期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种多尺度极差熵结合ISOMAP的轴承故障诊断方法
1
作者 廖紫洋 陈勇旗 章涛 《机械科学与技术》 北大核心 2025年第8期1351-1358,共8页
针对滚动轴承故障信号难以提取,故障特征信号复杂、冗余信息多的问题,提出了多尺度极差熵(MRE)结合等距特征映射(ISOMAP)进行特征降维的优化方法。利用变分模态分解(VMD)将振动信号分解,得到指定数量的固有模态分量;采用MRE进行特征提取... 针对滚动轴承故障信号难以提取,故障特征信号复杂、冗余信息多的问题,提出了多尺度极差熵(MRE)结合等距特征映射(ISOMAP)进行特征降维的优化方法。利用变分模态分解(VMD)将振动信号分解,得到指定数量的固有模态分量;采用MRE进行特征提取,建立特征样本集;用ISOMAP将特征样本进行降维处理后进行故障分类。实验结果表明,本方法能够有效提取出滚动轴承故障特征信号,从而提高了滚动轴承故障诊断的准确性。 展开更多
关键词 滚动轴承 多尺度极差熵 特征降维 等距特征映射 故障诊断
在线阅读 下载PDF
基于多尺度极差熵和专家森林的轴承故障诊断 被引量:2
2
作者 张书锋 陈雪勤 《机电工程》 CAS 北大核心 2022年第1期47-52,共6页
针对轴承故障的敏感特征提取与模式诊断问题,提出了一种基于多尺度极差熵的故障特征提取方法和基于专家森林算法的轴承故障识别方法。首先,介绍了轴承的3种故障模式和相应的故障特征频率,引入了多尺度理论,计算了轴承振动信号的多尺度... 针对轴承故障的敏感特征提取与模式诊断问题,提出了一种基于多尺度极差熵的故障特征提取方法和基于专家森林算法的轴承故障识别方法。首先,介绍了轴承的3种故障模式和相应的故障特征频率,引入了多尺度理论,计算了轴承振动信号的多尺度极差熵,并将其作为特征向量;然后,研究了特征向量的主成分提取法,有效降低了特征向量维度,并提取出了高敏感特征;最后,在随机森林算法中,依据决策树预测试准确率为决策树赋予了专家权值属性,提出了专家森林算法,并将专家森林算法应用于轴承故障诊断实验中。研究结果表明:使用降维特征加随机森林的故障诊断准确率比降维前特征加随机森林的诊断准确率高了17.07%,降维特征加专家森林算法的故障诊断准确率比降维特征加随机森林高了3.47%;该结果也验证了多尺度极差熵特征提取方法与专家森林故障模式识别的有效性。 展开更多
关键词 滚动轴承 故障诊断 多尺度极差熵 专家森林算法 主成分分析 高敏感特征
在线阅读 下载PDF
一种北方苍鹰参数优化的VMD-MRE轴承故障诊断方法
3
作者 章涛 陈勇旗 +1 位作者 廖紫洋 陈杨 《机械科学与技术》 北大核心 2025年第9期1522-1529,共8页
针对变分模态分解(Variational modal decomposition,VMD)在轴承故障诊断中参数难以选择的问题,提出了一种基于北方苍鹰寻优算法(Northern goshawk optimization,NGO)对VMD参数进行优化的方法。首先,采用NGO寻优算法对VMD分解的分解层... 针对变分模态分解(Variational modal decomposition,VMD)在轴承故障诊断中参数难以选择的问题,提出了一种基于北方苍鹰寻优算法(Northern goshawk optimization,NGO)对VMD参数进行优化的方法。首先,采用NGO寻优算法对VMD分解的分解层数与惩罚因子进行寻优,将得到的最优参数输入到VMD中将故障信号进行分解,从而得到指定个数的本征模态分量;其次,采用多尺度极差熵(Multi-scale ranger entropy,MRE,记为EMR)的特征提取方法将VMD分解后的本征模态分量进行特征提取,形成一系列特征样本集,使其可以更好的进行故障分类;最后,通过故障分类模型对特征提取后的数据集进行故障诊断,通过实验结果说明了该文所提方法的有效性。 展开更多
关键词 北方苍鹰算法 变分模态分解 多尺度极差熵 特征提取 故障诊断
在线阅读 下载PDF
基于MRE与特征类的轴承故障诊断方法 被引量:5
4
作者 李富国 王俊元 +3 位作者 武增荣 林炳乾 吕品德 范瑞天 《制造技术与机床》 北大核心 2022年第6期50-54,共5页
针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵(MRE)和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将... 针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵(MRE)和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将提取到的特征向量输入到EigenClass分类器,得到分类结果。实验证明,提出的MRE与EigenClass算法能有效提取滚动轴承振动信号的特征,并且实现高精度分类。与其他故障识别的分类器相比,本方法具有更高的故障识别准确率,识别精度达到98.86%。 展开更多
关键词 多尺度极差熵 特征值分类器 故障诊断
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部