基于参数化模型滚动轴承特征提取及其智能诊断研究毕业设计论文.doc

基于参数化模型滚动轴承特征提取及其智能诊断研究毕业设计论文.doc

  1. 1、本文档共71页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于参数化模型滚动轴承特征提取及其智能诊断研究毕业设计论文

毕业设计(论文)诚信声明 本人郑重声明:所呈交的毕业设计(论文)是我个人在导师指导下进行的研究工作及取得的研究成果。就我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表和撰写的研究成果,也不包含为获得华东交通大学或其他教育机构的学位或证书所使用过的材料。 如在文中涉及抄袭或剽窃行为,本人愿承担由此而造成的一切后果及责任。 本人签名____________ 导师签名____________ 年 月 日 华东交通大学毕业设计(论文)任务书 姓名 学 号 毕业届别 2013 专 业 测控技术与仪器 毕业设计(论文)题目 基于参数化模型的滚动轴承特征提取及其智能诊断研究 指导教师 学 历 大学 职 称 副教授 具体要求: (1)建立非平稳信号参数化模型:时变自回归模型以及广义条件异方差模型;分析模型的求解方法,并用仿真信号验证; (2)采集滚动轴承在各种模式下的振动信号,并利用参数化模型提取故障特征; (3)开发基于神经网络的滚动轴承智能诊断系统; (4)验证系统的有效性; (5)英文翻译不少于2000字; (6)根据以上内容撰写毕业论文,论文15000字左右(不包括程序)。 进度安排: 阶段一:2月25日—3月10日 根据设计要求搜集相关资料,构思设计方案,编写开题报告。 阶段二:3月11日-4月10日 建立非平稳信号参数化模型:时变自回归模型以及广义条件异方差模型;分析模型的求解方法,并用仿真信号验证。 阶段三:4月11日-4月20日 利用参数化模型提取故障特征。 阶段四:4月21日-5月20日 神经网络结构设计,并开发基于神经网络的滚动轴承故障诊断系统,实现系统功能。 阶段五:5月21日-5月31日 撰写和打印毕业论文。 阶段六:6月1 日-6月 5日 准备毕业答辩。 指导教师签字: 2012年 11 月 25 日 教研室意见: 教研室主任签字: 年 月 日 题目发出日期 2012.11.25 设计(论文)起止时间 2012.12~2013.6 附注: 华东交通大学毕业设计(论文)开题报告书 课题名称 基于参数化模型的滚动轴承特征提取及其智能诊断研究 课题来源 自选 课题类型 AY 导 师 学生姓名 学 号 专 业 测控技术与仪器 1、本课题的研究目的和意义 随着计算机技术的高速发展,神经网络的兴起和发展为故障诊断技术提供了便利。当前,机械故障诊断技术主要的研究方向为:各种诊断理论与神经网络的结合、信号处理与神经网络的融合、设备故障诊断智能系统的微型化。利用神经网络进行模式识别是当今故障诊断技术中的热点。 滚动轴承广泛应用于各种机械的旋转设备,是旋转设备中非常关键的部件,同时轴承也是机械设备中最容易受损的部件之一。轴承的故障、尤其是肉眼不易发现的细小故障必须及早发现,从而可以避免由于设备出现故障而导致重大安全事故和经济损失。 本次研究从滚动轴承故障特征提取入手,研究滚动轴承故障的非平稳信号参数化模型特征提取方法,然后将时变自回归模型、广义条件异方差模型与神经网络诊断方法结合,开发基于神经网络的滚动轴承故障诊断系统。 通过不断优化模型,提高诊断精度,为以后对滚动轴承的故障快速诊断提供可靠的依据。 2、本课题的国内外研究现状 20 世纪 90 年代以来,人工神经网络智能诊断开始迅速发展,已经成为国际上该领域的最新热点。最初故障诊断采用的神经网络是 BP 神经网络,后来人们又采用了许多种神经网络结构模型,如 RBF 神经网络、ART 神经网络等。 美国加州工学院的物理学家 Hopfield 在1982 年提出的,用于联想记忆和优化计算的反馈型网络模型,由于引入了“能量函数”的概念,使得网络走向具体的电路实现得到了保证,从而大大推动了神经网络研究的发展。 1973 年,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间来实现模式识别。Kohnnen 提出了学习子空间(LSM)模式分类的概念。实际上,学习子空间方法就是一种无导师学习的神经网路模式识别方法。 20 世纪 70 年代,Anderson 提出的 BBS 模型,Kohnnen 提出的自组织特征

文档评论(0)

bokegood + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档