基于多特征提取和KECA柴油机关键部件故障识别

针对柴油机系统故障特征信息微弱、识别率低的问题,提出一种基于多特征提取和核熵成分分析（KECA）的柴油机关键部件故障识别方法。首先对采集的信号经集合经验模态分解重构降噪后提取方差、峭度、方根幅值、峰值因子和排列熵作为特征参量,选择KECA对其高维降成低维特征,最后由支持向量机对新的低维特征进行故障识别,并对比用其他降维方法的分类结果。结果显示：此分类结果显著比其他方法好,识别准确率为96.67%,说明本文所提方法可对柴油机关键部件进行故障识别,且拥有良好的应用前景。     

基于模糊熵与CS-ELM的供输弹系统早期故障识别北大核心

针对供输弹系统早期采集的信号中成分复杂,故障特征难以提取和识别的问题,提出一种基于模糊熵与布谷鸟改进的极限学习机(CS-ELM)的供输弹系统早期故障预示方法。运用改进的可调品质因子小波变换对信号进行滤波降噪,提取各子带信号的模糊熵特征;选取模糊熵值较大的5个子带进行重构,完成降噪并将其模糊熵组成特征向量;运用CS-ELM对所提取的特征向量进行早期故障预示并与ELM的诊断结果进行对比。试验结果验证了该方法的有效性,其预示准确率达90.7%。     

基于EEMD与随机森林的的供输弹系统早期故障识别

对于供输弹系统早期采集的信号中成分复杂,故障特征难以识别及提取,提出了基于EEMD和随机森林相结合的的故障识别方法.首先对经过预处理的信号进行EEMD分解,对分解后的各个本征模态分量(IMF)求相关系数,选出与原信号较大的5个.结合信息熵和均方根构建每个IMF的混合特征向量,然后运用RF实现了故障的诊断识别,总体识别率...