为了提高滚动轴承健康状态评估的分类精度,提出了基于局部均值分解(Local mean decomposition,简称LMD)和具有故障样本的支持向量数据描述(Support Vector Data Description,简称SVDD)相结合的滚动轴承故障状态识别方法。该方法首先将利...为了提高滚动轴承健康状态评估的分类精度,提出了基于局部均值分解(Local mean decomposition,简称LMD)和具有故障样本的支持向量数据描述(Support Vector Data Description,简称SVDD)相结合的滚动轴承故障状态识别方法。该方法首先将利用LMD方法进行滚动轴承振动信号的分解,得到一系列PF(乘积函数,product function)分量之和并具有物理意义,接下来对含有主要故障信息的PF分量进行能量计算并构造特征向量,最后将其输入SVDD分类器,进行滚动轴承的健康状态评估。实验结果证明该方法的可行性和有效性。展开更多
针对装备健康状态评估中健康状态影响因素众多且很难统一定量描述的问题,提出了基于FMECA(FailureMode,Effects and Criticality Analysis)的健康状态评估方法。从装备的FMECA报告中提取装备健康状态的主要影响因素,并进行归一化处理,...针对装备健康状态评估中健康状态影响因素众多且很难统一定量描述的问题,提出了基于FMECA(FailureMode,Effects and Criticality Analysis)的健康状态评估方法。从装备的FMECA报告中提取装备健康状态的主要影响因素,并进行归一化处理,根据因素类型,通过健康状态隶属分布函数或专家打分的形式得到健康状态隶属度向量,利用灰色相关分析法得到各因素权重,采用模糊综合评估模型得到各因素综合影响下的装备健康状态等级。以某型战车导弹发控系统为对象,验证了该健康状态评估方法的可行性,结果表明:该方法能够对装备健康状态给出合理的评估结果,并具有较强的可操作性。展开更多
文摘为了提高滚动轴承健康状态评估的分类精度,提出了基于局部均值分解(Local mean decomposition,简称LMD)和具有故障样本的支持向量数据描述(Support Vector Data Description,简称SVDD)相结合的滚动轴承故障状态识别方法。该方法首先将利用LMD方法进行滚动轴承振动信号的分解,得到一系列PF(乘积函数,product function)分量之和并具有物理意义,接下来对含有主要故障信息的PF分量进行能量计算并构造特征向量,最后将其输入SVDD分类器,进行滚动轴承的健康状态评估。实验结果证明该方法的可行性和有效性。
文摘针对装备健康状态评估中健康状态影响因素众多且很难统一定量描述的问题,提出了基于FMECA(FailureMode,Effects and Criticality Analysis)的健康状态评估方法。从装备的FMECA报告中提取装备健康状态的主要影响因素,并进行归一化处理,根据因素类型,通过健康状态隶属分布函数或专家打分的形式得到健康状态隶属度向量,利用灰色相关分析法得到各因素权重,采用模糊综合评估模型得到各因素综合影响下的装备健康状态等级。以某型战车导弹发控系统为对象,验证了该健康状态评估方法的可行性,结果表明:该方法能够对装备健康状态给出合理的评估结果,并具有较强的可操作性。
