检索结果

期刊

出版年

关键词

Please wait a minute...

选择:

导出引用
EndNote Ris BibTeX

显示/隐藏图片

Select

1. 基于改进MPE与KELM的滚动轴承故障诊断

赵云, , 宿磊, , 李可, , 顾杰斐, , 卢立新,

噪声与振动控制 2022, 42 (1): 125-131.

摘要（557）

PDF（pc）（1859KB）（823）

针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题，提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy，MPE)与核极限学习机(Kernel extreme learning machine，KELM)相结合的故障诊断方法。首先，使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化；其次，计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量；最后，利用KELM对滚动轴承进行故障分类。结果表明，参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。

相关文章 | 多维度评价

Select

2. 基于奇异谱分解和两层支持向量机轴承故障诊断方法#br#

汤天宝, 周志健, 张涛, 李可, 卢立新

噪声与振动控制 2022, 42 (1): 100-105.

摘要（571）

PDF（pc）（1454KB）（948）

为了解决轴承故障诊断数据样本量少，背景噪声干扰大和准确率不高的问题，提出一种基于奇异谱分解(Singular spectral decomposition，SSD)和两层支持向量机(Two-layer support vector machines，TSVM)的轴承故障诊断方法SSD-TSVM。该方法首先采集信号构建信号矩阵，然后对矩阵进行奇异谱分解，得到奇异谱分量(Singular spectralcomponent，SSC)和残差。根据改进的峭度准则选取奇异谱分量，进行矩阵重构，完成重构后进行特征提取，生成特征向量矩阵作为TSVM的输入。在输入层完成降维处理生成新的特征向量矩阵，在输出层进行轴承故障类型分类。最后分别采用西储大学公开轴承数据集和实验室风机轴承数据集进行验证。与多种其他故障诊断方法对比表明，SSDTSVM方法在轴承故障诊断方面具有更高的准确率。