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RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断
被引量：
5
1
作者
戚晓利
崔创创
+2 位作者
杨艳
程主梓
陈旭
《振动与冲击》
EI
CSCD
北大核心
2022年第21期109-120,共12页
针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized copl...
针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized coplanar discriminant analysis,M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine,COA-SVM)的行星齿轮箱故障诊断方法。首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量,构建原始高维故障特征集;然后采用M-KRCDA的特征筛选方法,减少了特征的维数并提高特征故障识别的准确性和效率;最后将低维特征输入到COA-SVM进行故障类型的判别。行星齿轮箱故障诊断试验结果分析表明,所提方法能够准确识别行星齿轮箱的常见故障,具有一定的应用前景。
展开更多
关键词
故障诊断
行星齿轮箱
精细时移多尺度模糊熵(RTSMFE)
马氏距离的核
正则化共面判别分析
(M-KRCDA)
郊狼优
化
算法优
化
支持向量机(COA-SVM)
在线阅读
下载PDF
职称材料
基于RCDA的家具表面死节缺陷图像分割
被引量：
10
2
作者
周宇
周仲凯
+2 位作者
于音什
刘伟嘉
刘军
《林业机械与木工设备》
2019年第8期8-11,共4页
针对木制家具的表面死节缺陷,提出一种基于正则化共面判别分析(RCDA,Regularized Coplanar Discriminant Analysis)与支持向量机(SVM,Support Vector Machine)的死节缺陷图像分割算法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块...
针对木制家具的表面死节缺陷,提出一种基于正则化共面判别分析(RCDA,Regularized Coplanar Discriminant Analysis)与支持向量机(SVM,Support Vector Machine)的死节缺陷图像分割算法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块,同时将块变换成列向量,所有列向量组成矩阵进行RCDA维数约减,对约减后的特征进行SVM训练与测试,得到图像块分类结果。最后将块分类矩阵变形成二值分割图,得到死节缺陷目标。试验结果表明,提出的算法效果好,SD、Dice、ER、NR值分别为80.96%、89.48%、23.33%、0.16%。
展开更多
关键词
成品家具
死节缺陷
正则化共面判别分析
支持向量机
图像分割
在线阅读
下载PDF
职称材料
题名
基于RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断
被引量：
5
1
作者
戚晓利
崔创创
杨艳
程主梓
陈旭
机构
安徽工业大学机械工程学院
出处
《振动与冲击》
EI
CSCD
北大核心
2022年第21期109-120,共12页
基金
安徽省自然科学基金(1808085ME152)。
文摘
针对从行星齿轮箱非线性、非平稳振动信号中提取故障特征困难的问题,提出了一种基于精细时移多尺度模糊熵(refined time-shift multiscale fuzzy entropy,RTSMFE)、马氏距离的核正则化共面判别分析(Mahalanobis-kernel regularized coplanar discriminant analysis,M-KRCDA)以及郊狼优化算法优化支持向量机(coyote optimization algorithm-support vector machine,COA-SVM)的行星齿轮箱故障诊断方法。首先利用RTSMFE计算和组合行星齿轮箱原始故障信号的特征向量,构建原始高维故障特征集;然后采用M-KRCDA的特征筛选方法,减少了特征的维数并提高特征故障识别的准确性和效率;最后将低维特征输入到COA-SVM进行故障类型的判别。行星齿轮箱故障诊断试验结果分析表明,所提方法能够准确识别行星齿轮箱的常见故障,具有一定的应用前景。
关键词
故障诊断
行星齿轮箱
精细时移多尺度模糊熵(RTSMFE)
马氏距离的核
正则化共面判别分析
(M-KRCDA)
郊狼优
化
算法优
化
支持向量机(COA-SVM)
Keywords
fault diagnosis
planetary gearbox
refined time-shift multiscale fuzzy entropy(RTSMFE)
Mahalanobis-kernel regularized coplanar discriminant analysis(M-KRCDA)
coyote optimization algorithm-support vector machine(COA-SVM)
分类号
TH165.3 [机械工程—机械制造及自动化]
TN911.7 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
基于RCDA的家具表面死节缺陷图像分割
被引量：
10
2
作者
周宇
周仲凯
于音什
刘伟嘉
刘军
机构
南京林业大学机械电子工程学院
出处
《林业机械与木工设备》
2019年第8期8-11,共4页
基金
南京林业大学大学生创新创业训练计划项目(2018NFUSPITP161、2018NFUSPITP160)
文摘
针对木制家具的表面死节缺陷,提出一种基于正则化共面判别分析(RCDA,Regularized Coplanar Discriminant Analysis)与支持向量机(SVM,Support Vector Machine)的死节缺陷图像分割算法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块,同时将块变换成列向量,所有列向量组成矩阵进行RCDA维数约减,对约减后的特征进行SVM训练与测试,得到图像块分类结果。最后将块分类矩阵变形成二值分割图,得到死节缺陷目标。试验结果表明,提出的算法效果好,SD、Dice、ER、NR值分别为80.96%、89.48%、23.33%、0.16%。
关键词
成品家具
死节缺陷
正则化共面判别分析
支持向量机
图像分割
Keywords
finished furniture
dead knot defect
RCDA
SVM
image segmentation
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
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RTSMFE、M-KRCDA与COA-SVM的行星齿轮箱故障诊断
戚晓利
崔创创
杨艳
程主梓
陈旭
《振动与冲击》
EI
CSCD
北大核心
2022
5
在线阅读
下载PDF
职称材料
2
基于RCDA的家具表面死节缺陷图像分割
周宇
周仲凯
于音什
刘伟嘉
刘军
《林业机械与木工设备》
2019
10
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
