检索结果-维普期刊中文期刊服务平台

基于DIGWO-VMD-CMPE的轴承故障识别方法: 1; 作者辛昊鲁玉军朱轩逸《机电工程》 CAS 北大核心 2024年第2期205-215,共11页; 针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因... 展开更多; 关键词基于维度学习的改进灰狼优化算法变分模态分解复合多尺度排列熵支持向量机本征模态函数基于维度学习的狩猎; 在线阅读下载PDF 职称材料

基于SPA和IRCMMPE的旋转机械损伤识别方法: 2; 作者李恒亮张思婉郭衡《机电工程》北大核心 2025年第6期1045-1054,共10页; 基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策... 展开更多; 关键词旋转机械单通道信号故障诊断麻雀搜索算法优化支持向量机改进精细复合多变量多尺度排列熵平滑先验分析离心泵滚动轴承; 在线阅读下载PDF 职称材料

RCMNAAPE在旋转机械故障诊断中的应用: 3; 作者储祥冬戴礼军 +3 位作者涂金洲罗震寰于震秦磊《机电工程》 CAS 北大核心 2024年第6期1039-1049,共11页; 针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机... 展开更多; 关键词故障识别准确率滚动轴承齿轮箱精细复合多尺度归一化幅值感知排列熵拉普拉斯分数灰狼优化支持向量机; 在线阅读下载PDF 职称材料

基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法被引量：13: 4; 作者董治麟郑近德 +2 位作者潘海洋刘庆运丁克勤《噪声与振动控制》 CSCD 2020年第2期102-108,共7页; MPE算法中不充分的时间序列粗粒化过程会造成原始振动信号在时间序列中信息的缺失。为优化这种不成熟的粗粒化过程,相关学者创新地采用复合粗粒化的思想,提出了复合多尺度排列熵(CMPE)。为了实现滚动轴承的智能故障诊断,提出一种基于CMP... 展开更多; 关键词振动与波多尺度排列熵复合多尺度排列熵滚动轴承故障诊断萤火虫优化支持向量机; 在线阅读下载PDF 职称材料

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断被引量：26: 5; 作者丁嘉鑫王振亚 +1 位作者姚立纲蔡永武《中国机械工程》 EI CAS CSCD 北大核心 2021年第2期147-155,共9页; 针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算... 展开更多; 关键词广义复合多尺度加权排列熵支持向量机等度规映射滚动轴承故障诊断; 在线阅读下载PDF 职称材料

基于双频精细复合多尺度排列熵的齿轮箱损伤识别被引量：1: 6; 作者刘心费莹李倩《机电工程》 CAS 北大核心 2023年第8期1176-1184,共9页; 齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行... 展开更多; 关键词齿轮传动损伤特征提取齿轮箱振动信号双频精细复合多尺度排列熵鲸鱼算法优化支持向量机小波包分解; 在线阅读下载PDF 职称材料

题名基于DIGWO-VMD-CMPE的轴承故障识别方法: 1; 作者辛昊鲁玉军朱轩逸; 机构浙江理工大学机械工程学院浙江理工大学龙港研究院; 出处《机电工程》 CAS 北大核心 2024年第2期205-215,共11页; 基金浙江省重点研发计划项目(2022C01242) 浙江理工大学龙港研究院项目(LGYJY2021004)。; 文摘针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。; 关键词基于维度学习的改进灰狼优化算法变分模态分解复合多尺度排列熵支持向量机本征模态函数基于维度学习的狩猎; Keywords improved gray wolf optimization algorithm based on dimensional learning(DIGWO) variational mode decomposition(VMD) composite multiscale permutation entropy(cmpe) support vector machine(SVM) intrinsic mode functions(IMFs) dimension learning-based hunting(DLH); 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SPA和IRCMMPE的旋转机械损伤识别方法: 2; 作者李恒亮张思婉郭衡; 机构河南轻工职业学院机电系郑州铁路职业技术学院机电工程学院武汉科技大学机械自动化学院; 出处《机电工程》北大核心 2025年第6期1045-1054,共10页; 基金国家自然科学基金资助项目(52075395)。; 文摘基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策略。首先,使用SPA将单通道信号分解为趋势项和去趋势项两种完全不同的分量,减少了分量的冗余,并将其组装为多通道信号以实现对样本的扩充;然后,采用IRCMMPE对多通道信号进行了特征提取以对比验证两个分量之间的相关性,获取了更能反映故障特性的特征;最后,将故障特征输入至SSA-SVM分类器中进行了故障识别,完成了对旋转机械的故障辨识和故障程度的判断,利用三个旋转机械数据集对SPA-IRCMMPE故障诊断方法的有效性进行了实验分析,并与其他故障诊断方法进行了对比研究。研究结果表明:SPA-IRCMMPE模型在诊断旋转机械不同故障类型时分别取得了100%和99.2%的识别准确率,平均识别准确率分别为99.76%和99.92%;而自制数据集的诊断精度达到了100%。相较于其他故障诊断方法,SPA-IRCMMPE模型仅需使用单个通道的振动信号且无需进行分量重要性评估,避免了分量取舍的问题,对振动信号的利用效率较高。; 关键词旋转机械单通道信号故障诊断麻雀搜索算法优化支持向量机改进精细复合多变量多尺度排列熵平滑先验分析离心泵滚动轴承; Keywords single channel signal of rotating machinery fault diagnosis sparrow search algorithm optimized support vector machine(SSA-SVM) improved refined composite multivariate multiscale permutation entropy(IRCMMPE) smooth prior analysis(SPA) centrifugal pump rolling bearing; 分类号 TH133 [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RCMNAAPE在旋转机械故障诊断中的应用: 3; 作者储祥冬戴礼军涂金洲罗震寰于震秦磊; 机构江苏中烟工业有限责任公司淮阴卷烟厂颐中(青岛)烟草机械有限公司武汉理工大学机电工程学院; 出处《机电工程》 CAS 北大核心 2024年第6期1039-1049,共11页; 基金国家自然科学基金资助项目(52075399)。; 文摘针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。; 关键词故障识别准确率滚动轴承齿轮箱精细复合多尺度归一化幅值感知排列熵拉普拉斯分数灰狼优化支持向量机; Keywords fault identification accuracy rolling bearing gearbox refined composite multiscale normalized amplitude aware permutation entropy(RCMNAAPE) Laplace scores(LS) grey wolf algorithm optimization support vector machine(GWO-SVM); 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

题名基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法被引量：13: 4; 作者董治麟郑近德潘海洋刘庆运丁克勤; 机构安徽工业大学机械工程学院教育部液压振动与控制工程研究中心中国特种设备检验研究院; 出处《噪声与振动控制》 CSCD 2020年第2期102-108,共7页; 基金国家重点研发计划资助项目(2017YFC0805100) 国家自然科学基金资助项目(51505002) 安徽省高校自然科学研究重点项目资助。; 文摘 MPE算法中不充分的时间序列粗粒化过程会造成原始振动信号在时间序列中信息的缺失。为优化这种不成熟的粗粒化过程,相关学者创新地采用复合粗粒化的思想,提出了复合多尺度排列熵(CMPE)。为了实现滚动轴承的智能故障诊断,提出一种基于CMPE与萤火虫优化支持向量机(FO-SVM)的滚动轴承智能故障诊断方法。首先使用CMPE表征滚动轴承的原始故障信息,然后构建FO-SVM多故障分类器,实现对滚动轴承故障类型和程度的智能识别。通过仿真信号分析验证了CMPE相对于MPE在信号稳定性方面的优越性;实验数据分析结果表明:相比于基于MPE与FO-SVM的滚动轴承故障诊断方法,所提故障诊断方法不仅能够准确诊断滚动轴承的故障类型和程度,而且识别率达到了100%。; 关键词振动与波多尺度排列熵复合多尺度排列熵滚动轴承故障诊断萤火虫优化支持向量机; Keywords vibration and wave multi-scale permutation entropy composite multi-scale permutation entropy(cmpe) rolling bearing fault diagnosis firefly optimization support vector machine(FO-SVM); 分类号 TH113 [机械工程—机械设计及理论] 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

题名广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断被引量：26: 5; 作者丁嘉鑫王振亚姚立纲蔡永武; 机构福州大学机械工程及自动化学院; 出处《中国机械工程》 EI CAS CSCD 北大核心 2021年第2期147-155,共9页; 基金国家自然科学基金(51775114,51275092) 福建省工业机器人基础部件技术重大研发平台项目(2014H21010011)。; 文摘针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机(BAS-SVM)诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明:GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。; 关键词广义复合多尺度加权排列熵支持向量机等度规映射滚动轴承故障诊断; Keywords generalized composite multiscale weighted permutation entropy(GCMWPE) support vector machine(SVM) isometric mapping rolling bearing fault diagnosis; 分类号 TH165.3 [机械工程—机械制造及自动化] TN911.7 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于双频精细复合多尺度排列熵的齿轮箱损伤识别被引量：1: 6; 作者刘心费莹李倩; 机构桂林电子科技大学信息科技学院三门峡社会管理职业学院机电工程学院苏州大学金螳螂建筑学院浙江汽车职业技术学院电子工程系; 出处《机电工程》 CAS 北大核心 2023年第8期1176-1184,共9页; 基金浙江省教育科学规划课题(2021SCG303) 苏州大学虚拟仿真实验教学重点培育项目(2019-04) 虚拟仿真实验教学创新联盟2021年度第二批实验教学优质创新课程培育项目(202102XF03)。; 文摘齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。; 关键词齿轮传动损伤特征提取齿轮箱振动信号双频精细复合多尺度排列熵鲸鱼算法优化支持向量机小波包分解; Keywords gear transmission damage feature extraction gearbox vibration signal dual-frequency refined composite multiscale permutation entropy(DFRcmpe) whale algorithm optimized support vector machine(WOA-SVM) wavelet packet decomposition(WPD); 分类号 TH132.41 [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DIGWO-VMD-CMPE的轴承故障识别方法	辛昊鲁玉军朱轩逸	《机电工程》 CAS 北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于SPA和IRCMMPE的旋转机械损伤识别方法	李恒亮张思婉郭衡	《机电工程》北大核心	2025	0	在线阅读下载PDF 职称材料
3	RCMNAAPE在旋转机械故障诊断中的应用	储祥冬戴礼军涂金洲罗震寰于震秦磊	《机电工程》 CAS 北大核心	2024	0	在线阅读下载PDF 职称材料
4	基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法	董治麟郑近德潘海洋刘庆运丁克勤	《噪声与振动控制》 CSCD	2020	13	在线阅读下载PDF 职称材料
5	广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断	丁嘉鑫王振亚姚立纲蔡永武	《中国机械工程》 EI CAS CSCD 北大核心	2021	26	在线阅读下载PDF 职称材料
6	基于双频精细复合多尺度排列熵的齿轮箱损伤识别	刘心费莹李倩	《机电工程》 CAS 北大核心	2023	1	在线阅读下载PDF 职称材料