局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability informatio...局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability information entropy-LLE,PIE-LLE)。首先,为了使邻域点选择更加合理,从数据集的概率分布角度出发,考虑样本点及其邻域的概率分布,为样本点构造符合局部分布的邻域集合。其次,为了充分提取样本的局部结构信息,在权重构造阶段,分别计算样本所属邻域概率以及每个样本的信息熵,融合二者信息重构低维样本。最后,在两个轴承故障数据集上的实验表明,所提方法故障识别准确度最高达到了100%,高于其他对比算法;在邻域点个数5~15范围内,PIE-LLE算法展现出良好的低维可视化效果;在参数敏感性实验中,该算法可以保持Fisher指标较大,有效提高了算法的分类准确度和稳定性。展开更多
目前设备的机械故障诊断技术的研究多限于定性诊断,而故障诊断中故障程度的定量评估更能有效的指导设备维护。该文提出了一种低压万能式断路器分合闸故障程度定量评估的方法。首先对断路器工作模式进行识别,即利用局部均值分解(local me...目前设备的机械故障诊断技术的研究多限于定性诊断,而故障诊断中故障程度的定量评估更能有效的指导设备维护。该文提出了一种低压万能式断路器分合闸故障程度定量评估的方法。首先对断路器工作模式进行识别,即利用局部均值分解(local mean decomposition,LMD)将采集到的分合闸振动信号自适应分解,求取主要乘积函数(product function,PF)的改进多尺度排列熵(multi-scale permutation entropy,MMPE)构成特征向量,再经过降维后,作为改进支持向量机(support vector machine,SVM)的输入量,实现断路器工作模式的识别;当断路器处于故障模式时,对采集的振动信号求取多尺度排列熵偏均值(partial mean of multi-scale permutation entropy,PMMPE),作为故障程度定量评估指标,并参照所求得的不同故障模式的故障程度特性曲线,可实现分合闸故障程度的定量评估。经实测数据验证表明,所提方法可以完成断路器工作模式的有效识别,且PMMPE指标相较于峭度、能量和多尺度排列熵平均值指标,能够更加有效的完成低压万能式断路器分合闸故障程度的定量评估。展开更多
提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD...提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.展开更多
针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)的样本熵及Boost-SVM的滚动轴承故障诊断法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Product Function,PF);其次,根据...针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)的样本熵及Boost-SVM的滚动轴承故障诊断法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Product Function,PF);其次,根据分解特性提出基于K-L散度的自适应法选取主PF分量,计算主PF分量的样本熵并将其组合成特征向量;最后,将特征向量输入Boosting-SVM分类器进行训练与测试,从而识别滚动轴承的故障类型。实验结果表明,该方法能够有效的诊断出三种状态,且效果较局域均值分解法好。展开更多
文摘局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability information entropy-LLE,PIE-LLE)。首先,为了使邻域点选择更加合理,从数据集的概率分布角度出发,考虑样本点及其邻域的概率分布,为样本点构造符合局部分布的邻域集合。其次,为了充分提取样本的局部结构信息,在权重构造阶段,分别计算样本所属邻域概率以及每个样本的信息熵,融合二者信息重构低维样本。最后,在两个轴承故障数据集上的实验表明,所提方法故障识别准确度最高达到了100%,高于其他对比算法;在邻域点个数5~15范围内,PIE-LLE算法展现出良好的低维可视化效果;在参数敏感性实验中,该算法可以保持Fisher指标较大,有效提高了算法的分类准确度和稳定性。
文摘目前设备的机械故障诊断技术的研究多限于定性诊断,而故障诊断中故障程度的定量评估更能有效的指导设备维护。该文提出了一种低压万能式断路器分合闸故障程度定量评估的方法。首先对断路器工作模式进行识别,即利用局部均值分解(local mean decomposition,LMD)将采集到的分合闸振动信号自适应分解,求取主要乘积函数(product function,PF)的改进多尺度排列熵(multi-scale permutation entropy,MMPE)构成特征向量,再经过降维后,作为改进支持向量机(support vector machine,SVM)的输入量,实现断路器工作模式的识别;当断路器处于故障模式时,对采集的振动信号求取多尺度排列熵偏均值(partial mean of multi-scale permutation entropy,PMMPE),作为故障程度定量评估指标,并参照所求得的不同故障模式的故障程度特性曲线,可实现分合闸故障程度的定量评估。经实测数据验证表明,所提方法可以完成断路器工作模式的有效识别,且PMMPE指标相较于峭度、能量和多尺度排列熵平均值指标,能够更加有效的完成低压万能式断路器分合闸故障程度的定量评估。
文摘提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.
文摘针对滚动轴承非平稳性的振动信号,提出了基于总体局域均值分解(Ensemble Local Mean Decomposition,ELMD)的样本熵及Boost-SVM的滚动轴承故障诊断法。首先,对振动信号进行ELMD分解,获得一系列乘积函数(Product Function,PF);其次,根据分解特性提出基于K-L散度的自适应法选取主PF分量,计算主PF分量的样本熵并将其组合成特征向量;最后,将特征向量输入Boosting-SVM分类器进行训练与测试,从而识别滚动轴承的故障类型。实验结果表明,该方法能够有效的诊断出三种状态,且效果较局域均值分解法好。
