共查询到10条相似文献,搜索用时 46 毫秒
1.
基于正交邻域保持嵌入特征约简的故障诊断模型 总被引:2,自引:2,他引:2
提出一种基于正交邻域保持嵌入(orthogonal neighborhood preserving embedding,ONPE)特征约简的故障诊断模型.首先将原振动信号经验模式分解(empirical mode decomposition,EMD)并构造Shannon熵得到高维特征向量,再利用ONPE将高维特征向量约简为低维特征向量,并输入到最近邻分类器(k-nearest neighbors classifier,KNNC)中进行故障识别.本模型充分利用了EMD分解在故障特征提取、ONPE在信息压缩和KNNC在分类决策方面的优势,实现了旋转机械故障特征提取到故障诊断的全程自动化,并提高了诊断精度,为旋转机械故障诊断提供了一种新的模型分析方法.一个滚动轴承故障诊断实例验证了该模型的有效性. 相似文献
2.
基于非线性时序模型盲辨识的因子隐Markov模型识别方法 总被引:2,自引:1,他引:1
基于模型辨识的机械有效故障特征提取方法中输入信号难以确定,以及机械设备运行过程中具有信息量大、非平稳、特征重复再现性差的特点,结合非线性时序模型盲辨识和因子隐Markov模型,提出一种基于非线性时序模型盲辨识的特征提取的因子隐Markov模型识别方法,并应用到旋转机械升降速过程故障诊断中.同时还与基于Fourier变换、小波变换的特征提取的因子隐Markov模型识别方法进行比较,试验结果表明该方法是有效的. 相似文献
3.
主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显. 相似文献
4.
5.
针对滚动轴承早期故障特征微弱难以快速有效辨识的问题,提出一种基于正交邻域保持嵌入(ONPE)与多核相关向量机(RVM)的滚动轴承早期故障诊断方法。首先基于多域量化特征构造表征滚动轴承早期故障的多域特征向量,基于ONPE线性流形学习对多域特征向量进行约简降维处理,获取最能反映滚动轴承早期故障运行状态变化的低维敏感特征,随后将获取的低维敏感特征输入给多核RVM进行早期故障模式的分类辨识。通过分析滚动轴承早期故障的模拟实验数据表明,该方法对高维复杂的非线性早期故障特征具有良好的约简降维性能,而且比单一核函数RVM具有更好的诊断精度。 相似文献
6.
基于量子粒子群优化Volterra时域核辨识的隐Markov模型识别方法 总被引:3,自引:1,他引:3
将量子粒子群优化算法引入Voherra级数模型的非线性辨识中,并结合隐Markov模型(hidden Markov model,HMM),提出了一种基于量子粒子群优化的Voherra时域核特征提取的HMM识别方法,在提出的方法中,利用量子粒子群优化算法辨识得到的前三阶Volterra时域核作为故障特征,输入到各种状态的HMM中,其中,输出概率最大的HMM对应的状态即为设备的当前运行状态.提出的方法克服了传统的基于Volterra模型系统的机械故障诊断要求目标函数连续可导、容易陷入局部最小以及抗干扰能力差等缺陷.最后,将提出的方法应用到旋转机械故障诊断中.实验结果验证了该方法的有效性. 相似文献
7.
8.
9.
谢志勇 《仪表技术与传感器》2011,(3)
为了满足旋转机械在线故障诊断的需要,设计了基于DSP和BP神经网络的在线故障诊断系统,采用DSP芯片TMS320F2812作为主控芯片,开发了具有振动信号采集、转速测量、输入输出的硬件系统.针对旋转机械的常见故障,开发了基于DSP的频谱分析软件,并将BP神经网络嵌入DSP中实时运行以实现旋转机械的自动故障诊断.文中使用该系统对旋转机械的转子不平衡、不对中,轴承外圈损坏、断齿、轴承座松动5种故障进行了实测,结果表明它能正确地识别出故障的类型.使用该系统进行旋转机械在线故障诊断可以提高生产效率,保证设备的长时间稳定运行. 相似文献
10.
利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行. 相似文献