期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
小波包奇异谱熵与LVQ网络齿轮箱轴承退化评估
1
作者 肖乾 汪寒俊 +5 位作者 朱海燕 王文静 朱恩豪 叶小芬 魏昱洲 李林 《振动.测试与诊断》 EI CSCD 北大核心 2024年第6期1181-1189,1249,1250,共11页
为研究齿轮箱轴承性能退化评估,首先,根据高速列车齿轮箱轴承与齿轮的相关数据,对齿轮箱轴承仿真振动信号训练样本进行小波包分解并计算小波包奇异谱熵构成特征向量,输入到学习向量量化(learning vector quantization,简称LVQ)神经网络... 为研究齿轮箱轴承性能退化评估,首先,根据高速列车齿轮箱轴承与齿轮的相关数据,对齿轮箱轴承仿真振动信号训练样本进行小波包分解并计算小波包奇异谱熵构成特征向量,输入到学习向量量化(learning vector quantization,简称LVQ)神经网络聚类模型中,建立性能退化评估模型;其次,将测试样本按同样的方式提取特征向量,输入到建立好的模型中评估轴承性能退化状态;然后,选取轴承全寿命疲劳试验进行分析,并选择特征优选和模糊C均值聚类算法进行对比;最后,根据LVQ神经网络聚类算法确定训练样本中正常状态和失效状态的聚类中心,建立性能退化评估模型。结果表明:将小波包奇异谱熵和LVQ神经网络聚类算法相结合,能较好区分齿轮箱轴承不同的退化状态,准确表现轴承性能退化曲线;通过隶属度函数计算隶属度作为性能退化评价指标,可以对性能退化状态进行定量表征;通过对时域指标和频域指标特征优选进行对比,验证了本研究方法更加有效,对早期退化更敏感,能及时发现早期退化并且能对退化程度进行准确评估。 展开更多
关键词 交通工程 齿轮箱振动加速度 信号仿真 小波包奇异 学习向量量化神经网络聚类 性能退化评估
在线阅读 下载PDF
结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估 被引量:13
2
作者 周建民 徐清瑶 +1 位作者 张龙 李鹏 《机械科学与技术》 CSCD 北大核心 2016年第12期1882-1887,共6页
针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正... 针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。 展开更多
关键词 滚动轴承 小波包奇异 支持向量数据描述 性能退化评估 包络解调
在线阅读 下载PDF
基于自适应TQWT与小波包奇异谱熵的滚动轴承早期故障诊断 被引量:11
3
作者 谢锋云 刘慧 +1 位作者 胡旺 姜永奇 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2023年第2期714-722,共9页
滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障... 滚动轴承早期故障诊断可有效地保证机械设备的运行安全,针对滚动轴承早期故障特征微弱,故障特征提取不佳的问题,提出可调品质因子小波变换(Tunable Q-factor wavelet transform,TQWT)与小波包奇异谱熵相结合提取特征的滚动轴承早期故障诊断方法。针对滚动轴承早期故障信号的冲击性与周期性特征,提出峭谱积(峭度和包络谱峰值因子的乘积,KEc)的新指标。以KEc为优化指标,采用网格搜索法确定TQWT最佳的品质因子Q,同时以中心频率比为优化指标,确定最佳的分解层数J。通过最佳参数Q和J对原始信号进行TQWT分解并单支重构,选择KEc最大的重构分量作为最佳分量。提取最佳分量的小波包奇异谱熵值作为故障特征向量,最后运用支持向量机(SVM)进行模式识别并进行早期故障诊断。为验证所提方法的有效性,以XJTU-SY滚动轴承加速寿命试验平台研究对象,运用加速度传感器获取的试验数据集进行验证,识别结果准确率为94.5%。同时,与优化指标为峭度等的SVM识别结果进行比较,所提方法识别率提高了约1%~7%。对比结果表明,运用所提方法对滚动轴承早期故障进行识别,可以准确有效地诊断出轴承的故障类型,具有一定的实用价值。 展开更多
关键词 故障诊断 可调品质因子小波变换 小波包奇异 支持向量机 早期故障
在线阅读 下载PDF
小波包熵在设备性能退化评估中的应用 被引量:10
4
作者 郭磊 陈进 《机械科学与技术》 CSCD 北大核心 2008年第9期1203-1206,共4页
开展设备性能退化评估研究,是制定主动设备维护策略、降低设备维护费用的基础。在设备性能退化过程中,信号成份会逐渐复杂化。本文提出利用小波包熵监测信号的复杂性变化,从而为设备性能退化评估提供可靠的特征向量。为了研究性能退化... 开展设备性能退化评估研究,是制定主动设备维护策略、降低设备维护费用的基础。在设备性能退化过程中,信号成份会逐渐复杂化。本文提出利用小波包熵监测信号的复杂性变化,从而为设备性能退化评估提供可靠的特征向量。为了研究性能退化过程中振动信号的小波包熵的变化规律,使用裂纹转子动力学模型模拟了转子裂纹逐渐增加的过程,并使用仿真数据计算了各个状态下的小波包能量熵和小波包奇异值熵值。分析结果表明,随着转子性能退化程度的加深,小波包熵值逐渐增加,且对于性能恶化的突变较为敏感。 展开更多
关键词 设备性能退化评估 小波包能量 小波包奇异
在线阅读 下载PDF
基于熵测度的地铁弓网燃弧电流扰动分析 被引量:12
5
作者 蒲文旭 于龙 +1 位作者 陈唐龙 刘宝轩 《高电压技术》 EI CAS CSCD 北大核心 2014年第11期3642-3648,共7页
城市轨道交通大多采用弓网(受电弓与接触网)接触方式向电力机车供电。当弓网分离时,将造成燃弧发生和牵引电流扰动,恶化机车受流。针对地铁直流牵引电流特征,提出了一种改进的小波包奇异熵算法,并用于燃弧牵引电流处理分析,得出牵引电... 城市轨道交通大多采用弓网(受电弓与接触网)接触方式向电力机车供电。当弓网分离时,将造成燃弧发生和牵引电流扰动,恶化机车受流。针对地铁直流牵引电流特征,提出了一种改进的小波包奇异熵算法,并用于燃弧牵引电流处理分析,得出牵引电流扰动指标Γ。根据非接触式弓网燃弧检测系统采集广州地铁现场试验数据,分析结果表明:改进后小波包奇异熵能直观、有效地提取牵引电流扰动特征;扰动指标Γ能有效反映牵引电流扰动程度,衡量机车受流质量;牵引电流扰动指标Γ与燃弧紫外能量呈幂函数关系,燃弧紫外能量越大,扰动越严重,特别当燃弧紫外能量超过400 m J时,牵引电流扰动Γ急剧上升,机车受流受到严重影响。 展开更多
关键词 弓网燃弧 牵引电流 扰动指标 经验模态分解 小波包奇异熵 紫外能量 受流质量
在线阅读 下载PDF
反激式开关电源故障非侵入式AI诊断方法研究 被引量:1
6
作者 唐圣学 谭立强 +3 位作者 李从宏 严金晶 Muhammad Ehtsham Akram 赵金泽 《电子测量与仪器学报》 CSCD 北大核心 2024年第9期212-222,共11页
将人工智能技术应用到故障诊断领域可以实现电力设备的自动化、智能化诊断,提高诊断精度和效率。以单输入多输出的反激式开关电源为例,针对其因脆弱元件失效而引起的电路工作性能异常的问题,通过分析不同故障模式的信号特性和可分性,提... 将人工智能技术应用到故障诊断领域可以实现电力设备的自动化、智能化诊断,提高诊断精度和效率。以单输入多输出的反激式开关电源为例,针对其因脆弱元件失效而引起的电路工作性能异常的问题,通过分析不同故障模式的信号特性和可分性,提出了融合输入电流和输出电压信息的非侵入式开关电源故障诊断方法。构建了由时域特征及频带小波包奇异熵特征组成的融合时频域信息的多维特征矢量,建立了故障特征与故障模式之间的映射关系。进而,提出了基于人工智能技术的深度神经网络(DNN)故障诊断方法,实时监测反激式开关电源的运行状态,并通过数据分析及时识别故障位置,对潜在故障进行预警。实验结果表明,所提出的方法对单故障和多故障模式均具有良好的诊断效果,诊断准确率可达97.9%,并且,在不同工况下,该方法均可表现出较高的诊断准确率和较强的抗干扰性能。 展开更多
关键词 人工智能 反激式开关电源 时域特征 小波包奇异熵 故障诊断 DNN辨识
在线阅读 下载PDF
基于时频特征融合与GWO-ELM的棒控电源早期故障状态辨识方法 被引量:8
7
作者 唐圣学 马晨阳 勾泽 《仪器仪表学报》 EI CAS CSCD 北大核心 2023年第1期121-130,共10页
针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形... 针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形形态与早期故障模式。然后,构建融合电流上升时间、均方根-差分和和小波包奇异熵的故障时频特征,分析了特征的可区分性。进而,采用GWO算法进行ELM分类器参数择优,建立GWO-ELM模型实现PWE早期故障状态的辨识,以提高辨识精度。最后,通过开展不同特征组合和辨识模型比对试验,结果表明所提方法能有效实现棒控电源早期故障识别诊断,且平均辨识准确度可达98.86%。 展开更多
关键词 棒控电源 早期故障 状态辨识 时域特征 小波包奇异熵 GWO-ELM模型
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部