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
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
被引量：
23
1
作者
姚成玉
来博文
+2 位作者
陈东宁
孙飞
吕世君
《中国机械工程》
EI
CAS
CSCD
北大核心
2017年第24期3001-3012,共12页
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并...
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。
展开更多
关键词
故障诊断
变分模态分解
最小
熵
解卷积
模糊近似熵
支持向量机
在线阅读
下载PDF
职称材料
基于特征选择的集成极限学习机故障辨识方法
2
作者
马驰
赵荣珍
+1 位作者
原健辉
郑玉巧
《兰州理工大学学报》
北大核心
2025年第2期44-50,共7页
针对传统极限学习机神经网络在处理复杂数据时无法获得最佳分类性能的问题,提出了基于特征选择的集成极限学习机故障辨识方法.首先,选择合适的尺度对振动信号进行粗粒化分解,在不同尺度上计算振动信号的模糊近似熵,并构成高维数据集.然...
针对传统极限学习机神经网络在处理复杂数据时无法获得最佳分类性能的问题,提出了基于特征选择的集成极限学习机故障辨识方法.首先,选择合适的尺度对振动信号进行粗粒化分解,在不同尺度上计算振动信号的模糊近似熵,并构成高维数据集.然后,通过邻域粗糙集算法对高维数据集进行属性约简,并且采用不同的邻域半径对数据集进行约简,从而产生不同的特征子集,同时将每个特征子集划分为训练集和测试集,进而输入极限学习机进行模式识别.最后,整合多个极限学习机的预测结果,依据相对多数投票法决定最终的辨识结果.实验证明,相比传统极限学习机,该方法可以提高滚动轴承故障类别的辨识精度,使故障分类结果更准确、更有效.
展开更多
关键词
模糊近似熵
特征选择
分类器集成
极限学习机
在线阅读
下载PDF
职称材料
题名
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
被引量：
23
1
作者
姚成玉
来博文
陈东宁
孙飞
吕世君
机构
燕山大学河北省工业计算机控制工程重点实验室
燕山大学河北省重型机械流体动力传输与控制重点实验室
先进锻压成形技术与科学教育部重点实验室(燕山大学)
出处
《中国机械工程》
EI
CAS
CSCD
北大核心
2017年第24期3001-3012,共12页
基金
国家自然科学基金资助项目(51675460
51405426)
+1 种基金
河北省自然科学基金资助项目(E2016203306)
中国博士后科学基金资助项目(2017M621101)
文摘
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。
关键词
故障诊断
变分模态分解
最小
熵
解卷积
模糊近似熵
支持向量机
Keywords
fault diagnosis
variational mode decomposition(VMD)
minimum entropy deconvolution(MED)
fuzzy approximate entropy
support vector machine(SVM)
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
基于特征选择的集成极限学习机故障辨识方法
2
作者
马驰
赵荣珍
原健辉
郑玉巧
机构
兰州理工大学机电工程学院
广州理工学院智能制造与电气工程学院
出处
《兰州理工大学学报》
北大核心
2025年第2期44-50,共7页
基金
国家自然科学基金(52465012)
甘肃省优秀研究生“创新之星”项目(2022CXZX-415)。
文摘
针对传统极限学习机神经网络在处理复杂数据时无法获得最佳分类性能的问题,提出了基于特征选择的集成极限学习机故障辨识方法.首先,选择合适的尺度对振动信号进行粗粒化分解,在不同尺度上计算振动信号的模糊近似熵,并构成高维数据集.然后,通过邻域粗糙集算法对高维数据集进行属性约简,并且采用不同的邻域半径对数据集进行约简,从而产生不同的特征子集,同时将每个特征子集划分为训练集和测试集,进而输入极限学习机进行模式识别.最后,整合多个极限学习机的预测结果,依据相对多数投票法决定最终的辨识结果.实验证明,相比传统极限学习机,该方法可以提高滚动轴承故障类别的辨识精度,使故障分类结果更准确、更有效.
关键词
模糊近似熵
特征选择
分类器集成
极限学习机
Keywords
fuzzy approximate entropy
feature selection
classifier ensemble
extreme learning machine
分类号
TH133 [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
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
姚成玉
来博文
陈东宁
孙飞
吕世君
《中国机械工程》
EI
CAS
CSCD
北大核心
2017
23
在线阅读
下载PDF
职称材料
2
基于特征选择的集成极限学习机故障辨识方法
马驰
赵荣珍
原健辉
郑玉巧
《兰州理工大学学报》
北大核心
2025
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
