本书以齿轮传动系统这一典型旋转机械系统为例,以输入能量信号非线性分析手段为基础,对故障机理、能量分析理论、故障特征提取与故障模式模糊识别等问题进行了理论分析与相关性建模、仿真分析、试验研究及诊断系统开发等工...[继续阅读]

    采用EMD方法对原始功率信号进行分解的时候,分解后的IMF分量具有良好的线性和稳定性,具备完备正交的特点,而且每个IMF分量都包含了数据真实的部分物理信息。假设功率信号x(t)分解为n个IMF分量c1(t),c2(t),…,cn(t)和一个残留分量rn(t)...[继续阅读]

    以齿轮箱故障诊断实验台架为研究对象,采用上面所述方法建立ARMA模型,对齿轮箱轴承的输出扭矩进行短期预测。扭矩信号是判别齿轮箱的联轴器不对中、外圈剥落、齿轮断齿等多个故障的重要要素之一,预测数据对于在线故障诊断具...[继续阅读]

    在复杂设备或系统的故障诊断中,故障原因和征兆表现之间大多不是一一对应的,而是呈现出错综复杂的关系,从而导致诊断决策时出现多义性。齿轮传动系统的状态监测与故障模式识别过程一般均是基于一定的有效方式及其内部各种...[继续阅读]

    基于同样的训练和测试样本,这里进一步将本书提出的KEFKM模糊识别模型和基于支持向量机(SupportVectorMachine,SVM)的监督型分类识别算法进行比较分析。模式识别的核心是样本的特征提取与分类识别,这里采用多类支持向量机训练和测试...[继续阅读]

    通过上一章的分析可以得知,齿轮传动系统的故障原因与特征参数值之间表现为错综复杂的非线性映射关系,并且各特征参数之间往往呈现出强耦合性和非线性关系,这就增加了故障诊断的难度。对于上一章所建立起来的待识别多维故...[继续阅读]

    信息熵是一种基于信息表现特征的统计形式,它反映了一组信息中平均信息量的多少。主元熵表示了第一主元数据分布的聚集特征和相似程度,即总体平均不确定性的度量。熵越小,说明数据排列区间越大(聚类特征不明显);反之,则数据...[继续阅读]

    样本数据标准化后,从核主元降维后的帕累托图(见图5-5)可知,前3个核主元贡献超过85%,取前3个最大特征根对应的所有正交归一化特征向量组成的子空间投影P,将原始数据压缩为3维核主元矩阵,即图5-5帕累托图从前三核主元能量数据散点...[继续阅读]

    本章围绕齿轮传动系统故障诊断过程中的核心环节——故障模式识别问题展开研究,主要研究工作如下:(1)研究了齿轮传动故障数据模糊聚类方法。指出由于故障原因与征兆的映射关系呈现不确定性及闭环非线性,基于模糊聚类方法的...[继续阅读]

    时间序列的ARMA模型(特别是AR模型)是时序分析方法中最常见的模型。它可以解释动态数据本身的结构与规律,并做出有效预测。诸如,齿轮箱等旋转机械振动信号短数据序列可视为周期性平稳信号(如启停机短时状态的非平稳信号除外...[继续阅读]