락상결합적방법.수선,채용국역균치분해(LMD)장축승진동신호분해성약간PF(product runction,간칭PF)분량지화；연후,이용초도최대준칙선취PF분량,재용자괄응다척촌다결구원소형태려파기대기진행려파해조,진이제취출능량특정향량,작위Elman신경망락적수입삼수；최후,구분곤동축승고장상태화고장류형.방진분석화시험연구표명,해방법능구유효지제취출곤동축승적고장특정,여전통적고빈공진해조방법상비효과경가명현,여소파포분석-BP신경망락고장진단방법대비,현시출기구유경고적식별솔,경가표명기가행성화유효성.
