کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948378 1439611 2016 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An investigation of rolling bearing early diagnosis based on high-frequency characteristics and self-adaptive wavelet de-noising
ترجمه فارسی عنوان
تحقیق بر روی تشخیص زودهنگام غلتک بر اساس ویژگی های فرکانس بالا و نابودی موجک خود سازگار
کلمات کلیدی
ترجمه چکیده
یاطاقان نورد قطعات ضروری در ماشین های دوار است. با این حال، مشکل تشخیص خطای اولیه برای بلبرینگ چرخ دشوار است به دلیل کم بودن نسبت سیگنال به نویز و سیگنال غیر خطی و غیر ثابت. بر اساس یک مطالعه دقیق سیگنال های ارتعاش غلتک، این مقاله یک روش برای تعیین اینکه آیا خطا با مقایسه توان باند فرکانس بالا رخ می دهد پیشنهاد می شود. اگر یک خطا رخ دهد، ابتدا سیگنال های ارتعاش را با استفاده از موج نابود می کنیم و سپس ویژگی های گسل را در حوزه زمان و دامنه فرکانس زمانی استخراج می کنیم تا از محدودیت استفاده از تنها یک دامنه جلوگیری کنیم. در نهایت، موقعیت گسل با استفاده از روش همبستگی خاکستری مشخص می شود. با توجه به نتایج حاصل از روش نرم افزار، دقت تشخیص با استفاده از روش ارائه شده در این مقاله رضایت بخش است، که نشان می دهد که این روش دارای عملکرد برتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Rolling bearings are necessary parts in rotary machines. However, the problem of early fault diagnosis for rolling bearings is difficult to solve due to its low signal-to-noise ratio and non-linear and non-stationary signal. Based on a detailed investigation of rolling bearing vibration signals, this paper proposes a method for determining whether a fault occurs by comparing the high-frequency band power. If a fault occurs, we first de-noise the vibration signals using wavelet de-noising and then extract the fault characteristics in both the time domain and the time-frequency domain to avoid the limitations of using only one domain. Finally, the fault location is identified using the grey correlation method. According to the method application results, the recognition accuracy using the method proposed in this paper is satisfactory, proving that the method has superior performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 216, 5 December 2016, Pages 649-656
نویسندگان
, , , ,