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
2
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
精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用
被引量：
12
1
作者
郑近德
陈焱
+1 位作者
童靳于
潘海洋
《中国机械工程》
EI
CAS
CSCD
北大核心
2023年第11期1315-1325,共11页
多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道...
多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。
展开更多
关键词
精细
广义
复合多元
多尺度
反向
散布
熵
滚动轴承
故障诊断
特征提取
在线阅读
下载PDF
职称材料
基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法
被引量：
4
2
作者
李彦阳
蔡剑华
曲孝海
《机电工程》
CAS
北大核心
2024年第4期683-690,共8页
针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化...
针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。
展开更多
关键词
往复压缩机
轴承故障诊断
变分模态分解
广义多尺度散布熵
核极限学习机
差分进化算法
在线阅读
下载PDF
职称材料
题名
精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用
被引量：
12
1
作者
郑近德
陈焱
童靳于
潘海洋
机构
安徽工业大学机械工程学院
出处
《中国机械工程》
EI
CAS
CSCD
北大核心
2023年第11期1315-1325,共11页
基金
国家自然科学基金(51975004)
安徽省自然科学基金(2008085QE215)
机械传动国家重点实验室项目(SKLMT-MSKFKT-202107)。
文摘
多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。
关键词
精细
广义
复合多元
多尺度
反向
散布
熵
滚动轴承
故障诊断
特征提取
Keywords
refined generalized composite multi-variate multi-scale reverse dispersion entropy(RGCMvMRDE)
rolling bearing
fault diagnosis
feature extraction
分类号
TH165.3 [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
基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法
被引量：
4
2
作者
李彦阳
蔡剑华
曲孝海
机构
东北石油大学机械科学与工程学院
黑龙江八一农垦大学土木水利学院
湖南文理学院数理学院
出处
《机电工程》
CAS
北大核心
2024年第4期683-690,共8页
基金
黑龙江自然科学基金联合引导项目(LH2021E021)
湖南文理学院科学研究项目(22ZD08)。
文摘
针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。
关键词
往复压缩机
轴承故障诊断
变分模态分解
广义多尺度散布熵
核极限学习机
差分进化算法
Keywords
reciprocating compressor
bearing fault diagnosis
variational mode decomposition(VMD)
generalized multi-scale dispersion entropy(GMDE)
kernel extreme learning machine(KELM)
differential evolution(DE)algorithm
分类号
TH45 [机械工程—机械制造及自动化]
TH133.3 [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
精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用
郑近德
陈焱
童靳于
潘海洋
《中国机械工程》
EI
CAS
CSCD
北大核心
2023
12
在线阅读
下载PDF
职称材料
2
基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法
李彦阳
蔡剑华
曲孝海
《机电工程》
CAS
北大核心
2024
4
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
