排序方式: 共有25条查询结果,搜索用时 15 毫秒
1.
为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。 相似文献
2.
基于改进一维卷积神经网络的滚动轴承故障识别 总被引:1,自引:0,他引:1
滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。 相似文献
3.
4.
5.
为了充分利用海量数据中蕴含的信息并对轴承故障进行有效识别,采用云理论方法将轴承的故障数据与其对应的故障类型进行映射,建立了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法确定训练集各特征的权重系数,结合云分布隶属度系数,提出了样本对于轴承故障的最终隶属度计算方法。通过根据不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力。将该分类方法与常用的分类方法在含有噪声的测试样本上进行对比实验,证明了该分类方法在抗噪性方面的优越性。 相似文献
6.
为解决高瓦斯煤层群瓦斯致灾因素繁多、瓦斯预抽钻孔工程量大、抽采浓度低等问题,根据高家庄煤矿煤层与瓦斯赋存特征,提出定向长钻孔技术预抽煤巷条带瓦斯,在3号和4号煤层中共施工14个定向长钻孔,分析了定向长钻孔瓦斯抽采效果和抽采达标情况.研究表明,定向长钻孔预抽煤层瓦斯,抽采体积分数最大达到40%,最大抽采纯量达3965.7... 相似文献
7.
瓯南大桥超长细桩在国内桥梁建筑中极为少见,施工质量不易控制.以该工程实践为例,对超长细桩的施工质量控制进行简要总结. 相似文献
8.
从大注入半导体物理的基本理论推导得到了反向开关复合管(RSD)工作的基本物理方程.通过考虑大注入和强电场效应,建立了RSD以pnn+二极管方式工作于反向预充阶段,以pin二极管方式工作于正向导通阶段的物理模型.采用有限差分法把器件工作的偏微分方程转化为差分方程,并将相应的边界条件转化为精度较高的离散化形式.结合RSD工作的典型电路建立电路方程组,采用Runge-Kutta方法求解,由非平衡载流子分布得到了RSD的电压、电流波形.通过RSD的放电实验与模型计算进行比较,分析了误差产生的原因,论证了物理模型本身及数值方法的合理性.通过应用电路说明了模型及算法的实用价值.物理模型和数值方法对于RSD器件设计及仿真电路的开发具有指导意义. 相似文献
9.
针对脉冲MIG焊参数众多,不易调节的特点,提出了一种基于神经网络的焊机参数预测方法. 该方法采用LM(levenberg-marquarlt)算法建立了焊机参数的BP(back propagation)神经网络模型,充分利用已知的理想数据对网络进行训练,实现了焊接过程中任一给定焊接电流状态下焊机输出参数的预测;利用焊接参数的预测值分别对单、双脉冲MIG焊进行了试焊. 结果表明,基于神经网络的焊机参数预测方法精度较高,焊接过程稳定,焊缝成形美观,能够实现良好的一元化调节. 相似文献
10.
针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与 t?分布随机邻域嵌入(t?distributed Stochastic Neighbor Embedding,t?SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用 KPCA 降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过 t?SNE 充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到 k?近邻分类器(k?nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。 相似文献