检索结果-维普期刊中文期刊服务平台

基于AVMD和BSA-KELM的水电站厂房结构振动预测研究被引量：3: 1; 作者王海军许松 +1 位作者陆建宏任保瑞《水资源与水工程学报》 CSCD 2020年第6期168-173,179,共7页; 针对水电站厂房结构振动安全监测问题,结合智能学习算法,提出了一种基于AVMD和BSA-KELM的水电站厂房结构振动响应预测方法,为实现厂房结构振动智能化监测提供了一种新的思路。首先采用AVMD方法将振动信号分解为多阶IMF分量;然后对各阶IM... 展开更多; 关键词水电站厂房振动预测自适应模态分解核极限学习机鸟群算法; 在线阅读下载PDF 职称材料

基于AVMD和CNN的并网型微网线路故障诊断: 2; 作者付林瑶李春华 +1 位作者汪本科班勇霜《分布式能源》 2023年第4期20-28,共9页; 为提高微网三相线路故障诊断精度,提出基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)和卷积神经网络(convolutional neural network,CNN)的微网线路故障诊断分类方法。首先建立包含风、光、水系统的微网径向... 展开更多; 关键词自适应变分模态分解(avmd) 有效加权峰态相关(EWPR)指数天鹰优化(AO) 卷积神经网络(CNN) 故障诊断分类; 在线阅读下载PDF 职称材料

基于噪声信号和改进VMD的滚动轴承故障诊断被引量：17: 3; 作者王琇峰文俊《噪声与振动控制》 CSCD 北大核心 2021年第2期118-124,共7页; 受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难。文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法。该方法首先根据不同的信号自适应... 展开更多; 关键词故障诊断滚动轴承自适应变分模态分解(avmd) 时-频加权峭度; 在线阅读下载PDF 职称材料

基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测被引量：18: 4; 作者吕明珠刘世勋 +1 位作者苏晓明陈长征《振动与冲击》 EI CSCD 北大核心 2021年第13期271-280,共10页; 针对滚动轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法。首先,采用灰狼优化算法自适应地选择变分模态分解的分解层数和二次惩罚因子,以最小平均... 展开更多; 关键词自适应变分模态分解(avmd) 包络谐噪比(EHNR) 滚动轴承早期退化; 在线阅读下载PDF 职称材料

题名基于AVMD和BSA-KELM的水电站厂房结构振动预测研究被引量：3: 1; 作者王海军许松陆建宏任保瑞; 机构天津大学水利工程仿真与安全国家重点实验室天津大学建筑工程学院雅砻江流域水电开发有限公司二滩水力发电厂; 出处《水资源与水工程学报》 CSCD 2020年第6期168-173,179,共7页; 基金国家重点研发计划项目(2016YFC0401901) 天津市自然科学基金项目(18JCYBJC22300)。; 文摘针对水电站厂房结构振动安全监测问题,结合智能学习算法,提出了一种基于AVMD和BSA-KELM的水电站厂房结构振动响应预测方法,为实现厂房结构振动智能化监测提供了一种新的思路。首先采用AVMD方法将振动信号分解为多阶IMF分量;然后对各阶IMF分量分别建立KELM预测模型,模型参数采用BSA优化算法选取;最后通过信号重构得到结构预测振动时程曲线。将该方法应用于某实际水电站工程,以机组和水压脉动原型观测信号作为输入,以水电站厂房结构振动信号作为输出,建立了预测模型,预测信号与测试信号对比结果表明:测点预测结果决定系数均大于0.8,振动幅值均方根误差均小于0.3μm、平均绝对误差均小于0.2μm,证明该方法预测精度较高,预测效果良好。; 关键词水电站厂房振动预测自适应模态分解核极限学习机鸟群算法; Keywords hydropower plant building vibration prediction adapative variational mode decomposition(avmd) kernel extreme learning machine(KELM) bird swarm algorithm(BSA); 分类号 TV312 [水利工程—水工结构工程] TV731 [水利工程—水利水电工程]; 在线阅读下载PDF 职称材料

题名基于AVMD和CNN的并网型微网线路故障诊断: 2; 作者付林瑶李春华汪本科班勇霜; 机构江苏科技大学自动化学院; 出处《分布式能源》 2023年第4期20-28,共9页; 基金国家自然科学基金项目(51307074)。; 文摘为提高微网三相线路故障诊断精度,提出基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)和卷积神经网络(convolutional neural network,CNN)的微网线路故障诊断分类方法。首先建立包含风、光、水系统的微网径向结构模型;采用AVMD将原始故障信号分解得到多个模态分量,其中变分模态分解(variational mode decomposition,VMD)的参数采用天鹰优化(aquila optimizer,AO)算法进行优化;诸多模态中只有少数模态保留了故障信号的信息,利用有效加权峰态相关(effective weighted peak relevance,EWPR)指数对模态分量进行选择,选取最能保留故障信息的3个模态作为敏感模态;剔除噪声和其他无关模态的影响,使用CNN对微网的线路故障进行诊断分类。生成110组故障数据用于训练和验证神经网络,结果表明22组验证数据集中共有21组数据分类正确,此研究方法对故障的诊断精度达到了95.46%。; 关键词自适应变分模态分解(avmd) 有效加权峰态相关(EWPR)指数天鹰优化(AO) 卷积神经网络(CNN) 故障诊断分类; Keywords adaptive variational mode decomposition(avmd) effective weighted peak relevance(EWPR)index aquila optimizer(AO) convolutional neural networks(CNN) fault diagnosis classification; 分类号 TK01 [动力工程及工程热物理] TM76 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于噪声信号和改进VMD的滚动轴承故障诊断被引量：17: 3; 作者王琇峰文俊; 机构西安交通大学机械工程学院; 出处《噪声与振动控制》 CSCD 北大核心 2021年第2期118-124,共7页; 文摘受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难。文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法。该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各模式分量时域、包络谱和时-频加权峭度,根据时-频加权峭度最大化准则选择最佳IMF;最后采用共振解调技术求出最佳IMF包络谱。对轴承故障信号研究表明,所提方法可解决传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题。另外与传统方法相比,该方法可以在强背景噪声和非周期性瞬态冲击下有效识别轴承故障。; 关键词故障诊断滚动轴承自适应变分模态分解(avmd) 时-频加权峭度; Keywords fault diagnosis rolling bearing adaptive variational mode decomposition(avmd) time-frequency weighted kurtosis; 分类号 TP206.3 [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

题名基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测被引量：18: 4; 作者吕明珠刘世勋苏晓明陈长征; 机构沈阳工业大学机械工程学院辽宁装备制造职业技术学院自控学院中认(沈阳)北方实验室有限公司; 出处《振动与冲击》 EI CSCD 北大核心 2021年第13期271-280,共10页; 基金国家自然科学基金(51675350) 高校应用性研究专项课题(2019YYYJ-5)。; 文摘针对滚动轴承微弱故障特征易受噪声干扰且退化起始点难以确定的问题,提出了一种基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测方法。首先,采用灰狼优化算法自适应地选择变分模态分解的分解层数和二次惩罚因子,以最小平均包络熵为目标函数获得最佳参数组合。其次,通过引入有效加权稀疏峭度指数实现了有效模态分量和噪声模态分量的分离,使重构后的信号滤除了干扰而保留了故障信息。最后,计算了重构信号的包络谐噪比,利用其对周期性故障冲击的敏感性实现了滚动轴承早期退化起始点的检测。实验验证结果表明,该方法不仅解决了轴承运行初期的误报警问题,还能较早地识别出轴承退化过程的起始点,兼具鲁棒性和敏感性,为滚动轴承的早期故障诊断和剩余寿命预测提供参考依据。; 关键词自适应变分模态分解(avmd) 包络谐噪比(EHNR) 滚动轴承早期退化; Keywords adaptive variational mode decomposition(avmd) envelope harmonic-to-noise ratio(EHNR) rolling bearing early degradation; 分类号 TH17 [机械工程—机械制造及自动化] 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	基于AVMD和BSA-KELM的水电站厂房结构振动预测研究	王海军许松陆建宏任保瑞	《水资源与水工程学报》 CSCD	2020	3	在线阅读下载PDF 职称材料
2	基于AVMD和CNN的并网型微网线路故障诊断	付林瑶李春华汪本科班勇霜	《分布式能源》	2023	0	在线阅读下载PDF 职称材料
3	基于噪声信号和改进VMD的滚动轴承故障诊断	王琇峰文俊	《噪声与振动控制》 CSCD 北大核心	2021	17	在线阅读下载PDF 职称材料
4	基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测	吕明珠刘世勋苏晓明陈长征	《振动与冲击》 EI CSCD 北大核心	2021	18	在线阅读下载PDF 职称材料