文献

J-GLOBAL ID：201602243993524806   整理番号：16A0732082

HHTに基づくと教師つきスパースコードの転がり軸受の故障状態の識別方法がある.【JST・京大機械翻訳】

Rolling bearing fault state recognition method based on HHT and Supervised Sparse Coding

著者 (4件)： Yu Xiao ((xuzhou)IOT Perception Mine Research Center,China University of Mining and Technology) ,  Ding Enjie ((xuzhou)IOT Perception Mine Research Center,China University of Mining and Technology) ,  Chen Chunxu ((xuzhou)IOT Perception Mine Research Center,China University of Mining and Technology) ,  Li Li (School of Mechanical and Electrical Engineering,Central South University)
資料名： Meitan Xuebao  (Meitan Xuebao)
巻： 40  号： 11  ページ： 2587-2595  発行年： 2015年 
JST資料番号： C2372A  ISSN： 0253-9993  CODEN： MTHPDA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 転がり軸受の故障位置と損傷程度の正確な位置決めを実現するために,クラス判別情報を,教師なし疎符号化に導入し,1つの教師つきスパース符号化(SUPERVISED SPARSE CODING,SSC)方法がある,と提案した。HUANG変換(HILBERT-HUANG TRANSFORM,HHT)とSSCの振動信号特徴抽出と故障状態の微細分類モデルに基づいて確立した。まず,振動信号を取得するHHTの限界スペクトルをにより,次に,SSC限界スペクトル情報を利用して統一の辞書を構築し,限界スペクトルのスパース干渉情報のフィルタリングと目標故障に敏感な特徴実現を表す,の2回の抽出を完了し,最後に,SSCによって得たスパース係数を用いてサポートベクトルベース(SUPPORT VECTOR MACHINE,SVM)分類器の訓練を完成した。SKF-62052R-ベアリングのテストベッドのデータを提案方法に対して実験分析を行いSを用いたが,HHT-SSC-SVMモデルを用いて,駆動端故障ベアリングの状態認識率は99.5%であったが,フィン端ベアリング故障状態認識率は98.25%である,本文では他のモデルと比較した故障の状態認識率に向上し,また比較的に強い適応能力が現れた。Data from the ScienceChina, LCAS.【JST・京大機械翻訳】

シソーラス用語： *透視図法 ,  *故障 ,  *軸受 ,  干渉 ,  符号化 ,  フィルタリング ,  スペクトル ,  *転がり軸受 ,  特徴抽出 ,  フィン
準シソーラス用語： 認識率 ,  テストベッド ,  分類モデル ,  振動信号 ,  スパースコーディング , 【Automatic Indexing@JST】

著者キーワード (5件)： HHT ,  Sparse Coding ,  SVM ,  feature extraction ,  rolling bearing fault

分類 (1件)： 軸受  (QB01020W)

タイトルに関連する用語 (5件)： HHT ,  教師 ,  転がり軸受 ,  故障 ,  識別