排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
基于神经网络的自适应故障模式分类方法 总被引:3,自引:0,他引:3
在深入研究ART-2神经网络结构的基础上,提出了一种基于神经网络的自适应故障模式分类方法,并应用在轴承故障诊断中,结果表明:该方法对轴承故障模式具有自学习,快速稳定的识别能力。 相似文献
2.
一种用于模式分类有监督的模糊ART神经网络 总被引:2,自引:0,他引:2
探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与BP网络进行了比较性实验,结果表明:该网络具有良好模式分类能力和较好的可塑性。 相似文献
3.
提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。 相似文献
4.
5.
谐波校正法在减速机故障分析中的应用 总被引:1,自引:0,他引:1
针对信号中大量离散谱线且存在较明显的等间距频率成分,运用了谐波校正法,避开单个谱峰的校正问题,一次性地确认减速机各通道的离散频谱,并对所得离散频谱与各齿轮通过频率进行配对以确认谱峰来源.在此基础上,对多工况下的各次测量结果进行综合分析,快速准确地分析出斜轴振动是减速机故障主要根源. 相似文献
1