排序方式: 共有42条查询结果,搜索用时 31 毫秒
1.
针对汽车制动器系统可能存在不完整信息或冲突信息的情形,提出了一种基于证据理论的盘式制动器稳定性研究方法.该方法将参数不确定性分析引入制动器系统的稳定性研究中,采用证据变量对系统不确定性参数的不完整信息或冲突信息进行整合,并对系统参数的大不确定区间信息进行处理;建立了基于证据理论的不确定汽车盘式制动器系统的稳定性分析模型,采用关于系统复特征值阻尼比的信任函数和似真函数对系统的稳定性进行不确定性度量和评估,并给出了方法的具体研究步骤;通过分析不确定性条件下系统稳定性达到设计要求的概率区间,研究了各不确定参数对系统稳定性的影响.研究方法对抑制汽车制动噪声具有一定的工程指导意义. 相似文献
2.
3.
弹性连杆机构稳态动力响应的灵敏度分析 总被引:1,自引:0,他引:1
采用直接微分法得到了一种弹性连杆机构稳态动力响应灵敏度的计算方法,该方法克服了用差分法计算灵敏度存在的截断误差和舍入误差较大、计算精度低的缺点,是一种精确有效的弹性连杆机构稳态动力响应灵敏度计算方法。文中给出了一平面四杆机构的灵敏度分析实例来说明方法的有效性。 相似文献
4.
在ADAMS中建立了麦弗逊与双横臂两种不同悬架形式的1/4汽车模型,依据其输入输出数据,利用免疫算法分别对两者的车身质量、悬架刚度与阻尼、轮胎的刚度及轮胎质量进行了辨识.仿真结果表明:使用辨识参数的简化模型可以替代真实模型并能够合理反映出由于悬架结构不同而引起的性能差异;免疫算法是参数辨识的一种有效方法,具有较好的全局寻优特性. 相似文献
5.
针对一般GM(1,1)多步预测方法的不足,提出了一种基于代谢递补GM(1,1)的状态预测方法.该方法首先对原始信号进行预处理,再通过递补思想进行多步预测,然后利用更新数据进行代谢预测,最后计算设备状态的预测值与真实值误差,根据预测值的趋势判断设备的未来状态.实例分析结果表明,该方法所需数据样本少且数据训练时间短,后八步的预测精度可满足工程精度,能有效地应用于设备的中长期在线状态预测. 相似文献
6.
基于SVM和EMD 包络谱的滚动轴承故障诊断方法 总被引:5,自引:0,他引:5
针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性. 相似文献
7.
在机械产品开发设计中,机构综合主要依靠工程经验和机构学知识,普遍存在创新随机性大、创新方案少等问题.本文利用创新成果产生的宝贵资源专利进行机构综合创新,提出了采用TRIZ功能裁剪法对专利信息进行利用、采用设计目录方法对设计方案进行穷举和遍历、对有效专利进行合理规避的新思路,构建了基于功能裁剪法和设计目录的机构综合再创新程序化过程模型,通过实例应用,裁剪现有专利进行机构综合,提出了大量规避他人专利的创新方案,证明了采用该过程模型进行概念创新设计的可操作性和有效性. 相似文献
8.
基于复小波变换相位功率谱的齿轮故障诊断 总被引:2,自引:0,他引:2
提出了一种基于复小波变换诊断齿轮故障的新方法 .利用Mexican-hat调制复小波基函数对齿轮振动信号进行连续小波变换 ,再作相位的频谱分析 ,可以突出边频带结构 .仿真信号的分析结果表明该方法可有效地用于齿轮故障诊断 ,与传统的自功率谱方法相比 ,具有抗噪声干扰能力强的优点 相似文献
9.
一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法 总被引:3,自引:0,他引:3
提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断. 相似文献
10.
经验模态分解(EMD)在滚动轴承故障诊断中的应用 总被引:6,自引:0,他引:6
针对滚动轴承故障振动信号的非平稳特征,提出了基于经验模态分解(Empiri-cal Mode Decomposition,简称EMD)和神经网络的滚葡轴承故障诊断方法,首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量,并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式,对滚动轴承的内圈、外圈故障信号的分析结果表明,以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率,可以准确、有效地识别滚动轴承的工作状态和故障类别。 相似文献