检索结果-内蒙古大学图书馆

作者：邸志强内蒙古科技大学

学位级别：硕士

滚动轴承作为大型机械中一个非常重要的组成部分,因为其经常工作在复杂工况和恶劣环境之中,因此滚动轴承是最容易损坏的机械零件之一。2014年某电厂两台总装容量4×100组的送风机因为轴承温度过高导致部分轴承滚脱落,从而导致风机... 详细信息

滚动轴承作为大型机械中一个非常重要的组成部分,因为其经常工作在复杂工况和恶劣环境之中,因此滚动轴承是最容易损坏的机械零件之一。2014年某电厂两台总装容量4×100组的送风机因为轴承温度过高导致部分轴承滚脱落,从而导致风机停运。因此一旦发轴承生故障,将带来很大的安全隐患和经济损失。所以对滚动轴承的故障诊断方法进行研究具有非常重要的意义。本文针对EMD、EEMD这些比较传统的时频信号分解方法所存在的一些缺点,采用了一种比较新的信号分解方法VMD。同时通过构造一些仿真函数分别利用VMD和EEMD进行分解,所得结果能够更好地说明EEMD所存在的一些问题如模态混叠和端点效应现象。然后通过分解实际滚动故障轴承信号并且根据其中心频率相近原则确定了VMD模态参数K,利用VMD分解实际轴承故障信号更好地说明了VMD可以更加精确地发现故障特征率特征。接着具体介绍了排列熵与多尺度排列熵的基本原理。说明了多尺度排列熵是多尺度理论与信息熵理论所结合的产物,多尺度排列熵既可以深层次地挖掘故障信号的特征,又能够清楚地对故障特征进行定量描述,说明了多尺度排列熵能够灵敏地捕捉到信号在各个时间尺度下的特征信息。同时通过构造仿真函数并求其多尺度排列熵值从而更好的理解了多尺度排列熵算法的定义。最后对多尺度排列熵算法的一些关键参数进行了确定。然后具体介绍了实验数据的的采集过程以及实验数据的处理。最后通过VMD与多尺度排列熵算法相结合,通过VMD分解实验室所采集到的不同类型的轴承故障信号,并分别计算了每个模态分量的多尺度排列熵值。并通过基于VMD-MPE的方法构建了特征向量。最后就是滚动轴承故障进行识别的过程,利用流程图更直观地介绍了滚动轴承故障识别的完整过程。并且介绍了LSSVM的基本原理。将所构造特征向量输入到训练好的LSSVM中进行识别分类。同时通过本文所提方法计算不同转速下的轴承,转速不同其故障诊断结果也不相同。实验结果表明在转速为1000r/min时故障诊断准确率为92.5%。转速为1500r/min时故障诊断准确率为97.5%。转速为2000r/min时故障诊断准确率为93.3%。

关键词：滚动轴承故障诊断变分模态分解多尺度排列熵最小二乘支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于多尺度排列熵和长短时记忆神经网络的滚动轴承故障诊断研究

基于多尺度排列熵和长短时记忆神经网络的滚动轴承故障诊断研究

引用

作者：吴欣然福州大学

学位级别：硕士

滚动轴承作为重要的机械零件,在工程实际中不可或缺,通常由于外部载荷工况影响和自身的装配问题,其十分容易损坏。其损坏将直接影响到器械的正常工作,并带来安全隐患。在滚动轴承故障运行周期中,及时采用故障诊断的技术能够实现滚动轴... 详细信息

滚动轴承作为重要的机械零件,在工程实际中不可或缺,通常由于外部载荷工况影响和自身的装配问题,其十分容易损坏。其损坏将直接影响到器械的正常工作,并带来安全隐患。在滚动轴承故障运行周期中,及时采用故障诊断的技术能够实现滚动轴承早期诊断,并及时进行更换等处理,具有一定的工程意义。因此,本文尝试以滚动轴承为主要研究对象,采集振动信号,并研究信号降噪处理方法、特征提取方法和状态识别方法。因此,本文的主要内容具体如下: (1)首先提出一种自适应噪声完备集合经验模态分解与参数优化的多点最优最小熵解卷积相结合的滚动轴承故障特征提取方法。对滚动轴承原始振动信号进行自适应噪声完备集合经验模态分解,并依据峭度-相关系数准则比较分解出本征模态函数并筛选出包含原始信号的大部分故障信息的最优分量。继而运用粒子群算法优化的多点最优最小熵解卷积加强重构信号中的故障特征冲击成分,最后分析其包络频谱,通过对比包络谱中的特征频率和理论特征频率诊断滚动轴承的故障状态。依据信号的包络频谱可以看到明显的滚动轴承故障特征频率和各阶倍频的谱线,对滚动轴承故障特征提取具有一定的参考价值。 (2)针对大型门座起重机回转支承复杂的结构组成和故障形式,将上述提出的滚动轴承故障诊断方法应用于大型回转支承的故障诊断中。首先使用上章的特征提取方法对采集的回转支承振动信号进行特征提取;然后计算回转支承各部位的故障特征频率,再对所采集数据进行处理,得到诊断结果。所得结果表明,使用上述方法能够得到明显的回转支承的故障特征频率及其倍频,有效滤除了信号中的大量噪声,可知所提方法对于门座式起重机回转支承的故障诊断也是通用的。 (3)为能够进一步实现对滚动轴承多种故障类型更高的识别率,提出了一种基于自适应噪声完备集合经验模态分解、多尺度排列熵和长短期记忆神经网络的滚动轴承损伤程度识别方法。采用自适应噪声完备集合经验模态分解算法分解振动信号,依据峭度-相关系数准则比较各分量并筛选出最优分量,使用粒子群算法优化的多尺度排列熵值构建高维特征集,利用核主成分分析降维的低维特征集,将低维特征集输入到长短期记忆神经网络以识别轴承故障。通过与其它两种典型的模式识别方法对比,可知该方法具有更高的故障诊断率,实现了对多种轴承故障类型的更有效、更准确、更可靠的识别。

关键词：自适应噪声完备集合经验模态分解多点最优最小熵解卷积特征提取多尺度排列熵长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

抑郁症脑磁图的多尺度排列熵与符号转移熵的研究

抑郁症脑磁图的多尺度排列熵与符号转移熵的研究

引用

作者：张碧晗南京邮电大学

学位级别：硕士

抑郁症是一种常见且严重的情绪障碍疾病,它能使人的感觉、思维和日常活动受负面情绪影响,更甚者会导致自杀。抑郁症临床表现多样、发病机制复杂,在抑郁症的研究中,脑磁图凭借着较高的时间和空间分辨率受到广泛的关注。大脑活动是典型的... 详细信息

抑郁症是一种常见且严重的情绪障碍疾病,它能使人的感觉、思维和日常活动受负面情绪影响,更甚者会导致自杀。抑郁症临床表现多样、发病机制复杂,在抑郁症的研究中,脑磁图凭借着较高的时间和空间分辨率受到广泛的关注。大脑活动是典型的非线性复杂系统,对脑磁图信号的非线性动力学特征的研究具有重要的意义。本文对抑郁症患者和健康受试者情绪图片刺激的脑磁图数据,分别利用多尺度排列熵、符号转移熵以及信号分频段分解与排列熵相结合的方法进行了以下三方面的研究。第一,在对脑磁图多尺度排列熵的复杂度分析中,对尺度因子、嵌入维数等参数对实验的影响进行了详细的分析并且对各通道下的抑郁症患者和健康受试者的多尺度排列熵进行了分析。结果表明,尺度因子为8,嵌入维数为4时,有最佳的分析结果,且正常人的各通道的多尺度排列熵明显大于抑郁症患者,在额区尤为显著。第二,结合基本尺度符号化和转移熵,用符号转移熵算法在对脑磁图左右对称通道的分析中,额区对称通道的耦合信息能够更好地区分两类受试者。另外,在同一脑区的非对称通道的分析中,右额区能够更好地区分抑郁症患者和健康受试者,而且抑郁症患者较之正常人表现出了更低的转移熵熵值。第三,使用多尺度排列熵分析脑磁图信号按频域分解并分析其复杂度。由于不同频域包含的信息不同,分析结果表明抑郁症患者脑磁图在信号低频部分有较低的复杂度,而高频部分却表现出较高的排列熵熵值。结合在多尺度排列熵和符号转移熵的分析中发现抑郁症患者受不同情绪刺激的影响较大,尤其是在负性情绪刺激下比正性情绪刺激下表现出更低的复杂度。通过数据在额区以及不同情绪刺激下的研究,可以较好地区分出抑郁症患者以及正常人,从而为临床诊断提供一定的参考价值。

关键词：抑郁症脑磁图多尺度排列熵符号转移熵

来源：评论

学校读者我要写书评

暂无评论

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断方法

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断方法

引用

作者：张运东燕山大学

学位级别：硕士

机械设备的正常运转是工业生产的重要保障,因而其故障诊断技术日益受到重视。论文以振动信号分析为基础,从故障特征提取、模式识别两个关键环节进行研究,提出了基于快速变分模态分解(FVMD)、参数优化多尺度排列熵和特征加权GK模糊聚类... 详细信息

机械设备的正常运转是工业生产的重要保障,因而其故障诊断技术日益受到重视。论文以振动信号分析为基础,从故障特征提取、模式识别两个关键环节进行研究,提出了基于快速变分模态分解(FVMD)、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法。在快速变分模态分解方法中,对拉格朗日乘法算子进行二次更新,使算法的收敛速度加快。在迭代终止准则不变的情况下,快速变分模态分解的运行时间、迭代次数减少。通过仿真信号对快速变分模态分解方法的噪声鲁棒性及分离多分量信号的能力进行分析验证,并将快速变分模态分解应用于滚动轴承的故障诊断。其次,对多尺度排列熵算法的参数时间序列长度N、嵌入维数m、延迟时间τ和尺度因子s进行研究。针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法。之后,利用多尺度排列熵量化故障特征,将快速变分模态分解与参数优化多尺度排列熵结合用于故障特征提取,并通过轴承振动信号验证其有效性。再次,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类新方法。之后,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别。应用该方法处理轴承不同故障类型、不同损伤程度的共10种状态的振动信号。通过对比分析,验证其优越性。最后,以在机械故障实验平台上分别采集的轴承、齿轮故障数据作为研究对象,利用快速变分模态分解方法重构原始故障信号,结合参数优化多尺度排列熵算法进行故障特征提取,进而应用ReliefF特征加权GK模糊聚类与择近原则对故障分类识别。结果表明,相对于改进前的变分模态分解、多尺度排列熵和传统GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率更高。

关键词：故障诊断快速变分模态分解多尺度排列熵 GK模糊聚类

来源：评论

学校读者我要写书评

暂无评论

基于改进VMD和多尺度排列熵的混合声音事件特征提取

引用

应用技术学报 2022年第2期22卷 144-153页

作者：刘爽沈希忠上海应用技术大学电气与电子工程学院上海201418

声音事件特征提取的进步可以提升声音识别系统在噪声背景下的识别性能。将最早用于故障诊断领域的变分模态分解(VMD)算法应用于混合声音事件特征提取,利用粒子群算法(PSO)改进VMD算法,并用经验模态分解(EMD)算法作对比。利用VMD算法和EM... 详细信息

声音事件特征提取的进步可以提升声音识别系统在噪声背景下的识别性能。将最早用于故障诊断领域的变分模态分解(VMD)算法应用于混合声音事件特征提取,利用粒子群算法(PSO)改进VMD算法,并用经验模态分解(EMD)算法作对比。利用VMD算法和EMD算法对带有简单混合声音事件的信号进行分解,得到多个本征模态分量,计算其相关系数,根据相关最大原则合成和拼接各分量重构信号,确定分量所属类型,结合多尺度排列熵(MPE)计算各分量MPE值,成功提取出发动机信号,在处理简单混合声音信号的过程中,VMD算法优于EMD算法的结果。将PSO-VMD算法、VMD算法、EMD算法应用于更复杂的信号分解处理过程,再结合MPE完成对声音信号的特征提取,最后通过对比MPE分布图,可知VMD算法及PSO-VMD算法更优于EMD算法,在分解信号方面更精确,结合MPE提取特征更容易区分。

关键词：粒子群算法-变分模态分解变分模态分解经验模态分解声音事件特征提取多尺度排列熵

来源：评论

学校读者我要写书评

暂无评论

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

引用

噪声与振动控制 2019年第6期39卷 181-186页

作者：张建财高军伟青岛大学自动化学院

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识... 详细信息

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。

关键词：故障诊断变分模态分解多尺度排列熵粒子群算法概率神经网络

来源：评论

学校读者我要写书评

暂无评论

基于EEMD-多尺度排列熵-SVM的小电流系统故障选线仿真

引用

计算机与数字工程 2021年第8期49卷 1724-1729页

作者：林海涛曹春诚国网呼伦贝尔供电公司呼伦贝尔021100

针对小电流系统故障时选线困难,提出结合多尺度排列熵与SVM的选线方法。首先,用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法对故障时各线路的零序电流进行分解。其次,计算固有模态函数的多尺度排列熵,建立SVM分... 详细信息

针对小电流系统故障时选线困难,提出结合多尺度排列熵与SVM的选线方法。首先,用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法对故障时各线路的零序电流进行分解。其次,计算固有模态函数的多尺度排列熵,建立SVM分类器。最后,利用多尺度排列熵作为特征向量训练相应的SVM分类器,通过SVM输出分类结果,判断故障线路。通过实验表明,该方法选线计算速度快,原理简单,准确率高。

关键词：小电流系统集合经验模态分解 SVM 多尺度排列熵固有模态函数

来源：评论

学校读者我要写书评

暂无评论

基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法

引用

噪声与振动控制 2020年第2期40卷 102-108页

作者：董治麟郑近德潘海洋刘庆运丁克勤安徽工业大学机械工程学院安徽马鞍山243032 教育部液压振动与控制工程研究中心安徽马鞍山243032 中国特种设备检验研究院北京100029

MPE算法中不充分的时间序列粗粒化过程会造成原始振动信号在时间序列中信息的缺失。为优化这种不成熟的粗粒化过程,相关学者创新地采用复合粗粒化的思想,提出了复合多尺度排列熵(CMPE)。为了实现滚动轴承的智能故障诊断,提出一种基于CMP... 详细信息

MPE算法中不充分的时间序列粗粒化过程会造成原始振动信号在时间序列中信息的缺失。为优化这种不成熟的粗粒化过程,相关学者创新地采用复合粗粒化的思想,提出了复合多尺度排列熵(CMPE)。为了实现滚动轴承的智能故障诊断,提出一种基于CMPE与萤火虫优化支持向量机(FO-SVM)的滚动轴承智能故障诊断方法。首先使用CMPE表征滚动轴承的原始故障信息,然后构建FO-SVM多故障分类器,实现对滚动轴承故障类型和程度的智能识别。通过仿真信号分析验证了CMPE相对于MPE在信号稳定性方面的优越性;实验数据分析结果表明:相比于基于MPE与FO-SVM的滚动轴承故障诊断方法,所提故障诊断方法不仅能够准确诊断滚动轴承的故障类型和程度,而且识别率达到了100%。

关键词：振动与波多尺度排列熵复合多尺度排列熵滚动轴承故障诊断萤火虫优化支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于广义CP张量分解和多尺度排列熵的液压泵故障诊断

引用

液压气动与密封 2021年第9期41卷 90-96页

作者：林青云叶杰凯侯巍梁登黄李威丽水市特种设备检测院浙江丽水323000

针对现有液压泵故障诊断算法故障识别精度低、实测信号中存在冗杂信息和无关成分干扰等问题,提出了一种在高维空间对液压泵振动信号进行处理和模式识别的方法。首先利用Lowner矩阵将一维时间序列信号进行高维张量化,然后基于广义CP张量... 详细信息

针对现有液压泵故障诊断算法故障识别精度低、实测信号中存在冗杂信息和无关成分干扰等问题,提出了一种在高维空间对液压泵振动信号进行处理和模式识别的方法。首先利用Lowner矩阵将一维时间序列信号进行高维张量化,然后基于广义CP张量分解(GCP)算法,根据数据分布类型选择适当的损失函数以确定最佳低秩模型,实现对液压泵采集得到的振动信号进行分解,降低分解损失,提高分解精度。最后选择分解结果中与原始信号相似度最高的模式分量,计算其多尺度排列熵(MPE)值进行液压泵不同故障类型的特征识别。将该文所提方法应用于液压泵故障实验台的实测数据分析,验证了其在液压泵故障诊断中的有效性。

关键词：广义CP张量分解多尺度排列熵液压泵故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于改进多尺度排列熵的S700K转辙机故障诊断

引用

兰州交通大学学报 2021年第2期40卷 50-57,65页

作者：李政魏文军兰州交通大学自动化与电气工程学院兰州730070 兰州交通大学光电技术与智能控制教育部重点实验室兰州730070

基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine, SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获... 详细信息

基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine, SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数,为了降低计算维度,应用核主元分析理论,在不损失信号重要特征的情况下,取大于95%贡献率的特征值作为故障特征向量;最后,引入基于决策树的SSVM算法,经过小样本训练得到树状最优故障间隔面,从而实现S700K转辙机故障分类.实验结果表明:该方法可有效判定S700K转辙机故障类型,进而提高故障诊断精度和效率.

关键词：铁道工程 S700K转辙机故障诊断多尺度排列熵支持向量机核主元分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：