-
题名基于mRMR-SOM的异步电机轴承故障诊断研究
- 1
-
-
作者
刘文
周智勇
蔡巍
-
机构
海军潜艇学院动力操纵系
-
出处
《机电工程》
北大核心
2024年第1期90-98,共9页
-
基金
国家自然科学基金资助项目(51407193)。
-
文摘
针对异步电机轴承故障诊断问题,提出了一种融合最大相关最小冗余特征选择算法(mRMR)和自组织映射神经网络(SOM)的故障诊断方法,并将其应用于轴承故障诊断的不同阶段。首先,在实验室环境下搭建了异步电机故障诊断试验平台,在不同电机状态下分别采集振动、电流和电压信号,利用统计学方法获取了高维混合特征集;然后,以互信息为背景,利用mRMR根据特征与状态标签间的相关性和特征间的冗余性,筛选了具备强区分能力的特征,以避免计算冗余和后验诊断性能下降;最后,采用SOM对异步电机健康和轴承故障状态进行了分类识别,验证了SOM对异步电机轴承故障诊断的有效性,以及mRMR对故障诊断结果的影响。研究结果表明:基于mRMR-SOM的异步电机轴承故障诊断方法能够准确地区分健康和故障状态,测试集分类准确率达到89%;使用mRMR特征筛选能够将154维特征降低至17维,缩短23.5%的网络收敛时间,并将分类准确率由89%提升至98%;试验结果验证了基于mRMR-SOM的异步电机轴承故障诊断方法对于异步电机轴承故障诊断问题的有效性,且证实其具备良好的诊断效果。
-
关键词
自组织映射神经网络
最大相关最小冗余特征选择算法
互信息
特征降维
特征选择
神经网络算法
U矩阵
-
Keywords
self-organizing map(SOM)
feature selection based on maximum-relevance and minimum-redundancy(mrmr)
mutual information
feature dimensionality reduction
feature selection
neural network algorithm
unified distance matrix(U-Matrix)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TM343
[电气工程—电机]
-
-
题名基于mRMR-BP算法的辛烷值损失预测模型研究
被引量：1
- 2
-
-
作者
姬子恒
朱建伟
陈海江
-
机构
长安大学机械学院
-
出处
《智能计算机与应用》
2022年第3期169-172,179,共5页
-
文摘
化工过程建模一般通过数据关联或机理建模的方法来实现,但由于炼油工艺过程的复杂性以及设备的多样性,其操作变量之间具有高度非线性和相互强耦联的关系。在传统的数据关联模型中,变量相对较少、机理建模对原料的分析要求较高,对过程优化的响应不及时,效果并不理想。本文为了降低模型求解的复杂性,使用互信息法和mRMR算法,对367个变量进行降维处理,筛选出同时满足与辛烷值之间具有最大相关性,彼此之间又有最小的冗余性的主要变量。引入BP神经网络模型对辛烷值损失建立预测模型,经过数据训练与学习,产生辛烷值损失的预测结果,并分析主要操作变量对辛烷值损失的影响。
-
关键词
辛烷值
互信息法
最大相关-最小冗余(mrmr)算法
BP神经网络
-
Keywords
octane number
mutual information method
maximum correlation-minimum redundancy(mrmr)algorithm
BP neural network
-
分类号
TE626.21
[石油与天然气工程—油气加工工程]
-
