排序方式: 共有10条查询结果,搜索用时 8 毫秒
1
1.
为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。 相似文献
2.
转子系统阻尼固有频率算法中数值溢出问题的研究 总被引:2,自引:0,他引:2
对基于Riccati传递矩阵法和Murphy-Vance法的转子系统的阻尼固有频率的传递矩阵-多项式计算法中的数值溢出问题作了分析研究,提出了一种代换p=gq,通过这种代换,使上述计算方法中的数值溢出问题得了解决。文中对一台200MW汽轮机转子轴承系统的阻尼固有频率作了计算,计算结果证实,这种代换在数学上是严格的,对数值溢出问题的解决是有效的。 相似文献
3.
针对轴承故障信号受背景噪声影响,而难以准确提取故障冲击特征的问题,提出一种噪声辅助多元经验模态分解(Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD)与全矢包络快速独立分量分析(Fast Independent Component Analysis,FastICA)相结合的轴承故障特征提取方法。该方法将同源双通道信号进行NAMEMD分解,根据相关性系数选取包含故障特征的固有模态函数(Intrinsic Mode Function,IMF)进行重构;对重构信号进行快速独立分量分析,最后进行全矢包络融合,提取轴承故障特征。对实际轴承信号的分析验证该方法能有效提取完整高阶故障频率,同时降低包络谱特征统计参数的冗余。 相似文献
4.
为提高BP神经网络诊断发动机气路故障的准确率,利用遗传算法对BP神经网络的初始连接权值和阀值在解空间内进化寻优,再将优化结果赋给网络以梯度下降算法进行二次训练,再对待检故障样本进行诊断。结果表明:GA BP网络在输出精度、收敛速度及收敛曲线平滑性上明显优于普通BP网络,为航空发动机故障诊断领域的研究提出了新的思路和方法,具有一定研究价值。 相似文献
5.
6.
汽轮发电机组转子动静碰摩故障检测的小波分析方法研究 总被引:18,自引:9,他引:9
利用小波分析技术对汽轮发电机组动静碰摩的振动信号进行分析,给出碰摩故障信号在不同尺度下的分析结果。通过多尺度分析,使碰摩故障特征在相应的尺度图上得以体现出来。文中比较了具有相似频谱特性的两类故障信号的小波分析结果,得出了理论分析结果,为汽轮发电机组碰摩故障识别提供了新的思路。最后运用小波碰故障的准确定位进行了讨论。 相似文献
7.
为了提高民航发动机滚动轴承故障诊断正确率,提出基于改进天牛须搜索算法优化Elman神经网络的诊断模型。针对天牛须搜索算法易早熟等缺陷,对天牛质心位置和步长更新操作进行改进,并用改进算法优化Elman网络的学习率、权重和阈值。使用IBAS-Elman模型对滚动轴承故障和正常状态进行诊断,并分析Elman网络延迟向量比例因子对滚动轴承故障诊断率的影响。为了验证IBAS-Elman模型的有效性,将天牛须搜索算法、萤火虫算法和遗传算法作为对比算法。实验结果表明:改进天牛须搜索算法收敛精度优于对比算法。 相似文献
8.
对基于Riccati传递矩阵法和Murphy-Vance法的转子系统的阻尼固有频率的传递矩阵-多项式计算法中的数值溢出问题作了分析研究,提出了一种代换p=gq,通过这种代换,使上述计算方法中的数值溢出问题得到了解决。 相似文献
9.
针对航空公司对大量飞机发动机进行健康管理的需求,通过建立发动机健康管理云端数据中心,建立了一种云环境下的民航发动机健康管理系统,该系统对于验证发动机故障诊断方法的有效性具有突出优势,并且对于实现多种方法协同进行发动机故障诊断具有重要价值;提出了一种基于灰色关联分析的灰色故障识别方法,通过在云端平台使用灰色故障识别方法实现JT9D-7R4发动机的典型气路性能故障诊断为例,表明云环境下的发动机健康管理系统可以有效地进行航空发动机故障诊断。 相似文献
10.
针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比(signal?to?noise ratio ,简称SNR)低的特点,提出了一种利用注意力循环机制(attention recurrent,简称AR)构建数字胶囊并与胶囊网络(capsule network,简称Caps)相融合的微弱故障诊断模型。首先,在构建初级胶囊时引入双向长短时记忆网络(bidirectional long short time memory neural network,简称Bi?LSTM),对时频图中的时序特征进行提取,并建立胶囊间的非线性关联;其次,引入注意力循环机制构建数字胶囊,提高时频图中不同时间和频带的能量强度变化的影响力;然后,通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合,实现特征的多样提取;最后,利用softmax分类器将融合特征映射到输出层,实现高噪声环境下的滚动轴承故障诊断。结果表明,该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度,并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。 相似文献
1