排序方式: 共有18条查询结果,搜索用时 56 毫秒
1.
立项背景重大装备因结构裂纹导致的失效占80%以上,裂纹这一“隐形杀手”被形象地称为重大装备安全运行的“癌症”,具有难发现、易扩展、强破坏的特点。 相似文献
2.
基于特征评估和神经网络的机械故障诊断模型 总被引:15,自引:0,他引:15
为了克服在无先验知识的情况下,人为选择时域无量纲指标作为故障敏感特征的盲目性,提出了一种基于特征评估和径向基函数(RBF)神经网络的机械故障诊断模型.该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解,分别提取原始信号和各分解信号的时域无量纲指标组成联合特征,然后对联合特征进行评估,计算评估因子,并根据评估因子的大小选取敏感特征作为RBF神经网络的输入,实现对机器不同状态的自动识别.实验结果和工程应用表明,这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息,从大量的故障特征中筛选出敏感特征,因而减小了网络规模,提高了分类准确率,具有很强的鲁棒性. 相似文献
3.
总体平均经验模式分解与1.5维谱方法的研究 总被引:11,自引:0,他引:11
针对复杂背景下机车走行部齿轮箱齿轮裂纹故障微弱特征的提取问题,提出了总体平均经验模式分解(EEMD)与1.5维谱的故障特征提取方法.首先运用EEMD方法对振动信号进行自适应抗混分解,得到不同频带的基本模式分量(IMF),然后运用1.5维谱方法对停含有故障特征信息的IMF进行后处理.该方法具有避免模式混淆、抑制高斯白噪声、检测非线性耦合特征等特性,并以此来提取故障的微弱特征信息.根据待处理信号的时频特性与EEMD原理,提出了在EEMD方法中加入高斯白噪声的准则,通过信号仿真验证了EEMD方法的抗混分解能力.将EEMD与1.5维谱方法应用于机车走行部齿轮箱的监测诊断中,成功地提取出齿轮箱大齿轮齿根早期的裂纹故障. 相似文献
4.
提出近场光存储光学头飞行问题的综合仿真方案,采用控制体积法求解表面形貌复杂的空气轴承气浮力分布,采用准牛顿迭代法求解光学头稳定飞行姿态;并以此为基础,分析空气轴承表面形貌参数对光学头稳定飞行姿态的影响规律,对其进行优化设计;所设计的光学头飞高为73.87nm,且飞行姿态稳定,满足近场光存储信号读写的要求. 相似文献
5.
近场光存储一体化光学飞行头结构设计与特性仿真 总被引:1,自引:0,他引:1
设计了一种新型一体化光学飞行头,通过对光学飞行头滑块气浮力分布和飞行姿态(飞行高度、仰俯角和滚动角)的数值仿真分析,对滑块气体轴承表面(ABS)形貌参数进行了优化设计,确定了滑块的主要结构参数.仿真结果表明,所设计的光学飞行头滑块的飞行高度能够在光盘的不同半径处保持在43-44nm之间,符合近场光存储系统的信号读写要求.该光学飞行头具有良好的机械性能和光学性能,可在近场光存储系统的读写过程中获得稳定的飞行高度和高信噪比的光学信号. 相似文献
6.
近场光存储的深亚微米微型飞行头设计 总被引:4,自引:0,他引:4
为提高固体浸没透镜(SIL)和盘面之间的近场耦合效率,设计并研制了一种基于流体力学微流动理论的近场光存储深亚微米微型飞行头.建立了承载微飞行头的力学模型,并借助有限体积法对飞行头的动态特性进行了数值仿真.该微型飞行头将聚焦透镜和SIL集成于一个承载微飞行头,克服了光盘高速旋转过程中,二者距离改变而导致离焦的影响;微型飞行头采用了正负压力并存的结构,极大提高了飞行头的承载刚度,并有效消除了工作过程中气流的不断变化对飞行高度的影响,增加了飞行头的动态稳定性;将SIL作为承载微飞行头轨道的设计获得了良好的近场耦合效率.试验表明,微型飞行头在转速18 m/s时,承载达到88mN,飞行高度小于65nm,满足近场光存储系统的需要. 相似文献
7.
小波分形技术及其在非平稳故障诊断中的应用 总被引:26,自引:1,他引:25
根据小波变换和分形理论在多尺度分析和自相似本质上的一致性,提出了小波分形技术。为了克服目前离散信号盒维数计算方法的不足,推导出了确定周期或准周期振动信号无标度区的经验公式,使盒维数的改进算法具有简单、准确和实用的特点。通过汽轮发电机组轴瓦松动故障的成功诊断案例表明,小波分形技术为非平稳故障诊断提供了一种有效的新技术。 相似文献
8.
9.
铣削刀具破损检测的第二代小波变换原理 总被引:1,自引:0,他引:1
指出非平稳信号处理领域中第二代小波变换的本质是动态信号与基函数进行内积变换的数学原理,即通过信号与基函数的尺度函数和小波函数的内积运算,得到信号的分解与重构.利用第二代小波基函数振荡衰减和紧支性质,分析数控机床铣削加工过程中的声发射信号,有效地提取并识别出立铣刀破损状态特征以及对工件表面加工质量的影响,为故障诊断、误差溯源、质量控制提供科学依据. 相似文献
10.
针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型.首先,利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量,然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数,用支持向量机对其进行预测,最后通过自适应线性神经网络对这些预测分量进行自适应加权组合,得到原始序列的预测值.研究结果表明,对于标准算例和某机组振动趋势的预测,不论是单步预测还是多步预测,该模型的预测性能均好于单一的支持向量机预测方法。 相似文献