排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
采用传统的信号处理方法难以从轴承振动信号中提取能全面准确反映轴承运行状态的故障特征,并且实际工程中采集的数据量难以满足深度学习方法的要求(需要较大数据量),针对这些问题,提出了一种基于时频图与双通道卷积神经网络(CNN)的轴承故障识别模型(方法)。首先,基于样本熵和峭度,构造了新的目标函数,利用灰狼优化算法(GWO)对变分模态分解(VMD)方法进行了参数优化,当目标函数达到最小值时,得到了其最优参数组合;然后,使用经过参数优化后的变分模态分解(VMD)方法对轴承信号进行了处理,将处理后得到的模态分量进行了平滑伪Wigner Ville分布(SPWVD)计算,累加其计算结果后,最终得到了轴承的时频图;其次,利用连续小波变换(CWT)直接对原始信号处理得到了时频图;最后,将采用两种方式得到的时频图分别作为双通道CNN的输入,对网络进行了训练,由CNN提取了其时频图特征,并对轴承故障进行了识别分类和诊断。实验结果表明:采用该方法在轴承故障实验中得到的准确率为99.69%,在10次实验中的平均准确率达到了99.61%,相比于单通道CNN和支持向量机(SVM)等方法,该方法有着更高的准确率和更出... 相似文献
2.
核动力装置是复杂的系统工程且具有潜在的放射性危险,因此要及时发现并处理其事故问题,避免造成严重后果。为建立核动力装置事故诊断方法,对操纵员的安全分析提供新的辅助手段,提出了一种基于时间卷积胶囊网络的核动力装置事故诊断方法。首先通过时间卷积核提取数据的时序信息,并降低计算难度,然后通过胶囊网络挖掘数据的深度向量特征,能够最大化利用运行信息中的数据特征,在事故数据较少的情况下也能得到很好的收敛效果,最后通过核动力装置全范围仿真模拟机获取事故仿真数据对模型进行训练和测试。研究结果表明,在核动力模拟机事故数据较少的情况下,相比于传统的深度学习方法,时间卷积胶囊网络模型有更好的收敛效果和诊断准确性。 相似文献
3.
4.
针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出了基于均方谐噪比(mean square harmonic noise ratio,简称MSHNR)指标和改进正则化粒子滤波(regularized particle filter, 简称RPF)相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。 相似文献
5.
6.
7.
电力系统病态潮流的同伦算法 总被引:1,自引:0,他引:1
将同伦延拓方法用于求解电力系统病态潮流方程的解,并提出一种求解同伦曲线的新方法.这种方法可以修改迭代初值以及改变雅克比矩阵的奇异性,使其进入收敛范围.对典型病态系统的数值计算的比较表明了该算法的有效性. 相似文献
1