基于極限學(xué)習(xí)機(jī)的設(shè)備故障預(yù)測(cè)方法及應(yīng)用研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩93頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、為了提升設(shè)備使用效率,降低維修維護(hù)成本,避免重大事故發(fā)生,實(shí)現(xiàn)設(shè)備故障的趨勢(shì)預(yù)測(cè),論文以滾動(dòng)軸承和齒輪為研究對(duì)象,圍繞極限學(xué)習(xí)機(jī)及相關(guān)的人工神經(jīng)網(wǎng)絡(luò)模型開展了預(yù)測(cè)方法及應(yīng)用研究。以振動(dòng)信號(hào)的時(shí)域特征參數(shù)和形態(tài)分形維數(shù)為預(yù)測(cè)特征量,分別運(yùn)用灰色神經(jīng)網(wǎng)絡(luò)、Elman反饋神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)對(duì)特征量進(jìn)行預(yù)測(cè),與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,證明了極限學(xué)習(xí)機(jī)模型在故障預(yù)測(cè)中的有效性,具體內(nèi)容如下:
  (1)開展了基于灰色神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)

2、方法及應(yīng)用研究。以軸承故障為研究對(duì)象,提取原始振動(dòng)信號(hào)的時(shí)域特征參數(shù),根據(jù)其時(shí)間序列趨勢(shì),將故障發(fā)展分為三個(gè)階段,分別截取等量數(shù)據(jù)并計(jì)算其相對(duì)變化值,對(duì)比分析各個(gè)時(shí)域特征參數(shù)對(duì)于早期故障的敏感性和故障持續(xù)發(fā)展的穩(wěn)定性,選取有量綱參數(shù)的有效值和無量綱參數(shù)的峭度作為特征量,運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)分別對(duì)不同的數(shù)據(jù)集進(jìn)行趨勢(shì)預(yù)測(cè),并以齒輪故障為研究對(duì)象實(shí)現(xiàn)對(duì)比驗(yàn)證。
  (2)開展了基于Elman神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)方法及應(yīng)用研究。

3、簡(jiǎn)述了Elman網(wǎng)絡(luò)作為一種動(dòng)態(tài)反饋型網(wǎng)絡(luò)與前向型神經(jīng)網(wǎng)絡(luò)的區(qū)別和特點(diǎn),分別以軸承和齒輪為研究對(duì)象,以有效值和峭度為特征參數(shù),運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行趨勢(shì)預(yù)測(cè),并研究了不同神經(jīng)元個(gè)數(shù)對(duì)于預(yù)測(cè)結(jié)果的影響。
  (3)開展了基于形態(tài)分形維數(shù)及極限學(xué)習(xí)機(jī)的故障預(yù)測(cè)方法及應(yīng)用研究。簡(jiǎn)述了極限學(xué)習(xí)機(jī)(ELM)相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法優(yōu)勢(shì),實(shí)現(xiàn)了其在軸承和齒輪中的故障預(yù)測(cè),并分析了隱含層神經(jīng)元的個(gè)數(shù)對(duì)于預(yù)測(cè)性能的影響。為了進(jìn)一步提

4、升預(yù)測(cè)精度,引入了分形維數(shù)和數(shù)學(xué)形態(tài)學(xué)的基本思想,通過計(jì)算原始時(shí)域振動(dòng)信號(hào)的形態(tài)分形維數(shù),揭示了其作為預(yù)測(cè)特征量的可行性,運(yùn)用ELM模型對(duì)經(jīng)過形態(tài)分形維數(shù)處理后的信號(hào)進(jìn)行趨勢(shì)預(yù)測(cè),對(duì)比了時(shí)域參數(shù)下ELM模型的預(yù)測(cè)結(jié)果,并綜合比較了相應(yīng)預(yù)測(cè)模型的性能。
  結(jié)果表明:以時(shí)域參數(shù)為特征量時(shí),ELM模型的預(yù)測(cè)誤差最小,精度最高,可以準(zhǔn)確地?cái)M合故障發(fā)展趨勢(shì),且不受神經(jīng)元個(gè)數(shù)的影響;灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度次之,可以在較少的數(shù)據(jù)情況下實(shí)現(xiàn)

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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論