文献

J-GLOBAL ID：202202210496061860   整理番号：22A0772307

洗練された一般化マルチスケール状態ジョイントエントロピーとロバストなスペクトル特徴選択に基づく風力タービンギアボックスの知的故障診断【JST・京大機械翻訳】

Intelligent fault diagnosis of wind turbine gearboxes based on refined generalized multi-scale state joint entropy and robust spectral feature selection

著者 (5件)： Dong Wei (School of Electrical Engineering, Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Engineering Research Center of the Ministry of Education for Intelligent Control System and Intelligent Equipment, Yanshan University, Qinhuangdao, China) ,  Zhang Shuqing (School of Electrical Engineering, Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Engineering Research Center of the Ministry of Education for Intelligent Control System and Intelligent Equipment, Yanshan University, Qinhuangdao, China) ,  Hu Mengfei (School of Electrical Engineering, Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Engineering Research Center of the Ministry of Education for Intelligent Control System and Intelligent Equipment, Yanshan University, Qinhuangdao, China) ,  Zhang Liguo (School of Electrical Engineering, Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Engineering Research Center of the Ministry of Education for Intelligent Control System and Intelligent Equipment, Yanshan University, Qinhuangdao, China) ,  Liu Haitao (School of Electrical Engineering, Key Laboratory of Measurement Technology and Instrumentation of Hebei Province, Engineering Research Center of the Ministry of Education for Intelligent Control System and Intelligent Equipment, Yanshan University, Qinhuangdao, China)
資料名： Nonlinear Dynamics  (Nonlinear Dynamics)
巻： 107  号： 3  ページ： 2485-2517  発行年： 2022年 
JST資料番号： W2017A  ISSN： 0924-090X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 風力タービンにおけるギアボックスと軸受の故障診断は,それらの耐用年数を延ばし,保全コストを減らすために重要である。本論文では,洗練された一般化複合マルチスケール状態結合エントロピー(RGCSSJE),ロバストスペクトル特徴選択(RSFS)教師なし学習フレームワーク,および極端学習機械(ELM)を組み合わせた新しい故障診断法を提案した。この方法は,ギアボックスの異なる状態を同定するために,特徴抽出,次元縮小,およびパターン認識を可能にする。この方法では,マルチスケール平均ユークリッド発散を採用して,パラメータ選択におけるRGCMSSJEを支援した。次に,RGCMSSJEを利用して,ギアボックス振動信号からマルチスケール特徴を抽出し,高次元特徴集合を構築した。次に,RSFS法を用いて,RGCSSJE特徴集合の次元を低減した。最後に,縮小低次元特徴を,故障パターン認識のためにELM分類器に供給した。提案した故障診断法の有効性を,平均精度がそれぞれ99.9%と99.3%に達する2つの実験データセットを用いて検証した。解析結果は,この方式が風力タービンギアボックスにおける種々の故障タイプを効果的かつ正確に同定できることを示した。Copyright The Author(s), under exclusive licence to Springer Nature B.V. 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *エントロピー ,  振動 ,  パターン認識 ,  *故障 ,  軸受 ,  信号 ,  *故障診断 ,  特徴抽出 ,  *スペクトル ,  *風車 ,  *特徴選択 ,  次元 ,  次元縮小 ,  *歯車箱 ,  *ロバスト性
準シソーラス用語： *マルチスケール ,  振動信号 , 【Automatic Indexing@JST】

著者キーワード (5件)： 状態結合エントロピー ,  洗練された一般化複合マルチスケール状態結合エントロピー ,  マルチスケール平均Euclid発散 ,  教師なし特徴選択のためのロバストなスペクトル学習フレームワーク ,  特徴選択

分類 (3件)： 信頼性  (KB04040H) ,  送風機,圧縮機,風車  (QD03000U) ,  風力発電  (NB03120Q)

タイトルに関連する用語 (9件)： 一般化 ,  マルチスケール ,  ジョイント ,  エントロピー ,  ロバスト ,  スペクトル特徴 ,  風力タービン ,  ギアボックス ,  故障診断