The fault response signals of an ax

The fault response signals of an axle-box bearing of a rail vehicle have strongly non-linear and non-stationary characteristics, which can reﬂect the operating state of the running gears. This paper proposes a novel method for bearing fault diagnosis based on frequency-domain energy feature reconstruction (EFR) and composite multiscale permutation entropy (CMPE). First, a wavelet packet transform (WPT) is applied to decompose the vibration signals into multiple frequency bands. Then, considering that the bearing-localized defects cause the axle-box bearing system to resonate at a high frequency, which will lead to uneven energy distribution of the signal in the frequency domain, the energy factors of each frequency band are calculated by an energy feature extraction algorithm, from which the frequency band with maximum energy factor (which contains abundant fault information) is reconstructed to the time-domain signal. Next, the complexity of the reconstructed signals is calculated by CMPE as fault feature vectors. Finally, the feature vectors are inputintoamediumGaussiansupportvectormachine(MG-SVM)forbearingconditionclassiﬁcation. The proposed method is validated by a public bearing data set and a wheelset-bearing system test bench data set. The experimental results indicate that the proposed method can eﬀectively extract bearing fault features and provides a new solution for condition monitoring and fault diagnosis of rail vehicle axle-box bearings.

0/5000

源语言: -

目标语言: -

结果 (简体中文) 1: [复制]

复制成功！

轨道车辆的车轴箱轴承的故障响应信号具有强非线性和非平稳特性，这可以重新FL ECT运行齿轮的工作状态。本文提出了一种基于频域能量特性重建（EFR）和复合多尺度排列熵（CMPE）轴承故障诊断的新方法。首先，小波包变换（WPT）被施加到振动信号分解为多个频带。然后，考虑到轴承的局部缺陷原因的轴箱轴承系统的共鸣以高频率，这将导致在将频域的信号的不均匀能量分布，每个频带的能量因子由能量计算特征提取算法，从具有最大能量因子（其含有丰富的故障信息）的频带被重构到时域信号。接下来，重构信号的复杂度是通过CMPE计算为故障特征向量。最后，特征向量inputintoamediumGaussiansupportvectormachine（MG-SVM）forbearingconditionclassi网络阳离子。所提出的方法是通过一个公共轴承数据集和一个轮轴承系统测试台数据集验证。实验结果表明，所提出的方法可以通过电子邮件FF ectively提取轴承故障特征并提供用于状态监测新的解决方案和故障的铁路车辆车轴的轴承箱诊断。最后，特征向量inputintoamediumGaussiansupportvectormachine（MG-SVM）forbearingconditionclassi网络阳离子。所提出的方法是通过一个公共轴承数据集和一个轮轴承系统测试台数据集验证。实验结果表明，所提出的方法可以通过电子邮件FF ectively提取轴承故障特征并提供用于状态监测新的解决方案和故障的铁路车辆车轴的轴承箱诊断。最后，特征向量inputintoamediumGaussiansupportvectormachine（MG-SVM）forbearingconditionclassi网络阳离子。所提出的方法是通过一个公共轴承数据集和一个轮轴承系统测试台数据集验证。实验结果表明，所提出的方法可以通过电子邮件FF ectively提取轴承故障特征并提供用于状态监测新的解决方案和故障的铁路车辆车轴的轴承箱诊断。

正在翻译中..

结果 (简体中文) 2:[复制]

复制成功！

轨道车辆轴箱轴承的故障响应信号具有很强的非线性和非静止特性，可反映运行齿轮的运行状态。本文提出了一种基于频域能量特征重构（EFR）和复合多尺度排列熵（CMPE）的轴承故障诊断新方法。首先，应用小波数据包变换（WPT）将振动信号分解为多个频段。然后，考虑到轴承局部缺陷导致轴箱轴承系统以高频共振，从而导致频域中信号能量分布不均，每个频段的能量因子由一种能量特征提取算法，从该算法将具有最大能量因子的频段（包含丰富的故障信息）重建为时域信号。其次，重建信号的复杂性由CMPE作为断层特征向量计算。最后，特征向量是输入中高斯支持向量机（MG-SVM）的承载条件分类。该方法由公共轴承数据集和轮组轴承系统试验台数据集验证。实验结果表明，该方法能有效地提取轴承故障特征，为轨道车轴箱轴承的状态监测和故障诊断提供了新的解决方案。

正在翻译中..

结果 (简体中文) 3:[复制]

复制成功！

轨道车辆轴箱轴承的故障响应信号具有很强的非线性和非平稳特性，能够反映运行齿轮的工作状态。提出了一种基于频域能量特征重构（EFR）和复合多尺度置换熵（CMPE）的轴承故障诊断方法。首先，应用小波包变换（WPT）将振动信号分解成多个频带。然后，考虑到轴承局部缺陷引起轴箱轴承系统高频共振，导致信号在频域内能量分布不均匀，采用能量特征提取算法计算各频段的能量因子，将具有最大能量因子的频带（包含丰富的故障信息）重构为时域信号。接着，利用CMPE作为故障特征向量计算重构信号的复杂度。最后，将特征向量输入到中等高斯支持向量机（MG-SVM）的条件分类中。该方法在公共轴承数据集和轮对轴承系统试验台数据集上得到了验证。实验结果表明，该方法能有效地提取轴承故障特征，为轨道车辆轴箱轴承的状态监测和故障诊断提供了新的解决方案。

正在翻译中..

其它语言

本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.