检索结果-维普期刊中文期刊服务平台

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... 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

基于精细复合多元多尺度散布熵和深度残差收缩网络的轴向柱塞泵故障诊断: 2; 作者储焰常远汤何胜《机床与液压》北大核心 2025年第6期142-147,共6页; 为了克服单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出一种新的轴向柱塞泵故障诊断方法,将精细复合多元多尺度散布熵(RCMMDE)嵌入深度残差收缩网络(DRSN)框架中,更精确地提取轴向柱塞泵非线性故障特征。通过RCMMDE全面... 展开更多; 关键词轴向柱塞泵故障诊断精细复合多元多尺度散布熵(RCMMDE) 深度残差收缩网络(DRSN); 在线阅读下载PDF 职称材料

基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型: 3; 作者桂芳李健刘磊《机电工程》北大核心 2025年第1期62-71,共10页; 采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速... 展开更多; 关键词滚动轴承故障诊断改进精细复合多元多尺度反向散布熵概率神经网络多通道信号哈里斯鹰优化器; 在线阅读下载PDF 职称材料

基于声振信号融合的IRCMMDE离心泵损伤检测方法被引量：6: 4; 作者陆春元焦洪宇《机电工程》 CAS 北大核心 2023年第6期952-959,共8页; 离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音... 展开更多; 关键词声振信号融合离心泵损伤检测改进精细复合多元多尺度散布熵灰狼算法支持向量机; 在线阅读下载PDF 职称材料

基于RCMRFDE和ELM的滚动轴承故障检测方法被引量：5: 5; 作者周经龙乔惠萍《机电工程》 CAS 北大核心 2023年第1期1-10,共10页; 为了有效地提升滚动轴承故障诊断的可靠性和准确性,鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势,提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检... 展开更多; 关键词轴承故障诊断故障特征提取轴承健康检测故障分类精细复合多尺度反向波动散布熵极限学习机综合故障检测; 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

题名基于精细复合多元多尺度散布熵和深度残差收缩网络的轴向柱塞泵故障诊断: 2; 作者储焰常远汤何胜; 机构温州大学机电工程学院; 出处《机床与液压》北大核心 2025年第6期142-147,共6页; 基金国家自然科学基金项目(52275064) 温州市重大科技创新攻关项目(ZG2021019)。; 文摘为了克服单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出一种新的轴向柱塞泵故障诊断方法,将精细复合多元多尺度散布熵(RCMMDE)嵌入深度残差收缩网络(DRSN)框架中,更精确地提取轴向柱塞泵非线性故障特征。通过RCMMDE全面表征轴向柱塞泵故障信息,构建故障特征集;利用DRSN对轴向柱塞泵的故障进行分类;最后,通过轴向柱塞泵故障模拟实验,获取典型故障信号特征,并与其他智能诊断算法进行对比,验证模型的泛化能力,实现柱塞泵故障特征的精准识别。结果表明:随着尺度因子的增大,RCMMDE可实现轴向柱塞泵微弱故障特征的有效分离;DRSN模型提高了对高噪声振动信号的特征学习能力,故障诊断精度达到96.21%,明显优于其他分类算法。; 关键词轴向柱塞泵故障诊断精细复合多元多尺度散布熵(RCMMDE) 深度残差收缩网络(DRSN); Keywords axial piston pump fault diagnosis refined composite multi-variate multi-scale dispersion entropy(RCMMDE) deep residual shrinkage networks(DRSN); 分类号 TH137.5 [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IRCMMRDE和HHO-PNN的轴承损伤辨识模型: 3; 作者桂芳李健刘磊; 机构安徽省第一轻工业学校工业工程系合肥工业大学机械工程学院; 出处《机电工程》北大核心 2025年第1期62-71,共10页; 基金国家自然科学基金资助项目(52075142)。; 文摘采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速度计和麦克风两种类型的传感器,同时获得了滚动轴承不同工况下的振动和声音信号,构建了故障信息量更丰富的多通道信号;随后,提出了能够同步分析多通道信号的IRCMMRDE方法,并将其用于提取滚动轴承多通道信号的故障特征;接着,采用哈里斯鹰优化器(HHO)对概率神经网络的平滑因子进行了自适应寻优,构造了网络结构最优的PNN模型;最后,将损伤样本输入至HHO-PNN模型中,进行了故障的分类识别,完成了滚动轴承样本的故障辨识;并基于滚动轴承声振信号数据集,对基于IRCMMRDE-HHO-PNN的故障诊断方法的有效性进行了验证。研究结果表明:基于IRCMMRDE和HHO-PNN的故障诊断方法的准确率达到了99.6%,平均的识别准确率达到了99.8%,优于其他多种特征提取方法;同时,对多通道融合信号进行分析取得的准确率优于单个通道的信号,准确率分别提高了8.8%和4.8%;此外,HHO-PNN分类器模型的诊断性能优于其他分类模型,更具有泛化性和实用性。; 关键词滚动轴承故障诊断改进精细复合多元多尺度反向散布熵概率神经网络多通道信号哈里斯鹰优化器; Keywords rolling bearing fault diagnosis improved refined composite multivariate multiscale reverse dispersion entropy(IRCMMRDE) probabilistic neural network(PNN) multichannel signal Harris Hawk optimizer(HHO); 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

题名基于声振信号融合的IRCMMDE离心泵损伤检测方法被引量：6: 4; 作者陆春元焦洪宇; 机构苏州市职业大学机电工程学院常熟理工学院汽车工程学院; 出处《机电工程》 CAS 北大核心 2023年第6期952-959,共8页; 基金国家自然科学基金资助项目(51605046) 江苏政府留学奖学金资助项目(JS-2017-188)。; 文摘离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音和振动信号,并将声音和振动信号进行了融合,以充分利用不同类型信号中所蕴含的损伤特征信息;随后,针对多元多尺度散布熵(MMDE)不稳定的缺陷,对MMDE的粗粒化处理进行了优化,提出了改进精细复合多元多尺度散布熵(IRCMMDE)的复杂性测量指标;接着,利用IRCMMDE对声振融合信号进行了损伤特征提取,构建了各个损伤状态下的特征矩阵;最后,利用灰狼算法优化的支持向量机分类器,对各个损伤状态下的特征矩阵进行了识别,得到了最终的离心泵损伤检测结论。研究结果表明:采用基于声振信号融合的离心泵损伤检测方法,其最高可达到99.2%的故障识别准确率,相比于基于MMDE和RCMMDE的损伤检测方法,其能够更准确地识别出离心泵的损伤;该方法还能有效缓解单一信号检测时的不确定性,并且在多次实验验证下,其仍具有很高的检测精度。; 关键词声振信号融合离心泵损伤检测改进精细复合多元多尺度散布熵灰狼算法支持向量机; Keywords acoustic vibration signal fusion damage detection of centrifugal pump improved refined composite multivariate multiscale dispersion entropy(IRCMMDE) grey wolf optimizer(GWO) support vector machine(SVM); 分类号 TH311 [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RCMRFDE和ELM的滚动轴承故障检测方法被引量：5: 5; 作者周经龙乔惠萍; 机构北京大学智能学院重庆科创职业学院人工智能学院山西工程科技职业大学计算机工程学院; 出处《机电工程》 CAS 北大核心 2023年第1期1-10,共10页; 基金重庆市教育委员会科学技术研究重点项目(KJZD-K201805401)。; 文摘为了有效地提升滚动轴承故障诊断的可靠性和准确性,鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势,提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先,根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点,利用RCMRFDE预先检测了滚动轴承的健康状态,筛选出了健康轴承;然后,采用RCMRFDE提取出了剩余故障轴承的故障特征,并采用极限学习机(ELM)对故障类型进行了智能化的识别;最后,基于两种公开的滚动轴承故障实验数据,分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测,并将所得结果进行了比较分析,以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明:采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障,并且在二次实验中,对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。; 关键词轴承故障诊断故障特征提取轴承健康检测故障分类精细复合多尺度反向波动散布熵极限学习机综合故障检测; Keywords bearing fault diagnosis fault feature extraction bearing health detection fault classification refined composite multi-scale reverse fluctuation dispersion entropy(RCMRFDE) extreme learning machine(ELM) comprehensive fault detection; 分类号 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	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	基于精细复合多元多尺度散布熵和深度残差收缩网络的轴向柱塞泵故障诊断	储焰常远汤何胜	《机床与液压》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型	桂芳李健刘磊	《机电工程》北大核心	2025	0	在线阅读下载PDF 职称材料
4	基于声振信号融合的IRCMMDE离心泵损伤检测方法	陆春元焦洪宇	《机电工程》 CAS 北大核心	2023	6	在线阅读下载PDF 职称材料
5	基于RCMRFDE和ELM的滚动轴承故障检测方法	周经龙乔惠萍	《机电工程》 CAS 北大核心	2023	5	在线阅读下载PDF 职称材料