2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩85頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、軸承在工業(yè)領(lǐng)域中應(yīng)用廣泛,大量裝備于各種設(shè)備中,但同時也是最易損壞的零件,當(dāng)其出現(xiàn)問題時,易導(dǎo)致整個設(shè)備的失效,因此對其狀態(tài)監(jiān)測及故障診斷具有重要意義。本文從故障信號預(yù)處理、特征提取和優(yōu)化,特征識別三個方面出發(fā),實現(xiàn)軸承故障診斷。
  當(dāng)軸承出現(xiàn)故障時,其振動信號往往能量較小,容易與噪聲混疊,且出現(xiàn)非平穩(wěn)性,最大相關(guān)峭度解卷積(Maximum Correlated Kurtosis Deconvolution,MCKD)以相關(guān)峭度

2、為指標(biāo),充分考慮了信號所含沖擊成分的周期特性,通過迭代過程實現(xiàn)解卷積運算,突出信號中被強烈噪聲所掩蓋的連續(xù)脈沖,非常適合軸承信號的預(yù)處理。
  遞歸定量分析(Recurrence Quantification Analysis,RQA)方法對信號平穩(wěn)性要求低,對小樣本問題處理強,適合對滾動軸承信號進行特征提取。
  基于變量預(yù)測模型的模式識別方法(Variable Predictive Model Based Class D

3、iscriminate,VPMCD)是一種新型的模式識別方法,該方法認(rèn)為,某個特征總可以用其他特征用某種模型來描述,模型可以是高階的、非線性的,因此VPMCD可以和支持向量機、神經(jīng)網(wǎng)絡(luò)一樣處理非線性多變量分類問題,故VPMCD可以應(yīng)用到軸承故障診斷中。
  基于此,本文提出將MCKD方法、RQA方法和VPMCD方法結(jié)合用于軸承故障診斷。本文的主要研究內(nèi)容如下:
 ?、傺芯縈CKD方法的基本理論,針對MCKD需要先驗知識的缺點

4、,提出了將粒子群算法與 MCKD方法結(jié)合的自適應(yīng)MCKD方法對故障信號進行濾波,結(jié)果表明,自適應(yīng)MCKD不再需要先驗知識,也能很好的處理故障信號。
  ②研究RQA的基本理論,根據(jù)RQA常用的11種特征,本文提出了將相似性傳播聚類方法(Affinity propagation,AP)和RQA結(jié)合的RQA-AP方法,對信號特征進行聚類和篩選。
 ?、垩芯縑PMCD方法的基本理論,針對VPMCD在模式識別時只能選取單一模型的缺陷

5、,提出了將自適應(yīng)粒子群算法(Adaptive Particle Swarm Optimization,APSO)與VPMCD結(jié)合的智能多變量診斷模型APSO-VPMCD方法,根據(jù)特征自適應(yīng)地融合VPMCD的四種模型,得到最佳模型對故障進行識別。根據(jù)之前的特征分析結(jié)果,得到四種同類特征和四種不同類特征,并分別用APSO-VPMCD方法進行訓(xùn)練和識別,同時用VPMCD和SVM方法進行了對照。
 ?、転榱颂岣逜PSO-VPMCD在小樣本

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論