检索结果-维普期刊中文期刊服务平台

基于IUPEMD和RCMFE的往复压缩机气阀故障诊断被引量：1: 1; 作者宋美萍王金东 +1 位作者赵海洋于德龙《机床与液压》北大核心 2023年第7期208-213,共6页; 由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参... 展开更多; 关键词改进的均匀相位经验模态分解精细复合多尺度模糊熵气阀故障诊断; 在线阅读下载PDF 职称材料

基于互补集合经验模态分解的相位敏感光时域反射计系统降噪方法: 2; 作者岳新博高旭 +2 位作者高阳王海涛鲁秀娥《红外与激光工程》北大核心 2025年第2期134-148,共15页; 为了提高相位敏感光时域反射计(Φ-OTDR)系统测量振动信号信噪比,提出了一种基于互补集合经验模态分解(CEEMD)的新型去噪方法。CEEMD算法对数字正交(I/Q)解调算法获取的瑞利后项散射光幅值信号和相位信号进行分解,经多尺度排列熵(MPE)... 展开更多; 关键词相位敏感光时域反射仪互补集合经验模态分解算法多尺度排列熵改进的小波阈值算法多元宇宙优化算法; 在线阅读下载PDF 职称材料

自适应UPEMD-MCKD轴承故障特征提取方法被引量：8: 3; 作者宋宇博刘运航朱大鹏《振动与冲击》 EI CSCD 北大核心 2023年第3期83-91,共9页; 为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应U... 展开更多; 关键词强噪声滚动轴承均相经验模态分解(UPEMD) 遗传算法最大相关峭度解卷积(MCKD) 特征提取; 在线阅读下载PDF 职称材料

基于集合经验模态分解和改进极限学习机的短期风速组合预测研究被引量：16: 4; 作者张翌晖王贺 +4 位作者胡志坚王凯黄东山宁文辉张承学《电力系统保护与控制》 EI CSCD 北大核心 2014年第10期29-34,共6页; 提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非... 展开更多; 关键词风速预测改进极限学习机集合经验模态分解相空间重构; 在线阅读下载PDF 职称材料

题名基于IUPEMD和RCMFE的往复压缩机气阀故障诊断被引量：1: 1; 作者宋美萍王金东赵海洋于德龙; 机构东北石油大学黑龙江省石油机械工程重点实验室; 出处《机床与液压》北大核心 2023年第7期208-213,共6页; 基金黑龙江省自然科学基金联合引导项目(LH2021E021)。; 文摘由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参数组合,利用正交性为指标选择最佳IMF分量,有效提高了IUPEMD对非平稳性信号的分解精度,减少模态混叠现象;以峭度为评价指标对分解后的IMF分量进行筛选,并重构信号,求解重构信号的RCMFE,提取故障特征向量;最后,将特征向量输入到支持向量机进行分类识别。试验结果验证了该方法的有效性和优越性。; 关键词改进的均匀相位经验模态分解精细复合多尺度模糊熵气阀故障诊断; Keywords improved uniform phase empirical mode decomposition(iupemd) Refine composite multi-scale fuzzy entropy(RCMFE) Gas valve Fault diagnosis; 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

题名基于互补集合经验模态分解的相位敏感光时域反射计系统降噪方法: 2; 作者岳新博高旭高阳王海涛鲁秀娥; 机构长春理工大学光电工程学院中石油西南油气田分公司长春汽车检测中心有限责任公司长春相干光学机电技术有限公司; 出处《红外与激光工程》北大核心 2025年第2期134-148,共15页; 基金吉林省科技厅自然科学基金面上项目(20230101217JC) 吉林省科技厅重点研发项目(KYC-JC-XM-2021-075)。; 文摘为了提高相位敏感光时域反射计(Φ-OTDR)系统测量振动信号信噪比,提出了一种基于互补集合经验模态分解(CEEMD)的新型去噪方法。CEEMD算法对数字正交(I/Q)解调算法获取的瑞利后项散射光幅值信号和相位信号进行分解,经多尺度排列熵(MPE)算法筛选后,通过改进的小波阈值算法进行去噪,并设计采用多元宇宙优化(MVO)算法对参数进行优化。实际搭建了外差式Φ-OTDR系统,经仿真和实际测试验证文中算法有效性。最后,将设计算法与以往的经验模态分解-皮尔逊相关系数(EMD-PCC)、自适应噪声完备集合经验模态分解(CEEMDAN)及变分模态分解-改进小波阈值(VMD-NWT)去噪方法进行了对比。结果表明,在10.14 km的传感光纤位置上,该方法对于低频10 Hz、中频200 Hz以及高频1 200 Hz的振动事件,其位置信息信噪比分别可达8.88、30.26、11.90 dB,对不同频率段的振动信号均具备有效的去噪能力,且系统定位精度更高。该方法在提高系统信噪比的同时,成功地对振动信号进行了解调,且解调效果比其他三种算法效果更好,为Φ-OTDR系统降噪研究提供了新思路。; 关键词相位敏感光时域反射仪互补集合经验模态分解算法多尺度排列熵改进的小波阈值算法多元宇宙优化算法; Keywords phase-sensitive optical time domain reflector complementary ensemble empirical mode decomposition algorithm multiscale arrangement entropy improved wavelet threshold algorithm multiverse optimization algorithm; 分类号 TP212 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名自适应UPEMD-MCKD轴承故障特征提取方法被引量：8: 3; 作者宋宇博刘运航朱大鹏; 机构兰州交通大学机电技术研究所兰州交通大学交通运输学院; 出处《振动与冲击》 EI CSCD 北大核心 2023年第3期83-91,共9页; 基金甘肃省教育厅:青年博士基金项目(2021QB-053) 国家自然科学基金(51765028)。; 文摘为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应UPEMD-MCKD轴承故障特征提取方法。该方法将样本熵和峭度指标相结合构建最小熵峭比,采用遗传算法对最小熵峭比的最小值进行搜索,以确定移位数、滤波器长度和周期的最佳参数组合。经均相模态分解方法预处理的含噪信号通过相关性计算选取有效分量进行信号重构,重构信号借助最佳参数组合下的MCKD算法提取故障特征。内圈故障和外圈故障的实例分析表明,所提方法借助UPEMD的噪声抑制能力和最小熵峭比的参数组合寻优评价能力,能够从故障信号中有效的提取出微弱的故障特征。; 关键词强噪声滚动轴承均相经验模态分解(UPEMD) 遗传算法最大相关峭度解卷积(MCKD) 特征提取; Keywords strong noise rolling bearing uniform phase empirical mode decomposition(UPEMD) genetic algorithm maximum correlated kurtosis deconvolution(MCKD) feature extraction; 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

题名基于集合经验模态分解和改进极限学习机的短期风速组合预测研究被引量：16: 4; 作者张翌晖王贺胡志坚王凯黄东山宁文辉张承学; 机构广西电力科学研究院武汉大学电气工程学院; 出处《电力系统保护与控制》 EI CSCD 北大核心 2014年第10期29-34,共6页; 基金博士点基金项目(20110141110032) 教育部中央高校基本科研业务费专项资金资助(20112072020008) +1 种基金 supported by the Fundamental Research Funds for the Central University(No.20112072020008); 文摘提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。; 关键词风速预测改进极限学习机集合经验模态分解相空间重构; Keywords wind speed forecasting improved extreme learning machine ensemble empirical mode decomposition phase spacereconstruction; 分类号 TM614 [电气工程—电力系统及自动化]; 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IUPEMD和RCMFE的往复压缩机气阀故障诊断	宋美萍王金东赵海洋于德龙	《机床与液压》北大核心	2023	1	在线阅读下载PDF 职称材料
2	基于互补集合经验模态分解的相位敏感光时域反射计系统降噪方法	岳新博高旭高阳王海涛鲁秀娥	《红外与激光工程》北大核心	2025	0	在线阅读下载PDF 职称材料
3	自适应UPEMD-MCKD轴承故障特征提取方法	宋宇博刘运航朱大鹏	《振动与冲击》 EI CSCD 北大核心	2023	8	在线阅读下载PDF 职称材料
4	基于集合经验模态分解和改进极限学习机的短期风速组合预测研究	张翌晖王贺胡志坚王凯黄东山宁文辉张承学	《电力系统保护与控制》 EI CSCD 北大核心	2014	16	在线阅读下载PDF 职称材料