版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著科學技術的發(fā)展,機械設備越來越復雜,自動化水平越來越高,機械設備在現代工業(yè)生產中的作用和影響越來越大,與其有關的費用越來越高,機器運行中發(fā)生的任何故障或失效不僅會造成重大的經濟損失,甚至還可能導致人員傷亡。因此,應該及時地對設備故障狀態(tài)進行監(jiān)測,使之安全經濟地運轉。本文以滾動軸承為研究對象,研究了基于自適應MeanShift聚類算法的機械結構健康狀態(tài)監(jiān)測技術。
研究了信號的預處理方法:時域指標、頻域指標和小波包變換。實驗表
2、明:當滾動軸承出現故障時,時域、頻域指標都會發(fā)生變化,且不同類型損傷和損傷程度不同時,時域和頻率指標有明顯差別;另外,不同類型損傷的振動信號經小波包變換分解后,其能量分布也表現出不同的特征;因此,提取振動信號的時域、頻域和小波包指標可以降低振動信號的維數,有效地描述不同類型的故障狀態(tài)。
研究了基于能量熵的健康狀態(tài)監(jiān)測方法,實驗表明:小波包能量熵可以有效地鑒別故障狀態(tài)和損傷程度,可以用來監(jiān)測滾動軸承健康狀態(tài)的變化歷程。
3、 論述了MeanShift算法的原理,通過實驗研究了核函數、核半徑以及閾值對聚類算法的影響。核函數影響聚類分析的準確率及算法的迭代次數,對于每一個核函數,聚類算法都存在一個合理的核半徑區(qū)間,當核半徑超出該范圍時,聚類的準確率會降低;另外,閾值越小,算法的聚類效果越好。
論述了自適應MeanShift算法(AdaptiveMeanShift,AMS)的原理,通過實驗證明了核函數、初始核半徑以及迭代次數對聚類算法的影響。使用高斯核
4、函數時,核半徑初值的選擇對聚類影響較大,使用Epanechnikov核函數時,核半徑初值對聚類影響較小,與前者相比,它的分類準確率較低;另外,增大迭代次數,可以改善聚類效果。與MeanShift算法相比,AMS算法具有較好的聚類效果。
提出了基于自適應MeanShift質心偏移的結構健康狀態(tài)監(jiān)測方法,該方法將無損傷狀態(tài)的質心作為基準,用某一狀態(tài)的質心與基準質心的偏移量判斷結構是否發(fā)生損傷以及損傷程度。實驗表明:與基準質心距離越
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,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,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
- 尺度自適應的擴展Mean shift跟蹤算法.pdf
- 基于熵的結構健康狀態(tài)監(jiān)測技術研究.pdf
- 基于改進Mean-shift算法的目標跟蹤技術研究.pdf
- 基于KDE和Mean Shift的視頻目標跟蹤技術研究.pdf
- 自適應帶寬Mean shift圖像分割及目標形狀識別算法研究.pdf
- 基于小波分析的結構健康狀態(tài)監(jiān)測技術研究.pdf
- 基于AP聚類算法的結構健康狀態(tài)監(jiān)測技術研究.pdf
- 基于Mean Shift的視頻跟蹤算法研究.pdf
- 基于Mean Shift的目標跟蹤算法研究.pdf
- 基于Mean Shift算法的目標跟蹤研究.pdf
- 結構自適應濾波技術研究.pdf
- 基于Mean Shift算法的目標跟蹤.pdf
- 基于Mean Shift的遙感圖像分割方法研究.pdf
- 基于mean-shift目標跟蹤算法的研究.pdf
- 基于Mean Shift的快速目標跟蹤的研究.pdf
- 基于Mean Shift算法的視頻目標跟蹤研究.pdf
- 基于Mean Shift的長時間目標跟蹤.pdf
- 基于Mean Shift的胃鏡圖像分析方法研究.pdf
- 基于預測的Mean Shift人臉跟蹤算法研究.pdf
- 基于Mean-Shift算法的目標跟蹤研究.pdf
評論
0/150
提交評論