排序方式: 共有52条查询结果,搜索用时 15 毫秒
1.
2.
针对柴油机等周期性循环工作方式的机械,研究和分析了其工作过程、受力及振动的周期性循环非平稳性的特点.在分析的基础上本文给出了一种适合于周期性循环非平稳振动信号的特征提取和识别方法.实验数据分析结果表明该方法能有效地识别汽缸部分的故障. 相似文献
3.
传统的压缩感知目标跟踪在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,本文提出一种面向高斯差分图的压缩感知目标跟踪算法。首先,构建原始图像的多尺度空间及其对应的图像高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪。实验证明,高斯差分图像是单通道灰度图,相比较原始视频流的三通道彩色图,具有灰度取值范围小,数值低,结构简单,维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了原始算法的实时性。因此,与传统的压缩感知算法相比,本文算法能快速准确地实现复杂环境下的移动目标跟踪任务,具有更强的鲁棒性。 相似文献
4.
转子起停车过程中由传统的等时间间隔采样所获得的机械动态信号已不再保持原有的周期特性,采用经典的基于傅里叶变换的谱分析方法进行信号处理不再有效。针对转子起停车状态评估中幅值、频率的非平稳特性所带来的问题,引入分数阶傅里叶变换研究了基于起停车信息的故障定性分析和定量识别方法,提出了基于分数阶全息原理的转子起停车故障特征提取方法,并在此基础上实现了基于分数阶主分量原理的转子故障特征模式定量分类。实验验证表明,该方法解决了转子起停车过程中瞬变信息的获取问题,能有效提取出起停车过程振动信号中的典型故障特征,可以实现对转子不同故障类型及不同故障程度的准确分类。 相似文献
5.
现有复杂网络应用于故障诊断时,通常基于时域信息出发建模,造成信号频域特征缺失,并且提取的网络拓扑特性过于宏观,对网络内部的局部变化不敏感。相比于宏观特征,局部特征往往蕴含更为丰富的信息,能更准确地表征网络模型。针对此问题,提出一种基于频域复杂网络分解的局部特征提取新方法,该方法借助复杂网络的结构特性来获取信号在频域的变化规律,采用对网络局部变化敏感的微观特性表征整个网络模型,不受机理的限制,应用灵活。采用滚动轴承不同故障的数据进行验证,并与常规复杂网络拓扑特征和时域统计参数进行对比分析,结果表明,本研究方法及提取的特征可分性好,对故障识别正确率达99%,可满足滚动轴承故障诊断的需求,同时对其他非平稳信号处理及识别有一定的借鉴意义。 相似文献
6.
针对变工况条件下轴承训练数据集和测试数据集存在分布差异,导致智能诊断模型泛化能力不足,且需针对不同任务分别建模问题,提出一种基于多尺度混合域特征提取(multi?scale mixed domain feature extraction,简称MMDFE)和领域自适应(domain adaptation,简称DA)的滚动... 相似文献
7.
针对目前高速旋转机械通过建模求解各阶固有频率复杂、困难问题,提出一种基于随机子空间(Stochastic Subspace Identification,SSI)和经验模式分解(Empirical Mode Decomposition,EMD)相结合的系统模态参数识别方法。该方法首先通过对转子系统运行工况下的振动响应进行分段滤波获取各阶模态自由衰减分量,然后引入EMD对处理后的信号进行分解,降低模态混叠及其他信号成分对模态参数识别的影响。其次,以EMD分解后的数据为基础,构建Hankel矩阵,通过SVD分解和卡尔曼状态滤波得到系统的随机状态模型,并对状态矩阵进行特征值分解,从而得到系统的一阶与二阶模态的固有频率。仿真分析和转子实验台的实际测试结果表明,该方法可以有效识别运行工况下转子系统的一、二阶固有频率,为后续系统特性分析和故障辨识提供新的思路。 相似文献
8.
9.
针对现有转子动平衡方法处理非平稳数据的不足,提出了基于参数化时频分析的转子全工况动平衡方法。该方法根据转频信号频率变化函数构造匹配的旋转算子,将启车信号的时频特征进行旋转,准确提取出转频分量。通过添加试重,结合全息动平衡方法获得各个转速下的迁移矩阵,实现转子全工况的动平衡,避免了传统动平衡方法需要获取稳态数据的缺点。实验结果表明,该方法可以方便、快捷地确定出转子的失衡量和失衡方位,有效降低转子系统不平衡振动,同时减少平衡过程中的启车次数。 相似文献
10.
数据驱动的异常检测技术被广泛应用于复杂机械设备状态监测中,工况(operating conditions,简称OCs)变化会导致监测数据的分布漂移,使传统数据驱动的异常检测方法的准确性受到极大干扰。为了解决时变工况下工况和健康状态之间的耦合问题,提出了一个新的特征解耦学习框架。首先,基于变分自动编码器(variation auto encoder,简称VAE)构建一个特征解耦条件变分自动编码器(conditional variation auto encoder,简称CVAE)网络,实现工况和健康状态的解耦;其次,对解耦后的健康状态相关特征进行降维处理,构建异常指标(anomaly indicator,简称ANI);然后,将ANI与统计异常阈值相结合,实现时变工况下轴承的异常检测;最后,通过基于时变转速退化的轴承加速疲劳退化实验,验证了该方法的有效性以及所构建的健康指标在消除时变工况干扰方面的优越性。 相似文献