本文關(guān)鍵詞：基于振動敏感時頻特征的航天軸承壽命狀態(tài)識別方法　出處：《振動與沖擊》2016年17期 　論文類型：期刊論文

  更多相關(guān)文章： 航天軸承 振動 敏感時頻特征 敏感性指標(biāo) 壽命狀態(tài)

【摘要】：針對非敏感特征削弱了航天軸承壽命狀態(tài)特征集表征能力和識別率的問題,提出基于振動敏感時頻特征的航天軸承壽命狀態(tài)識別方法。設(shè)計出基于散布矩陣的壽命敏感性指標(biāo)計算方法,根據(jù)該指標(biāo)優(yōu)選出使樣本類內(nèi)散度小、類間距大的敏感特征構(gòu)建出壽命狀態(tài)敏感特征集,增強對壽命狀態(tài)的表征性。通過線性局部切空間排列算法(Linear Local Tangent Space Alignment,LLTSA)對壽命狀態(tài)敏感特征集進(jìn)行維數(shù)約簡和特征融合,去除冗余信息,獲得分類特性更好的低維壽命狀態(tài)特征集,并輸入最近鄰分類器(K-Nearest Neighbors Classifier,KNNC)實現(xiàn)航天軸承不同壽命狀態(tài)的識別。工程應(yīng)用結(jié)果證明了所提方法的有效性和可行性。
[Abstract]:For the non sensitive feature weakens the space bearing life state feature set representation ability and recognition rate of the problem, put forward the space bearing life state recognition method based on time frequency characteristics of vibration sensitive. Design calculation method of sensitivity index based on life scatter matrix, according to the index were chosen to make small divergence within class, the characteristics of high sensitive to construct the life class distance sensitive feature set, enhance the characterization on life status. Through the linear local tangent space alignment algorithm (Linear Local Tangent Space Alignment, LLTSA) were fused to dimensionality reduction and the characteristic of the life state of sensitive feature set, remove redundant information, low dimensional life features obtained better classification feature set, and input to the nearest neighbor classifier (K-Nearest Neighbors Classifier, KNNC) identification of aerospace bearings of different life states. The application results prove the proposed The effectiveness and feasibility of the method.

【作者單位】： 重慶交通大學(xué)機電與車輛工程學(xué)院;四川大學(xué)空天科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金(51305471;51405048) 中國博士后科學(xué)基金(2014M560719) 重慶市基礎(chǔ)與前沿研究計劃(cstc2014jcyjA70009;cstc2015jcyjA70012) 重慶市教育委員會科學(xué)技術(shù)研究(KJ1400308) 國家留學(xué)基金資助項目(201408505081)
【分類號】：V467
【正文快照】： 航天軸承是航天飛行器中最關(guān)鍵的活動零部件之一。美、歐、俄、日等宇航大國和地區(qū)在宇航實踐中,出現(xiàn)很多因航天軸承故障導(dǎo)致整個任務(wù)失敗的事例[1-4],已充分認(rèn)識到了提高航天軸承的性能、壽命和可靠性對于整個空間飛行器在軌任務(wù)完成的重要性,先后開始了航天軸承高可靠長壽命

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 蘇祖強;湯寶平;姚金寶;;基于敏感特征選擇與流形學(xué)習(xí)維數(shù)約簡的故障診斷[J];振動與沖擊;2014年03期

2 宋濤;湯寶平;李鋒;;基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機械故障診斷方法[J];振動與沖擊;2013年05期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳仁祥;陳思楊;楊黎霞;王家序;董紹江;徐向陽;;基于振動敏感時頻特征的航天軸承壽命狀態(tài)識別方法[J];振動與沖擊;2016年17期

2 張亞龍;趙榮珍;王雪冬;張娟;;PSO與LS混合算法在故障特征選擇中的應(yīng)用[J];機械設(shè)計與研究;2016年04期

3 張曉濤;唐力偉;王平;鄧士杰;;基于半監(jiān)督PCA-LPP流形學(xué)習(xí)算法的故障降維辨識[J];中南大學(xué)學(xué)報(自然科學(xué)版);2016年05期

4 王雪冬;趙榮珍;鄧林峰;;基于KSLPP與RWKNN的旋轉(zhuǎn)機械故障診斷[J];振動與沖擊;2016年08期

5 陳保家;吳志平;嚴(yán)文超;朱晨希;;基于LLTSA的軸承故障數(shù)據(jù)降維方法研究[J];信息通信;2016年01期

6 趙榮珍;王雪冬;鄧林峰;;基于PCA-KLFDA的小樣本故障數(shù)據(jù)集降維方法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2015年12期

7 潘永波;;基于流形學(xué)習(xí)的柴油機振動故障診斷方法研究[J];現(xiàn)代制造技術(shù)與裝備;2015年06期

8 鄭顯柱;張京京;王樹禮;杜家興;周澤云;;面向維修決策的裝備保障綜合信息系統(tǒng)規(guī)劃[J];裝甲兵工程學(xué)院學(xué)報;2015年05期

9 王冠超;趙榮珍;張維強;;基于一種流形學(xué)習(xí)新算法的轉(zhuǎn)子故障數(shù)據(jù)集降維研究[J];機械設(shè)計與制造;2015年09期

10 張曉濤;唐力偉;王平;鄧士杰;;基于多尺度正交PCA-LPP流形學(xué)習(xí)算法的故障特征增強方法[J];振動與沖擊;2015年13期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋濤;湯寶平;李鋒;;基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機械故障診斷方法[J];振動與沖擊;2013年05期

2 李鋒;湯寶平;陳法法;;基于線性局部切空間排列維數(shù)化簡的故障診斷[J];振動與沖擊;2012年13期

3 李鋒;湯寶平;董紹江;;基于正交鄰域保持嵌入特征約簡的故障診斷模型[J];儀器儀表學(xué)報;2011年03期

4 栗茂林;王孫安;梁霖;;利用非線性流形學(xué)習(xí)的軸承早期故障特征提取方法[J];西安交通大學(xué)學(xué)報;2010年05期

5 蔡哲元;余建國;李先鵬;金震東;;基于核空間距離測度的特征選擇[J];模式識別與人工智能;2010年02期

6 朱明旱;羅大庸;易勵群;;一種序列的加權(quán)kNN分類方法[J];電子學(xué)報;2009年11期

7 蔣全勝;賈民平;胡建中;許飛云;;基于拉普拉斯特征映射的故障模式識別方法[J];系統(tǒng)仿真學(xué)報;2008年20期

8 雷亞國;何正嘉;訾艷陽;;基于混合智能新模型的故障診斷[J];機械工程學(xué)報;2008年07期

9 陳非;黃樹紅;張燕平;申_";高偉;;基于信息熵距的旋轉(zhuǎn)機械振動故障診斷方法[J];振動、測試與診斷;2008年01期

10 彭斌;劉振全;;基于改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷[J];振動、測試與診斷;2007年01期

，

本文編號：1359693