用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 4. 设计与分析 > 算法与优化

关键词搜索：

标 题： Application of the Laplace-Wavelet Combined With ANN for Rolling Bearing Fault Diagnosis
拉普拉斯小波与人工神经网络结合在滚动轴承故障诊断中的应用
作 者： Khalid F. Al-Raheem
Asok Roy
K. P. Ramachandran
D. K. Harrison
Steven Grainger
关键词： Bearing fault diagnosis  [轴承故障诊断]
Kurtosis  [ 峰度]
Laplace wavelet  [ 拉普拉斯小波]
Genetic algorithm  [ 遗传算法]
ANN  [ 公告]
出版年： 2008
期刊名： Journal of Vibration and Acoustics
振动与声学杂志
年卷期： 2008, vol.130, no.5
摘 要： A new technique for an automated detection and diagnosis of rolling bearing faults is presented. The time-domain vibration signals of rolling bearings with different fault conditions are preprocessed using Laplace-wavelet transform for features' extraction. The extracted features for wavelet transform coefficients in time and frequency domains are applied as input vectors to artificial neural networks (ANNs) for rolling bearing fault classification. The Laplace-Wavelet shape and the ANN classifier parameters are optimized using a genetic algorithm. To reduce the computation cost, decrease the size, and enhance the reliability of the ANN, only the predominant wavelet transform scales are selected for features' extraction. The results for both real and simulated bearing vibration data show the effectiveness of the proposed technique for bearing condition identification with very high success rates using minimum input features.

提出了一种用于滚动轴承故障自动检测与诊断的新技术。通过拉普拉斯小波变换对不同故障状态的滚动轴承时域振动信号进行预处理，提取特征。将时域和频域中小波变换系数提取出的特征作为输入向量，输入人工神经网络（ANN）进行滚动轴承故障分类。利用遗传算法优化拉普拉斯-小波形状及ANN分类器参数。为降低计算成本、减小模型规模并提高ANN的可靠性，仅选取主导的小波变换尺度进行特征提取。实测与仿真轴承振动数据的结果表明，该方法在轴承状态识别方面具有显著效果，且在最少输入特征的情况下实现了极高的识别成功率。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号