VEMTE致力于打造節(jié)能環(huán)保電機(jī)減速機(jī)電機(jī)
斜齒輪減速機(jī)的模式識(shí)別。斜齒輪減速機(jī)常用的模式識(shí)別方法自然界的事物和現(xiàn)象般可分為多個(gè)相似，但又不完全相同的群體或個(gè)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(gè)事物或現(xiàn)象稱為該模式的個(gè)樣本。齒輪減速電機(jī)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(jī)模式識(shí)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(jī)故障診斷中經(jīng)常用到以下模式識(shí)別方法：
(1) 統(tǒng)計(jì)分類方法。該方法是利用了斜齒輪減速機(jī)各模式類的分布特征，即直接利用各類的概率密度函數(shù)、后驗(yàn)概率等，或隱含地利用上述概念進(jìn)行分類識(shí)別。按照齒輪減速電機(jī)判別準(zhǔn)則來劃分統(tǒng)計(jì)分類方法，括小誤判概率準(zhǔn)則和小損失判決規(guī)則等。
(2) 聚類分類方法。為了避免斜齒輪減速機(jī)估計(jì)概率密度的困難，可以來用該方法。在定條件下，根據(jù)樣本空間的相似性把樣本集分為若干子集，結(jié)果應(yīng)是齒輪減速電機(jī)某種表示聚類質(zhì)量的準(zhǔn)則函數(shù)為大。常用樣本的相似性測(cè)度包括距離指標(biāo)和角度指標(biāo)。斜齒輪減速機(jī)聚類分類方法是種無監(jiān)督的學(xué)習(xí)方法，就是不利用樣本的類別屬性知識(shí)，只根據(jù)樣本的相似性進(jìn)行分類的方法。這種方法的前提是，齒輪減速電機(jī)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(shí)別。該方法利用斜齒輪減速機(jī)模糊數(shù)學(xué)的理論和方法來解決模式識(shí)別問題，因此適用于分類識(shí)別對(duì)象或要求的識(shí)別結(jié)果具有模糊性的場(chǎng)合。目前，模糊模式識(shí)別的方法很多，簡(jiǎn)單、常用的就是大隸屬度原則。在斜齒輪減速機(jī)傳統(tǒng)的模式識(shí)別技術(shù)中，模式分類的基本方法是利用判別函數(shù)來劃分每個(gè)類別。在很多情況下，特別是對(duì)于線性不可分的復(fù)雜決策區(qū)域，齒輪減速電機(jī)判別函數(shù)的形式也就格外復(fù)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(huì)損失模式識(shí)別的精度。
斜齒輪減速機(jī)神經(jīng)網(wǎng)絡(luò)作為種自適應(yīng)的模式識(shí)別技術(shù)，并不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判別函數(shù)，它通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域。網(wǎng)絡(luò)的特性由其拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特性、學(xué)習(xí)和訓(xùn)練規(guī)則所決定。它可以充分利用狀態(tài)信息，對(duì)齒輪減速電機(jī)來自于不同狀態(tài)的信息逐進(jìn)行訓(xùn)練而獲得某種映射關(guān)系。而且網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，如果斜齒輪減速機(jī)環(huán)境發(fā)生改變，這種映射關(guān)系還可以自適應(yīng)地進(jìn)行調(diào)整。因此，神經(jīng)網(wǎng)絡(luò)由于自身的特性，在故障模式識(shí)別領(lǐng)域中有著越來越廣泛的應(yīng)用。下面以單隱層 BP 網(wǎng)絡(luò)為例，介紹基于神經(jīng)網(wǎng)絡(luò)的故障診斷的方法和特點(diǎn)。其中，網(wǎng)絡(luò)的輸入結(jié)點(diǎn)對(duì)應(yīng)著故障征兆，輸出結(jié)點(diǎn)對(duì)應(yīng)著故障原因。先斜齒輪減速機(jī)利用組故障樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以確定齒輪減速電機(jī)網(wǎng)絡(luò)的結(jié)構(gòu)(中間層的傳遞函數(shù)和神經(jīng)元數(shù)目)和參數(shù)(神經(jīng)元之間的連接權(quán)值和閾值)。網(wǎng)絡(luò)訓(xùn)練完畢后，故障的模式分類就是根據(jù)給定的組征兆，實(shí)現(xiàn)征兆集到故障集之間的非線性映射的過程。http://himier.com/Products/chilunjiansumada.html
(1) 統(tǒng)計(jì)分類方法。該方法是利用了斜齒輪減速機(jī)各模式類的分布特征，即直接利用各類的概率密度函數(shù)、后驗(yàn)概率等，或隱含地利用上述概念進(jìn)行分類識(shí)別。按照齒輪減速電機(jī)判別準(zhǔn)則來劃分統(tǒng)計(jì)分類方法，括小誤判概率準(zhǔn)則和小損失判決規(guī)則等。
(2) 聚類分類方法。為了避免斜齒輪減速機(jī)估計(jì)概率密度的困難，可以來用該方法。在定條件下，根據(jù)樣本空間的相似性把樣本集分為若干子集，結(jié)果應(yīng)是齒輪減速電機(jī)某種表示聚類質(zhì)量的準(zhǔn)則函數(shù)為大。常用樣本的相似性測(cè)度包括距離指標(biāo)和角度指標(biāo)。斜齒輪減速機(jī)聚類分類方法是種無監(jiān)督的學(xué)習(xí)方法，就是不利用樣本的類別屬性知識(shí)，只根據(jù)樣本的相似性進(jìn)行分類的方法。這種方法的前提是，齒輪減速電機(jī)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(shí)別。該方法利用斜齒輪減速機(jī)模糊數(shù)學(xué)的理論和方法來解決模式識(shí)別問題，因此適用于分類識(shí)別對(duì)象或要求的識(shí)別結(jié)果具有模糊性的場(chǎng)合。目前，模糊模式識(shí)別的方法很多，簡(jiǎn)單、常用的就是大隸屬度原則。在斜齒輪減速機(jī)傳統(tǒng)的模式識(shí)別技術(shù)中，模式分類的基本方法是利用判別函數(shù)來劃分每個(gè)類別。在很多情況下，特別是對(duì)于線性不可分的復(fù)雜決策區(qū)域，齒輪減速電機(jī)判別函數(shù)的形式也就格外復(fù)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(huì)損失模式識(shí)別的精度。
斜齒輪減速機(jī)神經(jīng)網(wǎng)絡(luò)作為種自適應(yīng)的模式識(shí)別技術(shù)，并不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判別函數(shù)，它通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域。網(wǎng)絡(luò)的特性由其拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特性、學(xué)習(xí)和訓(xùn)練規(guī)則所決定。它可以充分利用狀態(tài)信息，對(duì)齒輪減速電機(jī)來自于不同狀態(tài)的信息逐進(jìn)行訓(xùn)練而獲得某種映射關(guān)系。而且網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，如果斜齒輪減速機(jī)環(huán)境發(fā)生改變，這種映射關(guān)系還可以自適應(yīng)地進(jìn)行調(diào)整。因此，神經(jīng)網(wǎng)絡(luò)由于自身的特性，在故障模式識(shí)別領(lǐng)域中有著越來越廣泛的應(yīng)用。下面以單隱層 BP 網(wǎng)絡(luò)為例，介紹基于神經(jīng)網(wǎng)絡(luò)的故障診斷的方法和特點(diǎn)。其中，網(wǎng)絡(luò)的輸入結(jié)點(diǎn)對(duì)應(yīng)著故障征兆，輸出結(jié)點(diǎn)對(duì)應(yīng)著故障原因。先斜齒輪減速機(jī)利用組故障樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以確定齒輪減速電機(jī)網(wǎng)絡(luò)的結(jié)構(gòu)(中間層的傳遞函數(shù)和神經(jīng)元數(shù)目)和參數(shù)(神經(jīng)元之間的連接權(quán)值和閾值)。網(wǎng)絡(luò)訓(xùn)練完畢后，故障的模式分類就是根據(jù)給定的組征兆，實(shí)現(xiàn)征兆集到故障集之間的非線性映射的過程。http://himier.com/Products/chilunjiansumada.html
