为了提高多工况下对滚动轴承的故障辨识能力,本文提出以乘积函数相关熵为故障特征的滚动轴承故障辨识方法,并利用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)实现自动辨识.首先对预处理的轴承振动信号进行局部均值...
详细信息
为了提高多工况下对滚动轴承的故障辨识能力,本文提出以乘积函数相关熵为故障特征的滚动轴承故障辨识方法,并利用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)实现自动辨识.首先对预处理的轴承振动信号进行局部均值分解,提取乘积函数(Product Function,PF),然后计算PF与原始信号的皮尔逊积矩相关系数熵,进而根据离散变量相关熵的估计模型得到乘积函数相关熵(Product Function Correntropy,PFC).以PFC为故障特征,结合LSSVM实现滚动轴承的故障识别.多组工况下的滚动轴承状态辨识实验证实了PFC比经典故障特征具有更高的故障辨识效率;另外改变工况参数提取轴承振动数据,验证了PFC-LSSVM方法具有更好的鲁棒辨识能力.综上所述,本文验证了LMD-PFC-LSSVM方法的高效性和实用性,为提高复杂工况下在线故障诊断能力提供了可靠的技术支持,具有广阔的应用前景.
提出了在公共无线局域网WLAN(Wireless Local Area Network)环境下一种数据还原模型.通过对无线局域网的数据采集与分析,利用会话重聚算法快速分类数据中的多个会话与连接,提出一种单一会话对应多个连接的方法,合并每个会话中的不同连...
详细信息
提出了在公共无线局域网WLAN(Wireless Local Area Network)环境下一种数据还原模型.通过对无线局域网的数据采集与分析,利用会话重聚算法快速分类数据中的多个会话与连接,提出一种单一会话对应多个连接的方法,合并每个会话中的不同连接的数据信息,并采用多线程并发处理技术最终实现一种快速的信息重放与还原模型.最后通过对该模型的处理时延和执行效率的分析,表明该模型能够对无线局域网的数据尽最大可能的快速还原与重放.
暂无评论