共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络(one dimensional convolutional neural network,简称1D?CNN)对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明:采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机(support vector machine ,简称SVM)对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。 相似文献
5.
6.
7.
8.
为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。 相似文献
9.
《机械传动》2016,(6):126-131
针对齿轮振动信号非线性非平稳特性,为避免传统"时-频"分析方法在表征设备状态时的不足和样本数量少易造成故障辨识模型"欠学习"的问题,提出一种基于峭度、本征模式分量(Intrinsic mode function,IMF)能量两类特征和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的齿轮故障诊断方法。首先,对所测齿轮振动信号在集合经验模式分解(Ensemble empirical mode decomposition,EEMD)的基础上提取有效IMF分量计算其能量特征和峭度值,据此构建时频域两类特征向量;其次,将融合后的齿轮正常、齿根裂纹、断齿3种状态下的时频域两类特征向量作为输入,基于LS-SVM建立齿轮故障诊断模型,进行齿轮故障识别。实验结果表明,该方法能够准确地识别齿轮的工作状态,与基于BP、SVM的故障诊断模型相比,其具有更高的识别率,为齿轮状态识别和故障诊断提供了一种新途径。 相似文献
10.
研究了小波变换的信息融合技术以及将其应用在振动信号处理、故障诊断方面较传统方法的优越性.在分析的理论基础上.对某型航空发动机用不同传感器采集的振动信号进行信息融合,然后提取出噪声掩盖下振动信号中的故障信息,根据航空发动机整机振动的典型故障特征频率,判断该发动机是否发生故障. 相似文献