全矢谱
全矢谱的相关文献在2004年到2022年内共计115篇,主要集中在机械、仪表工业、自动化技术、计算机技术、一般工业技术
等领域,其中期刊论文102篇、会议论文8篇、专利文献123176篇;相关期刊29种,包括郑州大学学报(工学版)、设备管理与维修、机械科学与技术等;
相关会议3种,包括2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议、第11届全国设备故障诊断学术会议、2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议等;全矢谱的相关文献由164位作者贡献,包括韩捷、陈宏、陈磊等。
全矢谱—发文量
专利文献>
论文:123176篇
占比:99.91%
总计:123286篇
全矢谱
-研究学者
- 韩捷
- 陈宏
- 陈磊
- 李凌均
- 雷文平
- 董辛旻
- 郝旺身
- 巩晓赟
- 张钱龙
- 郝伟
- 周玉平
- 孙俊杰
- 孟雅俊
- 李志农
- 林辉翼
- 高山
- 黄传金
- 吴彦召
- 张旺
- 陈先利
- 陈超
- 高亚娟
- 齐俊帅
- 侯亚丁
- 李永耀
- 杨才源
- 杨春燕
- 王丽雅
- 王宏超
- 王鸣明
- 石帅锋
- 胡鑫
- 苏文芳
- 金兵
- 马凌云
- 马艳丽
- CHEN Lei
- HAN Jie
- LEI Wenping
- WANG Mingming
- ZHANG Yanlei
- 付玉荣
- 冯彩红
- 孙浩
- 宋华磊
- 宋圣霖
- 官振红
- 尚慧娟
- 张学欣
- 张晓冬
-
-
李泽东;
李志农;
陶俊勇;
许贝
-
-
摘要:
针对传统方法采用单通道信息进行设备故障诊断容易造成误判以及传统故障诊断需要大量专家经验知识的不足,结合全矢谱技术在多通道信息融合中可以全面反映振动信号特征的优势,以及深度学习具有强大的自特征提取能力和较好的模式识别能力,提出了一种基于全矢谱-深度置信网络的转子故障智能诊断方法。对采集到的多通道的机械振动信号利用全矢谱技术进行融合,得到融合信号的主振矢、副振矢和振矢角。将融合后的信号输入到深度置信网络(DBN)中进行训练,利用多个受限玻尔兹曼机无监督预训练的方式层层堆叠进行前向传播,减少模型直接单向训练时的复杂度。然后利用反向传播对模型进行监督优化参数。最后,输出层采用Softmax分类器进行故障模式识别。提出的方法通过转子故障诊断验证,并与全矢谱-DNN和单通道-DBN做比较,提出的方法优于全矢谱-DNN和单通道-DBN方法,能够很好地融合多通道信息,并具有较高的识别率。
-
-
姜万录;
李满;
张培尧;
赵亚鹏;
张淑清
-
-
摘要:
针对传统智能诊断方法需要专家知识和复杂特征提取,而深度神经网络模型复杂度高、构建难度大,以及单源信号信息不完备等问题,提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点,选择全矢谱技术与深度森林多粒度扫描相结合,用于接收同源双通道信号输入,增强了数据的完备性,并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性,分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究,结果表明,该方法在不同旋转设备上都有很好的诊断效果,并可以实现端到端故障诊断。此外,该方法在小训练数据集上的故障识别准确率也非常高。
-
-
高山;
周玉平;
陈宏;
张旺
-
-
摘要:
实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号.为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法.首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合.然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型.最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别.
-
-
周玉平;
高山;
陈磊;
孙浩
-
-
摘要:
大型旋转机械设备在发生故障时所造成的损失是不可计算的,因此建立了关联规则库预警模型.首先采用全矢Hilbert对正常运行状态下的同源双通道原始样本数据进行信息融合,然后进行离散化等预处理,建立后期工作所需要的数据库.利用Apriori算法发现滚动轴承八个特征频率幅值数据之间的未知关系,继而用挖掘出的关联规则构建一个规则库.将运行数据通过处理之后与所建立的规则库相匹配,并设立阈值,依据此结果在设备未完全报废之前,及时发出报警信号,达到预警目的 .
-
-
谢远东;
雷文平;
韩捷;
陈磊
-
-
摘要:
本文提出了一种基于全矢谱的RNN故障诊断方法.RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类.全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征.经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型.
-
-
-
雷文平;
宋圣霖;
郝旺身;
陈宏;
胡鑫
-
-
摘要:
针对单通道信号不能全面提取旋转机械的振动信息,为了从强背景噪声中准确提取出滚动轴承的微弱故障特征,提出了一种全矢频带熵(FV-FBE)的滚动轴承故障诊断算法.该方法采用短时傅里叶变换计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行滚动轴承的故障识别.实验结果表明:FV-FBE算法可以全面准确地提取滚动轴承故障特征,优于谱峭度算法得到的全矢包络谱,抗干扰能力强.
-
-
郝旺身;
陈耀;
孙浩;
付耀琨;
李伟
-
-
摘要:
针对传统智能故障诊断系统需要大量先验知识,以及模型复杂度高和单通道信号不完整造成信息遗漏的问题,将全矢谱技术与卷积神经网络(CNN)结合,提出一种新的滚动轴承的故障诊断模型.该方法将全矢谱技术与深度卷积神经网络结合,相比于单通道数据建立的模型而言,具有特征信息完整、模型适应性强等优点.首先利用全矢谱技术对采集的双通道信号进行信息融合,得到融合后的主振矢数据.然后结合主振矢数据与深度学习算法构建全矢深度卷积神经网络,模型能够自适应地提取故障特征,利用反向传播算法调节优化模型参数.实验结果表明:该方法能够提取更加完整的轴承故障信息,该模型具有更高的准确率和更好的稳定性.
-
-
汪一飞;
王鸣明;
郝旺身;
董辛旻
-
-
摘要:
提出了一种基于全矢谱的CEEMD故障诊断方法.CEEMD是为了在保证所得到的分解与EEMD有相当的分解效果的前提下,还要有效的抑制由白噪声引起的重构误差.具体做法主要是在分别进行EMD分解之前把两对相反的白噪声信号加入到原始信号中.此外,CEEMD对比EEMD,筛选迭代次数大大的减少了,进而使计算成本得到了有效的降低.根据分解得到的IMF分量的频率及其能量特点,通过全矢谱技术融合特定的IMF分量,得到基于CEEMD的全矢谱,进而进行故障诊断.由实验结果证明,经过该方法提取的故障特征更全面、精确.
-
-
周玉平;
高山;
陈磊;
马凌云
-
-
摘要:
为实现有效的故障诊断,提出一种基于HHT时域边际谱的轴承诊断方法,对使用中的轴承进行诊断.通过ANSYS完全瞬态分析方法得到转子系统同一截面上互相垂直的两组同源信号,并得到其HHT时域边际谱,将所得到的单通道信号和全矢谱技术融合后的全矢HHT时域边际谱信号相比较,并结合实验分析,结果表明全矢HHT时域边际谱能更好的应用于滑动轴承裂纹转子系统故障诊断分析中,这为滑动轴承裂纹转子系统的故障诊断提供了一种新的方法.全矢HHT时域边际谱显示,当滑动轴承转子系统发生裂纹故障时,系统存在多倍转频,并且此时伴随低倍频存在.
-
-
-
-
ZHANG Yanlei;
张炎磊;
DONG Xinmin;
董辛旻;
WANG Mingming;
王鸣明;
PANG Bo;
庞博
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
针对在工程实际中单通道滚动轴承故障信号的特征提取信息不全面、不准确等问题,提出了一种基于全矢谱(Full Vector Spetrum,FVS)技术的局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)和核独立分量分析(Kernel Independent Component Analysis,KICA)相结合的方法,并利用Hilbert包络分析提取故障特征.首先通过LCD将两个相互垂直方向的振动信号分解成一系列内禀尺度分量(Intrinsic Scale Component,ISC),其后将含故障特征信息更加明显的较高能量的ICS分量利用KICA分离故障信号与噪声信号,最后利用全矢包络分析处理有效分量信号,提取故障特征.通过实验验证,该方法提取滚动轴承的故障特征有效.
-
-
-
-
-
-
ZHOU Yuping;
周玉平;
CHEN Lei;
陈磊;
GAO Shan;
高山
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.
-
-
ZHOU Yuping;
周玉平;
CHEN Lei;
陈磊;
GAO Shan;
高山
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.
-
-
ZHOU Yuping;
周玉平;
CHEN Lei;
陈磊;
GAO Shan;
高山
- 《2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议》
| 2018年
-
摘要:
针对在滚动轴承故障检测和诊断中获取的单通道信息不全面、不准确等问题,提出了全矢经验模态分解(Empirical Mode Decomposition,EMD)和核主元分析(Kernel Principal Component Analysis,KPCA)相结合的方法对滚动轴承的运行状态进行检测,并用全矢Hilbert包络分析发生故障时滚动轴承的故障类型.首先采用EMD对轴承正常状态下的双通道数据进行分解,对各通道IMF依次进行信息融合,将各阶主振矢进行合成,并建立KPCA模型.然后将待检测的样本信号进行全矢EMD融合后输入已构建的KPCA模型,当该模型的T2和SPE统计量超过己设定的控制限时,采用全矢Hilbert包络分析样本信号,并进行特征提取以进行故障诊断.实验结果表明,该方法可以检测出滚动轴承的运行状态,又能准确有效地诊断故障类型.