检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多尺度极差熵和专家森林的轴承故障诊断

机电工程 2022年第1期39卷 47-52页

作者：张书锋陈雪勤苏州工业园区服务外包职业学院信息工程学院江苏苏州215123 苏州大学电子信息学院江苏苏州215006

针对轴承故障的敏感特征提取与模式诊断问题,提出了一种基于多尺度极差熵的故障特征提取方法和基于专家森林算法的轴承故障识别方法。首先,介绍了轴承的3种故障模式和相应的故障特征频率,引入了多尺度理论,计算了轴承振动信号的多尺度... 详细信息

针对轴承故障的敏感特征提取与模式诊断问题,提出了一种基于多尺度极差熵的故障特征提取方法和基于专家森林算法的轴承故障识别方法。首先,介绍了轴承的3种故障模式和相应的故障特征频率,引入了多尺度理论,计算了轴承振动信号的多尺度极差熵,并将其作为特征向量;然后,研究了特征向量的主成分提取法,有效降低了特征向量维度,并提取出了高敏感特征;最后,在随机森林算法中,依据决策树预测试准确率为决策树赋予了专家权值属性,提出了专家森林算法,并将专家森林算法应用于轴承故障诊断实验中。研究结果表明:使用降维特征加随机森林的故障诊断准确率比降维前特征加随机森林的诊断准确率高了17.07%,降维特征加专家森林算法的故障诊断准确率比降维特征加随机森林高了3.47%;该结果也验证了多尺度极差熵特征提取方法与专家森林故障模式识别的有效性。

关键词：滚动轴承故障诊断多尺度极差熵专家森林算法主成分分析高敏感特征

维普期刊数据库

一种北方苍鹰参数优化的VMD-MRE轴承故障诊断方法

在线全文

学校读者我要写书评

暂无评论

机械科学与技术 2023年

作者：章涛陈勇旗廖紫洋陈杨宁波大学科学技术学院

针对变分模态分解（VMD）在轴承故障诊断中参数难以选择的问题，提出了一种基于北方苍鹰寻优算法(NGO)对VMD参数进行优化的方法。首先，采用NGO寻优算法对VMD分解的分解层数与惩罚因子进行寻优，将得到的最优参数输入到VMD中将故障信号... 详细信息

针对变分模态分解（VMD）在轴承故障诊断中参数难以选择的问题，提出了一种基于北方苍鹰寻优算法(NGO)对VMD参数进行优化的方法。首先，采用NGO寻优算法对VMD分解的分解层数与惩罚因子进行寻优，将得到的最优参数输入到VMD中将故障信号进行分解，从而得到指定个数的本征模态分量；其次，采用多尺度极差熵（MRE）的特征提取方法将VMD分解后的本征模态分量进行特征提取，形成一系列特征样本集，使其可以更好的进行故障分类；最后，通过故障分类模型对特征提取后的数据集进行故障诊断，通过实验结果说明了本文所提方法的有效性。

关键词：北方苍鹰算法变分模态分解多尺度极差熵特征提取故障诊断

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于MRE与特征类的轴承故障诊断方法

制造技术与机床 2022年第6期 50-54页

作者：李富国王俊元武增荣林炳乾吕品德范瑞天中北大学机械工程学院山西太原030051 山西航天清华装备有限责任公司山西长治046012

针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵(MRE)和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将... 详细信息

针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵(MRE)和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将提取到的特征向量输入到EigenClass分类器,得到分类结果。实验证明,提出的MRE与EigenClass算法能有效提取滚动轴承振动信号的特征,并且实现高精度分类。与其他故障识别的分类器相比,本方法具有更高的故障识别准确率,识别精度达到98.86%。

关键词：多尺度极差熵特征值分类器故障诊断

维普期刊数据库

基于熵增强ISVD的旋转机械故障诊断方法研究

在线全文

学校读者我要写书评

暂无评论

基于熵增强ISVD的旋转机械故障诊断方法研究

作者：李富国中北大学

学位级别：硕士

旋转机械的健康管理是设备正常运行前提,滚动轴承作为旋转机械重要零部件之一,其健康状况好坏直接影响旋转机械设备能否正常运行。一旦轴承健康状况发生恶化,就会影响设备故障产生,从而引发旋转机械设备各部件之间安全运行问题。因此,... 详细信息

旋转机械的健康管理是设备正常运行前提,滚动轴承作为旋转机械重要零部件之一,其健康状况好坏直接影响旋转机械设备能否正常运行。一旦轴承健康状况发生恶化,就会影响设备故障产生,从而引发旋转机械设备各部件之间安全运行问题。因此,能够及时、有效地针对轴承零部件诊断故障类型,并采取相应的维护策略,对于确保设备的安全运行和降低重大事故发生的风险有着重要的现实意义。本文搭建了一种全新的滚动轴承故障诊断模型。首先,使用传感器采集滚动轴承各种工况下的振动加速信号;其次,利用变分模态分解（VMD）对振动信号加以分解与重构抑制噪声源的影响;然后,采用多尺度排列熵（MPE）和多尺度极差熵（MRE）应用于故障特征提取;最后,通过利用改进的标准化变量距离（ISVD）分类器对轴承信号特征进行故障类型识别,通过工程实验验证了故障模型的有效性。课题主要工作如下:（1）针对滚动轴承实际工作环境中收集到的振动加速信号存在噪声干扰,利用变分模态分解算法进行降噪。并与常用的降噪算法经验模态分解（EMD）进行分析与比较。最后,经过仿真实验案列表明变分模态算法在降噪方面的有效性。（2）滚动轴承故障特征提取。传统的特征提取方法只能提取线性和平稳的振动信号。然而,滚动轴承的振动常常是非线性非平稳信号。因此,将排列熵和极差熵结合多尺度方法全面提取蕴含在轴承中的信息,构建高维特征向量。通过仿真和实验验证了所提方法在故障特征提取方面有着显著的优势。（3）由于标准化变量距离（SVD）分类器在分类多尺度排列熵和多尺度极差熵提取的故障受到高维特征向量的影响,因此,引入了降维算法对SVD进行了改进并称为改进的标准化变量距离（ISVD）分类器。通过工程实验与其他机器学习分类器比较验证了ISVD的优越性。（4）建立了一种基于VMD,MPE+MRE和ISVD的滚动轴承故障诊断新技术,并利用工程实验案例分析对故障模型进行了验证。

关键词：滚动轴承故障诊断多尺度极差熵标准化变量距离