排序方式: 共有11条查询结果,搜索用时 187 毫秒
1.
VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。 相似文献
2.
将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。 相似文献
3.
4.
提出了基于VPMCD(Variable predictive model based class discriminate,简称VPMCD)和EMD(Empirical mode decomposition,简称EMD)的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。VPMCD方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于VPMCD和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用VPMCD分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。 相似文献
5.
6.
FeAl intermetallic compound with different contents of rare earth oxide La2O3 addition was prepared by hot pressing the mechanically alloyed powders.Effect of La2O3 on microstructure and high-temperature wear property of the sintered FeAl samples was investigated in this paper.The results showed that 1 wt.% La2O3 addition could refine the microstructure and increase the density of the FeAl intermetallic compound,and correspondingly improved the high-temperature wear resistance.SEM and EDS analyses of the wo... 相似文献
7.
8.
特大桥深孔、大直径桩基混凝土施工技术具有适应性强、抗震能力强以及施工方便的特点,因此广泛适用于特大桥梁工程。在实际施工环节中应注意混凝土施工的组织管理及浇筑操作,从而保证工程质量。文章结合虎跳峡金沙江大桥索塔桩基施工,介绍超深超大直径桩孔混凝土生产及浇筑中出现的问题与处理措施。 相似文献
9.
《食品科学》1990年12期刊登柯火仲的《蚝油分层沉淀的研究》一文,该文对影响蚝油分层沉淀的诸因素进行研究和讨论,并提出防止蚝油分层沉淀的5点方法,其中第5点是:选择合适的增稠剂, 下面结合我们实际生产中的一些经验,谈谈这方面的一点体会,供大家参考。 相似文献
10.
基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法--单类基于变量预测模型的模式识别(OC-VPMCD)方法,将该方法与本征时间尺度分解(ITD)方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转(PR)分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。 相似文献