公共文化服务平台

共 4 条记录，以下是 1-4

全选清除导出

排序方式：

基于改进的局部特征尺度分解和归一化正交的时频分析方法被引量：10: 2015年; 针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)中经验模态分解(Empirical Mode Decomposition,EMD)和希尔伯特变换(Hilbert Transform,HT)的不足,提出了一种基于改进的局部特征尺度分解(Improved Local Characteristic-scale Decomposition,ILCD)和归一化正交(Normalized Quadrature,NQ)的时频分析方法.ILCD克服了LCD的固有缺陷,在精确性和正交性等方面要优于EMD和LCD方法.同时为了克服HT的不足,提出了一种基于经验调幅调频分解标准化估计瞬时频率的归一化正交(Normalized Quadrature,NQ)方法.通过仿真信号将EMD,LCD与ILCD进行对比,同时将标准希尔伯特变换,直接正交法与NQ进行对比,结果表明了论文方法的有效性.转子碰摩故障数据分析结果进一步验证了论文方法的有效性和优越性.; 郑近德程军圣曾鸣; 关键词：HILBERT-HUANG变换经验模态分解局部特征尺度分解时频分析转子碰摩

多尺度模糊熵及其在滚动轴承故障诊断中的应用被引量：101: 2014年; 提出了一种新的时间序列复杂性度量的方法——多尺度模糊熵(multiscale fuzzy entropy,简称MFE)。多尺度模糊熵是基于模糊熵而定义的。模糊熵作为样本熵的改进,是对时间序列复杂性和无规则程度的度量,而多尺度模糊熵则在模糊熵的基础上引入了尺度因子,是对时间序列在不同尺度因子下复杂性的量度。与样本熵、模糊熵和分形维数等其他表征复杂性的非线性动力学方法相比,多尺度模糊熵包含更多时间模式信息。论文首先介绍了模糊熵和多尺度模糊熵的概念,并将其应用于滚动轴承振动信号复杂性的量度,由此提出了一种基于多尺度模糊熵和支持向量机的滚动轴承故障诊断方法。试验数据分析表明,新提出的方法能有效地提取故障特征,实现故障类型的诊断。; 郑近德陈敏均程军圣杨宇; 关键词：故障诊断滚动轴承模糊熵

广义经验模态分解性能分析与应用被引量：12: 2015年; 针对经验模态分解(Empirical Mode Decomposition,EMD)的均值曲线采用三次样条拟合而容易引起包络过冲和不足等缺陷,相关学者提出了许多改进均值曲线的变种EMD方法,取得了一定的效果。广义经验模态分解(Generalized EMD,GEMD)方法综合了多种改进EMD方法,通过定义不同的均值曲线对信号进行逐阶筛分,从得到的每一阶分量中选取最优作为最终的广义内禀模态函数(Generalized Intrinsic Mode Function,GIMF),由于每一阶的GIMF分量都是最优的,因此相较于EMD等单一均值曲线筛分方法,GEMD分解结果也是最优的。论文对GIMF分量准则进行了改进以及对GEMD性能进行了分析,并将GEMD应用于仿真和实测信号的分析,结论表明GEMD分解是完备的和正交的,有比EMD更强的分解能力,而且适合机械振动信号的处理和故障诊断。; 郑近德程军圣曾鸣罗颂荣; 关键词：经验模态分解局部特征尺度分解故障诊断

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型被引量：6: 2014年; 提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。; 程军圣郑近德杨宇罗颂荣; 关键词：故障诊断滚动轴承

全选清除导出

共1页<1>

湖南省研究生科研创新项目(CX2013B144)