版權說明: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,請進行舉報或認領
文檔簡介
1、當前機械設備向著更加高效化、集成化和大型化的方向發(fā)展,因此如何保證其安全穩(wěn)定的運行具有重大研究意義。隨著計算機技術和傳感器技術的發(fā)展,故障預測理論和技術也隨之發(fā)展完善,并為上述問題提供一種較好的解決途徑。但是傳統(tǒng)的信息采集方式是用單一傳感器來采集單通道信息來進行分析,因為信息不夠全面,可靠性并不是很好。而全矢譜技術則將互為正交的兩個通道的信號加以融合,能更全面準確反映出設備運行狀態(tài)。預測算法方面,一直是人工智能研究的熱點,而且近年出現(xiàn)了
2、一系列新的算法,比如極限學習機,具備良好的精度和可靠性,并且具有計算量小,速度快等特點。本文將全矢譜技術與神經(jīng)網(wǎng)絡和極限學習機相結合,并以滾動軸承為對象進行故障預測研究,主要研究內(nèi)容如下幾個方面:
?。?)采用全矢Hilbert解調(diào)方法提取滾動軸承的故障特征頻率,通過仿真和實例分析,本方法可以有效將特征頻率提取出來,為神經(jīng)網(wǎng)絡訓練樣本的提取奠定理論基礎;
(2)提出了基于全矢模糊神經(jīng)網(wǎng)絡的故障預測模型,并進行實例驗證,
3、結果表明,因為模糊神經(jīng)網(wǎng)絡自身的缺陷,預測結果穩(wěn)定性不佳,容易造成誤診;
?。?)提出了基于全矢小波神經(jīng)網(wǎng)絡的故障預測模型,并進行實例驗證,結果表明,利用小波基函數(shù)對神經(jīng)網(wǎng)絡進行改造,可以提高神經(jīng)網(wǎng)絡在滾動軸承故障預測中的效果。但是小波神經(jīng)網(wǎng)絡依然沒有解決傳統(tǒng)神經(jīng)網(wǎng)絡的故有缺陷,依然采用梯度下降的學習方法,因此容易陷入局部極值而影響預測模型效果;
(4)針對傳統(tǒng)神經(jīng)網(wǎng)絡的不足,提出全矢極限學習機的軸承故障預測模型,通過
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(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權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)容負責。
- 6. 下載文件中如有侵權或不適當內(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
- 基于極限學習機的變壓器故障預測方法研究.pdf
- 基于極限學習機的設備故障預測方法及應用研究.pdf
- 基于極限學習機的風電功率預測研究.pdf
- 基于極限學習機的短期電力負荷預測.pdf
- 基于分層的核極限學習機滾動軸承故障診斷方法研究.pdf
- 基于極限學習機的風電機組主軸承故障診斷方法研究.pdf
- 基于小波包與極限學習機的滾動軸承故障診斷方法研究.pdf
- 灰色極限學習機預測算法研究.pdf
- 基于改進極限學習機的復雜工業(yè)過程故障預測方法應用研究.pdf
- 基于極限學習機的模擬電路故障診斷.pdf
- 基于極限學習機的轉爐煉鋼終點預測模型研究.pdf
- 基于深度學習的極限學習機算法研究.pdf
- 基于極限學習機的變壓器故障診斷.pdf
- 基于改進的極限學習機短時交通流預測模型研究.pdf
- 基于優(yōu)化的核極限學習機在負荷預測中的研究.pdf
- 基于極限學習機的船舶橫搖預測與控制.pdf
- 基于極限學習機的圖像標注研究.pdf
- 基于集成學習的極限學習機的算法研究.pdf
- 基于小波分析和在線極限學習機的滾動軸承故障診斷方法研究.pdf
- 基于穩(wěn)健估計的極限學習機方法研究.pdf
評論
0/150
提交評論