检索结果-内蒙古大学图书馆

振动与冲击 2025年第9期44卷 274-281页

作者：李姜宏郑近德潘海洋程健童靳于安徽工业大学机械工程学院安徽省智能破拆装备工程实验室

模糊熵(fuzzy entropy, FE)自提出以来就被广泛用于滚动轴承振动信号的时间序列复杂性度量，但模糊熵在单一时间序列的分析中可能无法充分捕获轴承振动信号所有故障特征。针对这一弊端，定义出一种包络模糊熵(envelope fuzzy entropy, E... 详细信息

模糊熵(fuzzy entropy, FE)自提出以来就被广泛用于滚动轴承振动信号的时间序列复杂性度量，但模糊熵在单一时间序列的分析中可能无法充分捕获轴承振动信号所有故障特征。针对这一弊端，定义出一种包络模糊熵(envelope fuzzy entropy, EFE)作为新的复杂性度量指标。进一步利用复合粗粒化的方式对时间序列的包络信号进行复合多尺度处理，提出了复合多尺度包络模糊熵(composite multi-scale envelope fuzzy entropy, CMEFE),旨在全面揭示信号的故障特征。此外，通过仿真信号验证了CMEFE能够区分不同类型的模拟信号，对比其他非线性动力学方法，结果表明提出的方法对于不同模拟信号的区分效果更为显著。在此基础上，提出一种基于复合多尺度包络模糊熵与萤火虫优化支持向量机的滚动轴承故障诊断方法。与现有方法进行对比，验证了该方法的可行性与优越性。

关键词：模糊熵(FE) 包络模糊熵(EFE) 多尺度模糊熵复合多尺度包络模糊熵(CMEFE) 萤火虫优化支持向量机滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于改进多尺度模糊熵的滚动轴承故障诊断方法

引用

振动．测试与诊断 2018年第5期38卷 929-934,1078页

作者：郑近德代俊习朱小龙潘海洋潘紫微安徽工业大学机械工程学院马鞍山243032

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采... 详细信息

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。

关键词：多尺度模糊熵改进多尺度模糊熵滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于多尺度模糊熵和改进极限学习机的球磨机负荷状态识别

引用

吉林大学学报（工学版） 2020年第6期50卷 2055-2067页

作者：蔡改贫刘鑫罗小燕戴聪聪周小云江西理工大学机电工程学院江西赣州341000

针对球磨机振动信号具有非线性、非平稳性特点导致的负荷状态难以识别问题,提出一种基于改进多尺度模糊熵(MMFE)和极限学习机(ELM)的球磨机负荷识别方法。首先,采用自适应频率窗经验小波变换(EWT)对球磨机振动信号进行预处理;其次,利用M... 详细信息

针对球磨机振动信号具有非线性、非平稳性特点导致的负荷状态难以识别问题,提出一种基于改进多尺度模糊熵(MMFE)和极限学习机(ELM)的球磨机负荷识别方法。首先,采用自适应频率窗经验小波变换(EWT)对球磨机振动信号进行预处理;其次,利用MMFE提取能表征原始振动信号的负荷状态特征;最后,利用自适应进化粒子群算法(AEPSO)优化极限学习机,进而建立出球磨机负荷识别模型。试验结果表明:MMFE能够有效区分球磨机三种负荷状态,AEPSO-ELM模型在负荷识别时有较高的精准性,整体识别率高达98.67%。以上结果证明了MMFE能较好地提取负荷状态特征;MMFE特征提取结合AEPSO-ELM的方法可实现对球磨机负荷状态的准确识别。

关键词：仪器仪表技术负荷识别球磨机多尺度模糊熵极限学习机经验小波变换

来源：评论

学校读者我要写书评

暂无评论

基于EEMD的多尺度模糊熵的齿轮故障诊断

引用

振动与冲击 2015年第14期34卷 163-167,187页

作者：杨望灿张培林王怀光陈彦龙孙也尊军械工程学院七系石家庄050003 驻二四七厂军事代表室太原030009

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(... 详细信息

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。

关键词：多尺度模糊熵 EEMD 特征参数齿轮故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于AVMD多尺度模糊熵和VPMCD算法的宽频振荡分类

引用

电力系统保护与控制 2024年第13期52卷 179-187页

作者：赵妍潘怡李亚波聂永辉东北电力大学输变电技术学院吉林吉林132012 东北电力大学电气工程学院吉林吉林132012 国网浙江省电力有限公司杭州市富阳区供电公司浙江杭州310000 东北电力大学教务处吉林吉林132012

电力系统宽频振荡具有宽频域、非线性和时变性的特点,对振荡分类在准确性、快速性等方面提出了更高的要求。为此,提出一种基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)的多尺度模糊熵(multi-scale fuzzy entr... 详细信息

电力系统宽频振荡具有宽频域、非线性和时变性的特点,对振荡分类在准确性、快速性等方面提出了更高的要求。为此,提出一种基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)的多尺度模糊熵(multi-scale fuzzy entropy,MFE)和变量预测模型(variable predictive model-based class discriminate,VPMCD)相结合的宽频振荡分类新方法。首先,对宽频振荡信号进行AVMD,得到固有模态分量(intrinsic mode functions,IMFS)。然后,引入MFE对IMFS进行时域特征描述,同时实现对IMFS构造特征向量的降维处理。最后,采用VPMCD对MFE降维后的特征向量实现宽频振荡的分类检测。通过仿真和实测数据分析,结果表明,所提方法的宽频振荡分类检测准确率比支持向量机(support vector machines,SVM)、BP神经网络方法的分类准确率更高,分类时间更短。

关键词：宽频振荡分类多尺度模糊熵变分模态分解变量预测模型

来源：评论

学校读者我要写书评

暂无评论

基于多尺度模糊熵和主成分分析的轴承故障特征提取

引用

船舶力学 2018年第10期22卷 1277-1285页

作者：李生鹏韦朋余丁峰竺一峰姜朝文周舒豪中国船舶科学研究中心江苏无锡214082

针对滚动轴承故障特征难以提取的问题,文章提出了基于多尺度模糊熵(MFE)和主成分分析(PCA)相结合的滚动轴承故障特征提取方法。首先利用经验模态分解(EMD)将原始振动信号分解成若干个本征模态函数(IMF),并根据相关系数和峭度值准则剔除... 详细信息

针对滚动轴承故障特征难以提取的问题,文章提出了基于多尺度模糊熵(MFE)和主成分分析(PCA)相结合的滚动轴承故障特征提取方法。首先利用经验模态分解(EMD)将原始振动信号分解成若干个本征模态函数(IMF),并根据相关系数和峭度值准则剔除虚假IMF分量;然后在不同尺度下求取真实IMF分量的模糊熵值,利用PCA对其进行降维处理,形成能表征不同轴承故障的特征向量,最后借用支持向量机对其进行诊断验证。实验表明,该方法可以有效地提取轴承故障信息,对4种轴承状态的识别率为95%,实现了对轴承故障的精确诊断。

关键词：故障诊断经验模态分解多尺度模糊熵主成分分析

来源：评论

学校读者我要写书评

暂无评论

基于多变量多尺度模糊熵的行星齿轮箱故障诊断

引用

振动与冲击 2019年第6期38卷 187-193页

作者：郑近德潘海洋张俊刘涛刘庆运安徽工业大学机械工程学院安徽马鞍山243032 福州大学机械工程及自动化学院福州350116

行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信... 详细信息

行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信息来提高故障诊断的效率,将评价同步多通道数据多变量复杂度的多变量多尺度熵理论引入到行星齿轮箱故障诊断。针对其统计特征稳定性差的问题,提出了多变量多尺度模糊熵,并在基础上,提出了一种新的行星齿轮箱故障诊断方法。将提出的方法应用于行星齿轮箱故障试验数据分析,并与现有方法进行对比,结果表明了所提方法的有效性和优越性。

关键词：多尺度模糊熵多变量多尺度模糊熵(MMFE) 行星齿轮箱故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

引用

航空动力学报 2017年第7期32卷 1683-1689页

作者：郑近德姜战伟代俊习潘紫微安徽工业大学机械工程学院安徽马鞍山243032

提出了一种基于自适应多尺度模糊熵、ILS(迭代拉普拉斯得分)特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉... 详细信息

提出了一种基于自适应多尺度模糊熵、ILS(迭代拉普拉斯得分)特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS(sequential forward selection)特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。

关键词：滚动轴承故障诊断多尺度模糊熵变分模态分解特征选择

来源：评论

学校读者我要写书评

暂无评论

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

引用

计量学报 2018年第2期39卷 231-236页

作者：孟宗赵东方李晶熊景鸣刘爽燕山大学河北省测试计量技术及仪器重点实验室河北秦皇岛066004

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故... 详细信息

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。

关键词：计量学滚动轴承故障诊断局部均值分解多尺度模糊熵灰色相似关联度

来源：评论

学校读者我要写书评

暂无评论

EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

引用

机械科学与技术 2021年第9期40卷 1397-1403页

作者：车守全江伟包从望朱广勇六盘水师范学院矿业与土木工程学院贵州六盘水553000

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法。首先,运用经验小波变换提取振动信号的模态分量。其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述。... 详细信息

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法。首先,运用经验小波变换提取振动信号的模态分量。其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述。然后,用VPMCD对特征向量进行自适应选择预测模型训练。最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90%的分类准确率,相较一些常用的分类方法有着更好的性能表现。

关键词：振动信号故障特征 EWT 多尺度模糊熵 VPMCD

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：