青岛市科技发展计划项目(12-1-4-4-3)
- 作品数：26 被引量：79H指数：6
- 相关作者：谭继文李善文妍战红孙显彬更多>>
- 相关机构：青岛理工大学更多>>
- 发文基金：青岛市科技发展计划项目国家自然科学基金国家教育部博士点基金更多>>
- 相关领域：机械工程金属学及工艺自动化与计算机技术航空宇航科学技术更多>>
- 基于KPCA-BP网络模型的滚动轴承故障诊断方法研究被引量：8
- 2014年
- 针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号,利用小波包提取能量特征值,同时提取轴承的时-频域特征量组成原始特征空间,利用核主元分析方法对原始特征空间降维,提取主元特征量输入到BP神经网络中进行故障模式识别。试验结果表明,KPCA-BP网络模型的性能优于未筛选-BP网络,具有更好的诊断效果和抗干扰能力。
- 徐卫晓宋平谭继文
- 关键词：核主元分析BP神经网络滚动轴承
- 基于云模型和证据理论的多源信息融合方法研究与试验被引量：2
- 2015年
- 针对复杂机械设备故障诊断信息具有模糊性、不确定性、不完全性等特点,在分析云模型理论的基础上,提出了一种基于云模型和D-S证据理论的多源信息融合与故障模式识别新方法,研究了相关参数的计算和确定方法,给出了用云模型方法对多源信息进行统一建模、并根据获取的不确定度对故障特征值进行二次筛选、通过计算证据的不确定度系数和整体支持度系数对融合证据权重进行再分配、利用证据理论得出融合识别结果的理论依据及实现步骤。最后,通过数控机床滚动轴承故障诊断试验验证了该方法的可行性和故障识别的准确性。
- 冯春生谭继文孙显彬
- 关键词：云模型证据理论多源信息融合数控机床故障诊断
- 基于平均影响值与SVM的滚珠丝杠故障诊断技术
- 2014年
- 针对滚珠丝杠故障诊断中存在大量冗余信息的特点,引入平均影响值法对故障信号特征进行筛选。该法可剔除冗余特征,保留对诊断结果影响较大的特征作为支持向量机(SVM)的输入,然后借助支持向量机实现对输入参量的训练以及故障模式识别。经实验验证,实例中所建立的滚珠丝杠故障诊断模型,能在更大程度上缩短诊断时间,提高分类精度,具有较传统诊断模型更好的诊断效果。
- 温国强文妍谭继文
- 关键词：滚珠丝杠故障诊断
- 基于内部伺服信息和EMD-PNN网络的滚珠丝杠副故障诊断试验研被引量：1
- 2015年
- 提出了一种利用光栅尺和编码器采集丝杠内部伺服信息的方法;针对滚珠丝杠副故障信号的非线性、非平稳性特征,引入经验模态分解法(EMD),对丝杠4种故障状态下的内部伺服信息进行时频域分析,并将峰度、频率、方差等时、频域特征组成原始特征集,以该特征集为输入,建立概率神经网络(PNN)模型,对滚珠丝杠副的故障状态进行模式识别。通过分析比较EMD-PNN与EMD-BP两种网络模型的性能和诊断结果,验证了EMD-PNN网络模型对滚珠丝杠副故障诊断的优越性及可行性。
- 杜兴苗谭继文徐卫晓孙显彬
- 关键词：滚珠丝杠经验模态分解概率神经网络BP神经网络
- 基于MIV与RBF神经网络的滚珠丝杠故障诊断被引量：1
- 2014年
- 滚珠丝杠故障特征值引入平均影响值(MIV)的特征值筛选方法,剔出冗余特征值,减少了特征向量数;设计了径向基(RBF)神经网络,并建立了基于MIV与RBF神经网络的滚珠丝杠故障识别模型。经试验,对"未筛选-BP"、"未筛选-RBF"和"MIV-RBF"三种诊断模型进行对比分析研究,结果表明:"MIV-RBF"训练步数少、收敛快、诊断精度高,是一种较为理想的滚珠丝杠故障诊断方法。
- 温国强文妍谭继文
- 关键词：滚珠丝杠RBF神经网络故障诊断
- 基于单层SAE与SVM的滚动轴承性能退化评估被引量：2
- 2018年
- 滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。
- 陈龙谭继文管皓
- 关键词：滚动轴承支持向量机
- 基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究被引量：3
- 2016年
- 为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。
- 俞昆谭继文李善
- 关键词：局部均值分解滚动轴承故障诊断
- 滚动轴承故障信息的特征级融合与决策级融合被引量：2
- 2016年
- 在对滚动轴承原始故障信号完成特征提取与特征筛选的基础上,利用BP、RBF以及SVM三种网络模型对筛选完的特征量进行特征级融合[1];针对单一的网络模型的不确定性,通过隶属度熵值权重法确定了三种网络模型的不确定度[2],并引入D-S证据理论[3],对三种网络的计算结果进行决策级融合[4](以滚动轴承外圈故障为例),以提高对滚动轴承故障诊断精度。
- 王浩谭继文孙显彬
- 关键词：滚动轴承故障诊断特征级融合决策级融合D-S证据理论
- 基于EMD与神经网络的滚珠丝杠故障诊断被引量：3
- 2013年
- 针对滚珠丝杠故障信号的非线性和非平稳性特征,引入经验模态分解(EMD)的信号处理方法。将复杂的原信号分解为有限个本征模函数(IMF),提取IMF分量的能量作为特征值,利用BP神经网络进行故障类型识别。经试验验证,采用该方法能达到滚珠丝杠故障识别的目的且具有较高的识别率。
- 温国强文妍谭继文
- 关键词：滚珠丝杠经验模态分解BP网络故障诊断
- KPCA-GRNN网络在数控机床复合故障诊断中的应用被引量：6
- 2016年
- 提出了一种将核主元分析法(KPCA)与GRNN网络相结合的数控机床复合故障诊断方法。原始复合信号经过EMD分解,将得到的IMF与其他时频域特征值组成原始信号特征集;运用KPCA方法对原始特征集进行降维处理,构造核主元特征集;将筛选后的特征向量作为GRNN网络的输入,实现了数控机床不同复合故障的模式识别,并与其他3种网络对比,验证了该方法的优越性。
- 李善谭继文俞昆文妍
- 关键词：GRNN神经网络故障诊断
