公共文化服务平台

董飞: 作品数：18 被引量：74H指数：6; 供职机构：中国矿业大学更多>>; 发文基金：国家重点基础研究发展计划江苏省研究生培养创新工程项目江苏省产学研联合创新资金项目更多>>; 相关领域：机械工程矿业工程自动化与计算机技术电子电信更多>>

合作作者

基于阻抗分析仪的煤岩介电常数测量方法: 本发明针对现有技术的不足，提供一种基于阻抗分析仪的煤岩介电常数测量方法，快速，便捷，准确的测量掺有岩石的煤的介电常数。使用的仪器精简，测量方法容易实现，便于大范围推广。; 赵端程园新韩楠楠王习董飞丁恩杰; 文献传递

一种新型的煤岩识别装置及方法: 本发明针对目前煤岩识别装置复杂，不能广泛使用等问题，提供了一种新型的煤岩识别装置及方法，能够快速，便捷，准确的识别煤矿中的煤层和岩壁。该装置及方法利用不同物质介电常数ε不同的特性，根据平行板电容器的电容变化，得到相位差的...; 赵端程园新韩楠楠董飞曹硕丁恩杰

一种基于小波包变换和监督NPE的滚动轴承故障诊断方法被引量：7: 2020年; 为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。; 董飞董飞丁恩杰俞啸; 关键词：故障诊断小波包变换朴素贝叶斯 K近邻

矿井突水水源识别的GA-SVM方法研究被引量：5: 2018年; 针对目前支持向量机(SVM)参数选择不准确导致突水水源识别率不高的问题,提出经过遗传算法(GA)优化的支持向量机应用于突水水源的识别,研究结果表明,该模型的预测结果与实际情况相符合,更加适用于矿井突水的水源识别。; 张帝孟磊孟磊刘晓文董飞; 关键词：突水支持向量机

一种新型的煤岩识别装置及方法: 本发明针对目前煤岩识别装置复杂，不能广泛使用等问题，提供了一种新型的煤岩识别装置及方法，能够快速，便捷，准确的识别煤矿中的煤层和岩壁。该装置及方法利用不同物质介电常数ε不同的特性，根据平行板电容器的电容变化，得到相位差的...; 赵端程园新韩楠楠董飞曹硕丁恩杰; 文献传递

基于嵌入式实时操作系统的智能矿灯设计被引量：17: 2018年; 针对目前煤矿矿灯功能单一,无法感知井下环境参数,未能和地面构成双向实时通信网络的问题,设计了基于嵌入式实时操作系统的智能矿灯。该智能矿灯以STM32芯片为主控核心,利用温度传感器、瓦斯传感器和加速度传感器分别采集环境温度、瓦斯浓度及人员运动状态;通过NRF24L01无线通信模块读取井下定位与物资标签状态,获取人员位置与物资信息;通过WiFi将数据上传到地面服务器进行显示和存储。该智能矿灯还具有手动报警与自动报警功能,上位机可下发信息,实现井下与地面的双向通信。测试结果表明,该智能矿灯性能稳定可靠,实时性高,操作方便。; 张帝董飞董飞赵端丁恩杰; 关键词：嵌入式操作系统 WIFI 双向通信

一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法: 本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类...; 俞啸刘诗源任晓红董飞陈伟; 文献传递

基于敏感特征选取与改进NPE的滚动轴承故障诊断方法被引量：2: 2020年; 在滚动轴承故障诊断过程中,针对非故障敏感特征的干扰以及冗余信息的问题,提出一种基于ReliefF与标准差的故障敏感特征选取方法,从原始特征集中选取出对故障状态敏感度高的统计特征用于故障识别与分类。针对高维特征集,提出一种改进邻域保持嵌入的特征降维方法,实现对高维特征集的低维表示,并提升低维特征集的判别性能。最后,基于支持向量机构建故障诊断模型,采用变工况下12种轴承故障数据来验证所提出方法的有效性与适应性,实验结果表明,所提出方法能够提高故障诊断准确率,并具有较好的适应性。; 田媛媛黄雅玲董飞董飞; 关键词：小波包变换 RELIEFF 支持向量机

基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法被引量：15: 2018年; 为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法 (Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。; 俞啸范春旸董飞董飞吴守鹏丁恩杰; 关键词：经验模态分解极限学习机滚动轴承故障诊断