排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
自适应最稀疏时频分析(adaptive and sparsest time-frequency analysis,ASTFA)方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。 相似文献
2.
3.
提出了一种滚动轴承故障诊断的新方法。首次将自适应最稀疏时频分析(ASTFA)方法应用于振动信号的降噪,并针对KVPMCD方法只选择一种最佳相关模型而忽略其他几种相关模型对预测精度贡献的缺陷,提出了一种改进的KVPMCD模式识别算法--人工鱼群算法优化融合Kriging模型的基于变量预测模型的模式识别(AKVPMCD)算法,即采用收敛速度快、鲁棒性强、具有全局寻优能力的人工鱼群智能算法(AFSIA)优化融合多种Kriging相关模型来提高模型预测精度。在此基础上,提出了一种基于ASTFA降噪和AKVPMCD算法的滚动轴承故障诊断方法。实验结果表明,该方法可以有效提高分类识别的精度。 相似文献
4.
针对多变量预测模型的模式识别(Variable predictive model based class discriminate,简称VPMCD)方法在参数估计中存在的缺陷,采用分位数回归(Quantile Regression,简称QR)代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法(Quantile Regression -Variable predictive mode based class discriminate ,简称QRVPMCD)。采用局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。 相似文献
5.
1