復(fù)雜機(jī)械是動力學(xué)有效的工具

　　在對發(fā)動機(jī)的燃燒振動信號進(jìn)行分析時，利用基于相空間重構(gòu)的GMDH方法構(gòu)造出來的動力學(xué)模型對振動信號進(jìn)行擬合時+，比利用指數(shù)平滑、滑動平均、自回歸方法構(gòu)造出來的模型要好。隨著研究的深入，我們認(rèn)為雷蒙磨粉機(jī)廠家該方法將為復(fù)雜機(jī)械系統(tǒng)的狀態(tài)預(yù)測提供一個行之有效的工具，為機(jī)械故障診斷提供了新思路、新方法。

　　支持向量機(jī)建模技術(shù)及其設(shè)備壽命預(yù)測方法在設(shè)備狀態(tài)監(jiān)測與故障診斷領(lǐng)域，狀態(tài)預(yù)測主要用于估計(jì)故障的傳播、發(fā)展，并對設(shè)備的劣化趨勢做出預(yù)報(bào)，是進(jìn)行事故預(yù)防和進(jìn)行無破壞性檢測的主要手段，破碎機(jī)價格能幫助維修人員早期發(fā)現(xiàn)異常，迅速查明故障原因，預(yù)測故障影響，從而有針對性地進(jìn)行狀態(tài)或視情維修，延長檢修周期，縮短檢修時間。

　　因此，研究開發(fā)有效的早期故障，智能預(yù)示理論與技術(shù)，具有重要的科學(xué)意義和應(yīng)用價值。支持向量機(jī)( SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上發(fā)展出的新型學(xué)習(xí)機(jī)器，也是統(tǒng)計(jì)學(xué)習(xí)理論中最年輕、球磨機(jī)廠家最實(shí)用的部分。SVM是一種新的非常有發(fā)展前景的分類和回歸技術(shù)，可以替代多層感知機(jī)、RBF神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式神經(jīng)網(wǎng)絡(luò)等已有的學(xué)習(xí)算法。其核心內(nèi)容是在1992一1995年間提出的，目前仍處在不斷發(fā)展階段。