机械设计与研究 ›› 2019, Vol. 35 ›› Issue (01): 96-99.doi: 10.13952/j.cnki.jofmdr.a4825
周建民;张臣臣;张龙;郭慧娟;
出版日期:
2019-02-20
发布日期:
2019-02-20
Online:
2019-02-20
Published:
2019-02-20
摘要: 滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,故建立了自回归(AR)模型,提取滚动轴承全寿命周期的AR模型的自回归系数和残差,对提取到的特征降维后建立自联想神经网络(AANN)以及FCM模型,然后将AANN模型的输出与输入向量之差作为特征向量输入到FCM模型中,得到性能退化指标,再用实例对结论进行验证。实验表明,文中提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。
周建民;张臣臣;张龙;郭慧娟;. 基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J]. 机械设计与研究, 2019, 35(01): 96-99.
[1] | 卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262. |
[2] | 周建民;游涛;尹文豪;张龙;张臣臣;. 基于融合FCM-SVDD模型的滚动轴承退化状态识别[J]. 机械设计与研究, 2020, 36(01): 124-129. |
[3] | 张龙;吴佳敏;吴荣真;宋成洋;易剑昱;. 基于多尺度熵与SOM神经网络的滚动轴承故障识别[J]. 机械设计与研究, 2019, 35(06): 105-110. |
[4] | 周建民;王发令;张龙;李鹏;张臣臣;. 基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估[J]. 机械设计与研究, 2019, 35(06): 116-122+127. |
[5] | 熊国良;毛志德;张龙;成俊良;. 经验模态分解与核马氏距离的滚动轴承性能退化评估[J]. 机械设计与研究, 2019, 35(04): 96-100+104. |
[6] | 陆纪文;. 基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法[J]. 机械设计与研究, 2019, 35(03): 100-103. |
[7] | 周建民;张臣臣;张龙;郭慧娟;. 基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别[J]. 机械设计与研究, 2019, 35(03): 83-86. |
[8] | 王宜静;谭海燕;. 基于多维度互近似熵的滚动轴承故障诊断方法研究[J]. 机械设计与研究, 2019, 35(01): 110-112+124. |
[9] | 吴军a, b,黎国强a,吴超勇a,程一伟c,邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报(自然版), 2018, 52(5): 538-544. |
[10] | 张龙;刘晶;熊国良;毛志德;. 基于小波包分解和频率加权能量算子的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(06): 80-84. |
[11] | 高七一;余伦;. 光电经纬仪中径向密珠滚动轴承设计要素的分析[J]. 机械设计与研究, 2018, 34(06): 89-94. |
[12] | 唐宁;童水光;徐剑;从飞云;张依东;. 基于短时信号重构与K-SVD特征提取算法[J]. 机械设计与研究, 2018, 34(04): 18-22. |
[13] | 荆双喜;杨晓雨;罗志鹏;. 基于自适应时频分析的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(04): 85-88. |
[14] | 黎慧;张国文;. 基于灰色模型的滚动轴承剩余寿命预测[J]. 机械设计与研究, 2018, 34(01): 113-116+120. |
[15] | 周建民;郭慧娟;张龙;. 基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法[J]. 机械设计与研究, 2017, 33(06): 86-89. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||