文献

J-GLOBAL ID：201702263245403221   整理番号：17A0293258

適応型EEMDと転がり軸受故障診断への応用【JST・京大機械翻訳】

Adaptive EEMD and Its Applications to Rolling Bearing Fault Diagnosis

著者 (3件)： Lin Xuze (The Second Artillery Engineering University) ,  Cai Yanping (The Second Artillery Engineering University) ,  Wang Xinjun (The Second Artillery Engineering University)
資料名： Jixie Kexue yu Jishu  (Jixie Kexue yu Jishu)
巻： 35  号： 11  ページ： 1727-1732  発行年： 2016年 
JST資料番号： C2050A  ISSN： 1003-8728  CODEN： JKJIE6  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： 総合的経験的モード分解(EEMD)アルゴリズムに存在する白色雑音パラメータを解決するために,人間の選択の問題を解決する必要があり,多くの典型的故障サンプルを得ることが難しい実際の状況を考慮した。自己適応型統合経験的モード分解(AEEMD)とサポートベクトルマシン(SVM)に基づく転がり軸受の故障診断法を提案した。まず第一に,信号処理にAEEMDを使用してオリジナル振動信号を異なる特性時間スケールを持つモード成分(IMF)に分解し,異なる軸受故障に対して異なる周波数帯における信号エネルギーを変化させる。そのため、各IMFのエネルギーを計算することにより、故障特徴抽出を実現できる。次に,IMFのエネルギー固有値を入力として,サポートベクトルマシンモデルを構築した。最後に,確立したモデルを用いて,軸受の状態を識別した。軸受故障事例におけるでアルゴリズムとEEMDアルゴリズムとの比較は,AEEMDの分解効果がより良いことを示した。BPニューラルネットワークとSVMの診断効果を比較することによって,提案した方法が,より正確に,正確にベアリングの故障を診断することができることを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 周波数帯 ,  信号処理 ,  *故障診断 ,  特徴抽出 ,  *故障 ,  アルゴリズム ,  固有値 ,  *軸受 ,  サポートベクトルマシン ,  *転がり軸受
準シソーラス用語： 逆伝播ニューラルネットワーク ,  振動信号 ,  自己適応 ,  経験的モード分解 , 【Automatic Indexing@JST】

著者キーワード (5件)： AEEMD ,  signal processing ,  feature extraction ,  support vector machine ,  fault diagnosis

分類 (2件)： パターン認識  (JE07000S) ,  軸受  (QB01020W)

タイトルに関連する用語 (3件)： 転がり軸受 ,  故障診断 ,  応用