期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
FSTPSO优化VMD及OMRDE特征在联合收割机装配质量检测中的应用研究
1
作者 徐国夏 张家铭 +3 位作者 马毅臻 轩梦辉 赵思夏 温金羽 《拖拉机与农用运输车》 2025年第1期37-47,共11页
针对联合收割机在装配质量检测问题上缺乏有效的检测方法,提出一种基于模糊自整定粒子群算法(Fuzzy Self-tuning Particle Swarm Optimization,简称FSTPSO)优化变分模态分解(Variational Mode Decomposition,简称VMD)及最小二乘支持向量... 针对联合收割机在装配质量检测问题上缺乏有效的检测方法,提出一种基于模糊自整定粒子群算法(Fuzzy Self-tuning Particle Swarm Optimization,简称FSTPSO)优化变分模态分解(Variational Mode Decomposition,简称VMD)及最小二乘支持向量机(Least Squares Support Vector Machines,简称LSSVM)的故障诊断方法。采用优化多尺度反向离散熵(Optimized Multi-Scale Reverse Discrete Entropy,简称OMRDE)进行特征提取,并与时频域特征进行特征融合。建立FSTPSO-VMD-FSTPSO-LSSVM故障诊断模型,对比分析OMRDE、多尺度离散熵、模糊熵三种熵函数的特征提取效果,对比FSTPSO-VMD-DF、FSTPSO-VMD-DT、FSTPSO-VMD-SVM、FSTPSO-VMD-LSSVM、FSTPSO-VMD-KNN、FSTPSO-VMD-NBM的分类准确率,验证了本文所述故障诊断模型的有效性,试验结果证明本文提出模型对联合收割机装配质量检测的分类准确率可达99%,较现有模型具有更好的准确度与稳定性。 展开更多
关键词 联合收割机装配质量检测 模糊自整定粒子群算法 变分模态分解 优化多尺度反向离散熵 最小二乘支持向量机
在线阅读 下载PDF
基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型
2
作者 桂芳 李健 刘磊 《机电工程》 北大核心 2025年第1期62-71,共10页
采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速... 采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速度计和麦克风两种类型的传感器,同时获得了滚动轴承不同工况下的振动和声音信号,构建了故障信息量更丰富的多通道信号;随后,提出了能够同步分析多通道信号的IRCMMRDE方法,并将其用于提取滚动轴承多通道信号的故障特征;接着,采用哈里斯鹰优化器(HHO)对概率神经网络的平滑因子进行了自适应寻优,构造了网络结构最优的PNN模型;最后,将损伤样本输入至HHO-PNN模型中,进行了故障的分类识别,完成了滚动轴承样本的故障辨识;并基于滚动轴承声振信号数据集,对基于IRCMMRDE-HHO-PNN的故障诊断方法的有效性进行了验证。研究结果表明:基于IRCMMRDE和HHO-PNN的故障诊断方法的准确率达到了99.6%,平均的识别准确率达到了99.8%,优于其他多种特征提取方法;同时,对多通道融合信号进行分析取得的准确率优于单个通道的信号,准确率分别提高了8.8%和4.8%;此外,HHO-PNN分类器模型的诊断性能优于其他分类模型,更具有泛化性和实用性。 展开更多
关键词 滚动轴承 故障诊断 改进精细复合多元多尺度反向散布熵 概率神经网络 多通道信号 哈里斯鹰优化器
在线阅读 下载PDF
IMRPE和AO-SVM在往复压缩机故障识别中的应用 被引量：5
3
作者 李占锋 张军昌 《机电工程》 CAS 北大核心 2023年第12期1983-1990,共8页
针对常规故障诊断方法不适用于提取往复压缩机声音信号的故障特征,导致往复压缩机的故障识别精度不高的问题,提出了基于改进多尺度反向排列熵(IMRPE)、t-分布邻域嵌入(t-SNE)和天鹰优化器(AO)优化支持向量机(SVM)的往复压缩机故障诊断... 针对常规故障诊断方法不适用于提取往复压缩机声音信号的故障特征,导致往复压缩机的故障识别精度不高的问题,提出了基于改进多尺度反向排列熵(IMRPE)、t-分布邻域嵌入(t-SNE)和天鹰优化器(AO)优化支持向量机(SVM)的往复压缩机故障诊断方法。首先,采用具有优异特征表达性能的IMRPE方法来提取往复压缩机声音信号的故障信息,构建了反映样本故障特征属性的故障特征向量;然后,利用t-SNE方法对故障特征进行了特征降维处理,以降低故障特征维数和去除冗余特征,从而获得了低维的敏感特征;最后,利用AO方法对SVM的惩罚系数和核参数进行了自适应搜索,从而建立了结构参数最优的分类器,并将低维的敏感故障特征输入至AO-SVM分类器中,进行了训练和分类,依据测试样本的输出标签完成了样本的故障识别;以往复压缩机声音信号故障数据为对象开展了研究,并评估了IMRPE-t-SNE-AO-SVM方法的有效性和稳定性。研究结果表明:IMRPE-t-SNE-AO-SVM方法的故障识别精度达到了97%,不仅能够用于准确且稳定地识别往复压缩机的故障类型,提高故障识别的精度,而且在准确率和稳定性方面优于其它对比方法。 展开更多
关键词 压缩机 故障诊断 改进多尺度反向排列熵 t-分布邻域嵌入 天鹰优化器优化支持向量机
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部