共查询到19条相似文献,搜索用时 62 毫秒
1.
采用有限元方法对近断层速度脉冲型地震动引起的钢筋混凝土框架结构的响应行为进行了初步研究。利用PKPM软件建立了3个不同层数的钢筋混凝土框架模型。使用SAP2000有限元软件并采用塑性铰模型,对框架结构在近断层地震动下的响应进行了数值模拟,并对比分析了有、无速度脉冲情况下的动力响应行为。同时,探究了近断层速度脉冲型地震动引起结构破坏的主要因素。研究结果表明:结构损伤或倒塌破坏的程度与速度脉冲型地震动的高频成分和峰值加速度有关;高频成分丰富的速度脉冲型地震动对结构的破坏更为明显;当框架结构进入塑性状态后,含有速度脉冲的地震动会引起结构更大的楼层位移和层间位移角。 相似文献
2.
《振动、测试与诊断》2020,(3)
采用有限元方法对近断层速度脉冲型地震动引起的钢筋混凝土框架结构的响应行为进行了初步研究。利用PKPM软件建立了3个不同层数的钢筋混凝土框架模型。使用SAP2000有限元软件并采用塑性铰模型,对框架结构在近断层地震动下的响应进行了数值模拟,并对比分析了有、无速度脉冲情况下的动力响应行为。同时,探究了近断层速度脉冲型地震动引起结构破坏的主要因素。研究结果表明:结构损伤或倒塌破坏的程度与速度脉冲型地震动的高频成分和峰值加速度有关;高频成分丰富的速度脉冲型地震动对结构的破坏更为明显;当框架结构进入塑性状态后,含有速度脉冲的地震动会引起结构更大的楼层位移和层间位移角。 相似文献
3.
孙学斌 《机械工程与自动化》2010,(2):132-134
将自回归模型(AR)和支持向量机(SVM)应用到机床滚动轴承的故障诊断中,根据滚动轴承的振动信号建立自回归模型,以自回归参数和残差的方差作为特征向量,然后建立基于支持向量机的多故障分类器,进而判断滚动轴承的故障类型.通过实例分析和与神经网络方法对比,表明该方法能有效地判别机床滚动轴承的故障类型. 相似文献
4.
针对轴承工作过程中早期故障样本少、故障类型不平衡的问题,提出一种基于生成式对抗网络(GAN)的数据增强方法。该方法应用快速傅里叶变换(FFT)对轴承信号进行预处理,然后将频谱作为GAN的输入,生成故障样本数据。最后,将生成的数据与原始数据结合构成新的数据集,并利用支持向量机(SVM)实现故障分类识别。通过轴承实验和统计学特性验证,表明该方法可以生成有效故障样本,同时采用扩充后的新数据集与原始数据集相比诊断准确率更高。 相似文献
5.
针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。 相似文献
6.
针对滚动轴承故障特征提取和识别困难等问题,提出一种基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断新模型。精细时移多尺度散布熵(RTSMDE)采用精细化运算和时移粗粒化方式,能够有效克服传统多尺度散布熵存在的熵值不稳定现象,因此采用RTSMDE全方面挖掘滚动轴承故障特征并输入哈里斯鹰优化支持向量机(HHOSVM)进行智能故障诊断。试验结果表明:RTSMDE在衡量非线性时间序列复杂度和挖掘故障特征信息方面优于精细复合多尺度散布熵和多尺度散布熵等方法,HHOSVM在故障识别方面优于支持向量机和灰狼优化支持向量机等分类器,所提故障诊断模型能够有效、准确地识别轴承运行状态。 相似文献
7.
8.
对滚动轴承几种常见点蚀故障的振动信号特征值进行分析,使用粗糙集基于熵的离散化算法进行属性离散化,并采用基于属性重要度的启发式约简算法进行属性约简,然后选用径向基核函数的支持向量机将经过属性约简的特征向量输入支持向量机训练,建立支持向量机模型并进行故障识别与诊断。实验分析结果表明,应用粗糙集和支持向量机相结合的混合智能诊断方法,将粗糙集作为支持向量机的前置系统对数据进行预处理,利用粗糙集可以减少信息表达的属性数量和故障诊断决策系统的规则数,使支持向量机输入端数据量大大减少,提高系统的处理速度,对于滚动轴承振动信号的故障模式识别可以获得良好的效果。从而验证了粗糙集理论对滚动轴承故障诊断的有效性以及其应用价值。 相似文献
9.
针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。 相似文献
10.
针对DF4型机车轮对轴承不同健康状态的辨识问题,提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号,并计算不同状态的特征信号在多尺度上的样本熵值,构成多尺度样本熵MSE特征向量;通过灰狼算法对SVM的核参数c和g进行全局寻优,增强SVM模型的分类性能,实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性,结果表明:ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别,准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比,文中所提方法的故障识别率分别提高了23.57%和3.48%。 相似文献
11.
12.
13.
14.
针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。 相似文献
15.
量子遗传算法优化的SVM滚动轴承故障诊断 总被引:1,自引:0,他引:1
针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。 相似文献
16.
基于奇异值分解拓展应用的故障特征提取技术 总被引:1,自引:0,他引:1
以奇异值分解理论为理论基础,通过对奇异值分解矩阵的架构分析,提出了滑移矩阵序列的架构方法。以该方法为指导,引入差异谱、主奇异和、最大特征值重构和最优化滤波器设计等方法,成功实现了滚动轴承故障特征提取。试验数据分析结果表明,提出的基于滑移矩阵序列奇异值分解的故障特征提取技术对于滚动轴承微弱冲击故障特征具有优越的识别和提取能力,对实现滚动轴承强噪声背景下的故障诊断具有重要意义。 相似文献
17.
18.