本文摘要：機(jī)械工程技術(shù)人員在日常工作中經(jīng)常要面對(duì)設(shè)備的故障診斷工作，他們?cè)谠u(píng)定職稱時(shí)也會(huì)安排相關(guān)的論文，為此學(xué)術(shù)顧問(wèn)在這里分享了幾篇機(jī)械故障診斷方向的文獻(xiàn)，都是見(jiàn)刊不久的論文，發(fā)表論文有較高的參考價(jià)值。 論文一、大數(shù)據(jù)分析在機(jī)械故障診斷中的應(yīng)用探索 摘要機(jī)械故
機(jī)械工程技術(shù)人員在日常工作中經(jīng)常要面對(duì)設(shè)備的故障診斷工作，他們?cè)谠u(píng)定職稱時(shí)也會(huì)安排相關(guān)的論文，為此學(xué)術(shù)顧問(wèn)在這里分享了幾篇機(jī)械故障診斷方向的文獻(xiàn)，都是見(jiàn)刊不久的論文，發(fā)表論文有較高的參考價(jià)值。
論文一、大數(shù)據(jù)分析在機(jī)械故障診斷中的應(yīng)用探索
摘要機(jī)械故障診斷隨著技術(shù)的進(jìn)步,目前逐步實(shí)現(xiàn)了自動(dòng)化乃至智能化,大數(shù)據(jù)分析技術(shù)的應(yīng)用,對(duì)機(jī)械故障診斷具有極高的價(jià)值,由此,針對(duì)大數(shù)據(jù)分析、機(jī)械故障診斷做出了討論,指出了當(dāng)前機(jī)械故障診斷技術(shù)的發(fā)展情況以及大數(shù)據(jù)分析的具體應(yīng)用思路,僅供參考。
出處《中國(guó)寬帶》 2021年第1期82-82,共1頁(yè)
關(guān)鍵詞大數(shù)據(jù)分析 機(jī)械故障診斷 應(yīng)用
論文二、基于多尺度排列熵和線性局部切空間排列的機(jī)械故障診斷特征提取
摘要機(jī)械設(shè)備監(jiān)控系統(tǒng)收集的大量信號(hào)通常是包含多種自然振蕩模式的非線性信號(hào),這意味著單尺度特征提取無(wú)法表征這些非線性信號(hào)。而對(duì)于高維特征矩陣,也需要進(jìn)一步提取主要的低維特征。針對(duì)這兩個(gè)問(wèn)題,提出了一種結(jié)合多尺度排列熵和線性局部切線空間排列(MPE-LLTSA)的非線性特征提取方法。首先通過(guò)MPE計(jì)算信號(hào)以獲得具有高維度的多尺度特征。然后利用LLTSA挖掘嵌入的內(nèi)在結(jié)構(gòu),實(shí)現(xiàn)低維特征提取。最后引入最小二乘支持向量機(jī)(LSSVM)來(lái)訓(xùn)練和識(shí)別低維特征。試驗(yàn)結(jié)果表明了該方法在機(jī)械模式分類和故障識(shí)別領(lǐng)域的應(yīng)用潛力。
出處《振動(dòng)與沖擊》 EI CSCD 北大核心 2021年第13期136-145,共10頁(yè)
關(guān)鍵詞特征提取 多尺度排列熵(MPE) 線性局部切線空間排列(LLTSA) 機(jī)械故障診斷 軸承
論文三、基于多源異構(gòu)信息融合的機(jī)械故障診斷方法
摘要針對(duì)振動(dòng)信號(hào)或紅外圖像等單類型傳感器信息難以準(zhǔn)確表征機(jī)械設(shè)備的健康狀態(tài),存在診斷不確定性的問(wèn)題,提出基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的多源異構(gòu)信息數(shù)據(jù)級(jí)融合診斷方法。首先采用變分模態(tài)分解(VMD)和希爾伯特變換(HT)方法將振動(dòng)信號(hào)處理成與紅外圖像同維的時(shí)頻圖像,并將其與紅外圖像進(jìn)行數(shù)據(jù)級(jí)融合,得到多通道融合信號(hào),然后將該信號(hào)輸入到多通道卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練以構(gòu)建融合診斷模型,最后通過(guò)轉(zhuǎn)子系統(tǒng)故障診斷實(shí)例驗(yàn)證了所提方法的正確性。
出處《石油機(jī)械》 北大核心 2021年第2期60-67,80,共9頁(yè)
關(guān)鍵詞機(jī)械故障 數(shù)據(jù)級(jí)融合 故障診斷 卷積神經(jīng)網(wǎng)絡(luò) 多源異構(gòu)信息
論文四、基于時(shí)延約束勢(shì)隨機(jī)共振的機(jī)械故障診斷方法研究
摘要在實(shí)際工作環(huán)境中,機(jī)械設(shè)備的有用信號(hào)通常很微弱,并會(huì)被淹沒(méi)在強(qiáng)噪聲中,導(dǎo)致其故障特征很難被提取出來(lái),針對(duì)這一問(wèn)題,提出了一種基于時(shí)延約束勢(shì)隨機(jī)共振的機(jī)械故障信號(hào)檢測(cè)方法。首先,建立了時(shí)延約束勢(shì)隨機(jī)共振模型,描述了其勢(shì)函數(shù)的結(jié)構(gòu)和功能特點(diǎn),從理論上推導(dǎo)了輸出信噪比的數(shù)學(xué)表達(dá)式,并研究了系統(tǒng)參數(shù)、時(shí)延長(zhǎng)度和反饋強(qiáng)度對(duì)信噪比和噪聲強(qiáng)度關(guān)系的影響;然后,利用蟻群算法的參數(shù)優(yōu)化能力,實(shí)現(xiàn)了隨機(jī)共振系統(tǒng)的最佳匹配;最后,將提出的方法應(yīng)用于仿真故障信號(hào)和實(shí)際滾動(dòng)軸承的外圈故障信號(hào)的診斷實(shí)驗(yàn)中,并將結(jié)果與雙穩(wěn)態(tài)隨機(jī)共振方法獲得的結(jié)果進(jìn)行了對(duì)比。研究結(jié)果表明:在故障頻率為60 Hz和143.08 Hz時(shí),相比于經(jīng)典的雙穩(wěn)態(tài)隨機(jī)共振方法,所提出的時(shí)延約束勢(shì)隨機(jī)共振方法具有更高的頻譜峰值,并且其受噪聲干擾較小,故障識(shí)別效果更明顯;該結(jié)果可以提高滾動(dòng)軸承等機(jī)械設(shè)備的微弱故障診斷能力。
出處《機(jī)電工程》 CAS 北大核心 2021年第10期1238-1245,共8頁(yè)
關(guān)鍵詞機(jī)械故障診斷 滾動(dòng)軸承 時(shí)延約束勢(shì) 隨機(jī)共振 信噪比
論文五、GIL機(jī)械故障診斷與預(yù)警技術(shù)研究
摘要為了有效診斷氣體絕緣金屬封閉輸電線路(GIL)的機(jī)械故障,搭建了110 kV GIL試驗(yàn)平臺(tái)并設(shè)計(jì)了3種典型機(jī)械故障,通過(guò)互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMD)模糊熵值與鯨魚優(yōu)化極限學(xué)習(xí)機(jī)(WOA-ELM)模型聯(lián)合方法對(duì)GIL機(jī)械故障模式進(jìn)行識(shí)別與診斷。首先,利用CEEMD方法對(duì)振動(dòng)信號(hào)進(jìn)行分解,引入正負(fù)白噪聲組對(duì)信號(hào)進(jìn)行處理,得到含有故障信息的模態(tài)分量(IMF)。其次,利用模糊熵計(jì)算模態(tài)分量特征值,得到能表征故障特征的模糊熵值。最后,結(jié)合WOA-ELM模型對(duì)特征向量集進(jìn)行模式識(shí)別,根據(jù)聚類結(jié)果與自適應(yīng)閾值對(duì)GIL設(shè)備機(jī)械故障進(jìn)行診斷和預(yù)警。結(jié)果表明,利用CEEMD與模糊熵對(duì)GIL振動(dòng)信號(hào)特征進(jìn)行分析,可以有效避免模態(tài)混疊和冗余噪聲分量的干擾,得到能夠表征故障特征的特征值;利用WOA-ELM模型可以有效實(shí)現(xiàn)GIL設(shè)備機(jī)械故障診斷與預(yù)警。
出處《電機(jī)與控制應(yīng)用》 2021年第8期106-113,共8頁(yè)
關(guān)鍵詞氣體絕緣金屬封閉輸電線路 機(jī)械故障診斷 互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解 模糊熵 鯨魚優(yōu)化極限學(xué)習(xí)機(jī)
以上都是機(jī)械故障診斷方向新發(fā)表的論文，除此之外這方面的文獻(xiàn)也還有很多，從事的工作領(lǐng)域不同，那么可參考的論文就不同，更多相關(guān)文獻(xiàn)以及投稿可選擇期刊可隨時(shí)和在線學(xué)術(shù)顧問(wèn)交流。
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///wenda/29416.html
