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
基于改进层次多模式斜率熵的滚动轴承故障诊断
被引量：
1
1
作者
季磊
陈剑
+1 位作者
李伟
陈品
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2024年第4期464-471,共8页
滚动轴承振动信号特征提取通常较为困难,特征提取的优劣对诊断结果影响较大。为提高轴承故障诊断的准确性,文章提出改进层次多模式斜率熵(modified hierarchical multi-mode slope entropy,MHMSE)的特征提取方法,并结合极限学习机(extre...
滚动轴承振动信号特征提取通常较为困难,特征提取的优劣对诊断结果影响较大。为提高轴承故障诊断的准确性,文章提出改进层次多模式斜率熵(modified hierarchical multi-mode slope entropy,MHMSE)的特征提取方法,并结合极限学习机(extreme learning machine,ELM)实现滚动轴承故障诊断。MHMSE利用改进层次方法提取时间序列的高低频信息,同时针对斜率熵(slope entropy,SE)的维度缺陷,将SE推广到多模式斜率熵(multi-mode slope entropy,MSE),用以提取层次分量的特征。通过将MHMSE提取的故障特征向量输入ELM,实现9种工况轴承故障识别。实验结果表明:改进层次方法要优于传统的层次、多尺度序列方法;同时MHMSE的诊断结果优于改进的层次排列熵(modified hierarchical permutation entropy,MHPE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、精细复合多尺度模糊熵(refined composite multiscale fuzzy entropy,RCMFE)、精细复合多尺度样本熵(refined composite multiscale sample entropy,RCMSE)、复合多尺度加权排列熵(composite multiscale weighted permutation entropy,CMWPE)。
展开更多
关键词
改进层次多模式
斜率熵
(MHMSE)
极限学习机(ELM)
滚动轴承
故障诊断
在线阅读
下载PDF
职称材料
基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法
被引量：
1
2
作者
许立学
刘鑫
+2 位作者
关文锦
陈然
邝素琴
《机电工程》
CAS
北大核心
2024年第7期1189-1197,1230,共10页
采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次...
采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。
展开更多
关键词
故障信号高频部分特征
改进层次
斜率熵
随机森林(RF)分类器
多尺度特征提取方法
改进层次化处理
故障诊断的可靠性
在线阅读
下载PDF
职称材料
基于优化VMD与斜率熵的目标辐射噪声特征提取方法
3
作者
周照翔
占春连
《科学技术与工程》
北大核心
2024年第28期12188-12199,共12页
为了在复杂多变的环境中有效提取目标辐射噪声的特征信息,提出一种基于优化变分模态分解(variational mode decomposition,VMD)和斜率熵的目标辐射噪声特征提取方法。采用蝴蝶优化算法(butterfly optimization algorithm,BOA),提出基于...
为了在复杂多变的环境中有效提取目标辐射噪声的特征信息,提出一种基于优化变分模态分解(variational mode decomposition,VMD)和斜率熵的目标辐射噪声特征提取方法。采用蝴蝶优化算法(butterfly optimization algorithm,BOA),提出基于BOA的参数优化VMD算法(BOA-VMD),实现VMD最佳参数组合的自适应选取,从而对四类辐射噪声信号进行分解,得到一定数量的固有模态函数(intrinsic mode functions,IMF)。计算各IMF分量的斜率熵作为特征值,通过仿真实验和实际噪声信号进行实验分析,并与散布熵、波动散布熵和排列熵3种特征相比较。结果表明:所提出的基于BOA-VMD与斜率熵的特征提取方法可以实现不同种类目标的分类识别,并且在单特征和多特征条件下均具有最高识别率,而且随着提取的特征数量的增加,最高识别率也会随之增加。
展开更多
关键词
目标辐射噪声
特征提取
变分模态分解
蝴蝶优化算法
斜率熵
在线阅读
下载PDF
职称材料
题名
基于改进层次多模式斜率熵的滚动轴承故障诊断
被引量：
1
1
作者
季磊
陈剑
李伟
陈品
机构
合肥工业大学机械工程学院
合肥工业大学噪声振动工程研究所
出处
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2024年第4期464-471,共8页
基金
国家自然科学基金资助项目(11604070)
安徽省科技重大专项资助项目(17030901409)。
文摘
滚动轴承振动信号特征提取通常较为困难,特征提取的优劣对诊断结果影响较大。为提高轴承故障诊断的准确性,文章提出改进层次多模式斜率熵(modified hierarchical multi-mode slope entropy,MHMSE)的特征提取方法,并结合极限学习机(extreme learning machine,ELM)实现滚动轴承故障诊断。MHMSE利用改进层次方法提取时间序列的高低频信息,同时针对斜率熵(slope entropy,SE)的维度缺陷,将SE推广到多模式斜率熵(multi-mode slope entropy,MSE),用以提取层次分量的特征。通过将MHMSE提取的故障特征向量输入ELM,实现9种工况轴承故障识别。实验结果表明:改进层次方法要优于传统的层次、多尺度序列方法;同时MHMSE的诊断结果优于改进的层次排列熵(modified hierarchical permutation entropy,MHPE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、精细复合多尺度模糊熵(refined composite multiscale fuzzy entropy,RCMFE)、精细复合多尺度样本熵(refined composite multiscale sample entropy,RCMSE)、复合多尺度加权排列熵(composite multiscale weighted permutation entropy,CMWPE)。
关键词
改进层次多模式
斜率熵
(MHMSE)
极限学习机(ELM)
滚动轴承
故障诊断
Keywords
modified hierarchical multimode slope entropy(MHMSE)
extreme learning machine(ELM)
rolling bearing
fault diagnosis
分类号
TH165.3 [机械工程—机械制造及自动化]
TH133.33 [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
基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法
被引量：
1
2
作者
许立学
刘鑫
关文锦
陈然
邝素琴
机构
广东中烟工业有限责任公司广州卷烟厂
出处
《机电工程》
CAS
北大核心
2024年第7期1189-1197,1230,共10页
基金
国家自然科学基金资助项目(52075182)。
文摘
采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。
关键词
故障信号高频部分特征
改进层次
斜率熵
随机森林(RF)分类器
多尺度特征提取方法
改进层次化处理
故障诊断的可靠性
Keywords
high frequency part characteristic of fault signal
improved hierarchical slope entropy(IHSloE)
random forest(RF)classifier
multi-scale feature extraction method
improved hierarchical processing
reliability of fault diagnosis
分类号
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
基于优化VMD与斜率熵的目标辐射噪声特征提取方法
3
作者
周照翔
占春连
机构
中国计量大学光学与电子科技学院
出处
《科学技术与工程》
北大核心
2024年第28期12188-12199,共12页
文摘
为了在复杂多变的环境中有效提取目标辐射噪声的特征信息,提出一种基于优化变分模态分解(variational mode decomposition,VMD)和斜率熵的目标辐射噪声特征提取方法。采用蝴蝶优化算法(butterfly optimization algorithm,BOA),提出基于BOA的参数优化VMD算法(BOA-VMD),实现VMD最佳参数组合的自适应选取,从而对四类辐射噪声信号进行分解,得到一定数量的固有模态函数(intrinsic mode functions,IMF)。计算各IMF分量的斜率熵作为特征值,通过仿真实验和实际噪声信号进行实验分析,并与散布熵、波动散布熵和排列熵3种特征相比较。结果表明:所提出的基于BOA-VMD与斜率熵的特征提取方法可以实现不同种类目标的分类识别,并且在单特征和多特征条件下均具有最高识别率,而且随着提取的特征数量的增加,最高识别率也会随之增加。
关键词
目标辐射噪声
特征提取
变分模态分解
蝴蝶优化算法
斜率熵
Keywords
target radiated noise signal
feature extraction
variational mode decomposition
butterfly optimization algorithm
slope entropy
分类号
TN911.72 [电子电信—通信与信息系统]
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
基于改进层次多模式斜率熵的滚动轴承故障诊断
季磊
陈剑
李伟
陈品
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法
许立学
刘鑫
关文锦
陈然
邝素琴
《机电工程》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
3
基于优化VMD与斜率熵的目标辐射噪声特征提取方法
周照翔
占春连
《科学技术与工程》
北大核心
2024
0
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
