期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于变分模态分解和多尺度排列熵的故障诊断
被引量:
42
1
作者
陈东宁
张运东
+2 位作者
姚成玉
来博文
吕世君
《计算机集成制造系统》
EI
CSCD
北大核心
2017年第12期2604-2612,共9页
为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量...
为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。
展开更多
关键词
故障诊断
滚动轴承
变分模态分解
多尺度排列熵
GK模糊聚类
下载PDF
职称材料
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
被引量:
22
2
作者
姚成玉
来博文
+2 位作者
陈东宁
孙飞
吕世君
《中国机械工程》
EI
CAS
CSCD
北大核心
2017年第24期3001-3012,共12页
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并...
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。
展开更多
关键词
故障诊断
变分模态分解
最小熵解卷积
模糊近似熵
支持向量机
下载PDF
职称材料
基于YOLOv5-seg的多模型电石检测分割系统
3
作者
郝俊峰
李玉涛
来博文
《现代计算机》
2023年第16期1-7,14,共8页
针对实际的电石业务场景,基于YOLO系列模型设计了电石检测分割的方法,并开发了相应的系统。首先,通过采集大量的图像样本构建了较大规模的数据集并进行标注;为了节省算力和提高准确率,将检测和分割分为两个模块,模型分别为YOLOv5-l和YOL...
针对实际的电石业务场景,基于YOLO系列模型设计了电石检测分割的方法,并开发了相应的系统。首先,通过采集大量的图像样本构建了较大规模的数据集并进行标注;为了节省算力和提高准确率,将检测和分割分为两个模块,模型分别为YOLOv5-l和YOLOv5-seg-m。在实验中,对模型的内部结构进行了一系列的改进,提高了算法的运算速度;并在此基础上对模型进行了参数量化,进一步节省了带宽、降低了模型的存储和运算所需的空间。相比于MaskR-CNN算法,在分割效果接近的情况下,速度得到了极大的提升。很好地完成了检测和分割电石的任务,为后续的生产自动化和无人化打下了基础,填补了相关检测的空白。之后将会针对排除光照影响、提高分割精度和评判电石质量模型继续研究。
展开更多
关键词
电石
YOLOv5-seg
CSPNet
参数量化
下载PDF
职称材料
基于参数优化MPE与FCM的滚动轴承故障诊断
被引量:
5
4
作者
陈东宁
张运东
+2 位作者
姚成玉
来博文
吕世君
《轴承》
北大核心
2017年第5期33-38,44,共7页
为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,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,基于遗传算法与微粒群算法对参数进行优化;然后,利...
为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,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,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。
展开更多
关键词
滚动轴承
故障诊断
参数优化
多尺度排列熵
遗传算法
微粒群算法
模糊C均值聚类
下载PDF
职称材料
题名
基于变分模态分解和多尺度排列熵的故障诊断
被引量:
42
1
作者
陈东宁
张运东
姚成玉
来博文
吕世君
机构
燕山大学河北省重型机械流体动力传输与控制实验室
先进锻压成形技术与科学教育部重点实验室(燕山大学)
燕山大学河北省工业计算机控制工程重点实验室
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2017年第12期2604-2612,共9页
基金
国家自然科学基金资助项目(51675460
51405426)
+1 种基金
河北省自然科学基金资助项目(E2016203306)
中国博士后科学基金资助项目(2017M621101)~~
文摘
为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。
关键词
故障诊断
滚动轴承
变分模态分解
多尺度排列熵
GK模糊聚类
Keywords
fault diagnosis
rolling bearing
variational mode decomposition
multi-scale permutation
GK fuzzy clus-termg
分类号
TH165.3 [机械工程—机械制造及自动化]
TH133.33 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
被引量:
22
2
作者
姚成玉
来博文
陈东宁
孙飞
吕世君
机构
燕山大学河北省工业计算机控制工程重点实验室
燕山大学河北省重型机械流体动力传输与控制重点实验室
先进锻压成形技术与科学教育部重点实验室(燕山大学)
出处
《中国机械工程》
EI
CAS
CSCD
北大核心
2017年第24期3001-3012,共12页
基金
国家自然科学基金资助项目(51675460
51405426)
+1 种基金
河北省自然科学基金资助项目(E2016203306)
中国博士后科学基金资助项目(2017M621101)
文摘
提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。
关键词
故障诊断
变分模态分解
最小熵解卷积
模糊近似熵
支持向量机
Keywords
fault diagnosis
variational mode decomposition(VMD)
minimum entropy deconvolution(MED)
fuzzy approximate entropy
support vector machine(SVM)
分类号
TH165.3 [机械工程—机械制造及自动化]
TH133.33 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
基于YOLOv5-seg的多模型电石检测分割系统
3
作者
郝俊峰
李玉涛
来博文
机构
河钢数字技术股份有限公司人工智能工作室
河钢数字技术股份有限公司技术中心本部
出处
《现代计算机》
2023年第16期1-7,14,共8页
文摘
针对实际的电石业务场景,基于YOLO系列模型设计了电石检测分割的方法,并开发了相应的系统。首先,通过采集大量的图像样本构建了较大规模的数据集并进行标注;为了节省算力和提高准确率,将检测和分割分为两个模块,模型分别为YOLOv5-l和YOLOv5-seg-m。在实验中,对模型的内部结构进行了一系列的改进,提高了算法的运算速度;并在此基础上对模型进行了参数量化,进一步节省了带宽、降低了模型的存储和运算所需的空间。相比于MaskR-CNN算法,在分割效果接近的情况下,速度得到了极大的提升。很好地完成了检测和分割电石的任务,为后续的生产自动化和无人化打下了基础,填补了相关检测的空白。之后将会针对排除光照影响、提高分割精度和评判电石质量模型继续研究。
关键词
电石
YOLOv5-seg
CSPNet
参数量化
Keywords
calcium carbide
YOLOv5-seg
CSPNet
parameter quantification
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TQ161 [化学工程—高温制品工业]
下载PDF
职称材料
题名
基于参数优化MPE与FCM的滚动轴承故障诊断
被引量:
5
4
作者
陈东宁
张运东
姚成玉
来博文
吕世君
机构
燕山大学河北省重型机械流体动力传输与控制实验室
燕山大学先进锻压成形技术与科学教育部重点实验室
燕山大学河北省工业计算机控制工程重点实验室
出处
《轴承》
北大核心
2017年第5期33-38,44,共7页
基金
国家自然科学基金项目(51675460
51405426)
河北省自然科学基金项目(E2016203306)
文摘
为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,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,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。
关键词
滚动轴承
故障诊断
参数优化
多尺度排列熵
遗传算法
微粒群算法
模糊C均值聚类
Keywords
rolling bearing
fault diagnosis
parameter optimized
multi -scale permutation entropy
genetic algo- rithm
particle swarm optimization
fuzzy C -means clustering
分类号
TH133.3 [机械工程—机械制造及自动化]
TN911.7 [电子电信—通信与信息系统]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于变分模态分解和多尺度排列熵的故障诊断
陈东宁
张运东
姚成玉
来博文
吕世君
《计算机集成制造系统》
EI
CSCD
北大核心
2017
42
下载PDF
职称材料
2
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
姚成玉
来博文
陈东宁
孙飞
吕世君
《中国机械工程》
EI
CAS
CSCD
北大核心
2017
22
下载PDF
职称材料
3
基于YOLOv5-seg的多模型电石检测分割系统
郝俊峰
李玉涛
来博文
《现代计算机》
2023
0
下载PDF
职称材料
4
基于参数优化MPE与FCM的滚动轴承故障诊断
陈东宁
张运东
姚成玉
来博文
吕世君
《轴承》
北大核心
2017
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部