排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
5.
为了剔除冗余的振动参数和统计特征量,提高涡轮泵故障检测的实时能力,建立了线性相关性假设检验模型。利用该假设检验模型和某型液体火箭发动机的历史试车数据,检验了7路涡轮泵振动参数以及13种常用统计特征量的线性相关性,并分析了统计特征量对涡轮泵故障的敏感性和稳定性,以及涡轮泵振动数据的正态性。数据统计分析表明,大部分涡轮泵振动参数以及统计特征量显著线性相关,幅值统计特征量的故障敏感性弱,但稳定性强,而无量纲统计特征量的情况恰好相反,并且正常涡轮泵振动数据服从正态分布,而异常涡轮泵振动数据不再服从正态分布。据此,为涡轮泵故障检测选择了线性相关性弱,故障特征反映能力强的3路振动参数和3种统计特征量。 相似文献
6.
利用涡轮泵振动信号的变换域信息可有效地检测与诊断故障。针对涡轮泵转子叶片断裂与脱落这种典型故障,首先分析其出现的原因,并从动力学的角度研究其振动特征,选择可有效反映该故障的特征频率。然而,涡轮泵转速波动会造成这些特征频率提取的困难,为此提出一种解决此难题的新思路,通过一系列变换域处理来消除转速波动对振动频率的影响,在变换域中提取出稳定的特征频率,从而解决了涡轮泵转速波动状态下该型故障诊断问题。通过涡轮泵历史试车故障数据的验证表明,通过跟踪变换域中这些特征频率的幅值变化,可以有效检测与诊断涡轮泵转子叶片断裂与脱落故障。 相似文献
7.
8.
基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用 总被引:1,自引:1,他引:0
针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。 相似文献
9.
10.