陈寅生
- 作品数：3 被引量：24H指数：2
- 供职机构：哈尔滨工业大学电气工程及自动化学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术机械工程更多>>
- EEMD-PE与M-RVM相结合的轴承故障诊断方法被引量：15
- 2017年
- 滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.
- 刘晓东刘朦月陈寅生朱文炜
- 关键词：滚动轴承故障诊断PE
- 基于EEMD样本熵和SRC的自确认气体传感器故障诊断方法被引量：8
- 2016年
- 针对非线性、非平稳情况下自确认气体传感器的故障诊断问题,提出了对传感器不同故障模式信号进行特征提取和智能识别的在线故障诊断方法。首先,该方法根据传感器信号的变化进行集合经验模态分解(ensemble empirical mode decomposition,EEMD),自适应地获得一组固有模态函数(intrinsic mode functions,IMFs),对每个IMF及残余分量进行样本熵分析,提取传感器输出信号的完备特征;然后,利用稀疏表示分类(sparse representationbased classification,SRC)将各故障模式下训练样本的特征向量构成超完备字典。为了提高故障诊断方法的自适应能力,对SRC分类器进行在线更新。通过求解最小1范数约束问题,获得测试样本的稀疏表示系数,再由不同故障类型的重构误差确定测试样本归属,进行传感器故障类型识别。实验结果表明,与目前其他传感器故障诊断方法比较,本文提出的方法能够更显著地提取传感器故障信号特征,故障识别率提高4%以上,达到97.14%。
- 陈寅生姜守达刘晓东杨京礼王祁
- 关键词：故障诊断
- 自确认ATE构架及其关键技术被引量：1
- 2016年
- 随着技术的不断发展与进步,人们对自动测试设备(ATE)的要求越来越高,目前的ATE在智能化、可靠性和可维修性等方面依然存在不足之处,虽然已有众多的学者对ATE进行了改进和完善,但是大多研究者都是只针对其中某一个方面进行改进,还没有形成完整的体系结构以提高ATE的功能和性能。为了提高ATE的智能化、可靠性和可维修性,借鉴自确认传感器理论,并结合维修决策与仪器资源重构方面的理论知识,提出了一种自确认ATE的体系结构,并对自确认ATE关键技术进行了分析。所提出的自确认ATE主要具备的功能是:可以对ATE故障进行诊断;可在线输出动态不确定度来表征测量值的准确度范围;具有预测及健康管理功能,能够估计健康可信度并给出预测结论;对于不同的被测对象,可以通过重构仪器来配置测量通道。与传统的ATE相比,自确认ATE具有更高的可靠性、扩展性和可维修性。
- 刘晓东刘朦月陈寅生
- 关键词：故障诊断动态不确定度健康管理
