基于小波自組織特征映射的故障診斷知識獲取方法及應用.pdf_第1頁
已閱讀1頁，還剩61頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、隨著機械故障智能診斷系統(tǒng)的發(fā)展，知識獲取(KA)變得越來越重要。知識獲取是人工智能(AI)領域最關鍵的問題之一，也是機械故障智能診斷系統(tǒng)丞待解決的關鍵問題。目前各種智能故障診斷專家系統(tǒng)的共同缺陷就是系統(tǒng)擁有的知識量太少，獲取知識精度不高。本文針對以上問題，以故障診斷知識獲取為中心，對自組織特征映射(SOFM)神經網絡在知識獲取方面的應用做了研究，本文主要研究工作如下： 1.研究了SOFM網絡的算法原理和步驟及其在故障診斷知識獲取

2、方面的應用。由于所獲取的知識隱藏于網絡連接權值中，難以被理解，所以對網絡訓練結果的可視化方法進行研究，應用 U-矩陣法和在此基礎上改進的可視化方法對診斷結果進行直觀的表達。 2.探討了小波分析理論，對小波包變換(WPT)用于信號的分解和重構進行了研究，在此基礎上探討了一種利用小波包變換提取信號能量特征的方法，它能夠有效地對非線性相關的高維數據進行降維和特征提取。 3.針對時域特征和SOFM結合的知識獲取方法中存在的不足，

3、提出了一種基于小波．SOFM的知識獲取模型，能夠進一步提高獲取知識的精確度。 4.以滾動軸承故障診斷知識獲取為例，介紹了小波-SOFM 方法在故障診斷知識自動獲取方面的應用，并和時域特征為輸入向量的方法做了比照，驗證了該方法的有效性。之后，以滾動軸承為研究對象，以 MATLAB 為開發(fā)工具，結合 SOMToolbox 2.0 工具箱，開發(fā)了一個以小波-SOFM 自動知識獲取模型為核心簡單的滾動軸承故障診斷系統(tǒng)。 最后，對

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論