《表1 声发射信号特征样本值》
提取 ⇩《基于自适应模糊神经网络的砂轮磨损评估》
对磨削过程中不同磨损时期的各信号进行特征值[11]提取,将不同磨损量定义为语言描述{新砂轮,磨损初期,磨损中前期,磨损中期,磨损中后期},对以上变量定义子集为{Y1,Y2,Y3,Y4,Y5}。不同的磨损程度分别赋值{1,2,3,4,5},与5种状态一一对应,磨损程度为自定义等级,无量纲。分别对上述5种磨损量状态下砂轮磨损过程中的声发射信号、x轴振动、y轴振动信号进行特征值提取,建立各特征信号的样本数据库。不同磨损状态下各信号值有明显的不同,选取声发射信号的标准差、x轴方向振动的均方根、y轴方向振动的偏态系数作为特征值。通过分析得到的各特征值见表1~3。
图表编号 | B16661933598666 |
---|---|
出版时间 | 2020.12.20 |
作者 | 杨磊、李郝林、迟玉伦 |
研究主题 | 基于自适应模糊神经网络的砂轮磨损评估 |
出版单位 | 上海理工大学机械工程学院、上海理工大学机械工程学院、上海理工大学机械工程学院 |
更多格式 | JPG/无水印(增值服务) |
定制格式 | Excel格式(增值服务) |
传媒
查看“表1 声发射信号特征样本值”的人还看了
-
- 表1 模糊神经网络诊断结果
- 基于模糊神经网络的气瓶故障诊断
-
- 表3 BP神经网络的训练特征向量样本(部分)
- 基于反向传播神经网络的故障电弧识别
-
- 表1 人工神经网络样本集
- 基于Python人工神经网络的再生混凝土碳化深度预测
-
- 表2 测试样本特征值:GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用
- GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用
-
- 表1 网络模型训练参数:无波前传感自适应光学神经网络控制方法
- 无波前传感自适应光学神经网络控制方法
-
- 表2 神经网络样本表:全连接神经网络在砂砾石地基上闸底板弯矩预测中的应用
- 全连接神经网络在砂砾石地基上闸底板弯矩预测中的应用