共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
为准确评估滚珠丝杠副性能的退化程度,提出基于量子遗传算法和灰色神经网络的滚珠丝杠副性能退化评估方法。以CINCINNATIV5-3000加工中心的滚珠丝杠副为研究对象,设计了丝杠在线监测系统,利用动态聚类数据处理技术对采集的海量数据进行预处理,提取信号的时域、频域及时频域特征,通过主分量分析方法压缩特征数量,构建了丝杠振动信号特征向量,采用量子遗传算法优化灰色神经网络的初始化参数,将特征向量输入到灰色神经网络进行训练,进而得到丝杠性能退化模型。实践运行结果表明,所建立的丝杠性能退化模型能够有效评估数控机床的丝杠的性能,研究成果具有重要的工业推广价值。 相似文献
3.
4.
5.
针对滚珠丝杠副丝杠滚道故障定位困难问题,对存在单一点蚀故障的滚珠丝杠副进行了研究,提出了一种基于短时傅里叶变换(STFT)的滚珠丝杠副丝杠滚道故障定位方法,通过理论分析确定了针对滚珠丝杠副振动信号STFT理想的窗函数及其参数。利用STFT分析了滚珠丝杠副仿真与实验振动加速度信号,根据丝杠滚道出现故障时的频率响应特性以及信号瞬时频率随时间的变化,以瞬时频率为特征确定了故障位置。仿真与实验研究结果对比表明,STFT时频分析方法能够用于有效地识别出滚珠丝杠副的故障位置。 相似文献
6.
7.
8.
《机械科学与技术》2016,(11):1727-1732
为解决总体集成经验模态分解(EEMD)算法中存在的白噪声参数需要人为选择的问题,同时考虑到现实中难以获得大量典型故障样本的实际情况,提出了一种基于自适应总体集成经验模态分解(AEEMD)与支持向量机(SVM)的滚动轴承故障诊断法。首先在信号处理上使用AEEMD将原始振动信号分解成具有不同特征时间尺度的本征模态分量(IMF),对于不同的轴承故障来说,在不同频带内的信号能量会发生改变,因此可通过计算各个IMF的能量来实现故障特征提取;然后把IMF的能量特征值作为输入来构建支持向量机分类器模型;最后利用建立的模型对轴承的状态类型做出判别。在轴承故障实例中将AEEMD算法与EEMD算法进行对比,证明了AEEMD的分解效果更好;选用BP神经网络与SVM的诊断效果进行对比分析,表明本文中提出的方法能够更加快速准确地诊断出轴承的故障。 相似文献
9.
在小波神经网络算法的基础上,从时域和频域两方面对汽车齿轮箱的振动信号进行分析并提取时频域的多个表征值,设计了一种应用于汽车齿轮箱故障诊断的BP神经网络算法。采用经验模态分解法对齿轮箱时频域下的多维故障特征值进行分析和提取,导出了BP神经网络算法步骤和诊断模型;进一步以JZQ! 250齿轮箱为研究对象,对该算法进行数据训练和验证,其状态实验数据结果表明,该算法能够在考虑汽车齿轮箱复杂故障下实现正确诊断,其用于汽车变速箱故障诊断具有较好的实用性,对汽车齿轮箱的故障诊断提供了一定借鉴。 相似文献
10.
11.
针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离(Nonlinear Blind Source Separation, NBSS)算法。该算法先利用反向传播(Back Propagation, BP)神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析(Independent Component Analysis, ICA);然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化(Particle Swarm Optimization, PSO)算法的核独立成分分析(Kernel ICA, KICA)相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。 相似文献
12.
13.
为充分利用多个同步采样的振动信号进行机械设备的故障诊断,提出了搭建多振动信号时频相干网络并提取其多分形特征的方法。首先,将每个振动信号作为一个节点,根据所关心的物理问题,按适当的方式将各个节点连接成网;其次,对网络中相邻的每对节点做交叉小波变换,得到时频相干谱,借助小波领袖来估计时频相干谱的多分形谱,用曲线拟合的方法来提取多分形谱的形态特征;最后,利用特征融合与维数约简方法,对已得到的所有特征进行融合和降维,从而得到整个网络的最终特征。该方法给出了一个提取多振动信号时频相干多分形特征的框架,并在某高射机枪自动机的裂纹故障诊断中取得了成功应用,具有广泛的适用范围。 相似文献
14.
15.
针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。 相似文献
16.
将模糊神经网络技术应用于机械故障高阶频率振动信号的研究,参考齿轮和转子故障模式并结合专家经验建立了螺杆压缩机转子故障诊断专家系统知识库,利用振动频谱特征就螺杆压缩机的几种故障模式结合一种模糊神经网络故障诊断模型进行了模糊神经网络识别。算例诊断结果为压缩机阴阳转子型线加工误差,与试验结果一致。 相似文献
17.
针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编... 相似文献
18.
针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。 相似文献
19.
变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络(convolutional neural network,CNN)的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。 相似文献
20.
基于SVM信号延拓改进的EEMD方法 总被引:1,自引:0,他引:1
为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题. 相似文献