中北大学系统辨识与诊断技术研究所
- 作品数：30 被引量：73H指数：5
- 发文基金：国家自然科学基金年山西省研究生优秀创新项目山西省自然科学基金更多>>
- 相关领域：机械工程自动化与计算机技术金属学及工艺兵器科学与技术更多>>
- 基于模糊熵与CS-ELM的供输弹系统早期故障识别被引量：2
- 2022年
- 针对供输弹系统早期采集的信号中成分复杂,故障特征难以提取和识别的问题,提出一种基于模糊熵与布谷鸟改进的极限学习机(CS-ELM)的供输弹系统早期故障预示方法。运用改进的可调品质因子小波变换对信号进行滤波降噪,提取各子带信号的模糊熵特征;选取模糊熵值较大的5个子带进行重构,完成降噪并将其模糊熵组成特征向量;运用CS-ELM对所提取的特征向量进行早期故障预示并与ELM的诊断结果进行对比。试验结果验证了该方法的有效性,其预示准确率达90.7%。
- 韩慧苗许昕潘宏侠李磊磊
- 关键词：故障识别模糊熵极限学习机
- 基于PCA与改进F-AHP的高速自动机组合灰评估被引量：4
- 2016年
- 针对高射机枪高速自动机多指标、多层次综合评估问题,提出了一种利用主元分析法与改进模糊层次分析法计算指标组合权值,并通过灰色评估原理进行组合评估的方法。确定高速自动机指标体系后利用主元分析法对某8种型号高速自动机各指标属性值原始数据进行降维并确定客观权重,采用改进模糊层次分析法确定主观权重,并进行组合权重计算,最后结合灰色评估矩阵得到各型号高速自动机性能评估结果。避免了传统灰评估主观性太强的弊端。评估结果与实际使用表现相符,为高速自动机性能评估提出了新方法。
- 田园潘宏侠张媛安邦
- 关键词：主元分析法
- 基于一种改进粒子群的非线性盲分离算法
- 本文介绍了非线性信号盲分离模型,在研究ICA算法的基础上,提出了一种改进粒子群算法与非线性ICA结合进行信号分离的算法.将ICA技术与故障诊断相结合,利用基于改进粒子群算法的非线ICA分析方法对实验室测取的齿轮箱故障信号...
- 潘宏侠刘芬
- 关键词：齿轮箱故障信号粒子群优化
- 文献传递
- 基于EEMD与随机森林的的供输弹系统早期故障识别
- 2021年
- 对于供输弹系统早期采集的信号中成分复杂,故障特征难以识别及提取,提出了基于EEMD和随机森林相结合的的故障识别方法。首先对经过预处理的信号进行EEMD分解,对分解后的各个本征模态分量(IMF)求相关系数,选出与原信号较大的5个。结合信息熵和均方根构建每个IMF的混合特征向量,然后运用RF实现了故障的诊断识别,总体识别率达到94.57%,并与决策树的诊断结果进行了对比,证明了该方法的有效性。
- 李磊磊许昕潘宏侠潘宏侠刘燕军高俊峰
- 关键词：决策树
- 基于小波尺度谱重排与排列熵的自动机故障诊断
- 2015年
- 针对传统的自动机故障诊断方法检测与诊断维修成本高、周期长,且容易受不确定性因素影响的问题,提出了基于小波尺度谱重排与排列熵的自动机故障诊断方法。该方法运用小波尺度谱重排,提高了自动机振动信号能量的集中度;以振动信号的小波排列熵作为特征向量,差异较为明显;并优化支持向量机(SVM)对自动机故障进行识别。实例验证表明:该方法能有效地提取故障特征值并完成故障识别,解决了自动机故障诊断的问题,是一种适合其高频振动冲击信号的故障诊断方法,有着极其重要的理论意义和现实意义。
- 潘龙潘宏侠马白雪
- 关键词：自动机支持向量机故障诊断
- 基于EEMD与FCM聚类的自动机故障诊断被引量：9
- 2017年
- 针对自动机使用中常见的故障检测与识别问题,考虑到自动机振动响应信号非线性、短时、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和模糊C均值(FCM)聚类结合的自动机故障诊断方法。首先,使用EEMD分解方法对自动机的振动信号进行分解,结合相关系数提取前5个固有模态函数(IMF)分量的能量百分比作为特征值,再用模糊C均值聚类对特征值进行聚类分析。通过对自动机不同工况分别用EEMD和EMD方法进行故障分类识别对比,结果表明:所有样本的诊断结果与实际情况基本符合,证明EEMD法有更好的分类效果,分类正确率达93.75%。从而验证该方法能有效应用在自动机故障诊断中。
- 张玉学潘宏侠安邦
- 关键词：自动机模糊C均值聚类算法故障诊断
- 应用多参数融合与ELM的自动机故障诊断被引量：4
- 2017年
- 考虑到自动机工作环境复杂,各部件相互作用时间短,冲击性强从而导致各种响应信号相互叠加,敏感特征参量难以确定的问题,提出了一种应用多参数融合与ELM相结合的自动机故障诊断方法。首先,对自动机故障信号计算广义分形维数,在此基础上提取盒维数、信息维数、关联维数作为故障特征参量;然后引入信息熵模型,对自动机故障信号提取功率谱熵、奇异谱熵、特征空间谱熵作为特征参量来描述信号状态在频域、时域、时频域的能量变化;最后将特征参量输入到极限学习机中(ELM)进行分类。实验结果表明多参数融合能全面准确地反映故障信息,极限学习机学习速度快、结构简单,具有很好的故障分类效果。
- 安邦潘宏侠赵雄鹏张青青
- 关键词：信息熵极限学习机自动机故障诊断
- 基于多域信息融合与深度分离卷积的轴承故障诊断网络模型被引量：2
- 2024年
- 针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。
- 王同许昕潘宏侠
- 关键词：信息融合卷积神经网络
- 基于ACO-SVM的火炮供输弹系统机械故障诊断被引量：2
- 2022年
- 针对火炮供输弹系统故障信号所提取出的特征参量冗余复杂而导致故障类型不易识别的问题,设计一种基于蚁群优化支持向量机(ACO-SVM)的机械故障诊断方法。对信号进行特征提取得到信息熵,再采用ACO-SVM算法对其进行优化约简和故障诊断,并与支持向量机算法进行对比。结果表明:ACO-SVM算法具有更高的准确率,且准确率高达95%。
- 李孟克许昕潘宏侠张航高俊峰刘燕军
- 关键词：故障诊断信息熵
- 基于DCNN和Bi-LSTM的弧齿锥齿轮箱故障诊断
- 2024年
- 针对传统卷积神经网络(CNN)对弧齿锥齿轮箱的故障识别准确率不高这一问题,提出一种基于深度分离卷积神经网络(DCNN)和双向长短时记忆网络(Bi-LSTM)的弧齿锥齿轮箱智能故障诊断方法。首先,对原始信号进行小波阈值降噪处理,将降噪后的信号利用经验模态分解(EMD)算法进行了分解;然后,对分解出的本征模态函数(IMF)的各个分量进行峭度计算,选取峭度值最高的IMF分量重构成新的振动信号输入模型进行训练;之后,将振动信号重叠采样获得大量信号样本,将这些样本通过深度分离卷积神经网络从一维原始振动信号中自适应的提取空间特征信息,提取的特征进一步输入到双向长短时记忆网络,同时提取正、逆时域的振动信号,以更好的提取故障特征;同时,在深度分离卷积中加入了残差网络对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,将特征信息输入到已经训练好的DCNN-Bi-LSTM模型中,对弧齿锥齿轮箱故障诊断识别。结果表明,该方法可以准确的识别齿轮箱故障,最高诊断准确率可达100%。并且,该方法比传统的卷积神经网络的准确率更高,抗噪能力更强,网络收敛速度更快,诊断结果更稳定。
- 荀小伟许昕潘宏侠
- 关键词：智能故障诊断振动信号
