共查询到20条相似文献,搜索用时 15 毫秒
1.
前后向时间序列模型联合估计的时变结构模态参数辨识 总被引:1,自引:0,他引:1
为提高时变结构模态参数辨识精度和抗噪声能力,提出一种前后向泛函向量时变自回归滑动平均(FS-VTARMA)时间序列模型联合估计的模态参数辨识方法。首先建立前后向FS-VTARMA模型联合估计的均方误差形式的费用函数,其次引入非平稳信号中前向模型和后向模型估计系数的近似共轭关系,再利用两步最小二乘法(2SLS)得到时变模型系数,最后把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明:能有效地克服前向模型估计中模态参数一步延迟以及起始时刻无法准确获得,以及后向模型估计中模态参数一步超前以及终止时刻无法准确获得的缺点,具有更高的模态参数辨识精度和更强的抗噪声能力。 相似文献
2.
3.
针对基于前向神经网络的普通递推最小二乘估计存在着自适应跟踪慢和精度低的问题,提出了一种可对非线性时变系统进行快速辨识的新方法,因该方法有类似递推最小二乘算法的形式,称其为基于前向神经网络的快速递推最小二乘算法。该算法对传统的递推最小二乘算法的递推方式进行了改变,以更好的跟踪非线性时变系统的动态特性。针对典型的系统辨识仿真算例,通过与现有常用方法的比较研究显示了这种算法具有计算简单、收敛速度快和辨识精度高的良好性能。最后将方法用于一个三自由度时变非线性振动系统,结果同样验证了方法的良好特性。 相似文献
4.
《振动与冲击》2021,(14)
针对强背景噪声干扰且转速时变下滚动轴承微弱故障难以有效诊断的问题,提出加权奇异值分解(WSVD)重构结合极值点包络阶次跟踪的变转速滚动轴承微弱故障诊断方法。对于奇异值分解(SVD)后对故障特征子分量有效重构的问题,利用周期调制强度(PMI)表征各子分量故障特征信息,并对含有较多故障特征的子分量加权重构,实现微弱故障信号的信噪分离与特征增强;引入极值点包络阶次跟踪方法,通过求取重构信号的极值点包络,对其进行阶次跟踪,根据包络阶次谱图中的阶次信息对故障信息进行分析,达到微弱故障有效诊断的目的。变转速滚动轴承微弱故障的仿真和实例分析结果表明,与传统方法和其他方法相比,所提方法能有效增强微弱故障特征,去除噪声,准确诊断变转速下滚动轴承微弱故障。该方法为变转速下滚动轴承微弱故障诊断提供了新思路。 相似文献
5.
6.
为了提高滚动轴承的可靠性、及时发现其潜在的故障,提出了一种基于改进马田系统(MMTS)的滚动轴承故障诊断方法。首先利用经验模态分解(EMD)方法对原振动信号进行分解,得到了多个本征模态分量(IMF)并计算基本模式分量的统计特征集。然后,在此基础上构建基准空间(马氏空间),针对马田系统在筛选特征变量时效果不佳、基准空间数据的差异性问题,引入粗糙集(RS)筛选有效特征变量改进马田系统,大幅降低特征向量的维数。最后,计算待诊断信号到基准空间的马氏距离,从而完成滚动轴承的故障诊断。利用滚动轴承振动数据对该模型进行了测试,结果表明,该模型与实际相符,可以准确、有效地识别滚动轴承的故障类型。 相似文献
7.
基于时变非线性自回归滑动平均模型利用改进的递推最小二乘算法提出一种用于非线性时变结构系统辨识的方法。利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后将非线性项展开为系统输出数据的多项式的形式。利用短时时不变假设,通过改变模型的参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题,再利用改进的递推最小二乘算法实现对非线性时变结构系统的辨识。最后通过一个具有非线性时变刚度的三自由度结构系统的仿真算例表明,该方法可以有效地辨识非线性时变结构系统。 相似文献
8.
《振动与冲击》2015,(23)
针对VPMCD中模型选择方法的不合理和小样本多分类时识别率降低的缺陷,结合动态加速常数协同惯性权重的粒子群(Particle swarm optimization with dynamic accelerating constant and coordinating with inertia weight,PSODACCIW)算法的全局优化能力和加权融合理论,提出基于PSODACCIW-VPMCD的滚动轴承智能检测方法。首先对样本提取特征变量,然后采用PSODACCIW算法优化诊断融合权值矩阵,最后对滚动轴承的故障类型和工作状态进行分类和识别。实验结果表明,该方法能够有效地应用于滚动轴承的智能检测中。 相似文献
9.
针对线性时变系统中状态空间模型的辨识问题,本文提出了一种新的模型参数矩阵的递推辨识格式。不同于常用的利用奇异值分解(SVD)或者最小二乘原理计算时变状态空间模型参数的方法,这种新的递推方法基于信号子空间投影原理,通过重新建立输入输出数据之间的关系,构建新的信号子空间矩阵,从而递推得到系统的时变状态空间模型参数。与现有的计算时变状态空间模型的方法相比,这种新的递推方法由于不需要进行SVD的计算,从而大幅的减少了计算时间。特别是当系统的阶次较高时,计算效率优势更为明显。在算例中将这种方法与经典的使用SVD的时变ERA(TV-ERA)方法从辨识结果和计算效率上进行了比较。仿真结果表明这种新的递推算法能有效辨识状态空间方程形式的线性时变系统的模型参数,和TV-ERA方法相比具有更高的计算效率。 相似文献
10.
11.
《振动工程学报》2020,(4)
针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。 相似文献
12.
13.
《振动工程学报》2017,(5)
变转速工况下的滚动轴承微弱故障诊断同时面临两个难点:一是滚动轴承的故障特征信号容易被环境噪声和干扰信号淹没;二是滚动轴承故障振动信号的时变特征难以被常规频谱方法提取。针对上述问题提出了基于时时能量阶比谱的滚动轴承故障诊断方法。首先对变转速工况下的滚动轴承微弱故障振动信号进行时时(time-time,TT)变换,在双时域上刻画轴承故障振动信号的时变特征;然后利用提出的时时能量定义计算轴承故障振动信号的时时能量,获得轴承故障振动信号的时时能量信号;最后对时时能量信号进行阶比分析得到轴承故障振动信号的时时能量阶比谱,并根据时时能量阶比谱的阶次特征识别出轴承故障类型。分析了变转速工况下的滚动轴承故障仿真信号和实验测试信号,结果表明:时时能量信号能够有效追踪轴承故障振动信号的时变能量分布,增强故障特征信号的冲击特征,时时能量阶比谱较包络阶比谱抗噪能力更强,为变转速工况滚动轴承微弱故障诊断提供一种有效方法。 相似文献
14.
15.
16.
《振动与冲击》2021,(12)
针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。 相似文献
17.
朱朋董绍江李洋裴雪武潘雪娇 《振动与冲击》2022,(22):293-300
针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。 相似文献
18.
19.
针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。 相似文献
20.