2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩62頁未讀, 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),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著機(jī)械設(shè)備向復(fù)雜化、自動化方向發(fā)展,智能診斷在現(xiàn)代生產(chǎn)中起著越來越大的作用。為了獲得更高的識別率,基于信號處理與神經(jīng)網(wǎng)絡(luò)相結(jié)合實(shí)現(xiàn)故障智能診斷成為了當(dāng)今主要的發(fā)展方向。在復(fù)雜工況條件下,機(jī)械設(shè)備的振動信號顯示出非平穩(wěn)性,因此對非平穩(wěn)信號的特征提取并對其故障進(jìn)行智能識別是非常必要的。本文深入研究了時變自回歸(TVAR)和條件異方差(Garch)對非平穩(wěn)信號的建模分析,并基于參數(shù)化模型特征,采用支持向量機(jī)(SVM)、隱馬爾科夫(HMM)等

2、方法對滾動軸承的不同故障進(jìn)行了智能診斷。具體內(nèi)容如下: 針對非平穩(wěn)信號的參數(shù)化建模,本文研究了TVAR方法。分別基于自適應(yīng)算法和基函數(shù)算法求解模型的時變參數(shù)與譜估計,提出采用AIC準(zhǔn)則確定模型階數(shù)。通過仿真分析,證明了TVAR模型時頻譜分辨率高、沒有交叉項;而基函數(shù)算法的TVAR時頻譜受噪聲影響小,能跟蹤快速變化的頻譜,彌補(bǔ)了自適應(yīng)算法對噪聲敏感的缺點(diǎn)。同時,針對TVAR模型難以跟蹤突變信號的問題,本文研究了Garch的建模與分

3、析步驟。通過仿真信號分析表明Garch的條件方差準(zhǔn)確反映了信號頻率的突變性或沖擊性。 本文深入研究了SVM和HMM模型及其診斷原理與方法。首先采用一對多方法解決SVM的多類分類問題,探討了其故障分類步驟;同時研究了HMM的訓(xùn)練算法和故障診斷流程,采用Lloyd算法對信號特征樣本進(jìn)行量化。然后,基于Matlab語言實(shí)現(xiàn)了SVM和HMM的故障診斷。通過滾動軸承故障的診斷實(shí)例,表明了SVM具有出色的學(xué)習(xí)性能,尤其在小樣本的情況下分類能

4、力強(qiáng),很好地解決了神經(jīng)網(wǎng)絡(luò)所需學(xué)習(xí)樣本多、陷入局部極值等問題:同時發(fā)現(xiàn)HMM具有在小樣本情況下判斷精度高、自學(xué)習(xí)能力強(qiáng)的優(yōu)點(diǎn);尤其針對機(jī)械振動信號的非平穩(wěn)性強(qiáng)、特征重復(fù)再現(xiàn)性不佳的特性,該模型識別率很高。 在上述研究基礎(chǔ)上,基于Labview開發(fā)了滾動軸承信號的參數(shù)化模型分析與智能診斷軟件。該系統(tǒng)基于Windows XP平臺,實(shí)現(xiàn)了非平穩(wěn)信號的TVAR時頻分析以及基于SVM、HMM的智能診斷等功能。這些研究成果對促進(jìn)非平穩(wěn)信號的

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(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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, 同時也不承擔(dān)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

評論

0/150

提交評論