典型文献
应用时频图像纹理特征的行星齿轮故障诊断
文献摘要：
行星齿轮箱结构复杂,当发生故障时其振动信号呈非线性非平稳特点且故障信号微弱,为了能够准确提取行星齿轮磨损故障信息的特征,提出局部均值分解(local mean decomposition,简称LMD)结合S变换(LMD-S)的信号处理方法,且转化为时频分布图像,应用时频图像纹理特征进行行星齿轮故障诊断.首先,把振动信号经由LMD-S变换处理后利用相关分析方法滤除干扰且转化为时频分布图像;其次,利用非均匀局部二值模式(local binary patterns,简称LBP)提取不同工况下采集数据的图像纹理特征;最后,采用极限学习机识别出3种故障类型,故障识别准确率达到90％,证明了此方法的有效性.
文献关键词：
行星齿轮;模式识别;故障诊断;局部均值分解-S变换;时频图像纹理特征
中图分类号：
作者姓名：
崔宝珍;王斌;任川;彭智慧;王浩楠;王泽兵
作者机构：
中北大学机械工程学院 太原,030051;中北大学先进制造技术山西省重点实验室 太原,030051;晋西铁路车辆有限责任公司 太原,030027
文献出处：
引用格式：
[1]崔宝珍;王斌;任川;彭智慧;王浩楠;王泽兵-.应用时频图像纹理特征的行星齿轮故障诊断)[J].振动、测试与诊断,2022(06):1141-1146
A类：
时频图像纹理特征
B类：
齿轮故障诊断,行星齿轮箱,振动信号,非平稳,故障信号,微弱,齿轮磨损,磨损故障,故障信息,出局,局部均值分解,local,mean,decomposition,LMD,信号处理,时频分布,分布图,行行,变换处理,滤除,非均匀,局部二值模式,binary,patterns,LBP,不同工况,采集数据,极限学习机,故障类型,故障识别,识别准确率,模式识别
AB值：
0.274722
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
