CN107356431-CN201710562233-基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法.pdfVIP

CN107356431-CN201710562233-基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法.pdf

  1. 1、本文档共18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)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
CN107356431-CN201710562233-基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 107356431 A (43)申请公布日 2017.11.17 (21)申请号 201710562233.4 (22)申请日 2017.07.11 (71)申请人 华南理工大学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 罗飞 周裕华  (74)专利代理机构 广州市华学知识产权代理有 限公司 44245 代理人 李斌 (51)Int.Cl. G01M 13/04(2006.01) G06K 9/62(2006.01) 权利要求书3页 说明书11页 附图3页 (54)发明名称 基于ADMM与稀疏组合学习的滚动轴承性能 退化评估方法 (57)摘要 本发明公开了一种基于ADMM与稀疏组合学 习的滚动轴承性能退化评估方法,所述方法包括 以下步骤:(1)对滚动轴承的正常模式进行学习, 利用学到的知识建立正常模式的知识库;(2)建 立基于各知识的量化指标求解器,求解被检测的 滚动轴承的量化指标Φ;(3)对量化指标Φ进行 分析,实现滚动轴承性能退化程度的评估。该方 法不需要先验知识,可以通过学习Training Set 的特征生成正确的知识库;将ADMM与组合学习应 用到模型中,使模型的时间复杂度下降;可以获 得衡量滚动轴承性能退化程度的量化指标Φ,具 A 有实时性、量化评估和自动化程度高等优点。 1 3 4 6 5 3 7 0 1 N C CN 107356431 A 权 利 要 求 书 1/3页 1.一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方法,其特征在于,所述方 法包括以下步骤: (1)对滚动轴承的正常模式进行学习,利用学到的知识建立正常模式的知识库:通过迭 代方式生成知识库,每一轮迭代生成一种知识,在每一轮迭代中均需要更新Training Set, 若Training Set为空集,则停止迭代,否则继续下一轮迭代;在每一轮的迭代中,包括三个 部分:(A)学习隐含在Training Set中的特征,生成子字典;(B)生成与子字典对应的权重 1 1 及经验阈值;(C)更新Training Set; 1 (2)建立基于各知识的量化指标求解器,求解被检测的滚动轴承的量化指标Φ:根据步 骤(1)中所述知识库中的知识,构建量化指标求解器,每个量化指标求解器对应一种知识; 每个量化指标求解器包括三个部分:(A)基于子字典的稀疏表示的求解;(B)基于子字典的 2 2 代价的计算;(C )基于子字典的性能退化程度的评估;然后对各量化指标求解器的结果进 2 行综合分析,获取被检测的滚动轴承的量化指标Φ; (3)对量化指标Φ进行分析,实现对滚动轴承性能退化程度的评估:使用一个覆盖当前 量化指标Φ的有限视野窗口,观察落在有限视野内的数据,然后根据这些在有限视野内的 数据的分布情况估计滚动轴承的性能退化程度。 2.根据权利要求1所述的一种基于ADMM与稀疏组合学习的滚动轴承性能退化评估方 法,其特征在于:步骤(1)中所述的正常模式具体表现为滚动轴承在正常运行时采集到的数 据,其符号表示为Training  Set,y 是Training  Set中的样本,

您可能关注的文档

文档评论(0)

18273502 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档