《基于IMF熵的多传感器网络融合滚动轴承故障诊断方法研究》PDF+DOC
作者:任学平,辛向志,庞震,邢义通,王建国
单位:大连组合机床研究所:中国机械工程学会生产工程分会
出版:《组合机床与自动化加工技术》2015年第06期
页数:5页 (PDF与DOC格式可能不同)
PDF编号:PDFZHJC2015060220
DOC编号:DOCZHJC2015060229
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于多域特征及多传感器网络融合的滚动轴承故障诊断》PDF+DOC2015年第02期 任学平,辛向志,庞震,邢义通,王建国
《基于多传感器的神经网络和D-S证据理论在故障诊断中的应用》PDF+DOC2017年第04期 周国宪,伍星,刘韬
《基于多传感器信号和卷积神经网络的滚动轴承故障诊断》PDF+DOC2020年第04期 朱丹宸,张永祥,潘洋洋,朱群伟
《滚动轴承故障非接触多传感器声信号融合方法》PDF+DOC2012年第16期 张颖,苏宪章,刘占生
《基于多传感器数据融合在家庭智能防盗系统中的应用》PDF+DOC2017年第09期 赵娟,邓奎彪,韦小波,赵启飞
《基于共振解调技术的无线振动传感器》PDF+DOC2019年第11期 马建伟,钱进,陆卫金
《基于主成分分析的多源特征融合故障诊断方法》PDF+DOC2011年第01期 巫茜,蔡海尼,黄丽丰
《基于相关性原理的多传感器滚动轴承故障信号重构方法》PDF+DOC2009年第11期 戴光,汪雪,张颖,邹立君
《基于信息熵的多传感器数据的融合方法》PDF+DOC2008年第05期 万树平,潘鹏
《小波包变换在滚动轴承在线检测系统中的应用研究》PDF+DOC2013年第03期 许伍,郎朗,李峰
经验模态分解(Empirical Mode Decomposition,EMD)方法可使滚动轴承振动信号根据自身尺度自适应的分解为若干个固有模态分量(Intrinsic Mode Function,IMF),信息熵能反映系统的不确定程度,滚动轴承发生故障会导致信息熵发生变化,结合EMD与信息熵,提出了EMD空间状态特征谱熵和IMF奇异谱熵,将其作为概率神经网络的特征向量,构建多传感器系统的多个概率神经网络的初级诊断网络。由于概率神经网络累加层输出结果为属于每一种模式的概率值,用概率神经网络的累加层输出结果构建D-S证据理论的mass函数,通过D-S证据理论进行决策级融合诊断。将该方法用于滚动轴承故障模式分类,试验结果表明该方法的可行性与有效性。与单一传感器诊断相比,提高了故障诊断精度。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。