排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
铵梯邻炸药(ATO Explosives)是用硝酸铵(含量大于80%)、梯恩梯(含量不少于10%)、邻位硝基乙苯和木粉按一定比例混制成的工业炸药,在我矿已有近十年的 相似文献
2.
3.
4.
针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明:设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。 相似文献
5.
针对航空液压管路振动机制复杂、故障关联性较强、故障表征不明显、早期裂纹故障和扩展状态识别率不高等问题,提出一种基于分形理论的故障诊断方法。利用可以解决复杂分形问题的分形理论,通过仿真正、余弦信号并计算其广义维数,可知广义分形维数可以描述信号特征。利用广义维数对振动信号进行分形分析,由广义维数谱图和广义维数变化规律可看出,广义维数不仅能诊断出航空液压管有无裂纹故障,同时能够识别裂纹早期故障。分析分形广义分形维数表可知:液压管的广义分形维数值随着裂纹长度的增加而增大,其增加值成倍数增长,因此通过广义分形维数的变化可以定量分析液压管裂纹故障的扩展状态。 相似文献
6.
针对航空发动机液压卡箍-管路系统具有高度复杂性,导致卡箍振动信号存在非线性、非平稳性,从而难以提取出卡箍故障状态有效信息的问题,提出一种基于优化变分模态分解(VMD)与卷积神经网络(CNN)的卡箍智能故障诊断方法。基于优化的VMD将液压管路系统-卡箍振动信号分解成一系列固有模态函数;将含有卡箍故障信号明显的IMF输入到卷积神经网络训练模型,采用CNN进行自主特征学习和模式识别。并将该方法应用于实例中,结果表明:该方法不仅能有效地对信号进行分解,同时对不同类型的卡箍故障可达到精准识别和故障诊断。 相似文献
1