期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
舰船电力系统生命周期研究
1
作者
白静
宋秀慧
《舰船科学技术》
北大核心
2019年第14期94-96,共3页
在强烈的电力需求带动下,为了提升船舶电力系统的能源传输效率,非常有必要对整个船舶电力系统生命周期进行深入的研究。目前我国电力系统行业监管结构中,生命周期管理模式较为常见,能整合船舶电力系统运行的经济价值,值得广泛推广。生...
在强烈的电力需求带动下,为了提升船舶电力系统的能源传输效率,非常有必要对整个船舶电力系统生命周期进行深入的研究。目前我国电力系统行业监管结构中,生命周期管理模式较为常见,能整合船舶电力系统运行的经济价值,值得广泛推广。生命周期体系不仅能从电力系统项目决策、设计以及后期运行维护等层面维护船舶电力系统的运行质量,也能对各个阶段的费用予以核查,从而制定完整的决策分析,提升船舶电力系统应用和运行的综合价值。所以,重点研究并分析舰船电力系统生命周期十分有必要。
展开更多
关键词
电力系统
生命周期
优化
在线阅读
下载PDF
职称材料
融合多特征信息与GWO-SVM的机械关键设备故障诊断
2
作者
宋玲玲
王琳
+1 位作者
钟丽
李晨曦
《机械设计与制造》
北大核心
2024年第11期116-121,共6页
为了提高机械关键设备故障诊断的精度,建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)改进支持向量机(Support Vector Machine,SVM)(GWO-SVM)的...
为了提高机械关键设备故障诊断的精度,建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)改进支持向量机(Support Vector Machine,SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先,提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征,分别对比不同特征的机械关键设备故障诊断结果。其次,为提高SVM模型性能,运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择,提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比,基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。这里算法可以有效提高机械关键设备故障诊断正确率,为机械关键设备故障诊断提供了新的方法。
展开更多
关键词
时域特征
灰狼优化算法
支持向量机
频域特征
多尺度加权排列熵
在线阅读
下载PDF
职称材料
题名
舰船电力系统生命周期研究
1
作者
白静
宋秀慧
机构
烟台职业学院电气与电子工程系
出处
《舰船科学技术》
北大核心
2019年第14期94-96,共3页
文摘
在强烈的电力需求带动下,为了提升船舶电力系统的能源传输效率,非常有必要对整个船舶电力系统生命周期进行深入的研究。目前我国电力系统行业监管结构中,生命周期管理模式较为常见,能整合船舶电力系统运行的经济价值,值得广泛推广。生命周期体系不仅能从电力系统项目决策、设计以及后期运行维护等层面维护船舶电力系统的运行质量,也能对各个阶段的费用予以核查,从而制定完整的决策分析,提升船舶电力系统应用和运行的综合价值。所以,重点研究并分析舰船电力系统生命周期十分有必要。
关键词
电力系统
生命周期
优化
Keywords
power system
life cycle
optimization
分类号
U674.7 [交通运输工程—船舶及航道工程]
在线阅读
下载PDF
职称材料
题名
融合多特征信息与GWO-SVM的机械关键设备故障诊断
2
作者
宋玲玲
王琳
钟丽
李晨曦
机构
烟台职业学院电气与电子工程系
鲁东大学信息与
电气
工程
学院
山东理工大学机械
工程
学院
出处
《机械设计与制造》
北大核心
2024年第11期116-121,共6页
基金
山东省2021年度职业教育教学改革研究项目(2021119)。
文摘
为了提高机械关键设备故障诊断的精度,建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)改进支持向量机(Support Vector Machine,SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先,提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征,分别对比不同特征的机械关键设备故障诊断结果。其次,为提高SVM模型性能,运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择,提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比,基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。这里算法可以有效提高机械关键设备故障诊断正确率,为机械关键设备故障诊断提供了新的方法。
关键词
时域特征
灰狼优化算法
支持向量机
频域特征
多尺度加权排列熵
Keywords
Time Domain Feature
Grey Wolf Optimization Algorithm
Support Vector Machine
Frequency Domain Feature
Multi-Scale Weighted Permutation Entropy
分类号
TH16 [机械工程—机械制造及自动化]
TP391 [自动化与计算机技术—计算机应用技术]
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
舰船电力系统生命周期研究
白静
宋秀慧
《舰船科学技术》
北大核心
2019
0
在线阅读
下载PDF
职称材料
2
融合多特征信息与GWO-SVM的机械关键设备故障诊断
宋玲玲
王琳
钟丽
李晨曦
《机械设计与制造》
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
