排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。 相似文献
4.
5.
为了修正线激光传感器在轮廓测量中的边缘偏差,提出了一种边缘偏差修正方法。该方法通过分析边缘偏差的主要误差来源,建立一种基于曼哈顿距离和切比雪夫距离的混合去噪模型,实现杂散噪声的滤除;采用最小二乘法对线激光轮廓测量误差模型进行补偿。为了验证该方法的有效性,以量块的标称尺寸作为评价指标进行测量校准实验。实验结果表明:该修正方法对杂散噪声的滤除效果显著;其中,未经补偿的尺寸测量误差为0.43 mm,经修正方法补偿后的尺寸测量误差最小达0.04 mm,比前者降低了一个数量级。因此,该方法可有效修正边缘偏差,提高线激光传感器的轮廓测量精度。 相似文献
1