公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

基于特征空间降噪的局部保持投影算法及其在轴承故障分类中的应用被引量：11: 2014年; 实际机械振动信号不可避免受到各种各样的噪声干扰,导致机械状态诊断结果误判等问题。目前的降噪算法主要都是针对时域振动信号,所需计算时间较长、占用存储空间较大。流形学习算法处理对象是样本特征空间数据,提出一种直接对样本特征空间进行奇异值分解降噪方法,再对降噪后的特征空间利用局部保留投影算法进行维数约简,通过1NN算法对设备运行状态进行识别。轴承故障仿真试验表明,与直接对时域信号进行降噪相比,所提方法能有效保证局部保持投影算法的降维效果,同时加快计算速度及减少所占存储空间。; 张绍辉李巍华; 关键词：局部保持投影流形学习轴承

连续隐半马尔科夫模型在轴承性能退化评估中的应用被引量：19: 2014年; 连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。; 李巍华李静张绍辉; 关键词：故障预测轴承

基于最近最远距离保持投影算法的发动机失火状态识别被引量：1: 2015年; 目前的局部保持投影算法(Locality and preserving projections,LPP)只考虑样本点的近邻矩阵,但是对于那些处于与该样本点距离最远处的样本特性并没有做出研究,这些最远处的样本同样具有描述数据结构信息的功能。为了更好地保留数据结构信息,在考虑样本的近邻点分布的同时分析其最远处的样本点分布,即同时考虑样本的'近邻矩阵'和'最远矩阵',通过二者结合实现数据维数的约简,由此提出基于最近最远距离的保持投影算法(Nearest and farthest distance preserving projections,NFDPP)。将该算法运用于发动机失火状态的仿真数据及实际测试中,通过与主成分分析(Principal component analysis,PCA)、LPP、邻域保持嵌入(Neighborhood preserving embedding,NPE)、线性判别分析(Linear discriminant analysis,LDA)等算法的对比,得出NFDPP算法能够得到更低的识别错误率曲线,证明所提出的NFDPP算法能够有效地识别发动机失火故障状态。; 李巍华张绍辉; 关键词：流形学习特征提取发动机失火故障识别

可变近邻参数的局部线性嵌入算法及其在轴承状态识别中的应用被引量：7: 2013年; 局部线性嵌入(Locally linear embedding,LLE)算法通过局部线性来逼近全局的非线性,优点在于可保持降维前后样本点近邻之间的线性结构不变,并且计算速度较快。但是该算法对近邻值的选择十分敏感,不同近邻点数的选择对降维效果影响较大。针对此问题,利用残差作为评价降维前后保持样本距离信息优劣的指标,提出一种改进的可变近邻局部线性嵌入(Variable K-nearest neighbor locally linear embedding,VKLLE)算法,即通过给定一个最大近邻数目值,比较降维前后的残差值,根据较小值选择最优的近邻点数,从而使得每个样本点的近邻点数可据残差值进行调整。通过对手写体数字(Mixingnational institute of standards and technology,MNIST)数据集的仿真分析,并与LLE算法进行比较,此方法降维效果更好,计算复杂度也明显降低。最后将该算法运用于轴承状态识别,取得了较好的效果,同时还有效地提高了分类性能和稳定性。; 张绍辉李巍华; 关键词：局部线性嵌入轴承

一种萤火虫神经网络及在轴承故障诊断中的应用被引量：33: 2015年; 萤火虫算法作为一种群体智能算法,具有良好的全局寻优特性,可用于解决神经网络在反向传播(Back propagation,BP)算法下易陷入局部极值点、收敛速度慢的问题。但在应用于神经网络时其参数选取缺乏有效依据或经验公式,参数取值不当时,萤火虫神经网络的训练误差无法有效收敛、种群个体之间协同寻优功能易失效。因此,提出一种双层萤火虫改进算法对其参数进行选取。用UCI数据及轴承故障试验对算法进行验证,结果表明,应用所提方法后萤火虫神经网络的训练误差收敛值显著减小,并且在训练效率、故障识别率方面均优于BP神经网络、遗传神经网络、粒子群神经网络。; 李巍华翁胜龙张绍辉; 关键词：萤火虫算法神经网络参数选择故障诊断

基于局部线性插值与等距特征映射的降维方法及其在轴承诊断的运用: 针对等距特征映射(ISOMAP)算法和局部线性插值(Locally Linear Embedding,LLE)降维算法存在的不足,把两种算法结合起来ISOLLE(ISOMAP and LLE),能有效的提高算法的计算速度...; 张绍辉李巍华; 关键词：机械轴承故障诊断数据降维; 文献传递

基于次优网络深度学习的3D打印机故障诊断被引量：5: 2019年; 为实现精度可靠且成本节约的3D打印机故障诊断,釆用消费品级的姿态传感器釆集打印机的健康状态数据,并提出次优网络深度学习以弥补低成本硬件精度的不足。次优网络深度学习在由预训练和精细调节组成的传统深度学习基础上,一方面提出预分类方法自适应确定次优的网络结构参数,另一方面釆用精细分类方法进一步提高故障诊断分类的精度。试验中,将姿态传感器安装于并联臂3D打印传动链的末端即打印头上。传感器全部通道的运动信号作为输入信息,釆用深度玻尔兹曼机构建了次优网络故障诊断算法进行大数据驱动的故障诊断。将所提岀的次优网络深度学习故障诊断方法与其他方法相比较,其结果表明,所提出方法可以有效诊断3D打印机的传动故障。; 李川张绍辉José Valentede Oliveira; 关键词：3D打印故障诊断大数据

基于小波包熵和高斯混合模型的轴承性能退化评估被引量：22: 2013年; 为准确的描述设备性能退化的过程,采用小波包熵(Wavelet Packet Entropy,WPE)与高斯混合模型(Gaussian mixture model,GMM)对轴承性能退化状态进行评估。首先,提取轴承振动信号的小波包熵作为特征向量。接着以轴承正常状态数据的特征向量建立轴承性能的GMM评估基准模型。然后对试验中每一运行状态建立相应的GMM模型,并计算对应状态GMM相对基准模型的偏离程度,判断轴承是否发生退化以及退化程度。试验分析表明,与基于逻辑回归的设备性能退化方法相比,基于小波包熵与高斯混合模型的设备性能退化方法无需设备历史数据,不需要定义退化先验概率,能够较准确的反映轴承在全寿命周期中性能退化的过程。; 李巍华戴炳雄张绍辉; 关键词：高斯混合模型轴承

全选清除导出

共1页<1>

张绍辉