排序方式: 共有66条查询结果,搜索用时 93 毫秒
41.
采用小波神经网络的刀具故障诊断 总被引:2,自引:0,他引:2
为了有效的进行刀具状态监测,采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射(AE)信号的特征.即对AE信号进行小波分解,提取了5个频段的均方根值作为神经网络的输入,来识别刀具磨损状态。试验表明,均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明,基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高.该方法是有效的。 相似文献
42.
在实际刀具状态监测的过程中,通过传感器所直接测得的数据都包含了大量的噪声信号,因此难以从中获取刀具磨损状态的变化规律,这样显然不利于进行模式识别。应用近似联合对角化下的集合经验模态分解(J-EEMD)对观测信号进行处理,基于信号本身特征,自适应地将切削加工中检测得到的振动和声发射信号分解为多个内蕴模式函数(IMF),然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明:在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。 相似文献
43.
为更好地对滚动轴承进行状态监测和故障诊断,采集3种不同状态下的滚动轴承振动信号,根据振动信号特点提取其时域和频域的相关特征,然后分别利用SVM(支持向量机)和BP神经网络进行模式识别。不断减少每种状态下训练样本集的个数,利用2种不同的方法进行模式识别。当每种状态下的样本个数为3个时,支持向量机仍然能准确地将测试样本进行分类,而BP神经网络完全无法识别。实验结果表明,支持向量机比BP神经网络更适合于小样本的故障诊断。 相似文献
44.
盲源分离较之传统的信号处理方法在处理弱信号问题上更具优势。针对轴承故障诊断中因条件限制仅能进行单通道信号采集的情况,提出了一种基于总体经验模式分解的一维盲源分离算法。算法先通过总体经验模式分解将信号分解为多个本征模态函数,再根据本征模态函数之间的相关系数重组观测矩阵,最后利用近似联合对角化对矩阵进行盲源分离。通过数据仿真将该方法与小波分析和Hilbert-Huang变换作对比,说明该方法更适于处理低信噪比的轴承故障信号。对滚动轴承进行了故障诊断实验,成功找到了表征内圈故障和外圈故障的特征信息。 相似文献
45.
本文通过高频信号在铁路轨道上的试验说明了高频信号的基本特性。铁路轨道信号由于车轮与钢轨的接触不良而引起故障,特别是支线和不经常使用的线路由于铁锈和刹车闸瓦的不导电性,从而引起信号故障,为了解决此问题,我们利用高频信号的特性,在铁轨上做了大量试验,从而说明了高频信号的许多特有性质。 相似文献
46.
47.
火炮制动性能试验台微机测控子系统设计 总被引:1,自引:0,他引:1
介绍了牵引式火炮制动性能试验台的微机测控子系统的硬件结构和软件流程,针对火炮制动气室特点提出一种新型压力预测控制算法,为使左右轮速度平衡采用变频调速的开环与闭环控制相结合、定值控制与随动控制相结合的复合控制算法,并给出试验数据处理方法。现场调试表明各项指标均达到设计要求。 相似文献
48.
在实际切削加工中刀具磨损的全状态先验知识获取困难,而刀具磨钝状态下的先验知识则较易获取。针对这种不完备先验知识情况,以切削力为监测信号,提出基于连续隐马尔可夫模型(CHMM)的刀具磨损状态评估技术。应用小波包分解技术提取信号特征信息,利用刀具磨钝状态下的先验归一化特征信息建立CHMM监测模型;根据刀具未知状态特性向量与监测模型间的对数似然度获取刀具性能指标,实现刀具磨损状态评价。铣刀全寿命磨损实验表明:该方法能在仅具备磨钝状态先验知识情况下,实现对刀具的磨损状态的初步评估,且所需样本数较少,训练速度快。 相似文献
49.
针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。 相似文献
50.
文章介绍了联想记忆网络的基本概念、组成特点及其在刀具磨损监测中的应用,详细分析了一种格构联想记忆网络-B样条模糊神经网络的结构和算法.研究表明,应用B样条模糊神经网络构造的刀具磨损量监测系统,与BP型前馈神经网络相比,具有训练时间短,拟合精度高,局部推广能力强等特点,有较高的工程应用推广价值. 相似文献