-
公开(公告)号：CN116502040A
公开(公告)日：2023-07-28
申请号：CN202310124568.3
申请日：2023-02-16
Applicant: 北华大学
IPC: G06F18/10 , G01M13/045 , G01H17/00
Abstract: 本发明涉及一种用于判别信号主成分的方法和相关产品，所述方法包括获取旋转机械设备运行过程中的振动信号；对所述振动信号进行分解，以得到信号分量；对所述信号分量进行时域分析、频域分析和时频分析，以得到所述信号分量对应的熵增量；根据所述熵增量计算得到所述信号分量对应的主成分因子；利用所述主成分因子判别用于表征所述振动信号的主要特征信息的主成分分量。根据本发明的方案，目前利用旋转机械设备的振动信号进行故障判定时，难以全面、准确地评判的问题。
-
公开(公告)号：CN115130508A
公开(公告)日：2022-09-30
申请号：CN202210750635.8
申请日：2022-06-29
Applicant: 北华大学
IPC: G06K9/00 , G01M13/045 , G01M13/00
Abstract: 本发明提供一种基于时间幅频积熵的旋转机械故障诊断方法，包括以下步骤：步骤S1、信号采集：获取旋转机械振动信号x(t)；步骤S2、信号分解：对信号x(t)进行VMD分解，获取n个固有模态函数(IMF)分量u1(t)，u2(t)，…，un(t)；步骤S3、计算时间幅频积：计算各IMF分量的Hilbert谱，并计算各IMF分量的时间幅频积σ1，σ2，…，σn；步骤S4、归一化处理：对每个时间幅频积数值σj进行归一化处理；步骤S5、计算时间幅频积熵：计算信号x(t)的时间幅频积熵PTEF，并以此为依据对旋转机械的故障进行诊断。本发明方法操作简便、相关性特征提取全面、可靠，受信号本身因素影响小；具有良好的时频分辨能力；具有更准确的信号特征提取能力。
-
公开(公告)号：CN114996641B
公开(公告)日：2025-02-28
申请号：CN202210750643.2
申请日：2022-06-29
Applicant: 北华大学
Abstract: 本发明提供一种基于时频相关系数联合因子的变分模态分解优化方法，括：S1、初始化K值，令K＝2；S2、对信号进行VMD分解，获取K个IMF分量；S3、计算各IMF分量同原信号间时域相关系数ρK,i及频域相关系数#imgabs0#计算时频相关系数联合因子δK,i；S4、令K＝K+1，再次进行VMD分解，获取K+1个IMF分量；S5、计算各IMF分量同原信号间时域相关系数ρK+1,j及频域相关系数#imgabs1#计算时频相关系数联合因子δK+1,j；S6、计算K取不同值下相同分解次数时各IMF分量间时频相关系数联合因子差值βK,r；S7、当βK,r≤θ(θ＝0.05)，将其认为有效因子，反之认为无效因子；S8、设K＝m时，连续有效因子数量达最大值，即K＝m+1时连续有效因子数量小于K＝m时，认为分解达最优，最终选择K＝m为最优值。本发明操作简便、相关性特征提取全面、可靠，受信号本身因素影响小。
-
公开(公告)号：CN114996641A
公开(公告)日：2022-09-02
申请号：CN202210750643.2
申请日：2022-06-29
Applicant: 北华大学
Abstract: 本发明提供一种基于时频相关系数联合因子的变分模态分解优化方法，括：S1、初始化K值，令K＝2；S2、对信号进行VMD分解，获取K个IMF分量；S3、计算各IMF分量同原信号间时域相关系数ρK,i及频域相关系数计算时频相关系数联合因子δK,i；S4、令K＝K+1，再次进行VMD分解，获取K+1个IMF分量；S5、计算各IMF分量同原信号间时域相关系数ρK+1,j及频域相关系数计算时频相关系数联合因子δK+1,j；S6、计算K取不同值下相同分解次数时各IMF分量间时频相关系数联合因子差值βK,r；S7、当βK,r≤θ(θ＝0.05)，将其认为有效因子，反之认为无效因子；S8、设K＝m时，连续有效因子数量达最大值，即K＝m+1时连续有效因子数量小于K＝m时，认为分解达最优，最终选择K＝m为最优值。本发明操作简便、相关性特征提取全面、可靠，受信号本身因素影响小。
-
-
-
Search Results
4
records
(took 0.017 seconds)
