排序方式: 共有51条查询结果,搜索用时 31 毫秒
1.
针对高压隔膜泵单向阀的早期故障特征提取困难的问题,提出基于微分经验模态分解(differential empirical mode decomposition,简称DEMD)的高压隔膜泵单向阀早期故障诊断方法。首先,对振动信号进行微分运算,提高高频成分的振幅比,使微弱高频成分在后续分解中更易提取;其次,对得到的新信号进行经验模态分解(empirical mode decomposition,简称EMD),并将分解后的本征模函数(intrinsic mode function,简称IMF)分量信号进行积分还原;最后,计算分量信号与原振动信号的Kullback-Leibler散度(Kullback-Leibler divergence,简称K-L散度)值,选取K-L散度值较小的分量信号进行重构,并利用Hilbert边际谱对重构信号进行瞬时频谱分析,以提取故障振动信号的特征。仿真与工程实验分析表明,该方法能够较好地提取出单向阀早期故障特征信息。 相似文献
2.
基于LED光源隧道照明调光系统的研究与设计 总被引:1,自引:0,他引:1
针对隧道照明调光的要求,设计了一种基于PWM驱动大功率LED的调光系统.该系统采用恒流可控电路,主电路采用BUCK拓扑结构,控制电路采用自带PWM功能的单片机.通过对负载电流的采样,控制输出PWM脉冲的频率和占空比,以达到负载电流恒定的目的.该方法解决了LED在不同环境及时间内的亮度调节问题,且可在不改变其他电路参数的情况下增加或减少一定数量的LED,节约了成本,同时也给施工带来了极大的便利.试验表明,系统的各项性能指标均达到要求,抗干扰能力强. 相似文献
4.
5.
6.
单向阀是往复式高压隔膜泵的关键部件,其故障振动信号常遭受强噪声污染,导致故障特征难以检测。针对这一问题,提出一种经验模态分解(EMD)辅助相关系数奇异值分解(SVD)的单向阀故障诊断方法。该方法首先将单向阀振动信号进行EMD分解,并将分解得到的本征模态函数(IMF)进行重构;然后将重构信号输入到相关系数SVD系统中进行二次分解,并用相关系数法筛选出包含故障特征信息的分量信号;最后对有效分量信号进行希尔伯特包络谱分析,实现单向阀故障诊断。仿真结果表明,提出方法解决了强噪声背景下故障特征提取困难的问题;实测数据表明,该方法能够有效检测出单向阀故障。 相似文献
7.
基于Hilbert-Huang变换和小波包能量谱的电压暂降源识别 总被引:2,自引:0,他引:2
针对电压暂降源识别问题,提出一种基于Hilbert-Huang变换(HHT)和小波包能量谱的电压暂降源识别方法。首先对电压暂降信号经过经验模态分解(EMD),得到一个固有模态函数(IMF)集合,然后将各IMF进行n层小波包分解并计算其小波包能量谱,得到Hilbert-Huang(HH)谱图。通过比较突变点、幅值、谐波等特征量,对电压暂降源进行识别。实验结果表明,该方法简洁可靠、识别准确性高、实用性强。 相似文献
8.
轴承的振动信号特征与运行状态之间具有较强的非线性关系,导致在对轴承运行状态特征提取时,选取的高维特征间存在冗余性,因此产生故障诊断模型性能退化的问题。为此提出一种高斯过程隐变量模型(Gaussian process latent variable model, GPLVM)与多类最优边际分配机(Multi-class optimal margin distribution machine, mcODM)相结合的故障诊断方法。该方法首先对振动信号进行完备总体经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD),得到信号的高维特征,并采用GPLVM对高维特征进行维数约简,然后利用约简后的特征建立mcODM故障诊断模型。轴承故障检测试验表明,该方法能够有效降低特征间的冗余性,且相较于ELM,mcODM模型能通过优化边际分布获得较高的辨识精度。 相似文献
9.
对于电站煤粉锅炉,合理配置燃烧器喷口的煤粉浓度是锅炉安全,经济运行的重要条件和保证,本文介绍了一种火电玫给粉浓度在线监测系统,该系统用于监测燃烧器喷口处的煤粉浓度状况,帮助运行人员调整锅炉燃烧,并讨论了在C++Builder环境下的数据采集与开发。 相似文献
10.
高压隔膜泵单向阀受负载、摩擦和冲击等因素的影响,运行产生的振动信号具有非平稳、非线性的特点,为了从振动信号中提取设备的非线性动力学特征,将多尺度排列熵(multi-scale permutation entropy, MPE)引入高压隔膜泵单向阀故障诊断研究。提取振动信号多尺度排列熵特征,用于建立结构优化正则化极限学习机(structure optimization regularized extreme learning machine, SO-RELM)故障诊断模型,模型利用K-means优化RELM结构,提高模型识别精确度及稳定性。首先采用自适应噪声完备经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将高压隔膜泵单向阀振动信号自适应分解为多个固有模态分量(intrinsic mode function, IMF),以相关系数为指标,优选包含故障特征信息丰富的分量;然后,计算IMFs的多尺度排列熵值,提取信号的非线性动力学特征;最后,基于多尺度排列熵,建立... 相似文献