版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、軸承作為眾多類(lèi)型旋轉(zhuǎn)機(jī)械的重要部件,一旦發(fā)生故障將影響整臺(tái)機(jī)械的正常運(yùn)行甚至導(dǎo)致失效。對(duì)于滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)與故障診斷具有重要的意義。通過(guò)傳感器采集振動(dòng)信號(hào),提取故障振動(dòng)信號(hào)的多特征指標(biāo)進(jìn)行模式識(shí)別是滾動(dòng)軸承故障診斷的重要方法。多特征指標(biāo)集的提取有利于更全面監(jiān)測(cè)軸承運(yùn)行狀態(tài)。然而在故障診斷領(lǐng)域,特征指標(biāo)的選取存在盲目性和經(jīng)驗(yàn)依賴(lài)的不足,關(guān)于故障特征的選取沒(méi)有可以通用的準(zhǔn)則。
本文針對(duì)多特征故障診斷中存在的特征選取盲目性和經(jīng)驗(yàn)主
2、義弊端,提出一種敏感度多特征指標(biāo)選取方法。該方法首先結(jié)合具體故障樣本,計(jì)算出故障特征集中所有特征指標(biāo)的敏感度值;然后結(jié)合具體故障診斷方法確定故障特征集最佳維數(shù)。本文以西儲(chǔ)大學(xué)軸承故障實(shí)驗(yàn)臺(tái)數(shù)據(jù)作為研究對(duì)象,首先提取了時(shí)域、頻域以及時(shí)頻域一共28個(gè)特征指標(biāo)。依據(jù)基于敏感度的多特征指標(biāo)選取方法,按敏感度值由高到低從原有故障特征集中選取了12組特征指標(biāo)構(gòu)成敏感度特征集;又從原有故障特征集中隨機(jī)抽取2組各12個(gè)特征構(gòu)成隨機(jī)特征集1和2進(jìn)行對(duì)比分
3、析。
對(duì)三種降維方法PCA、KPCA以及LLTSA(線性局部切空間排列)通過(guò)兩組數(shù)據(jù)降維實(shí)驗(yàn)進(jìn)行比較分析,基于流形學(xué)習(xí)的LLTSA算法對(duì)于高維數(shù)據(jù)的降維能夠保留數(shù)據(jù)內(nèi)在幾何結(jié)構(gòu),因而選擇了LLTSA算法用于故障多特征指標(biāo)集的降維。然后結(jié)合模糊C均值聚類(lèi)算法對(duì)軸承故障進(jìn)行故障診斷分析,實(shí)例證明基于敏感度的多特征指標(biāo)選取方法選取的特征集故障識(shí)別準(zhǔn)確率高于隨機(jī)選取的特征集;基于流形學(xué)習(xí)的LLTSA算法對(duì)高維故障特征集的降維能明顯提高
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于EEMD—SVD的FCM聚類(lèi)的軸承故障診斷.pdf
- 基于多特征融合及深度信念網(wǎng)絡(luò)的軸承故障診斷.pdf
- 基于聚類(lèi)的故障診斷技術(shù)研究.pdf
- 基于特征關(guān)聯(lián)優(yōu)化模型的軸承故障診斷.pdf
- 基于模糊聚類(lèi)的故障診斷技術(shù)研究.pdf
- 基于模糊聚類(lèi)方法的故障診斷算法研究.pdf
- 基于滿意模糊聚類(lèi)在線故障診斷方法研究.pdf
- 融合多源特征的墨輥軸承故障診斷方法研究.pdf
- 基于FVMD多尺度排列熵和GK模糊聚類(lèi)的故障診斷方法.pdf
- 基于EMD的軸承故障診斷.pdf
- 基于多特征量提取和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷.pdf
- 基于聚類(lèi)的故障診斷方法及應(yīng)用研究.pdf
- 基于聚類(lèi)集成技術(shù)的高鐵信號(hào)故障診斷研究.pdf
- 滾動(dòng)軸承故障診斷的多參數(shù)融合特征提取方法研究.pdf
- 基于改進(jìn)的聚類(lèi)算法的復(fù)雜系統(tǒng)故障診斷研究.pdf
- 聚類(lèi)算法在轉(zhuǎn)子故障診斷中的應(yīng)用.pdf
- 電機(jī)軸承故障診斷.pdf
- 基于模糊聚類(lèi)新算法的變壓器故障診斷研究.pdf
- 基于核聚類(lèi)與信息融合的齒輪故障診斷技術(shù)研究.pdf
- 基于模糊聚類(lèi)和灰色理論的齒輪箱故障診斷研究.pdf
評(píng)論
0/150
提交評(píng)論