排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
液压泵退化特征提取是实现故障预测的关键环节。在液压泵性能退化过程中,其振动信号复杂度高、非线性强,难以有效地提取退化特征,为此,本文提出一种基于敏感分量融合的退化特征提取方法。采用改进局部特征尺度分解(ILCD)方法对振动信号进行分解,并利用贝叶斯信息准则与所构建的敏感因子,对内禀尺度分量进行筛选,以减少干扰分量的影响,得到敏感分量,有效抓取特征信息;在此基础上,引入离散余弦变换代替传统复合谱分析中的傅里叶变换,提出离散余弦变换-复合谱(DCS)算法,以解决信息遗漏问题,并利用DCS对敏感分量进行融合,提取复合谱熵作为退化特征,以提高对退化过程的表征能力;最后,通过对液压泵性能退化试验实测振动信号的应用分析,验证了该方法的有效性。 相似文献
2.
针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析(MF-DFA)和半监督马氏距离模糊C均值(SSM-FCM)的液压泵退化状态识别方法。该方法首先引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高MF-DFA方法的计算精度;然后利用改进MF-DFA方法计算液压泵多重分形谱参数,并分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α_0和广义Hurst指数波动均值Δh(q)作为退化特征量;最后利用半监督马氏距离模糊C均值方法实现了液压泵退化状态识别,并以液压泵实测数据为例验证本文所提方法的有效性。 相似文献
3.
4.
针对轴承振动信号随机噪声干扰大、多尺度熵表征轴承退化趋势偏差大的问题,提出了一种基于二元多尺度熵的滚动轴承退化趋势预测方法。首先对滚动轴承振动信号进行局部特征尺度分解,采用多元多尺度熵理论对二阶信号进行计算,提取了二元多尺度熵特征。然后采用互信息法和假近邻法对算法中的嵌入维数和延迟向量等参数进行了优化。最后采用极限学习机预测模型对二元多尺度熵退化趋势曲线进行预测,并对比了不同激活函数的预测性能。结果表明,相对于传统多尺度熵,二元多尺度熵偏差较小;激活函数为sigmoid时极限学习机模型预测精确度较高。 相似文献
5.
6.
针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析(multi-fractal detrended fluctuation analysis,简称MF-DFA)的液压泵性能退化特征提取方法。首先,引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高了MF-DFA方法的计算精度;然后,利用改进的MF-DFA方法计算液压泵多重分形谱参数,分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α0和多重分形谱宽度Δα作为退化特征量;最后,以液压泵不同退化状态下的实测数据为例验证了该算法的有效性。试验结果表明,该方法能够准确提取液压泵退化特征,提高了退化状态识别的准确率。 相似文献
7.
1