国家教育部博士点基金(20122303120010)
- 作品数：3 被引量：53H指数：3
- 相关作者：王玉静康守强姜义成刘学张云更多>>
- 相关机构：哈尔滨理工大学哈尔滨工业大学白俄罗斯国立大学更多>>
- 发文基金：国家教育部博士点基金国家自然科学基金留学人员科技活动项目择优资助经费更多>>
- 相关领域：机械工程自动化与计算机技术电子电信更多>>
- 基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法被引量：3
- 2014年
- 滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值(RMS),以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。
- 康守强郑建禹王玉静梁欣涛谢金宝王志伟
- 关键词：滚动轴承小波包
- 基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法被引量：32
- 2014年
- 为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。
- 王玉静康守强张云刘学姜义成Mikulovich V I
- 关键词：信号处理非平稳信号
- 基于超球球心间距多类支持向量机的滚动轴承故障分类被引量：19
- 2014年
- 为了降低滚动轴承故障智能分类的训练时间并提高分类精度,提出了一种滚动轴承正常、内、外环故障及不同故障严重程度的多状态分类方法。该方法首先采用峭度值结合相关系数法确定集合经验模态分解结果中包含主要状态信息的固有模态函数;再将其组成特征矩阵,利用奇异值分解所得奇异值作为特征向量;最后在采用改进分类规则的超球多类支持向量机分类时,提出由各状态超球球心间距中的最值来确定多类分类器核参数的选取范围,缩小选取区间,最终实现滚动轴承的多状态分类。实验结果表明,提出的滚动轴承多状态分类方法可以减少分类器的训练时间,提高分类精度。
- 康守强王玉静姜义成杨广学宋立新V.I.MIKULOVICH
- 关键词：滚动轴承多类支持向量机经验模态分解
