期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
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
小波包奇异谱熵
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
职称材料
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
小波包奇异谱熵
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
职称材料
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
小波包奇异谱熵
支持向量机
早期故障
在线阅读
下载PDF
职称材料
题名
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
朱海燕
王文静
朱恩豪
叶小芬
魏昱洲
李林
机构
华东交通大学机电与车辆工程学院
北京交通大学机械与电子控制工程学院
中车戚墅堰机车车辆工艺研究所股份有限公司
株洲国创轨道科技有限公司
出处
《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
基金
国家自然科学基金资助项目(51975210,52162045)
江西省自然科学基金重点资助项目(20232ACB204022)
江西省自然科学基金资助项目(20224BAB204040)。
文摘
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。
关键词
交通工程
齿轮箱振动加速度
信号仿真
小波包奇异谱熵
学习向量量化神经网络聚类
性能退化评估
Keywords
traffic engineering
gearbox vibration acceleration
signal simulation
wavelet packet singular spectrum entropy
learning vector quantization(LVQ)neural network clustering
performance degradation evaluation
分类号
TH132.41 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
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
张龙
李鹏
机构
华东交通大学机电工程学院
出处
《机械科学与技术》
CSCD
北大核心
2016年第12期1882-1887,共6页
基金
国家自然科学基金项目(51205130)
江西省科协重点活动项目(赣科协字[2014]88号)资助
文摘
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。
关键词
滚动轴承
小波包奇异谱熵
支持向量数据描述
性能退化评估
包络解调
Keywords
rolling bearing
feature extraction
fault detection
wavelet packet singular spectral entropy
SVDD
performance degradation assessment
envelope demodulation
reliability
分类号
TH165.3 [机械工程—机械制造及自动化]
TP206.3 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
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
胡旺
姜永奇
机构
华东交通大学机电与车辆工程学院
出处
《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
基金
国家自然科学基金资助项目(51805168,51565015)。
文摘
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。
关键词
故障诊断
可调品质因子小波变换
小波包奇异谱熵
支持向量机
早期故障
Keywords
fault diagnosis
adjustable quality factor wavelet transform
packet singular spectral entropy
support vector machine
weak fault characteristics
分类号
TH133.33 [机械工程—机械制造及自动化]
TH165 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
小波包奇异谱熵与LVQ网络齿轮箱轴承退化评估
肖乾
汪寒俊
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
0
在线阅读
下载PDF
职称材料
2
结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估
周建民
徐清瑶
张龙
李鹏
《机械科学与技术》
CSCD
北大核心
2016
13
在线阅读
下载PDF
职称材料
3
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
谢锋云
刘慧
胡旺
姜永奇
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2023
11
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
