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
2
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
基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法
被引量:
1
1
作者
宋明瑞
郭佑民
+1 位作者
刘运航
郭啸
《噪声与振动控制》
CSCD
北大核心
2023年第5期154-160,共7页
针对3层小波包分解(Wavelet Packet Decomposition,WPD)忽略了1和2层分解信号以及核极限学习机(Kernel Extreme Learning Machine,KELM)参数选择困难的问题,提出一种基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法。该方...
针对3层小波包分解(Wavelet Packet Decomposition,WPD)忽略了1和2层分解信号以及核极限学习机(Kernel Extreme Learning Machine,KELM)参数选择困难的问题,提出一种基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3层的14个小波包散布熵(Dispersion Entropy,DE)应用最大相关最小冗余算法(max-relevance and min-redundancy,mRMR)进行特征排序,确定最佳向量维度;然后应用哈里斯鹰优化算法(Harris Hawks Optimization,HHO)实现对KELM参数的优化;最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明,将mRMR特征选取功能和HHO-KELM聚类功能进行有效结合,可实现故障诊断过程中对分解信号的充分利用,与将只用到第3层分解信号的小波包散布熵输入到KELM的故障分类方法相比,识别准确率提高11.38%。
展开更多
关键词
故障诊断
滚动轴承
小波包散布熵
最大相关最小冗余
特征选取
核极限学习机
下载PDF
职称材料
基于小波包散布熵与Meanshift概率密度估计的轴承故障识别方法研究
被引量:
9
2
作者
张雄
张逸轩
+3 位作者
张明
万书亭
何玉灵
豆龙江
《湖南大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2021年第8期133-140,共8页
为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可...
为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.
展开更多
关键词
滚动轴承
小波包散布熵
Meanshift概率密度估计
故障诊断
下载PDF
职称材料
题名
基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法
被引量:
1
1
作者
宋明瑞
郭佑民
刘运航
郭啸
机构
兰州交通大学机电技术研究所
出处
《噪声与振动控制》
CSCD
北大核心
2023年第5期154-160,共7页
文摘
针对3层小波包分解(Wavelet Packet Decomposition,WPD)忽略了1和2层分解信号以及核极限学习机(Kernel Extreme Learning Machine,KELM)参数选择困难的问题,提出一种基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3层的14个小波包散布熵(Dispersion Entropy,DE)应用最大相关最小冗余算法(max-relevance and min-redundancy,mRMR)进行特征排序,确定最佳向量维度;然后应用哈里斯鹰优化算法(Harris Hawks Optimization,HHO)实现对KELM参数的优化;最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明,将mRMR特征选取功能和HHO-KELM聚类功能进行有效结合,可实现故障诊断过程中对分解信号的充分利用,与将只用到第3层分解信号的小波包散布熵输入到KELM的故障分类方法相比,识别准确率提高11.38%。
关键词
故障诊断
滚动轴承
小波包散布熵
最大相关最小冗余
特征选取
核极限学习机
Keywords
fault diagnosis
rolling bearings
wavelet packet dispersion entropy
max-relevance and min-redundancy
feature selection
kernel extreme learning machine
分类号
TH133.33 [机械工程—机械制造及自动化]
TP206.3 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
基于小波包散布熵与Meanshift概率密度估计的轴承故障识别方法研究
被引量:
9
2
作者
张雄
张逸轩
张明
万书亭
何玉灵
豆龙江
机构
河北省电力机械装备健康维护与失效预防重点实验室
华北电力大学机械工程系
出处
《湖南大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2021年第8期133-140,共8页
基金
国家自然科学基金资助项目(52105098,51777075)
河北省自然科学基金资助项目(E2021502038,E2019502064)
中央高校基本科研业务费专项资金资助项目(2020MS111)。
文摘
为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.
关键词
滚动轴承
小波包散布熵
Meanshift概率密度估计
故障诊断
Keywords
rolling bearing
wavelet packet dispersion entropy
Meanshift probability density estimation
fault diagnosis
分类号
TH212 [机械工程—机械制造及自动化]
TH213.3 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法
宋明瑞
郭佑民
刘运航
郭啸
《噪声与振动控制》
CSCD
北大核心
2023
1
下载PDF
职称材料
2
基于小波包散布熵与Meanshift概率密度估计的轴承故障识别方法研究
张雄
张逸轩
张明
万书亭
何玉灵
豆龙江
《湖南大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2021
9
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