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. 基于近似熵和LCD-KELM的滚动轴承故障诊断

刘义亚1, 2，李可1, 2，宿磊1, 2

噪声与振动控制 2018, 38 (2): 162-167. DOI: 10.3969/j.issn.1006-1355.2018.02.031

摘要（903）

PDF（pc）（1776KB）（681）

由于提取滚动轴承的非平稳非线性信号特征较为困难，强噪声背景下难以诊断早期故障，故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition，LCD)和核极限学习机(Kernel Extreme Learning Machine，KELM)的智能诊断方法（LCD_KELM）。该方法首先对信号进行LCD分解，将其分解成多个內禀尺度函数（Intrinsic Scale Component ,ISC），选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy，ApEn)，使用KELM对随机选取的近似熵值进行训练，保存训练参数后，利用剩余的近似熵值进行测试，实验结果表明LCD_KELM具有较高的诊断准确率，能够对滚动轴承运行状态进行高精度诊断，从而判断滚动轴承的运转状况。