排序方式: 共有28条查询结果,搜索用时 15 毫秒
1.
单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。 相似文献
2.
因转子和机匣之间的碰摩事故经常发生,故以转子-机匣系统为研究对象,将转子和机匣视为弹性体并考虑阻尼效应,建立了非线性转子-机匣系统的碰摩模型和动力学方程。根据自适应控制理论,给出了一种多重参数自适应控制算法。利用此方法对非线性转子-机匣系统进行了仿真研究,仿真结果表明,本文提出的参数自适应控制律具有较强的稳定控制能力,该方法适合于多重参数非自治复杂多周期系统,在外界干扰下引起多周期状态的情况,可自适应地调整到正常的工作状态,具有重要的实际工程应用价值。 相似文献
3.
为更有效地利用齿轮振动信号进行故障诊断,提出基于改进局部均值分解(Local Mean Decomposition,LMD)和流形学习(ISOMAP)的齿轮故障特征提取方法。该方法将局部均值分解、模糊熵(Fuzzy Entropy,FE)和流形学习相结合。首先,利用LMD对原始振动信号进行多尺度分解,并在原LMD方法上添加自适应匹配波形以缓解端点效应对分解结果的影响;然后,对LMD分解后得到的乘积函数(Product Function,PF)进行模糊熵计算,获得原始信号不同尺度下的模糊熵数值,组成高维特征向量;最后,利用ISOMAP对高维特征向量进行二次特征提取,得到低维向量,进行故障识别。实际齿轮实验数据的处理结果表明该方法可以有效的诊断辨别齿轮故障,具有一定的优势。 相似文献
4.
针对地铁辅助逆变器故障信号非平稳的特征,提出了一种基于经验模态分解方法和径向基神经网络的地铁辅助逆变器的故障诊断方法,并应用经验模态分解方法对采集的非平稳的原始信号进行处理,将原始信号分解成多个平稳的本征模函数(intrinsic mode function,IMF),同时,采用K-均值聚类算法确定RBF神经网络的模型参数,并借助径向基神经网络的分类能力对特征向量进行故障检测。仿真结果表明,基于K-均值聚类算法的RBF神经网络,在48个测试样本中有46个正确,准确率为95.8%,高于标准RBF神经网络77.0%的准确率,说明其准确性明显高于标准的径向基神经网络。该研究能够满足地铁辅助逆变器故障检测对准确性的要求,可高效识别地铁辅助逆变器的故障。 相似文献
5.
6.
7.
目前,学校德育教育实效性不强,其原因是多方面的,社会、学校、家庭都负有相关责任.根据学校德育教育的现状,笔者认为切实提高德育实效性,首先应充分发挥学校教育的导引作用,其次注重课内与课外相结合,再次要努力打造良好的社会外部育人环境. 相似文献
8.
转子与机匣的碰撞在一定条件下可能诱发转子失稳。以转子.机匣系统为研究对象,将转子和机匣视为弹性体并考虑了阻尼的效应,建立了非线性转子一机匣系统的碰磨模型和动力学方程。利用Lyapunov运动稳定性理论和Routh—Hurwitz稳定性准则分析了系统的碰撞和失稳条件,通过数值方法和Matlab程序得到了碰撞和失稳的临界转速以及系统参数对临界转速的影响。理论分析和实例计算表明,转子及机匣的刚度和阻尼对临界转速的影响较大,增大机匣刚度和转子的阻尼可以增大碰撞的临界转速,失稳发生在转速较高时,且失稳的临界转速比碰撞得临界转速高的多。具有重要的工程实用价值,为旋转机械的设计和参数优化提供了理论基础。 相似文献
9.
用于城市轨道交通的铝基制动盘系统的热性能,通过瞬态热分析,研究制动盘在初始速度下的温度场.结果表明,在恶劣条件下,制动盘的温度仍能很好地运行.然后,利用完全热力耦合的方法,研究了制动盘在不同载荷条件下的温度和应力场以及磨损条件.最后,通过温度分布和应力分布,为制动盘的设计和优化提供理论支持. 相似文献
10.
针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。 相似文献