期刊文献+
共找到8篇文章
< 1 >
每页显示 20 50 100
基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型
1
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... 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。 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
基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的风电机组变桨轴承退化状态评估 被引量:3
2
作者 王晓龙 李英晟 +1 位作者 付锐棋 何玉灵 《动力工程学报》 CAS CSCD 北大核心 2024年第5期782-791,共10页
针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提... 针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提出的多元精细复合多尺度波动散布熵算法来获取多通道监测数据的多尺度状态特征,并将累积和检验算法与欧氏距离矩阵测度方法相结合,用于定量衡量基准样本与待分析样本间的差异,从而实现变桨轴承退化状态评估。风电机组变桨轴承全寿命周期加速疲劳实验验证结果表明:该模型能够及时捕捉到变桨轴承的初始退化时刻并且准确跟踪整个退化过程。 展开更多
关键词 风电机组 变桨轴承 退化状态评估 多元精细复合多尺度波动散布熵 累积欧氏距离矩阵测度
在线阅读 下载PDF
基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究 被引量:3
3
作者 程志平 王潞红 +1 位作者 欧斌 吴军良 《机电工程》 CAS 北大核心 2024年第5期807-816,共10页
采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)... 采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。 展开更多
关键词 旋转机械 故障诊断 齿轮箱 离心泵 复合多元多尺度波动散布熵 哈里斯鹰优化极限学习机
在线阅读 下载PDF
基于多元多尺度离散熵的气液两相流流动特性分析 被引量:1
4
作者 武传宝 张立峰 《计量学报》 CSCD 北大核心 2024年第11期1681-1687,共7页
提出了一种基于多元多尺度离散熵的垂直管道气液两相流流动特性分析方法。使用阵列电导传感器获取垂直上升管道气液两相流流型信息,将采集到的高维时间序列使用主成分分析方法进行降维。然后采用多元多尺度离散熵(multivariate multisca... 提出了一种基于多元多尺度离散熵的垂直管道气液两相流流动特性分析方法。使用阵列电导传感器获取垂直上升管道气液两相流流型信息,将采集到的高维时间序列使用主成分分析方法进行降维。然后采用多元多尺度离散熵(multivariate multiscale dispersion entropy,mvMDE)来度量不同流型多元时间序列的复杂度,并与用于一元时间序列的多尺度离散熵(MDE)进行对比,计算mvMDE前10个尺度的平均值和前5个尺度的增长速率。结果表明,相同流型所对应的mvMDE差异性更大,且mvMDE对于流型转变更敏感。因此mvMDE可以更有效揭示两相流由泡状到段塞的演变过程,从气泡的聚合发展到气塞的逐渐破碎,从伪周期的出现到衰退都可以被熵值的变化所反映,且平均值与增长速率的联合分布可有效实现流型辨识。 展开更多
关键词 流量计量 气液两相流 阵列电导传感器 流动特性 多元多尺度离散熵
在线阅读 下载PDF
基于声振信号融合的IRCMMDE离心泵损伤检测方法 被引量:6
5
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... 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。 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
基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断 被引量:8
6
作者 陈琳伟 应娉婷 +2 位作者 汤何胜 任燕 向家伟 《液压与气动》 北大核心 2023年第11期142-149,共8页
为了解决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,提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先,采用多传感器对振动信号进行采集,完善振动信号的故障特征信息。其次,针对振动信... 为了解决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,提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先,采用多传感器对振动信号进行采集,完善振动信号的故障特征信息。其次,针对振动信号的非平稳、非线性等特征,提出基于多元多尺度散布熵的多通道融合方法,获取一维故障特征向量,从而达到增强故障冲击特征的目的。然后,将故障特征向量输入到深度残差收缩网络模型,通过注意力机制,利用软阈值函数降低样本噪声及无关特征干扰,实现轴向柱塞泵故障特征识别。最后,通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明,该方法可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法。 展开更多
关键词 轴向柱塞泵 多元多尺度散布熵 多传感器融合 深度残差收缩网络 故障诊断
在线阅读 下载PDF
A comparative study of four nonlinear dynamic methods and their applications in classification of ship-radiated noise 被引量:1
7
作者 Yu-xing Li Shang-bin Jiao +2 位作者 Bo Geng Qing Zhang You-min Zhang 《Defence Technology(防务技术)》 SCIE EI CAS CSCD 2022年第2期183-193,共11页
Refined composite multi-scale dispersion entropy(RCMDE),as a new and effective nonlinear dynamic method,has been applied in the field of medical diagnosis and fault diagnosis.In this paper,we first introduce RCMDE int... Refined composite multi-scale dispersion entropy(RCMDE),as a new and effective nonlinear dynamic method,has been applied in the field of medical diagnosis and fault diagnosis.In this paper,we first introduce RCMDE into the field of underwater acoustic signal processing for complexity feature extraction of ship radiated noise,and then propose a novel classification method for ship-radiated noise based on RCMDE and k-nearest neighbor(KNN),termed RCMDE-KNN.The results of a comparative experiment show that the proposed RCMDE-KNN classification method can effectively extract the complexity features of ship-radiated noise,and has better classification performance under one and two scales than the other three classification methods based on multi-scale permutation entropy(MPE)and KNN,multi-scale weighted-permutation entropy(MW-PE)and KNN,and multi-scale dispersion entropy(MDE)and KNN,termed MPE-KNN,MW-PE-KNN,and MDE-KNN.It is proved that the RCMDE-KNN classification method for ship-radiated noise is feasible and effective,and can obtain a very high recognition rate. 展开更多
关键词 Nonlinear dynamic Refined composite multi-scale dispersion entropy(RCMDE) multi-scale dispersion entropy(MDE) multi-scale weighted-permutation entropy (MW-PE) multi-scale permutation entropy(MPE) Classification of ship-radiated noise
在线阅读 下载PDF
改进多元层次波动色散熵及其在滚动轴承故障诊断中的应用 被引量:15
8
作者 周付明 杨小强 +2 位作者 申金星 刘武强 刘小林 《振动与冲击》 EI CSCD 北大核心 2021年第22期167-174,共8页
针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entro... 针对滚动轴承振动信号故障特征难以提取以及单通道振动信号分析易存在故障信息缺漏的问题,提出一种新的衡量多通道时间序列动态特征的方法——改进多元层次波动色散熵(modified multivariate hierarchical fluctuation dispersion entropy,MMHFDE),将其用于提取滚动轴承多通道振动信号中的故障特征,在此基础上提出一种基于MMHFDE,最大相关最小冗余(max-relevance and min-redundancy,mRMR)和粒子群优化核极限学习机(particle swarm optimization kernel extreme learning machine,PSO-KELM)的滚动轴承故障诊断新方法。使用MMHFDE提取滚动轴承不同状态的故障特征,而后采用mRMR从得到的故障特征中筛选敏感特征构成敏感特征向量;将敏感特征向量输入到基于PSO-KELM构建的故障分类器中进行故障识别。由试验结果可知,提出的方法可以有效识别滚动轴承不同故障状态。 展开更多
关键词 改进多元层次波动色散熵(MMHFDE) 最大相关最小冗余(mRMR) 粒子群优化核极限学习机(PSO-KELM) 滚动轴承 故障诊断
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部