基于小波和支持向量数据描述的故障智能诊断

提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类.通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度.     

基于小波和支持向量数据描述的故障智能诊断

本文中提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法，通过提取实测信号经小波分解后各频带重构信号的能量作为特征，进行支持向量数据描述分类器的训练和分类。通过对滚动轴承故障智能诊断实例表明，该方法可以有效提取信号的故障特征，改进支持向量数据描述在故障诊断中精确度。     

基于HHT及共振解调方法的动车组走行部轴箱轴承故障诊断算法

针对动车组走行部轴箱振动信号非平稳、非线性且背景噪声频率分布范围广的复杂特性,设计了改进的希尔伯特-黄变换算法(Hilbert-Huang Transform,HHT),综合利用了HHT方法有效平稳化信号及共振解调方法有效提高信噪比的优点.通过分析动车组运行过程中轴箱轴承背景噪声成分,进行了轴箱轴承故障信号的仿真.对仿真信号分别使用HHT方法,共振解调方法及本文所设计方法进行故障分析.结果表明:相比HHT方法与共振解调方法,本文所设计方法可有效提取故障信息并分析故障类型.适用于分析高速动车组走行部特有的振动信号特征.为我国高速动车组故障诊断提供了新思路.     

基于多重分形分析的故障诊断

引入一种新的时间序列的重分形性——Hlder指数定义,并给出其计算方法。这种方法不仅具有易计算和计算量小的特点,而且可以做到实时计算,可以满足现有设备对故障诊断的实时性的要求。Hlder指数方法通过引入两个参数,可以调整其时间序列的Hlder指数的灵敏度,根据具体情况进行调整,使得各种情况下的重分形性得到较精确地刻划。