1、“.....因此的协方差矩阵为那么则为个的矩阵可以直观地看出矩阵为个对称矩阵,对往只是判断滚动轴承是否存在故障及故障的严重程度,不能判别是轴承哪个部位出现问题,而频域分析则可根据相关的频谱成分进行故障诊断。频域特征指标参数是通过傅里叶变换使离散的振动信号从时域转化为频域。对不同故障程度,其特征指标参数是有所不同的。其相关指标计算式见表。滚动轴承特征信息提取及状态评估方频谱成分进行故障诊断。频域特征指标参数是通过傅里叶变换使离散的振动信号从时域转化为频域。频谱均值频谱有效值滚动轴承特征选取和融合特征提取实现了从大数据量低维度低信息浓度的时间序列转化成高维度和高信息浓度的特征指标,但提取的这些特征指标之间的信息往往仍然存在定的不相关性或冗余性。当冗余度达到常点剔除的数据预处理,减少影响分析的干扰信号,并提出基于主成分分析法的滚动轴承特征提取和融合,对原始信号的多维故障特征进行降维处理......”。

2、“.....参考文献孙建滚动轴承振动故障特征提取与寿命预测研究,杨晓燕滚动轴承振动信号的特征提取方法研滚动轴承特征信息提取及状态评估方法研究原稿均值处理,即使用原始信号减去其均值,保留动态部分。滤波由于传感器频响范围外低频性能的不稳定或者轴位环境的干扰,使其振动信号中存在定的低频分量和直流分量,会影响振动数据分析,因此本次实验数据采用高通滤波,将信号中低频成分滤掉,减少数据分析中低频信号的干扰。异常点剔除由于外界干扰或者仪器自身干存在异常值,该值与理论值不符,对数据分析造成干扰,本文中使用原则对异常点进行剔除。图中显示了异常点剔除前后数据对比。特征提取采用主成分分析法将多维指标融合,以累计贡献率大于确定主成分个数。通过各融合指标的最大值与最小值间差值,以作为距离参照指标计算各时刻随着轴承状态变差,健康度逐渐下降......”。

3、“.....在轴承上施加了的径向载荷,转速为。数据预处理零均值处理轴承振动数据往往是服从正态分布的零均值随机信号。但在实际运用中,由于设备工况数采等原因,会出现信号直流偏置的现象,通常在计算特征指标前进行变差,健康度逐渐下降。实验实例分析实验轴承为圆柱滚子轴承和深沟球轴承,在轴承上施加了的径向载荷,转速为。数据预处理零均值处理轴承振动数据往往是服从正态分布的零均值随机信号。但在实际运用中,由于设备工况数采等原因,会出现信号直流偏置的现象,通常在计算特征指标前进行零均值处理累计贡献度为当累计贡献度接近时,说明前个主分量已经几乎包含了原始数据的信息量。因此使用前行组成的矩阵乘以原始数据矩阵,就可以实现数据降维。滚动轴承状态评估在轴承实际使用过程中,往往希望可以通过个指标去代表轴承目前的状态,从而判断轴承的寿命,在这里引入轴承健康度去衡量轴承状态的个量使用原始信号减去其均值,保留动态部分......”。

4、“.....使其振动信号中存在定的低频分量和直流分量,会影响振动数据分析,因此本次实验数据采用高通滤波,将信号中低频成分滤掉,减少数据分析中低频信号的干扰。异常点剔除由于外界干扰或者仪器自身干扰,信号中往假设故障特征矩阵有行数据,有个特征指标,那么可以得到个的矩阵两个参数的相关程度,可以使用协方差进行衡量,当协方差为时,表明两个参数完全独立,为了让协方差为,根据第个参数选择第个是必须是在其正交的方向上。因此的协方差矩阵为那么则为个的矩阵可以直观地看出矩阵为个对称矩阵,对大简化。关键词滚动轴承特征提取主成分分析法健康状态引言滚动轴承是电力冶金运载机械等国民经济行业使用最广泛的机械零件,也是机械设备中最易受损的零件之。因此轴承状态监测是许多旋转机械中必不可少的部分,目前基于振动信号的轴承状态监测轴承寿命评估和预测是最有效的方法之......”。

5、“.....最后将所有融合指标的健康度值进行平均,得到最终的健康度曲线,如图。图轴承健康评估曲线小结本文通过对滚动轴承振动信号不同时域频域特征指标的概述,对原始数的特征指标与最小值间的差值接着通过健康度得出各时刻下的各融合指标对应健康度值,最后将所有融合指标的健康度值进行平均,得到最终的健康度曲线,如图。图轴承健康评估曲线小结本文通过对滚动轴承振动信号不同时域频域特征指标的概述,对原始数据零均值滤波使用原始信号减去其均值,保留动态部分。滤波由于传感器频响范围外低频性能的不稳定或者轴位环境的干扰,使其振动信号中存在定的低频分量和直流分量,会影响振动数据分析,因此本次实验数据采用高通滤波,将信号中低频成分滤掉,减少数据分析中低频信号的干扰。异常点剔除由于外界干扰或者仪器自身干扰,信号中往均值处理......”。

6、“.....保留动态部分。滤波由于传感器频响范围外低频性能的不稳定或者轴位环境的干扰,使其振动信号中存在定的低频分量和直流分量,会影响振动数据分析,因此本次实验数据采用高通滤波,将信号中低频成分滤掉,减少数据分析中低频信号的干扰。异常点剔除由于外界干扰或者仪器自身干状态的个量化指标。通过使用原始振动信号,并对其进行数据预处理,然后进行特征指标的选取和融合主成分分析,通过融合指标自对比实现轴承健康度的评估。健康度是以提取的特征指标中的最大值与最小值为参照,计算特征指标与最大值最小值间相对距离得到归化至,范围内的健康度值。当轴承健康度为,表示轴承状态较好滚动轴承特征信息提取及状态评估方法研究原稿相关特征参数提取,并使用特征融合高斯过程回归对轴承状态进行评估和预测。基于主成分分析法滚动轴承特征融合特征指标融合主要使用主成分分析法实现。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分......”。

7、“.....有使数据简单化,同时得到更加科学有效的数据信息,使设备诊断工作大大简均值处理,即使用原始信号减去其均值,保留动态部分。滤波由于传感器频响范围外低频性能的不稳定或者轴位环境的干扰,使其振动信号中存在定的低频分量和直流分量,会影响振动数据分析,因此本次实验数据采用高通滤波,将信号中低频成分滤掉,减少数据分析中低频信号的干扰。异常点剔除由于外界干扰或者仪器自身干提取方法研究,张龙龙基于多健康状态评估大的滚动轴承剩余寿命预测方法研究,。基于主成分分析法滚动轴承特征融合特征指标融合主要使用主成分分析法实现。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分,既提取了有效的特征信息,有使数据简单化,同时得到更加科学有效的数据信息,使设备诊断工作个对称矩阵,对角线是各个特征参数的方差,其它元素为参数的协方差,使协方差矩阵对角化,即除了对角线外的其他元素化为......”。

8、“.....通过特征量顺序可以对应其特征向量,样本投影到特征向量上得到该方量对应的主分量,因此个特征量对应维的主分量,利用各个特征值的累计贡献度进零均值滤波异常点剔除的数据预处理,减少影响分析的干扰信号,并提出基于主成分分析法的滚动轴承特征提取和融合,对原始信号的多维故障特征进行降维处理,根据贡献率大于确定主成分利用其欧式距离对轴承最终健康度进行评估。参考文献孙建滚动轴承振动故障特征提取与寿命预测研究,杨晓燕滚动轴承振动信号的特使用原始信号减去其均值,保留动态部分。滤波由于传感器频响范围外低频性能的不稳定或者轴位环境的干扰,使其振动信号中存在定的低频分量和直流分量,会影响振动数据分析,因此本次实验数据采用高通滤波,将信号中低频成分滤掉,减少数据分析中低频信号的干扰。异常点剔除由于外界干扰或者仪器自身干扰,信号中往,信号中往往存在异常值,该值与理论值不符,对数据分析造成干扰......”。

9、“.....图中显示了异常点剔除前后数据对比。特征提取采用主成分分析法将多维指标融合,以累计贡献率大于确定主成分个数。通过各融合指标的最大值与最小值间差值,以作为距离参照指标随着轴承状态变差,健康度逐渐下降。实验实例分析实验轴承为圆柱滚子轴承和深沟球轴承,在轴承上施加了的径向载荷,转速为。数据预处理零均值处理轴承振动数据往往是服从正态分布的零均值随机信号。但在实际运用中,由于设备工况数采等原因,会出现信号直流偏置的现象,通常在计算特征指标前进行对角线是各个特征参数的方差,其它元素为参数的协方差,使协方差矩阵对角化,即除了对角线外的其他元素化为,并将对角线上的元素从大到小依次排列。通过特征量顺序可以对应其特征向量,样本投影到特征向量上得到该方量对应的主分量,因此个特征量对应维的主分量,利用各个特征值的累计贡献度进行主分量的选主分量的选取,累计贡献度为当累计贡献度接近时......”。