本文關(guān)鍵詞：復(fù)雜機械系統(tǒng)動態(tài)特性分析和實驗辨識方法的研究，由筆耕文化傳播整理發(fā)布。

太驤理工大學(xué)博士磷究生學(xué)位論文 復(fù)雜機械系統(tǒng)動態(tài)特性分析和實驗辨識方法的研究 摘要 近年來，隨著科學(xué)技術(shù)的進步和生產(chǎn)的發(fā)展，高速、高效和大功率成 為機電產(chǎn)品的～個重要發(fā)展方向。這就囂致大型機械系統(tǒng)結(jié)構(gòu)日趨復(fù)雜， 其中包含各類非線性環(huán)節(jié)。如果仍然采用線性模型或線性系統(tǒng)的分析、設(shè) 計、監(jiān)測與故障診斷方法，就會“忽略”與系統(tǒng)特性緊密相關(guān)的非線性特 性，從藹導(dǎo)致難以接受的錯誤，造成分析、設(shè)計和運行監(jiān)測與故障診斷的 失敗。鑒于動態(tài)特性 特別是非線性動態(tài)特性 的問題的復(fù)雜性和多樣性， 不可能有普遍適用的一般解決方法。因此，對特定悶題，仍需研究各自的 解決方案和技術(shù)。 本文是面向復(fù)雜機械系統(tǒng) 包括復(fù)雜機電系統(tǒng)和機電液系統(tǒng) 的動態(tài)特 性和故障診斷的研究。以實測振動數(shù)據(jù)為基礎(chǔ)，研究菲線性特性描述、統(tǒng) 計學(xué)分析和人工智能辨識理論與方法。提出了復(fù)雜機械系統(tǒng)振動信號預(yù)處 理和精確數(shù)字積分方法，并將其應(yīng)用于非線性特征相空間描述中；提出了 改善這類非線性系統(tǒng)神經(jīng)網(wǎng)絡(luò)辨識及建模精度的方法，以及基于入工智能 模型的非線性特征提取與故障診斷方法。在此基礎(chǔ)上，，提出了對大型振動 篩、鍘帶熱軋機等復(fù)雜工程結(jié)構(gòu)和系統(tǒng)的動態(tài)特性分析、建模及故障診斷 的綜合技術(shù)路線，解決了振動篩與熱連軋機的動態(tài)特性分析與診斷等工程 技術(shù)閥題，取得了實際的經(jīng)濟效益。 對于含有非線性環(huán)節(jié)的復(fù)雜機械系統(tǒng)，由于其構(gòu)成和工作過程的復(fù)雜 性，往往只能通過實測數(shù)據(jù)得到特定非線性特性的統(tǒng)計描述。作者在考慮 噪聲和于擾造成的信號失真與畸變，以及積分影成的進一步失真和漂移等 太原理‘f：人學(xué)溥±研究生學(xué)

  本文關(guān)鍵詞：復(fù)雜機械系統(tǒng)動態(tài)特性分析和實驗辨識方法的研究，由筆耕文化傳播整理發(fā)布。