针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题，提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析，通过对信号降维重构信号，提取信号故障特征主成分，去除强背景噪声干扰；然后对重构信号进行1.5维能量谱分析，从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析，结果表明与集合经验模态分解(EEMD)包络谱相比，采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。
2021-11-30 16:42:06
2.8MB
1
滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态, 平均识别准确率达99.83%; 其次, 将提出的模型与部分传统算法模型进行对比实验, 结果表明所提方法在测试精度方面有较大优势; 最后, 引入迁移学习测试模型的鲁棒性和泛化能力, 实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性, 模型有较强的泛化能力, 具备工程应用的可行性.
2021-11-30 16:27:13
1.27MB
1
参数说明
listLoadingMore({id:"",id2:function(){},action:function(){},pageNum:10,getNew:undefined,funcArg:undefined,func:function(){},loadingMustTime:0,loadingDom:function(){},loadedDom:function(){},nullDataFunc:function(){},endFunc:function(){},errorFunc:function(){}});
id：滚动条id，不可以是body；
id2：滚动列表的id，通过function自行根据情况返回；
action：数据来源的ajax地址，插件会自动加上page和length(分别表示请求页数和当前已有记录数)，返回格式统一是[{},{}...]，此类jsonArray；
ajaxType：ajax提交方式，将更改传递数据的方式，默认post；
pageNum：每页加载数量，将会根据这个数量判断是否全部加载完成；
getNew：自定义获取数据方法；
funcArg：自定义获取数据时传递的参数，类型为函数，返回所需参数；
childrenTag：列表子项的标签，默认LI；
func：非自定义获取数据时，创建每行数据的方法；
loadingMustTime：强制最小加载时间，默认0；
loadingDom：加载中动画自定义，返回Dom或者HTML代码；
loadedDom：完全加载完成动画自定义，返回Dom或者HTML代码；
nullDataFunc：数据列表为空时执行的方法；
endFunc：每页数据加载完成时执行的方法；
errorFunc：ajax获取数据失败时调用的方法。
回调方法
调用本方法初始化后将会得到一个专属的方法集：
Object {getNew:function,isFull:function,isRunning:function,isStop:function,loading:function,show:function};
getNew()：忽略判断条件，强制执行加载操作。此时数据传递中,page值可能出错，但length值一定正确，请谨慎判断后在执行该方法；
isFull(boolean)：修改列表加载完成标志。true为全部加载完成，false则相反；
isRunning(boolean)：修改列表当前是否正在加载中标志。几乎没有使用的机会；
isStop(boolean)：设置是否停止加载，设置为true时将会阻止未来的所有加载操作；
loading()：根据当前滚动条的位置，自动判断是否需要加载新数据；
show(boolean,boolean)：强制设置加载中和加载完成dom的显示或隐藏，true表示显示，false相对。
2021-11-30 15:05:11
42KB
1
jQuery滚动条插件jQuery custom content scroller支持横向滚动纵向滚动以及多种滚动显示效果。使用这个插件你可以轻松的给你的层追加很好看的滚动条。
2021-11-30 13:54:14
264KB
1
为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。
2021-11-29 10:47:42
4.96MB
1