排序方式: 共有34条查询结果,搜索用时 0 毫秒
31.
32.
行星齿轮箱结构复杂,当发生故障时其振动信号呈非线性非平稳特点且故障信号微弱,为了能够准确提取行星齿轮磨损故障信息的特征,提出局部均值分解(local mean decomposition,简称LMD)结合S变换(LMD?S)的信号处理方法,且转化为时频分布图像,应用时频图像纹理特征进行行星齿轮故障诊断。首先,把振动信号经由LMD?S变换处理后利用相关分析方法滤除干扰且转化为时频分布图像;其次,利用非均匀局部二值模式(local binary patterns,简称LBP)提取不同工况下采集数据的图像纹理特征;最后,采用极限学习机识别出3种故障类型,故障识别准确率达到90%,证明了此方法的有效性。 相似文献
33.
基于云存储的二阶段动态优化调度机制 总被引:1,自引:0,他引:1
在分布式存储的研究中,如何高效地利用存储空间是个热点问题.存储集群中,每个数据节点存储容量不可能完全一致,由于主节点选择数据节点的随机性,被选中数据节点磁盘可能接近满额,此时主节点会自动做存储负载均衡,占用数据传输带宽,不仅影响数据传输的性能,而且会引起传输数据的不可靠.论文提出一种基于云存储的二阶段动态优化调度机制:第一阶段通过计算副本存储优选比率,采用基于贪心算法的局部优化存储方案,选择存储节点,均衡副本放置空间;第二阶段采用实时监控存储集群,动态调整副本放置节点,达到存储资源的高效利用.最后通过实验,验证了该调度机制可有效地放置副本,减少节点间的数据传输,并提高文件访问效率. 相似文献
34.
行星齿轮箱的内部结构复杂,其振动信号呈现非线性、非平稳特点,通过对比两种对原始振动信号处理的方法,应用点对称特征融合图像(Symmetrized Dot Pattern,SDP)达到故障诊断的目的。第一种方法是将采集到的振动信号进行变分模态分解(Variational Mode Decomposition,VMD)并将各阶IMF分量通过SDP转换为极坐标图像;第二种方法是将多测点采集到的原始振动信号直接通过SDP将时频信号转换为极坐标图像;利用卷积神经网络(Convolution Neural Network,CNN)对两种不同方式的SDP图像进行识别分类。通过行星齿轮箱故障实验台验证,结果表明时频融合能够更有效地实现故障诊断且分类准确率高达98.5%。 相似文献