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QPSO‐MPE的滚动轴承故障识别方法
被引量：
9
1
作者
王望望
邓林峰
+1 位作者
赵荣珍
张爱华
《振动．测试与诊断》
EI
CSCD
北大核心
2021年第1期62-68,200,201,共9页
为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进...
为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath⁃Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO⁃MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO⁃MPE在故障特征提取方面的有效性。
展开更多
关键词
滚动轴承故障识别
量子粒子群优化
多尺度排列熵
集成经验模态分解
GG模糊聚类
在线阅读
下载PDF
职称材料
基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别
被引量：
5
2
作者
黄重谦
《工矿自动化》
北大核心
2021年第5期77-82,100,共7页
煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小...
煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法。该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率。实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80%较合适。
展开更多
关键词
煤矿旋转机械
滚动轴承故障识别
极限学习机
卷积神经网络
自动编码器
在线阅读
下载PDF
职称材料
题名
基于QPSO‐MPE的滚动轴承故障识别方法
被引量：
9
1
作者
王望望
邓林峰
赵荣珍
张爱华
机构
兰州理工大学机电工程学院
兰州理工大学电气工程与信息工程学院
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2021年第1期62-68,200,201,共9页
基金
国家自然科学基金资助项目(51675253)
中国博士后科学基金资助项目(2016M592857)
甘肃省自然科学基金资助项目(1610RJZA004)。
文摘
为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum⁃behaved particle swarm optimization and multi⁃scale permutation entropy,简称QPSO⁃MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath⁃Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO⁃MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO⁃MPE在故障特征提取方面的有效性。
关键词
滚动轴承故障识别
量子粒子群优化
多尺度排列熵
集成经验模态分解
GG模糊聚类
Keywords
rolling bearing fault recognition
quantum-behaved particle swarm optimization(QPSO)
multiscale permutation entropy(MPE)
ensemble empirical mode decomposition(EEMD)
GG fuzzy clustering
分类号
TH165.3 [机械工程—机械制造及自动化]
TP301.6 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别
被引量：
5
2
作者
黄重谦
机构
广西科技师范学院机械与电气工程学院
出处
《工矿自动化》
北大核心
2021年第5期77-82,100,共7页
基金
广西职业教育教学改革研究重点项目(GXGZJG2017A065)
来宾市科学研究与技术开发计划项目(20LKZ202409)。
文摘
煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法。该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率。实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80%较合适。
关键词
煤矿旋转机械
滚动轴承故障识别
极限学习机
卷积神经网络
自动编码器
Keywords
coal mine rotating machinery
rolling bearing fault identification
extreme learning machine
convolution neural network
auto-encoder
分类号
TD67 [矿业工程—矿山机电]
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QPSO‐MPE的滚动轴承故障识别方法
王望望
邓林峰
赵荣珍
张爱华
《振动．测试与诊断》
EI
CSCD
北大核心
2021
9
在线阅读
下载PDF
职称材料
2
基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别
黄重谦
《工矿自动化》
北大核心
2021
5
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
