排序方式: 共有4条查询结果,搜索用时 406 毫秒
1
1.
针对无法定量分析计算囊式衰减器衰减效果的问题,以某囊式衰减器为研究对象,运用动网格技术结合用户自定义函数(UDF)对串联和并联式衰减器进行数值计算。克服了有限元流体计算中的发散问题和动网格更新过程中的负体积问题,在不同的脉动频率下,对囊式衰减器进行动态模拟,结果表明,串联式衰减器对压力脉动的衰减效果优于并联式;流体脉动频率与衰减器固有频率一致时衰减效果最好,最佳衰减率可达85%以上。仿真结果与实验结果基本吻合,验证了仿真模型的有效性和实用性,为提高囊式衰减器的衰减性能,也为变边界问题的分析研究提供了新的方法和思路。 相似文献
2.
3.
强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。 相似文献
4.
针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。 相似文献
1