Studie zur Fehleridentifikation eines mechanischen dynamischen nichtlinearen Übertragungssystems

Zusammenfassung Um die Probleme großer mechanischer Antriebsstränge wie komplexe Struktur, schwere Unfälle, starke nichtlineare Eigenschaften des Betriebszustands, schlechte Betriebsumgebung, nicht-gaussianisches Rauschen und verschiedene unsichere Faktoren zu lösen, ist eine genaue Fehlerdiagnose schwierig. In diesem Papier wird eine Methode zur Behandlung nichtlinearer Eigenschaften mithilfe von Kernwellen vorgeschlagen, sowie ein System, das tiefgreifend die Extraktion, Klassifizierung und Entscheidungsfindung von Kernbasisfehlermerkmalen durchführt, wie z. B. die Forschung zur Technologievorhersage des Trends des Kernstatus, mit dem Fokus auf die Erforschung und Verbesserung der Genauigkeit der Fehlerdiagnose unter nichtlinearen Bedingungen, technische Methoden und Wege zur Genauigkeit der Zustandsvorhersage. Es bietet effektive technische Unterstützung für den Fortschritt und die Nutzung der Überwachungs- und Diagnosetechnologie für mechanische Antriebsstränge. Eine Fehlererkennungsmethode auf Basis der Kernmethode wird vorgeschlagen. Basierend auf den Eigenschaften dieser Methode im Umgang mit nichtlinearen Problemen werden die Forschungen zur Kernmerkmalsextraktion, zur Kernfehlereinstufung und Entscheidungsfindung sowie zur Kerntrendvorhersage systematisch durchgeführt. Die experimentellen Ergebnisse zeigen, dass die simulationsgestützte Analyse typischer chaotischer Zeitreihenvorhersagen und die Anwendung der Betriebszustandsvorhersage eines bestimmten Hauptdampfturbinenaggregats eines Schiffs gute Ergebnisse erzielt haben, wobei der durchschnittliche relative Fehler der Einzelvorhersage des Aggregatzustands 1,7881 % beträgt und der durchschnittliche relative Fehler der 30-Schritt-Vorhersage 3,3983 % beträgt. Es wurde nachgewiesen, dass die Kernmethoden systematisch auf die Fehlerdiagnose und Zustandsvorhersage mechanischer Leistungssysteme angewendet werden, wodurch einige traditionelle Methoden und Techniken zur Behandlung nichtlinearer Merkmalsextraktion, der nichtlinearen Vorhersagefähigkeit zur Fehleridentifikation und des nichtlinearen Zustands effektiv verbessert werden, um mit den Problemen der nichtlinearen Fehlerdiagnose in der Ingenieurpraxis umzugehen, eine Vielzahl von effektiven Lösungen erkundet wurde.