斜齒輪減速器的模式識別 {模塊化減速機}

斜齒輪減速機的模式識別。斜齒輪減速機常用的模式識別方法自然界的事物和現象般可分為多個相似，但又不完全相同的群體或個體組成的類別人們把這樣的類別稱為模式類或模式，而把其中每個事物或現象稱為該模式的個樣本。齒輪減速電機同類的樣本彼此相似，具有某些共同的特征，不同類的樣本彼此互不相似。所謂斜齒輪減速機模式識別就是從模式空間到類別隸屬空間的正確映射。齒輪減速電機故障診斷中經常用到以下模式識別方法：
(1) 統計分類方法。該方法是利用了斜齒輪減速機各模式類的分布特征，即直接利用各類的概率密度函數、后驗概率等，或隱含地利用上述概念進行分類識別。按照齒輪減速電機判別準則來劃分統計分類方法，括小誤判概率準則和小損失判決規則等。
(2) 聚類分類方法。為了避免斜齒輪減速機估計概率密度的困難，可以來用該方法。在定條件下，根據樣本空間的相似性把樣本集分為若干子集，結果應是齒輪減速電機某種表示聚類質量的準則函數為大。常用樣本的相似性測度包括距離指標和角度指標。斜齒輪減速機聚類分類方法是種無監督的學習方法，就是不利用樣本的類別屬性知識，只根據樣本的相似性進行分類的方法。這種方法的前提是，齒輪減速電機同類樣本的特征向量相互靠近而不同類樣本的特征向量距離要大得多。常用的方法包括C均值法和 IS0DAIA 算法。
(3) 模糊模式識別。該方法利用斜齒輪減速機模糊數學的理論和方法來解決模式識別問題，因此適用于分類識別對象或要求的識別結果具有模糊性的場合。目前，模糊模式識別的方法很多，簡單、常用的就是大隸屬度原則。在斜齒輪減速機傳統的模式識別技術中，模式分類的基本方法是利用判別函數來劃分每個類別。在很多情況下，特別是對于線性不可分的復雜決策區域，齒輪減速電機判別函數的形式也就格外復雜。而且由于全面的典型參考模式樣本不容易得到，但如果采用概率模型，則會損失模式識別的精度。
斜齒輪減速機神經網絡作為種自適應的模式識別技術，并不需要預先給出有關模式的經驗知識和判別函數，它通過自身的學習機制自動形成所要求的決策區域。網絡的特性由其拓撲結構、神經元特性、學習和訓練規則所決定。它可以充分利用狀態信息，對齒輪減速電機來自于不同狀態的信息逐進行訓練而獲得某種映射關系。而且網絡可以連續學習，如果斜齒輪減速機環境發生改變，這種映射關系還可以自適應地進行調整。因此，神經網絡由于自身的特性，在故障模式識別領域中有著越來越廣泛的應用。下面以單隱層 BP 網絡為例，介紹基于神經網絡的故障診斷的方法和特點。其中，網絡的輸入結點對應著故障征兆，輸出結點對應著故障原因。先斜齒輪減速機利用組故障樣本對網絡進行訓練，以確定齒輪減速電機網絡的結構(中間層的傳遞函數和神經元數目)和參數(神經元之間的連接權值和閾值)。網絡訓練完畢后，故障的模式分類就是根據給定的組征兆，實現征兆集到故障集之間的非線性映射的過程。/Products/chilunjiansumada.html

本文鏈接:http://m.kns815.com/list_16/4862.html