排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
引入一种基于图像形态学纹理特征提取与布谷鸟搜索优化脉冲神经网络(cuckoo search-spiking neural network,CS-SNN)算法相结合的方法,以解决双初级永磁同步直线电机(dual primary permanent magnet synchronous linear motor,DPPMSLM)退磁故障精细定量化诊断识别的问题。首先,根据DPPMSLM拓扑结构约束,通过有限元仿真提取电机气隙空间中三线磁密信号作为有效故障信号;其次,引入图像纹理分析的方法,将一维数据信号映射为二维灰度图像,再采用伽马矫正和边缘提取技术增强图像信息,以提取图像纹理特征组成故障特征向量;然后建立两级CS-SNN分类器实现退磁故障位置类型和严重程度的精确诊断分类;最后,通过退磁样机制作和实验平台验证,提出的新方法能够准确识别DPPMSLM退磁故障位置和严重程度,并具有良好的鲁棒性,是一种有效可行的方法。 相似文献
2.
本文提出一种基于隧道磁阻(TMR)传感器和噪声注入卷积神经网络(NBCNN)、长短期记忆网络(LSTM)、注意力机制动态集成神经网络预测模型(NBCNN-LSTM-Attention)的双边永磁同步直线电机气隙磁密新型非侵入式测量方法。首先,建立直线电机气隙磁场的解析模型和有限元模型作为数据基础,探寻直线电机的外部空间杂散磁场和内部中心气隙磁场存在非线性映射关系。其次,引入TMR传感器测量直线电机外部杂散磁场信号,并对传感器的安装位置进行优化,将内外一维磁密信号进行相似度特征匹配,以获取传感器最优测量位置。然后,将电机外部杂散磁场数据作为输入,内部气隙磁场数据作为输出,建立NBCNN-LSTM-Attention网络的内外磁场高精度映射模型,实现“用外代内”的非侵入式气隙磁密高精密测量。最后,搭建直线电机气隙磁密测量实验平台和高斯计对比测量实验平台,验证了本文所提方法的先进性和优越性。 相似文献
1