机械设计与研究 ›› 2016, Vol. 32 ›› Issue (05): 72-75+79.doi: 10.13952/j.cnki.jofmdr.a4087
周建民;黎慧;张龙;李鹏;
发布日期:
2020-07-26
Published:
2020-07-26
摘要: 为准确地评估滚动轴承的性能退化状态,提出了一种基于经验模态分解(empirical mode decomposition,EMD)和逻辑回归的评估方法。首先,提取轴承振动信号的本征模函数(intrinsic mode function,IMF)能量作为特征向量;其次,以轴承正常状态数据和失效状态的特征向量建立逻辑回归模型,获取回归参数;最后计算轴承信号全寿命周期的评估指数(confidential value,CV)。评估结果表明,该方法能及时发现早期故障,也能很好地描述轴承性能退化的各个阶段。
周建民;黎慧;张龙;李鹏;. 基于EMD和逻辑回归的轴承性能退化评估[J]. 机械设计与研究, 2016, 32(05): 72-75+79.
[1] | 卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262. |
[2] | 周建民;游涛;尹文豪;张龙;张臣臣;. 基于融合FCM-SVDD模型的滚动轴承退化状态识别[J]. 机械设计与研究, 2020, 36(01): 124-129. |
[3] | 郭闻雨,张秀芳,修玉皎,夏唐斌,潘尔顺. 考虑动态性能退化的生产系统预防维护和缓存配置策略[J]. 上海交通大学学报, 2019, 53(9): 1107-1114. |
[4] | 张龙;吴佳敏;吴荣真;宋成洋;易剑昱;. 基于多尺度熵与SOM神经网络的滚动轴承故障识别[J]. 机械设计与研究, 2019, 35(06): 105-110. |
[5] | 周建民;王发令;张龙;李鹏;张臣臣;. 基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估[J]. 机械设计与研究, 2019, 35(06): 116-122+127. |
[6] | 熊国良;毛志德;张龙;成俊良;. 经验模态分解与核马氏距离的滚动轴承性能退化评估[J]. 机械设计与研究, 2019, 35(04): 96-100+104. |
[7] | 陆纪文;. 基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法[J]. 机械设计与研究, 2019, 35(03): 100-103. |
[8] | 周建民;张臣臣;张龙;郭慧娟;. 基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别[J]. 机械设计与研究, 2019, 35(03): 83-86. |
[9] | 王宜静;谭海燕;. 基于多维度互近似熵的滚动轴承故障诊断方法研究[J]. 机械设计与研究, 2019, 35(01): 110-112+124. |
[10] | 周建民;张臣臣;张龙;郭慧娟;. 基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J]. 机械设计与研究, 2019, 35(01): 96-99. |
[11] | 吴军a, b,黎国强a,吴超勇a,程一伟c,邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报(自然版), 2018, 52(5): 538-544. |
[12] | 黄金超1,马颖华1,齐开悦2,李怡晨1,夏元轶3. 一种基于集成学习的入侵检测算法[J]. 上海交通大学学报(自然版), 2018, 52(10): 1382-1387. |
[13] | 张龙;刘晶;熊国良;毛志德;. 基于小波包分解和频率加权能量算子的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(06): 80-84. |
[14] | 高七一;余伦;. 光电经纬仪中径向密珠滚动轴承设计要素的分析[J]. 机械设计与研究, 2018, 34(06): 89-94. |
[15] | 唐宁;童水光;徐剑;从飞云;张依东;. 基于短时信号重构与K-SVD特征提取算法[J]. 机械设计与研究, 2018, 34(04): 18-22. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||