

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、軸承是旋轉機械的重要組成部分,軸承故障診斷對保障機械設備安全、穩(wěn)定運行具有重要意義。論文針對機械故障振動信號非平穩(wěn)性、非線性等復雜特征,提出一種基于多特征融合及深度信念網絡的軸承故障診斷方法。
首先,研究了基于雙樹復小波(DTCWT)的軸承故障特征提取方法。指出 DTCWT具有平移不變性和抑制頻率混疊的優(yōu)良特性,能夠對機械振動信號進行有效分解。通過對不同位置損傷的軸承進行故障診斷實驗,結合模糊C均值(FCM)聚類實現(xiàn)軸承故障診
2、斷,驗證該方法提取軸承故障特征的有效性。
其次,研究基于 MMEMD的軸承故障特征提取方法。針對EMD模態(tài)混疊,提出了其改進算法多重屏蔽經驗模態(tài)分解(MMEMD)。并通過仿真實驗表明MMEMD能夠有效解決EMD模態(tài)混疊問題,有利于軸承振動信號分解。結合支持向量機,對軸承正常狀態(tài)、不同位置和不同程度損傷共10種狀態(tài)進行故障診斷實驗,實現(xiàn)軸承故障診斷,驗證該方法提取軸承故障特征的有效性。
再次,研究了基于VMD的軸承故障
3、特征提取方法。VMD采用變分框架解決了EMD模態(tài)混疊問題,同時能夠實現(xiàn)信號濾波,有利于軸承故障特征提取。結合支持向量機對軸承正常狀態(tài)、不同位置和不同程度損傷共10種狀態(tài)進行故障診斷實驗,實現(xiàn)軸承故障診斷,驗證了基于VMD的軸承故障特征提取方法的有效性。
然后,針對機械故障模式識別問題,設計了基于深度信念網絡(DBN)的小樣本分類器。通過對Iris數(shù)據(jù)集進行分類,驗證了其在小樣本分類中具有較高的分類準確率和穩(wěn)定性。將其與 VMD
4、樣本熵結合用于軸承故障診斷中,對軸承正常狀態(tài)、不同位置和不同程度損傷共10種狀態(tài)進行故障診斷實驗,驗證其在軸承故障診斷模式識別中的有效性。
最后,將多特征與DBN結合,進行軸承故障診斷應用。首先對軸承振動信號進行 FCM聚類分析,初步確定是否存在故障,并確定少數(shù)樣本的標簽。然后提取DTCWT樣本熵、MMEMD能量熵和 VMD樣本熵,并通過主成分分析(PCA)方法將三種軸承故障特征進行融合,得到軸承故障融合特征。最后經DBN小樣
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于深度信念網絡與多傳感器信息融合的滾動軸承故障診斷研究.pdf
- 基于深度信念網絡的故障診斷研究.pdf
- 融合多源特征的墨輥軸承故障診斷方法研究.pdf
- 基于多特征指標聚類的軸承故障診斷.pdf
- 滾動軸承故障診斷的多參數(shù)融合特征提取方法研究.pdf
- 基于多特征量提取和PSO優(yōu)化神經網絡的軸承故障診斷.pdf
- 基于深度信念網絡的微車主減速器故障診斷的研究.pdf
- 基于改進的深度信念網絡的行星減速器智能故障診斷方法研究.pdf
- 基于EMD和特征融合的電機故障診斷.pdf
- 基于多源信息融合的模擬電路故障診斷.pdf
- 基于多知識庫融合的故障診斷研究.pdf
- 基于深度特征學習的電子電路故障診斷.pdf
- 基于多傳感器信息融合的滾動軸承故障診斷研究.pdf
- 基于多信息融合的電網故障診斷方法研究.pdf
- 基于特征關聯(lián)優(yōu)化模型的軸承故障診斷.pdf
- 基于神經網絡的紙機軸承故障診斷.pdf
- 基于深度置信網絡的數(shù)據(jù)驅動故障診斷方法研究.pdf
- 基于多信息融合的機械故障診斷方法研究.pdf
- 基于多源信息融合的模擬電路故障診斷研究.pdf
- 基于深度信念網絡的滾動軸承故障類型識別方法研究.pdf
評論
0/150
提交評論