一种时移多尺度排列熵与ELM相结合的滚动轴承故障诊断方法

多尺度排列熵(Multi-scale permutation entropy,MPE)随着尺度因子的增加得到的粗粒化序列长度越来越短,造成时间序列信息的严重损失。为此,提出了时移多尺度排列熵(Time-shifted multi-scale permutation entropy,TSMPE)。首先,采用仿真信号分别对TSMPE与MPE做仿真对比分析,结果表明,TSMPE对原始振动信号的长度依赖性较小,得到的熵值更加稳定。进一步地,提出了一种基于TSMPE与极限学习机的滚动轴承故障检测与诊断方法,将其应用于两组实际滚动轴承测试数据对滚动轴承故障类型和程度进行识别,结果表明:所提出故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率高于基于MPE与ELM的故障诊断方法。

基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法

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%。

我国专利行业发展现状及问题探索

近年来,我国对专利行业的规范发展十分重视,2019年3月,新的《专利代理条例》的实施对专利行业的发展产生了一系列影响。文章通过观察近年来我国专利行业的发展轨迹,发现目前专利行业发展如火如荼,但同时也存在专利产业化水平低等问题,基于专利行业高速发展的背景,分析专利行业发展现状、探寻专利代理条例的修订产生的影响,并对此提出自己的思考和对专利行业发展所面临问题的建议,充分发挥专利在新时代的重要作用。